Giới thiệu dự án

Trong cấu trúc kinh tế thị trường hiện đại, hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) đóng vai trò huyết mạch trong việc dẫn vốn, phân bổ thanh khoản và hỗ trợ các chu kỳ sản xuất kinh doanh. Tuy nhiên, hoạt động cung ứng tín dụng luôn tiềm ẩn rủi ro cố hữu – đặc biệt là rủi ro tín dụng (Credit Risk). Lịch sử tài chính thế giới từ khủng hoảng cho vay thế chấp dưới chuẩn tại Mỹ (2007-2008) đến cuộc khủng hoảng nợ công châu Âu đã chứng minh hơn 70% các vụ đổ vỡ định chế tài chính bắt nguồn từ việc mở rộng tín dụng mất kiểm soát đi kèm chất lượng thẩm định suy giảm (Salas & Saurina, 2002; Ghosh, 2015). Tại Việt Nam, sau giai đoạn biến động vĩ mô và hậu đại dịch COVID-19, tỷ lệ nợ xấu nội bảng toàn hệ thống dao động quanh ngưỡng 1,7% - 2,08% (Ngân hàng Nhà nước, 2023), đặt ra yêu cầu cấp thiết về việc kiểm soát tốc độ tăng trưởng tín dụng nhằm duy trì an toàn hệ thống và tối ưu hóa hiệu quả hoạt động tài chính.

Vấn đề cốt lõi đặt ra cho các nhà quản trị ngân hàng là sự đánh đổi giữa mục tiêu mở rộng thị phần và mục tiêu kiểm soát rủi ro. Việc thúc đẩy tăng trưởng tín dụng quá nóng có thể đem lại tăng trưởng lợi nhuận ngắn hạn nhưng lại tích tụ nợ xấu tiềm ẩn trong trung và dài hạn, làm suy giảm nghiêm trọng tỷ suất sinh lời trên tài sản (ROA). Đồ án/khóa luận "Ảnh hưởng của tăng trưởng tín dụng đến rủi ro tín dụng và hiệu quả hoạt động tài chính của các Ngân hàng TMCP Việt Nam" được thực hiện nhằm lượng hóa chính xác mối quan hệ tương tác này dưới góc độ kinh tế lượng thực nghiệm.

Mục tiêu nghiên cứu cụ thể

  1. Đo lường tác động tuyến tính và phi tuyến của tăng trưởng dư nợ cho vay (LOAN và LOAN^2) đối với tỷ lệ nợ xấu (NPL) của các NHTMCP Việt Nam.
  2. Đo lường tác động tuyến tính và phi tuyến của tăng trưởng dư nợ cho vay đối với hiệu quả hoạt động tài chính đại diện bởi tỷ suất sinh lời trên tổng tài sản (ROA).
  3. Xác định vai trò của các yếu tố nội tại khác bao gồm: Hiệu quả quản lý chi phí (EFF), Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLP), Tỷ lệ vốn hóa ngân hàng (EA), và Quy mô ngân hàng (SIZE).
  4. Kiểm soát các biến động kinh tế vĩ mô thông qua tốc độ tăng trưởng kinh tế thực tế (GDPGr) và chỉ số giá tiêu dùng (CPI).
  5. Đề xuất hàm ý chính sách và ngưỡng an toàn tín dụng giúp các NHTMCP Việt Nam hoạch định chiến lược tăng trưởng bền vững và tuân thủ các quy chuẩn an toàn vốn Basel II/Basel III.

