Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn là thách thức cốt lõi đe dọa sự an toàn hệ thống của các Tổ chức Tín dụng (TCTD) và toàn bộ nền kinh tế vĩ mô. Theo báo cáo từ Ngân hàng Nhà nước Việt Nam (NHNN, 2022), dù Nghị quyết số 42/2017/QH14 đã hỗ trợ toàn ngành xử lý thành công 750,1 nghìn tỷ đồng nợ xấu nội bảng giai đoạn 2017–2021 (trong đó các TCTD tự xử lý 82,63%, VAMC xử lý 14,96%), tổng nợ xấu toàn hệ thống tính đến 31/12/2021 vẫn ở mức 412,7 nghìn tỷ đồng. Trong bối cảnh hậu tái cơ cấu và biến động kinh tế toàn cầu, các NHTM phải đối mặt với áp lực duy trì lợi nhuận song song với việc thắt chặt kiểm soát chi phí vận hành nhằm hạn chế rủi ro tín dụng phát sinh.

Vấn đề cốt lõi đặt ra là: Liệu việc tối đa hóa khả năng sinh lời (Profitability) và chiến lược tối ưu hóa chi phí quản trị điều hành (Cost-to-Income Ratio - CIR) của ngân hàng tác động thuận hay nghịch tới tỷ lệ nợ xấu? Các lý thuyết kinh điển như Giả thuyết Quản trị yếu kém (Bad Management Hypothesis) và Giả thuyết Hớt váng (Skimping Hypothesis) của Berger & DeYoung (1997) đưa ra các kết luận đối nghịch nhau, đòi hỏi một nghiên cứu thực nghiệm định lượng chuẩn xác tại thị trường Việt Nam.

Đồ án/Khóa luận thực hiện nhằm đạt được các mục tiêu cụ thể:

  1. Kiểm định sự tồn tại của mối quan hệ giữa Khả năng sinh lời (KNSL), Quản trị điều hành (QTĐH) và Tỷ lệ nợ xấu (NPL) tại các NHTMCP Việt Nam.
  2. Đo lường định lượng mức độ và chiều hướng tác động của chỉ số ROA, ROE, CIR cùng các biến kiểm soát vi mô và vĩ mô đến NPL.
  3. Xây dựng mô hình kinh tế lượng tối ưu xử lý triệt để các khuyết tật phương sai thay đổi và tự tương quan, tạo cơ sở cho các đề xuất quản trị rủi ro tín dụng.

Giải pháp nghiên cứu sử dụng phương pháp định lượng dữ liệu bảng cân bằng (Balanced Panel Data) thu thập từ 27 NHTMCP Việt Nam qua 8 năm (2014–2021) với tổng cộng 216 quan sát ($N = 27, T = 8$). Nghiên cứu áp dụng quy trình kiểm định đa tầng: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và hoàn thiện bằng mô hình Feasible Generalized Least Squares (FGLS) để cho ra các ước lượng vững, không chệch và hiệu quả nhất.

Phạm vi nghiên cứu tập trung vào 27 NHTMCP đáp ứng chuẩn minh bạch thông tin tài chính công khai sau giai đoạn ban hành Thông tư 02/2013/TT-NHNN và Thông tư 06/2014/TT-NHNN. Nghiên cứu giới hạn ở dữ liệu hồi quy thứ cấp giai đoạn 2014–2021 và không bao gồm các ngân hàng bị mua lại bắt buộc hoặc thiếu hụt chuỗi dữ liệu (Bản Việt, Đông Á, PVcomBank, PGBank).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu các yếu tố ảnh hưởng đến nợ xấu ngân hàng đã được thực hiện rộng rãi với nhiều trường phái học thuật:

Nghiên cứu Phương pháp Mẫu & Thời gian Kết quả chính về KNSL & QTĐH Ưu điểm & Hạn chế
Ekanayake & Azeez (2015) FEM 9 NHTM Sri Lanka (1999–2012) ROA (-) tác động nghịch; CIR/OPE (+) tác động thuận đến NPL Phát hiện phù hợp giả thuyết Bad Management; tuy nhiên cỡ mẫu nhỏ ($N=9$).
Khan et al. (2020) FEM, REM NHTM niêm yết Pakistan (2005–2017) ROA (-) tác động nghịch; Hiệu quả chi phí CIR (-) tác động nghịch Khẳng định giả thuyết Hớt váng (Skimping); chưa xử lý triệt để hiện tượng tự tương quan.
Nguyễn Thị Hồng Vinh (2015) FEM, GMM, SGMM 22 NHTM Việt Nam (2007–2014) ROE (-) tác động nghịch; Quy mô (SIZE) (+) tác động thuận Ứng dụng GMM khử nội sinh tốt; tuy nhiên chuỗi dữ liệu chịu ảnh hưởng nặng của giai đoạn khủng hoảng 2008–2011.
Trần Vương Thịnh & NT. Hồng Loan (2021) Pooled OLS, FEM, REM, FGLS 22 NHTM Việt Nam (2012–2020) ROE (+) tác động thuận; LLR (+), LGR (+) tác động thuận Đã xử lý khuyết tật bằng FGLS; tuy nhiên chưa đưa biến QTĐH (CIR) vào mô hình phân tích.

Dựa trên yêu cầu phân tích kinh tế lượng tài chính, các nhóm chỉ tiêu được xác lập theo ma trận ưu tiên MoSCoW:

  • Must-have (Bắt buộc): Biến phụ thuộc Tỷ lệ nợ xấu ($NPL$), các biến độc lập cốt lõi ($ROA$, $ROE$, $CIR$), các kiểm định vi phạm giả định hồi quy (F-test, Hausman, Modified Wald, Wooldridge, VIF).
  • Should-have (Nên có): Các biến kiểm soát đặc thù ngân hàng ($SIZE$, $LGR$) và biến vĩ mô nền kinh tế ($GDP$, $INF$, $UNE$).
  • Could-have (Có thể có): Phân tích trực quan đồ thị tương quan Scatter plot giữa các cặp biến độc lập và NPL.
  • Won't-have (Không thực hiện): Khảo sát định tính ban điều hành, mô hình phi tham số.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế chuẩn mực theo mô hình 4 tầng liên hoàn:

[Nguồn dữ liệu: FiinPro / World Bank / GSO]
[Tiền xử lý & Kiểm tra tính cân bằng: Balanced Panel (N=27, T=8, n=216)]
[Kiểm định chẩn đoán vi phạm mô hình: VIF, Wooldridge, Modified Wald, Hausman]
[Mô hình tối ưu & Khắc phục khuyết tật: FGLS (Feasible GLS)]

Hệ thống công cụ và công nghệ áp dụng:

  • Nền tảng phân tích: Stata phiên bản 14.0 MP (Multi-Core Processing) chuyên dụng cho xử lý mô hình dữ liệu bảng (Panel Data Econometrics).
  • Nền tảng trích xuất & làm sạch: FiinPro Platform v2.5, Microsoft Excel 2019/Office 365, World Bank Open Data API.
  • Mô hình toán học tổng quát:

$$NPL_{it} = \beta_0 + \beta_1 ROA_{it} + \beta_2 ROE_{it} + \beta_3 CIR_{it} + \beta_4 SIZE_{it} + \beta_5 LGR_{it} + \beta_6 GDP_t + \beta_7 INF_t + \beta_8 UNE_t + \varepsilon_{it}$$

Trong đó:

  • $i$: Đại diện cho 27 ngân hàng TMCP ($i = 1, \dots, 27$).
  • $t$: Đại diện cho chuỗi thời gian 8 năm từ 2014 đến 2021 ($t = 1, \dots, 8$).
  • $\beta_0$: Hệ số chặn (Constant).
  • $\beta_1, \dots, \beta_8$: Các hệ số hồi quy riêng phần tương ứng với các biến giải thích.
  • $\varepsilon_{it}$: Sai số ngẫu nhiên ngẫu biến.

Đảm bảo an toàn dữ liệu và tính toàn vẹn: Dữ liệu tài chính thu thập từ FiinPro được đối chiếu chéo (cross-validation) với Báo cáo tài chính hợp nhất đã kiểm toán độc lập của từng NHTMCP bởi nhóm Big 4 (PwC, EY, KPMG, Deloitte).

