Giới thiệu dự án
Hoạt động tín dụng giữ vai trò huyết mạch trong hệ thống ngân hàng thương mại (NHTM), đóng góp từ 70% – 85% tổng doanh thu và nguồn thu nhập lãi thuần của các tổ chức tín dụng tại Việt Nam. Tuy nhiên, rủi ro tín dụng tiềm ẩn luôn đi liền với sự tích tụ của các khoản nợ xấu (Non-Performing Loans - NPL). Theo số liệu từ Ngân hàng Nhà nước Việt Nam (NHNN), sau chu kỳ bùng nổ tín dụng 2007–2010, nợ xấu năm 2011 đã chạm mốc 85.000 tỷ đồng (tăng 61%), chiếm 3,3% tổng dư nợ toàn hệ thống. Bước sang giai đoạn dịch COVID-19 (2020–2021), chất lượng tín dụng tiếp tục chịu áp lực lớn: tỷ lệ NPL nội bảng năm 2021 tăng lên 1,9% (tăng 0,21% so với 2020), trong khi tỷ lệ nợ xấu gộp (bao gồm nợ bán cho VAMC và nợ cơ cấu tiềm ẩn) tăng vọt lên mức 7,31%.
Vấn đề cốt lõi đặt ra là sự thiếu hụt các mô hình định lượng động có khả năng xử lý triệt để hiện tượng nội sinh (endogeneity) và độ trễ chu kỳ nợ để dự báo rủi ro tín dụng toàn diện trong cả môi trường bình thường lẫn cú sốc kinh tế (như khủng hoảng tài chính và đại dịch).
graph TD
A["Ngân hàng Nhà nước & NHTM Việt Nam"] --> B["Thực trạng nợ xấu (NPL) gia tăng"]
B --> C["Tác động tiêu cực: Suy giảm thanh khoản, Đóng băng tín dụng, Giảm ROA"]
C --> D["Nghiên cứu định lượng các yếu tố tác động (2011 - 2021)"]
D --> E["Nhóm biến vi mô (NPL_t-1, SIZE, ROA, LLR, LG, ETA)"]
D --> F["Nhóm biến vĩ mô (GDP, INF)"]
E & F --> G["Ước lượng hồi quy động GMM (Stata 15.1)"]
G --> H["Khuyến nghị quản trị rủi ro & Tối ưu hóa danh mục tín dụng"]
Dự án nghiên cứu được triển khai với các mục tiêu cụ thể:
- Mục tiêu 1: Nhận diện và hệ thống hóa toàn bộ các nhân tố vi mô (đặc điểm nội tại ngân hàng) và vĩ mô tác động đến tỷ lệ nợ xấu tại các NHTM Việt Nam.
- Mục tiêu 2: Đo lường chính xác cường độ và chiều hướng tác động của từng biến số thông qua mô hình kinh tế lượng dữ liệu bảng động.
- Mục tiêu 3: Đề xuất khung chính sách vi mô (cho NHTM) và vĩ mô (cho NHNN) nhằm kiểm soát tỷ lệ NPL dưới ngưỡng an toàn 3%.
Phương pháp luận tiếp cận là kế thừa các lý thuyết nền tảng (Thông tin bất cân xứng của Akerlof 1970, Lợi thế kinh tế theo quy mô của Salas & Saurina 2002, Chu kỳ kinh doanh) kết hợp kỹ thuật hồi quy Men tổng quát (Generalized Method of Moments - GMM) trên bộ dữ liệu bảng 25 NHTM trong giai đoạn 11 năm (2011–2021, tổng cộng 275 quan sát).
Kết quả kỳ vọng định lượng:
- Xây dựng mô hình hồi quy GMM có độ tin cậy thống kê cao với các kiểm định Hansen/Sargan ($p > 0.05$) và Arellano-Bond AR(2) ($p > 0.05$).
- Làm rõ cơ chế tự tương quan chuỗi của nợ xấu kỳ trước ($NPL_{t-1}$) và tác động nghịch chiều của quy mô tài sản ($SIZE$).
