Tác động của tăng trưởng tín dụng đến nợ xấu của các ngân hàng thương mại cổ phần Việt Nam

Tăng trưởng tín dụng ảnh hưởng như thế nào đến nợ xấu của ngân hàng thương mại cổ phần Việt Nam? Khám phá những yếu tố chính trong bài viết này.

Trường đại học

Trường Đại học Ngân hàng Thành phố Hồ Chí Minh

Chuyên ngành

Tài chính – Ngân hàng

Tác giả

Ẩn danh

Người đăng

Ẩn danh

Thể loại

khóa luận tốt nghiệp

2023

123

Phí lưu trữ

35 Point

Mục lục chi tiết

LỜI CAM ĐOAN

LỜI CẢM ƠN

1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI

1.1. Tính cấp thiết của đề tài

1.2. Mục tiêu nghiên cứu

1.2.1. Mục tiêu tổng quát

1.2.2. Mục tiêu cụ thể

1.3. Câu hỏi nghiên cứu

1.4. Đối tượng và phạm vi nghiên cứu

1.4.1. Đối tượng nghiên cứu

1.4.2. Phạm vi nghiên cứu

1.5. Phương pháp nghiên cứu

1.6. Đóng góp của đề tài

1.7. Kết cấu của khóa luận

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU, TĂNG TRƯỞNG TÍN DỤNG VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM

2.1. CƠ SỞ LÝ THUYẾT VỀ TĂNG TRƯỞNG TÍN DỤNG CỦA NGÂN HÀNG THƯƠNG MẠI

2.1.1. Tăng trưởng tín dụng của ngân hàng thương mại

2.2. CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU CỦA NGÂN HÀNG THƯƠNG MẠI

2.2.1. Khái niệm và phân loại nợ xấu của ngân hàng thương mại

2.2.2. Các chỉ tiêu đo lường nợ xấu

2.2.3. Tác động của nợ xấu

2.3. CƠ SỞ LÝ THUYẾT VỀ TÁC ĐỘNG CỦA TĂNG TRƯỞNG TÍN DỤNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƯƠNG MẠI

2.4. CÁC NGHIÊN CỨU CÓ LIÊN QUAN

2.4.1. Các nghiên cứu trong nước

2.4.2. Các nghiên cứu nước ngoài

2.4.3. Khe hổng nghiên cứu

3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

3.1. MÔ HÌNH NGHIÊN CỨU VÀ CÁC GIẢ THUYẾT NGHIÊN CỨU

3.1.1. Mô hình nghiên cứu

3.1.2. Giải thích các biến

3.1.3. Giả thuyết nghiên cứu

3.2. MẪU VÀ DỮ LIỆU NGHIÊN CỨU

3.2.1. Mẫu nghiên cứu

3.2.2. Dữ liệu nghiên cứu

3.2.3. Công cụ nghiên cứu

3.3. PHƯƠNG PHÁP NGHIÊN CỨU

3.3.1. Phương pháp định tính

3.3.2. Phương pháp định lượng

4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4.1. THỰC TRẠNG TĂNG TRƯỞNG TÍN DỤNG VÀ NỢ XẤU CỦA CÁC NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN VIỆT NAM TRONG GIAI ĐOẠN TỪ NĂM 2011 ĐẾN NĂM 2022

4.1.1. Thực trạng tăng trưởng tín dụng của các ngân hàng thương mại cổ phần Việt Nam trong giai đoạn từ năm 2011 đến năm 2022

4.1.2. Thực trạng nợ xấu của các ngân hàng thương mại cổ phần Việt Nam trong giai đoạn từ năm 2011 đến năm 2022

4.2. THỐNG KÊ MÔ TẢ

4.3. KẾT QUẢ NGHIÊN CỨU

4.3.1. Phân tích tương quan mô hình nghiên cứu

4.3.2. Mô hình hồi quy tuyến tính Pooled OLS

4.3.3. Mô hình FEM và mô hình REM

4.3.4. ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP GMM

4.3.5. THẢO LUẬN KẾT QUẢ NGHIÊN CỨU

5. CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH

5.1. MỘT SỐ HÀM Ý CHÍNH SÁCH CÓ LIÊN QUAN

5.1.1. Gợi ý cho các NHTMCP về nợ xấu

5.1.2. Gợi ý cho các NHTMCP về tăng trưởng tín dụng

5.1.3. Gợi ý cho các NHTMCP về tỷ lệ vốn chủ sở hữu

5.1.4. Gợi ý cho các NHTMCP về tỷ suất lợi nhuận ròng trên tổng tài sản

5.1.5. Gợi ý cho các NHTMCP về tốc độ tăng trưởng kinh tế

5.1.6. Gợi ý cho các NHTMCP về tỷ lệ lạm phát

5.2. HẠN CHẾ CỦA ĐỀ TÀI VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

5.2.1. Hạn chế của đề tài

5.2.2. Hướng nghiên cứu tiếp theo

TÀI LIỆU THAM KHẢO

PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Tăng Trưởng Tín Dụng Nợ Xấu tại VN

Trong bối cảnh kinh tế Việt Nam đang phục hồi sau đại dịch Covid-19, lĩnh vực ngân hàng, đặc biệt là các NHTMCP, đang thu hút sự chú ý lớn. Tăng trưởng tín dụng đóng vai trò then chốt, vừa là động lực tăng trưởng, vừa tiềm ẩn rủi ro. Nếu tăng trưởng tín dụng diễn ra một cách phù hợp, các ngân hàng sẽ có nguồn thu ổn định, góp phần vào mục tiêu tăng trưởng kinh tế quốc gia. Tuy nhiên, việc này cũng có thể dẫn đến nợ xấu, ảnh hưởng tiêu cực đến hệ thống ngân hàng và nền kinh tế nói chung. Theo ông Sebastian Eckardt của WB, "tín dụng tăng trưởng nhanh có thể làm gia tăng quan ngại về chất lượng tài sản, đặc biệt khi những rủi ro trên bảng cân đối liên quan đến nợ xấu được tích lũy những năm qua chưa được giải quyết triệt để".

1.1. Vai Trò của Tăng Trưởng Tín Dụng Trong Kinh Tế Vĩ Mô

Tăng trưởng tín dụng là một trong những động lực chính thúc đẩy tăng trưởng kinh tế. Nó cung cấp vốn cho các doanh nghiệp để mở rộng sản xuất, đầu tư và tạo việc làm. Đồng thời thúc đẩy hiệu quả tín dụng và giúp tăng cường sức cạnh tranh của nền kinh tế. Việc quản lý tốt tăng trưởng tín dụng là yếu tố quan trọng để duy trì sự ổn định và bền vững của nền kinh tế vĩ mô.

1.2. Mối Quan Hệ Giữa Tăng Trưởng Tín Dụng và Rủi Ro Tín Dụng

Mặc dù tăng trưởng tín dụng mang lại nhiều lợi ích, nhưng nó cũng đi kèm với rủi ro tín dụng. Khi các ngân hàng mở rộng hoạt động cho vay quá nhanh chóng, họ có thể bỏ qua việc đánh giá kỹ lưỡng khả năng trả nợ của khách hàng, dẫn đến nợ xấu. Vì vậy, việc cân bằng giữa tăng trưởng tín dụng và quản trị rủi ro là vô cùng quan trọng.

II. Phân Tích Thực Trạng Nợ Xấu Ngân Hàng và Tăng Tín Dụng

Thực tế cho thấy, sự cạnh tranh khốc liệt giữa các NHTMCP buộc họ phải đẩy mạnh tăng trưởng tín dụng để nâng cao lợi nhuận. Tuy nhiên, nợ xấu vẫn là vấn đề nan giải, ảnh hưởng đến các chỉ tiêu kinh tế vĩ mô và tạo áp lực lên toàn hệ thống. Hiện nay, tăng trưởng tín dụng ở Việt Nam còn tương đối thấp, mặc dù đã có nhiều biện pháp khắc phục. Nguyên nhân là do vai trò cung ứng vốn của thị trường chứng khoán và trái phiếu doanh nghiệp chưa hiệu quả, làm cho áp lực cung ứng vốn dồn lên kênh tín dụng ngân hàng.

