1246 Các Yếu Tố Tác Động Đến Nợ Xấu Của Các Nhtm Vn Khóa Luận Tốt Nghiệp Đại Học 2023.Docx

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH 1976 TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỔ CHÍ MINH ĐỀ TÀI CÁC YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT N[.]

CƠ SỞ LÝ THUYẾT

Tổng quan về nợ xấu

Trên thế giới vẫn chưa có sự thống nhất về khái niệm nợ xấu cho đến hiện tại Các tiêu chí cụ thể để phân loại các khoản vay là nợ xấu (non-performing loan) hoặc nợ bị giảm giá trị (impaired loan) có sự khác nhau giữa các quốc gia và các tổ chức trên thế giới Theo Caprio và Klingebiel (1999), nợ xấu thường đề cập đến khoản cho vay mà mà gốc và lãi của nó chưa được thanh toán trong ít nhất 90 ngày Theo Alton và Hazen (2001), các khoản cho vay sẽ trở thành nợ xấu nếu các khoản thanh toán gốc và lãi của nó không được trả vào ngày đáo hạn và không thể dự đoán trong tương lai. Theo Bholat và các cộng sự (2016), ở cấp độ chung nhất, nợ xấu là khoản cho vay mà người đi vay không hoàn trả theo đúng nghĩa vụ hợp đồng Khoản nợ được coi là bị giảm giá trị khi số tiền dự kiến mà khách hàng vay phải trả giảm xuống dưới giá trị hợp đồng được ghi trên bảng cân đối kế toán của ngân hàng Khi sự kiện này xảy ra, việc trích lập dự phòng rủi ro cho vay sẽ được thực hiện.

Trong nghiên cứu về nợ xấu ở các nước trong khu vực Trung, Đông và Đông Nam Âu (CESEE), Barisitz (2011) đã tổng hợp khái niệm về nợ xấu Cụ thể, nợ xấu thường đề cập đến ba yếu tố như sau:

(i) Gốc hoặc lãi quá hạn từ 90 ngày trở lên;

(ii) Sự hiện diện của “những điểm yếu đã được xác định rõ” (well-defined weaknesses) của khoản vay hoặc người đi vay Các điểm yếu ở đây được hiểu là đánh giá của ngân hàng cho rằng tình hình tài chính của bên đi vay đã xấu đi một cách nghiêm trọng, thậm chí có thể xảy ra trước khi hết thời hạn tối thiểu là 90 ngày.Điều này có thể bao gồm việc khách hàng vay mất khả năng thanh toán hoặc phá sản,hoặc đang tìm kiếm các biện pháp tái cơ cấu khoản vay Do đó, người đi vay sẽ không thể thực hiện nghĩa vụ của mình nếu không thanh lý tài sản thế chấp sẵn có;(iii) Các khoản nợ thuộc 3 phân loại “dưới tiêu chuẩn” (substandard), “nghi ngờ”(doubtful), “bị tổn thất/ xóa nợ” (loss/ write-off) thường đồng nghĩa với nợ xấu.Trong Hướng dẫn tổng hợp về các chỉ số lành mạnh tài chính - Compilation Guide onFinancial Soundness Indicators (FSIs, 2006), Quỹ Tiền tệ Thế giới (IMF) đã đưa ra định nghĩa nợ xấu là “Các khoản vay được phân loại là nợ xấu khi (i) có các khoản thanh toán gốc và lãi đã quá hạn từ 90 ngày trở lên; (ii) các khoản thanh toán lãi từ 90 ngày trở lên đã được vốn hóa, tái cấp vốn hoặc đảo nợ” Trong đó, tiêu chí 90 ngày là khoảng thời gian được các quốc gia sử dụng rộng rãi nhất để xác định liệu một khoản vay có phải là nợ xấu hay không Nhằm tạo điều kiện thuận lợi hơn trong việc đo lường, so sánh giữa các quốc gia, trong phiên bản cập nhật tháng 11/ 2007 của FSIs, IMF đã chọn một tiêu chí thống nhất để xác định nợ xấu là “Có các khoản thanh toán gốc hoặc lãi quá hạn ít nhất 90 ngày” Cách xác định này cũng tương tự với định nghĩa vỡ nợ của Ủy ban Basel về Giám sát Ngân hàng (2004) và cách thức phân loại chất lượng tín dụng của IIF. Ủy ban Basel về Giám sát Ngân hàng (BCBS) vẫn chưa đưa ra khái niệm chính thức về nợ xấu Tuy nhiên, trong Phiên bản sửa đổi tháng 6/2004 của Hiệp ước quốc tế về đo lường vốn và các tiêu chuẩn về vốn (Basel II), BCBS đã đề cập đến hai tiêu chí nhằm xác định một khoản nợ được coi là không có khả năng hoàn trả (a default) khi một trong hai hoặc cả hai sự kiện sau xảy ra: (i) ngân hàng cho rằng khách hàng vay vốn không có khả năng thanh toán đầy đủ các nghĩa vụ tín dụng đối với ngân hàng nếu ngân hàng không xử lý tài sản đảm bảo; (2) các khoản nợ đã quá hạn trên 90 ngày.

Theo cách thức phân loại nợ của Viện Tài chính Quốc tế (IIF), các khoản nợ được phân loại là nợ dưới tiêu chuẩn (substandard), nợ nghi ngờ (doubtful), nợ bị tổn thất/ xóa nợ” (loss/ write-off) sẽ tương đương với nợ xấu Cụ thể, các tiêu chí để phân loại nợ được quy định như sau:

(i) Nợ dưới tiêu chuẩn: Ngân hàng nghi ngờ khả năng hoàn trả đầy đủ của bên đi vay (chẳng hạn như do giá trị tài sản thế chấp bị giảm giá trị,…); các khoản gốc và lãi đã quá hạn hơn 90 ngày.

(ii) Nợ nghi ngờ: Các khoản gốc và lãi đã quá hạn trên 180 ngày.

(iii) Nợ bị tổn thất/ Xóa nợ: Các khoản gốc và lãi đã quá hạn hơn một năm.

Như vậy, xét một cách tổng quát, nợ xấu theo quy định của IIF là các khoản nợ có thời gian quá hạn trên 90 ngày.

