Giới thiệu dự án
Nợ xấu (Non-Performing Loans - NPL) trong hệ thống ngân hàng thương mại (NHTM) luôn được ví như "cục máu đông" của nền kinh tế. Tại Việt Nam, giai đoạn 2011–2020 chứng kiến nhiều biến động kinh tế vĩ mô và sự chuyển mình mạnh mẽ trong cấu trúc hệ thống tài chính. Theo thống kê từ Ngân hàng Nhà nước (NHNN), tỷ lệ nợ xấu nội bảng từng chạm ngưỡng báo động trên 4.9% vào giai đoạn 2012–2013 trước khi được kiểm soát dưới 2.0% vào năm 2020 nhờ đề án cơ cấu lại hệ thống các tổ chức tín dụng. Tuy nhiên, rủi ro tín dụng tiềm ẩn vẫn là thách thức sống còn đối với năng lực tài chính và hiệu quả hoạt động của các ngân hàng thương mại cổ phần.
+-----------------------------------------------------------------------------+
| MÔ HÌNH TRUYỀN DẪN NỢ XẤU |
+-----------------------------------------------------------------------------+
| Yếu tố Vĩ mô (GDP, INF, UR) + Yếu tố Vi mô (SIZE, LLP, ROA, LG, ETA, DR) |
| | Tỷ lệ Nợ xấu (NPL Ratio) tại 24 NHTM | |
| | Hiệu quả hoạt động & Năng lực tài chính| |
+-----------------------------------------------------------------------------+
Vấn đề cốt lõi (Problem Statement) tập trung vào việc xác định và lượng hóa chính xác mức độ tác động của các nhân tố nội tại ngân hàng (vi mô) cùng môi trường kinh tế (vĩ mô) lên tỷ lệ nợ xấu, đồng thời giải quyết triệt để khuyết tật nội sinh (endogeneity) trong chuỗi dữ liệu tài chính kéo dài 10 năm.
Mục tiêu nghiên cứu
- Hệ thống hóa cơ sở lý luận về nợ xấu, rủi ro tín dụng và cơ chế truyền dẫn qua các lý thuyết: Kênh cho vay (Bank Lending Channel), Số nhân tài chính (Financial Accelerator), Chu kỳ kinh doanh (Business Cycle) và Thông tin bất cân xứng (Information Asymmetry).
- Xây dựng bộ chỉ tiêu tài chính và định lượng mức độ tác động của 7 biến vi mô (
SIZE,LLP,ROA,LG,ETA,DR,NPL_{t-1}) và 3 biến vĩ mô (GDP,INF,UR) đến nợ xấu của 24 NHTM Việt Nam. - Ứng dụng kỹ thuật kinh tế lượng hiện đại – Phương pháp Ước lượng Moment Tổng quát (Generalized Method of Moments - GMM) sai phân 2 bước nhằm khắc phục hiện tượng tự tương quan, phương sai sai số thay đổi và biến nội sinh.
- Đề xuất hệ thống giải pháp nâng cao hiệu quả quản trị rủi ro tín dụng và tối ưu hóa năng lực tài chính cho hệ thống NHTM Việt Nam giai đoạn tiếp theo.
Phạm vi và giới hạn nghiên cứu
- Không gian: 24 NHTM cổ phần đại diện tại Việt Nam (bao gồm cả NHTM Nhà nước và NHTM Cổ phần tư nhân).
- Thời gian: Chuỗi dữ liệu bảng 10 năm liên tục từ 2011 đến 2020.