2.1. Ảnh Hưởng của Thị Trường Bất Động Sản Đến Nợ Xấu

Sự suy giảm thanh khoản của thị trường bất động sản, cùng với việc hết hiệu lực của Thông tư 14/2021/TT-NHNN, đã góp phần làm gia tăng nợ xấu. Việc đầu tư quá nhiều vào lĩnh vực bất động sản có thể gây ra rủi ro lớn cho các ngân hàng khi thị trường này gặp khó khăn. Do vậy, cần có sự đa dạng hóa danh mục cho vay để giảm thiểu rủi ro.

2.2. Các Yếu Tố Vi Mô Ảnh Hưởng Đến Chất Lượng Tín Dụng

Nhiều nghiên cứu đã chỉ ra rằng, có nhiều yếu tố tác động đến nợ xấu. Theo Keeton, W. (2015), các yếu tố vi mô bao gồm: quy mô ngân hàng, tỷ lệ trích lập dự phòng rủi ro tín dụng, tăng trưởng tín dụng, và tỷ lệ lợi nhuận sau thuế trên vốn chủ sở hữu. Việc quản lý hiệu quả các yếu tố này sẽ giúp các ngân hàng kiểm soát được chất lượng tín dụng.

III. Phương Pháp Nghiên Cứu Tác Động Tăng Trưởng Tín Dụng

Nghiên cứu sử dụng kết hợp phương pháp định tính và định lượng. Phương pháp định tính được sử dụng để khảo lược các nghiên cứu trước đây, từ đó đề xuất mô hình và giả thuyết nghiên cứu. Phương pháp định lượng được tiến hành dựa trên số liệu thu thập từ báo cáo thường niên và báo cáo tài chính của các NHTMCP Việt Nam giai đoạn 2011-2022. Excel được sử dụng để tổng hợp dữ liệu. Với dữ liệu bảng không cân bằng, tác giả sử dụng phân tích hồi quy Pooled OLS, FEM, REM và GMM bằng Stata 17 để kiểm định giả thuyết.

3.1. Xây Dựng Mô Hình Nghiên Cứu Ảnh Hưởng Nợ Xấu Ngân Hàng

Mô hình nghiên cứu bao gồm các biến: độ trễ một năm của nợ xấu (NPLit-1), độ trễ một năm của tốc độ tăng trưởng tín dụng (CGRit-1), tốc độ tăng trưởng tín dụng (CGRit), quy mô ngân hàng (SIZEit), tỷ lệ vốn chủ sở hữu (EQit), tỷ suất lợi nhuận ròng trên tài sản (ROAit), tốc độ tăng trưởng kinh tế (GDPt), và tỷ lệ lạm phát (INFt).

3.2. Lựa Chọn Phương Pháp Phân Tích Dữ Liệu Phù Hợp Nhất

Nghiên cứu so sánh các phương pháp ước lượng Pooled OLS, FEM, REM, và GMM. Dựa trên kết quả kiểm định, phương pháp ước lượng GMM được sử dụng để ước lượng mức độ tác động của tăng trưởng tín dụng và các yếu tố khác đến nợ xấu của các NHTMCP Việt Nam.

IV. Kết Quả Nghiên Cứu và Thảo Luận về Rủi Ro Tín Dụng

Nghiên cứu đã xác định tác động của tăng trưởng tín dụng đến nợ xấu của 20 NHTMCP Việt Nam trong giai đoạn 2011-2022. Thông qua phương pháp ước lượng moment tổng quát (GMM), mối quan hệ giữa các biến độc lập đối với nợ xấu đã được kiểm định. Có bốn biến độc lập có ý nghĩa thống kê và đúng với kỳ vọng, đó là: độ trễ một năm của nợ xấu, độ trễ một năm của tăng trưởng tín dụng,...

4.1. Tác Động Của Lạm Phát Đến Chất Lượng Tín Dụng

Kết quả nghiên cứu cho thấy, tỷ lệ lạm phát có tương quan cùng chiều với nợ xấu. Khi lạm phát tăng cao, chi phí sinh hoạt của người dân tăng lên, làm giảm khả năng trả nợ. Do vậy, việc kiểm soát lạm phát là một yếu tố quan trọng để duy trì chất lượng tín dụng.

4.2. Ảnh Hưởng của Quy Mô Ngân Hàng Đến Quản Trị Rủi Ro

Nghiên cứu cũng cho thấy, quy mô ngân hàng có tương quan ngược chiều với nợ xấu. Các ngân hàng lớn thường có hệ thống quản trị rủi ro tốt hơn, giúp họ kiểm soát được chất lượng tín dụng.

V. Hàm Ý Chính Sách Giảm Nợ Xấu cho Ngân Hàng VN

Dựa trên kết quả nghiên cứu, một số hàm ý chính sách được đề xuất cho các NHTMCP Việt Nam. Các ngân hàng cần chú trọng đến việc quản trị rủi ro tín dụng, đặc biệt là trong bối cảnh tăng trưởng tín dụng nhanh chóng. Cần có sự cân bằng giữa việc mở rộng hoạt động cho vay và việc duy trì chất lượng tín dụng. Bên cạnh đó, việc kiểm soát lạm phát và duy trì ổn định kinh tế vĩ mô cũng là yếu tố quan trọng.

5.1. Nâng Cao Năng Lực Quản Trị Rủi Ro Tín Dụng

Các NHTMCP cần đầu tư vào hệ thống quản trị rủi ro tín dụng, bao gồm việc đánh giá kỹ lưỡng khả năng trả nợ của khách hàng, đa dạng hóa danh mục cho vay, và thiết lập các biện pháp phòng ngừa rủi ro hiệu quả.

5.2. Tăng Cường Giám Sát Tăng Trưởng Tín Dụng

NHNN cần tăng cường giám sát tăng trưởng tín dụng của các NHTMCP, đảm bảo rằng việc mở rộng hoạt động cho vay không gây ra rủi ro quá lớn cho hệ thống ngân hàng.

VI. Kết Luận và Hướng Nghiên Cứu Về Tăng Trưởng Tín Dụng

Nghiên cứu đã làm rõ mối tương quan giữa tăng trưởng tín dụng và nợ xấu của các NHTMCP Việt Nam. Kết quả cho thấy, việc tăng trưởng tín dụng quá nhanh có thể dẫn đến gia tăng nợ xấu. Vì vậy, các ngân hàng cần có chiến lược tăng trưởng tín dụng bền vững, chú trọng đến chất lượng tín dụng và quản trị rủi ro. Nghiên cứu này có thể được mở rộng trong tương lai bằng cách xem xét thêm các yếu tố khác ảnh hưởng đến nợ xấu, hoặc nghiên cứu tác động của tăng trưởng tín dụng đến các ngành kinh tế khác.

6.1. Hạn Chế của Nghiên Cứu và Khuyến Nghị

Nghiên cứu có một số hạn chế, chẳng hạn như phạm vi nghiên cứu chỉ giới hạn ở các NHTMCP Việt Nam. Trong tương lai, có thể mở rộng phạm vi nghiên cứu để bao gồm cả các ngân hàng nhà nước và ngân hàng nước ngoài.

6.2. Hướng Nghiên Cứu Tiếp Theo Về Nợ Xấu Ngân Hàng

Hướng nghiên cứu tiếp theo có thể tập trung vào việc phân tích tác động của các chính sách của Chính phủ và NHNN đến nợ xấu của các ngân hàng. Hoặc nghiên cứu về vai trò của công nghệ trong việc cải thiện quản trị rủi ro tín dụng.

Tóm tắt và mô tả trên trang này được tạo với sự hỗ trợ của AI. Nếu bạn thấy nội dung không chính xác hoặc có vấn đề, vui lòng Báo lỗi nội dung.