Chuẩn mực Báo cáo Tài chính Quốc tế (IFRS 9) cũng cung cấp những bằng chứng về việc suy giảm chất lượng tín dụng của tài sản tài chính Theo đó, một tài sản tài chính bị suy giảm chất lượng tín dụng khi một hoặc nhiều sự kiện xảy ra có tác động bất lợi đến dòng tiền dự kiến trong tương lai của tài sản tài chính đó, chẳng hạn như: khó khăn tài chính đáng kể của người đi vay; vi phạm hợp đồng (sự kiện vỡ nợ hoặc quá hạn thanh toán xảy ra); khả năng người đi vay sẽ phá sản hoặc tái tổ chức tài chính khác;… Ở Việt Nam, trong Thông tư số 11/2021/TT-NHNN của NHNN, nợ xấu được quy định là nợ thuộc các nhóm 3 (nợ dưới tiêu chuẩn), 4 (nợ nghi ngờ) và 5 (nợ có khả năng mất vốn) Các tiêu chí đánh giá để hướng dẫn các TCTD thực hiện phân loại nợ được quy định trên cả hai phương pháp định lượng và định tính Đối với phương pháp định lượng, các khoản nợ được phân loại là nợ nhóm 3, nhóm 4, nhóm 5 khi có thời gian quá hạn lần lượt là từ 91 đến 180 ngày, từ 181 ngày đến 360 ngày, trên 360 ngày Đối với phương pháp định tính, nợ nhóm 3 được hiểu là các khoản nợ không có khả năng thu hồi nợ gốc và lãi khi đến hạn, các khoản nợ thuộc nhóm 4 được đánh giá là có khả năng tổn thất cao, và các khoản nợ được phân loại là nhóm 5 khi không còn khả năng thu hồi, có khả năng mất vốn.

Như vậy, dù có không có khái niệm chung chính thức về nợ xấu, nhưng các quốc gia và các tổ chức trên thế giới đều cho rằng một khoản vay được coi là nợ xấu nếu tồn tại 2 đặc điểm (i) có thời gian quá hạn trên 90 ngày (yếu tố định lượng) và bị nghi ngờ khả năng trên nợ (yếu tố định tính).

Các chuẩn mực kế toán về trích lập dự phòng và phân loại các khoản vay theo chất lượng tín dụng chỉ mới xuất hiện trong vài thập kỉ gần đây (Bholat và các cộng sự,

2016) Trước đây, thậm chí ở từng quốc gia cũng có rất ít tiêu chuẩn chung trong việc trích lập dự phòng và phân loại nợ Việc ban hành chuẩn mực FAS 5 về Kế toán Dự phòng ở Mỹ vào năm 1975 có thể được coi là chuẩn mực kế toán chính thức đầu tiên trong lĩnh vực này Trước đó, mặc dù các ngân hàng đã trích lập dự phòng rủi ro cho các khoản nợ xấu, nhưng mức độ nợ xấu và mức trích lập đều không được công khai.

Ví dụ, các thông lệ và luật pháp ở Anh cho phép các ngân hàng được miễn báo cáo bản chất thực sự của các khoản dự phòng, lợi nhuận, vốn và nợ xấu cho đến năm

1970 (Billings và Capie 2009) Tuy nhiên, theo thời gian, nhu cầu về các chuẩn mực chung và tầm quan trọng của việc công bố thông tin đã ngày càng được quan tâm do bản chất của hoạt động cho vay dần trở nên phức tạp và dài hạn hơn Sự phát triển của cho vay dài hạn khiến các ngân hàng gánh chịu RRTD nhiều hơn, do đó sự ra đời của các tiêu chuẩn kế toán thống nhất là vô cùng cần thiết nhằm nâng cao tính chính xác và đồng bộ trong công tác giám sát chất lượng tài sản, cũng như đảm bảo an toàn trong hoạt động ngân hàng.

Hiện nay, ở mỗi quốc gia, dù đã có những tiêu chí phân loại nợ rõ ràng, nhưng hệ thống phân loại nợ nhìn chung vẫn còn thiếu sự đồng thuận trên phương diện quốc tế(Laurin & Majnoni, 2003) Các cách tiếp cận phân loại nợ được coi là trách nhiệm của người quản lý hoặc chỉ thuộc vấn đề giám sát Trong số các nước G-10 (gồm Bỉ,Canada, Pháp, Đức, Ý, Nhật Bản, Hà Lan, Thụy Điển, Thụy Sĩ, Anh và Mỹ), Mỹ và Đức đã có cách tiếp cận phân loại nợ rõ ràng Ở các quốc gia không có cơ chế phân loại chi tiết, thông thường, các nhà quản lý ngân hàng sẽ có trách nhiệm phát triển các chính sách và quy trình phân loại nợ nội bộ Điểm chung ở những quốc gia này là vai trò của bên ngoài (gồm giám sát viên ngân hàng và kiểm toán viên độc lập) nên bị hạn chế khi đưa ra ý kiến về việc liệu các quy định của ngân hàng đã đầy đủ và có được áp dụng một cách phù hợp, nhất quán hay không Tại Anh, cơ quan giám sát không yêu cầu các ngân hàng áp dụng bất kỳ hình thức phân loại nợ cụ thể nào Tuy nhiên, họ kỳ vọng rằng các ngân hàng phải có quy trình quản lý rủi ro phù hợp và được cập nhật thường xuyên, bao gồm việc thẩm định các khoản cho vay một cách thận trọng Mặc dù không có khuyến nghị cụ thể về số nhóm nợ, nhưng giám sát viên vẫn có quyền hướng dẫn các ngân hàng sửa đổi hệ thống phân loại của họ Hà Lan cũng sử dụng cách tiếp cận tương tự, các quy trình và hệ thống phân loại nợ của ngân hàng phải được giám sát viên đánh giá định kỳ Riêng đối với Pháp, cơ quan giám sát nước này có quy định các tiêu chí tối thiểu đối với các khoản nợ xấu, nhưng không có hướng dẫn chung về phân loại nợ Việc phân loại nợ tùy thuộc vào nội bộ ngân hàng.

Bả ng 2.1 Phân loại nợ của một số quốc gia trên thế giới

Tên quốc gia Cách thức phân loại nợ Úc

Kể cả khi đã quá hạn từ 90 ngày trở lên, một khoản nợ sẽ được coi là nợ xấu khi bị nghi ngờ khả năng trả nợ, bao gồm lãi và các khoản thanh toán khác.