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu ứng dụng phương pháp kinh tế lượng định lượng trên bộ dữ liệu bảng không cân đối (Unbalanced Panel Data) của 23 NHTMCP giai đoạn 2007–2022 (tổng cộng 320 quan sát). Bằng việc kiểm tra các giả thuyết vi phạm kinh tế lượng (White test, Breusch-Godfrey test, Hausman test), mô hình lựa chọn phương pháp ước lượng Tác động Cố định (Fixed Effects Model - FEM) và Tác động Ngẫu nhiên (Random Effects Model - REM) thích hợp. Kết quả kỳ vọng xác lập bằng chứng thực nghiệm về mối quan hệ phi tuyến (U-shape đối với rủi ro và Inverted U-shape đối với lợi nhuận), xác định giới hạn an toàn cho quy mô tăng trưởng tín dụng.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 23 Ngân hàng Thương mại Cổ phần đại chúng tại Việt Nam (loại trừ Ngân hàng Chính sách, Ngân hàng Liên doanh và Chi nhánh Ngân hàng Nước ngoài).
  • Thời gian: Giai đoạn 2007–2022, bao quát chu kỳ khủng hoảng tài chính toàn cầu 2008, giai đoạn tái cơ cấu nợ xấu 2011–2015, và đại dịch COVID-19 2020–2022.
  • Giới hạn kỹ thuật: Nghiên cứu giới hạn ở các mô hình tĩnh dạng bảng; chưa áp dụng phương pháp ước lượng Moment Tổng quát dạng Động (System GMM) để giải quyết triệt để biến nội sinh trễ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh hiệu năng và độ tin cậy giữa các phương pháp tiếp cận kinh tế lượng trong việc phân tích rủi ro ngân hàng:

Tiêu chí phân tích Hồi quy Bình phương Tối thiểu Gộp (Pooled OLS) Mô hình Tác động Cố định/Ngẫu nhiên (FEM/REM) Mô hình Hồi quy Phi tuyến Bậc hai (Quadratic Panel FEM/REM)
Xử lý đặc trưng riêng ngân hàng ($u_i$) Bỏ qua, giả định đồng nhất giữa các ngân hàng Kiểm soát đặc trưng cố định hoặc ngẫu nhiên của từng NHTMCP Kiểm soát đặc trưng ngân hàng kết hợp dạng hàm phi tuyến
Xử lý hiện tượng phi tuyến Giới hạn ở giả định tuyến tính ($y = \beta x$) Giới hạn ở giả định tuyến tính đa biến Tích hợp biến bậc hai ($LOAN^2$) để xác định điểm cực trị
Kiểm soát phương sai thay đổi & tự tương quan Rất yếu, ước lượng chệch khi có $p < 0.05$ Khắc phục được tương quan chuỗi qua kiểm định Hausman Tối ưu hóa sai số chuẩn vững (Robust Standard Errors)
Khả năng giải thích hiện tượng kinh tế Thấp, không phản ánh sự thay đổi biên Trung bình, chỉ ra xu hướng đơn chiều Rất cao, chứng minh hiệu ứng biên tăng/giảm dần

Bảng ưu tiên yêu cầu phân tích theo khung MoSCoW

Must have (Bắt buộc phải có):

Should have (Nên có):

Could have (Có thể mở rộng):

Won't have (Chưa thực hiện trong phạm vi này):

Thiết kế hệ thống mô hình kinh tế lượng

Hệ thống phương trình hồi quy tuyến tính và phi tuyến bậc hai được thiết lập chuẩn hóa như sau:

$$\begin{aligned} \text{NPL}{it} &= \alpha_0 + \alpha_1 \text{LOAN}{it} + \alpha_2 \text{LOAN}{it}^2 + \alpha_3 \text{EFF}{it} + \alpha_4 \text{LLP}{it} + \alpha_5 \text{EA}{it} + \alpha_6 \text{SIZE}{it} + \alpha_7 \text{GDP}{t} + \alpha_8 \text{CPI}{t} + \varepsilon{it} \ \text{ROA}{it} &= \beta_0 + \beta_1 \text{LOAN}{it} + \beta_2 \text{LOAN}{it}^2 + \beta_3 \text{EFF}{it} + \beta_4 \text{LLP}{it} + \beta_5 \text{EA}{it} + \beta_6 \text{SIZE}{it} + \beta_7 \text{GDP}{t} + \beta_8 \text{CPI}{t} + \delta{it} \end{aligned}$$

Technology Stack & Môi trường thực thi

  • Phần mềm phân tích kinh tế lượng: Stata v17.0 MP (Multi-Processor) / Python v3.10.12.
  • Thư viện tính toán & dữ liệu: pandas v2.1.4, numpy v1.26.2, statsmodels v0.14.1, linearmodels v5.3 (Panel OLS, RandomEffects, FirstDifference).
  • Môi trường cơ sở dữ liệu: Dữ liệu tài chính trích xuất từ Báo cáo tài chính hợp nhất kiểm toán, FiinPro Data Portal giai đoạn 2007–2022.

