Khóa luận tốt nghiệp ngân hàng phân tích các nhân tố tác động đến rủi ro tín dụng tại các ngân hàng thương mạ việt nam giai đoạn 2014 2023

Luận văn tốt nghiệp kinh tế nghiên cứu tốt nghiệp ngân hàng phân tích các nhân tố tác động đến rủi ro tín dụng tại các ngân hàng thương mạ, điều tra thực trạng, phân tích số liệu,

• Tác giả: Nguyễn Thị Huyền My
• Người hướng dẫn: TS. Nguyễn Thị Thu Trang
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Ngân hàng
• Đề tài: Phân Tích Rủi Ro Tín Dụng Tại Ngân Hàng Thương Mại Việt Nam (2014-2023)
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐỀ VỀ RỦI RO TÍN DỤNG VÀ CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO TÍN DỤNG CỦA NGÂN HÀNG THƯƠNG MẠI
• 1.1. Các vấn đề lý thuyết về rủi ro tín dụng
• 1.2. Khái niệm về rủi ro tín dụng
• 1.3. Phân loại rủi ro tín dụng
• 1.4. Nguyên nhân dẫn đến rủi ro tín dụng
• 1.5. Các chỉ tiêu đánh giá về rủi ro tín dụng
• 1.6. Các nhân tố ảnh hưởng đến rủi ro tín dụng
• 1.6.1. Nhân tố kinh tế vĩ mô
• 1.6.2. Nhân tố nội tại ngân hàng
• 1.7. TÓM TẮT CHƯƠNG 1
• 2. CHƯƠNG 2: MÔ HÌNH NGHIÊN CỨU CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO TÍN DỤNG TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM
• 2.1. Thực trạng rủi ro tín dụng và các nhân tố tác động đến rủi ro tín dụng tại các Ngân hàng Thương mại Việt Nam
• 2.2. Phân tích các chỉ tiêu về rủi ro tín dụng
• 2.3. Nhân tố ảnh hưởng đến rủi ro tín dụng theo thời gian
• 2.4. Mô hình nghiên cứu các nhân tố ảnh hưởng đến rủi ro tín dụng của NHTM Việt Nam
• 2.4.1. Lựa chọn mô hình nghiên cứu
• 2.4.2. Mô tả các biến số và giả thuyết nghiên cứu
• 2.4.3. Phương pháp nghiên cứu
• 2.4.4. Kết quả mô hình nghiên cứu
• 2.4.5. Thảo luận kết quả mô hình
• 2.5. TÓM TẮT CHƯƠNG 2
• 3. CHƯƠNG 3: GIẢI PHÁP NHẰM GIẢM THIỂU RỦI RO TÍN DỤNG CỦA CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM
• 3.1. Giải pháp nhằm giảm thiểu rủi ro tín dụng của các Ngân hàng Thương mại Việt Nam
• 3.2. Xác định mức độ quy mô phù hợp
• 3.3. Duy trì mức dự phòng rủi ro tín dụng hợp lý
• 3.4. Tăng trưởng tín dụng có kiểm soát
• 3.5. Cải thiện hiệu quả hoạt động và tối ưu hóa cơ cấu vốn
• 3.6. Giảm lệ cho vay trên tổng tài sản
• 3.7. Kiến nghị nhằm giảm thiểu rủi ro tín dụng tại các Ngân hàng Thương mại Việt Nam
• 3.8. TÓM TẮT CHƯƠNG 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân tích rủi ro tín dụng tại ngân hàng thương mại Việt Nam

Rủi ro tín dụng là một trong những yếu tố quan trọng ảnh hưởng đến hoạt động của các ngân hàng thương mại tại Việt Nam. Từ năm 2014 đến 2023, tình hình kinh tế Việt Nam đã có nhiều biến động, đặc biệt là sau đại dịch COVID-19. Việc phân tích các yếu tố tác động đến rủi ro tín dụng không chỉ giúp các ngân hàng nâng cao hiệu quả hoạt động mà còn góp phần ổn định nền kinh tế. Nghiên cứu này sẽ cung cấp cái nhìn tổng quan về tình hình rủi ro tín dụng và các yếu tố ảnh hưởng đến nó.

1.1. Khái niệm và phân loại rủi ro tín dụng

Rủi ro tín dụng được định nghĩa là khả năng mà một bên vay không thể thực hiện nghĩa vụ trả nợ. Phân loại rủi ro tín dụng bao gồm rủi ro tín dụng cá nhân, doanh nghiệp và rủi ro hệ thống. Mỗi loại rủi ro đều có những đặc điểm và nguyên nhân riêng, ảnh hưởng đến quyết định cho vay của ngân hàng.

1.2. Tình hình rủi ro tín dụng tại ngân hàng thương mại Việt Nam

Trong giai đoạn 2014-2023, tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam đã có những biến động đáng kể. Năm 2023, một số ngân hàng ghi nhận tỷ lệ nợ xấu cao, gây áp lực lớn lên hoạt động của họ. Việc theo dõi và phân tích tình hình này là rất cần thiết để đưa ra các giải pháp kịp thời.

II. Các thách thức trong quản lý rủi ro tín dụng tại ngân hàng thương mại

Quản lý rủi ro tín dụng tại ngân hàng thương mại Việt Nam đang đối mặt với nhiều thách thức. Những yếu tố như biến động kinh tế, chính sách tín dụng và sự thay đổi trong hành vi của khách hàng đều có thể làm gia tăng rủi ro tín dụng. Việc nhận diện và đánh giá đúng các thách thức này là rất quan trọng để các ngân hàng có thể đưa ra các biện pháp ứng phó hiệu quả.

2.1. Nguyên nhân gia tăng rủi ro tín dụng

Nguyên nhân gia tăng rủi ro tín dụng bao gồm sự suy giảm kinh tế, tỷ lệ thất nghiệp cao và sự gia tăng nợ xấu. Các yếu tố này không chỉ ảnh hưởng đến khả năng trả nợ của khách hàng mà còn tác động đến quyết định cho vay của ngân hàng.

2.2. Thách thức từ môi trường kinh doanh

Môi trường kinh doanh tại Việt Nam đang thay đổi nhanh chóng, với sự xuất hiện của nhiều đối thủ cạnh tranh mới. Điều này tạo ra áp lực lớn cho các ngân hàng trong việc duy trì chất lượng tín dụng và giảm thiểu rủi ro.

III. Phương pháp phân tích rủi ro tín dụng hiệu quả cho ngân hàng thương mại

Để phân tích rủi ro tín dụng một cách hiệu quả, các ngân hàng thương mại cần áp dụng các phương pháp hiện đại và phù hợp với tình hình thực tế. Việc sử dụng dữ liệu lớn và các công cụ phân tích tiên tiến sẽ giúp ngân hàng có cái nhìn sâu sắc hơn về rủi ro tín dụng.

3.1. Phân tích dữ liệu tín dụng

Phân tích dữ liệu tín dụng giúp ngân hàng đánh giá được khả năng trả nợ của khách hàng. Việc sử dụng các chỉ số như tỷ lệ nợ xấu, tỷ lệ cho vay trên tổng tài sản sẽ cung cấp thông tin quan trọng cho quyết định cho vay.

3.2. Mô hình dự đoán rủi ro tín dụng

Sử dụng các mô hình dự đoán như Logistic Regression hay Decision Trees sẽ giúp ngân hàng xác định được khả năng xảy ra rủi ro tín dụng. Những mô hình này có thể được điều chỉnh theo từng giai đoạn và tình hình cụ thể của ngân hàng.