Các khoản nợ được phân loại theo thang đo 9 cấp AA, A, B, C,

D, E, F, G và H tương ứng với mức độ rủi ro tăng dần Nợ xấu gồm (i) các khoản nợ quá hạn trên 90 ngày; (ii) các khoản nợ không quá hạn trên 90 ngày nhưng được phân loại là nợ cấp E,

F, G hoặc H; (iii) nợ tái cơ cấu.

Theo các quy tắc giám sát, các NHTM phân loại nợ theo 5 nhóm gồm (i) nợ đạt tiêu chuẩn; (ii) nợ cần chú ý; (iii) nợ dưới tiêu chuẩn ; (iv) nợ nghi ngờ và (v) nợ bị tổn thất Nợ cần lưu ý đặc biệt có nghĩa là người đi vay có khả năng trả nợ nhưng có thể bị ảnh hưởng bởi một số yếu tố bất lợi 3 nhóm nợ cuối cùng tương đương với nợ xấu.

Lý thuyết các yếu tố tác động đến nợ xấu

Umar và các cộng sự (2018) khi nghiên cứu các yếu tố tác động đến nợ xấu của các ngân hàng Trung Quốc giai đoạn 2005 – 2014, tác giả đã sử dụng 3 mô hình khác nhau về biến độc lập để tiến hành phân tích Theo đó, biến độc lập của mô hình (1) chỉ gồm các biến vĩ mô, mô hình (2) chỉ gồm các biến ngân hàng và mô hình (3) có đầy đủ cả hai nhóm biến Kết quả nghiên cứu cho thấy mô hình (1) và mô hình (2) không thể chỉ ra mối quan hệ tác động của nhiều biến độc lập với nợ xấu Vì vậy, việc chỉ xem xét tác động của mỗi biến vĩ mô hoặc biến ngân hàng đến nợ xấu có thể dẫn đến kết luận sai lầm Là một bộ phận quan trọng của hệ thống tài chính, các NHTM chịu ảnh hưởng của cả yếu tố vĩ mô và yếu tố nội tại Sau đây, khóa luận sẽ trình bày một số lý thuyết về tác động của các yếu tố vi mô và vĩ mô đến nợ xấu.

2.2.1 Lý thuyết các yếu tố vĩ mô tác động đến nợ xấu

(i) Lý thuyết thông tin bất cân xứng (Asymmetric Information)

Bất cân xứng thông tin được Mishkin (1990) định nghĩa là sự khác biệt về thông tin sẵn có giữa các bên trong một hợp đồng tài chính Theo đó, người đi vay (khách hàng) có lợi thế về thông tin hơn so với người cho vay (ngân hàng) vì họ nắm rõ những gì liên quan đến dự án hơn Lựa chọn đối nghịch (adverse selection) và rủi ro đạo đức (moral hazard) là hai hệ quả tiêu cực của thông tin bất cân xứng.

Thuật ngữ “thông tin bất cân xứng” được đề cập lần đầu tiên trong lý thuyết cổ điển

“vấn đề trái chanh” (lemons problem theory) của Ackerloff (1970) “Vấn đề trái chanh” xảy ra trên thị trường nợ vì ngân hàng thường khó có thể xác định chính xác đâu là dự án thành công để tài trợ vốn và đâu là dự án rủi ro (trái chanh) cần phải loại bỏ Do khó xác định chất lượng tốt hay xấu của dự án, họ sẽ cho vay với mức lãi suất phản ánh chất lượng dự án trung bình Kết quả là các khách hàng có dự án tiềm năng sẽ phải trả mức lãi suất cao hơn và ngược lại, các dự án mạo hiểm sẽ được tài trợ vốn với mức lãi suất thấp hơn Đây chính là “lựa chọn đối nghịch”, hậu quả của nó là các chủ thể vay vốn có chất lượng tín dụng tốt có thể rời bỏ thị trường và do đó các dự án đầu tư có lợi nhuận sẽ không được thực hiện Sự mất mát của các dự án đầu tư có tiềm năng phát triển tốt và đem lại lợi nhuận không những hạn chế cơ hội sinh lời cao trong hoạt kinh doanh của các ngân hàng, mà còn ảnh hưởng tiêu cực đến sự phát triển của nền kinh tế.

Hệ quả thứ hai do thông tin bất cân xứng trong giao dịch tín dụng gây ra là “rủi ro đạo đức”, làm ảnh hưởng đến hiệu quả của thị trường tài chính Cụ thể, vì ngân hàng khó có thể kiểm soát hoàn toàn chất lượng của các dự án đầu tư mà bên đi vay thực hiện, nên bên đi vay sẽ có động cơ thực hiện những hành vi thiên về lợi ích cá nhân.Điều này làm tăng nguy cơ vỡ nợ đối với các khoản vay của ngân hàng Ví dụ: bên đi vay sử dụng vốn không đúng mục đích, gian lận thông qua biển thủ hay đầu tư vào các dự án mạo hiểm và ngân hàng sẽ chịu phần lớn thiệt hại nếu dự án thất bại,… Mâu thuẫn lợi ích giữa hai bên (vấn đề đại diện - the agency problem) cho thấy hiệu quả hoạt động cho vay và đầu tư là không tối ưu.

Tóm lại, sự bất cân xứng thông tin trong hoạt động cho vay khiến các ngân hàng phải gánh chịu những khoản lỗ vì lựa chọn sai lầm và không thể kiểm soát các hành vi thuộc về rủi ro đạo đức của đối tác vay vốn.

(ii) Lý thuyết gia tốc tài chính (Financial Accelerator Theory)

Hiệu ứng “cú sốc nhỏ, chu kỳ lớn” trong phân tích chu kỳ kinh doanh có nghĩa là những biến động lớn trong hoạt động kinh tế có thể bắt nguồn từ những chuyển biến nhỏ tưởng chừng như vô hại Với quy luật tương tự, lý thuyết gia tốc tài chính của Bernanke và Gertler (1994) lập luận rằng những diễn biến xấu đi trên thị trường tín dụng có thể khuếch đại các cú sốc bất lợi đối với nền kinh tế và tạo ra chu kỳ phản hồi Hàm ý của lý thuyết là, những người đi vay phải gánh chịu chi phí đi vay (lãi suất) cao (chẳng hạn như người tiêu dùng, các công ty nhỏ hoặc các công ty có bảng cân đối kế toán yếu) có thể chịu áp lực lớn hơn khi kinh tế suy thoái Khi đó, những người đi vay này sẽ có nguy cơ tiếp cận lượng tín dụng thấp hơn Do khó tiếp cận nguồn tài trợ bên ngoài, hoạt động kinh doanh của họ sẽ gặp phải tình trạng trì trệ sớm hơn, ở mức độ nghiêm trọng hơn so với những chủ thể khác trong nền kinh tế. Kinh doanh khó khăn khiến dòng tiền giảm, kéo theo khả năng chi trả giảm Vì vậy, cú sốc kinh tế ban đầu càng trở nên trầm trọng hơn.

