Giới thiệu dự án

Hoạt động tín dụng là nguồn thu nhập chủ đạo nhưng cũng là mảng rủi ro lớn nhất đối với hệ thống ngân hàng thương mại (NHTM). Trong giai đoạn 2008–2011, tăng trưởng tín dụng bình quân tại Việt Nam đạt 26,56%/năm, kéo theo tốc độ gia tăng nợ xấu (Non-Performing Loans - NPL) lên tới 51%/năm, đạt đỉnh điểm vào năm 2012 và đe dọa nghiêm trọng đến an toàn thanh khoản cũng như sự ổn định kinh tế vĩ mô. Việc nhận diện, định lượng chính xác các nhân tố kích hoạt nợ xấu là bài toán sống còn đối với quản trị rủi ro tài chính.

Vấn đề thực tiễn

  • Sự suy giảm chất lượng tín dụng do tăng trưởng nóng, thiếu công cụ cảnh báo sớm.
  • Các nghiên cứu truyền thống sử dụng mô hình tĩnh (OLS, FEM, REM) thường mắc khuyết tật nội sinh (endogeneity), tự tương quan (autocorrelation) và phương sai thay đổi (heteroskedasticity), dẫn đến ước lượng chệch khi có mặt biến trễ $NPL_{t-1}$.
  • Thiếu khung phân tích định lượng kết hợp đồng thời nhóm biến vĩ mô (chu kỳ kinh tế, lạm phát, việc làm) và nhóm biến vi mô (năng lực quản trị, khẩu vị rủi ro, quy mô).

Mục tiêu dự án

  1. Xác định và lượng hóa các nhân tố kinh tế vĩ mô và vi mô tác động đến tỷ lệ nợ xấu của 29 NHTM Việt Nam giai đoạn 2008–2016 (261 quan sát).
  2. Xử lý triệt để các khuyết tật mô hình thông qua phương pháp hồi quy không gian khoảnh khắc tổng quát (Generalized Method of Moments - GMM).
  3. Đề xuất ma trận giải pháp quản trị rủi ro tín dụng và tham vấn chính sách tiền tệ cho Ngân hàng Nhà nước (NHNN).

Phương pháp tiếp cận

Dự án áp dụng mô hình dữ liệu bảng động (Dynamic Panel Data) với phương pháp ước lượng GMM hai bước (Two-step System GMM). Cách tiếp cận này sử dụng các biến trễ của biến nội sinh làm biến công cụ (Instrumental Variables - IV), kiểm soát hiện tượng nội sinh phát sinh từ mối quan hệ nhân quả hai chiều giữa nợ xấu, lợi nhuận và dự phòng rủi ro.

Phạm vi và giới hạn

  • Không gian mẫu: 29 NHTM cổ phần hoạt động liên tục tại Việt Nam, loại trừ các ngân hàng sáp nhập/mua lại bắt buộc và ngân hàng 100% vốn nước ngoài nhằm đảm bảo tính đồng nhất của số liệu.
  • Thời gian nghiên cứu: Giai đoạn 2008–2016 bao gồm chu kỳ khủng hoảng tài chính toàn cầu và tái cơ cấu ngân hàng.
  • Giới hạn dữ liệu: Căn cứ trên báo cáo tài chính kiểm toán và số liệu công bố từ World Bank (WB), Ngân hàng Phát triển Châu Á (ADB).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp định lượng rủi ro tín dụng truyền thống bộc lộ nhiều hạn chế khi áp dụng vào dữ liệu tài chính dạng bảng:

Phương pháp Ưu điểm Nhược điểm Đánh giá kỹ thuật
Pooled OLS Đơn giản, dễ tính toán tham số. Bỏ qua tính không đồng nhất giữa các ngân hàng ($u_i$); ước lượng bị chệch nghiêm trọng. Không phù hợp
Fixed Effects Model (FEM) Kiểm soát các đặc tính bất biến theo thời gian của từng ngân hàng. Vi phạm giả định khi có biến trễ phụ thuộc $NPL_{t-1}$ (Nickell bias); tồn tại tự tương quan. Hạn chế
Random Effects Model (REM) Tiết kiệm bậc tự do, hiệu quả khi không có tương quan giữa sai số và biến giải thích. Giả định $Cov(X_{it}, u_i) = 0$ không thực tế trong cấu trúc tài chính ngân hàng. Hạn chế
System GMM Khắc phục đồng thời biến nội sinh, tự tương quan phần dư và phương sai thay đổi. Đòi hỏi kiểm định nghiêm ngặt về tính hợp lệ của biến công cụ (Hansen/Sargan test). Tối ưu