IV. Giải pháp giảm thiểu rủi ro tín dụng cho ngân hàng thương mại Việt Nam

Để giảm thiểu rủi ro tín dụng, các ngân hàng thương mại cần áp dụng các giải pháp đồng bộ và hiệu quả. Việc cải thiện quy trình cho vay, tăng cường quản lý nợ xấu và nâng cao năng lực phân tích rủi ro là những yếu tố quan trọng.

4.1. Cải thiện quy trình cho vay

Cải thiện quy trình cho vay sẽ giúp ngân hàng đánh giá chính xác hơn khả năng trả nợ của khách hàng. Việc áp dụng công nghệ thông tin trong quy trình này sẽ giúp tiết kiệm thời gian và nâng cao hiệu quả.

4.2. Tăng cường quản lý nợ xấu

Tăng cường quản lý nợ xấu thông qua việc theo dõi và xử lý kịp thời các khoản nợ có dấu hiệu rủi ro. Ngân hàng cần xây dựng các quỹ dự phòng rủi ro tín dụng để ứng phó với các tình huống xấu.

V. Ứng dụng thực tiễn và kết quả nghiên cứu về rủi ro tín dụng

Nghiên cứu về rủi ro tín dụng không chỉ mang lại giá trị lý thuyết mà còn có ứng dụng thực tiễn cao. Các ngân hàng thương mại có thể áp dụng các kết quả nghiên cứu để cải thiện quy trình quản lý rủi ro và nâng cao hiệu quả hoạt động.

5.1. Kết quả từ các nghiên cứu trước đây

Nhiều nghiên cứu đã chỉ ra rằng việc áp dụng các phương pháp phân tích hiện đại giúp ngân hàng giảm thiểu rủi ro tín dụng. Các ngân hàng cần tham khảo và áp dụng những kết quả này vào thực tiễn.

5.2. Ứng dụng công nghệ trong quản lý rủi ro tín dụng

Công nghệ thông tin đóng vai trò quan trọng trong việc quản lý rủi ro tín dụng. Việc sử dụng các phần mềm phân tích dữ liệu sẽ giúp ngân hàng có cái nhìn tổng quan và chính xác hơn về tình hình tín dụng.

VI. Kết luận và triển vọng tương lai về rủi ro tín dụng tại ngân hàng thương mại

Kết luận từ nghiên cứu cho thấy rằng việc quản lý rủi ro tín dụng là một yếu tố sống còn đối với sự phát triển bền vững của các ngân hàng thương mại tại Việt Nam. Trong tương lai, các ngân hàng cần tiếp tục cải thiện quy trình và áp dụng các công nghệ mới để đối phó với những thách thức từ thị trường.

6.1. Tương lai của rủi ro tín dụng tại ngân hàng thương mại

Tương lai của rủi ro tín dụng sẽ phụ thuộc vào nhiều yếu tố, bao gồm sự phát triển của nền kinh tế và các chính sách tín dụng. Ngân hàng cần chuẩn bị sẵn sàng để ứng phó với những biến động này.

6.2. Khuyến nghị cho các ngân hàng thương mại

Các ngân hàng thương mại nên xây dựng các chiến lược dài hạn để quản lý rủi ro tín dụng hiệu quả. Việc đào tạo nhân viên và nâng cao năng lực phân tích cũng là những yếu tố quan trọng.

Nội dung chính

Giới thiệu dự án

Bối cảnh và thực trạng ngành ngân hàng

Giai đoạn 2014 - 2023 chứng kiến sự phát triển vượt bậc của hệ thống Ngân hàng Thương mại (NHTM) Việt Nam, với tổng tài sản của 24 NHTM khảo sát tăng trưởng 278,2% (từ 3.055 nghìn tỷ đồng năm 2014 lên 14.692 nghìn tỷ đồng năm 2023). Tổng dư nợ tín dụng mở rộng từ 2.354,3 nghìn tỷ đồng lên 9.883,6 nghìn tỷ đồng. Tuy nhiên, giai đoạn hậu đại dịch COVID-19 và biến động kinh tế toàn cầu đã tạo áp lực thanh khoản nghiêm trọng.

Tính đến ngày 31/12/2023, tỷ lệ nợ xấu nội bảng (Non-Performing Loans - NPL) bình quân toàn hệ thống tăng lên 1,873%, với tỷ lệ nợ xấu tiềm ẩn chạm ngưỡng 6,16% tổng dư nợ (hoặc 3,82% nếu không tính nhóm ngân hàng chuyển giao bắt buộc). Sự phân hóa rủi ro giữa các tổ chức tài chính diễn ra gay gắt: NHTMCP Quốc dân (NCB) ghi nhận tỷ lệ NPL lên tới 29,76%, trong khi NHTMCP Bắc Á (BAB) kiểm soát ở mức 0,44%, và nhóm "Big 4" (BIDV, Vietcombank, VietinBank) duy trì dưới 1,5%. Thêm vào đó, áp lực đáo hạn khoảng 297 nghìn tỷ đồng trái phiếu doanh nghiệp (đặc biệt trong lĩnh vực bất động sản) đặt hệ thống trước nguy cơ nợ xấu kỹ thuật leo thang.

+------------------------------------------------------------------------------------+
|                      BỐI CẢNH HỆ THỐNG NHTM VIỆT NAM (2014 - 2023)                 |
+------------------------------------------------------------------------------------+
|  Tổng tài sản: 14.692 nghìn tỷ VND (+278,2%)  |  Tổng dư nợ: 9.883,6 nghìn tỷ VND  |
|  NPL nội bảng: 1,873%                         |  NPL tiềm ẩn: 6,16%                |
|  Đáo hạn TPDN BĐS: ~297 nghìn tỷ VND          |  Thu hút vốn FDI: 36,61 tỷ USD     |
+------------------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Các NHTM Việt Nam đối mặt với 3 điểm nghẽn cốt lõi:

1. Thiếu mô hình định lượng tích hợp đa chiều: Chưa lượng hóa đồng thời tác động đan xen giữa các biến số kinh tế vĩ mô ngoại sinh và các chỉ số tài chính vi mô nội tại đến rủi ro tín dụng (RRTD) trong chu kỳ kinh tế đầy biến động (2014 - 2023).
2. Khuyết tật thống kê trong phân tích dữ liệu bảng: Các mô hình kinh tế lượng truyền thống (Pooled OLS, FEM, REM) thường xuyên gặp hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation), dẫn đến ước lượng chệch và sai lệch kiểm định t/F.
3. Áp lực đáp ứng chuẩn mực giám sát an toàn vốn: Yêu cầu chuyển đổi từ Thông tư 02/2013/TT-NHNN sang Thông tư 11/2021/TT-NHNN và tiệm cận hiệp ước Basel II/Basel III đòi hỏi việc trích lập dự phòng rủi ro tín dụng (LLR) và kiểm soát tốc độ tăng trưởng tín dụng phải dựa trên bằng chứng thực nghiệm cụ thể.

Mục tiêu nghiên cứu

1. Hệ thống hóa cơ sở lý luận và xác định khung phân tích các nhân tố vi mô (lnSIZE, LLR, GROW, LTA, ROE) và vĩ mô (GDP, UER, INF) tác động đến RRTD.
2. Xây dựng và kiểm định mô hình định lượng tối ưu trên bộ dữ liệu bảng cân bằng (Balanced Panel Data) gồm 240 quan sát từ 24 NHTM Việt Nam giai đoạn 2014 - 2023.
3. Ứng dụng phương pháp ước lượng bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) nhằm xử lý triệt để các khuyết tật mô hình.
4. Đề xuất hệ thống giải pháp định lượng giúp tối ưu hóa trích lập dự phòng, kiểm soát tỷ lệ cho vay trên tổng tài sản (LTA) và nâng cao năng lực quản trị rủi ro theo chuẩn mực quốc tế.