Nội dung lý thuyết tập trung vào mối quan hệ giữa người cho vay (ngân hàng) và người đi vay (khách hàng) Mối quan hệ này tồn tại ba đặc điểm Thứ nhất, tài trợ bên ngoài đắt hơn tài trợ nội bộ, trừ khi tài trợ bên ngoài được thế chấp đầy đủ Chi phí tài trợ bên ngoài cao hơn phản ánh chi phí đại diện khi cho vay của ngân hàng(các khoản lỗ không thể tránh khỏi do thông tin bất cân xứng) Thứ hai, phần dư nguồn vốn bên ngoài (external finance premium) - chênh lệch chi phí giữa nguồn vốn huy động từ bên ngoài (vay ngân hàng) và vốn nội bộ thay đổi tỷ lệ nghịch với giá trị tài sản ròng của người đi vay Thứ ba, giá trị ròng của người đi vay giảm khi phần dư nguồn vốn bên ngoài và mức độ phụ thuộc vào tài trợ bên ngoài tăng sẽ làm giảm khả năng chi trả và hoạt động sản xuất của người đi vay Đặc điểm thứ ba cũng là trọng tâm của lý thuyết gia tốc tài chính: Cú sốc bất lợi của nền kinh tế làm giảm giá trị ròng của người đi vay, gây ảnh hưởng tiêu cực đến hành vi chi tiêu, đầu tư và sản xuất của họ, kết quả là cú sốc ban đầu sẽ được khuếch đại Như vậy, tác động của gia tốc tài chính càng mạnh thì nền kinh tế càng suy thoái sâu hơn.

Bên cạnh đó, nghiên cứu của Bernanke và Gertler cũng đề cập đến nguyên nhân các công ty có quy mô nhỏ hoặc có bảng cân đối kế toán yếu phải chi trả lãi vay cao hơn như sau: Đa dạng hóa hoạt động của các công ty lớn giúp họ phân tán bớt rủi ro khi suy thoái diễn ra Đồng thời, hồ sơ hoạt động và lịch sử tài chính của các công ty này cũng được công khai tương đối đầy đủ trong một khoảng thời gian tương đối dài. Hơn nữa, báo cáo kết quả hoạt động kinh doanh hoặc bảng cân đối kế toán của một công ty được đánh giá yếu cho thấy tình hình tài chính công ty đó có thể chưa đáp ứng được các yêu cầu về tỷ lệ tài chính tiêu chuẩn hoặc giá trị tài sản bị suy giảm, dẫn đến làm giảm khả năng đăng kí tài sản thế chấp và có ảnh hưởng trực tiếp đến khả năng tiếp cận tín dụng của doanh nghiệp và mức lãi suất mà doanh nghiệp phải trả Do vậy, sự biến động của giá trị ròng có thể tạo ra những thay đổi lớn trong chi phí cho vay đối với những người đi vay có giá trị ròng thấp, nhưng không ảnh hưởng nhiều đến chi phí của cho vay những khách hàng có nguồn tài chính nội bộ dồi dào.

(iii) Lý thuyết kênh tín dụng (The Credit Channel Theory)

Bernanke và Gertler (1995) cho biết, trong quá khứ, rất khó để giải thích mức độ ảnh hưởng của chính sách tiền tệ (CSTT) đối với nền kinh tế nếu chỉ dựa vào lãi suất. Tuy nhiên, lý thuyết kênh tín dụng có thể giải thích được vấn đề này Lý thuyết này cho rằng tác động trực tiếp của CSTT lên lãi suất được khuếch đại thông qua sự thay đổi trong phần dư nguồn vốn bên ngoài (external finance premium) Phần dư nguồn vốn bên ngoài được định nghĩa là sự chênh lệch về chi phí giữa nguồn vốn huy động từ bên ngoài (phát hành cổ phiếu, trái phiếu, vay ngân hàng) và nguồn vốn nội bộ (từ lợi nhuận giữ lại) Nói cách khác, nó phản ánh sự không hoàn hảo của thị trường tín dụng (sự bất cân xứng thông tin gây ra lựa chọn đối nghịch và rủi ro đạo đức; vấn đề đại diện; các chi phí thẩm định, giám sát và thu hồi của bên cho vay) Tóm lại, CSTT không chỉ ảnh hưởng đến mặt bằng chung của lãi suất, mà còn ảnh hưởng đến quy mô của phần dư nguồn vốn bên ngoài.

Hai cơ chế được đề xuất để giải thích mối quan hệ giữa sự thay đổi của CSTT và phần dư nguồn vốn bên ngoài là kênh bảng cân đối kế toán (the balance sheet channel theory) và kênh cho vay ngân hàng (the bank lending channel theory) Cụ thể, kênh bảng cân đối kế toán nhấn mạnh tác động tiềm tàng của những thay đổi trong CSTT đối với bảng cân đối kế toán và báo cáo thu nhập của người đi vay, bao gồm các biến số như giá trị tài sản ròng, dòng tiền và tài sản lưu động Trong khi đó, ở phạm vi hẹp hơn, kênh cho vay ngân hàng tập trung vào sự ảnh hưởng có thể xảy ra của CSTT đến nguồn cung tín dụng của các tổ chức tiền gửi.

Lý thuyết kênh bảng cân đối kế toán (The Balance Sheet Channel Theory)

Lý thuyết kênh bảng cân đối kế toán cho rằng phần dư nguồn vốn bên ngoài của người đi vay phụ thuộc vào tình hình tài chính của họ Theo đó, giá trị ròng của người đi vay càng lớn (gồm tổng tài sản thanh khoản và tài sản thế chấp có thể bán được) thì phần dư nguồn vốn bên ngoài càng thấp Vị thế tài chính mạnh hơn (giá trị ròng lớn hơn) cho phép người đi vay hạn chế mâu thuẫn lợi ích với người cho vay, bằng cách tăng tỷ lệ phần trăm tự tài trợ cho các dự án, hoặc cung cấp nhiều tài sản thế chấp hơn để đảm bảo các khoản nợ Trên thực tế, lập luận này đã tạo cơ sở cho nhiều thỏa thuận tài chính, chẳng hạn như người vay được yêu cầu phải đáp ứng các tỷ lệ tài chính nhất định hoặc đăng ký tài sản thế chấp.