- Giới hạn: Dữ liệu dựa trên báo cáo tài chính hợp nhất kiểm toán và các chỉ tiêu thống kê từ WB, IMF, ADB, GSO; không xét đến các cú sốc phi kinh tế bất khả kháng nằm ngoài chuỗi thời gian phân tích.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các nghiên cứu thực nghiệm trước đây thường áp dụng mô hình tĩnh như OLS gộp (Pooled OLS), Mô hình tác động cố định (FEM) hoặc Mô hình tác động ngẫu nhiên (REM). Tuy nhiên, các cách tiếp cận này bộc lộ nhiều điểm hạn chế khi phân tích dữ liệu tài chính ngân hàng có tính chất phụ thuộc thời gian trễ.
| Phương pháp | Ưu điểm | Hạn chế cốt lõi | Mức độ phù hợp với Dữ liệu bảng động |
|---|---|---|---|
| Pooled OLS | Đơn giản, dễ tính toán trên tập mẫu ngắn. | Bỏ qua sai số đặc thù từng ngân hàng; ước lượng chệch khi có tự tương quan. | Kém (Không kiểm soát được tính không đồng nhất). |
| FEM (Fixed Effects) | Kiểm soát được các yếu tố bất biến theo thời gian của từng ngân hàng ($\alpha_i$). | Bị chệch Nickell (Nickell bias) khi mô hình chứa biến phụ thuộc trễ ($NPL_{i,t-1}$). | Trung bình (Không xử lý được biến nội sinh). |
| REM (Random Effects) | Hiệu quả hơn FEM nếu giả định sai số ngẫu nhiên không tương quan biến giải thích thỏa mãn. | Vi phạm giả định nghiêm trọng nếu có biến nội sinh; hệ số ước lượng không vững. | Kém đến Trung bình. |
| Two-Step System GMM | Khắc phục đồng thời phương sai thay đổi, tự tương quan và tính nội sinh của các biến độc lập. | Đòi hỏi lựa chọn biến công cụ (Instruments) cẩn trọng để tránh quá tải công cụ (Instrument proliferation). | Rất cao (Tối ưu cho mẫu $N=24 > T=10$). |
+-----------------------------------------------------------------------------+
| MA TRẬN YÊU CẦU DỰ ÁN THEO CHUẨN MoSCoW |
+-----------------------------------------------------------------------------+
| [MUST HAVE - Bắt buộc]: |
| - Làm sạch dữ liệu 240 quan sát (24 NHTM x 10 năm). |
| - Hồi quy OLS, FEM, REM và kiểm định Hausman. |
| - Ước lượng Two-Step Difference/System GMM với hiệu chỉnh Windmeijer (2005)|
| - Kiểm định Arellano-Bond AR(1), AR(2) và Sargan/Hansen test. |
+-----------------------------------------------------------------------------+
| [SHOULD HAVE - Cần có]: |
| - Phân tích tương quan đa biến và kiểm tra đa cộng tuyến (VIF < 10). |
| - Phân rã tác động vi mô theo quy mô ngân hàng (Big4 vs NHTM vừa và nhỏ). |
+-----------------------------------------------------------------------------+
| [COULD HAVE - Có thể thêm]: |
| - Trực quan hóa biến động chu kỳ nợ xấu qua từng phân khúc ngân hàng. |
+-----------------------------------------------------------------------------+
| [WON'T HAVE - Tạm thời chưa thực hiện]: |
| - Tích hợp kỹ thuật học máy phi cấu trúc (Machine Learning Black-box). |
+-----------------------------------------------------------------------------+
Thiết kế hệ thống và mô hình thực nghiệm
Mô hình nghiên cứu định lượng tổng quát được xác lập dựa trên cơ sở kế thừa các công trình của Arellano & Bond (1991), Salas & Saurina (2002), Louzis et al. (2012) và Bùi Duy Tùng & Đặng Thị Bạch Vân (2015):
$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 LLP_{i,t} + \beta_4 ROA_{i,t} + \beta_5 LG_{i,t} + \beta_6 ETA_{i,t} + \beta_7 DR_{i,t} + \beta_8 GDP_t + \beta_9 INF_t + \beta_{10} UR_t + \mu_i + \varepsilon_{i,t}$$
Trong đó:
- $i$: Đại diện cho 24 NHTM ($i = 1, 2, \dots, 24$).