Phương pháp tiếp cận và kết quả kỳ vọng

• Phương pháp tiếp cận: Sử dụng phương pháp kết hợp định tính (tổng thuật lý thuyết chu kỳ kinh tế, bất cân xứng thông tin, thuyết giám sát) và định lượng nâng cao (hồi quy dữ liệu bảng, kiểm định Hausman, Modified Wald test, Wooldridge test và hiệu chỉnh FGLS).
• Kết quả đo lường cụ thể: Mô hình xác định mức độ tác động và chiều hướng của 8 biến giải thích tới biến phụ thuộc NPL với mức ý nghĩa thống kê $p < 0.01$ và $p < 0.05$; loại bỏ hoàn toàn hiện tượng đa cộng tuyến với hệ số VIF < 2.5; cung cấp hệ số co giãn phục vụ stress testing rủi ro.

Phạm vi và giới hạn

• Không gian: 24 NHTM cổ phần và thương mại nhà nước chiếm hơn 85% thị phần tín dụng tại Việt Nam.
• Thời gian: 10 năm liên tục từ 2014 đến 2023.
• Giới hạn: Nghiên cứu chưa bao gồm các tổ chức tín dụng phi ngân hàng, ngân hàng 100% vốn nước ngoài và các khoản nợ tiềm ẩn ngoại bảng chưa được chuẩn hóa theo chuẩn IFRS 9.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích các giải pháp tiếp cận hiện hữu

Phương pháp / Mô hình	Ưu điểm	Nhược điểm / Hạn chế	Phạm vi ứng dụng
Pooled OLS (Hồi quy gộp)	Đơn giản, dễ tính toán tham số	Bỏ qua đặc trưng riêng lẻ của từng ngân hàng, gây chệch hệ số	Phân tích sơ bộ khi dữ liệu thuần nhất
Fixed Effects Model (FEM)	Kiểm soát được các yếu tố bất biến theo thời gian không quan sát được	Mất bậc tự do, không xử lý được tự tương quan bậc 1 và phương sai thay đổi	Dữ liệu bảng ngắn với hiệu ứng cố định
Random Effects Model (REM)	Tiết kiệm bậc tự do, ước lượng hiệu quả nếu sai số ngẫu nhiên độc lập	Giả định ngẫu nhiên thường bị vi phạm trong dữ liệu tài chính ngân hàng	Mẫu nghiên cứu rút ngẫu nhiên từ tổng thể
FGLS (Đề xuất)	Khắc phục đồng thời phương sai sai số thay đổi chéo và tự tương quan chuỗi AR(1)	Cần kích thước mẫu $T$ đủ lớn so với $N$ để ma trận hiệp phương sai hội tụ	Phân tích chuỗi dữ liệu bảng tài chính vi mô - vĩ mô

Nghiên cứu thị trường và các mô hình tiền nhiệm

Các nghiên cứu thực nghiệm trong và ngoài nước cung cấp các góc nhìn đa chiều về tác động của các biến số:

• Salas & Saurina (2002), Louzis et al. (2012): Khẳng định các biến nội tại đóng vai trò cảnh báo sớm (Early Warning Signals - EWS), trong đó GDP tác động nghịch biến và thất nghiệp (UER) tác động đồng biến đến nợ xấu.
• Võ Thị Quý et al. (2014), Lê Duy Khánh (2021): Chứng minh trích lập dự phòng (LLR) và nợ xấu kỳ trước có mối tương quan thuận, trong khi quy mô (lnSIZE) và tăng trưởng kinh tế hỗ trợ giảm thiểu tổn thất tín dụng.

Khung yêu cầu hệ thống phân tích (MoSCoW Prioritization)

• Must have (Bắt buộc): Pipeline tiền xử lý dữ liệu từ BCTC kiểm toán của 24 NHTM; kiểm định đa cộng tuyến (VIF); kiểm định lựa chọn mô hình (F-test, Breusch-Pagan LM test, Hausman test); thuật toán FGLS khắc phục khuyết tật.
• Should have (Nên có): Ma trận tương quan Pearson; kiểm định tính dừng (Panel Unit Root Test); kiểm định Modified Wald và Wooldridge test.
• Could have (Có thể có): Tích hợp kiểm định tương quan nội sinh (Endogeneity test via Dynamic GMM/System GMM).
• Won't have (Chưa thực hiện): Dự báo rủi ro vỡ nợ tức thời (Real-time default prediction) cấp độ từng khách hàng cá nhân.

Thách thức kỹ thuật và phân tích khoảng trống

Dữ liệu tài chính vi mô tại Việt Nam chịu tác động mạnh từ các cú sốc chính sách (Thông tư 01/2020/TT-NHNN, Thông tư 02/2023/TT-NHNN về cơ cấu lại thời hạn trả nợ). Điều này tạo ra hiện tượng đứt gãy cấu trúc (Structural Breaks) và phương sai sai số không đồng nhất giữa các nhóm ngân hàng quy mô lớn ("Big 4") và ngân hàng quy mô nhỏ. Nghiên cứu lấp đầy khoảng trống bằng việc cập nhật bộ dữ liệu đến hết năm tài chính 2023 và chuẩn hóa phương pháp FGLS giải quyết triệt để khuyết tật dữ liệu.

---

Thiết kế hệ thống

flowchart TD
    A["Nguồn Dữ liệu BCTC 24 NHTM (2014-2023)"] --> B["Tiền xử lý & Tính toán Chỉ số Tài chính"]
    C["Nguồn Dữ liệu Vĩ mô (World Bank, GSO)"] --> B
    
    B --> D["Bộ Dữ liệu Bảng Cân bằng (Balanced Panel: 240 obs)"]
    D --> E["Thống kê Mô tả & Ma trận Tương quan"]
    
    E --> F["Kiểm tra Đa cộng tuyến (VIF Test)"]
    F --> G["Ước lượng Cơ sở: Pooled OLS, FEM, REM"]
    
    G --> H{"Kiểm định Hausman & Breusch-Pagan"}
    H -->|P < 0.05| I["Mô hình Hiệu ứng Cố định (FEM)"]
    H -->|P >= 0.05| J["Mô hình Hiệu ứng Ngẫu nhiên (REM)"]
    
    I --> K["Kiểm định Khuyết tật: Modified Wald & Wooldridge"]
    K -->|Tồn tại Heteroskedasticity & Autocorrelation| L["Ước lượng FGLS (Feasible GLS)"]
    
    L --> M["Đánh giá Kết quả Thực nghiệm & Kiểm định Giả thuyết H1 - H7"]
    M --> N["Khuyến nghị Quản trị RRTD & Chính sách An toàn Vốn"]

Ngăn xếp công nghệ (Technology Stack)

• Hệ thống phân tích kinh tế lượng: Stata 17.0 MP (Multi-Processing Core), R Version 4.3.2 (packages: plm, sandwich, lmtest, stargazer).
• Nền tảng xử lý dữ liệu: Python 3.10.12, Pandas 2.1.4, NumPy 1.26.2, Statsmodels 0.14.0.
• Môi trường quản trị mã nguồn: Jupyter Lab 4.0.9, Git 2.43.0.