Yêu cầu xử lý dữ liệu và kiểm định (MoSCoW)

  • Must have: Làm sạch chuỗi thời gian 9 năm, kiểm tra đa cộng tuyến qua nhân tử phóng đại phương sai (Variance Inflation Factor - VIF < 10), kiểm định biến nội sinh với biến trễ bậc 1 và bậc 2.
  • Should have: Kiểm định AR(1) và AR(2) theo Arellano-Bond, kiểm định quá xác định Sargan/Hansen.
  • Could have: Phân tích độ nhạy của mô hình theo từng nhóm quy mô ngân hàng.
  • Won't have: Mô hình hóa chuỗi phi tuyến tính bậc cao hoặc dữ liệu tần suất theo quý/tháng do giới hạn công bố thông tin.

Thiết kế hệ thống mô hình kinh tế lượng

[Dữ liệu BCTC 29 NHTM + World Bank (2008-2016)]
       [Tiền xử lý & Chuẩn hóa dữ liệu]

Phương trình hồi quy tổng quát

Mô hình ước lượng các yếu tố tác động đến tỷ lệ nợ xấu:

$$NPL_{it} = \alpha_0 + \alpha_1 GrGDP_{it} + \alpha_2 INF_{it} + \alpha_3 UNE_{it} + \alpha_4 AWPR_{it} + \alpha_5 OPE_{it} + \alpha_6 ROA_{it} + \alpha_7 LA_{it} + \alpha_8 LLP_{it} + \alpha_9 \ln(SIZE_{it}) + \alpha_{10} NPL_{i,t-1} + \varepsilon_{it}$$

Trong đó:

  • $NPL_{it}$: Tỷ lệ nợ xấu trên tổng dư nợ của ngân hàng $i$ tại năm $t$ (Nợ nhóm 3 + Nhóm 4 + Nhóm 5 / Tổng dư nợ).
  • $GrGDP_{it}$: Tốc độ tăng trưởng GDP thực tế (%).
  • $INF_{it}$: Tỷ lệ lạm phát đo lường bằng chỉ số giá tiêu dùng CPI (%).
  • $UNE_{it}$: Tỷ lệ thất nghiệp lực lượng lao động (%).
  • $AWPR_{it}$: Lãi suất cho vay trung bình (%).
  • $OPE_{it}$: Tỷ lệ chi phí hoạt động trên thu nhập (Operating Expenses / Total Operating Income).
  • $ROA_{it}$: Tỷ suất sinh lời trên tổng tài sản (Lợi nhuận sau thuế / Tổng tài sản).
  • $LA_{it}$: Tỷ lệ dư nợ tín dụng trên tổng tài sản (Loans / Total Assets).
  • $LLP_{it}$: Tỷ lệ dự phòng rủi ro tín dụng trên tổng dư nợ.
  • $\ln(SIZE_{it})$: Quy mô ngân hàng, đo bằng logarit tự nhiên của tổng tài sản $\ln(\text{Total Assets})$.
  • $NPL_{i,t-1}$: Biến trễ bậc 1 của tỷ lệ nợ xấu phản ánh quán tính rủi ro.
  • $\varepsilon_{it} = u_i + v_{it}$: Sai số ngẫu nhiên gồm tác động cố định không quan sát được $u_i$ và sai số ngẫu nhiên $v_{it}$.

Technology Stack & Công cụ định lượng

  • Ngôn ngữ & Nền tảng: R (v4.2.0), Stata (v14.0 MP), Python (v3.10).
  • Gói thư viện chuyên dụng: plm (v2.4-1), systemfit (v1.1-26), statsmodels (v0.13.2), linearmodels (v4.25).
  • Quản trị dữ liệu: Microsoft Excel Data Engine, SQLite lưu trữ chuỗi thời gian 261 quan sát đã được làm sạch.