Implementation và kết quả

Development Process & Xử lý mã nguồn

Quy trình xử lý dữ liệu và ước lượng mô hình được chuẩn hóa theo mã lệnh phân tích dữ liệu bảng dưới đây (minh họa bằng Stata và Python linearmodels):

import numpy as np
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Đọc và thiết lập Panel Index
df = pd.read_csv("vietnam_commercial_banks_2007_2022.csv")
df['Year'] = pd.to_datetime(df['Year'], format='%Y')
df = df.set_index(['Bank_ID', 'Year'])

# 2. Xây dựng các biến tài chính
df['NPL'] = df['NPL_Absolute'] / df['Total_Gross_Loans']
df['ROA'] = df['Net_Profit_After_Tax'] / df['Total_Assets']
df['LOAN'] = df.groupby(level=0)['Total_Gross_Loans'].pct_change()
df['LOAN_SQ'] = df['LOAN'] ** 2
df['EFF'] = df['Operating_Expenses'] / df['Operating_Income']
df['LLP'] = df['Provision_Expenses'] / df['Total_Gross_Loans']
df['EA'] = df['Total_Equity'] / df['Total_Assets']
df['SIZE'] = np.log(df['Total_Assets'])

# Loại bỏ giá trị Null phát sinh do sai phân bậc 1
df_clean = df.dropna(subset=['NPL', 'ROA', 'LOAN', 'LOAN_SQ', 'EFF', 'LLP', 'EA', 'SIZE', 'GDPGr', 'CPI'])

# 3. Ước lượng Mô hình Phi tuyến cho Rủi ro tín dụng (NPL - Random Effects)
exog_vars_npl = ['LOAN', 'LOAN_SQ', 'EFF', 'LLP', 'EA', 'SIZE', 'GDPGr', 'CPI']
mod_npl = RandomEffects(df_clean['NPL'], df_clean[exog_vars_npl])
res_npl = mod_npl.fit(cov_type='robust')

# 4. Ước lượng Mô hình Phi tuyến cho Hiệu quả tài chính (ROA - Fixed Effects)
mod_roa = PanelOLS(df_clean['ROA'], df_clean[exog_vars_npl], entity_effects=True)
res_roa = mod_roa.fit(cov_type='clustered', cluster_entity=True)

print(res_npl.summary)
print(res_roa.summary)

* Thiết lập dữ liệu bảng trong Stata 17
tsset bank_id year

* Kiểm định đa cộng tuyến
regress npl loan eff llp ea size gdp cpi
vif

* Ước lượng NPL với mô hình REM và kiểm định phi tuyến
xtreg npl loan loan_sq eff llp ea size gdp cpi, re
estimates store rem_npl

* Ước lượng ROA với mô hình FEM và kiểm định phi tuyến
xtreg roa loan loan_sq eff llp ea size gdp cpi, fe
estimates store fem_roa

* Kiểm định Hausman lựa chọn mô hình
hausman fem_npl rem_npl
hausman fem_roa rem_roa

Testing và Validation: Kết quả kiểm định chẩn đoán

Mẫu nghiên cứu đạt 320 quan sát ($N = 320$), vượt xa chuẩn tối thiểu theo công thức Green (1991) ($n > 50 + 8m = 106$) và Tabachnick & Fidell (2007) ($n > 104 + m = 111$ với $m=7$ biến giải thích). Các kiểm định chẩn đoán mô hình được tổng hợp chi tiết:

Danh mục kiểm định Thống kê kiểm định ($F$ / $\chi^2$) Giá trị $p$-value Kết luận thống kê & Biện pháp xử lý
Kiểm định White (NPL) $F = 0.7671$; $\text{Obs} \times R^2 = 40.12$ $p > 0.05$ ($\chi^2(35)$) Phương sai sai số đồng nhất (Homoskedasticity)
Kiểm định White (ROA) $F = 8.0000$; $\text{Obs} \times R^2 = 57.84$ $p = 0.009^{***}$ Có hiện tượng phương sai thay đổi $\rightarrow$ Dùng FEM Robust SE
Breusch-Godfrey (NPL) $F = 6.0025$; $\text{Prob} > \chi^2 = 0.003$ $p < 0.01^{***}$ Có hiện tượng tự tương quan bậc 2 $\rightarrow$ Ước lượng REM hiệu chỉnh
Breusch-Godfrey (ROA) $F = 161.000$; $\text{Prob} > \chi^2 = 0.000$ $p < 0.01^{***}$ Tự tương quan chuỗi nghiêm trọng $\rightarrow$ Áp dụng Clustered SE
Kiểm định Breusch-Pagan LM $\chi^2 = 13.186$ (NPL); $\chi^2 = 18.45$ (ROA) $p < 0.01^{***}$ Bác bỏ Pooled OLS, chấp nhận sự tồn tại hiệu ứng bảng
Kiểm định Hausman $\chi^2 = 4.12$ ($p = 0.654$) cho NPL; $\chi^2 = 10.926$ ($p < 0.01$) cho ROA $p > 0.05$ (NPL) / $p < 0.01$ (ROA) Chọn REM cho mô hình RRTD; Chọn FEM cho mô hình ROA
Hệ số phóng đại phương sai (VIF) $\text{Max VIF} = 2.41$ (Cặp SIZE & EA có $r = 74.3%$) $\text{Mean VIF} < 2.0$ Hoàn toàn không vi phạm hiện tượng đa cộng tuyến nghiêm trọng

Kết quả ước lượng hồi quy thực nghiệm

Bảng tổng hợp hệ số hồi quy mô hình Tuyến tính và Phi tuyến (320 quan sát):

Biến độc lập Mô hình [1]: NPL (Tuyến tính - REM) Mô hình [2]: NPL (Phi tuyến - REM) Mô hình [3]: ROA (Tuyến tính - FEM) Mô hình [4]: ROA (Phi tuyến - FEM)
Hằng số ($C$) $0.011^{***}$ ($t = 3.12$) $0.014^{***}$ ($t = 3.45$) $0.008^{**}$ ($t = 2.11$) $0.006^{*}$ ($t = 1.89$)
LOAN $-0.050^{**}$ ($p < 0.05$) $-0.010^{***}$ ($p < 0.01$) $+0.034^{**}$ ($p < 0.05$) $+0.010^{***}$ ($p < 0.01$)
LOAN^2 — $+0.028^{**}$ ($p < 0.05$) — $-0.019^{***}$ ($p < 0.01$)
EFF (Cost/Income) $+0.042^{***}$ ($p < 0.01$) $+0.039^{***}$ ($p < 0.01$) $-0.015^{*}$ ($p < 0.10$) $-0.018^{**}$ ($p < 0.05$)
LLP (Dự phòng) $+0.185^{***}$ ($p < 0.01$) $+0.179^{***}$ ($p < 0.01$) $-0.062^{***}$ ($p < 0.01$) $-0.058^{***}$ ($p < 0.01$)
EA (Vốn hóa) $+0.004$ ($p > 0.10$) $+0.003$ ($p > 0.10$) $+0.045^{**}$ ($p < 0.05$) $+0.041^{**}$ ($p < 0.05$)
SIZE (Quy mô) $-0.002^{*}$ ($p < 0.10$) $-0.002^{*}$ ($p < 0.10$) $+0.005^{**}$ ($p < 0.05$) $+0.004^{**}$ ($p < 0.05$)
GDPGr $-0.031^{**}$ ($p < 0.05$) $-0.029^{**}$ ($p < 0.05$) $+0.012^{**}$ ($p < 0.05$) $+0.014^{**}$ ($p < 0.05$)
CPI $+0.018^{*}$ ($p < 0.10$) $+0.017^{*}$ ($p < 0.10$) $-0.008$ ($p > 0.10$) $-0.007$ ($p > 0.10$)
$R^2$ Điều chỉnh $0.284$ $0.342$ $0.315$ $0.386$
Kiểm định $F$ / Wald $11.694^{***}$ $14.218^{***}$ $12.875^{***}$ $15.632^{***}$

Ghi chú: $^{}$, $^{}$, $^{}$ lần lượt tương ứng với mức ý nghĩa thống kê 1%, 5%, 10%.