- $t$: Giai đoạn năm ($t = 2011, 2012, \dots, 2020$).
- $\mu_i$: Yếu tố tác động cố định không quan sát được của ngân hàng $i$.
- $\varepsilon_{i,t}$: Sai số ngẫu nhiên của mô hình.
+-----------------------------------------------------------------------------+
| STACK CÔNG NGHỆ VÀ CẤU TRÚC BIẾN KINH TẾ LƯỢNG |
+-----------------------------------------------------------------------------+
| CÔNG CỤ XỬ LÝ: Stata 16.0 MP, Microsoft Excel 365, Python 3.9 (Statsmodels) |
+-----------------------------------------------------------------------------+
| PHÂN LOẠI BIẾN: |
| 1. Biến phụ thuộc: |
| - NPL = Nợ xấu (Nhóm 3+4+5) / Tổng dư nợ cho vay |
| 2. Biến giải thích vi mô (Nội tại ngân hàng): |
| - SIZE = Logarit tự nhiên của tổng tài sản [ln(Total Assets)] |
| - LLP = Dự phòng rủi ro tín dụng / Tổng dư nợ cho vay |
| - ROA = Lợi nhuận sau thuế / Tổng tài sản bình quân |
| - LG = (Dư nợ năm t - Dư nợ năm t-1) / Dư nợ năm t-1 |
| - ETA = Vốn chủ sở hữu / Tổng tài sản |
| - DR = Dự phòng rủi ro tín dụng / Tổng nợ xấu (Tỷ lệ bao phủ nợ xấu) |
| 3. Biến giải thích vĩ mô (Môi trường kinh tế): |
| - GDP = Tốc độ tăng trưởng Tổng sản phẩm quốc nội (%) |
| - INF = Tỷ lệ lạm phát bình quân hàng năm (%) |
| - UR = Tỷ lệ thất nghiệp toàn dụng (%) |
+-----------------------------------------------------------------------------+
Phương pháp luận (Methodology)
Quy trình nghiên cứu áp dụng mô hình chuẩn 6 bước:
- Thu thập dữ liệu thứ cấp: Trích xuất BCTC kiểm toán của 24 NHTM và chỉ số vĩ mô từ World Bank/GSO.
- Kiểm tra tương quan & Đa cộng tuyến: Kiểm tra ma trận tương quan Pearson và hệ số phương sai phóng đại VIF.
- Ước lượng cơ bản: Chạy đồng thời Pooled OLS, FEM, REM; thực hiện kiểm định Hausman để so sánh FEM/REM.
- Chẩn đoán khuyết tật mô hình: Kiểm tra phương sai thay đổi bằng White test/Modified Wald test; kiểm định tự tương quan chuỗi bậc 1 bằng Wooldridge test.
- Ước lượng GMM sai phân 2 bước: Sử dụng biến phụ thuộc trễ ($NPL_{i,t-1}$) và các biến nội sinh làm biến công cụ nội sinh (internal instruments), khắc phục khuyết tật với hiệu chỉnh sai số chuẩn Windmeijer (2005).
- Kiểm định độ vững: Đánh giá tính hợp lệ của công cụ qua kiểm định Hansen/Sargan (giá trị $p > 0.05$) và kiểm định Arellano-Bond xác nhận không có tự tương quan bậc 2 ($AR(2) > 0.05$).
Implementation và kết quả
Quy trình triển khai trên phần mềm kinh tế lượng
Toàn bộ quy trình xử lý dữ liệu và ước lượng được tự động hóa bằng Stata do-file script tuân thủ các chuẩn mực phân tích dữ liệu bảng động.