Methodology

Quy trình nghiên cứu triển khai theo 5 giai đoạn chuẩn hóa:

gantt
    title Kế hoạch triển khai quy trình định lượng
    dateFormat  YYYY-MM-DD
    section Thu thập & Chuẩn hóa
    Khai thác BCTC 29 NHTM & WB :2017-09-01, 30d
    Lọc dữ liệu 261 quan sát     :2017-10-01, 15d
    section Thống kê & Chẩn đoán
    Thống kê mô tả & VIF        :2017-10-16, 15d
    Hồi quy OLS, FEM, REM       :2017-11-01, 20d
    section Xử lý khuyết tật
    Kiểm định Wald & Wooldridge :2017-11-21, 10d
     section Ước lượng GMM
    Two-step System GMM         :2017-12-01, 20d
    Hậu kiểm định AR(1), AR(2), Hansen :2017-12-21, 15d

Implementation và kết quả

Development process & Mã nguồn thực nghiệm

Quy trình định lượng được thực thi trên môi trường Stata/R với cấu hình lệnh ước lượng GMM hệ thống hai bước kết hợp hiệu chỉnh sai số chuẩn dạng vững (Windmeijer robust standard errors).

* Thiết lập cấu trúc dữ liệu bảng
xtset bank_id year

* 1. Thống kê mô tả và kiểm định đa cộng tuyến
summarize NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE
regress NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE
vif

* 2. Ước lượng mô hình tĩnh FEM và REM
xtreg NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE, fe
estimates store fixed_model
xtreg NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE, re
estimates store random_model
hausman fixed_model random_model

* 3. Kiểm định khuyết tật mô hình
* Kiểm định phương sai thay đổi (Modified Wald test)
xttest3
* Kiểm định tự tương quan (Wooldridge test)
xtserial NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE

* 4. Ước lượng GMM hệ thống 2 bước (Two-step System GMM)
* Sử dụng biến trễ làm biến công cụ, hiệu chỉnh sai số Windmeijer
xtabond2 NPL L.NPL GrGDP INF UNE AWPR OPE ROA LA LLP lnSIZE, ///
    gmm(L.NPL ROA LA OPE, lag(1 2) collapse) ///
    iv(GrGDP INF UNE AWPR LLP lnSIZE) ///
    twostep robust small

Testing và validation

Kiểm định đa cộng tuyến (VIF)

Tất cả hệ số VIF của các biến giải thích dao động trong khoảng $1,12$ đến $2,45$ (trung bình $1,68$), thấp hơn nhiều so với ngưỡng cảnh báo $10,0$. Kết luận: Không tồn tại hiện tượng đa cộng tuyến trong mô hình.

Kiểm định khuyết tật mô hình tĩnh

  • Kiểm định Hausman: $p\text{-value} = 0,0012 < 0,05 \rightarrow$ Mô hình FEM vượt trội hơn REM.
  • Kiểm định Modified Wald (Heteroskedasticity): $p\text{-value} = 0,0000 < 0,01 \rightarrow$ Xuất hiện phương sai thay đổi giữa các ngân hàng.
  • Kiểm định Wooldridge (Autocorrelation): $p\text{-value} = 0,0041 < 0,05 \rightarrow$ Xuất hiện hiện tượng tự tương quan phần dư bậc 1.
  • Kiểm định tính hợp lệ của GMM:
    • Arellano-Bond AR(1): $p = 0,018 < 0,05$ (có tự tương quan bậc 1 - đúng kỳ vọng lý thuyết).
    • Arellano-Bond AR(2): $p = 0,342 > 0,05$ (không có tự tương quan bậc 2 - thỏa mãn điều kiện).
    • Hansen/Sargan Test: $p = 0,286 > 0,05$ (các biến công cụ hoàn toàn hợp lệ).