Phạm vi nghiên cứu bao gồm 25 NHTM cổ phần tại Việt Nam công bố đầy đủ báo cáo tài chính kiểm toán từ năm 2011 đến 2021. Giới hạn nghiên cứu không bao gồm 14 ngân hàng thiếu chuỗi dữ liệu lịch sử liên tục hoặc ngân hàng 100% vốn nước ngoài.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu rủi ro tín dụng tại Việt Nam trước đây chủ yếu sử dụng các phương pháp hồi quy cổ điển, bộc lộ nhiều điểm nghẽn kỹ thuật khi áp dụng cho chuỗi dữ liệu tài chính dài hạn:
| Phương pháp nghiên cứu |
Ưu điểm |
Nhược điểm / Lỗ hổng kỹ thuật |
Khả năng khắc phục nội sinh |
| Pooled OLS (Bình phương bé nhất gộp) |
Đơn giản, tính toán nhanh, dễ tiếp cận |
Bỏ qua đặc trưng riêng lẻ cố định của từng ngân hàng ($u_i$), dẫn đến ước lượng chệch |
Không |
| FEM (Mô hình tác động cố định) |
Kiểm soát được các yếu tố bất biến theo thời gian của từng ngân hàng |
Bị chệch nghiêm trọng khi đưa biến trễ phụ thuộc ($NPL_{t-1}$) vào mô hình (Nickell bias) |
Không |
| REM (Mô hình tác động ngẫu nhiên) |
Hiệu quả hơn FEM khi các hiệu ứng riêng lẻ không tương quan với biến giải thích |
Giả định ngặt nghèo khó thỏa mãn trong dữ liệu tài chính; vẫn tồn tại hiện tượng nội sinh |
Không |
| System GMM (Phương pháp GMM hệ thống) |
Sử dụng biến công cụ nội sinh (trễ bậc cao), loại bỏ hoàn toàn chệch nội sinh và tự tương quan |
Đòi hỏi xử lý ma trận biến công cụ phức tạp, kích thước mẫu $N$ phải đủ lớn so với $T$ |
Hoàn toàn khắc phục |
Phân loại yêu cầu nghiên cứu theo ma trận MoSCoW:
- Must-have (Bắt buộc): Kiểm định đa cộng tuyến (VIF), kiểm định phương sai sai số thay đổi (Breusch-Pagan/Lagrange Multiplier), kiểm định tự tương quan (Wooldridge test), ước lượng GMM hai bước (Two-step GMM).
- Should-have (Nên có): Phân tích thống kê mô tả 8 biến số, so sánh tương quan giữa FEM, REM qua Hausman test.
- Could-have (Có thể có): Mô phỏng kịch bản căng thẳng kinh tế vĩ mô ảnh hưởng đến chất lượng nợ.
- Won't-have (Không có trong phạm vi): Dự báo máy học phi tuyến (XGBoost, Random Forest) trên dữ liệu giao dịch thời gian thực (real-time stream).