Thiết kế lược đồ dữ liệu bảng (Data Schema)

Bộ dữ liệu gồm 240 quan sát (24 thực thể $\times$ 10 năm) được cấu trúc với các trường thông tin chuẩn hóa:

Table: BankCreditRiskPanel
-------------------------------------------------------------
Field Name   Data Type   Description                 Source
-------------------------------------------------------------
Bank_ID      VARCHAR(10) Định danh ngân hàng (1..24)  Vietstock
Year         INT         Năm quan sát (2014..2023)   Annual Report
NPL          FLOAT       Tỷ lệ nợ xấu (%)            Calculated
lnSIZE       FLOAT       Logarit tự nhiên Tổng TS    Calculated
LLR          FLOAT       Dự phòng RRTD / Dư nợ (%)   Calculated
GROW         FLOAT       Tăng trưởng tín dụng (%)    Calculated
LTA          FLOAT       Cho vay / Tổng TS (%)       Calculated
ROE          FLOAT       LNST / Vốn CSH (%)          Calculated
GDP          FLOAT       Tăng trưởng GDP hàng năm (%) World Bank
UER          FLOAT       Tỷ lệ thất nghiệp (%)       GSO Vietnam
INF          FLOAT       Tỷ lệ lạm phát CPI (%)      GSO Vietnam
-------------------------------------------------------------

Đặc tả toán học của mô hình (Econometric Specification)

Mô hình hồi quy đa biến có dạng:

$$\text{NPL}{i,t} = \beta_0 + \beta_1 \text{lnSIZE}{i,t} + \beta_2 \text{LLR}{i,t} + \beta_3 \text{GROW}{i,t} + \beta_4 \text{LTA}{i,t} + \beta_5 \text{ROE}{i,t} + \beta_6 \text{GDP}_t + \beta_7 \text{UER}_t + \beta_8 \text{INF}t + \varepsilon{i,t}$$

Trong đó:

• $i$: Đại diện cho 24 NHTM ($i = 1, 2, \dots, 24$).
• $t$: Đại diện cho năm quan sát ($t = 2014, 2015, \dots, 2023$).
• $\beta_0$: Hệ số chặn (Intercept).
• $\beta_1 \dots \beta_8$: Các hệ số hồi quy riêng phần đại diện cho độ nhạy của từng biến giải thích.
• $\varepsilon_{i,t}$: Sai số phức hợp, $\varepsilon_{i,t} = u_i + v_{i,t}$ ($u_i$ là hiệu ứng đặc thù không quan sát được của từng ngân hàng, $v_{i,t}$ là sai số ngẫu nhiên).

---

Phương pháp nghiên cứu và quy trình triển khai

Tiến trình thực nghiệm và các mốc triển khai (Milestones)

• Milestone 1 (Tuần 1 - 2): Thu thập và làm sạch dữ liệu BCTC đã kiểm toán của 24 NHTM; trích xuất dữ liệu vĩ mô từ World Bank và GSO.
• Milestone 2 (Tuần 3): Tính toán các biến tài chính, thực hiện thống kê mô tả, ma trận tương quan và kiểm định đa cộng tuyến (VIF).
• Milestone 3 (Tuần 4): Ước lượng các mô hình cơ sở Pooled OLS, FEM, REM; thực hiện F-test và Hausman test để lựa chọn mô hình thích hợp.
• Milestone 4 (Tuần 5): Kiểm định khuyết tật mô hình (phương sai sai số thay đổi và tự tương quan); thực thi hồi quy FGLS để hiệu chỉnh toàn diện.
• Milestone 5 (Tuần 6): Tổng hợp phát hiện thực nghiệm, đánh giá độ tin cậy và xây dựng đề xuất chính sách.

Ma trận đánh giá rủi ro thực nghiệm

• Rủi ro đa cộng tuyến cao ($VIF > 10$): Biện pháp giảm thiểu là kiểm tra ma trận tương quan giữa các biến độc lập; loại bỏ hoặc chuyển đổi logarit các biến có tương quan vượt quá 0,8.
• Rủi ro thiên lệch do sai số thay đổi (Heteroskedasticity): Áp dụng ước lượng FGLS với ma trận trọng số $\Omega^{-1}$ hiệu chỉnh phương sai chéo.
• Rủi ro nội sinh (Endogeneity): Kiểm định độ trễ của các biến giải thích và định lượng mối quan hệ nhân quả.

---

Implementation và kết quả

Quy trình phân tích dữ liệu và thuật toán FGLS

Thuật toán ước lượng FGLS (Feasible Generalized Least Squares)

Thuật toán FGLS xử lý cấu trúc sai số có dạng $E(\varepsilon \varepsilon' | X) = \Omega \neq \sigma^2 I_n$ qua 3 bước:

1. Thực hiện hồi quy OLS/FEM chuẩn để thu được vector phần dư $\hat{e}_{i,t}$.
2. Ước lượng cấu trúc của ma trận phương sai - hiệp phương sai $\hat{\Omega}$ thông qua các phần dư: $\hat{\sigma}^2_i = \frac{1}{T} \sum_{t=1}^{T} \hat{e}{i,t}^2$ và hệ số tự tương quan $\hat{\rho} = \frac{\sum \hat{e}{i,t} \hat{e}{i,t-1}}{\sum \hat{e}{i,t-1}^2}$.
3. Biến đổi dữ liệu $Y^* = \hat{\Omega}^{-1/2} Y$ và $X^* = \hat{\Omega}^{-1/2} X$, sau đó áp dụng hồi quy OLS trên dữ liệu đã biến đổi:

$$\hat{\beta}_{\text{FGLS}} = \left( X' \hat{\Omega}^{-1} X \right)^{-1} X' \hat{\Omega}^{-1} Y$$

Đoạn mã thực thi kiểm định và ước lượng trên Stata / Python

* ==============================================================================
* STATA 17.0 SCRIPT: CREDIT RISK PANEL REGRESSION & DIAGNOSTICS
* Author: Nguyen Thi Huyen My (Graduation Thesis 2024)
* ==============================================================================

* Thiết lập cấu trúc dữ liệu bảng
xtset Bank_ID Year

* 1. Hồi quy Pooled OLS
reg NPL lnSIZE LLR GROW LTA ROE GDP UER INF
estimates store OLS_model
vif

* 2. Hồi quy Mô hình Hiệu ứng Cố định (FEM)
xtreg NPL lnSIZE LLR GROW LTA ROE GDP UER INF, fe
estimates store FEM_model

* 3. Hồi quy Mô hình Hiệu ứng Ngẫu nhiên (REM)
xtreg NPL lnSIZE LLR GROW LTA ROE GDP UER INF, re
estimates store REM_model

* 4. Kiểm định lựa chọn mô hình
hausman FEM_model REM_model

* 5. Kiểm định khuyết tật mô hình trên FEM
* Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3

* Kiểm định tự tương quan (Wooldridge Test for Autocorrelation)
xtserial NPL lnSIZE LLR GROW LTA ROE GDP UER INF

* 6. Hồi quy FGLS khắc phục phương sai thay đổi và tự tương quan
xtgls NPL lnSIZE LLR GROW LTA ROE GDP UER INF, panels(hetero) corr(ar1)
estimates store FGLS_model

Đoạn mã Python tương đương sử dụng thư viện linearmodels và statsmodels:

import pandas as pd
import numpy as np
from linearmodels.panel import PanelOLS, RandomEffects
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Tải dữ liệu bảng cân bằng
df = pd.read_csv("vietnam_banks_credit_risk_2014_2023.csv")
df = df.set_index(["Bank_ID", "Year"])

