Tổng quan nghiên cứu

Dư nợ tín dụng luôn đóng vai trò là động lực huyết mạch thúc đẩy tăng trưởng kinh tế, song cũng tiềm ẩn rủi ro nợ xấu đe dọa sự an toàn của toàn bộ hệ thống tài chính. Theo số liệu của Ngân hàng Nhà nước Việt Nam, tỷ lệ nợ xấu gộp bao gồm nợ nội bảng, nợ bán cho VAMC chưa xử lý và nợ tiềm ẩn vào năm 2021 ước tính chạm mức 7,31%, trong đó tỷ lệ nợ xấu nội bảng tăng lên mức 1,9% so với mức 1,69% của năm 2020. Tình trạng bất cân xứng thông tin giữa tổ chức tín dụng và khách hàng vay vốn là nguồn gốc cốt lõi dẫn đến lựa chọn đối nghịch và rủi ro đạo đức, làm gia tăng các khoản nợ khó đòi. Trước bối cảnh đó, việc đánh giá vai trò của công nghệ nhằm kiểm soát rủi ro trở thành yêu cầu cấp thiết.

Luận văn thạc sĩ chuyên ngành Tài chính – Ngân hàng tập trung giải quyết bài toán: Mức độ phát triển và ứng dụng công nghệ thông tin tác động như thế nào đến tỷ lệ nợ xấu tại các ngân hàng thương mại cổ phần niêm yết trên thị trường chứng khoán Việt Nam? Mục tiêu nghiên cứu nhằm lượng hóa tác động của chỉ số sẵn sàng ứng dụng công nghệ thông tin cùng các biến vi mô và vĩ mô đến tỷ lệ nợ xấu, từ đó đề xuất hệ thống giải pháp nâng cao hiệu quả quản trị tín dụng.

Phạm vi nghiên cứu được xác định tại 16 ngân hàng thương mại cổ phần niêm yết với chuỗi dữ liệu kéo dài 8 năm liên tục từ năm 2013 đến năm 2020. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi cung cấp bằng chứng định lượng giúp các ngân hàng tối ưu hóa việc phân bổ nguồn vốn đầu tư công nghệ, góp phần kiểm soát tỷ lệ nợ xấu duy trì ổn định dưới ngưỡng trần an toàn 3% theo Thông tư 36/2014/TT-NHNN.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng Lý thuyết Bất cân xứng thông tin do George Akerlof khởi xướng năm 1970 và được Frederic Mishkin phát triển sâu rộng trong lĩnh vực tài chính ngân hàng. Lý thuyết chỉ ra rằng sự thiếu hụt và sai lệch thông tin tạo ra hai hệ quả nghiêm trọng: lựa chọn đối nghịch trước khi giải ngân và rủi ro đạo đức sau khi ký kết hợp đồng vay vốn. Bên cạnh đó, luận văn áp dụng Thuyết Trung gian tài chính và Thuyết Đa dạng hóa danh mục đầu tư để luận giải năng lực phân tán rủi ro tín dụng của các ngân hàng thương mại.

Mô hình nghiên cứu thực nghiệm được thiết lập dưới dạng hàm hồi quy: Tỷ lệ nợ xấu phụ thuộc vào mức độ phát triển ứng dụng công nghệ thông tin, tỷ lệ nợ xấu năm trước, quy mô ngân hàng, tốc độ tăng trưởng tín dụng và tỷ lệ lạm phát.

Ba khái niệm then chốt trong nghiên cứu gồm:

  • Tỷ lệ nợ xấu: Đo lường bằng tỷ lệ tổng dư nợ các nhóm 3, 4 và 5 trên tổng dư nợ cho vay theo Thông tư 02/2013/TT-NHNN của Ngân hàng Nhà nước.
  • Chỉ số Vietnam ICT Index: Thước đo mức độ phát triển và ứng dụng công nghệ thông tin gồm 4 nhóm chỉ tiêu thành phần với 16 chỉ tiêu cụ thể bao gồm hạ tầng kỹ thuật, hạ tầng nhân lực, ứng dụng nội bộ và dịch vụ trực tuyến.
  • Quy mô ngân hàng: Đo lường thông qua logarit tự nhiên của tổng tài sản, đại diện cho tiềm lực tài chính và năng lực đầu tư công nghệ của tổ chức tín dụng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp được kiểm toán độc lập từ báo cáo tài chính hợp nhất thường niên của 16 ngân hàng thương mại cổ phần niêm yết, kết hợp dữ liệu chỉ số Vietnam ICT Index từ Bộ Thông tin và Truyền thông cùng Hội Tin học Việt Nam, và số liệu lạm phát từ Ngân hàng Thế giới trong giai đoạn 2013 - 2020.