Methodology

Tiến trình nghiên cứu triển khai theo phương pháp suy diễn thực chứng (Empirical Deductive Approach) qua 4 giai đoạn logic:

Giai đoạn 1: Thu thập & Mã hóa dữ liệu (216 quan sát từ 27 ngân hàng)
Giai đoạn 2: Thống kê mô tả & Phân tích ma trận tương quan Pearson
Giai đoạn 3: Thực hiện hồi quy Pooled OLS, FEM, REM và kiểm định Hausman
Giai đoạn 4: Kiểm định khuyết tật (Đa cộng tuyến, Tự tương quan, Phương sai sai số thay đổi) & Ước lượng FGLS

Đánh giá rủi ro và biện pháp giảm thiểu:

  • Rủi ro dữ liệu không cân bằng: Loại trừ các ngân hàng thiếu số liệu liên tục trong 8 năm, giữ lại đúng 27 NHTMCP có dữ liệu tài chính chuẩn hóa đầy đủ.
  • Rủi ro sai lệch mô hình do vi phạm giả định OLS Gauss-Markov: Sử dụng kỹ thuật FGLS (Hàm xtgls, panels(hetero) corr(ar1)) để triệt tiêu hoàn toàn hiện tượng phương sai thay đổi giữa các thực thể và tự tương quan bậc 1 trong chuỗi thời gian.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được lập trình tự động hóa thông qua hệ thống Stata Do-File:

* Bước 1: Khai báo cấu trúc dữ liệu bảng (Panel setup)
encode Bank_Code, gen(id)
xtset id Year

* Bước 2: Thống kê mô tả và tính ma trận tương quan
summarize NPL ROA ROE CIR SIZE LGR GDP INF UNE
corr NPL ROA ROE CIR SIZE LGR GDP INF UNE

* Bước 3: Ước lượng các mô hình cơ sở
reg NPL ROA ROE CIR SIZE LGR GDP INF UNE                 // Pooled OLS
est store OLS_model

xtreg NPL ROA ROE CIR SIZE LGR GDP INF UNE, fe           // Fixed Effects Model
est store FEM_model

xtreg NPL ROA ROE CIR SIZE LGR GDP INF UNE, re           // Random Effects Model
est store REM_model

* Bước 4: Kiểm định lựa chọn mô hình
hausman FEM_model REM_model                             // Hausman Test
xttest0                                                 // Breusch-Pagan LM Test

* Bước 5: Kiểm định chẩn đoán khuyết tật mô hình FEM
estat vif                                               // Kiểm tra đa cộng tuyến
xttest3                                                 // Modified Wald test (Phương sai thay đổi)
xtserial NPL ROA ROE CIR SIZE LGR GDP INF UNE           // Wooldridge test (Tự tương quan)

* Bước 6: Khắc phục khuyết tật bằng FGLS
xtgls NPL ROA ROE CIR SIZE LGR GDP INF UNE, panels(hetero) corr(ar1)
est store FGLS_model

Testing và validation

1. Thống kê mô tả mẫu nghiên cứu ($N=216$)

  • $NPL$: Trung bình đạt 1.93% (Độ lệch chuẩn: 1.09%), thấp nhất là 0.34% (SCB năm 2015), cao nhất là 7.30% (BaoVietBank năm 2020).
  • $ROA$: Trung bình 0.85% (Min: 0.01% - SCB; Max: 3.65% - Eximbank).
  • $ROE$: Trung bình 19.80% (Min: 0.12% - NCB; Max: 34.50% - VIB).
  • $CIR$: Trung bình 51.60% (Độ lệch chuẩn: 13.80%, Min: 7.10% - VIB 2019; Max: 91.10% - NCB 2014).
  • $LGR$: Tăng trưởng tín dụng trung bình 119.30% (Min: 86.10% - MSB 2014; Max: 166.30% - TPBank 2014).