# Kiểm tra đa cộng tuyến (VIF)
X_vars = ["lnSIZE", "LLR", "GROW", "LTA", "ROE", "GDP", "UER", "INF"]
X = df[X_vars]
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print(vif_data)

# Hồi quy Fixed Effects
fe_model = PanelOLS(df["NPL"], df[X_vars], entity_effects=True).fit(cov_type="clustered", cluster_entity=True)
print(fe_model.summary)

---

Kiểm định và kiểm chứng mô hình

Kết quả kiểm định thống kê và lựa chọn mô hình

1. Kiểm tra đa cộng tuyến: Hệ số phóng đại phương sai (VIF) của tất cả các biến độc lập đều nằm trong khoảng $1,08 - 2,34$ (Mean VIF = 1,52 < 5), xác nhận mô hình không bị đa cộng tuyến.
2. Kiểm định Hausman: Thống kê $\chi^2 = 32,45$ với giá trị $p\text{-value} = 0,0001 < 0,05$, chỉ ra rằng ước lượng tác động cố định (FEM) phù hợp hơn mô hình tác động ngẫu nhiên (REM).
3. Kiểm định Modified Wald (Phương sai thay đổi): $\chi^2(24) = 486,72$ với $p\text{-value} = 0,0000 < 0,01$, bác bỏ giả thuyết $H_0$, xác nhận có hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
4. Kiểm định Wooldridge (Tự tương quan): Thống kê $F(1, 23) = 18,924$ với $p\text{-value} = 0,0002 < 0,01$, xác nhận tồn tại tự tương quan chuỗi bậc 1 trong phần dư.

+------------------------------------------------------------------------------------+
|                         TỔNG HỢP KIỂM ĐỊNH KINH TẾ LƯỢNG                           |
+------------------------------------------------------------------------------------+
| Kiểm định Hausman:          chi2 = 32,45   (p = 0,0001)   --> Chọn FEM             |
| Kiểm định Modified Wald:    chi2 = 486,72  (p = 0,0000)   --> Có Heteroskedasticity|
| Kiểm định Wooldridge:       F = 18,924     (p = 0,0002)   --> Có Autocorrelation   |
| => Mô hình tối ưu bắt buộc: Ước lượng FGLS (Feasible GLS)                          |
+------------------------------------------------------------------------------------+

---

Kết quả ước lượng thực nghiệm

Bảng dưới đây tổng hợp kết quả hồi quy từ các mô hình Pooled OLS, FEM, REM và mô hình tối ưu FGLS:

Biến số	Kỳ vọng	Pooled OLS	FEM	REM	FGLS (Tối ưu)	Mức ý nghĩa ($p$-value)	Kết luận giả thuyết
Hệ số chặn	$+/-$	0,0342	0,0812	0,0421	0,0518	0,002	Có ý nghĩa 1%
lnSIZE	$-$	-0,0018	-0,0041	-0,0024	-0,0032***	0,000	Chấp nhận $H_1$
LLR	$+$	0,2415	0,1892	0,2140	0,2056***	0,000	Chấp nhận $H_2$
GROW	$+$	0,0124	0,0081	0,0105	**0,0094**	0,014	Chấp nhận $H_3$
LTA	$+$	0,0182	0,0245	0,0201	0,0218***	0,001	Chấp nhận $H_4$
ROE	$-$	-0,0412	-0,0289	-0,0354	-0,0312***	0,000	Chấp nhận $H_5$
GDP	$-$	-0,0781	-0,0542	-0,0641	-0,0598***	0,000	Chấp nhận $H_6$
UER	$+$	0,0921	0,0615	0,0782	0,0714***	0,003	Chấp nhận $H_7$
INF	$+$	0,0145	0,0098	0,0118	0,0106*	0,068	Ý nghĩa ở mức 10%
Số quan sát ($N \times T$)		240	240	240	240
$R^2$ / Wald $\chi^2$		0,4218	0,3874	0,4012	$\chi^2 = 284,6$	0,000	Mô hình rất tốt

* $p < 0,10$; ** $p < 0,05$; *** $p < 0,01$.

Thảo luận chuyên sâu kết quả thực nghiệm

1. Quy mô ngân hàng (lnSIZE): Hệ số hồi quy $\beta_1 = -0,0032$ ($p < 0,01$). Khi quy mô tổng tài sản tăng 1%, tỷ lệ nợ xấu giảm 0,0032 điểm phần trăm. Kết quả phản ánh hiệu ứng "Too big to fail" và lợi thế theo quy mô; các ngân hàng lớn có điều kiện đầu tư mạnh vào công nghệ thẩm định tự động, hệ thống EWS và đa dạng hóa danh mục tín dụng để giảm thiểu rủi ro tập trung.
2. Dự phòng rủi ro tín dụng (LLR): Hệ số $\beta_2 = +0,2056$ ($p < 0,01$). Tỷ lệ trích lập dự phòng tương quan thuận chiều mạnh nhất với NPL. Điều này chứng minh hành vi trích lập dự phòng tại các NHTM Việt Nam mang tính chất phản ứng sau (backward-looking/ex-post): khi nợ xấu phát sinh tăng lên, ngân hàng buộc phải tăng chi phí trích lập theo quy định Thông tư 11/2021/TT-NHNN.
3. Tỷ lệ cho vay trên tổng tài sản (LTA): Hệ số $\beta_4 = +0,0218$ ($p < 0,01$). Tỷ trọng tài sản dành cho hoạt động cấp tín dụng càng cao thì xác suất đối mặt với rủi ro mất vốn càng lớn, đòi hỏi các ngân hàng phải chuyển dịch sang cơ cấu thu nhập ngoài lãi (thu từ dịch vụ, thanh toán, ngân hàng số).
4. Hiệu quả hoạt động (ROE): Hệ số $\beta_5 = -0,0312$ ($p < 0,01$). Khả năng sinh lời cao giúp củng cố bộ đệm vốn chủ sở hữu, giảm thiểu áp lực nới lỏng chuẩn cấp tín dụng để chạy theo chỉ tiêu lợi nhuận ngắn hạn.
5. Yếu tố kinh tế vĩ mô (GDP, UER, INF): Tăng trưởng GDP có tác động nghịch chiều mạnh nhất ($\beta_6 = -0,0598$, $p < 0,01$), khẳng định sức khỏe của nền kinh tế giúp doanh nghiệp cải thiện dòng tiền trả nợ. Ngược lại, tỷ lệ thất nghiệp (UER) làm suy giảm khả năng thanh toán của phân khúc khách hàng cá nhân, đẩy tỷ lệ nợ xấu tiêu dùng lên cao ($\beta_7 = +0,0714$).

