Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn là thách thức cốt lõi đe dọa trực tiếp đến tính thanh khoản, an toàn vốn và sự sống còn của hệ thống ngân hàng thương mại. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), sau giai đoạn tích tụ rủi ro đỉnh điểm vào năm 2012 với tỷ lệ nợ xấu vọt lên mức trên 4% và các vụ can thiệp đặc biệt như mua lại ngân hàng 0 đồng (điển hình OceanBank năm 2014 với tỷ lệ nợ xấu 49,84%), hệ thống tài chính Việt Nam đã chứng kiến quá trình tái cơ cấu mạnh mẽ. Mặc dù tỷ lệ nợ xấu nội bảng từng giảm xuống 1,89% vào năm 2019, đại dịch COVID-19 và biến động kinh tế vĩ mô đã khiến nợ xấu tăng trở lại hơn 30% trong năm 2020.

Đề tài khóa luận tốt nghiệp "Các yếu tố tác động đến nợ xấu của các Ngân hàng Thương mại Cổ phần Việt Nam" do sinh viên Nguyễn Thị Ngọc Thắm thực hiện dưới sự hướng dẫn khoa học của PGS. Lê Đình Hạc (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) tập trung giải quyết bài toán định lượng rủi ro tín dụng. Đề tài xây dựng khung phân tích thực nghiệm dựa trên dữ liệu bảng (panel data) của 22 Ngân hàng Thương mại Cổ phần (NHTMCP) niêm yết trong giai đoạn 11 năm (2011–2021), tổng hợp 242 quan sát đồng nhất.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định các yếu tố nội tại và vĩ mô chi phối trực tiếp đến nợ xấu ngân hàng dựa trên cơ sở lý thuyết thông tin bất cân xứng và chu kỳ kinh doanh.
  2. Đo lường định lượng chiều hướng và biên độ tác động thông qua mô hình kinh tế lượng dữ liệu bảng đa biến.
  3. Kiểm định và khắc phục triệt để các khuyết tật mô hình (phương sai sai số thay đổi, tự tương quan bậc một) để bảo đảm tính không chệch và hiệu quả của các ước lượng.
  4. Đề xuất khuyến nghị chính sách nhằm tối ưu hóa công tác quản trị rủi ro tín dụng cho ban điều hành các NHTMCP.

Phạm vi nghiên cứu giới hạn ở 22 NHTMCP duy trì hoạt động liên tục và công bố đầy đủ báo cáo tài chính đã kiểm toán giai đoạn 2011–2021. Hạn chế nghiên cứu nằm ở việc chưa mở rộng sang khối ngân hàng thương mại 100% vốn nhà nước và ngân hàng liên doanh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích nợ xấu truyền thống tại nhiều NHTMCP Việt Nam chủ yếu dựa trên thống kê mô tả đơn biến hoặc đánh giá định tính theo từng đợt kiểm tra nội bộ, dẫn đến độ trễ lớn và thiếu tính liên kết đa chiều giữa các biến số nội tại và kinh tế vĩ mô.

Phương pháp tiếp cận Ưu điểm Nhược điểm Khả năng khắc phục trong đề tài
Pooled OLS (Bình phương tối thiểu gộp) Đơn giản, dễ ước lượng tham số, trực quan. Bỏ qua đặc trưng riêng biệt không quan sát được của từng ngân hàng ($u_i$). Dùng làm mô hình đối chứng cơ sở ban đầu.
FEM (Fixed Effects Model) Kiểm soát hoàn toàn các đặc tính cố định bất biến theo thời gian của từng NHTM. Dễ bị vi phạm giả định phương sai sai số không đổi và không tự tương quan. Áp dụng kiểm định Wald và Wooldridge để phát hiện vi phạm.
REM (Random Effects Model) Tiết kiệm bậc tự do, phù hợp khi mẫu lớn ngẫu nhiên. Giả định sai số ngẫu nhiên không tương quan với biến giải thích dễ bị bác bỏ. Kiểm định Hausman ($p < 0.05$) chứng minh FEM vượt trội hơn REM.
FGLS (Feasible Generalized Least Squares) Ước lượng vững, hiệu quả, xử lý đồng thời Heteroskedasticity và Autocorrelation. Phức tạp hơn trong tính toán ma trận hiệp phương sai sai số. Lựa chọn tối ưu cuối cùng của nghiên cứu.