Kết quả đạt được

Biến giải thích Ký hiệu Hệ số hồi quy (GMM) Sai số chuẩn Mức ý nghĩa ($p$-value) Chiều tác động
Hằng số Const $0,0842$ $0,0412$ $0,041^{**}$ -
Tăng trưởng GDP GrGDP $-0,1542$ $0,0481$ $0,001^{***}$ Nghịch chiều (-)
Tỷ lệ lạm phát INF $+0,0895$ $0,0312$ $0,004^{***}$ Thuận chiều (+)
Tỷ lệ thất nghiệp UNE $+0,2104$ $0,0921$ $0,022^{**}$ Thuận chiều (+)
Lãi suất cho vay TB AWPR $-0,0124$ $0,0215$ $0,564$ Không có ý nghĩa
Tỷ lệ Chi phí/Thu nhập OPE $-0,0412$ $0,0184$ $0,025^{**}$ Nghịch chiều (-)
Suất sinh lợi tài sản ROA $-0,3815$ $0,1124$ $0,001^{***}$ Nghịch chiều (-)
Dư nợ/Tổng tài sản LA $-0,0521$ $0,0241$ $0,031^{**}$ Nghịch chiều (-)
Dự phòng rủi ro LLP $+0,0032$ $0,0048$ $0,505$ Không có ý nghĩa
Quy mô ngân hàng lnSIZE $-0,0018$ $0,0022$ $0,414$ Không có ý nghĩa
Nợ xấu kỳ trước NPL_t-1 $-0,1845$ $0,0621$ $0,003^{***}$ Nghịch chiều (-)

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

Phân tích chi tiết các phát hiện

  1. Tác động vĩ mô:
    • Tăng trưởng GDP tăng $1%$ giúp tỷ lệ nợ xấu giảm $0,1542%$. Khi nền kinh tế mở rộng, dòng tiền doanh nghiệp cải thiện, nâng cao khả năng trả nợ gốc và lãi.
    • Lạm phát (INF) tác động cùng chiều ($+0,0895$): Lạm phát leo thang bào mòn thu nhập thực tế của người đi vay, đẩy chi phí đầu vào lên cao và làm suy giảm khả năng thanh toán.
    • Thất nghiệp (UNE) làm tăng nợ xấu ($+0,2104$): Khi người lao động mất việc, các khoản vay tiêu dùng và hộ kinh doanh chuyển nhóm nợ quá hạn nhanh chóng.
  2. Tác động vi mô nội bộ:
    • Khả năng sinh lời (ROA) có tác động giảm nợ xấu mạnh nhất (hệ số $-0,3815$): Ngân hàng hoạt động hiệu quả có quy trình thẩm định tín dụng chặt chẽ và không bị áp lực nới lỏng chuẩn cho vay.
    • Biến trễ NPL_t-1 có hệ số âm mang ý nghĩa thống kê cao: Phản ánh nỗ lực trích lập, cơ cấu và bán nợ xấu cho VAMC của các NHTM Việt Nam sau năm 2012.
    • Các biến AWPR, LLP, lnSIZE không đạt mức ý nghĩa thống kê, cho thấy quy mô ngân hàng hay mặt bằng lãi suất trung bình không phải là yếu tố cốt lõi quyết định rủi ro nợ xấu trong giai đoạn tái cơ cấu 2008–2016.

Đổi mới và đóng góp

Điểm mới về mặt học thuật và kỹ thuật

  • Phương pháp luận vượt trội: Ứng dụng thành công Dynamic Panel GMM thay thế cho các mô hình OLS/FEM/REM truyền thống vốn bị sai lệch nghiêm trọng do biến nội sinh.
  • Xử lý đặc thù thị trường mới nổi: Đưa biến quán tính nợ xấu $NPL_{t-1}$ vào phương trình hồi quy, phản ánh đúng cơ chế chuyển dịch nhóm nợ theo Thông tư 02/2013/TT-NHNN.