* Thiết lập không gian làm việc và cấu trúc Panel Data
clear all
set more off
import excel "dataset_24_banks_2011_2020.xlsx", sheet("Data") firstrow
* Định danh cấu trúc bảng
encode bank_code, gen(bank_id)
xtset bank_id year
* Kiểm tra thống kê mô tả và tương quan
summarize npl size llp roa lg eta dr gdp inf ur
pwcorr npl size llp roa lg eta dr gdp inf ur, sig star(0.05)
* Ước lượng kiểm chứng mô hình truyền thống
regress npl size llp roa lg eta dr gdp inf ur
vif
est store pooled_ols
xtreg npl size llp roa lg eta dr gdp inf ur, fe
est store fixed_eff
xtreg npl size llp roa lg eta dr gdp inf ur, re
est store random_eff
hausman fixed_eff random_eff
* Ước lượng Two-Step System GMM tối ưu hóa xử lý nội sinh
xtabond2 npl L.npl size llp roa lg eta dr gdp inf ur, ///
gmm(L.npl llp roa lg eta, lag(1 2) collapse) ///
iv(size dr gdp inf ur) ///
twostep robust small orthogonal
Kết quả kiểm định và ước lượng thực nghiệm
Tỷ lệ nợ xấu trung bình của 24 NHTM trong giai đoạn 2011–2020 duy trì ở mức 2.41%, với độ lệch chuẩn nhỏ phản ánh sự kiểm soát chặt chẽ của NHNN sau giai đoạn tái cơ cấu.
+-----------------------------------------------------------------------------+
| BẢNG TỔNG HỢP KẾT QUẢ HỒI QUY TOÀN DIỆN |
+-------------------+--------------------+------------------+-----------------+
| Biến số | Pooled OLS | FEM (Tác động CĐ)| System GMM (2-step)
+-------------------+--------------------+------------------+-----------------+
| NPL_(t-1) | - | - | 0.428***(0.041)|
| SIZE | 0.0031*(0.0016) | 0.0012 (0.0024) | -0.0048**(0.002)|
| LLP | 0.4120***(0.062) | 0.3540***(0.058)| 0.3890***(0.045)|
| ROA | -0.2150**(0.098) | -0.1870*(0.095) | -0.3420***(0.082)|
| LG | 0.0145*(0.0078) | 0.0112 (0.0081) | 0.0215**(0.009)|
| ETA | -0.0450 (0.038) | -0.0320 (0.041) | -0.0890**(0.036)|
| DR | -0.0120***(0.003) | -0.0095***(0.002)| -0.0142***(0.003)|
| GDP | -0.0850***(0.021) | -0.0710***(0.023)| -0.0640***(0.018)|
| INF | 0.0320*(0.017) | 0.0280 (0.019) | 0.0410**(0.016)|
| UR | 0.0540 (0.042) | 0.0410 (0.045) | -0.0380 (0.031) |
| Constant | -0.0210 (0.035) | 0.0450 (0.052) | 0.0820**(0.039)|
+-------------------+--------------------+------------------+-----------------+
| Số lượng quan sát | 240 | 240 | 216 |
| Số lượng nhóm | 24 | 24 | 24 |
| R-squared | 0.542 | 0.489 | - |
| Arellano-Bond AR1 | - | - | z = -3.12(p=0.001)|
| Arellano-Bond AR2 | - | - | z = 0.84(p=0.401)|
| Hansen J-Test | - | - | Chi2=18.4(p=0.242)|
+-----------------------------------------------------------------------------+
Ghi chú: *** p<0.01, ** p<0.05, * p<0.1. Giá trị trong ngoặc đơn () là sai số chuẩn vững.
Phân tích kết quả kinh tế lượng
- Tính trễ nợ xấu ($NPL_{t-1}$): Hệ số dương có ý nghĩa thống kê ở mức 1% ($\beta = 0.428$), khẳng định nợ xấu chịu ảnh hưởng mạnh từ tích lũy quá khứ. Nợ xấu chưa xử lý triệt để sẽ tiếp tục tạo áp lực lên năm kế tiếp.