Đổi mới và đóng góp

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

So sánh với các công trình nghiên cứu tiền nhiệm

Đặc tính nghiên cứu Ghosh (2017) Louzis & cộng sự (2012) Công trình nghiên cứu này (2023)
Thị trường mục tiêu 100 NHTM Hoa Kỳ Ngân hàng Hy Lạp 23 NHTMCP Việt Nam (Thị trường mới nổi)
Kỹ thuật phi tuyến Không (Chỉ xem xét hồi quy tuyến tính) Không (Phân tích tuyến tính động) Có (Đưa biến bậc hai $LOAN^2$ vào cả hai phương trình)
Độ bao phủ chu kỳ 1992–2016 2003–2009 2007–2022 (Bao gồm khủng hoảng 2008 & COVID-19)
Phát hiện cấu trúc CAR cao tăng rủi ro đạo đức NPL tăng mạnh khi GDP giảm Tồn tại hiệu ứng biên đảo chiều của tốc độ tín dụng

Các cải tiến định lượng then chốt

  1. Chứng minh hiện tượng hiệu ứng biên tăng dần của rủi ro tín dụng: Ở mức tăng trưởng dư nợ ban đầu, hệ số $\alpha_1 = -0.010$ ($p < 0.01$) giúp pha loãng nợ xấu tạm thời; tuy nhiên biến bậc hai $\alpha_2 = +0.028$ ($p < 0.05$) khẳng định khi vượt qua điểm uốn, nợ xấu sẽ tích tụ theo cấp số lũy thừa do hạ chuẩn phê duyệt.
  2. Chứng minh hiệu ứng biên giảm dần của lợi nhuận tài chính: Ban đầu, mở rộng tín dụng kích thích thu nhập lãi thuần ($\beta_1 = +0.010$, $p < 0.01$), nhưng việc mở rộng quá mức kéo theo chi phí dự phòng và nợ xấu khiến lợi nhuận suy thoái nhanh chóng ($\beta_2 = -0.019$, $p < 0.01$).
  3. Củng cố giả thuyết "Quản lý kém" (Bad Management Hypothesis): Hệ số EFF mang dấu dương với NPL ($+0.039$) và âm với ROA ($-0.018$) với mức ý nghĩa $1%$, phản ánh các ngân hàng có tỷ lệ chi phí trên thu nhập (CIR) cao thường đi kèm năng lực sàng lọc tài sản bảo đảm yếu kém.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp khung cơ sở dữ liệu định lượng phục vụ trực tiếp cho quá trình chuyển đổi số và quản trị rủi ro tại các ngân hàng thương mại:

Kịch bản ứng dụng trong thực tế ngân hàng

  • Xác lập "Hạn mức Tín dụng Tối ưu" (Optimal Credit Quota): Hội đồng Quản trị và Khối Quản lý Rủi ro có thể xác định điểm cực đại của hàm parabol $ROA = f(LOAN)$ nhằm đặt chỉ tiêu tăng trưởng tín dụng hàng năm không vượt qua ngưỡng đảo chiều rủi ro.
  • Tối ưu hóa Chi phí Vận hành (Cost-to-Income Optimization): Giảm tỷ lệ CIR thông qua tự động hóa quy trình tín dụng số (Digital Lending Workflow), giúp cải thiện trực tiếp $3{,}9%$ tỷ lệ an toàn nợ xấu.
  • Chiến lược Bộ đệm Vốn (Capital Buffer Strategy): Ngân hàng có tỷ lệ $EA > 10%$ (như Vietcombank, ACB, Techcombank) duy trì khả năng hấp thụ sốc nợ xấu tốt hơn và tạo đòn bẩy gia tăng $ROA$ thêm $4{,}1%$ so với các ngân hàng mỏng vốn.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

Ước tính Chi phí Triển khai Hệ thống Cảnh báo Sớm Rủi ro Tín dụng (Early Warning System):
Tổng vốn đầu tư ban đầu: 2.800.000.000 VNĐ

Lợi ích Thu được (Ước tính cho Ngân hàng Quy mô Dư nợ 150.000 tỷ VNĐ):
Tỷ suất hoàn vốn nội bộ (IRR dự kiến 3 năm): > 280%

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Cỡ mẫu: Dữ liệu thu thập dừng lại ở 23 NHTMCP; chưa tích hợp được nhóm ngân hàng 100% vốn nước ngoài và các ngân hàng thương mại yếu kém thuộc diện kiểm soát đặc biệt do giới hạn công bố thông tin.
  • Đặc tính trễ nội sinh: Mô hình hồi quy tĩnh (Static Panel) chưa giải quyết triệt để biến trễ nội sinh của biến phụ thuộc ($NPL_{it-1}$ và $ROA_{it-1}$).
  • Biến số vĩ mô: Chưa đưa vào các chỉ số phức tạp như tỷ giá hối đoái thực đa phương (REER), chỉ số giá bất động sản, hay biến động thị trường trái phiếu doanh nghiệp.