Tình hình tài chính của người đi vay được biểu hiện thông qua chất lượng của bảng cân đối kế toán Sự thay đổi trong CSTT sẽ ảnh hưởng đến tình hình tài chính của người đi vay một cách trực tiếp lẫn gián tiếp, điều này sẽ được phản ánh trên bảng cân đối kế toán của họ Theo cách trực tiếp, CSTT thắt chặt sẽ làm suy yếu bảng cân đối kế toán ít nhất theo hai hướng Thứ nhất, trong trường hợp người đi vay có dư nợ ngắn hạn hoặc nợ theo lãi suất thả nổi, khi lãi suất tăng sẽ trực tiếp làm tăng chi phí lãi vay, làm giảm dòng tiền ròng và làm suy yếu tình hình tài chính của người đi vay.

Do nhiều công ty chủ yếu dựa vào nợ ngắn hạn để tài trợ cho hàng tồn kho và vốn lưu động khác, nên ảnh hưởng trực tiếp của CSTT đến dòng tiền ròng từ hoạt động kinh doanh là khá quan trọng Thứ hai, trong số những yếu tố làm giảm giá trị tài sản thế chấp, nhiều bằng chứng cho thấy rằng lãi suất tăng cũng có liên quan đáng kể. Dẫn chứng điển hình là sự trượt giá của đất đai và cổ phiếu ở Nhật Bản từ cuối những năm 1980 là kết quả của chính sách thắt chặt tiền tệ Sự kiện này đã làm giảm mức độ tín nhiệm của nhiều tập đoàn, ngân hàng Nhật Bản và góp phần vào cuộc suy thoái diễn ra sau đó.

Mặt khác, CSTT thắt chặt cũng có thể làm giảm dòng tiền ròng và giá trị tài sản thế chấp theo cách gián tiếp Cụ thể, khi NHTW thực thi CSTT thắt chặt, doanh thu của các công ty sản xuất hàng hóa trung gian sẽ sụt giảm (do nhu cầu của đối tác giảm) trong khi chi phí cố định lại không thay đổi, dẫn đến lợi nhuận của doanh nghiệp giảm, giá trị tài sản ròng giảm và cuối cùng là ảnh hưởng xấu đến mức tín dụng của công ty.

Lý thuyết kênh cho vay ngân hàng (The Bank Lending Channel)

Ngoài tác động đến bảng cân đối kế toán của người đi vay, CSTT cũng có thể ảnh hưởng đến phần dư nguồn vốn bên ngoài bằng cách thay đổi nguồn cung tín dụng của các NHTM (kênh cho vay ngân hàng) Theo Bernanke và Blinder (1988), khi NHTW thực hiện thắt chặt tiền tệ bằng cách bán chứng khoán trên thị trường mở sẽ làm cạn kiệt các khoản dự trữ và tiền gửi của ngân hàng Hơn nữa, các ngân hàng cũng khó có thể bù đắp các khoản tiền gửi và dự trữ đã mất bằng những nguồn khác như phát hành công cụ nợ hoặc cổ phiếu, dẫn đến nguồn cung cho vay giảm Với vai trò là chủ thể cung cấp phần lớn các khoản tín dụng ở hầu hết các quốc gia, nếu nguồn cung của ngân hàng bị gián đoạn, thì những người đi vay phụ thuộc vào tín dụng (các doanh nghiệp vừa và nhỏ) có thể gặp khó khăn để duy trì hoạt động Hơn nữa, họ có thể phát sinh thêm các chi phí liên quan đến việc tìm kiếm nguồn vay mới và thiết lập mối quan hệ tín dụng mới Do đó, việc giảm nguồn cung tín dụng của ngân hàng có khả năng làm tăng phần dư nguồn vốn bên ngoài và gây cản trở hoạt động kinh doanh.

2.2.2 Lý thuyết các yếu tố vi mô tác động đến nợ xấu

Các nghiên cứu thực nghiệm về nợ xấu

2.3.1 Các nghiên cứu trên thế giới

Salas và Saurina (2002) nghiên cứu sự tác động của nhóm yếu tố vĩ mô và nhóm yếu tố đặc thù của ngân hàng đến nợ xấu Sau khi thu thập dữ liệu từ cácNHTM và ngân hàng tiết kiệm ở Tây Ban Nha trong giai đoạn 1985-1997, tác giả sử dụng phương pháp GMM để đo lường chiều hướng tác động của 2 nhóm yếu tố đến tỷ lệ nợ xấu Xét trên khía cạnh của các NHTM, kết quả thu được cho thấy tốc độ tăng trưởng GDP cùng với quy mô ngân hàng có mối tương quan ngược chiều với nợ xấu, trong khi đó tốc độ tăng trưởng tín dụng ghi nhận tác động cùng chiều Mặt khác, chỉ số kém hiệu quả (được đo lường bằng tỷ lệ giữa chi phí hoạt động trên thu nhập hoạt động) dường như không có ảnh hưởng đến mức độ nợ xấu của các NHTM Ngoài ra, kết quả nghiên cứu cũng cho thấy sự khác nhau về các yếu tố tác động đến 2 loại hình NH Các biến kinh tế vi mô có khả năng giải thích cao hơn đối với các ngân hàng tiết kiệm hơn là NHTM.

Louzis và các cộng sự (2012) sử dụng bộ dữ liệu gồm 9 NHTM lớn nhất của Hy Lạp từ quý 1/2003 đến quý 3/2009 để thực nghiên cứu các yếu tố ảnh hưởng đến nợ xấu Tốc độ tăng trưởng GDP, tỷ lệ thất nghiệp và lãi suất cho vay được lựa chọn làm đại diện cho nhóm yếu tố kinh tế vĩ mô Đối với nhóm yếu tố vi mô, các biến độc lập được sử dụng là ROE, tỷ lệ đòn bẩy, quy mô ngân hàng, chỉ số kém hiệu quả,… thuộc các giả thuyết “rủi ro đạo đức”, “quản lý yếu kém”, “quá lớn để phá sản”,