- Dự phòng rủi ro tín dụng ($LLP$): Tác động cùng chiều mạnh mẽ ($\beta = 0.389, p < 0.01$), phản ánh việc ngân hàng chủ động gia tăng trích lập chi phí dự phòng khi danh mục nợ có dấu hiệu chuyển nhóm suy giảm chất lượng.
- Hiệu quả hoạt động ($ROA$): Tác động ngược chiều ($\beta = -0.342, p < 0.01$), chứng minh các ngân hàng có hiệu quả quản trị cao và biên lợi nhuận tốt thường sở hữu hệ thống sàng lọc tín dụng vượt trội, giảm thiểu rủi ro phát sinh nợ xấu.
- Quy mô ngân hàng ($SIZE$): Tác động ngược chiều ($\beta = -0.0048, p < 0.05$) trong mô hình GMM, ủng hộ giả thuyết các ngân hàng lớn có lợi thế kinh tế về quy mô trong việc đầu tư công nghệ quản trị rủi ro và đa dạng hóa danh mục.
- Tăng trưởng tín dụng ($LG$): Tác động cùng chiều ($\beta = 0.0215, p < 0.05$), minh chứng cho việc nới lỏng điều kiện cấp tín dụng trong giai đoạn mở rộng tăng trưởng nóng tiềm ẩn rủi ro nợ xấu tích tụ.
- Tăng trưởng kinh tế ($GDP$) & Lạm phát ($INF$): GDP tăng trưởng 1% làm giảm nợ xấu tương ứng 0.064% do năng lực trả nợ của doanh nghiệp được cải thiện, trong khi lạm phát gia tăng làm suy giảm dòng tiền khả dụng của người vay, đẩy nợ xấu tăng.
Đổi mới và đóng góp
Nghiên cứu mang lại những giá trị đóng góp mới về mặt học thuật và thực tiễn quản trị ngân hàng tại thị trường mới nổi:
+-----------------------------------------------------------------------------+
| SO SÁNH ĐÓNG GÓP VỚI CÁC CÔNG TRÌNH TIỀU BIỂU |
+-----------------------+--------------------+--------------------------------+
| Nghiên cứu | Phương pháp | Điểm khác biệt & Đóng góp mới |
+-----------------------+--------------------+--------------------------------+
| Salas & Saurina (2002)| Static Panel (FEM) | Chưa xử lý triệt để nội sinh; |
| | | chỉ xét ngân hàng Tây Ban Nha. |
+-----------------------+--------------------+--------------------------------+
| Louzis et al. (2012) | Difference GMM | Phân tích trên hệ thống Hy Lạp;|
| | | công cụ sai phân dễ mất thông |
| | | tin khi chuỗi mẫu ngắn. |
+-----------------------+--------------------+--------------------------------+
| Nguyễn Thị Hồng Vinh | System GMM | Giai đoạn khảo sát 2007-2014; |
| (2015) | | chưa phản ánh giai đoạn hoàn |
| | | tất đề án tái cơ cấu 2016-2020.|
+-----------------------+--------------------+--------------------------------+
| **Đề tài hiện tại** | **Two-Step System | Cập nhật chuỗi 10 năm liền lạc |
| **(2022)** | **GMM + Windmeijer | (2011-2020); kiểm soát đồng |
| | **Correction** | thời tỷ lệ bao phủ nợ xấu (DR) |
| | | và đòn bẩy vốn (ETA). |
+-----------------------+--------------------+--------------------------------+
Các cải tiến kỹ thuật chính:
- Lượng hóa vai trò của Tỷ lệ bao phủ nợ xấu ($DR$): Chứng minh thực nghiệm rằng việc duy trì tỷ lệ bao phủ nợ xấu trên 100% tạo ra bộ đệm vốn hữu hiệu, tác động kìm hãm sự lan truyền nợ xấu với mức ý nghĩa $p < 0.01$.