So sánh với các nghiên cứu tiền nhiệm

Tiêu chí Fofack (2005) Messai & Jouini (2013) Nghiên cứu này (2018)
Phạm vi mẫu 16 nước cận Sahara 85 ngân hàng (Ý, Hy Lạp, TBN) 29 NHTM Việt Nam (261 obs)
Phương pháp chính Pseudo-panel GMM Static FEM / REM Two-step System GMM Robust
Kiểm soát biến trễ Không Không Có ($NPL_{t-1}$)
Xử lý nội sinh Hạn chế Chưa triệt để Triệt để qua biến công cụ nội tại
Tác động của ROA Âm (-) Âm (-) Âm mạnh (-0,3815, $p<0,01$)
Tác động quy mô Không đồng nhất Không ý nghĩa Không có ý nghĩa thống kê

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Xây dựng hệ thống cảnh báo sớm (Early Warning System - EWS):
    • Tích hợp các chỉ số vĩ mô (GrGDP, INF, UNE) vào mô hình tính toán xác suất vỡ nợ (Probability of Default - PD).
    • Tự động điều chỉnh hạn mức tín dụng theo ngành khi dự báo lạm phát vượt ngưỡng mục tiêu.
  2. Kiểm tra sức chịu tải tín dụng (Stress Testing):
    • Chạy kịch bản khi GDP suy giảm $1,5%$ hoặc thất nghiệp tăng $2%$, tính toán mức sụt giảm an toàn vốn CAR để chủ động kế hoạch tăng vốn tự có.
  3. Chuẩn hóa quy trình theo chuẩn Basel II / IFRS 9:
    • Ứng dụng tương quan giữa ROA, LA và NPL để xây dựng mô hình trích lập dự phòng tổn thất tín dụng kỳ vọng (Expected Credit Loss - ECL).

Lộ trình triển khai 4 giai đoạn

flowchart LR
    P1["Giai đoạn 1: Chuẩn hóa dữ liệu<br>(Tháng 1 - 2)"] --> P2["Giai đoạn 2: Tích hợp GMM Engine<br>(Tháng 3 - 4)"]
    P2 --> P3["Giai đoạn 3: Kiểm thử Stress-test<br>(Tháng 5 - 6)"]
    P3 --> P4["Giai đoạn 4: Vận hành toàn hệ thống<br>(Tháng 7 trở đi)"]
  • Giai đoạn 1 (Tháng 1 - 2): Xây dựng Data Mart chuẩn hóa dữ liệu tín dụng 5 nhóm nợ và kết nối API số liệu kinh tế vĩ mô.
  • Giai đoạn 2 (Tháng 3 - 4): Cài đặt lõi phân tích GMM vào hệ thống phần mềm quản trị rủi ro tập trung của ngân hàng.
  • Giai đoạn 3 (Tháng 5 - 6): Kiểm thử kịch bản Stress-test và đối chiếu kết quả dự báo với danh mục nợ thực tế.
  • Giai đoạn 4 (Tháng 7 trở đi): Ban hành chính sách phân bổ hạn mức tín dụng động và vận hành tự động định kỳ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ trễ và tính minh bạch của số liệu: Báo cáo tài chính công bố chưa phản ánh toàn bộ các khoản nợ đã bán cho VAMC thanh toán bằng trái phiếu đặc biệt.
  • Quy mô mẫu: Nghiên cứu mới dừng lại ở 29 NHTM với dữ liệu năm, chưa khai thác dữ liệu tần suất cao (quý/tháng).
  • Yếu tố định tính: Chưa tích hợp được các chỉ số về năng lực thẩm định của cán bộ tín dụng, mức độ chuyển đổi số và rủi ro đạo đức của khách hàng vay.

Hướng phát triển

  • Mở rộng khung dữ liệu đến năm 2024, tích hợp giai đoạn biến động mạnh thời kỳ đại dịch COVID-19 và suy thoái kinh tế toàn cầu.
  • Ứng dụng các thuật toán học máy (Machine Learning) như XGBoost, Random Forest và Deep Neural Networks kết hợp mô hình kinh tế lượng để tăng cường độ chính xác dự báo rủi ro vỡ nợ danh mục.
  • Phân tầng chi tiết nợ xấu theo ngành kinh tế (bất động sản, xây dựng, sản xuất, tiêu dùng) nhằm nâng cao tính chính xác trong định vị rủi ro ngành.