Thiết kế hệ thống
Kiến trúc luồng xử lý và phân tích kinh tế lượng (Econometric Pipeline Architecture) được thiết kế theo 5 module chuẩn hóa:
flowchart TD
subgraph Data_Layer ["Tầng thu thập & Làm sạch dữ liệu"]
D1["BCTC kiểm toán 25 NHTM (2011 - 2021)"]
D2["Số liệu Tổng cục Thống kê & World Bank (GDP, CPI)"]
D1 & D2 --> D3["Data Preprocessing: Winsorization, Log-transform"]
end
subgraph Exploration_Layer ["Tầng phân tích khám phá"]
D3 --> E1["Thống kê mô tả (Mean, SD, Min, Max)"]
D3 --> E2["Ma trận hệ số tương quan Pearson"]
E1 & E2 --> E3["Kiểm định đa cộng tuyến (VIF)"]
end
subgraph Baseline_Modeling ["Tầng ước lượng cơ sở"]
E3 --> M1["Pooled OLS Model"]
E3 --> M2["Fixed Effects Model (FEM)"]
E3 --> M3["Random Effects Model (REM)"]
M1 & M2 --> T1["F-test / Chow test"]
M2 & M3 --> T2["Hausman Specification Test"]
end
subgraph Diagnostics_Layer ["Tầng chẩn đoán khuyết tật"]
T1 & T2 --> C1["Modified Wald Test (Phương sai thay đổi)"]
T1 & T2 --> C2["Wooldridge Test (Tự tương quan)"]
end
subgraph GMM_Engine ["Tầng tối ưu hóa GMM"]
C1 & C2 --> G1["Arellano-Bover / Blundell-Bond System GMM"]
G1 --> G2["Arellano-Bond AR(1) & AR(2) Test"]
G1 --> G3["Hansen / Sargan Overidentifying Test"]
end
subgraph Output_Layer ["Tầng kết luận & Khuyến nghị"]
G2 & G3 --> O1["Bảng hệ số hồi quy chuẩn hóa"]
O1 --> O2["Đề xuất chính sách điều hành tín dụng"]
end
Công nghệ và công cụ sử dụng:
- Nền tảng phân tích định lượng: Stata v15.1 Special Edition (SE), gói lệnh
xtabond2, xtreg, vif, hettest.
- Bộ công cụ xử lý dữ liệu: Microsoft Excel 365 Professional (Macro-enabled VBA for data extraction).
- Bộ thông số kỹ thuật mô hình (Variables Schema):
- $NPL_{i,t}$: Tỷ lệ nợ xấu = $\frac{\text{Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5}}{\text{Tổng dư nợ cho vay}} \times 100%$
- $NPL_{i,t-1}$: Biến trễ bậc 1 của tỷ lệ nợ xấu.
- $SIZE_{i,t}$: Quy mô ngân hàng = $\ln(\text{Tổng tài sản bình quân})$.
- $ROA_{i,t}$: Tỷ suất sinh lời trên tổng tài sản = $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}} \times 100%$.
- $LLR_{i,t}$: Tỷ lệ dự phòng rủi ro tín dụng = $\frac{\text{Chi phí dự phòng rủi ro tín dụng}}{\text{Tổng dư nợ}} \times 100%$.
- $LG_{i,t}$ ($LGR_{i,t}$): Tốc độ tăng trưởng tín dụng = $\frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100%$.
- $ETA_{i,t}$: Tỷ lệ an toàn vốn = $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}} \times 100%$.
- $GDP_t$: Tốc độ tăng trưởng GDP hàng năm (World Bank / GSO).
- $INF_t$: Tỷ lệ lạm phát hàng năm tính theo chỉ số CPI.
Methodology
Quy trình nghiên cứu tuân thủ chặt chẽ phương pháp luận định lượng thực nghiệm (Empirical Econometric Workflow):
Tuần 1-3: Tổng quan tài liệu -> Tuần 4-6: Thu thập & Chuẩn hóa dữ liệu (275 quan sát) -> Tuần 7-9: Kiểm định OLS/FEM/REM -> Tuần 10-12: Ước lượng GMM & Chẩn đoán mô hình -> Tuần 13-14: Viết báo cáo & Khuyến nghị
Đánh giá rủi ro và giải pháp khắc phục:
- Rủi ro nội sinh (Endogeneity): Tỷ lệ nợ xấu có quan hệ hai chiều với trích lập dự phòng và quy mô cho vay $\rightarrow$ Khắc phục bằng ma trận biến công cụ nội sinh trễ (Instrumental Variables) trong GMM.
- Rủi ro sai lệch mẫu do COVID-19: Biến động bất thường trong 2020–2021 $\rightarrow$ Khắc phục bằng phân tích độ nhạy và kiểm soát độ lệch chuẩn.
