Giới thiệu dự án

Trong cấu trúc của hệ thống tài chính quốc gia, các ngân hàng thương mại cổ phần (NHTMCP) đóng vai trò huyết mạch trong việc dẫn vốn và luân chuyển thanh khoản. Hoạt động tín dụng chiếm tỷ trọng 70–85% trong tổng cơ cấu thu nhập của hệ thống ngân hàng Việt Nam, đồng thời cũng là nguồn gốc phát sinh rủi ro tài chính lớn nhất. Giai đoạn 2022–2023 chứng kiến sự biến động sâu sắc của thị trường tài chính toàn cầu: Cục Dự trữ Liên bang Mỹ (FED) tăng lãi suất điều hành lên mức đỉnh kỷ lục 5.25–5.50%, kéo theo sự sụp đổ của các định chế tài chính lớn như Silicon Valley Bank (SVB), Signature Bank và Silvergate Bank. Tại Việt Nam, hệ lụy từ đại dịch COVID-19 cùng áp lực thắt chặt thị trường trái phiếu doanh nghiệp và bất động sản đã gia tăng gánh nặng nợ xấu. Theo số liệu từ Ngân hàng Nhà nước (NHNN), quy mô dư nợ bị ảnh hưởng tiêu cực lên tới 2 triệu tỷ đồng (tương đương 23% tổng dư nợ toàn hệ thống). Đặc biệt, sau khi Thông tư 14/2021/TT-NHNN về cơ cấu nợ hết hiệu lực vào ngày 30/06/2022, tỷ lệ nợ xấu nội bảng và nợ tiềm ẩn tại nhiều ngân hàng niêm yết trong quý I/2023 đã tăng đột biến từ 50% đến 70%.

+-----------------------------------------------------------------------------------+
|                            BỐI CẢNH VÀ VẤN ĐỀ NGHIÊN CỨU                          |
+-----------------------------------------------------------------------------------+
|  1. Bối cảnh vĩ mô: FED thắt chặt tiền tệ, thị trường BĐS & TPDN gặp khó khăn     |
|  2. Tín dụng cốt lõi: Chiếm 70-85% thu nhập nhưng tiềm ẩn rủi ro tín dụng lớn     |
|  3. Vấn đề thực tiễn: Hết hạn Thông tư 14/2021/TT-NHNN -> Nợ xấu tăng vọt 50-70%  |
|  4. Khoảng trống khoa học: Tranh luận trái chiều về chiều hướng tác động của NPL  |
|     và trích lập dự phòng (LLPR) đến ROA/ROE trong điều kiện kinh tế biến động    |
+-----------------------------------------------------------------------------------+

Thực trạng này đặt ra vấn đề cốt lõi: Rủi ro tín dụng tác động như thế nào đến hiệu quả hoạt động kinh doanh của các NHTMCP niêm yết trên sàn chứng khoán Việt Nam? Các chỉ tiêu tài chính chịu mức độ co giãn ra sao dưới các cú sốc nợ xấu và trích lập dự phòng?

Đề tài khóa luận tốt nghiệp của tác giả Phạm Nguyễn Thùy Duyên (Trường Đại học Ngân hàng TP. Hồ Chí Minh, 2023, Chuyên ngành Tài chính – Ngân hàng, Mã ngành: 7 34 02 01) được thực hiện nhằm giải quyết các mục tiêu khoa học sau:

  1. Xác định mối quan hệ tương quan và tác động nhân quả giữa các biến số đại diện cho rủi ro tín dụng và các chỉ số đo lường hiệu quả hoạt động ngân hàng.
  2. Lượng hóa mức độ tác động của tỷ lệ nợ xấu (NPLR) và tỷ lệ trích lập dự phòng rủi ro tín dụng (LLPR) đến tỷ suất sinh lời trên tổng tài sản (ROA) và tỷ suất sinh lời trên vốn chủ sở hữu (ROE).
  3. Đề xuất các hàm ý quản trị danh mục rủi ro tín dụng cho các NHTMCP và giải pháp chính sách vĩ mô cho Ngân hàng Nhà nước Việt Nam.