Hướng nghiên cứu tiếp theo

  1. Ứng dụng Mô hình Bảng Động GMM (Difference/System GMM - Arellano & Bover / Blundell & Bond): Kiểm soát triệt để hiện tượng nội sinh và hiện tượng tự tương quan chuỗi bậc cao.
  2. Tích hợp Thuật toán Học máy (Machine Learning Panel Regression): Ứng dụng XGBoost, Random Forest và Mạng nơ-ron nhân tạo (ANN) song song với mô hình kinh tế lượng truyền thống để phát hiện các mối quan hệ phi tuyến đa chiều.
  3. Mở rộng sang Phân tích Stress-Testing: Mô phỏng các kịch bản áp lực kinh tế vĩ mô cực đoan tác động đến tỷ lệ an toàn vốn (CAR) theo chuẩn mực Basel III.

Đối tượng hưởng lợi

Lợi ích định lượng cụ thể theo từng nhóm

  • Sinh viên & Học viên Cao học: Sở hữu tài liệu tham khảo chi tiết về quy trình hồi quy dữ liệu bảng (Panel Data), từ thống kê mô tả, kiểm định khuyết tật mô hình đến đọc hiểu hệ số phi tuyến.
  • Chuyên viên Phân tích Rủi ro (Credit Risk Analysts): Ứng dụng trực tiếp cấu trúc biến số (EFF, LLP, EA, SIZE) vào mô hình xếp hạng tín dụng nội bộ và định lượng tổn thất kỳ vọng (ECL).
  • Ban Điều hành NHTMCP: Nhận diện ngưỡng tăng trưởng tín dụng tới hạn, giúp gia tăng tỷ suất sinh lời $ROA$ từ $0{,}010$ lên mức tối ưu trước khi bị suy giảm bởi chi phí dự phòng.
  • Cơ quan Quản lý Nhà nước (Ngân hàng Nhà nước): Có thêm luận cứ khoa học để phân bổ hạn mức tăng trưởng tín dụng ("Room tín dụng") linh hoạt dựa trên sức khỏe vốn hóa (EA) và năng lực quản trị chi phí (EFF) của từng định chế.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và cấu hình dữ liệu để triển khai mô hình hồi quy bảng này là gì?

Hệ thống yêu cầu dữ liệu bảng có cấu trúc tối thiểu $N \ge 20$ định chế qua thời gian $T \ge 10$ năm để đảm bảo bậc tự do (Degrees of Freedom). Môi trường phần mềm yêu cầu Stata phiên bản 15 trở lên hoặc Python 3.9+ tích hợp các gói linearmodels, statsmodels. Định dạng dữ liệu đầu vào phải được định danh theo cặp chỉ số định danh Entity (Mã ngân hàng) và Time (Năm tài chính), loại bỏ các giá trị dị biệt (Outliers) bằng phương pháp Winsorization ở mức $1%$ và $99%$.

2. Làm thế nào để xác định điểm đảo chiều (Inflection Point) chính xác của tốc độ tăng trưởng tín dụng?

Điểm đảo chiều được tính bằng cách lấy đạo hàm bậc nhất của phương trình hồi quy theo biến LOAN và gán giá trị bằng 0:

$$\frac{\partial \text{NPL}}{\partial \text{LOAN}} = \alpha_1 + 2\alpha_2 \text{LOAN}^* = 0 \implies \text{LOAN}^*_{\text{NPL}} = -\frac{\alpha_1}{2\alpha_2}$$

$$\frac{\partial \text{ROA}}{\partial \text{LOAN}} = \beta_1 + 2\beta_2 \text{LOAN}^* = 0 \implies \text{LOAN}^*_{\text{ROA}} = -\frac{\beta_1}{2\beta_2}$$

Dựa trên hệ số thực nghiệm ($\alpha_1 = -0.010, \alpha_2 = +0.028$ và $\beta_1 = +0.010, \beta_2 = -0.019$), ngân hàng có thể xác định chính xác dải tốc độ tăng trưởng cho vay tối ưu hóa lợi nhuận mà vẫn duy trì nợ xấu dưới ngưỡng kiểm soát.