Implementation và kết quả
Development process
Phương trình hồi quy tổng quát dạng động được xây dựng:
$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 ROA_{i,t} + \beta_4 LLR_{i,t} + \beta_5 LG_{i,t} + \beta_6 ETA_{i,t} + \beta_7 GDP_t + \beta_8 INF_t + \varepsilon_{i,t}$$
Trong đó: $\varepsilon_{i,t} = u_i + v_{i,t}$ ($u_i$ là sai số cá thể cố định, $v_{i,t}$ là nhiễu ngẫu nhiên).
Đoạn mã kịch bản Stata 15.1 thực thi kiểm định và ước lượng GMM hai bước:
* Thiết lập cấu trúc dữ liệu bảng
xtset bank_id year
* 1. Thống kê mô tả và phân tích tương quan
summarize npl size roa llr lg eta gdp inf
pwcorr npl size roa llr lg eta gdp inf, sig star(.05)
* 2. Ước lượng hồi quy OLS và kiểm tra đa cộng tuyến
regress npl l.npl size roa llr lg eta gdp inf
vif
* 3. Ước lượng FEM và REM
xtreg npl l.npl size roa llr lg eta gdp inf, fe
estimates store fixed_eff
xtreg npl l.npl size roa llr lg eta gdp inf, re
estimates store random_eff
hausman fixed_eff random_eff
* 4. Kiểm định khuyết tật mô hình
xttest3 /* Kiểm định phương sai thay đổi Modified Wald test */
xtserial npl l.npl size roa llr lg eta gdp inf /* Wooldridge test cho tự tương quan */
* 5. Ước lượng GMM hệ thống hai bước (Two-step System GMM)
xtabond2 npl l.npl size roa llr lg eta gdp inf, ///
gmm(l.npl llr lg eta, lag(2 3) collapse) ///
iv(size roa gdp inf) ///
twostep robust small
Testing và validation
Kết quả thống kê mô tả 275 quan sát từ 25 NHTM Việt Nam (2011–2021):
| Tên biến |
Ký hiệu |
Giá trị trung bình |
Độ lệch chuẩn (Std. Dev.) |
Giá trị nhỏ nhất (Min) |
Giá trị lớn nhất (Max) |
| Tỷ lệ nợ xấu |
$NPL$ |
2,22% |
1,31% |
0,21% |
9,80% (CTG 2011) |
| Quy mô ngân hàng |
$SIZE$ |
18,64 |
1,22 |
16,50 (SGB 2013) |
21,29 (BID 2021) |
| Khả năng sinh lời |
$ROA$ |
0,86% |
0,08% |
0,02% (NVB 2020) |
8,15% (SGB 2021) |
| Dự phòng rủi ro tín dụng |
$LLR$ |
1,38% |
0,67% |
0,15% |
4,20% |
| Tăng trưởng tín dụng |
$LG$ |
19,25% |
19,48% |
-12,50% |
112,30% (SSB) |
| Vốn CSH / Tổng tài sản |
$ETA$ |
9,20% |
3,81% |
4,12% |
23,83% (SGB 2013) |
| Tăng trưởng kinh tế |
$GDP$ |
5,65% |
1,74% |
2,58% (2021) |
7,08% (2018) |
| Tỷ lệ lạm phát |
$INF$ |
5,15% |
4,82% |
0,63% (2015) |
18,68% (2011) |
Kết quả kiểm định chẩn đoán kỹ thuật mô hình:
- Kiểm định VIF: Hệ số VIF trung bình đạt $1,42 < 5$, hệ số lớn nhất $1,85 < 10 \rightarrow$ Loại trừ hoàn toàn hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định Lagrange Multiplier / Modified Wald: $p\text{-value} = 0,0000 < 0,01 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi.
- Kiểm định Wooldridge: $p\text{-value} = 0,0012 < 0,05 \rightarrow$ Xuất hiện hiện tượng tự tương quan bậc nhất.
- Kiểm định Hausman: $Chi^2 = 34,82$ ($p = 0,0000$) $\rightarrow$ Mô hình FEM vượt trội so với REM, nhưng cả hai đều bất lực trước hiện tượng nội sinh gây ra bởi $NPL_{t-1}$.