Yêu cầu kỹ thuật của giải pháp phân tích được chuẩn hóa theo mô hình MoSCoW:

  • Must-have: Khung thu thập dữ liệu bảng chuẩn hóa (22 ngân hàng $\times$ 11 năm); Kiểm định VIF, Hausman, Modified Wald, Wooldridge; Ước lượng FGLS.
  • Should-have: Xử lý biến trễ nợ xấu $NPL_{i,t-1}$ để phản ánh tính quán tính rủi ro; Ma trận tương quan Pearson giữa các biến.
  • Could-have: Mở rộng đối chiếu với chuẩn mực kế toán quốc tế IFRS 9 và Thông tư 11/2021/TT-NHNN.
  • Won't-have: Dự báo chuỗi thời gian bằng Machine Learning phi cấu trúc (dành cho các giai đoạn nghiên cứu tiếp theo).

Thiết kế hệ thống và mô hình định lượng

Mô hình nghiên cứu kinh tế lượng tổng quát được xác định như sau:

$$NPL_{i,t} = \beta_0 + \beta_1 NPL1_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 ROE_{i,t} + \beta_4 LLR_{i,t} + \beta_5 LG_{i,t} + \beta_6 GDP_t + \beta_7 INF_t + \varepsilon_{i,t}$$

Trong đó:

  • $NPL_{i,t}$: Tỷ lệ nợ xấu (Nợ nhóm 3 + 4 + 5 trên Tổng dư nợ theo chuẩn VAS) của ngân hàng $i$ tại năm $t$ (%).
  • $NPL1_{i,t-1}$: Tỷ lệ nợ xấu kỳ trước trễ 1 năm của ngân hàng $i$ (%).
  • $SIZE_{i,t}$: Quy mô ngân hàng, đo bằng $\ln(\text{Tổng tài sản bình quân})$.
  • $ROE_{i,t}$: Tỷ suất sinh lời trên vốn chủ sở hữu ($\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân} \times 100%$).
  • $LLR_{i,t}$: Tỷ lệ dự phòng rủi ro tín dụng ($\text{Chi phí dự phòng} / \text{Tổng dư nợ} \times 100%$).
  • $LG_{i,t}$: Tốc độ tăng trưởng tín dụng ($\Delta \text{Dư nợ cho vay} / \text{Dư nợ năm trước} \times 100%$).
  • $GDP_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội Việt Nam tại năm $t$ (%).
  • $INF_t$: Tỷ lệ lạm phát đo lường bằng biến động chỉ số giá tiêu dùng (CPI) tại năm $t$ (%).

Công nghệ và môi trường thực thi:

  • Công cụ phân tích dữ liệu: Stata 17.0 MP (Multi-Core Processing).
  • Hệ thống bảng tính tiền xử lý: Microsoft Excel 365 (Data Cleaning & Normalization).
  • Cơ sở dữ liệu: Báo cáo tài chính kiểm toán 22 NHTMCP, cổng thông tin Ngân hàng Nhà nước (SBV), World Bank Open Data, International Monetary Fund (IMF IFS Database).

Methodology

Quy trình nghiên cứu áp dụng khung chuẩn 8 bước của Kinh tế lượng Thực nghiệm (Empirical Econometrics Pipeline):

  1. Lược khảo lý thuyết: Tổng hợp cơ sở lý luận (Akerlof 1970, Berger & DeYoung 1997, Salas & Saurina 2002).
  2. Xây dựng mô hình & giả thuyết: Xác lập 7 giả thuyết nghiên cứu ($H_1$ đến $H_7$).
  3. Thu thập và làm sạch dữ liệu: Trích xuất 242 quan sát từ BCTC và chỉ số vĩ mô.
  4. Thống kê mô tả: Phân tích Mean, Min, Max, Standard Deviation của 8 biến số.
  5. Ma trận tương quan: Đánh giá Pearson correlation và kiểm tra sớm hiện tượng đa cộng tuyến.
  6. Ước lượng hồi quy đa biến: Thực thi Pooled OLS, Fixed Effects (FEM), Random Effects (REM) và kiểm định Hausman.
  7. Kiểm định khuyết tật mô hình: Thực hiện kiểm định VIF, Wooldridge (AR1), Modified Wald test (Heteroskedasticity).
  8. Hiệu chỉnh FGLS & Khuyến nghị: Ước lượng mô hình hoàn thiện bằng FGLS và thảo luận kết quả.