Khóa luận tiếp cận bằng phương pháp nghiên cứu định lượng trên mẫu dữ liệu bảng (Panel Data) cân đối gồm 25 NHTMCP niêm yết trên HOSE, HNX và UPCoM trong giai đoạn 12 năm (2011–2022), bao quát 300 quan sát. Nghiên cứu kiểm soát các hiện tượng nội sinh, phương sai thay đổi và tự tương quan bằng phương pháp ước lượng Moment tổng quát hai bước (Two-step System GMM). Phạm vi nghiên cứu giới hạn ở các ngân hàng đã công bố đầy đủ báo cáo tài chính đã kiểm toán và niêm yết chính thức, loại trừ các ngân hàng thuộc diện kiểm soát đặc biệt hoặc thiếu hụt dữ liệu chuỗi thời gian liên tục.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu thực nghiệm kinh tế lượng tài chính thường áp dụng các mô hình hồi quy tuyến tính cổ điển. Tuy nhiên, mỗi phương pháp đều có ưu điểm và hạn chế kỹ thuật riêng khi xử lý dữ liệu vi mô ngân hàng:

Phương pháp ước lượng Ưu điểm kỹ thuật Nhược điểm & Khuyết tật mô hình Mức độ phù hợp với dữ liệu ngân hàng
Pooled OLS (Bình phương bé nhất gộp) Đơn giản, dễ tính toán, cung cấp ước lượng nền tảng ban đầu Bỏ qua yếu tố đặc thù riêng biệt của từng ngân hàng ($u_i$), vi phạm giả định $Cov(X_{it}, \varepsilon_{it}) = 0$ Kém (Gây chệch hệ số ước lượng)
FEM (Fixed Effects Model) Kiểm soát hoàn toàn các đặc tính bất biến theo thời gian của từng ngân hàng Không xử lý được hiện tượng nội sinh (Endogeneity) do biến trễ phụ thuộc $Y_{i,t-1}$ gây ra Trung bình (Tốt hơn OLS nhưng vẫn chệch)
REM (Random Effects Model) Tăng hiệu quả thống kê khi các biến quan sát không tương quan với sai số ngẫu nhiên Giả định $Cov(u_i, X_{it}) = 0$ thường xuyên bị bác bỏ trong dữ liệu tài chính ngân hàng Thấp đến Trung bình
System GMM (Generalized Method of Moments) Khắc phục triệt để hiện tượng nội sinh, tự tương quan bậc nhất/bậc hai và phương sai sai số thay đổi Đòi hỏi kiểm định nghiêm ngặt về biến công cụ (Instrument Overidentification) Tối ưu nhất (Được chọn làm mô hình chuẩn) 
+-----------------------------------------------------------------------------------+
|                     GAP ANALYSIS: KHOẢNG TRỐNG TRONG CÁC NGHIÊN CỨU TRƯỚC         |
+-----------------------------------------------------------------------------------+
| 1. Giới hạn thời gian: Các nghiên cứu cũ (2005-2015) chưa cập nhật cú sốc         |
|    COVID-19 và biến động thắt chặt tín dụng 2021-2022.                             |
| 2. Kỹ thuật ước lượng: Nhiều nghiên cứu chỉ dừng lại ở FEM/REM, bỏ qua hiện tượng  |
|    nội sinh giữa quy mô tăng trưởng tín dụng và lợi nhuận ngân hàng.              |
| 3. Mâu thuẫn kết luận: Tác động của LLPR đến ROA/ROE chưa đồng nhất (một số báo   |
|    cáo tác động âm, số khác báo cáo tác động dương do yếu tố đệm dự phòng).       |
+-----------------------------------------------------------------------------------+

Yêu cầu kỹ thuật theo thang đo MoSCoW cho hệ thống nghiên cứu:

  • Must-have: Kiểm soát hiện tượng nội sinh ($E[\varepsilon_{it}|X_{it}] \neq 0$), kiểm định tự tương quan Arellano-Bond ($AR(1), AR(2)$), kiểm định giá trị biến công cụ Sargan/Hansen.
  • Should-have: Phân tích ma trận tương quan Pearson, kiểm tra hệ số phóng đại phương sai (VIF) dưới ngưỡng an toàn 10.
  • Could-have: So sánh đa mô hình (Pooled OLS vs FEM vs REM vs System GMM).
  • Won't-have: Ứng dụng mô hình học máy phi tham số (Non-parametric Machine Learning) do yêu cầu giữ tính diễn giải kinh tế lượng chuẩn mực.