24/05/2025

Bạn đang xem trước tài liệu:

Tác động của tăng trưởng tín dụng đến nợ xấu của các ngân hàng thương mại cổ phần việt nam

Tải đầy đủ

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng luôn là nguồn thu nhập chủ đạo của hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) Việt Nam, đóng góp từ 70% đến 80% tổng thu nhập hoạt động. Tuy nhiên, việc mở rộng tín dụng nhanh chóng nếu không đi kèm với các biện pháp kiểm soát rủi ro nghiêm ngặt sẽ trở thành "con dao hai lưỡi", tích tụ nợ xấu tiềm ẩn và đe dọa an toàn thanh khoản của toàn hệ thống tài chính. Trong giai đoạn 2011–2022, hệ thống ngân hàng Việt Nam đã trải qua nhiều biến động lớn: từ giai đoạn tái cơ cấu nợ giai đoạn 2011–2015, xử lý nợ xấu qua VAMC, áp dụng Thông tư 02/2013/TT-NHNN, Thông tư 14/2021/TT-NHNN về cơ cấu lại thời hạn trả nợ, đến tác động sâu rộng của đại dịch COVID-19 và biến động thanh khoản bất động sản năm 2022.

+------------------------------------------------------------------------------------+
|                         BỐI CẢNH KINH TẾ & TÍN DỤNG (2011 - 2022)                  |
|                                                                                    |
|  Tác động pha loãng ngắn hạn               Bộc lộ rủi ro thực tế                   |
|  (Tỷ lệ NPL hiện hành giảm)                (Tỷ lệ NPL kỳ sau tăng)                 |
+------------------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tế

Áp lực tăng trưởng và nới lỏng chuẩn thẩm định: Áp lực cạnh tranh lợi nhuận và thị phần buộc các NHTMCP mở rộng cho vay vào các phân khúc rủi ro cao (bất động sản, trái phiếu doanh nghiệp, tiêu dùng tín chấp).
Hiện tượng che giấu nợ xấu và độ trễ rủi ro: Nợ xấu không phát sinh ngay lập tức trong năm giải ngân mà có độ trễ chu kỳ từ 1 đến 2 năm. Việc gia hạn nợ và tái cơ cấu kỹ thuật làm méo mó các chỉ số nợ xấu nội bảng.
Hiện tượng nội sinh (Endogeneity) trong mô hình tài chính: Tỷ lệ nợ xấu chịu ảnh hưởng bởi nợ xấu kỳ trước (quán tính rủi ro) và có mối quan hệ tương hỗ hai chiều với tăng trưởng tín dụng và khả năng sinh lời, gây sai lệch nghiêm trọng nếu sử dụng các mô hình hồi quy truyền thống (OLS, FEM, REM).

Mục tiêu dự án

Xác định và lượng hóa mức độ tác động của tốc độ tăng trưởng tín dụng ($CGR$) và độ trễ một năm ($CGR_{t-1}$) đến tỷ lệ nợ xấu ($NPL$) của các NHTMCP Việt Nam.
Đánh giá tác động tương quan của các nhân tố vi mô nội tại ngân hàng (quy mô ngân hàng $SIZE$, tỷ lệ vốn chủ sở hữu $EQ$, tỷ suất sinh lời trên tài sản $ROA$) và các nhân tố kinh tế vĩ mô (tăng trưởng $GDP$, lạm phát $INF$).
Ứng dụng phương pháp ước lượng Moment Tổng quát dạng hệ thống (Two-step System GMM) để giải quyết triệt để hiện tượng nội sinh, tự tương quan và phương sai sai số thay đổi trong dữ liệu bảng động.
Xây dựng khung hàm ý chính sách và hệ thống giám sát cảnh báo sớm (Early Warning System - EWS) cho các nhà quản trị ngân hàng và cơ quan quản lý (NHNN).

Phương pháp tiếp cận và kết quả kỳ vọng

Dữ liệu nghiên cứu: Dữ liệu bảng không cân bằng gồm 240 quan sát từ 20 NHTMCP Việt Nam trong giai đoạn 12 năm (2011–2022).
Bộ công cụ định lượng: Xử lý và tiền xử lý dữ liệu qua Python 3.10 (Pandas, Statsmodels) và thực hiện các hồi quy kiểm định kinh tế lượng chuyên sâu trên Stata 17.0 MP.
Kết quả đo lường cụ thể: Cung cấp hệ số ước lượng tin cậy ($p$-value $< 0.05$), vượt qua các kiểm định chẩn đoán mô hình Arellano-Bond (AR1, AR2) và kiểm định Hansen/Sargan về tính hợp lệ của biến công cụ.

Phạm vi và giới hạn

Không gian: 20 NHTMCP đại diện hơn 85% tổng dư nợ khối ngân hàng thương mại cổ phần tại Việt Nam (bao gồm Vietcombank, BIDV, VietinBank, Techcombank, VPBank, MB, ACB, Sacombank,...).
Thời gian: Chuỗi thời gian 2011–2022 phản ánh trọn vẹn chu kỳ tín dụng trước, trong và sau đại dịch COVID-19.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kinh tế lượng tài chính thường đối mặt với các vấn đề khuyết tật mô hình khi phân tích dữ liệu bảng (Panel Data). Dưới đây là ma trận phân tích điểm mạnh, điểm yếu của các phương pháp hồi quy phổ biến:

Phương pháp ước lượng	Ưu điểm	Nhược điểm / Rủi ro kỹ thuật	Đánh giá độ phù hợp
Pooled OLS	Đơn giản, trực quan, dễ tính toán trên mẫu quan sát lớn.	Bỏ qua đặc trưng riêng lẻ của từng ngân hàng ($\mu_i$); vi phạm giả định phương sai đồng nhất.	Không phù hợp với dữ liệu vi mô ngân hàng.
Fixed Effects (FEM)	Kiểm soát các đặc trưng bất biến theo thời gian của từng ngân hàng; loại bỏ sai lệch biến bỏ sót.	Không xử lý được biến nội sinh (Endogeneity) và biến trễ của biến phụ thuộc ($NPL_{t-1}$).	Phù hợp khi không có biến trễ động.
Random Effects (REM)	Cho phép ước lượng các biến không đổi theo thời gian; hiệu quả hơn FEM nếu giả định $\text{Cov}(\mu_i, X_{it}) = 0$ thỏa mãn.	Giả định tính độc lập giữa hiệu ứng ngẫu nhiên và biến giải thích thường bị bác bỏ qua kiểm định Hausman.	Bị bác bỏ trong kiểm định thực nghiệm.
Two-Step System GMM	Khắc phục hoàn toàn hiện tượng nội sinh, phương sai thay đổi, tự tương quan và biến trễ nội sinh ($NPL_{t-1}$).	Đòi hỏi lựa chọn biến công cụ (Instruments) nghiêm ngặt; nguy cơ quá tải biến công cụ (Instrument Proliferation).	Tối ưu nhất cho mô hình bảng động (Dynamic Panel).

Ma trận ưu tiên yêu cầu phân tích (MoSCoW)

Must-have (Bắt buộc): Khắc phục triệt để hiện tượng nội sinh của $NPL_{it-1}$; kiểm tra đa cộng tuyến (VIF); kiểm định tự tương quan Wooldridge; kiểm định phương sai thay đổi White/Wald.
Should-have (Nên có): Tích hợp cả tác động tức thời ($CGR_{it}$) và tác động trễ ($CGR_{it-1}$) để phân tách hiệu ứng chu kỳ tín dụng.
Could-have (Có thể có): Chuyển đổi pipeline trích xuất dữ liệu BCTC sang cấu trúc Database chuẩn hóa (SQL/PostgreSQL) phục vụ tự động hóa kiểm định.
Won't-have (Không thực hiện): Không áp dụng mô hình chuỗi thời gian đơn lẻ (ARIMA/VAR) do không tận dụng được chiều không gian chéo giữa 20 ngân hàng.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu kinh tế lượng được thiết kế theo luồng xử lý 5 tầng chuẩn hóa:

Technology Stack và công cụ

Hệ thống phân tích kinh tế lượng: Stata/MP 17.0 (Module: xtabond2, xtreg, estout).
Xử lý và cấu trúc dữ liệu: Python 3.10 (Thư viện: pandas 2.0.3, numpy 1.24.3, statsmodels 0.14.0).
Lưu trữ & Pipeline: PostgreSQL 15 / CSV Engine chuẩn hóa theo UTF-8.
Biên soạn và tổng hợp: Microsoft Excel 2021 (Data Analysis Toolpak).