Implementation và kết quả

Development Process & Stata Implementation Script

Dưới đây là kịch bản phân tích kinh tế lượng hoàn chỉnh được xây dựng trên môi trường Stata 17.0:

* ==============================================================================
* SCRIPT: PHAN TICH CAC YEU TO TAC DONG DEN NO XAU NHTMCP VIET NAM (2011-2021)
* TAC GIA: NGUYEN THI NGOC THAM - HDKH: PGS. LE DINH HAC
* ==============================================================================

* 1. Thiet lap du lieu bang (Panel Data Setup)
clear all
set more off
import excel "data_npl_22banks.xlsx", sheet("Data") firstrow
destring _all, replace
xtset bank_id year

* 2. Thong ke mo ta va Ma tran tuong quan
summarize npl npl1 size roe llr lg gdp inf
corr npl npl1 size roe llr lg gdp inf

* 3. Uoc luong mo hinh co so Pooled OLS & Kiem dinh Da cong tuyen
regress npl npl1 size roe llr lg gdp inf
vif

* 4. Uoc luong mo hinh Tac dong co dinh (FEM) va Tac dong ngau nhien (REM)
xtreg npl npl1 size roe llr lg gdp inf, fe
estimates store fixed_model

xtreg npl npl1 size roe llr lg gdp inf, re
estimates store random_model

* 5. Kiem dinh Hausman lua chon giua FEM va REM
hausman fixed_model random_model

* 6. Kiem dinh khuyet tat tren mo hinh FEM duoc lua chon
* 6.1 Kiem dinh tu tuong quan bac 1 (Wooldridge test)
xtserial npl npl1 size roe llr lg gdp inf

* 6.2 Kiem dinh phuong sai sai so thay doi (Modified Wald test)
xttest3

* 7. Uoc luong mo hinh FGLS khac phuc khuyet tat
xtgls npl npl1 size roe llr lg gdp inf, panels(hetero) corr(ar1)

Testing và Validation: Kết quả kiểm định thống kê

Quá trình thực nghiệm đã tiến hành lần lượt các kiểm định chẩn đoán mô hình:

  1. Kiểm tra đa cộng tuyến (Multicollinearity): Kiểm định hệ số phóng đại phương sai (Variance Inflation Factor - VIF) cho thấy tất cả các biến độc lập đều có hệ số $\text{VIF} < 2.5$ (trung bình $\text{Mean VIF} = 1.42$, nhỏ hơn rất nhiều so với ngưỡng cảnh báo 10.0), khẳng định không xảy ra hiện tượng đa cộng tuyến.
  2. Kiểm định Hausman (Hausman Specification Test):
    • Giả thuyết $H_0$: Mô hình tác động ngẫu nhiên (REM) là phù hợp.
    • Kết quả: Thống kê $\chi^2 = 32.84$, giá trị $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$, kết luận mô hình tác động cố định (FEM) là mô hình phù hợp nhất trong nhóm mô hình cổ điển.
  3. Kiểm định hiện tượng tự tương quan (Wooldridge Test): Giá trị $F\text{-statistic} = 18.62$, $p\text{-value} = 0.0003 < 0.05 \rightarrow$ Mô hình FEM tồn tại hiện tượng tự tương quan bậc một AR(1).
  4. Kiểm định phương sai sai số thay đổi (Modified Wald Test): Thống kê $\chi^2 = 1247.56$, $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ giả thuyết phương sai đồng nhất, xác nhận mô hình FEM vi phạm khuyết tật phương sai sai số thay đổi.
  5. Hiệu chỉnh bằng FGLS: Phương pháp FGLS (xtgls, panels(hetero) corr(ar1)) đã triệt tiêu hoàn toàn các sai số chuẩn bị bóp méo, đảm bảo các hệ số ước lượng vững và đạt hiệu quả cao nhất.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng từ mô hình hồi quy FGLS:

| Biến độc lập | Ký hiệu | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $P > |z|$ | Kết luận thống kê (Mức ý nghĩa 5%) | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Nợ xấu kỳ trước | $NPL1_{t-1}$ | $+0.4285$ | $0.0412$ | $10.40$ | $0.0000$ | Tác động cùng chiều ($p < 0.01$) | | Quy mô ngân hàng | $SIZE$ | $+0.0418$ | $0.0385$ | $1.09$ | $0.2770$ | Không có ý nghĩa thống kê | | Tỷ suất sinh lời VCSH | $ROE$ | $-0.0234$ | $0.0078$ | $-3.00$ | $0.0027$ | Tác động ngược chiều ($p < 0.01$) | | Dự phòng rủi ro tín dụng| $LLR$ | $+0.0512$ | $0.0431$ | $1.19$ | $0.2350$ | Không có ý nghĩa thống kê | | Tăng trưởng tín dụng | $LG$ | $-0.0116$ | $0.0042$ | $-2.76$ | $0.0058$ | Tác động ngược chiều ($p < 0.01$) | | Tăng trưởng kinh tế | $GDP$ | $-0.0315$ | $0.0248$ | $-1.27$ | $0.2040$ | Không có ý nghĩa thống kê | | Tỷ lệ lạm phát | $INF$ | $+0.0489$ | $0.0195$ | $2.51$ | $0.0121$ | Tác động cùng chiều ($p < 0.05$) | | Hệ số chặn | $\beta_0$ | $+0.6521$ | $0.2814$ | $2.32$ | $0.0204$ | Có ý nghĩa thống kê |

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ rệt về cả phương pháp luận định lượng và bằng chứng thực nghiệm tại thị trường ngân hàng Việt Nam:

  1. Minh chứng thực nghiệm vững chắc về tính quán tính nợ xấu: Hệ số $\beta_1 = +0.4285$ ($p = 0.0000$) khẳng định nợ xấu kỳ trước là yếu tố tác động mạnh mẽ nhất đến nợ xấu kỳ hiện tại. Điều này chứng minh rằng sự trì trệ trong xử lý nợ đọng, thẩm định tài sản bảo đảm thiếu dứt khoát và phân loại nợ chưa chuẩn xác sẽ kéo dài rủi ro tín dụng sang các chu kỳ kinh doanh kế tiếp.
  2. Làm rõ tác động ngược chiều của Tăng trưởng tín dụng ($LG$): Khác với một số nghiên cứu tại châu Âu (Salas & Saurina 2002; Klein 2013) cho rằng tăng trưởng tín dụng nóng làm tăng nợ xấu, nghiên cứu này chứng minh tại Việt Nam giai đoạn 2011–2021, $LG$ có hệ số âm ($\beta = -0.0116$, $p = 0.0058$). Hiện tượng này phản ánh "hiệu ứng pha loãng mẫu số" (tổng dư nợ tăng nhanh làm giảm tỷ lệ phần trăm $NPL$) kết hợp với chính sách kiểm soát room tín dụng chặt chẽ của NHNN giúp chất lượng giải ngân mới được chọn lọc tốt hơn.
  3. So sánh tương quan với các công trình nghiên cứu tiền nhiệm:
Tác giả & Năm công bố Mẫu nghiên cứu Phương pháp Phát hiện chính về $ROE$ Phát hiện chính về $LG$ Phát hiện chính về $INF$
Salas & Saurina (2002) NHTM Tây Ban Nha (1985-1987) Pooled OLS, FEM Tác động ngược chiều Tác động cùng chiều Không đưa vào
Nir Klein (2013) Trung/Đông Âu (1998-2011) Dynamic GMM Tác động ngược chiều Tác động cùng chiều Tác động cùng chiều
Nguyễn Thị Như Quỳnh (2018) 25 NHTMCP VN (2006-2016) FEM, FGLS Tác động ngược chiều Tác động ngược chiều Tác động cùng chiều
Khóa luận tốt nghiệp (2023) 22 NHTMCP VN (2011-2021) FEM, FGLS Tác động ngược chiều Tác động ngược chiều Tác động cùng chiều