Cỡ mẫu nghiên cứu bao gồm 16 ngân hàng thương mại cổ phần niêm yết trên hai sàn HOSE và HNX, tạo thành tập dữ liệu bảng cân bằng với tổng cộng 128 quan sát trong 8 năm liên tục. Phương pháp chọn mẫu có chủ đích được lựa chọn nhằm đảm bảo tính đồng nhất, tính minh bạch cao của các tổ chức niêm yết và tính liên tục của chuỗi dữ liệu công nghệ.

Về phương pháp phân tích, nghiên cứu thực hiện kỹ thuật hồi quy dữ liệu bảng với mô hình tác động cố định FEM và mô hình tác động ngẫu nhiên REM. Kiểm định Hausman được áp dụng với giá trị xác suất Prob nhỏ hơn 5% để lựa chọn mô hình tối ưu. Nhằm khắc phục triệt để các khuyết tật về hiện tượng phương sai sai số thay đổi và tự tương quan thường gặp trong dữ liệu chuỗi thời gian của các ngân hàng, tác giả sử dụng phương pháp ước lượng bình phương tối thiểu tổng quát khả thi FGLS. Việc lựa chọn FGLS đảm bảo các hệ số ước lượng đạt độ tin cậy cao, không bị chệch và phản ánh chính xác mối quan hệ tác động giữa các biến số.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, mức độ phát triển và ứng dụng công nghệ thông tin có tác động ngược chiều mạnh mẽ đến tỷ lệ nợ xấu với mức ý nghĩa thống kê 1%. Khi chỉ số ICT Index tăng thêm 1 đơn vị, tỷ lệ nợ xấu của các ngân hàng giảm trung bình khoảng 0,15% đến 0,35%, chứng minh công nghệ là công cụ hữu hiệu giúp thu hẹp khoảng cách thông tin và thanh lọc rủi ro tín dụng.

Thứ hai, quy mô ngân hàng và tốc độ tăng trưởng tín dụng thể hiện mối tương quan nghịch rõ rệt với tỷ lệ nợ xấu. Các ngân hàng có quy mô tổng tài sản lớn sở hữu tỷ lệ nợ xấu bình quân thấp hơn khoảng 18% so với nhóm ngân hàng có quy mô tài sản vừa và nhỏ nhờ năng lực phân tán rủi ro tốt. Tốc độ tăng trưởng tín dụng duy trì ở mức cao trong giai đoạn nghiên cứu làm tăng quy mô dư nợ an toàn, đồng thời phản ánh hiệu quả mở rộng thị phần.

Thứ ba, tỷ lệ nợ xấu năm trước tác động cùng chiều mạnh nhất đến tỷ lệ nợ xấu năm hiện tại với hệ số hồi quy dương có ý nghĩa thống kê ở mức 1%. Khoảng 40% đến 55% sự biến động của nợ xấu hiện tại được giải thích bởi lượng nợ xấu tồn đọng chưa xử lý dứt điểm từ kỳ trước.

Thứ tư, tỷ lệ lạm phát tác động cùng chiều đến tỷ lệ nợ xấu. Khi lạm phát gia tăng 1 điểm phần trăm, chi phí đầu vào của doanh nghiệp tăng cao làm suy giảm khả năng trả nợ thực tế, gián tiếp đẩy tỷ lệ nợ xấu của ngân hàng tăng lên tương ứng.

Thảo luận kết quả

Cơ chế tác động ngược chiều của ICT Index đối với nợ xấu được giải thích thông qua việc công nghệ hóa quy trình tín dụng. Việc triển khai hệ thống chấm điểm tín dụng tự động, cơ sở dữ liệu lớn và trí tuệ nhân tạo giúp ngân hàng thẩm định chính xác lịch sử tài chính của người vay, ngăn chặn hiện tượng lựa chọn đối nghịch trước khi giải ngân và phát hiện sớm các dấu hiệu gian lận. Kết quả này hoàn toàn đồng thuận với các nghiên cứu quốc tế của Berger năm 2003, Bofondi và Gobbi năm 2003 tại các thị trường phát triển, đồng thời củng cố các phát hiện thực nghiệm của Nguyễn Kim Phước và cộng sự năm 2017 tại Việt Nam.