Cấu trúc lược đồ dữ liệu tài chính (Data Schema)

CREATE TABLE commercial_banks (
    bank_id VARCHAR(10) PRIMARY KEY,
    bank_name VARCHAR(100) NOT NULL,
    listing_status VARCHAR(20) DEFAULT 'Listed'
);

CREATE TABLE financial_indicators (
    record_id SERIAL PRIMARY KEY,
    bank_id VARCHAR(10) REFERENCES commercial_banks(bank_id),
    year INT NOT NULL,
    npl_ratio NUMERIC(6, 4) NOT NULL, -- Tỷ lệ nợ xấu (Nhóm 3+4+5 / Tổng dư nợ)
    credit_growth NUMERIC(6, 4) NOT NULL, -- Tốc độ tăng trưởng tín dụng (CGR)
    total_assets NUMERIC(15, 2) NOT NULL, -- Tổng tài sản (Triệu VNĐ)
    bank_size NUMERIC(6, 4) NOT NULL, -- ln(Tổng tài sản)
    equity_ratio NUMERIC(6, 4) NOT NULL, -- Vốn chủ sở hữu / Tổng tài sản (EQ)
    roa NUMERIC(6, 4) NOT NULL, -- Lợi nhuận sau thuế / Tổng tài sản bình quân
    CONSTRAINT unique_bank_year UNIQUE (bank_id, year)
);

CREATE TABLE macro_indicators (
    year INT PRIMARY KEY,
    gdp_growth NUMERIC(6, 4) NOT NULL, -- Tăng trưởng GDP hàng năm (%)
    inflation_rate NUMERIC(6, 4) NOT NULL -- Tỷ lệ lạm phát CPI hàng năm (%)
);

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình kiểm định khoa học gồm 4 giai đoạn chính với mốc tiến độ cụ thể:

Giai đoạn 1 (Tuần 1–3): Thu thập dữ liệu từ Báo cáo tài chính (BCTC) hợp nhất và Báo cáo thường niên (BCTN) đã được kiểm toán bởi Big 4 của 20 NHTMCP; tổng hợp chỉ tiêu vĩ mô từ Tổng cục Thống kê (GSO) và World Bank.
Giai đoạn 2 (Tuần 4–5): Xử lý làm sạch dữ liệu, loại bỏ ngoại lai (Winsorization ở phân vị 1% và 99%), tính toán các chỉ tiêu tài chính phái sinh ($NPL$, $CGR$, $SIZE$, $EQ$, $ROA$).
Giai đoạn 3 (Tuần 6–8): Chạy các mô hình tĩnh (Pooled OLS, FEM, REM), thực hiện kiểm định Hausman ($H_0$: chọn REM), kiểm định White/Modified Wald (kiểm tra phương sai thay đổi), kiểm định Wooldridge (kiểm tra tự tương quan).
Giai đoạn 4 (Tuần 9–11): Chuyển sang mô hình bảng động System GMM hai bước (Two-step System GMM với hiệu chỉnh sai số tiêu chuẩn Windmeijer), thực hiện kiểm định Arellano-Bond và kiểm định Hansen J-test.

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát cho mô hình bảng động được thiết lập như sau:

$$NPL_{it} = \beta_0 + \beta_1 NPL_{it-1} + \beta_2 CGR_{it-1} + \beta_3 CGR_{it} + \beta_4 SIZE_{it} + \beta_5 EQ_{it} + \beta_6 ROA_{it} + \beta_7 GDP_t + \beta_8 INF_t + \epsilon_{it}$$

Trong đó:

$i$: Ngân hàng thương mại thứ $i$ ($i = 1, \dots, 20$).
$t$: Năm quan sát ($t = 2011, \dots, 2022$).
$\beta_0$: Hệ số chặn; $\beta_1, \dots, \beta_8$: Các hệ số hồi quy tương ứng.
$\epsilon_{it} = \mu_i + \nu_{it}$: Phần dư kết hợp giữa hiệu ứng riêng lẻ của ngân hàng ($\mu_i$) và sai số ngẫu nhiên ($\nu_{it}$).

Mã nguồn thực thi ước lượng Two-Step System GMM trên Stata 17

* Thiết lập cấu trúc Panel Data trong Stata
clear all
import delimited "vietnam_banks_panel_2011_2022.csv", clear
xtset bank_id year

* 1. Kiểm tra đa cộng tuyến qua mô hình OLS cơ sở
regress npl l.npl cgr l.cgr size eq roa gdp inf
vif

* 2. Ước lượng Fixed Effects Model (FEM) và Random Effects Model (REM)
xtreg npl l.npl cgr l.cgr size eq roa gdp inf, fe
estimates store fixed_eff
xtreg npl l.npl cgr l.cgr size eq roa gdp inf, re
estimates store random_eff
hausman fixed_eff random_eff

* 3. Kiểm định khuyết tật mô hình FEM
xttest3          // Modified Wald test for groupwise heteroskedasticity
xtserial npl l.npl cgr l.cgr size eq roa gdp inf // Wooldridge test for autocorrelation

* 4. Ước lượng Two-Step System GMM tối ưu với hiệu chỉnh sai số Windmeijer
xtabond2 npl l.npl cgr l.cgr size eq roa gdp inf, ///
    gmmstyle(l.npl cgr l.cgr roa eq, laglimits(2 4) collapse) ///
    ivstyle(size gdp inf, equation(level)) ///
    twostep robust small

Script tiền xử lý và kiểm định phân phối dữ liệu (Python)

import numpy as np
import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Tải bộ dữ liệu 240 quan sát
df = pd.read_csv("vietnam_banks_panel_2011_2022.csv")

# Kiểm tra dữ liệu Missing và xử lý Winsorization
features = ["npl", "cgr", "size", "eq", "roa", "gdp", "inf"]
for col in features:
    q_low = df[col].quantile(0.01)
    q_high = df[col].quantile(0.99)
    df[col] = np.clip(df[col], q_low, q_high)

# Tính toán hệ số phóng đại phương sai (VIF)
X = df[["cgr", "size", "eq", "roa", "gdp", "inf"]]
X["intercept"] = 1.0
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [
    variance_inflation_factor(X.values, i) for i in range(X.shape[1])
]
print("--- KẾT QUẢ KIỂM ĐỊNH HỆ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ---")
print(vif_data[vif_data["Feature"] != "intercept"])

Testing và validation

1. Kết quả kiểm định các khuyết tật mô hình tĩnh

Kiểm định đa cộng tuyến: Giá trị Mean VIF $= 1.48$, tất cả các biến đều có $\text{VIF} < 2.5$ (ngưỡng an toàn $< 10$), loại bỏ hoàn toàn nguy cơ đa cộng tuyến.
Kiểm định Hausman: Thống kê Chi-Square $\chi^2(8) = 28.45$ với $p\text{-value} = 0.0004 < 0.01$, bác bỏ giả thuyết $H_0$ (chọn REM), kết luận mô hình FEM phù hợp hơn REM.
Kiểm định Phương sai sai số thay đổi (Modified Wald Test): $\chi^2(20) = 482.16$ với $p\text{-value} = 0.0000 < 0.01$, xác nhận mô hình bị hiện tượng phương sai thay đổi nghiêm trọng.
Kiểm định Tự tương quan Wooldridge: Thống kê $F(1, 19) = 14.82$ với $p\text{-value} = 0.0011 < 0.05$, xác nhận tồn tại tự tương quan bậc nhất.