… Quá trình phân tích được tiến hành trên cơ sở phân loại tổng danh mục cho vay của các ngân hàng thành 3 loại chính gồm cho vay thế chấp, cho vay kinh doanh và cho vay tiêu dùng Kết quả nghiên cứu cho thấy, đối với nhóm biến vĩ mô, tốc độ tăng trưởng GDP có tác động ngược chiều với nợ xấu ở cả 3 loại khoản vay, và cho vay kinh doanh là nhạy cảm nhất Trái lại, tỷ lệ thất nghiệp và lãi suất cho vay có tác động cùng chiều Trong đó, nợ xấu trong cho vay kinh doanh nhạy cảm nhất khi tỷ lệ thất nghiệp thay đổi, còn nợ xấu tiêu dùng bị ảnh hưởng nhất bởi sự thay đổi của lãi suất Đối với nhóm biến vi mô, hệ số của chỉ số kém hiệu quả và chỉ số ROE thuộc giả thuyết “quản lý yếu kém” lần lượt ghi nhận giá trị dương và âm, cho thấy chất lượng quản lý kém có tác động cùng chiều với nợ xấu Biến tỷ lệ đòn bẩy của giả thuyết “quá lớn để phá sản” cũng có tác động cùng chiều ở một ngưỡng quy mô nhất định.

Messai và Jouini (2013) nghiên cứu các yếu tố vĩ mô (tốc độ tăng trưởng GDP, tỷ lệ thất nghiệp, lãi suất thực) và vi mô (tỷ suất sinh lời trên tài sản - ROA, tốc độ tăng trưởng tín dụng, tỷ lệ dự phòng RRTD) tác động đến nợ xấu trên phạm vi

85 ngân hàng ở 3 quốc gia là Ý, Hy Lạp và Tây Ban Nha trong giai đoạn 2004 –

2008 Mẫu đại diện được chọn là có chủ đích vì đây là 3 quốc gia có tình hình tài chính xấu đi đáng kể sau cuộc khủng hoảng năm 2008 Tác giả cũng chọn ra các ngân hàng lớn và có khối lượng nợ xấu lớn do bị ảnh hưởng từ cuộc khủng hoảng cho vay thế chấp dưới chuẩn và khủng hoảng nợ để thực hiện nghiên cứu. Phương pháp nghiên cứu được sử dụng là phương pháp dữ liệu bảng Sau khi sử dụng kiểm định Hausman để lựa chọn giữa 2 mô hình là FEM và REM, kết quả chỉ ra rằng mô hình FEM được ưu tiên hơn Kết quả nghiên cứu cho thấy, tốc độ tăng trưởng GDP và ROA có tác động ngược chiều đến nợ xấu, trong khi các biến còn lại là tỷ lệ thất nghiệp, lãi suất thực và tỷ lệ dự phòng RRTD có tác động cùng chiều Tất cả đều có ý nghĩa thống kê.

Nghiên cứu về nợ xấu của Nir Klein (2013) được thực hiện trên phạm vi 10 ngân hàng lớn nhất ở mỗi quốc gia trong số 16 quốc gia khu vực Trung, Đông và Đông Nam Âu (CESEE) giai đoạn 1998 -2011 Cụ thể, bộ dữ liệu gồm 976 quan sát, được phân chia không đồng đều trong khoảng thời gian của mẫu: (1998–

330 quan sát và (2006–2011) bao gồm 646 quan sát Tác giả sử dụng phương pháp FEM và GMM để xem xét sự tác động của các yếu tố vĩ mô và vi mô đến nợ xấu Kết quả nghiên cứu cho thấy, tỷ lệ nợ xấu năm trước có tác động đáng kể và tỷ lệ thuận với nợ xấu Đối với nhóm yếu tố vi mô, tỷ lệ vốn chủ sở hữu và khả năng sinh lời có mối quan hệ ngược chiều với nợ xấu, trong khi tỷ lệ dư nợ cho vay và tốc độ tăng trưởng tín dụng được nhận thấy là có tác động cùng chiều đến nợ xấu Đối với nhóm yếu tố vĩ mô, tỷ lệ thất nghiệp, tỷ lệ lạm phát và tỷ giá hối đoái đều có tác động cùng chiều đến nợ xấu Trái lại, tốc độ tăng trưởng GDP tỷ lệ nghịch với nợ xấu.

Ghosh (2015) sử dụng phương pháp FEM và GMM để nghiên cứu các yếu tố tác động đến nợ xấu của các NHTM và tổ chức tiết kiệm trên 50 tiểu bang ở Mỹ và quận Columbia từ năm 1984 đến năm 2013 Đối với nhóm biến vi mô, kết quả cho thấy vốn chủ sở hữu lớn, chất lượng tín dụng kém, chi phí kém hiệu quả và quy mô lớn làm nợ xấu tăng đáng kể Trái lại, khả năng sinh lời cao tỷ lệ nghịch với nợ xấu Đối với nhóm biến vĩ mô, tốc độ tăng trưởng GDP, tỷ lệ tăng trưởng thu nhập cá nhân, tỷ lệ sở hữu nhà ở có mối quan hệ ngược chiều với nợ xấu.

Mặt khác, tỷ lệ thất nghiệp và tỷ lệ lạm phát có tác động cùng chiều.

Dimitrios và các cộng sự (2016) nghiên cứu sự tác động của các yếu tố vĩ mô và vi mô đến nợ xấu với phạm vi nghiên cứu là hệ thống các ngân hàng Khu vực đồng tiền chung châu Âu từ quý 1 năm 1990 đến quý 2 năm 2015 Giai đoạn phân tích được diễn ra trên 6 mô hình với phương pháp nghiên cứu là GMM, các biến trễ của từng yếu tố cũng được xem xét Kết quả cho thấy, đối với nhóm biến vĩ mô, tỷ lệ thất nghiệp ở thời điểm t và t-1 đều có tác động cùng chiều đến nợ xấu Tỷ lệ nợ công cùng với GDP thời điểm t và lạm phát được nhận thấy là có tác động không đáng kể Tuy nhiên, GDP thời điểm t-1 lại có tác động đáng kể và ngược chiều với nợ xấu Đối với nhóm biến vi mô, tỷ lệ dư nợ cho vay ở thời điểm t và t-1 có tác động cùng chiều đến nợ xấu khi xét trong mô hình chỉ gồm các biến vi mô Tỷ lệ nợ xấu năm trước cũng ghi nhận chiều hướng tương tự Trái lại, các chỉ số khả năng sinh lời ROA và ROE tỷ lệ nghịch với nợ xấu.