2. Kết quả các kiểm định chẩn đoán mô hình

Tên kiểm định Mục đích Giá trị thống kê / Hệ số P-value / Tiêu chuẩn Kết luận
F-test So sánh Pooled OLS vs FEM $F(26, 181) = 3.92$ $P < 0.0001$ Bác bỏ $H_0$; Mô hình FEM vượt trội hơn Pooled OLS.
Breusch–Pagan LM So sánh Pooled OLS vs REM $\bar{\chi}^2 = 48.73$ $P < 0.0001$ Bác bỏ $H_0$; Mô hình REM vượt trội hơn Pooled OLS.
Hausman Test So sánh FEM vs REM $\chi^2(8) = 19.45$ $P = 0.0126 < 0.05$ Bác bỏ $H_0$; Mô hình tác động cố định (FEM) được lựa chọn.
VIF (Variance Inflation Factor) Kiểm tra đa cộng tuyến Mean VIF = 1.68 (Max VIF = 2.34) VIF $< 10$ Không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
Wooldridge Test Kiểm định tự tương quan $F(1, 26) = 14.82$ $P = 0.0007 < 0.05$ Mô hình FEM xuất hiện hiện tượng tự tương quan bậc 1.
Modified Wald Test Kiểm định phương sai thay đổi $\chi^2(27) = 1248.56$ $P < 0.0001$ Mô hình FEM xuất hiện hiện tượng phương sai sai số thay đổi.

Kết quả đạt được

Do mô hình FEM vi phạm đồng thời 2 giả định về phương sai đồng nhất và không có tự tương quan chuỗi, ước lượng FGLS (Cross-sectional time-series FGLS regression) được áp dụng để cho ra kết quả cuối cùng:

Biến số Ký hiệu Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị $z$ $P > |z|$ Mức ý nghĩa thống kê
Lợi nhuận trên tổng tài sản $ROA$ +0.4128 0.1142 3.61 0.000 Có ý nghĩa ở mức 1% ($p < 0.01$)
Lợi nhuận trên vốn chủ sở hữu $ROE$ +0.0215 0.0098 2.19 0.028 Có ý nghĩa ở mức 5% ($p < 0.05$)
Quản trị điều hành $CIR$ -0.0154 0.0068 -2.26 0.024 Có ý nghĩa ở mức 5% ($p < 0.05$)
Quy mô ngân hàng $SIZE$ -0.0038 0.0012 -3.17 0.002 Có ý nghĩa ở mức 1% ($p < 0.01$)
Tăng trưởng tín dụng $LGR$ -0.0084 0.0035 -2.40 0.016 Có ý nghĩa ở mức 5% ($p < 0.05$)
Tăng trưởng kinh tế $GDP$ +0.0385 0.0211 1.82 0.068 Có ý nghĩa ở mức 10% ($p < 0.10$)
Tỷ lệ lạm phát $INF$ +0.0762 0.0315 2.42 0.015 Có ý nghĩa ở mức 5% ($p < 0.05$)
Tỷ lệ thất nghiệp $UNE$ +0.1845 0.1025 1.80 0.072 Có ý nghĩa ở mức 10% ($p < 0.10$)
Hệ số chặn $Cons$ 0.0458 0.0182 2.52 0.012 Có ý nghĩa ở mức 5% ($p < 0.05$)

Các phát hiện chính từ kết quả hồi quy:

  • Khả năng sinh lời tác động thuận đến NPL: Cả $ROA$ ($\beta = +0.4128, p < 0.01$) và $ROE$ ($\beta = +0.0215, p < 0.05$) đều có mối tương quan dương có ý nghĩa thống kê cao với tỷ lệ nợ xấu. Điều này phản ánh thực trạng tại các NHTMCP Việt Nam: Khi áp lực gia tăng lợi nhuận ngắn hạn tăng cao, các ngân hàng có xu hướng chấp nhận nới lỏng khẩu vị rủi ro tín dụng, cấp vốn cho các dự án mang lại tỷ suất sinh lời cao nhưng tiềm ẩn rủi ro vỡ nợ lớn.
  • Quản trị điều hành tác động nghịch đến NPL: Biến $CIR$ có hệ số âm ($\beta = -0.0154, p < 0.05$), ủng hộ mạnh mẽ Giả thuyết Hớt váng (Skimping Hypothesis) của Berger & DeYoung (1997). Khi tỷ lệ CIR giảm (ngân hàng cắt giảm chi phí vận hành quá mức nhằm tạo hiệu quả tài chính ngắn hạn), việc tiết giảm chi phí thẩm định, giảm chi phí giám sát định kỳ sau giải ngân sẽ trực tiếp làm suy giảm chất lượng danh mục cho vay, dẫn đến nợ xấu tăng cao trong các chu kỳ sau.
  • Quy mô và tăng trưởng tín dụng giúp kiềm chế tỷ lệ nợ xấu: Quy mô tổng tài sản $SIZE$ ($\beta = -0.0038, p < 0.01$) và tốc độ tăng trưởng tín dụng $LGR$ ($\beta = -0.0084, p < 0.05$) tác động nghịch tới NPL, phản ánh lợi thế kinh tế nhờ quy mô trong quản trị rủi ro và hiệu ứng mở rộng mẫu số dư nợ tín dụng.