Thiết kế hệ thống

Quy trình xử lý dữ liệu và kiểm định kinh tế lượng được thiết kế thành một đường ống phân tích (pipeline) 5 giai đoạn:

graph TD
    A["Thu thập dữ liệu BCTC & Vĩ mô (25 NHTMCP, 2011-2022)"] --> B["Tiền xử lý & Tính toán các chỉ số tài chính (Excel/Stata)"]
    B --> C["Thống kê mô tả & Ma trận tương quan (Kiểm tra VIF)"]
    C --> D["Hồi quy chuẩn đoán: Pooled OLS, FEM, REM"]
    D --> E["Kiểm định khuyết tật: Hausman, White/Modified Wald, Wooldridge"]
    E --> F["Ước lượng vững bằng Two-step System GMM"]
    F --> G["Kiểm định độ tin cậy: Sargan Test & AR(1)/AR(2)"]
    G --> H["Thảo luận kết quả & Đề xuất chính sách"]

Technology Stack và Công cụ kỹ thuật

  • Phần mềm xử lý kinh tế lượng: Stata MP phiên bản 14.0/14.2 (Sử dụng các gói lệnh chuẩn xtreg, vce(robust), xtabond2).
  • Xử lý bảng tính & Trích xuất dữ liệu: Microsoft Excel 365, truy xuất từ FiinPro, Vietstock Finance và Cổng dữ liệu Ngân hàng Thế giới (World Bank Data API).
  • Tiêu chuẩn phân loại nợ: Áp dụng hệ thống phân loại 5 nhóm nợ theo Thông tư 02/2013/TT-NHNN và Thông tư 11/2021/TT-NHNN của Ngân hàng Nhà nước Việt Nam.

Phương trình mô hình kinh tế lượng

Mô hình toán học tổng quát được thiết lập dưới dạng hàm hồi quy dữ liệu bảng:

$$\text{ROA}{it} = \alpha_0 + \beta_1 \text{NPLR}{it} + \beta_2 \text{LLPR}{it} + \beta_3 \text{GROW}{it} + \beta_4 \text{SIZE}_{it} + \beta_5 \text{GDP}_t + \beta_6 \text{INF}t + \varepsilon{it}$$

$$\text{ROE}{it} = \alpha_0 + \beta_1 \text{NPLR}{it} + \beta_2 \text{LLPR}{it} + \beta_3 \text{GROW}{it} + \beta_4 \text{SIZE}_{it} + \beta_5 \text{GDP}_t + \beta_6 \text{INF}t + \varepsilon{it}$$

Trong đó:

  • $i$ đại diện cho 25 NHTMCP ($i = 1, \dots, 25$); $t$ đại diện cho chuỗi năm quan sát ($t = 2011, \dots, 2022$).
  • $\text{ROA}{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$; $\text{ROE}{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$.
  • $\text{NPLR}_{it} = \frac{\text{Nợ nhóm 3 + Nhóm 4 + Nhóm 5}}{\text{Tổng dư nợ cho vay}}$ (Tỷ lệ nợ xấu).
  • $\text{LLPR}_{it} = \frac{\text{Dự phòng rủi ro tín dụng}}{\text{Tổng dư nợ cho vay}}$ (Tỷ lệ dự phòng RRTD).
  • $\text{GROW}{it} = \frac{\text{Dư nợ cho vay}t - \text{Dư nợ cho vay}{t-1}}{\text{Dư nợ cho vay}{t-1}}$ (Tăng trưởng tín dụng).
  • $\text{SIZE}_{it} = \ln(\text{Tổng tài sản})$ (Quy mô tài sản ngân hàng).
  • $\text{GDP}_t$: Tốc độ tăng trưởng GDP thực tế của Việt Nam tại năm $t$.
  • $\text{INF}_t$: Tỷ lệ lạm phát đo lường bằng chỉ số CPI tại năm $t$.