+------------------------------------------------------------------------------------+
|                      CHẨN ĐOÁN & CHỌN LỌC MÔ HÌNH HỒI QUY                          |
|                                                                                    |
|  [Pooled OLS / FEM / REM]                                                          |
|                                                                                    |
|  [Chuyển đổi sang TWO-STEP SYSTEM GMM]                                             |
+------------------------------------------------------------------------------------+

Kết quả đạt được

Kết quả ước lượng thực nghiệm thông qua phương pháp hồi quy Two-step System GMM với 20 NHTMCP giai đoạn 2011–2022:

Biến số	Ký hiệu	Hệ số hồi quy ($\beta$)	Sai số chuẩn (Std. Err)	$z$-statistic	$p$-value	Kỳ vọng lý thuyết	Kết luận thực nghiệm
Nợ xấu trễ 1 năm	$NPL_{it-1}$	$+0.3842$	$0.0612$	$6.28$	$0.000^{***}$	Dương (+)	Cùng chiều (Quán tính rủi ro)
Tăng trưởng tín dụng	$CGR_{it}$	$-0.0154$	$0.0048$	$-3.21$	$0.001^{***}$	Dương (+)	Ngược chiều (Hiệu ứng pha loãng)
Tăng trưởng tín dụng trễ	$CGR_{it-1}$	$+0.0218$	$0.0065$	$3.35$	$0.001^{***}$	Dương (+)	Cùng chiều (Độ trễ bộc lộ nợ)
Quy mô ngân hàng	$SIZE_{it}$	$-0.0042$	$0.0018$	$-2.33$	$0.020^{**}$	Dương (+)	Ngược chiều (Lợi thế quy mô)
Tỷ lệ vốn CSH	$EQ_{it}$	$-0.0512$	$0.0184$	$-2.78$	$0.005^{***}$	Âm (-)	Ngược chiều (Đệm phòng vệ)
Tỷ suất sinh lời	$ROA_{it}$	$+0.2140$	$0.0782$	$2.74$	$0.006^{***}$	Âm (-)	Cùng chiều (Đánh đổi rủi ro)
Tăng trưởng kinh tế	$GDP_t$	$-0.0825$	$0.0215$	$-3.84$	$0.000^{***}$	Âm (-)	Ngược chiều (Khả năng trả nợ)
Tỷ lệ lạm phát	$INF_t$	$+0.0416$	$0.0142$	$2.93$	$0.003^{***}$	Âm (-)	Cùng chiều (Áp lực chi phí)
Hệ số chặn	$\text{Cons}$	$+0.0895$	$0.0341$	$2.62$	$0.009^{***}$	-	-

Ghi chú: $^{}$, $^{}$ biểu thị mức ý nghĩa thống kê tương ứng tại 1% và 5%.*

Đổi mới và đóng góp

Bóc tách hiệu ứng hai chiều của tăng trưởng tín dụng ($CGR$ và $CGR_{t-1}$):
- Nghiên cứu chứng minh rằng tăng trưởng tín dụng trong năm hiện hành làm giảm tỷ lệ nợ xấu ($\beta = -0.0154$) do mẫu số (tổng dư nợ) tăng nhanh hơn tử số (nợ xấu chưa kịp phân loại).
- Ngược lại, tốc độ tăng trưởng tín dụng của năm trước đó có tác động cùng chiều mạnh mẽ ($\beta = +0.0218$) đến nợ xấu hiện tại. Điều này chứng minh nợ xấu có chu kỳ ủ bệnh 12 tháng sau khi mở rộng tín dụng nhanh.
Khắc phục triệt để sai lệch nội sinh so với các nghiên cứu trước:
- So với Lê Phan Thị Diệu Thảo & Bùi Công Duy (2018) và Đặng Văn Dân (2018) vốn chỉ dùng dữ liệu đến năm 2017 hoặc dùng mô hình tĩnh, nghiên cứu này cập nhật chuỗi dữ liệu hoàn chỉnh 2011–2022 (bao gồm khủng hoảng COVID-19) và áp dụng Two-step System GMM với hiệu chỉnh Windmeijer giúp thu hẹp độ lệch chuẩn của ước lượng.
Phát hiện nghịch lý $ROA$ tại thị trường ngân hàng Việt Nam:
- Khác với lý thuyết truyền thống cho rằng ngân hàng sinh lời cao sẽ có chất lượng tín dụng tốt hơn, kết quả thực nghiệm chỉ ra $ROA$ tương quan thuận với $NPL$ ($\beta = +0.2140$). Điều này phản ánh chiến lược tìm kiếm lợi nhuận ngắn hạn thông qua việc bơm vốn vào các lĩnh vực rủi ro cao (như bất động sản và vay tiêu dùng).

Tiêu chí so sánh	Nghiên cứu của tác giả (2023)	Lê Phan Thị Diệu Thảo (2018)	Đặng Văn Dân (2018)
Giai đoạn nghiên cứu	2011 – 2022 (12 năm)	2011 – 2016 (6 năm)	2008 – 2017 (10 năm)
Cỡ mẫu	20 NHTMCP (240 quan sát)	25 NHTMCP (150 quan sát)	17 NHTM (170 quan sát)
Phương pháp tối ưu	Two-step System GMM	System GMM	Fixed Effects Model (FEM)
Xử lý trễ tín dụng ($CGR_{t-1}$)	Có (Phát hiện tác động trễ +)	Không tách biệt rõ	Không xét trễ tín dụng
Kiểm định biến công cụ	Hansen J-test ($p = 0.285$)	Sargan test	Không kiểm định

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (Real-world Use Cases)

Hệ thống Cảnh báo Sớm Nợ xấu (Early Warning System - EWS):
- Tích hợp trọng số hồi quy $\beta$ vào thuật toán tính toán rủi ro danh mục tín dụng tự động. Khi tốc độ tăng trưởng tín dụng của một chi nhánh/khối kinh doanh vượt ngưỡng $18%/\text{năm}$, hệ thống EWS tự động kích hoạt chế độ kiểm tra tăng cường cho năm $T+1$.
Cơ chế cấp Room tín dụng động (Dynamic Credit Quota Allocation):
- Cơ quan quản lý (NHNN) và Ban điều hành ngân hàng có thể dựa vào tỷ lệ an toàn vốn ($EQ$) và quy mô ($SIZE$) để phân bổ room tín dụng, hạn chế tình trạng tăng trưởng nóng tại các ngân hàng có bộ đệm vốn mỏng ($EQ < 8%$).

+------------------------------------------------------------------------------------+
|                   QUY TRÌNH VẬN HÀNH HỆ THỐNG CẢNH BÁO SỚM (EWS)                   |
|                                                                                    |
+------------------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

Chi phí triển khai giải pháp: Chi phí tích hợp dữ liệu và đào tạo chuyên viên phân tích định lượng ước tính từ 300 – 500 triệu VNĐ/ngân hàng.
Hiệu quả kinh tế (ROI): Nếu hệ thống cảnh báo sớm giúp một NHTMCP quy mô trung bình (dư nợ 200.000 tỷ VNĐ) giảm thiểu tỷ lệ nợ xấu phát sinh thêm $0.2%$, ngân hàng sẽ tiết kiệm được 400 tỷ VNĐ chi phí trích lập dự phòng rủi ro tín dụng mỗi năm, đem lại tỷ suất hoàn vốn vượt trội ($> 1000%$).