Trong nghiên cứu của Ozili (2019) có xem xét sự tác động của các yếu tố ngân hàng đến nợ xấu Tác giả sử dụng và thực hiện phân tích riêng biệt 2 bộ dữ liệu: (i) Dữ liệu toàn cầu (mẫu gồm 96 quốc gia sau khi đã loại trừ đi 38 quốc gia không tìm thấy số liệu về nợ xấu); (ii) Dữ liệu khu vực (gồm 6 khu vực là Thế giới, các nước đang phát triển ở châu Phi cận Sahara, Trung Đông và Bắc Phi, Mỹ Latinh và Caribe, Châu Âu và Trung Á, Đông Á và khu vực Thái Bình Dương) Sau khi thực hiện chạy mô hình thông qua 2 phương pháp FEM và GMM, kết quả nghiên cứu cho thấy, ở bộ dữ liệu toàn cầu, hệ số tỷ lệ chi phí trên thu nhập ghi nhận giá trị âm, cho thấy nợ xấu có mối quan hệ tỷ lệ nghịch với hiệu quả hoạt động của ngân hàng Tương tự, tỷ lệ dự phòng RRTD cũng có tác động ngược chiều với nợ xấu Mặt khác, hệ số của các biến tỷ lệ dư nợ cho vay trên tổng tiền gửi, tỷ lệ thu nhập ngoài lãi và tỷ lệ an toàn vốn đều không có ý nghĩa thống kê. Ở bộ dữ liệu khu vực, tỷ lệ dư nợ cho vay và tỷ lệ an toàn vốn đều có tác động ngược chiều với nợ xấu Nhìn chung, kết quả khu vực cho thấy rủi ro thanh khoản (tỷ lệ dư nợ cho vay trên tổng tiền gửi) và vốn ngân hàng là 2 yếu tố ảnh hưởng đáng kể đến nợ xấu.

Radivojević và các cộng sự (2019) nghiên cứu sự tác động của các yếu tố vĩ mô và vi mô đến nợ xấu trên phạm vi các NHTM ở các quốc gia Mỹ Latinh (ngoại trừ Colombia) trong giai đoạn 2000 – 2015 Mô hình được ước lượng theo cả hai phương pháp D-GMM (difference GMM) và S-GMM (system GMM) Đối với nhóm biến vĩ mô, kết quả nghiên cứu chỉ ra rằng tăng trưởng kinh tế có tác động cùng chiều đến nợ xấu Tỷ lệ thất nghiệp và tỷ lệ lạm phát được nhận thấy là không có ý nghĩa thống kê Mặt khác, kết quả nghiên cứu cũng không ghi nhận mối quan hệ có ý nghĩa thống kê giữa các biến vi mô là an toàn vốn và lãi suất cho vay với nợ xấu.

Khan và các cộng sự (2020) nghiên cứu các yếu tố vi mô quyết định đến nợ xấu ở các nước đang phát triển thông qua bộ dữ liệu được thu thập từ các NHTM niêm yết trên Sở giao dịch chứng khoán Pakistan trong 13 năm từ 2005 – 2017. Khả năng sinh lời (ROA), đa dạng hóa thu nhập, vốn ngân hàng (CAR) và hiệu quả hoạt động là các biến được sử dụng trong mô hình Tác giả cũng sử dụng kiểm định Hausman để chọn ra mô hình tối ưu nhất giữa 2 mô hình là FEM và REM, kết quả kiểm định cho thấy REM là mô hình phù hợp Cuối cùng, kết quả nghiên cứu chỉ ra rằng cả 4 biến độc lập đều có tác động ngược chiều đến nợ xấu.

2.3.2 Các nghiên cứu tại Việt Nam

Nguyễn Thị Hồng Vinh (2017) nghiên cứu về nợ xấu của hệ thống NHTM Việt Nam trên phạm vi 34 NHTM, gồm 5 NHTM Nhà nước và 29 NHTM Cổ phần trong giai đoạn 2005-2015 Tác giả đã sử dụng ba mô hình ước lượng là FEM, D-GMM và S- GMM để phân tích mức độ tác động của các yếu tố vi mô và vĩ mô đến tỷ lệ nợ xấu Đối với nhóm yếu tố vi mô, tỷ lệ nợ xấu trong quá khứ, quy mô ngân hàng và tỷ lệ dự phòng RRTD đều tỷ lệ thuận với nợ xấu Trong khi đó, ROA, tỷ lệ vốn CSH, tỷ lệ dư nợ trên vốn huy động và tốc độ tăng trưởng tín dụng được nhận thấy là có mối quan hệ ngược chiều với nợ xấu Đối với nhóm yếu tố vĩ mô, tốc độ tăng trưởng GDP có tác động ngược chiều với nợ xấu, trái ngược với tỷ lệ lạm phát, tỷ giá hối đoái,… ghi nhận tác động cùng chiều.

Nghiên cứu về các yếu tố ảnh hưởng đến tỷ lệ nợ xấu của Phạm Dương PhươngThảo và Nguyễn Linh Đan (2018) sử dụng bộ dữ liệu gồm 27 NHTM Cổ phần đang hoạt động tại Việt Nam từ năm 2005 đến năm 2016 Phương pháp nghiên cứu được sử dụng để kiểm định chiều hướng và mức độ tác động của từng yếu tố là phương pháp GMM Kết quả nghiên cứu cho thấy, tỷ lệ nợ xấu năm trước có tác động cùng chiều đến nợ xấu Trong khi đó, chi phí trích lập dự phòng RRTD, chi phí hoạt động, lợi nhuận sau thuế trên vốn chủ sở hữu (ROE), tốc độ tăng trưởng kinh tế đều tỷ lệ nghịch với nợ xấu.