Methodology

Nghiên cứu áp dụng quy trình định lượng tuần tự 7 bước:

  1. Thu thập dữ liệu thứ cấp: Thu thập BCTC kiểm toán của 25 ngân hàng cùng số liệu vĩ mô giai đoạn 2011–2022 ($N=25, T=12 \Rightarrow 300$ quan sát).
  2. Thống kê mô tả (Descriptive Statistics): Tính Mean, Std. Dev, Min, Max nhằm loại trừ các điểm dị biệt (outliers).
  3. Phân tích tương quan & Đa cộng tuyến: Sử dụng ma trận Pearson Correlation và tính Variance Inflation Factor ($VIF$).
  4. Hồi quy cơ bản (Baseline Estimations): Chạy Pooled OLS, Fixed Effects (FEM), Random Effects (REM).
  5. Kiểm định mô hình:
    • Kiểm định Hausman ($H_0$: REM là phù hợp; $H_1$: FEM là phù hợp).
    • Kiểm định White / Modified Wald kiểm tra phương sai sai số thay đổi (Heteroskedasticity).
    • Kiểm định Wooldridge kiểm tra tự tương quan chuỗi (Autocorrelation).
  6. Ước lượng GMM nâng cao (System GMM): Khắc phục toàn bộ các khuyết tật nội sinh và phương sai thay đổi bằng biến công cụ trễ.
  7. Kiểm định tính vững (Robustness Verification):
    • Kiểm định Sargan/Hansen ($H_0$: Biến công cụ ngoại sinh hoàn toàn).
    • Kiểm định Arellano-Bond ($AR(1)$ có ý nghĩa thống kê $p < 0.05$, $AR(2)$ không có ý nghĩa thống kê $p > 0.05$).

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực hiện trên môi trường Stata 14 với hệ thống mã lệnh kinh tế lượng chuẩn hóa:

* ==============================================================================
* QUY TRÌNH HỒI QUY DỮ LIỆU BẢNG VÀ ƯỚC LƯỢNG TWO-STEP SYSTEM GMM
* Đề tài: Tác động của RRTD đến HQHĐ các NHTMCP niêm yết Việt Nam (2011-2022)
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng (Panel Data)
xtset bank_id year

* 2. Kiểm tra đa cộng tuyến (Multicollinearity)
regress ROA NPLR LLPR GROW SIZE GDP INF
estat vif

* 3. Ước lượng mô hình Tác động cố định (FEM) và Tác động ngẫu nhiên (REM)
xtreg ROA NPLR LLPR GROW SIZE GDP INF, fe
estimates store MODEL_FE

xtreg ROA NPLR LLPR GROW SIZE GDP INF, re
estimates store MODEL_RE

* 4. Kiểm định Hausman lựa chọn mô hình FEM hay REM
hausman MODEL_FE MODEL_RE

* 5. Kiểm định khuyết tật phương sai thay đổi và tự tương quan
xttest3                                   // Modified Wald test for heteroskedasticity
xtserial ROA NPLR LLPR GROW SIZE GDP INF   // Wooldridge test for autocorrelation

* 6. Ước lượng hồi quy Two-step System GMM nhằm xử lý khuyết tật
xtabond2 ROA L.ROA NPLR LLPR GROW SIZE GDP INF, ///
    gmm(L.ROA NPLR LLPR, laglimits(1 2) collapse) ///
    iv(GROW SIZE GDP INF) ///
    twostep robust small

Testing và validation

Kết quả thực nghiệm từ các kiểm định chuẩn đoán thống kê:

  • Kiểm định VIF: Tất cả các hệ số VIF của các biến độc lập đều nằm trong khoảng $1.15 - 2.34$ (Mean VIF = $1.68 \ll 10$), loại bỏ hoàn toàn khả năng xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định Hausman: Cho giá trị $p\text{-value} = 0.0021 < 0.05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình FEM vượt trội so với REM.
  • Kiểm định khuyết tật:
    • Kiểm định Modified Wald cho mô hình FEM: $p\text{-value} = 0.0000 < 0.01$ (Xuất hiện hiện tượng phương sai sai số thay đổi).
    • Kiểm định Wooldridge: $p\text{-value} = 0.0142 < 0.05$ (Xuất hiện hiện tượng tự tương quan bậc 1).
  • Kết quả ước lượng GMM (System GMM): Đã khắc phục hoàn toàn hai khuyết tật trên. Kiểm định Arellano-Bond cho thấy $AR(1)$ có $p\text{-value} = 0.004 < 0.05$ và $AR(2)$ có $p\text{-value} = 0.421 > 0.05$ (Không có tự tương quan bậc hai). Kiểm định Sargan có $p\text{-value} = 0.285 > 0.05$, chứng minh hệ thống biến công cụ sử dụng hoàn toàn phù hợp và có giá trị ngoại sinh cao.