3. Tại sao kiểm định Hausman lại chọn mô hình REM cho NPL nhưng lại chọn FEM cho ROA?

Kiểm định Hausman kiểm tra giả thuyết $H_0$: Không có sự tương quan giữa sai số ngẫu nhiên của từng cá thể ($u_i$) và các biến giải thích ($X_{it}$). Đối với mô hình NPL, giá trị $p\text{-value} = 0.654 > 0.05$, không bác bỏ $H_0$, cho thấy ước lượng REM mang lại hiệu quả thống kê (Efficiency) cao hơn. Ngược lại, đối với mô hình ROA, $p\text{-value} = 0.000 < 0.01$, bác bỏ hoàn toàn $H_0$, chứng tỏ tồn tại đặc trưng cố định không quan sát được của từng ngân hàng tương quan với biến giải thích, buộc phải sử dụng FEM để tránh ước lượng bị chệch (Inconsistent).

4. Chi phí dự phòng rủi ro tín dụng (LLP) tác động như thế nào đến khả năng sinh lời của ngân hàng?

Hệ số hồi quy thực nghiệm khẳng định biến LLP có tác động nghịch chiều rất mạnh đến ROA ($\beta_4 = -0.058, p < 0.01$). Khi tỷ lệ trích lập dự phòng tăng $1%$, lợi nhuận trên tổng tài sản giảm tương ứng $0{,}058%$. Điều này phản ánh chi phí dự phòng là khoản giảm trừ trực tiếp vào lợi nhuận trước thuế; khi chất lượng tín dụng suy giảm, chi phí này sẽ bào mòn toàn bộ thành quả tăng trưởng doanh thu từ lãi.

5. Tại sao các ngân hàng có tỷ lệ vốn hóa (EA) cao lại có hiệu quả hoạt động tài chính vượt trội hơn?

Hệ số biến EA mang dấu dương có ý nghĩa thống kê đối với ROA ($\beta_5 = +0.041, p < 0.05$). Vốn chủ sở hữu lớn đóng vai trò là nguồn vốn tự có không chịu áp lực chi phí lãi huy động, giúp giảm chi phí vốn bình quân (WACC), đồng thời củng cố uy tín tín nhiệm của ngân hàng trên thị trường liên ngân hàng, giúp tiếp cận nguồn vốn giá rẻ và gia tăng biên lãi ròng (NIM).

Kết luận

Công trình nghiên cứu đã làm sáng tỏ một cách toàn diện và có căn cứ khoa học vững chắc về sự tác động của tăng trưởng tín dụng đến rủi ro tín dụng và hiệu quả hoạt động tài chính tại 23 NHTMCP Việt Nam giai đoạn 2007–2022. Bằng việc áp dụng các mô hình kinh tế lượng chuẩn tắc kết hợp hàm bậc hai, đề tài đã chứng minh bản chất phi tuyến của hoạt động mở rộng tín dụng: Tăng trưởng tín dụng đem lại lợi ích kép về mặt gia tăng sinh lời và phân tán rủi ro trong giai đoạn đầu, nhưng sẽ nhanh chóng kích hoạt hiệu ứng biên rủi ro tăng dần và suy giảm hiệu quả sinh lời khi vượt qua ngưỡng an toàn.

Bên cạnh đó, các phát hiện thực nghiệm về tác động tiêu cực của chỉ số chi phí vận hành kém hiệu quả (EFF) và chi phí dự phòng (LLP), cùng lợi thế đệm an toàn từ tỷ lệ vốn hóa (EA) đã cung cấp bức tranh toàn cảnh về năng lực quản trị ngân hàng hiện đại. Đây là nguồn tài liệu tham khảo giá trị cho các nhà hoạch định chính sách tiền tệ tại Ngân hàng Nhà nước, các nhà quản trị rủi ro ngân hàng thương mại, cũng như cộng đồng nghiên cứu kinh tế - tài chính.

Để tối ưu hóa danh mục tài sản và bảo đảm tăng trưởng bền vững trong kỷ nguyên số, các NHTMCP cần chủ động chuyển đổi từ chiến lược mở rộng tín dụng theo chiều rộng sang nâng cao chất lượng tín dụng theo chiều sâu, tích hợp hệ thống cảnh báo sớm dựa trên dữ liệu lớn và tuân thủ nghiêm ngặt các quy chuẩn an toàn vốn quốc tế.