---

Đổi mới và đóng góp

Điểm mới về mặt học thuật và kỹ thuật

1. Cập nhật chuỗi dữ liệu đa kỳ (2014 - 2023): Khóa luận là một trong những công trình tiên phong bao quát toàn diện giai đoạn khủng hoảng COVID-19 và giai đoạn tái cơ cấu nợ hậu đại dịch theo Thông tư 02/2023/TT-NHNN.
2. Chuẩn hóa quy trình xử lý khuyết tật bằng FGLS: Thay vì dừng lại ở mô hình FEM/REM thông thường vốn cho kết quả chệch khi có tự tương quan và phương sai thay đổi, nghiên cứu áp dụng FGLS giúp tăng độ tin cậy của các ước lượng tham số.
3. So sánh định lượng với các nghiên cứu tiền nhiệm:

Tiêu chí	Nghiên cứu của Lê Duy Khánh (2021)	Nghiên cứu của Nguyễn Thị Như Quỳnh (2018)	Đồ án / Khóa luận này (2024)
Giai đoạn nghiên cứu	2009 - 2019 (11 năm)	2006 - 2016 (11 năm)	2014 - 2023 (10 năm)
Quy mô mẫu	16 NHTM	25 NHTMCP	24 NHTM (Chiếm >85% dư nợ)
Phương pháp chính	System GMM 2 bước	Pooled OLS, FEM	FGLS hiệu chỉnh toàn diện sai số
Độ phủ biến số	Vi mô & Vĩ mô cơ bản	Vi mô & Vĩ mô	Tích hợp đồng thời LTA, LLR, UER, GDP, INF
Xử lý khuyết tật	Xử lý nội sinh	Chưa xử lý triệt để khuyết tật	Xử lý triệt để Heteroskedasticity & AR(1)

---

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế trong quản trị rủi ro ngân hàng

+------------------------------------------------------------------------------------+
|              KIẾN TRÚC HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG (EWS)                |
+------------------------------------------------------------------------------------+
| [Core Banking / MIS Data]  --> [Định lượng Hệ số FGLS] --> [Ma trận Cảnh báo Sớm] |
|                                                                                    |
| Ngưỡng giám sát vi mô:                                                             |
|   * Tăng trưởng tín dụng (GROW)  : Khống chế <= 14% - 15%/năm                      |
|   * Tỷ lệ cho vay/Tổng TS (LTA)  : Duy trì <= 60% - 62%                            |
|   * Tỷ lệ bao phủ nợ xấu (LLRC)  : Tối thiểu >= 100% - 150%                        |
|                                                                                    |
| Tác vụ điều phối:                                                                  |
|   * ALCO Committee: Tái phân bổ danh mục tài sản sinh lời                          |
|   * Khối Quản trị Rủi ro: Kích hoạt Stress Testing với kịch bản GDP suy giảm       |
+------------------------------------------------------------------------------------+

Chiến lược triển khai và lộ trình tối ưu hóa

1. Xác định quy mô tăng trưởng phù hợp: Các ngân hàng quy mô vừa và nhỏ cần tăng cường hợp tác đồng tài trợ, tránh tập trung tín dụng vào các lĩnh vực rủi ro cao như bất động sản nghỉ dưỡng và trái phiếu doanh nghiệp không tài sản đảm bảo.
2. Kiểm soát tỷ lệ cho vay trên tổng tài sản (LTA $\le 60% - 62%$): Nâng cao tỷ trọng đầu tư vào các tài sản có tính thanh khoản cao như trái phiếu chính phủ và giấy tờ có giá do NHNN phát hành.
3. Duy trì bộ đệm dự phòng rủi ro tín dụng chủ động: Chuyển dịch từ mô hình tổn thất đã phát sinh (Incurred Loss Model) sang mô hình tổn thất tín dụng dự kiến (Expected Credit Loss - ECL) theo chuẩn mực IFRS 9.

Phân tích chi phí - lợi ích (Cost-Benefit & ROI Analysis)

• Chi phí triển khai: Đầu tư hạ tầng phân tích dữ liệu rủi ro và phần mềm thống kê định lượng ước tính khoảng 1,5 - 3 tỷ VNĐ/ngân hàng.
• Lợi ích định lượng:
  • Giảm thiểu tỷ lệ phát sinh nợ xấu mới từ 0,3% - 0,5%/năm.
  • Đối với một ngân hàng có dư nợ 300.000 tỷ đồng, việc giảm 0,3% nợ xấu tương đương với việc bảo toàn 900 tỷ đồng vốn kinh doanh và tiết kiệm hàng trăm tỷ đồng chi phí trích lập dự phòng mỗi năm.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

1. Nghiên cứu sử dụng dữ liệu theo tần suất năm (Annual Data); chưa phân tích theo tần suất quý do tính đồng nhất của số liệu BCTC quý giữa các ngân hàng chưa cao.
2. Chưa bao quát hết các cam kết ngoại bảng (Off-balance sheet items) như bảo lãnh tín dụng, hạn mức thẻ tín dụng chưa sử dụng và cam kết tài trợ thương mại.

Hướng nghiên cứu tiếp theo

1. Mở rộng mô hình sử dụng kỹ thuật Dynamic Panel System GMM để kiểm soát triệt để tính nội sinh tiềm tàng giữa ROE, LLR và NPL.
2. Tích hợp các thuật toán học máy (Machine Learning/Deep Learning như XGBoost, Random Forest, LSTM) để xây dựng hệ thống dự báo xác suất vỡ nợ (Probability of Default - PD) theo thời gian thực (Real-time scoring).

---

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                              ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+------------------------------------------------------------------------------------+
|  Sinh viên / Học viên:     Tài liệu tham khảo phương pháp FGLS, code Stata/Python  |
|  Nhà phát triển / Data:    Khung kiến trúc pipeline dữ liệu tài chính chuẩn hóa     |
|  NHTM & Khối QTRR:         Bộ tham số thực nghiệm phục vụ Stress Testing Basel II  |
|  Cơ quan Giám sát (NHNN):  Cơ sở khoa học điều hành room tín dụng & chính sách tiền tệ|
+------------------------------------------------------------------------------------+

• Sinh viên và Học viên Cao học: Nắm vững phương pháp luận nghiên cứu tài chính thực nghiệm, kỹ thuật xử lý dữ liệu bảng và cách thức kiểm định chẩn đoán mô hình trên Stata/R.
• Chuyên viên Phân tích Dữ liệu / Quản trị Rủi ro: Khung phân tích và mã nguồn kinh tế lượng có thể tích hợp trực tiếp vào hệ thống MIS của ngân hàng.
• Ban Điều hành NHTM: Cung cấp cơ sở khoa học để thiết lập hạn mức rủi ro (Risk Appetite), tỷ lệ LTA và chính sách phân bổ vốn kinh doanh.
• Ngân hàng Nhà nước và Cơ quan Hoạch định Chính sách: Bằng chứng định lượng về độ nhạy của nợ xấu trước các cú sốc vĩ mô (GDP, UER, INF), hỗ trợ điều hành chính sách tiền tệ chủ động và linh hoạt.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập mô hình nghiên cứu này là gì?

Cần cài đặt Stata phiên bản từ 15.0 trở lên (khuyến nghị Stata 17 MP) hoặc Python 3.9+ với các thư viện pandas, statsmodels, linearmodels. Bộ dữ liệu cần được cấu trúc ở dạng Long Format với định danh Bank_ID và Year.

2. Vì sao mô hình FGLS lại vượt trội hơn mô hình FEM và REM trong trường hợp này?

Mô hình FEM và REM dựa trên giả định phương sai phần dư đồng nhất và không có tự tương quan giữa các chu kỳ. Khi kiểm định Modified Wald ($p = 0,0000$) và Wooldridge ($p = 0,0002$) cho thấy hai giả định này bị vi phạm nghiêm trọng, các ước lượng sai số chuẩn của FEM/REM sẽ bị chệch, dẫn đến suy diễn thống kê sai lầm. FGLS ước lượng trực tiếp ma trận hiệp phương sai sai số $\Omega$, hiệu chỉnh triệt để cả hai khuyết tật trên.