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy mô hình GMM cho hai biến phụ thuộc ROA và ROE:

Biến số Ký hiệu Hệ số hồi quy (ROA) Giá trị p (ROA) Hệ số hồi quy (ROE) Giá trị p (ROE) Chiều tác động thực tế
Hằng số Constant -0.0482 0.001*** -0.3125 0.004*** -
Tỷ lệ nợ xấu NPLR -0.1584 0.000*** -1.2410 0.002*** Tiêu cực (-)
Tỷ lệ dự phòng RRTD LLPR +0.0842 0.031** -0.4521 0.045** ROA (+), ROE (-)
Tăng trưởng tín dụng GROW +0.0126 0.018** -0.0894 0.036** ROA (+), ROE (-)
Quy mô ngân hàng SIZE +0.0035 0.002*** +0.0287 0.000*** Tích cực (+)
Tăng trưởng GDP GDP +0.0512 0.015** +0.3418 0.021** Tích cực (+)
Lạm phát INF +0.0214 0.042** +0.1150 0.038** Tích cực (+)
Biến trễ phụ thuộc $Y_{t-1}$ +0.4120 0.000*** +0.3540 0.000*** Bền vững (+)

(Ghi chú: *** $p < 0.01$, ** $p < 0.05$, * $p < 0.1$)

+-----------------------------------------------------------------------------------+
|                        TỔNG HỢP CÁC PHÁT HIỆN ĐỊNH LƯỢNG CHÍNH                    |
+-----------------------------------------------------------------------------------+
| 1. NPLR tác động tiêu cực mạnh nhất: Khi tỷ lệ nợ xấu tăng 1%, ROA giảm 0.1584%   |
|    và ROE giảm 1.2410% (ở mức ý nghĩa thống kê 1%).                               |
| 2. LLPR phân hóa chiều hướng: Tác động cùng chiều lên ROA (hiệu ứng củng cố an    |
|    toàn tài sản) nhưng tác động ngược chiều lên ROE (bào mòn lợi nhuận ròng).     |
| 3. Hiệu ứng quy mô (SIZE): Ngân hàng có tổng tài sản lớn kiểm soát rủi ro và tối |
|    ưu chi phí vốn tốt hơn (tác động dương đến cả ROA và ROE ở mức 1%).            |
| 4. Bối cảnh vĩ mô: Tăng trưởng GDP hỗ trợ cải thiện khả năng sinh lời của ngân hàng.|
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

Khóa luận mang lại những đóng góp khoa học và ứng dụng vượt trội so với các công trình nghiên cứu trước đây tại thị trường Việt Nam:

+-----------------------------------------------------------------------------------+
|                  SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ TÍNH ĐỔI MỚI                       |
+-----------------------------------------------------------------------------------+
| Nghiên cứu trước               | Hạn chế chính          | Đổi mới của khóa luận   |
|--------------------------------+------------------------+-------------------------|
| Nguyễn Quốc Anh (2016)         | Giai đoạn 2005-2015,   | Mở rộng 2011-2022, bổ   |
| (Mẫu 26 NHTM)                  | dùng OLS/FEM/REM cơ bản| sung Two-step System GMM|
|--------------------------------+------------------------+-------------------------|
| Bhowmik và cộng sự (2021)      | Mẫu Nam Á (SAARC),     | Đi sâu vào đặc thù cấu  |
| (118 NHTM SAARC)               | không đặc thù Việt Nam | trúc nợ xấu & TT 11/NHNN|
|--------------------------------+------------------------+-------------------------|
| Đề tài hiện tại                | Khắc phục nội sinh     | Đưa biến cố COVID-19 &  |
| (Phạm Nguyễn Thùy Duyên, 2023) | và kiểm định vững      | thắt chặt BĐS vào phân  |
|                                |                        | tích định lượng cụ thể  |
+-----------------------------------------------------------------------------------+
  • Cải tiến phương pháp lượng hóa: Chuyển dịch từ mô hình tĩnh (Static Panel) sang mô hình động System GMM, loại bỏ chệch Nickell (Nickell Bias) khi có sự xuất hiện của biến trễ phụ thuộc $ROA_{t-1}, ROE_{t-1}$.
  • Làm rõ tính phân hóa của biến Dự phòng rủi ro (LLPR): Phát hiện cơ chế tác động hai chiều của LLPR: Tăng trích lập dự phòng nâng cao hệ số bao phủ nợ xấu (LLRC), giúp tăng tính bền vững của tài sản (tác động dương tới ROA), nhưng lại khấu trừ trực tiếp vào lợi nhuận sau thuế của cổ đông trong ngắn hạn (tác động âm tới ROE).
  • Đóng góp dữ liệu chu kỳ trọn vẹn: Bao quát chuỗi số liệu 12 năm trải dài từ giai đoạn tái cơ cấu hệ thống ngân hàng (2011–2015), giai đoạn tăng trưởng ổn định (2016–2019) cho đến giai đoạn khủng hoảng đại dịch và biến động chính sách tiền tệ (2020–2022).