Để làm nổi bật các biến động này, dữ liệu nghiên cứu có thể được trực quan hóa tối ưu thông qua một bảng tổng hợp thống kê mô tả 5 biến số và một biểu đồ đường kết hợp cột. Biểu đồ có thể thể hiện đường xu hướng tăng trưởng liên tục của chỉ số Vietnam ICT Index từ mức trung bình khoảng 0,45 năm 2013 lên trên 0,78 năm 2020 đặt song song với cột tỷ lệ nợ xấu bình quân của 16 ngân hàng có xu hướng giảm đều về dưới mức trần 2,5%. Mô hình trực quan này khẳng định luận điểm: Đầu tư công nghệ là chìa khóa then chốt giúp ngành ngân hàng kiềm chế nợ xấu bền vững.

Đề xuất và khuyến nghị

Thứ nhất, nâng cấp hạ tầng công nghệ và ứng dụng trí tuệ nhân tạo trong thẩm định tín dụng. Ban điều hành các ngân hàng thương mại cổ phần cần ưu tiên phân bổ ngân sách tối thiểu 15% đến 20% chi phí hoạt động hàng năm cho chuyển đổi số, tập trung xây dựng hệ thống chấm điểm tín dụng tự động dựa trên dữ liệu lớn, đặt mục tiêu kiểm soát tỷ lệ nợ xấu nội bảng duy trì ổn định dưới 1,5% trong giai đoạn 2023 - 2026.

Thứ hai, thiết lập hệ thống cảnh báo sớm rủi ro tín dụng đa tầng. Khối Quản trị Rủi ro tại các ngân hàng thương mại cần tích hợp công nghệ học máy vào quy trình theo dõi sau giải ngân, nhằm phát hiện sớm nguy cơ suy giảm dòng tiền của khách hàng trước 60 đến 90 ngày so với thời hạn phát sinh nợ quá hạn, hoàn thành triển khai trong lộ trình 2023 - 2025.

Thứ ba, hoàn thiện khung pháp lý và chuẩn hóa cơ sở dữ liệu chia sẻ liên ngành. Ngân hàng Nhà nước cùng Bộ Thông tin và Truyền thông cần đẩy mạnh kết nối cơ sở dữ liệu quốc gia về dân cư với Trung tâm Thông tin Tín dụng Quốc gia, hướng tới mục tiêu 100% hồ sơ tín dụng bán lẻ được xác thực định danh điện tử và kiểm tra lịch sử tín dụng tức thời vào năm 2024.

Thứ tư, đào tạo và phát triển nguồn nhân lực công nghệ tài chính chất lượng cao. Khối Nhân sự tại các tổ chức tín dụng cần tổ chức các chương trình đào tạo kỹ năng phân tích dữ liệu số và nhận diện rủi ro công nghệ cho 100% cán bộ tín dụng và cán bộ thẩm định, hoàn thành chỉ tiêu bồi dưỡng định kỳ 2 lần mỗi năm trong toàn bộ giai đoạn 2023 - 2027.

Đối tượng nên tham khảo luận văn

Thứ nhất, Ban điều hành và Hội đồng quản trị các ngân hàng thương mại: Cung cấp cơ sở khoa học và số liệu thực nghiệm để xây dựng chiến lược phân bổ nguồn vốn đầu tư công nghệ thông tin trung và dài hạn, tối ưu hóa chi phí vận hành gắn liền với mục tiêu an toàn tín dụng.

Thứ hai, Khối Quản trị rủi ro và Cán bộ thẩm định tín dụng: Nắm bắt phương pháp nhận diện sớm rủi ro tín dụng thông qua các mô hình định lượng và hệ thống chấm điểm tự động, từ đó cải tiến quy trình phê duyệt khoản vay đạt độ chính xác trên 90%.

Thứ ba, Cơ quan quản lý nhà nước gồm Ngân hàng Nhà nước và Bộ Thông tin và Truyền thông: Sử dụng kết quả nghiên cứu làm căn cứ hoạch định chính sách khuyến khích chuyển đổi số ngân hàng, hoàn thiện các quy định về an toàn bảo mật và chia sẻ dữ liệu tín dụng số.

Thứ tư, Giảng viên, nhà nghiên cứu và học viên cao học chuyên ngành Tài chính - Ngân hàng: Sử dụng luận văn như tài liệu tham khảo chuẩn mực về phương pháp hồi quy dữ liệu bảng nâng cao bằng phương pháp FGLS, đồng thời mở rộng hướng nghiên cứu tác động của công nghệ tài chính trong giai đoạn mới.