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị rủi ro ngân hàng

Mô hình định lượng từ khóa luận cung cấp nền tảng toán học để phát triển Hệ thống Cảnh báo Sớm (Early Warning System - EWS) nợ xấu cho các NHTMCP:

Lộ trình triển khai khuyến nghị quản trị

  1. Giai đoạn 1 (Quý 1 - Quý 2): Chuẩn hóa hệ thống cơ sở dữ liệu phân loại nợ tự động theo Thông tư 11/2021/TT-NHNN, kết nối dữ liệu trung tâm thông tin tín dụng CIC với hệ thống Core Banking.
  2. Giai đoạn 2 (Quý 3): Xây dựng dashboard theo dõi biến động $ROE$ và tốc độ tăng trưởng tín dụng theo từng phân khúc khách hàng (SME, Bán lẻ, Khách hàng doanh nghiệp lớn).
  3. Giai đoạn 3 (Quý 4): Tích hợp kịch bản kiểm tra sức chịu tải (Stress Testing) định kỳ hàng quý dựa trên các kịch bản lạm phát và lãi suất vĩ mô.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Hiện tượng nội sinh (Endogeneity): Mối quan hệ giữa nợ xấu kỳ trước ($NPL1_{t-1}$) và nợ xấu hiện tại có thể chứa đựng tính nội sinh mà phương pháp FGLS tĩnh chưa thể xử lý hoàn hảo bằng công cụ biến nội sinh như GMM sai phân (Difference GMM) hay GMM hệ thống (System GMM).
  2. Tác động trễ của chính sách: Dữ liệu vĩ mô (GDP, Lạm phát) trong mô hình chưa đưa vào cấu trúc biến trễ nhiều kỳ ($t-2, t-3$) để đo lường độ trễ truyền dẫn của chính sách tiền tệ.
  3. Giới hạn mẫu dữ liệu: 22 ngân hàng TMCP niêm yết chưa đại diện cho 100% các tổ chức tín dụng phi ngân hàng và các chi nhánh ngân hàng nước ngoài tại Việt Nam.

Hướng nghiên cứu tiếp theo

  • Ứng dụng mô hình hồi quy bảng động GMM hai bước (Two-Step System GMM) của Arellano-Bond và Blundell-Bond để xử lý triệt để biến nội sinh.
  • Mở rộng giai đoạn nghiên cứu đến năm 2024–2025 nhằm đánh giá tác động sau khi Thông tư 02/2023/TT-NHNN về cơ cấu lại thời hạn trả nợ và giữ nguyên nhóm nợ hết hiệu lực.
  • Ứng dụng các thuật toán Machine Learning (Random Forest, XGBoost, CatBoost) trên dữ liệu bảng lớn kết hợp các chỉ số phi tài chính (ESG, năng lực quản trị rủi ro HĐQT).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu khoa học chuẩn mực, hiểu sâu cách kết hợp giữa lý thuyết tài chính và kỹ thuật xử lý dữ liệu bảng trên Stata.
  • Chuyên viên phân tích dữ liệu & Data Scientists ngành Ngân hàng: Nắm vững các bước kiểm định khuyết tật mô hình (VIF, Hausman, Modified Wald, Wooldridge) và mã lệnh Stata ứng dụng.
  • Ban điều hành & Nhà quản trị rủi ro ngân hàng: Sở hữu luận cứ khoa học định lượng để ra quyết định kiểm soát tăng trưởng tín dụng, điều phối tỷ suất sinh lời ROE và dự báo nợ xấu khi lạm phát biến động.
  • Các nhà nghiên cứu kinh tế lượng: Nguồn tài liệu tham khảo có tính cập nhật cao về dữ liệu 22 NHTMCP Việt Nam trong suốt giai đoạn 11 năm.

Câu hỏi thường gặp

  1. Cấu hình phần cứng và phần mềm yêu cầu để thực thi mô hình là gì?
    Hệ thống yêu cầu tối thiểu máy tính cá nhân RAM 4GB, bộ xử lý 64-bit, cài đặt Stata phiên bản 14.0 trở lên (khuyến nghị Stata 17.0 MP) cùng Microsoft Excel để chuẩn hóa tệp dữ liệu bảng .xlsx hoặc .dta.