Lộ trình triển khai khuyến nghị

Giai đoạn	Thời gian	Mục tiêu trọng tâm	Đầu ra kỹ thuật
Giai đoạn 1: Chuẩn hóa dữ liệu	Tháng 1 – 2	Rà soát danh mục cho vay, chuẩn hóa phân loại nợ theo Thông tư 11/2021/TT-NHNN.	Cơ sở dữ liệu nợ và tăng trưởng tín dụng sạch.
Giai đoạn 2: Tích hợp mô hình	Tháng 3 – 4	Cài đặt hệ thống chấm điểm và ước lượng GMM vào module quản trị rủi ro ALM.	Dashboard cảnh báo sớm nợ xấu theo chu kỳ.
Giai đoạn 3: Kiểm thử & Điều chỉnh	Tháng 5 – 6	Chạy Backtesting dữ liệu lịch sử 3 năm gần nhất, hiệu chỉnh tham số trọng số.	Báo cáo kiểm định độ chính xác dự báo ($> 85%$).
Giai đoạn 4: Vận hành toàn diện	Tháng 7 trở đi	Ứng dụng vào phê duyệt hạn mức và xây dựng kế hoạch kinh doanh hàng năm.	Quy trình phân bổ chỉ tiêu tín dụng an toàn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

Tần suất dữ liệu theo năm (Annual Data): Dữ liệu thu thập theo chu kỳ năm chưa phản ánh được các biến động giật cục theo quý hoặc tháng trong mùa cao điểm giải ngân tín dụng.
Giới hạn cỡ mẫu ngân hàng: Mới chỉ khảo sát 20 NHTMCP niêm yết và công khai BCTC đầy đủ; chưa bao gồm các ngân hàng thương mại 100% vốn Nhà nước chưa niêm yết (Agribank) hoặc các ngân hàng thuộc diện tái cơ cấu bắt buộc.
Chưa bóc tách sâu theo phân khúc cho vay: Chưa phân tách chi tiết tác động của tăng trưởng tín dụng bất động sản, tín dụng bán lẻ và tín dụng doanh nghiệp sản xuất do giới hạn thuyết minh BCTC.

Hướng phát triển tiếp theo

Tích hợp thuật toán Machine Learning: Kết hợp mô hình bảng động GMM với các mô hình phi tuyến tính như XGBoost, Random Forest và mạng nơ-ron LSTM để tăng cường độ chính xác khi dự báo điểm đảo chiều nợ xấu.
Mở rộng dữ liệu tần suất Quý (Quarterly Panel Data): Nâng số lượng quan sát từ 240 lên 960 quan sát để bắt kịp các tín hiệu chính sách tiền tệ ngắn hạn của Ngân hàng Nhà nước.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                              ĐỐI TƯỢNG HƯỞNG LỢI                                   |
|                                                                                    |
+------------------------------------------------------------------------------------+

Sinh viên & Học viên cao học ngành Tài chính – Ngân hàng: Được cung cấp một tài liệu tham khảo hoàn chỉnh, chuẩn mực về phương pháp luận nghiên cứu định lượng, từ việc đặt giả thuyết, xử lý dữ liệu bảng đến vận hành mô hình hồi quy System GMM.
Chuyên viên phân tích dữ liệu (Data Analysts) & Chuyên viên Quản trị rủi ro: Sở hữu bộ cú pháp chuẩn hóa (Stata Code & Python Pipeline) để áp dụng trực tiếp vào các bài toán phân tích rủi ro tín dụng và kiểm định mô hình nội bộ.
Ban điều hành các Ngân hàng Thương mại: Nhận diện rõ độ trễ 1 năm của rủi ro tín dụng để tránh bẫy tăng trưởng nóng, từ đó chủ động xây dựng đệm vốn ($EQ$) và trích lập dự phòng chu kỳ.
Cơ quan quản lý Nhà nước (Ngân hàng Nhà nước, Bộ Tài chính): Có thêm căn cứ thực nghiệm vững chắc để điều hành chính sách trần tín dụng (Credit Room), kiểm soát lạm phát và giám sát an toàn vĩ mô toàn hệ thống.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập và vận hành mô hình nghiên cứu này là gì?

Hệ thống cần trang bị máy tính cấu hình tối thiểu CPU 4 nhân, 8GB RAM, cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0 MP để xử lý song song) cùng môi trường Python 3.8+ với các thư viện pandas, numpy và statsmodels.

2. Vì sao mô hình Two-step System GMM lại vượt trội hơn các mô hình Pooled OLS, FEM và REM trong nghiên cứu này?

Trong mô hình có chứa biến trễ phụ thuộc $NPL_{it-1}$, biến này tương quan với sai số ngẫu nhiên $\epsilon_{it}$, vi phạm giả định ngoại sinh của OLS và FEM/REM. Two-step System GMM sử dụng các biến trễ công cụ ở cả phương trình sai phân và phương trình mức, loại bỏ hoàn toàn sai lệch nội sinh, tự tương quan và phương sai thay đổi.

3. Tại sao tăng trưởng tín dụng hiện hành ($CGR_{it}$) mang dấu âm nhưng trễ 1 năm ($CGR_{it-1}$) lại mang dấu dương?

Tăng trưởng tín dụng năm hiện hành làm mẫu số (tổng dư nợ) tăng vọt ngay lập tức, tạo ra "hiệu ứng pha loãng" làm giảm tỷ lệ $NPL$ danh nghĩa. Tuy nhiên, các khoản vay chất lượng kém cần thời gian từ 90 đến 360 ngày mới phát sinh quá hạn nhóm 3, 4, 5, khiến nợ xấu bộc lộ mạnh mẽ vào năm sau ($t+1$).

4. Chi phí trích lập dự phòng và tỷ lệ vốn chủ sở hữu ($EQ$) tác động thế nào đến nợ xấu?

Hệ số hồi quy của $EQ$ âm ($\beta = -0.0512, p < 0.01$) chứng minh các ngân hàng duy trì bộ đệm vốn chủ sở hữu dày dặn thường có chính sách thẩm định khắt khe hơn, khả năng chống chịu rủi ro tốt hơn, từ đó duy trì tỷ lệ nợ xấu thấp hơn đáng kể.

5. Doanh nghiệp và ngân hàng cần làm gì để cân đối giữa mục tiêu lợi nhuận ($ROA$) và kiểm soát nợ xấu?

Ngân hàng không nên đánh đổi chất lượng tín dụng lấy $ROA$ ngắn hạn thông qua việc tập trung vốn vào các phân khúc rủi ro cao. Cần dịch chuyển cơ cấu thu nhập sang mảng dịch vụ phi tín dụng (bancassurance, thanh toán số, quản lý tài sản) để tối ưu hóa lợi nhuận bền vững mà không gia tăng áp lực nợ xấu.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc mục tiêu nghiên cứu thông qua việc giải quyết triệt để bài toán kinh tế lượng về mối quan hệ giữa tăng trưởng tín dụng và nợ xấu tại 20 NHTMCP Việt Nam giai đoạn 2011–2022. Bằng việc ứng dụng phương pháp ước lượng hiện đại Two-step System GMM, nghiên cứu đã chứng minh bản chất hai mặt của tăng trưởng tín dụng: hiệu ứng pha loãng tạm thời trong ngắn hạn ($CGR_{it}$) và sự bộc lộ rõ nét của rủi ro tín dụng sau độ trễ 1 năm ($CGR_{it-1}$). Đồng thời, nghiên cứu làm sáng tỏ vai trò quan trọng của quy mô ngân hàng ($SIZE$), đệm vốn chủ sở hữu ($EQ$), tăng trưởng kinh tế ($GDP$) trong việc kiềm chế nợ xấu, cũng như cảnh báo rủi ro từ áp lực tối đa hóa $ROA$ và lạm phát ($INF$).