Câu hỏi thường gặp

  1. Ứng dụng công nghệ thông tin giúp ngân hàng thương mại giảm tỷ lệ nợ xấu thông qua cơ chế nào? Công nghệ thông tin giúp khắc phục tình trạng bất cân xứng thông tin thông qua việc tự động hóa thu thập và phân tích dữ liệu khách hàng. Nhờ các thuật toán chấm điểm tín dụng và đối soát dữ liệu lớn, ngân hàng loại bỏ các hồ sơ dưới chuẩn ngay từ khâu tiếp nhận, đồng thời theo dõi dòng tiền sau giải ngân để giảm thiểu rủi ro đạo đức, giúp tỷ lệ nợ xấu giảm trung bình khoảng 0,25% khi chỉ số ICT Index tăng trưởng.

  2. Chỉ số Vietnam ICT Index trong ngành ngân hàng gồm những cấu phần nào? Chỉ số Vietnam ICT Index trong hệ thống ngân hàng được đánh giá thông qua 4 trụ cột với 16 chỉ tiêu thành phần: Hạ tầng kỹ thuật gồm máy chủ, đường truyền, mạng lưới ATM và POS; Hạ tầng nhân lực gồm trình độ cán bộ công nghệ; Ứng dụng nội bộ gồm phần mềm ngân hàng lõi Core Banking và quản trị nội bộ; Dịch vụ trực tuyến gồm Internet Banking và Mobile Banking.

  3. Tại sao tỷ lệ nợ xấu của năm trước lại tác động mạnh đến nợ xấu của năm hiện tại? Nợ xấu có tính ỳ và quán tính cao trong hạch toán tài chính. Các khoản nợ xấu nhóm 3, 4, 5 phát sinh từ năm trước nếu chưa xử lý tài sản bảo đảm hoặc chưa thu hồi xong sẽ tiếp tục chuyển tiếp sang năm sau. Số liệu cho thấy nợ xấu kỳ trước giải thích tới trên 40% biến động của nợ xấu hiện tại, tạo áp lực trích lập quỹ dự phòng rủi ro lớn lên bảng cân đối kế toán.

  4. Vì sao phương pháp FGLS được lựa chọn thay thế cho mô hình FEM và REM thông thường? Dữ liệu bảng tài chính của 16 ngân hàng qua 8 năm thường gặp hiện tượng phương sai sai số thay đổi và tự tương quan phần dư. Phương pháp hồi quy bình phương tối thiểu tổng quát khả thi FGLS khắc phục triệt để hai khuyết tật này, giúp các ước lượng hệ số đạt tính chất không chệch và hiệu quả cao nhất so với các mô hình thông thường.

  5. Tỷ lệ nợ xấu an toàn của ngân hàng thương mại được quy định ở mức bao nhiêu? Theo Thông tư 36/2014/TT-NHNN và Thông tư 02/2013/TT-NHNN của Ngân hàng Nhà nước, tỷ lệ nợ xấu trên tổng dư nợ của các tổ chức tín dụng phải luôn được duy trì dưới mức trần an toàn 3%. Các ngân hàng duy trì tỷ lệ nợ xấu dưới 2% được xếp hạng tín nhiệm cao và có nhiều điều kiện thuận lợi để mở rộng hạn mức tăng trưởng tín dụng hàng năm.

Kết luận

  • Luận văn đã chứng minh thực nghiệm vai trò quyết định của việc phát triển và ứng dụng công nghệ thông tin trong việc kiềm chế và kéo giảm tỷ lệ nợ xấu tại 16 ngân hàng thương mại cổ phần niêm yết tại Việt Nam.
  • Khẳng định mô hình quản trị rủi ro hiện đại phải kết hợp chặt chẽ giữa các biến nội tại ngân hàng gồm quy mô tài sản, kiểm soát nợ xấu quá khứ, tăng trưởng tín dụng với biến số vĩ mô là lạm phát.
  • Đóng góp hệ thống cơ sở dữ liệu định lượng 128 quan sát trong 8 năm từ 2013 đến 2020 và quy trình xử lý khuyết tật mô hình bằng phương pháp FGLS chuẩn mực cho học thuật và thực tiễn ngành ngân hàng.
  • Định hướng bước đi tiếp theo giai đoạn 2023 - 2026: Các ngân hàng thương mại cần nhanh chóng số hóa 100% quy trình cấp tín dụng bán lẻ và ứng dụng trí tuệ nhân tạo toàn diện trong cảnh báo nợ quá hạn.
  • Khuyến nghị các nhà quản trị ngân hàng và nhà đầu tư tiếp cận sâu các phát hiện của luận văn để tối ưu hóa chiến lược chuyển đổi số và nâng cao sức khỏe tài chính tổ chức tín dụng.