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu thực nghiệm phục vụ trực tiếp cho quá trình chuyển đổi số và nâng cấp chuẩn mực quản trị rủi ro tại các tổ chức tín dụng:

graph LR
    subgraph "Khối Quản trị Rủi ro (RMD)"
        A["Hệ thống Cảnh báo sớm (EWS)"] --> B["Giám sát Ngưỡng NPLR < 1.5%"]
        B --> C["Tự động trích lập LLPR theo IFRS 9"]
    end
    subgraph "Khối Kinh doanh & Vốn"
        C --> D["Điều chỉnh Định giá Lãi suất theo Rủi ro (FTP)"]
        D --> E["Tối ưu Tỷ lệ Lợi nhuận ROA / ROE"]
    end

Kịch bản ứng dụng tại Ngân hàng Thương mại

  1. Thiết lập Hệ thống cảnh báo sớm (Early Warning System - EWS): Xây dựng hệ số cảnh báo khi NPLR vượt ngưỡng 1.5%. Kết quả mô hình chỉ ra rằng mỗi 0.5% tăng thêm của NPLR sẽ làm suy giảm ngay lập tức 0.079% ROA và 0.62% ROE, từ đó kích hoạt quy trình tái cơ cấu danh mục cho vay nhóm khách hàng doanh nghiệp xây dựng và bất động sản.
  2. Chiến lược tối ưu hóa chi phí trích lập dự phòng: Áp dụng mô hình trích lập tổn thất tín dụng dự kiến theo chuẩn mực IFRS 9 kết hợp Thông tư 11/2021/TT-NHNN, duy trì tỷ lệ bao phủ nợ xấu (Bad Debt Coverage Ratio) ở mức 100–150% để tạo bộ đệm an toàn mà không làm giảm sút đột biến ROE của cổ đông.

Lộ trình triển khai khuyến nghị cho NHTMCP

+-----------------------------------------------------------------------------------+
|                     LỘ TRÌNH 4 BƯỚC NÂNG CAO HIỆU QUẢ HOẠT ĐỘNG                   |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1 (Tháng 1-3)  | Rà soát toàn bộ danh mục tín dụng, phân loại nợ      |
|                           | theo chiều sâu tiêu chuẩn Basel II/III.               |
|---------------------------+-------------------------------------------------------|
|  Giai đoạn 2 (Tháng 4-6)  | Xây dựng khung định giá khoản vay dựa trên rủi ro     |
|                           | (Risk-Based Pricing), bù đắp biên độ tổn thất.        |
|---------------------------+-------------------------------------------------------|
|  Giai đoạn 3 (Tháng 7-9)  | Số hóa quy trình chấm điểm tín dụng nội bộ (Internal  |
|                           | Credit Rating System) giảm thiểu bất cân xứng thông tin|
|---------------------------+-------------------------------------------------------|
|  Giai đoạn 4 (Tháng 10-12)| Đa dạng hóa nguồn thu ngoài lãi (Non-interest income) |
|                           | giảm phụ thuộc vào tăng trưởng tín dụng đơn thuần.    |
+-----------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu quan sát: Nghiên cứu chỉ khảo sát 25 NHTMCP niêm yết có đủ dữ liệu chuỗi thời gian, chưa thể bao quát các ngân hàng thương mại TNHH MTV, ngân hàng 100% vốn nước ngoài hoặc các ngân hàng thuộc diện kiểm soát đặc biệt (CBBank, OceanBank, GPBank).
  2. Tần số dữ liệu: Sử dụng dữ liệu theo năm (Annual Data) với 300 quan sát. Tần số này chưa phản ánh được các biến động giật cục theo quý trong giai đoạn giãn cách xã hội do dịch bệnh.
  3. Biến số kiểm soát: Chưa tích hợp các chỉ số thanh khoản vi mô chuyên sâu như tỷ lệ LDR (Loan to Deposit Ratio), hệ số an toàn vốn CAR theo Basel II hoặc tỷ lệ nguồn vốn ngắn hạn cho vay trung dài hạn.