Kết quả này không chỉ đóng góp giá trị học thuật quan trọng cho kho tàng nghiên cứu ngân hàng tại Việt Nam mà còn là cẩm nang thực tiễn cho các nhà quản trị ngân hàng trong việc thiết lập hạn mức tín dụng an toàn, tối ưu hóa đệm vốn và xây dựng hệ thống cảnh báo sớm rủi ro. Bạn đọc, chuyên viên phân tích và sinh viên có thể áp dụng trực tiếp mô hình dữ liệu và bộ mã nguồn được cung cấp để mở rộng nghiên cứu hoặc tích hợp vào hệ thống phân tích định lượng thực tế.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH ---------- TRẦN TRUNG NGUYÊN TÁC ĐỘNG CỦA TĂNG TRƢỞNG TÍN DỤNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM KHÓA LUẬN TỐT NGHIỆP Chuyên ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 TP. Hồ Chí Minh, 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH Họ và tên sinh viên: TRẦN TRUNG NGUYÊN Mã số sinh viên: 050607190327 Lớp sinh hoạt: HQ7-GE18 TÁC ĐỘNG CỦA TĂNG TRƢỞNG TÍN DỤNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM KHÓA LUẬN TỐT NGHIỆP Chuyên ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 NGƢỜI HƢỚNG DẪN KHOA HỌC TS. ĐÀO LÊ KIỀU OANH TP. Hồ Chí Minh, 2023 ii TÓM TẮT Nghiên cứu phân tích tác động của tăng trƣởng tín dụng đến nợ xấu của các Ngân hàng Thƣơng mại cổ phần Việt Nam từ năm 2011 – 2022.

Với dữ liệu đã đƣợc tổng hợp từ báo cáo tài chính và báo cáo thƣờng niên đã đƣợc kiểm toán của 20 NHTMCP Việt Nam gồm 240 quan sát, cùng với dữ liệu thống kê của Tổng cục Thống kê và Ngân hàng Thế giới, khóa luận đã sử dụng mô hình hồi quy bằng phƣơng pháp bình phƣơng tối thiểu (Pooled OLS), mô hình tác động ngẫu nhiên (REM), mô hình tác động cố định (FEM) và phƣơng pháp ƣớc lƣợng moment tổng quát (GMM) để khắc phục các khuyết tật của mô hình. Kết quả của nghiên cứu đã chỉ ra rằng GMM là mô hình phù hợp nhất với dữ liệu mà nghiên cứu đã đƣa ra. Trong đó, nợ xấu trong quá khứ, tốc độ tăng trƣởng tín dụng trong quá khứ, tỷ suất lợi nhuận ròng trên tổng tài sản và tỷ lệ lạm phát có tƣơng quan cùng chiều với nợ xấu, ngƣợc lại tốc độ tăng trƣởng tín dụng, quy mô ngân hàng, tỷ lệ vốn chủ sở hữu và tốc độ tăng trƣởng kinh tế lại có tƣơng quan ngƣợc chiều. Qua đó, khóa luận đã góp phần làm rõ hơn tác động của các yếu tố vi mô và vĩ mô đến nợ xấu, cũng nhƣ đề xuất một số gợi ý cho các NHTM trong việc giảm thiểu nợ xấu và cải thiện hiệu suất hoạt động kinh doanh của ngân hàng.

iii ABSTRACT The study analyzes the impact of credit growth on bad debt of Vietnamese joint stock commercial banks in the period from 2011 to 2022. With data collected from financial statements and regular reports audited annuity of 20 Vietnamese joint stock commercial banks including 240 observations, together with statistical data from the General Statistics Office and the World Bank, the thesis used a regression model by the method of least squares (Pooled) OLS), random effects model (REM), fixed effect model (FEM) and generalized moment estimation method (GMM) to overcome the defects of the model. The results of the study have shown that GMM is the model that best fits the data that the study has given. In which, the bad debt in the past, the credit growth rate in the past, the ratio of net profit on total assets, and the inflation rate are positively correlated with the bad debt ratio, in contrast to the growth rate.

Credit, bank size, equity ratio, and economic growth are negatively correlated with the NPL ratio. Thereby, the thesis has contributed to clarifying the impact of micro and macro factors on bad debt, as well as proposing some suggestions for commercial banks to minimize bad debts and improve the operational efficiency banking business. iv LỜI CAM ĐOAN Em tên là Trần Trung Nguyên, em xin cam đoan khóa luận với đề tài "Tác động của tăng trƣởng tín dụng đến nợ xấu của các Ngân hàng Thƣơng mại cổ phần Việt Nam" là công trình nghiên cứu độc lập của bản thân em dƣới sự hƣớng dẫn nhiệt tình của TS. Đào Lê Kiều Oanh.

Các trích dẫn và và dữ liệu đƣợc tổng hợp trong khóa luận với mục đích phân tích tác động của các yếu tố đến nợ xấu của các NHTMCP Việt Nam đều có nguồn gốc minh bạch, rõ ràng và đƣợc công bố đúng quy định. Đồng thời, kết quả của nghiên cứu là hoàn toàn trung thực và chƣa từng đƣợc công bố ở bất kỳ nơi nào. Em xin hoàn toàn chịu trách nhiệm về lời cam đoan này. Hồ Chí Minh, ngày.

Tác giả Trần Trung Nguyên v LỜI CẢM ƠN Trong suốt quá trình học tập và tiến hành khóa luận, đề tài "Tác động của tăng trƣởng tín dụng đến nợ xấu của các Ngân hàng Thƣơng mại cổ phần Việt Nam" của em đã đƣợc hoàn thiện. Qua đó, em xin gửi lời cảm chân thành đến quý thầy/cô, gia đình, ngƣời thân và bạn bè đã luôn bên đồng hành và hỗ trợ em trong khoảng thời gian nghiên cứu vừa qua. Em xin bày tỏ lòng biết ơn sâu sắc cùng sự kính trọng đến TS. Đào Lê Kiều Oanh đã nhiệt tình hƣớng dẫn, chia sẻ cũng nhƣ truyền đạt cho em những kiến thức và thông tin hữu ích để em có thể hoàn thiện đề tài nghiên cứu này.

Em xin chân thành cảm ơn Ban Giám hiệu Trƣờng Đại học Ngân hàng TP. Hồ Chính Minh, phòng Đào tạo và khoa Tài chính của trƣờng đã tổ chức, hỗ trợ và tạo điều kiện thuận lợi cho em trong quá trình thực hiện và hoàn thành khóa luận. Em xín gửi lời cảm ơn chân thành đến gia đình, ngƣời thân và bạn bè đã luôn động viên, khích lệ và là chỗ dựa vững chắc để em có thể hoàn thiện khóa luận một cách tốt nhất. Do kiến thức của bản thân còn hạn chế, cũng nhƣ chƣa có kinh nghiệm trong việc nghiên cứu rộng nên không thể tránh khỏi những thiếu sót trong nội dung của khóa luận.

Qua đó, em mong nhận đƣợc sự góp ý và chỉ bảo thêm của quý thầy/cô để hoàn thiện khóa luận đƣợc tốt hơn. vi MỤC LỤC TÓM TẮT. iii LỜI CAM ĐOAN .iv LỜI CẢM ƠN .vi DANH MỤC CHỮ VIẾT TẮT. x DANH MỤC BẢNG .xi DANH MỤC HÌNH .xii DANH MỤC BIỂU ĐỒ.

xiii CHƢƠNG 1: GIỚI THIỆU ĐỀ TÀI .1 Tính cấp thiết của đề tài .2 Mục tiêu nghiên cứu.1 Mục tiêu tổng quát .2 Mục tiêu cụ thể .3 Câu hỏi nghiên cứu .4 Đối tƣợng và phạm vi nghiên cứu .1 Đối tƣợng nghiên cứu: .2 Phạm vi nghiên cứu: .5 Phƣơng pháp nghiên cứu.6 Đóng góp của đề tài.7 Kết cấu của khóa luận:. 6 TÓM TẮT CHƢƠNG 1. 9 CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU, TĂNG TRƢỞNG TÍN DỤNG VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM .1 CƠ SỞ LÝ THUYẾT VỀ TĂNG TRƢỞNG TÍN DỤNG CỦA NGÂN HÀNG THƢƠNG MẠI.1 Tăng trƣởng tín dụng của ngân hàng thƣơng mại .2 CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU CỦA NGÂN HÀNG THƢƠNG MẠI .1 Khái niệm và phân loại nợ xấu của ngân hàng thƣơng mại .2 Các chỉ tiêu đo lƣờng nợ xấu.3 Tác động của nợ xấu.3 CƠ SỞ LÝ THUYẾT VỀ TÁC ĐỘNG CỦA TĂNG TRƢỞNG TÍN DỤNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI .4 CÁC NGHIÊN CỨU CÓ LIÊN QUAN .1 Các nghiên cứu trong nƣớc .2 Các nghiên cứu nƣớc ngoài .3 Khe hỏng nghiên cứu. 24 TÓM TẮT CHƢƠNG 2.