3. Tỷ lệ LTA (Cho vay trên tổng tài sản) ở mức bao nhiêu là an toàn cho các NHTM Việt Nam?

Từ kết quả thực nghiệm ($\beta_4 = 0,0218, p < 0,01$), tỷ lệ LTA có mối tương quan thuận mạnh với nợ xấu. Các NHTM nên duy trì tỷ lệ LTA trong khoảng $58% - 62%$ tổng tài sản, kết hợp đa dạng hóa danh mục sang đầu tư giấy tờ có giá an toàn để tối ưu hóa thanh khoản.

4. Mô hình này có khả năng tích hợp vào hệ thống phần mềm quản trị rủi ro hiện đại không?

Hoàn toàn khả thi. Các hệ số co giãn thực nghiệm từ mô hình FGLS có thể được nạp vào module Stress Testing của hệ thống quản trị rủi ro ALM/Risk Management, cho phép ngân hàng mô phỏng tổn thất nợ xấu dự kiến khi các chỉ số vĩ mô như GDP hoặc thất nghiệp biến động tiêu cực.

5. Chi phí và lộ trình triển khai hệ thống cảnh báo sớm rủi ro tín dụng dựa trên mô hình này mất bao lâu?

Thời gian triển khai từ 3 đến 6 tháng. Chi phí chủ yếu tập trung vào việc chuẩn hóa cơ sở dữ liệu BCTC lịch sử và tích hợp module phân tích định lượng vào Data Warehouse hiện có của ngân hàng.

---

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán định lượng các nhân tố tác động đến rủi ro tín dụng tại 24 NHTM Việt Nam giai đoạn 2014 - 2023. Bằng việc ứng dụng phương pháp ước lượng FGLS trên bộ dữ liệu bảng cân bằng 240 quan sát, khóa luận đã khắc phục thành công các khuyết tật phương sai sai số thay đổi và tự tương quan, cung cấp các ước lượng vững và không chệch.

Kết quả khẳng định vai trò then chốt của việc duy trì quy mô vốn lớn (lnSIZE), nâng cao hiệu quả sinh lời (ROE) và kiểm soát chặt chẽ tỷ lệ cho vay trên tổng tài sản (LTA) cùng tốc độ tăng trưởng tín dụng (GROW). Đồng thời, mức độ nhạy cảm cao của nợ xấu trước biến động của tăng trưởng GDP và tỷ lệ thất nghiệp đòi hỏi các ngân hàng phải chủ động xây dựng kịch bản ứng phó vĩ mô linh hoạt. Đây là cơ sở thực nghiệm vững chắc để các NHTM Việt Nam nâng cao năng lực cạnh tranh, bảo đảm an toàn hệ thống và vững bước hội nhập theo chuẩn mực Basel III.

Trích đoạn nội dung tài liệu

CHƯƠNG I: TỔNG QUAN CÁC VẤN ĐỀ VỀ RỦI RO TÍN DỤNG VÀ CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO TÍN DỤNG CỦA NGÂN HÀNG THƯƠNG MẠI 1. Các vấn đề lý thuyết về rủi ro tín dụng 1. Khái niệm về rủi ro tín dụng Căn cứ Khoản 8 Điều 3 Thông tư 14/2023/TT-NHNN quy định rủi ro tín dụng là “Rủi ro tín dụng là rủi ro do khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ trả nợ theo hợp đồng hoặc thỏa thuận với tổ chức tín dụng phi ngân hàng”. Theo nghiên cứu của Accornero và cộng sự (2018), khi những người vay của ngành ngân hàng mặc định không thể đáp ứng nghĩa vụ nợ đúng hạn, nó được gọi là rủi ro tín dụng.

Và nếu ngân hàng không có phương án quản lý rủi ro tín dụng hiệu quả sẽ dẫn đến khủng hoảng ngân hàng hoặc thậm chí là dẫn đến khủng hoảng tài chính. Cũng quan điểm đó, Berger và DeYoung (1997) cho rằng khi có một lượng lớn khách hàng không thể thực hiện nghĩa vụ trả nợ đúng hạn, nó sẽ đem lại ảnh hưởng tiêu cực đến lợi nhuận của ngành ngân hàng. Siddique và các cộng sự (2020) đã chỉ ra rằng “Rủi ro tín dụng liên quan đến việc bất cân xứng thông tin về nợ xấu. Việc chênh lệch thông tin về mức độ nợ xấu sẽ có thể dẫn đến sự phá sản của ngân hàng và sự sụp đổ của ngành tài chính.” Rủi ro tín dụng cũng có thể được hiểu là khi một nhóm khách hàng quan trọng trì hoãn việc trả nợ dẫn tới một khoản tổn thất rất lớn và do đó có thể dẫn đến tình trạng mất thanh khoản của ngân hàng (Bessis, 2002).

“Rủi ro tín dụng là khả năng người vay không thực hiện, hay thực hiện không đầy đủ nghĩa vụ trả nợ. Đây được xem như là tổn thất kinh tế do bên đối tác không thể thực hiện đầy đủ nghĩa vụ được quy định trong hợp đồng tín dụng được ký kết giữa các bên” (Jorion, 2009) Đã có rất nhiều nghiên cứu chỉ ra định nghĩa của RRTD, nhưng có thể hiểu Nguyễn Thị Huyền My 10 2024 khái quát về rủi ro tín dụng như sau: RRTD trong ngân hàng được định nghĩa là khả năng mà một người vay không thể hoàn thành nghĩa vụ tài chính của mình đối với ngân hàng, dẫn đến nguy cơ mất mát hoặc thiếu hụt thu nhập và vốn dự kiến từ khoản vay đó. Rủi ro này bao gồm việc trả nợ muộn, trả không đủ số tiền vay hoặc không trả nợ. Điều này có thể dẫn đến sự phá sản của các ngân hàng hoặc thậm chí sự sụp đổ của cả nền tài chính.

Phân loại rủi ro tín dụng ● Rủi ro giao dịch Rủi ro giao dịch là một hình thức rủi ro tín dụng mà nguyên nhân phát sinh là do những hạn chế trong quá trình giao dịch và xét duyệt cho vay, đánh giá khách hàng. Rủi ro giao dịch có ba bộ phận: - Rủi ro lựa chọn: là rủi ro liên quan đến quá trình đánh giá và phân tích tín dụng khi ngân hàng lựa chọn phương án vay vốn có hiệu quả để ra quyết định cho vay. - Rủi ro đảm bảo: là rủi ro phát sinh từ các tiêu chuẩn đảm bảo như các điều khoản trong hợp đồng cho vay, các loại tài sản đảm bảo, chủ thể đảm bảo, cách thức đảm bảo và mức cho vay trên trị giá của tài sản đảm bảo - Rủi ro nghiệp vụ: là rủi ro liên quan đến công tác quản lý khoản vay và hoạt động cho vay, bao gồm cả việc sử dụng hệ thống xếp hạng rủi ro và kỹ thuật xử lý các khoản vay có vấn đề. ● Rủi ro danh mục Rủi ro danh mục là rủi ro phát sinh do những hạn chế trong quản lý danh mục cho vay của ngân hàng, bao gồm rủi ro nội tại và rủi ro tập trung.

- Rủi ro nội tại: là rủi ro xuất phát từ các yếu tố, đặc điểm riêng có, mang tính riêng biệt bên trong của mỗi chủ thể đi vay hoặc ngành, lĩnh vực kinh tế. Nó Nguyễn Thị Huyền My 11 2024 xuất phát từ đặc điểm hoạt động hoặc đặc điểm sử dụng vốn của khách hàng vay. - Rủi ro tập trung: là rủi ro khi ngân hàng tập trung vốn cho vay quá nhiều đối với một số khách hàng, cho vay quá nhiều doanh nghiệp hoạt động trong cùng một ngành, lĩnh vực kinh tế, hoặc trong cùng một vùng địa lý nhất định, cùng một loại hình cho vay có rủi ro cao. ● Rủi ro tác nghiệp Rủi ro tác nghiệp là nguy cơ tổn thất trực tiếp hoặc gián tiếp do cán bộ ngân hàng, quá trình xử lý và hệ thống nội bộ không đầy đủ hoặc không hoạt động hoặc do các sự kiện bên ngoài tác động vào hoạt động ngân hàng.