- Kiểm định GMM: Kiểm định Hansen ($p = 0,248 > 0,05$) chứng minh biến công cụ hoàn toàn hợp lệ; kiểm định Arellano-Bond AR(1) có $p = 0,012 < 0,05$ và AR(2) có $p = 0,418 > 0,05$ xác nhận mô hình không có tự tương quan bậc hai.
Kết quả đạt được
Bảng kết quả hồi quy GMM hệ thống hai bước cuối cùng:
| Biến số độc lập |
Hệ số hồi quy ($\beta$) |
Mức ý nghĩa ($p$-value) |
Tác động thực tế |
Kỳ vọng ban đầu vs Thực nghiệm |
| $NPL_{t-1}$ (Nợ xấu kỳ trước) |
+0,412 |
0,000*** |
Tăng 1% nợ xấu kỳ trước làm tăng 0,412% nợ xấu kỳ này |
Cùng chiều (+) / Phù hợp |
| $SIZE$ (Quy mô ngân hàng) |
-0,285 |
0,018** |
Quy mô tăng 1% giúp giảm 0,285% tỷ lệ nợ xấu |
Ngược chiều (-) / Trái kỳ vọng H2 |
| $ROA$ (Khả năng sinh lời) |
-0,042 |
0,315 |
Không có ý nghĩa thống kê |
Không có tác động rõ rệt |
| $LLR$ (Tỷ lệ dự phòng RRTD) |
+0,387 |
0,002*** |
Tăng 1% trích lập dự phòng làm nợ xấu tăng 0,387% |
Cùng chiều (+) / Phù hợp |
| $LG$ (Tăng trưởng tín dụng) |
+0,089 |
0,041** |
Tăng trưởng dư nợ quá nóng thúc đẩy nợ xấu tăng |
Cùng chiều (+) / Phù hợp |
| $ETA$ (Vốn CSH/Tổng tài sản) |
+0,156 |
0,027** |
Ngân hàng tăng tỷ lệ vốn CSH đi kèm tâm lý rủi ro |
Cùng chiều (+) / Trái kỳ vọng H6 |
| $GDP$ (Tăng trưởng kinh tế) |
+0,114 |
0,048** |
Mở rộng kinh tế chu kỳ 2011-2021 làm tăng tích lũy nợ |
Cùng chiều (+) / Trái kỳ vọng H7 |
| $INF$ (Tỷ lệ lạm phát) |
+0,021 |
0,482 |
Không có ý nghĩa thống kê |
Không có tác động rõ rệt |
(Ghi chú: *** $p<0,01$, ** $p<0,05$)
Đổi mới và đóng góp
Nghiên cứu mang lại những đổi mới học thuật và kỹ thuật cụ thể so với các công trình công bố trước đây:
- Khắc phục triệt để tính nội sinh trong chuỗi dữ liệu ngân hàng: So với các nghiên cứu của Trần Vương Thịnh & Nguyễn Ngọc Hồng Loan (2021) chỉ dừng lại ở FEM/REM (vẫn tồn tại chệch phương sai), công trình này sử dụng System GMM hai bước với hiệu chỉnh sai số mẫu nhỏ (Windmeijer correction), nâng cao tính vững của ước lượng lên 100%.
- Cập nhật chuỗi dữ liệu giai đoạn khủng hoảng kép: Mở rộng bộ dữ liệu đến năm 2021, phản ánh trọn vẹn cú sốc của đại dịch COVID-19 và chính sách cơ cấu nợ theo Thông tư 01/2020/TT-NHNN và Thông tư 14/2021/TT-NHNN.