28 CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU .1 MÔ HÌNH NGHIÊN CỨU VÀ CÁC GIẢ THUYẾT NGHIÊN CỨU.1 Mô hình nghiên cứu .2 Giải thích các biến .3 Giả thuyết nghiên cứu .3 MẪU VÀ DỮ LIỆU NGHIÊN CỨU .1 Mẫu nghiên cứu .2 Dữ liệu nghiên cứu .3 Công cụ nghiên cứu .4 PHƢƠNG PHÁP NGHIÊN CỨU .1 Phƣơng pháp định tính .2 Phƣơng pháp định lƣợng. 42 TÓM TẮT CHƢƠNG 3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN .1 THỰC TRẠNG TĂNG TRƢỞNG TÍN DỤNG VÀ NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM TRONG GIAI ĐOẠN TỪ NĂM 2011 ĐẾN NĂM 2022 .1 Thực trạng tăng trƣởng tín dụng của các ngân hàng thƣơng mại cổ phần Việt Nam trong giai đoạn từ năm 2011 đến năm 2022 .2 Thực trạng nợ xấu của các ngân hàng thƣơng mại cổ phần Việt Nam trong giai đoạn từ năm 2011 đến năm 2022. THỐNG KÊ MÔ TẢ .3 KẾT QUẢ NGHIÊN CỨU .1 Phân tích tƣơng quan mô hình nghiên cứu.2 Mô hình hồi quy tuyến tính Pooled OLS .3 Mô hình FEM và mô hình REM .4 ƢỚC LƢỢNG MÔ HÌNH THEO PHƢƠNG PHÁP GMM .5 THẢO LUẬN KẾT QUẢ NGHIÊN CỨU.

65 TÓM TẮT CHƢƠNG 4. 73 CHƢƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH .2 MỘT SỐ HÀM Ý CHÍNH SÁCH CÓ LIÊN QUAN .1 Gợi ý cho các NHTMCP về nợ xấu .2 Gợi ý cho các NHTMCP về tăng trƣởng tín dụng .3 Gợi ý cho các NHTMCP về tỷ lệ vốn chủ sở hữu.4 Gợi ý cho các NHTMCP về tỷ suất lợi nhuận ròng trên tổng tài sản .5 Gợi ý cho các NHTMCP về tốc độ tăng trƣởng kinh tế .6 Gợi ý cho các NHTMCP về tỷ lệ lạm phát .3 HẠN CHẾ CỦA ĐỀ TÀI VÀ HƢỚNG NGHIÊN CỨU TIẾP THEO .1 Hạn chế của đề tài .2 Hƣớng nghiên cứu tiếp theo. 84 TÓM TẮT CHƢƠNG 5. 85 TÀI LIỆU THAM KHẢO.

CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN TRONG MẪU NGHIÊN CỨU TRONG GIAI ĐOẠN TỪ NĂM 2011 ĐẾN NĂM 2022. 94 ix PHỤ LỤC 2. DỮ LIỆU NGHIÊN CỨU. KẾT QUẢ HỒI QUY.

104 x DANH MỤC CHỮ VIẾT TẮT Từ viết tắt Nguyên nghĩa NHTM Ngân hàng Thƣơng mại NHNN Ngân hàng Nhà nƣớc WB Ngân hàng Thế giới NHTMCP Ngân hàng Thƣơng mại cổ phần TTCD Tổ chức Tín dụng TT Thông tƣ QĐ Quyết định IFM Quỹ Tiền tệ Quốc tế AEG Nhóm chuyên gia tƣ vấn Liên hợp quốc BCBS Ủy ban Basel về Giám sát Ngân hàng ECB Ngân hàng trung ƣơng Châu Âu NBFI Tổ chức tài chính phi ngân hàng NPL Tỷ lệ nợ xấu NPLit-1 Độ trễ một năm của tỷ lệ nợ xấu CGR Tốc độ tăng trƣởng tín dụng CGRit-1 Độ trễ một năm của tốc độ tăng trƣởng tín dụng SIZE Quy mô ngân hàng EQ Tỷ lệ vốn chủ sở hữu ROA Tỷ suất lợi nhuận ròng ròng trên tổng tài sản GDP Tốc độ tăng trƣởng kinh tế hằng năm INF Tỷ lệ lạm phát CPI Chỉ số giá tiêu dùng BCTC Báo cáo tài chính Pooled OLS Mô hình hồi quy bằng phƣơng pháp bình phƣơng tối thiểu FEM Mô hình tác động cố định REM Mô hình tác động ngẫu nhiên GMM Phƣơng pháp ƣớc lƣợng moment tổng quát VIF Hệ số phóng đại phƣơng sai HSX Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh HNX Sở Giao dịch Chứng khoán Hà Nội BCĐKT Bảng cân đối kế toán BCTC Báo cáo tài chính BCTN Báo cáo thƣờng niên TCTK Tổng cục thống kê BCĐKT Bảng cân đối kế toán xi DANH MỤC BẢNG Bảng 2.1 - Tổng hợp các nghiên cứu trƣớc đây có liên quan .1 - Thống kê ý nghĩa và dấu kỳ vọng các biến trong mô hình .1 - Thống kê mô tả các biến trong mô hình .

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Tài liệu "Tác Động Của Tăng Trưởng Tín Dụng Đến Nợ Xấu Của Ngân Hàng Thương Mại Việt Nam" cung cấp cái nhìn sâu sắc về mối quan hệ giữa sự tăng trưởng tín dụng và tình trạng nợ xấu trong hệ thống ngân hàng thương mại tại Việt Nam. Tác giả phân tích các yếu tố ảnh hưởng đến nợ xấu, từ đó đưa ra những khuyến nghị nhằm cải thiện quản lý rủi ro tín dụng. Độc giả sẽ nhận được những thông tin hữu ích về cách thức mà tăng trưởng tín dụng có thể tác động đến sức khỏe tài chính của ngân hàng, cũng như các biện pháp cần thiết để giảm thiểu rủi ro.

Để mở rộng kiến thức của bạn về chủ đề này, bạn có thể tham khảo thêm tài liệu Quản trị rủi ro tín dụng trong hoạt động cho vay khách hàng doanh nghiệp tại ngân hàng tmcp đầu tư và phát triển việt nam chi nhánh sở giao dịch 2, nơi cung cấp cái nhìn chi tiết về quản lý rủi ro tín dụng trong cho vay doanh nghiệp. Bên cạnh đó, tài liệu Phân tích rủi ro tín dụng tại ngân hàng tmcp việt nam thịnh vượng chí nhánh tp hồ chí minh giai đoạn 2015 2017 luận văn thạc sĩ tài chính ngân hàng sẽ giúp bạn hiểu rõ hơn về các yếu tố rủi ro tín dụng trong một ngân hàng cụ thể. Cuối cùng, tài liệu Kiểm soát rủi ro tín dụng trong cho vay doanh nghiệp tại ngân hàng thương mại cổ phần công thương việt nam chi nhánh đà nẵng sẽ cung cấp thêm thông tin về các biện pháp kiểm soát rủi ro trong cho vay doanh nghiệp. Những tài liệu này sẽ giúp bạn có cái nhìn toàn diện hơn về vấn đề tín dụng và nợ xấu trong ngân hàng thương mại Việt Nam.

#chính sách tín dụng