Hướng nghiên cứu mở rộng

  • Nâng cấp tần suất chuỗi thời gian sang dữ liệu bảng theo quý (Quarterly Panel Data) từ 2015 đến 2025 nhằm gia tăng kích thước mẫu lên trên 1,000 quan sát.
  • Ứng dụng mô hình Vector Autoregression dạng bảng (Panel VAR) hoặc mô hình hồi quy chuyển tiếp mượt (PSTR) để kiểm tra tính phi tuyến và ngưỡng chịu đựng nợ xấu (Threshold Effect).
  • Kết hợp mô hình học máy phân loại (Machine Learning Default Prediction) với mô hình cấu trúc kinh tế lượng vi mô.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                      GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG                      |
+-----------------------------------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu      |
|                      | định lượng tài chính, kỹ thuật Stata và ước lượng GMM.     |
|----------------------+------------------------------------------------------------|
| Cán bộ Quản trị RRTD | Công thức định lượng hóa mức độ rủi ro tín dụng lên lợi    |
|                      | nhuận ròng, hỗ trợ ra quyết định phân bổ hạn mức tín dụng. |
|----------------------+------------------------------------------------------------|
| Ban Lãnh đạo Ngân hàng| Định hướng cân đối chiến lược giữa mục tiêu tăng trưởng    |
|                      | quy mô tài sản (SIZE) và kiểm soát chất lượng tín dụng.    |
|----------------------+------------------------------------------------------------|
| Nhà hoạch định (NHNN)| Bằng chứng thực nghiệm để điều hành chính sách trần tín    |
|                      | dụng, giám sát an toàn hệ thống và thanh tra nợ xấu.      |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại ưu tiên sử dụng phương pháp Two-step System GMM thay vì OLS hoặc Fixed Effects?

Trong dữ liệu tài chính ngân hàng, biến hiệu quả hoạt động thường có tính chất động (Dynamic Panel), tức là lợi nhuận kỳ này phụ thuộc vào lợi nhuận kỳ trước ($ROA_{t-1}, ROE_{t-1}$). Đồng thời, mối quan hệ giữa quy mô tăng trưởng tín dụng và rủi ro thường có tính chất tác động qua lại hai chiều (hiện tượng nội sinh). Pooled OLS hay Fixed Effects Model (FEM) không thể giải quyết được sự tương quan giữa biến trễ nội sinh và phần dư sai số, dẫn đến hiện tượng ước lượng bị chệch và không nhất quán. System GMM sử dụng các biến trễ làm biến công cụ nội sinh, giúp tạo ra các ước lượng tham số vững chắc, hiệu quả và không chệch.

2. Sự khác biệt căn bản giữa hai chỉ tiêu ROA và ROE khi đo lường tác động của rủi ro tín dụng là gì?

ROA phản ánh hiệu quả sử dụng toàn bộ tài sản có sinh lời của ngân hàng (không phân biệt tài sản đó được tài trợ bởi tiền gửi, nợ vay hay vốn chủ sở hữu). Trong khi đó, ROE đo lường tỷ suất sinh lời thực tế trên mỗi đồng vốn đầu tư của cổ đông. Do các ngân hàng thương mại hoạt động với hệ số đòn bẩy tài chính rất cao (Tổng tài sản gấp 10–15 lần Vốn chủ sở hữu), tác động tiêu cực của nợ xấu (NPLR) lên ROE (hệ số -1.2410) có cường độ biến động gấp gần 8 lần so với ROA (hệ số -0.1584).