- Phát hiện thực nghiệm mang tính đột phá về quy mô ($SIZE$): Trái ngược với lý thuyết "Quá lớn để sụp đổ" (Too big to fail), kết quả chứng minh lý thuyết Lợi thế kinh tế theo quy mô (Economies of scale) chi phối hệ thống NHTM Việt Nam: Các ngân hàng lớn (Vietcombank, BIDV, Vietinbank) quản trị rủi ro và đa dạng hóa danh mục tốt hơn hẳn các ngân hàng quy mô nhỏ, giúp kiềm chế nợ xấu hiệu quả hơn 28,5%.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng (Use Cases)
graph LR
A["Hệ thống dữ liệu giao dịch & BCTC"] --> B["Engine định lượng rủi ro tín dụng (GMM-based)"]
B --> C["Kịch bản 1: Hệ thống cảnh báo sớm (Early Warning System)"]
B --> D["Kịch bản 2: Kiểm tra sức chịu đựng (Macro Stress-Testing)"]
B --> E["Kịch bản 3: Phân bổ vốn an toàn (CAR Optimization)"]
C --> F["Tự động cảnh báo khi LG > 25% hoặc NPL_t-1 vượt ngưỡng"]
D --> G["Dự báo nợ xấu khi GDP suy giảm và lạm phát biến động"]
E --> H["Điều chỉnh tỷ lệ trích lập LLR & ETA tối ưu"]
Chiến lược triển khai và Lộ trình
- Giai đoạn 1 (Tháng 1 - Tháng 3): Tích hợp các tham số hồi quy động vào hệ thống Core Banking và phân hệ quản lý tài sản nợ - tài sản có (ALM).
- Giai đoạn 2 (Tháng 4 - Tháng 6): Thiết lập ngưỡng giám sát tự động: Phát tín hiệu rủi ro cấp 1 khi tốc độ tăng trưởng tín dụng ($LG$) vượt quá $1,5 \times$ mức tăng trưởng GDP danh nghĩa.
- Giai đoạn 3 (Tháng 7 trở đi): Chuẩn hóa quy trình thẩm định tín dụng theo định chế Basel III, chuyển trọng tâm từ tài sản bảo đảm sang dòng tiền thực của bên vay.
Phân tích hiệu quả kinh tế (ROI Estimation):
- Chi phí triển khai hệ thống mô hình hóa: Xấp xỉ 250.000.000 – 400.000.000 VNĐ.
- Giá trị thu hồi: Giảm tỷ lệ nợ xấu phát sinh mới từ 0,15% – 0,30% trên quy mô danh mục 100.000 tỷ đồng, tương đương tiết kiệm từ 150 – 300 tỷ đồng chi phí trích lập dự phòng mỗi năm.
Hạn chế và hướng phát triển
- Hạn chế kỹ thuật: Dữ liệu nghiên cứu mới chỉ tiếp cận được 25 NHTM công bố BCTC liên tục; chưa bóc tách được các khoản nợ tiềm ẩn ngoài bảng cân đối kế toán hoặc nợ cơ cấu chưa chuyển nhóm theo các thông tư hỗ trợ đại dịch.
- Rào cản dữ liệu: Tần suất dữ liệu là theo năm (Annual Panel Data), chưa đạt độ mịn theo quý hoặc tháng.
- Hướng phát triển tương lai:
- Ứng dụng các thuật toán học máy phân loại nợ xấu (LightGBM, CatBoost) trên dữ liệu lớn cấp độ từng khoản vay (Loan-level microdata).
- Mở rộng biến số cấu trúc vĩ mô: Đưa thêm các chỉ số biến động thị trường bất động sản (Real Estate Index) và lãi suất liên ngân hàng (VNIBOR).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Nhận được tài liệu tham khảo chuẩn mực về quy trình phân tích kinh tế lượng dữ liệu bảng động từ Pooled OLS, FEM, REM đến System GMM trên phần mềm Stata 15.1.
- Chuyên viên định lượng & Kỹ sư dữ liệu tài chính: Nắm bắt quy tắc lập trình cú pháp
xtabond2, phương pháp chọn biến công cụ trễ và kỹ thuật xử lý ma trận hiệp phương sai.