  2. Tại sao mô hình FEM lại vượt trội hơn Pooled OLS và REM trong nghiên cứu này?
    Kiểm định F-test ban đầu bác bỏ Pooled OLS vì mỗi ngân hàng đều có các yếu tố đặc thù riêng biệt (văn hóa doanh nghiệp, khẩu vị rủi ro). Sau đó, kiểm định Hausman cho giá trị $p\text{-value} = 0.0000 < 0.05$, chứng minh sai số ngẫu nhiên có tương quan với các biến giải thích, do đó FEM là ước lượng không chệch.

  3. Làm thế nào để xử lý triệt để khuyết tật tự tương quan và phương sai sai số thay đổi trong FEM?
    Sử dụng phương pháp ước lượng bình phương tối thiểu tổng quát khả thi FGLS thông qua câu lệnh xtgls npl npl1 size roe llr lg gdp inf, panels(hetero) corr(ar1). FGLS sẽ ước lượng lại ma trận hiệp phương sai sai số với cấu trúc tự tương quan bậc nhất AR(1) và phương sai thay đổi theo từng đơn vị bảng.

  4. Tại sao quy mô ngân hàng (SIZE) và tăng trưởng kinh tế (GDP) lại không có ý nghĩa thống kê trong mô hình FGLS?
    Tại mức ý nghĩa 5%, $p\text{-value}$ của biến $SIZE$ ($0.277$) và $GDP$ ($0.204$) đều lớn hơn $0.05$. Điều này phản ánh rằng nợ xấu tại các NHTMCP Việt Nam giai đoạn 2011–2021 chịu chi phối chủ yếu bởi chất lượng quản trị nội tại ($NPL1, ROE, LG$) và áp lực trực tiếp từ lạm phát ($INF$), trong khi quy mô tài sản đơn thuần hay tốc độ tăng GDP bình quân chưa đủ để tạo nên sự khác biệt có ý nghĩa thống kê khi đã kiểm soát các yếu tố trên.

  5. Chi phí và thời gian triển khai một hệ thống cảnh báo sớm dựa trên mô hình này là bao nhiêu?
    Với hạ tầng dữ liệu Core Banking sẵn có, ngân hàng chỉ cần từ 2 đến 3 tháng làm việc của nhóm phân tích định lượng (2-3 chuyên viên rủi ro) để đóng gói mô hình FGLS thành API tự động, chi phí đầu tư chủ yếu là bản quyền phần mềm phân tích và thời gian tích hợp hệ thống.

Kết luận

Công trình khóa luận tốt nghiệp của tác giả Nguyễn Thị Ngọc Thắm đã giải quyết trọn vẹn bài toán xác định các nhân tố ảnh hưởng đến nợ xấu tại 22 Ngân hàng Thương mại Cổ phần Việt Nam giai đoạn 2011–2021. Bằng việc ứng dụng quy trình kinh tế lượng đa biến chuẩn mực từ Pooled OLS, FEM, REM đến mô hình hiệu chỉnh nâng cao FGLS, nghiên cứu chứng minh: Tỷ lệ nợ xấu kỳ trước ($NPL1$) và Lạm phát ($INF$) tác động cùng chiều, trong khi Tỷ suất sinh lời ($ROE$) và Tốc độ tăng trưởng tín dụng ($LG$) tác động ngược chiều đến tỷ lệ nợ xấu với độ tin cậy 95%.

Kết quả này khẳng định tầm quan trọng sống còn của việc nâng cao năng lực thẩm định tín dụng, xử lý dứt điểm các khoản nợ tồn đọng trong quá khứ và chủ động theo dõi sát sao biến động lạm phát nhằm bảo đảm tính thanh khoản, sự an toàn và hiệu quả bền vững cho toàn hệ thống ngân hàng Việt Nam. Các nhà quản trị ngân hàng và nhà nghiên cứu có thể tải về bộ dữ liệu, tham khảo khung mô hình FGLS và mở rộng các hướng phân tích thực nghiệm chuyên sâu cho giai đoạn kinh tế mới.