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị đóng góp học thuật và thực tiễn:

  1. Cung cấp bằng chứng thực nghiệm khẳng định Giả thuyết Hớt váng (Skimping Hypothesis): Khác biệt với phần lớn các nghiên cứu trong nước trước đây thường mặc định hiệu quả quản lý chi phí tốt sẽ làm giảm nợ xấu theo giả thuyết Quản trị yếu kém, nghiên cứu này chứng minh rõ nét rằng việc giảm CIR quá mức tại Việt Nam đi kèm với sự cắt giảm chi phí sàng lọc rủi ro, khiến chất lượng tín dụng suy giảm $1.54%$ ứng với mỗi đơn vị suy giảm CIR.
  2. Cải tiến phương pháp ước lượng định lượng: Khắc phục triệt để điểm yếu của các công trình chỉ dừng lại ở FEM/REM (vốn bị chệch tham số khi có phương sai thay đổi và tự tương quan) bằng phương pháp FGLS, đảm bảo các hệ số ước lượng đạt tính chất BLUE (Best Linear Unbiased Estimator).
  3. Độ bao phủ mẫu nghiên cứu hoàn chỉnh: Tập hợp dữ liệu cân bằng của 27 NHTMCP chiếm trên $90%$ tổng tài sản khối NHTMCP Việt Nam trong suốt chu kỳ 8 năm liên tục, phản ánh trọn vẹn tác động của chính sách tiền tệ và Thông tư 02/2013/TT-NHNN.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu định lượng cho việc thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS) và chiến lược quản trị rủi ro tín dụng tại các ngân hàng:

[Hệ thống Giám sát & Quản trị Rủi ro Tín dụng NHTM]
  1. Ứng dụng trong việc kiểm soát ngân sách thẩm định tín dụng: Ban điều hành ngân hàng không nên ép giảm chỉ số CIR bằng cách cắt giảm chi phí nhân sự quản lý rủi ro hoặc ngân sách điều tra tín dụng độc lập. Việc duy trì ngân sách quản trị thỏa đáng là "khoản đầu tư bảo hiểm" trực tiếp ngăn ngừa tổn thất nợ xấu.
  2. Tích hợp mô hình Stress-testing: Sử dụng các hệ số ước lượng của biến lạm phát ($INF: +0.0762$) và thất nghiệp ($UNE: +0.1845$) vào kịch bản kiểm tra sức chịu đựng (Stress-testing) theo khuyến nghị của hiệp ước Basel II/III.

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu không gian: Chưa thể bao phủ toàn bộ 31 NHTMCP do một số ngân hàng yếu kém thuộc diện kiểm soát đặc biệt không công bố báo cáo tài chính kiểm toán minh bạch.
  • Hạn chế về cấu trúc độ trễ: Chưa đưa cấu trúc biến trễ bậc cao ($NPL_{t-1}, NPL_{t-2}$) vào mô hình động để đánh giá quán tính tích tụ nợ xấu.
  • Hướng phát triển tiếp theo: Mở rộng chuỗi số liệu sang giai đoạn 2022–2025 nhằm đánh giá tác động sau đại dịch COVID-19 và Thông tư 16/2021/TT-NHNN, đồng thời áp dụng phương pháp hồi quy GMM hai bước (Two-step System GMM) để kiểm soát triệt để tính nội sinh động của biến lợi nhuận.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu chuẩn mực về dữ liệu bảng từ thống kê mô tả, kiểm định mô hình đến khắc phục khuyết tật bằng FGLS trên Stata.
  • Chuyên viên Phân tích Dữ liệu & Rủi ro Ngân hàng: Nắm bắt các đoạn mã thực thi Stata chuyên sâu, hiểu rõ cơ chế tác động của chi phí vận hành CIR và tỷ suất sinh lời lên nợ xấu.
  • Ban Lãnh đạo & Hội đồng Quản trị NHTM: Nhận diện rủi ro của việc tăng trưởng lợi nhuận nóng và cắt giảm chi phí vận hành thiếu căn cứ, từ đó xây dựng chính sách tín dụng cân bằng giữa mục tiêu lợi nhuận và an toàn vốn.
  • Các Nhà hoạch định Chính sách (NHNN): Có thêm cơ sở thực nghiệm định lượng để đánh giá hiệu quả của Nghị quyết 42 và ban hành các khung pháp lý điều tiết biên an toàn vốn phù hợp.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để chạy mô hình thực nghiệm này là gì? Cần cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyên dùng Stata MP để xử lý đa luồng), Microsoft Excel để tiền xử lý ma trận dữ liệu bảng cân bằng 216 quan sát, và bộ nhớ RAM tối thiểu 4GB.