- Ban điều hành NHTM: Sở hữu cơ sở khoa học để thiết lập hạn mức tín dụng hàng năm, tránh tình trạng tăng trưởng nóng dẫn tới nợ xấu tích tụ.
- Cơ quan quản lý (NHNN): Có bằng chứng thực nghiệm định lượng để ban hành các quy định về trích lập dự phòng ($LLR$) và kiểm soát tỷ lệ an toàn vốn ($ETA$) linh hoạt theo chu kỳ kinh tế.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật để tái lập mô hình hồi quy GMM trong nghiên cứu này là gì?
Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 15.1 SE hoặc Stata 17/18). Cài đặt module xtabond2 từ kho lưu trữ SSC thông qua lệnh ssc install xtabond2, replace. Cấu hình phần cứng tối thiểu: CPU Dual-Core 2.0GHz, 4GB RAM.
2. Vì sao mô hình Pooled OLS, FEM và REM bị loại bỏ và phải dùng System GMM?
Mô hình nghiên cứu chứa biến trễ phụ thuộc $NPL_{i,t-1}$. Biến này tương quan trực tiếp với sai số cố định $u_i$, gây ra hiện tượng nội sinh nghiêm trọng (Nickell bias 1981). Pooled OLS sẽ ước lượng thừa hệ số của biến trễ, trong khi FEM ước lượng thiếu. System GMM sử dụng các biến trễ làm biến công cụ nội sinh để loại bỏ hoàn toàn sai lệch này.
3. Ý nghĩa của việc hệ số quy mô ($SIZE$) mang dấu âm trong kết quả thực nghiệm?
Hệ số $\beta_2 = -0,285$ ($p = 0,018$) cho thấy khi quy mô tổng tài sản của ngân hàng tăng lên, tỷ lệ nợ xấu có xu hướng giảm. Điều này khẳng định tại Việt Nam, các ngân hàng lớn có hệ thống quản trị rủi ro chuyên nghiệp, nguồn lực công nghệ mạnh và khả năng phân tán rủi ro danh mục vượt trội hơn các ngân hàng nhỏ.
4. Chi phí trích lập dự phòng ($LLR$) tăng có làm giảm nợ xấu không?
Thực nghiệm chứng minh $LLR$ tác động cùng chiều ($\beta_4 = +0,387$, $p = 0,002$). Điều này phản ánh thực tế rằng việc tăng trích lập dự phòng thường diễn ra đồng thời hoặc sau khi các khoản nợ đã có dấu hiệu suy giảm chất lượng nghiêm trọng, chứ bản thân trích lập dự phòng không phải là công cụ triệt tiêu nợ xấu đã phát sinh.
5. Khuyến nghị chính cho các NHTM Việt Nam từ kết quả nghiên cứu là gì?
Các NHTM cần kiểm soát tốc độ tăng trưởng tín dụng ở mức hợp lý (quanh ngưỡng 12% - 15%/năm), tránh nới lỏng tiêu chuẩn tín dụng để chạy theo quy mô; đồng thời xây dựng hệ thống phân loại nợ tự động theo chiều sâu thay vì đối phó mang tính chu kỳ.
Kết luận
Khóa luận tốt nghiệp của tác giả Đặng Thị Hoài Thương đã giải quyết toàn diện bài toán định lượng rủi ro tín dụng thông qua việc xác định chính xác tác động của 8 yếu tố vi mô và vĩ mô đến tỷ lệ nợ xấu của 25 NHTM Việt Nam giai đoạn 2011–2021. Bằng việc ứng dụng thành công kỹ thuật ước lượng hồi quy động System GMM hai bước trên Stata 15.1, nghiên cứu đã khắc phục triệt để các khuyết tật nội sinh, tự tương quan và phương sai thay đổi của các mô hình truyền thống. Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách tại Ngân hàng Nhà nước, các nhà quản trị rủi ro tại NHTM và cộng đồng nghiên cứu tài chính định lượng trong việc kiểm soát nợ xấu và bảo đảm an toàn hệ thống tài chính quốc gia.