- Khắc phục triệt để hiện tượng quá tải biến công cụ: Sử dụng kỹ thuật
collapsetrong Stata để giới hạn số lượng instruments nhỏ hơn số lượng nhóm ngân hàng ($Instruments = 18 < Groups = 24$), đảm bảo kiểm định Hansen không bị mất hiệu lực kiểm định (Hansen $p$-value = 0.242 nằm trong khoảng tối ưu $[0.10, 0.30]$).
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế (Real-World Use Cases)
- Tối ưu hóa hạn mức tăng trưởng tín dụng (Credit Quota Optimization): Giúp Ủy ban Quản lý Rủi ro tại các NHTM căn chỉnh tốc độ giải ngân tín dụng ($LG$) phù hợp với năng lực quản trị rủi ro nội tại, tránh tăng trưởng nóng dẫn tới chu kỳ bùng nổ nợ xấu 2–3 năm sau đó.
- Hệ thống cảnh báo sớm (Early Warning System - EWS): Tích hợp phương trình hồi quy GMM vào module cảnh báo rủi ro tự động của Core Banking, theo dõi sự dịch chuyển của $ROA$, $LLP$ và $ETA$ theo từng quý để kích hoạt quy trình tái cơ cấu danh mục nợ.
+-----------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI CHO HỆ THỐNG NHTM |
+-----------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1-3): Chuẩn hóa dữ liệu & Hệ số trích lập dự phòng (LLP) |
+-----------------------------------------------------------------------------+
| Giai đoạn 2 (Tháng 4-6): Tích hợp Mô hình định lượng vào Core Banking |
+-----------------------------------------------------------------------------+
| Giai đoạn 3 (Tháng 7-12): Nâng cao đệm vốn & Tái cấu trúc đòn bẩy (ETA) |
+-----------------------------------------------------------------------------+
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Nguồn dữ liệu: Dữ liệu nợ xấu phản ánh theo số liệu công bố trên báo cáo kiểm toán, có thể chưa phản ánh hết các khoản nợ tiềm ẩn rủi ro cơ cấu lại thời hạn trả nợ hoặc nợ bán cho VAMC chưa xử lý hết.
- Tần số dữ liệu: Nghiên cứu sử dụng dữ liệu theo năm ($T=10$); chưa khai thác được dữ liệu bảng tần số cao theo quý (Quarterly Panel) do sự không đồng nhất trong công bố báo cáo tài chính giữa các NHTM nhỏ.
Hướng phát triển đề xuất
- Mở rộng khung nghiên cứu tích hợp mô hình dữ liệu bảng động phi tuyến tính (Non-linear Panel Threshold Model) để tìm ngưỡng tăng trưởng tín dụng tối ưu.
- Ứng dụng các thuật toán máy học (XGBoost, Random Forest) kết hợp giải thích mô hình (SHAP Value) để phát hiện sớm tín hiệu chuyển nhóm nợ xấu ở cấp độ từng khoản vay vi mô (Loan-level data).
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------+
| MA TRẬN GIÁ TRỊ HƯỞNG LỢI |
+-------------------+---------------------------------------------------------+
| Nhóm đối tượng | Giá trị ứng dụng cụ thể |
+-------------------+---------------------------------------------------------+
| Sinh viên | Bộ tài liệu mẫu mực về phương pháp nghiên cứu định lượng|
| & Học viên | ứng dụng Stata và mô hình System GMM xử lý nội sinh. |
+-------------------+---------------------------------------------------------+
| Chuyên viên PT | Mẫu câu lệnh Stata (.do file), quy trình kiểm định sai |
| & Data Analyst | số chuẩn vững và cách kiểm soát số lượng biến công cụ. |
+-------------------+---------------------------------------------------------+
| Nhà quản trị | Căn cứ khoa học định lượng để ra quyết định trích lập |
| Ngân hàng | dự phòng (LLP), cân đối tăng trưởng tín dụng và CAR. |
+-------------------+---------------------------------------------------------+
| Cơ quan điều hành | Dữ liệu tham khảo cho NHNN trong việc hoạch định chính |
| (NHNN, Bộ TC) | sách tiền tệ và giám sát an toàn vĩ mô toàn hệ thống. |
+-------------------+---------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật phần mềm để tái lập mô hình nghiên cứu này là gì?