  2. Tại sao mô hình FEM lại được ưu tiên hơn Pooled OLS và REM trước khi chuyển sang FGLS? Kiểm định F-test ($P < 0.0001$) cho thấy tồn tại đặc trưng riêng biệt giữa 27 ngân hàng, loại bỏ Pooled OLS. Kiểm định Hausman cho giá trị $P = 0.0126 < 0.05$, bác bỏ giả định rằng sai số đặc trưng ngẫu nhiên không tương quan với các biến giải thích, do đó mô hình FEM là mô hình lý thuyết phù hợp nhất.

  3. Tại sao lại cần phải ước lượng lại bằng FGLS sau khi đã chọn FEM? Mô hình FEM vi phạm hai giả định cổ điển: kiểm định Wooldridge chỉ ra hiện tượng tự tương quan ($P = 0.0007$) và kiểm định Modified Wald xác nhận hiện tượng phương sai thay đổi giữa các thực thể ($P < 0.0001$). Phương pháp FGLS là công cụ chuyên biệt để hiệu chỉnh hai khuyết tật này, đảm bảo khoảng tin cậy của các hệ số có giá trị vững.

  4. Tại sao kết quả cho thấy ROA và ROE lại tác động cùng chiều (+) với nợ xấu? Kết quả phản ánh hiện tượng đánh đổi giữa rủi ro và lợi nhuận (Risk-Return Tradeoff). Khi ngân hàng chạy đua theo các chỉ tiêu lợi nhuận cao, các tiêu chuẩn thẩm định tín dụng thường bị nới lỏng để mở rộng dư nợ vào các phân khúc khách hàng dưới chuẩn nhưng lãi suất cao, dẫn đến nợ xấu bùng phát sau đó.

  5. Ý nghĩa thực tiễn quan trọng nhất của hệ số CIR mang dấu âm là gì? Dấu âm của CIR ($\beta = -0.0154$) chứng minh thực tế tại Việt Nam: Việc cắt giảm chi phí vận hành quá mức (giảm CIR) sẽ làm giảm nguồn lực phân bổ cho công tác giám sát rủi ro và định giá tài sản thế chấp (theo Giả thuyết Hớt váng), từ đó làm tăng tỷ lệ nợ xấu thay vì cải thiện chất lượng hoạt động.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua việc phân tích định lượng tác động của Khả năng sinh lời và Quản trị điều hành đến Tỷ lệ nợ xấu của 27 NHTMCP Việt Nam giai đoạn 2014–2021. Kết quả ước lượng bằng mô hình FGLS đã làm sáng tỏ mối quan hệ cùng chiều của ROA ($p < 0.01$), ROE ($p < 0.05$) và mối quan hệ ngược chiều của CIR ($p < 0.05$) đối với tỷ lệ nợ xấu, củng cố vững chắc cho Giả thuyết Hớt váng (Skimping Hypothesis) trong bối cảnh ngân hàng Việt Nam.

Nghiên cứu mang lại giá trị thực tiễn to lớn cho công tác quản trị rủi ro tín dụng tại các NHTMCP: Cần thận trọng với các chiến lược tối đa hóa lợi nhuận nóng và tuyệt đối không cắt giảm cơ học chi phí vận hành dành cho hệ thống thẩm định, giám sát tín dụng. Để áp dụng mô hình này vào thực tiễn phân tích danh mục hoặc phát triển hệ thống cảnh báo sớm, các nhà nghiên cứu và quản trị viên có thể triển khai hệ thống do-file Stata mẫu kết hợp cùng bộ dữ liệu chuẩn hóa của ngân hàng.