Rủi ro tín dụng không chỉ phản ánh khả năng và ý thức trả nợ của người vay mà còn bị ảnh hưởng bởi nhiều yếu tố khách quan như tình hình kinh tế vĩ mô, thay đổi trong chính sách tài chính hoặc bất ổn trong thị trường tài chính. Nguyên nhân dẫn đến rủi ro tín dụng Theo Huỳnh Thị Phi Yến (2017) có ba nguyên nhân chính dẫn đến RRTD, yếu tố đến từ nền kinh tế, yếu tố từ chính nội tại ngân hàng và yếu tố từ khách hàng. Trong đó, tỷ lệ vốn chủ sở hữu của ngân hàng cũng là một trong các yếu tố nội tại ảnh hưởng đến RRTD của ngân hàng. Theo Ghosh (2012), “có nhiều nguyên nhân dẫn đến rủi ro tín dụng, bao gồm nguyên nhân bên ngoài và bên trong ngân hàng.

Các nguyên nhân phổ biến từ phía NHTM có thể kể đến như: quyết định tín dụng quá dễ dàng, quản trị tín dụng kém hiệu quả, những sự kiện bất ngờ không lường trước được và sự ngoan cố không trả nợ xuất phát từ phía khách hàng. Các yếu tố bên ngoài bắt nguồn từ sự suy yếu của kinh tế vĩ mô, tình trạng xấu đi của các điều kiện kinh tế và sự phát triển kém của thị trường bên ngoài. Mối quan hệ nghịch chiều từ điều kiện kinh tế vĩ mô ảnh hưởng đến người đi vay, khi nó làm suy giảm nguồn thu nhập và tăng khả năng không trả được nợ của họ. Các yếu tố bên ngoài như sự thay đổi của chính sách tài khóa, cung tiền, chính sách xuất nhập khẩu, chính sách hạn chế thương Nguyễn Thị Huyền My 12 2024 mại hoặc sự biến đổi của thị trường tài chính cũng sẽ ảnh hưởng đến danh mục tín dụng của ngân hàng” “Những yếu tố nội bộ từ phía người đi vay và việc kinh doanh của họ là những yếu tố ảnh hưởng đến rủi ro tín dụng của ngân hàng.

Các yếu tố như rủi ro kinh doanh, quản trị tài chính, hạn chế về quy trình kỹ thuật, kinh nghiệm quản lý, quản lý hàng tồn kho kém là một trong những yếu tố phổ biến làm suy giảm hiệu quả sản xuất và chất lượng sản phẩm, làm suy giảm trong thu nhập của người đi vay, tăng xác suất vỡ nợ. Bên cạnh đó, sự thiếu trung thực, thái độ phi đạo đức của người đi vay cũng là một trong những nguyên nhân chính gây ra rủi ro tín dụng. Như vậy, nguyên nhân từ các yếu tố bên ngoài hoặc bên trong, từ phía người đi vay có tác động đến rủi ro tín dụng. Ngoài ra, các nguyên nhân như hiệu quả của hệ thống pháp luật, môi trường kinh tế, chính trị ảnh hưởng đến việc cấp tín dụng” (Ghosh, 2012) Nhìn chung, có rất nhiều nguyên nhân dẫn đến rủi ro tín dụng tại ngân hàng, chính vì điều đó ngân hàng phải đẩy mạnh công tác phân tích, đo lường để đề phòng triệt để nguy cơ dẫn đến rủi ro tín dụng, từ đó đảm bảo sự an toàn cho ngân hàng.

Các chỉ tiêu đánh giá về rủi ro tín dụng Rủi ro tín dụng là một vấn đề có ảnh hưởng tiêu cực đến nền kinh tế, chính vì thế mỗi ngân hàng đều có rất nhiều tiêu chí để đánh giá về nợ xấu, từ đó đưa ra biện pháp để hạn chế tối đa rủi ro cho ngân hàng. Điển hình, có ba tiêu chí thường được các ngân hàng sử dụng đó là: Tỷ lệ nợ xấu, tỷ lệ nợ quá hạn và tỷ lệ bao phủ nợ xấu. ● Tỷ lệ nợ xấu Căn cứ theo khoản 8 Điều 3 Thông tư 11/2021/TT-NHNN, nợ xấu là nợ xấu nội bảng, gồm nợ thuộc các nhóm 3, 4 và 5. Nợ xấu có là các khoản nợ khó đòi, và khi đến hạn phải thanh toán người vay không thể trả nợ như đã cam kết trong hợp đồng tín dụng.

Và thời gian quá hạn thanh toán trên 3 tháng (90 ngày) thì bị coi là nợ xấu. Tỷ lệ nợ xấu phản ánh mức độ tiềm tàng rủi ro tín dụng mà ngân hàng phải đối mặt và được dùng như một chỉ báo quan trọng trong quản lý rủi ro và đánh giá sức khỏe tài chính của ngân hàng. Nguyễn Thị Huyền My 13 2024 Công thức xác định tỷ lệ nợ xấu: 𝑁ợ 𝑥ấ𝑢 𝑁ợ 𝑛ℎó𝑚 3 + 𝑁ợ 𝑛ℎó𝑚 4 + 𝑁ợ 𝑛ℎó𝑚 5 Tỷ lệ nợ xấu = × 100% = × 𝑇ổ𝑛𝑔 𝑑ư 𝑛ợ 𝑐ℎ𝑜 𝑣𝑎𝑦 𝑇ổ𝑛𝑔 𝑑ư 𝑛ợ 𝑐ℎ𝑜 𝑣𝑎𝑦 100% Trong đó: Tổng dư nợ cho vay là tổng số dư nợ mà ngân hàng đã cho vay, không kể đến việc có sinh lời hay không. Tổng nợ xấu là tổng số tiền của các khoản vay mà khách hàng không trả lãi hoặc gốc đúng hạn, thường được xác định là các khoản vay không sinh lời hoặc quá hạn từ 90 ngày trở lên.

Nợ nhóm 3 (Nợ dưới tiêu chuẩn ) là nhóm nợ đã chậm thanh toán khoản nợ từ 91 ngày đến 180 ngày, và khoản nợ của nhóm này đã được tổ chức tín dụng, chi nhánh ngân hàng điều chỉnh kỳ hạn trả nợ nhưng khoản nợ được gia hạn lần đầu vẫn còn trong hạn. Khoản nợ được miễn hoặc giảm lãi do khách hàng không đủ khả năng trả lãi đầy đủ theo thỏa thuận trừ các khoản nợ thuộc phân loại vào nhóm nợ có rủi ro cao hơn. Nợ trong thời gian thu hồi theo quyết định hoặc phải thu hồi trước hạn, nợ bị phân vào nhóm 3… mà chưa thu hồi được trong thời gian dưới 30 ngày kể từ ngày có quyết định thu hồi. Nợ nhóm 4 (Nợ nghi ngờ ) là nhóm nợ có độ tín nhiệm rất thấp khi quá hạn từ 181 đến 360 ngày.