Cần cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 16.0 hoặc Stata 17 MP) kết hợp cài đặt package mở rộng xtabond2 (thông qua lệnh ssc install xtabond2, replace). Yêu cầu phần cứng tối thiểu: CPU Dual Core 2.0 GHz, RAM 4GB, hệ điều hành Windows/macOS/Linux.
2. Tại sao mô hình FEM/REM lại bị từ chối và buộc phải sử dụng Two-Step System GMM?
Vì mô hình chứa biến phụ thuộc trễ $NPL_{i,t-1}$ ở vế phải phương trình, gây ra hiện tượng tự tương quan và vi phạm giả định ngoại sinh nghiêm ngặt của OLS/FEM/REM. Ngoài ra, mối quan hệ hai chiều giữa $NPL$ và $ROA$ tạo ra tính nội sinh (Endogeneity). Mô hình Two-Step System GMM với hiệu chỉnh Windmeijer là giải pháp chuẩn xác nhất để thu được các ước lượng không chệch và hiệu quả.
3. Làm thế nào để giải quyết hiện tượng quá tải biến công cụ (Instrument Proliferation)?
Khi số lượng công cụ vượt quá số nhóm quan sát ($Instruments > N$), kiểm định Sargan/Hansen sẽ mất hiệu lực và làm suy yếu kết quả. Giải pháp là sử dụng tùy chọn collapse trong lệnh xtabond2 kết hợp giới hạn số bậc trễ công cụ lag(1 2).
4. Chi phí trích lập dự phòng (LLP) tác động như thế nào đến sự an toàn hệ thống?
Hệ số ước lượng dương ($\beta = 0.389, p < 0.01$) phản ánh việc trích lập dự phòng tăng tương ứng với nợ xấu. Việc trích lập chủ động giúp tăng tỷ lệ bao phủ nợ xấu ($DR$), tạo nguồn tài chính dự phòng vững chắc để bù đắp các tổn thất tín dụng khi rủi ro vỡ nợ thực tế xảy ra.
5. Kết quả nghiên cứu có áp dụng được cho giai đoạn chịu ảnh hưởng bởi đại dịch COVID-19 không?
Mô hình hoàn toàn có thể mở rộng áp dụng. Khung phân tích vĩ mô ($GDP$, $INF$, $UR$) trong mô hình đã nắm bắt các cú sốc suy thoái kinh tế chu kỳ. Khi bổ sung dữ liệu các năm 2021–2023, phương pháp System GMM vẫn duy trì độ vững để đánh giá tác động của các chính sách cơ cấu lại nợ và biến động chất lượng tài sản ngân hàng.
Kết luận
Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua việc xây dựng một khung phân tích định lượng chuẩn mực và chặt chẽ. Kết quả ước lượng Two-Step System GMM trên mẫu 24 NHTM Việt Nam giai đoạn 2011–2020 đã chứng minh rõ nét tác động đa chiều của các biến vi mô ($NPL_{t-1}$, $SIZE$, $LLP$, $ROA$, $LG$, $ETA$, $DR$) và biến vĩ mô ($GDP$, $INF$) đến rủi ro nợ xấu. Đề tài cung cấp những luận cứ khoa học vững chắc và hàm ý chính sách sâu sắc, hỗ trợ đắc lực cho các ngân hàng thương mại trong việc tối ưu hóa hiệu quả hoạt động, gia tăng đệm trích lập dự phòng và củng cố sự an toàn, bền vững của toàn bộ hệ thống tài chính quốc gia.