Đối tượng hưởng lợi

  • Nhà quản trị ngân hàng thương mại: Sở hữu công cụ định lượng hỗ trợ xây dựng khẩu vị rủi ro, tối ưu hóa tỷ lệ chi phí trên thu nhập (OPE) và kiểm soát tốc độ tăng trưởng dư nợ (LA).
  • Cơ quan quản lý (NHNN, Cơ quan Thanh tra Giám sát): Cung cấp bằng chứng thực nghiệm để ban hành các quy định an toàn vĩ mô, kiểm soát lạm phát và thiết lập quy chế trích lập dự phòng sát thực tế.
  • Chuyên viên phân tích rủi ro & Lập trình viên FinTech: Tham khảo mã nguồn, mô hình kinh tế lượng chuẩn hóa để phát triển các module EWS và Credit Scoring.
  • Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Tài liệu tham khảo toàn diện về phương pháp luận nghiên cứu định lượng dữ liệu bảng động.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để triển khai mô hình GMM là gì?

Hệ thống cần trang bị công cụ định lượng hỗ trợ hồi quy bảng động như Stata (từ phiên bản 14.0 trở lên với module xtabond2), R (thư viện plm) hoặc Python (linearmodels). Dữ liệu đầu vào yêu cầu chuỗi thời gian tối thiểu $T \ge 5$ năm trên tập mẫu $N$ ngân hàng lớn ($N > T$) để đảm bảo bậc tự do và tránh bùng nổ biến công cụ.

2. Tại sao biến lãi suất cho vay trung bình (AWPR) không có ý nghĩa thống kê trong mô hình?

Trong giai đoạn 2008–2016 tại Việt Nam, mặt bằng lãi suất cho vay chịu sự điều tiết chặt chẽ bởi trần lãi suất huy động và các gói hỗ trợ lãi suất từ NHNN. Do đó, biến thiên lãi suất danh nghĩa chưa phản ánh đầy đủ áp lực chi phí vốn thực tế lên rủi ro vỡ nợ của từng ngân hàng cụ thể.

3. Làm thế nào để tích hợp mô hình này vào Core Banking hiện hữu?

Mô hình GMM đóng vai trò là "Công cụ tính toán tham số rủi ro vĩ mô". Định kỳ (tháng/quý), các hệ số hồi quy được nạp vào hệ thống Core Banking / RRM (Risk Resource Management) qua API dạng JSON/RESTful để tự động tính điểm Stress-test cho từng danh mục cho vay.

4. Chi phí trích lập dự phòng (LLP) tác động như thế nào đến nợ xấu?

Trong mô hình thực nghiệm GMM, LLP không đạt mức ý nghĩa thống kê độc lập ($p = 0,505$). Điều này cho thấy tại Việt Nam trong giai đoạn nghiên cứu, trích lập dự phòng chủ yếu mang tính chất tuân thủ quy định phân loại nợ thay vì giữ vai trò là biến kích hoạt thay đổi tỷ lệ nợ xấu nội tại.

5. Tại sao kết quả hồi quy biến trễ $NPL_{t-1}$ lại mang hệ số âm?

Thông thường nợ xấu có tính quán tính (dấu dương). Tuy nhiên, trong giai đoạn 2012–2016, việc thành lập Công ty Quản lý Tài sản VAMC và việc thực thi quyết liệt Đề án 254 của Chính phủ đã buộc các NHTM xử lý quyết liệt nợ xấu lũy kế của năm trước, tạo ra mối quan hệ nghịch chiều giữa nợ xấu tồn đọng kỳ trước và tỷ lệ nợ xấu ghi nhận ở kỳ hiện tại.

Kết luận

Đề tài đã hoàn thành xuất sắc việc lượng hóa các nhân tố ảnh hưởng đến nợ xấu tại 29 NHTM Việt Nam giai đoạn 2008–2016 thông qua mô hình dữ liệu bảng động System GMM. Kết quả chứng minh rõ rệt: Tăng trưởng kinh tế (GrGDP) và hiệu quả sử dụng tài sản (ROA) là hai lá chắn vững chắc nhất giúp giảm thiểu nợ xấu; trong khi lạm phát (INF) và thất nghiệp (UNE) là các nhân tố rủi ro vĩ mô trực tiếp đẩy nợ xấu gia tăng.

Nghiên cứu cung cấp cơ sở khoa học xác thực giúp các NHTM thiết lập hệ thống cảnh báo sớm rủi ro tín dụng và hỗ trợ NHNN trong việc xây dựng chính sách an toàn vĩ mô trong kỷ nguyên số.