3. Tại sao tỷ lệ dự phòng rủi ro tín dụng (LLPR) lại tác động cùng chiều với ROA nhưng lại ngược chiều với ROE?

Khi ngân hàng chủ động tăng trích lập dự phòng (LLPR), hệ số an toàn và chất lượng tài sản tổng thể được củng cố, giúp ngân hàng tránh được các cú sốc thanh khoản và tổn thất vốn lớn, từ đó duy trì hiệu quả sử dụng tài sản ổn định (tác động dương lên ROA). Tuy nhiên, chi phí trích lập dự phòng được hạch toán trực tiếp vào chi phí hoạt động trong kỳ, làm giảm ngay lập tức lợi nhuận sau thuế phân phối cho cổ đông, dẫn đến tác động tiêu cực trực tiếp lên ROE trong ngắn hạn.

4. Kết quả nghiên cứu có ý nghĩa gì đối với việc điều hành room tín dụng của Ngân hàng Nhà nước?

Kết quả hồi quy cho thấy biến tăng trưởng tín dụng (GROW) có tác động tích cực đến ROA (+0.0126) nhưng lại tiêu cực đến ROE (-0.0894). Điều này chứng minh rằng việc mở rộng tín dụng quá nhanh mà không đi kèm với năng lực quản trị vốn sẽ làm suy giảm hiệu quả sinh lời trên vốn chủ sở hữu và tích tụ rủi ro nợ xấu trong tương lai. Do đó, chính sách phân bổ chỉ tiêu tăng trưởng tín dụng (room tín dụng) có chọn lọc dựa trên hệ số an toàn vốn (CAR) và xếp hạng rủi ro của NHNN là hoàn toàn có cơ sở khoa học.

5. Khóa luận giải thích hiện tượng thông tin bất cân xứng trong tín dụng ngân hàng như thế nào?

Theo lý thuyết của Akerlof (1970), sự bất cân xứng thông tin giữa người đi vay và ngân hàng dẫn đến hai hệ quả nghiêm trọng: Lựa chọn đối nghịch (Adverse Selection) xảy ra trước khi ký hợp đồng vay (những khách hàng có độ rủi ro cao thường tích cực tìm kiếm vốn vay nhất) và Rủi ro đạo đức (Moral Hazard) xảy ra sau khi giải ngân (khách hàng sử dụng vốn sai mục đích cam kết). Khi ngân hàng thiếu công cụ kiểm soát thông tin, nợ xấu (NPLR) sẽ tăng vọt, buộc ngân hàng phải tốn thêm chi phí thẩm định, giám sát và thu hồi nợ, từ đó làm suy giảm nghiêm trọng khả năng sinh lời.

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Nguyễn Thùy Duyên đã hoàn thành xuất sắc việc giải quyết các câu hỏi nghiên cứu đặt ra, mang lại những giá trị học thuật và ứng dụng thực tiễn sâu sắc:

  • Về mặt lý luận và phương pháp: Công trình đã hệ thống hóa toàn diện các lý thuyết kinh tế kinh điển (Lý thuyết Bất cân xứng thông tin, Thuyết Quản lý kém - Bad Management, Thuyết Kém may mắn - Bad Luck, Thuyết Quá lớn để sụp đổ - Too Big To Fail) và chứng minh sự vượt trội của phương pháp ước lượng động Two-step System GMM trên mẫu 25 NHTMCP niêm yết giai đoạn 2011–2022.
  • Về mặt phát hiện thực nghiệm: Bằng chứng định lượng xác nhận nợ xấu (NPLR) là yếu tố phá hủy lợi nhuận lớn nhất của ngân hàng ở cả hai phương diện ROA và ROE. Đồng thời, nghiên cứu làm sáng tỏ hiệu ứng hai mặt của dự phòng rủi ro tín dụng (LLPR) và tăng trưởng tín dụng (GROW), cung cấp góc nhìn cân bằng giữa an toàn vốn và tối đa hóa lợi ích cổ đông.
  • Về mặt định hướng thực thi: Đề tài đã phác thảo các nhóm giải pháp toàn diện cho cả ngân hàng thương mại (nâng cao năng lực thẩm định tín dụng, số hóa hệ thống cảnh báo sớm EWS, áp dụng chuẩn mực Basel III) và cơ quan quản lý Nhà nước (hoàn thiện khung pháp lý xử lý nợ xấu, điều hành chính sách tiền tệ linh hoạt).

Công trình nghiên cứu đóng vai trò là tài liệu tham khảo giá trị cho các nhà nghiên cứu, cán bộ quản trị rủi ro ngân hàng và các nhà hoạch định chính sách tiền tệ trong kỷ nguyên tài chính số đầy biến động.