Trần Vương Thịnh và Nguyễn Ngọc Hồng Loan (2021) nghiên cứu các yếu tố tác động đến nợ xấu tại các NHTM Việt Nam với bộ dữ liệu được thu thập từ báo cáo tài chính của 22 NHTM trong giai đoạn 2012 – 2020 Tác giả lần lượt sử dụng các phương pháp Pooled OLS, FEM và REM để xem xét chiều hướng tác động của các yếu tố vĩ mô và vi mô đến nợ xấu Kết quả nghiên cứu cho thấy có

4 yếu tố vi mô ảnh hưởng đến nợ xấu của NHTM Việt Nam giai đoạn 2012 -

PHƯƠNG PHÁP NGHIÊN CỨU

Mô hình nghiên cứu

Khóa luận nghiên cứu tác động của các yếu tố kinh tế vĩ mô và yếu tố ngân hàng đến tỷ lệ nợ xấu của các NHTM đang hoạt động tại Việt Nam trong giai đoạn 2011- 2021 chủ yếu dựa vào phương pháp tiếp cận của Klein (2013), Ghosh

(2015) và Nguyễn Thị Hồng Vinh (2017) Theo đó, trên cơ sở kế thừa các công trình nghiên cứu trước, khóa luận đã chọn lọc một số yếu tố được kỳ vọng là có ảnh hưởng đến nợ xấu gồm tỷ lệ nợ xấu với độ trễ một năm, khả năng sinh lời (ROE), tốc độ tăng trưởng tín dụng, tỷ lệ dự phòng RRTD, tỷ lệ vốn chủ sở hữu trên tổng tài sản, quy mô ngân hàng, tốc độ tăng trưởng kinh tế và tỷ lệ lạm phát.

Như vậy, phương trình nghiên cứu được thể hiện như sau:

NPL j, t = P o + p i NPL i,t-i + p 2 SIZE i, t - p 3 ROE i,t + p 4 LGR i, t + p 5 LLR j, t - P 6 ETA j, t -

0 1 ,-, 0 8 lần lượt là hệ số góc của các biến độc lập;

E Ể , t là sai số của mô hình;

NPL i , t là tỷ lệ nợ xấu, tức biến phụ thuộc trong mô hình;

NPL i , t-1 , SIZE i , t , ROE i , t , LGR i , t , LLR i , t , ETA i , t , GDP i , t và INF i , t lần lượt là tỷ lệ nợ xấu năm trước, quy mô ngân hàng, tỷ lệ lợi nhuận sau thuế trên vốn chủ sở hữu bình quân, tốc độ tăng trưởng tín dụng, tỷ lệ dự phòng RRTD, tỷ lệ vốn chủ sở hữu trên tổng tài sản, tốc độ tăng trưởng kinh tế và tỷ lệ lạm phát của ngân hàng i trong năm t Đây là các biến độc lập trong mô hình.

Biến phụ thuộc trong mô hình là tỷ lệ nợ xấu (NPL ị, t ) Nợ xấu theo quy định tạiThông tư số 11/2021/TT-NHNN của NHNN là nợ xấu nội bảng, thuộc các nhóm nợ 3, 4 và

5 Tỷ lệ nợ xấu được đo lường theo tỷ lệ nợ xấu so với tổng dư nợ từ nhóm 1 đến nhóm 5 Như vậy, nợ xấu được tính theo công thức sau đây:

Nợ nhóm 3+ Nợ nhóm 4+ Nợ nhóm 5

Số liệu của các nhóm nợ được thu thập từ thuyết minh báo cáo tài chính của các ngân hàng theo từng năm.

Tỷ lệ nợ xấu năm trước

Biến độc lập thứ nhất là tỷ lệ nợ xấu năm trước (NPL i,t-1 ), cách thức đo lường tương tự như biến phụ thuộc.

Nhiều nghiên cứu trước đây cung cấp bằng chứng cho thấy, có mối quan hệ cùng chiều giữa tỷ lệ nợ xấu năm trước và mức nợ xấu hiện tại như nghiên cứu của Jimenez và Saurina (2006); Klein (2013); Makri và các cộng sự (2014); Dimitrios và các cộng sự (2016); Nguyễn Thị Hồng Vinh (2017); Umar và Sun

(2018) Klein (2013), Jimenez và Saurina (2006) nhận định rằng cú sốc nợ xấu trong quá khứ có thể ảnh hưởng lâu dài đến hệ thống ngân hàng Umar và Sun

(2018) cũng đưa ra quan điểm tương tự khi cho rằng nợ xấu tích lũy trong quá khứ càng nhiều sẽ kéo theo mức nợ xấu hiện tại tăng lên Do đó, biến tỷ lệ nợ xấu năm trước được kỳ vọng sẽ có tác động cùng chiều đến biến phụ thuộc.

Giả thuyết 1: Tỷ lệ nợ xấu năm trước có tác động cùng chiều đến tỷ lệ nợ xấu hiện tại

Biến độc lập thứ hai là quy mô ngân hàng (SIZE i,t ) Quy mô ngân hàng được đo lường dựa trên quy mô của tổng tài sản Do tổng tài sản là số có giá trị tuyệt đối lớn, nên trong kỹ thuật hồi quy phân tích dữ liệu biến này thường được tính toán bằng cách lấy logarit của tổng tài sản Cách thức đo lường được thể hiện như sau:

SIZE i,t = Ln(tổng tài sản)

Các nghiên cứu của Ghosh (2015); Nguyễn Thị Hồng Vinh (2017); Phạm Dương Phương Thảo và Nguyễn Linh Đan (2018) cho thấy quy mô ngân hàng có tác động cùng chiều đến nợ xấu Theo Ghosh (2015), các ngân hàng có quy mô lớn có thể tăng tỷ lệ đòn bẩy quá mức và mở rộng việc cấp tín dụng cho những người đi vay có chất lượng thấp hơn Do đó, biến quy mô ngân hàng được kỳ vọng sẽ có tác động cùng chiều đến biến phụ thuộc.

Giả thuyết 2: Quy mô ngân hàng có tác động cùng chiều đến nợ xấu

Tỷ lệ lợi nhuận sau thuế trên vốn chủ sở hữu bình quân

Biến độc lập thứ ba là suất sinh lời trên vốn chủ sở hữu bình quân (ROE i,t ), phản ánh khả năng sinh lời của các ngân hàng ROE được tính theo công thức sau:

Lợi nhuận sau thuế Vốn chủ sở hữu bình quân

Theo giả thuyết “quản lý yếu kém” (bad management) của Berger và DeYoung

(1997), hiệu quả hoạt động thấp là dấu hiệu của chất lượng quản lý kém Giả thuyết này lập luận rằng sự yếu kém của các nhà quản lý là do (i) có kỹ năng kém trong công tác xếp hạng tín dụng, dẫn đến quyết định cho vay các khoản vay không sinh lời hoặc thậm chí là mất vốn; (ii) không đủ năng lực để thẩm định giá trị của tài sản đảm bảo; (iii) gặp khó khăn khi giám sát việc tuân thủ các cam kết trong hợp đồng của khách hàng sau khi cấp tín dụng Vì vậy, quản lý yếu kém dẫn đến khối lượng nợ xấu lớn hơn Hơn nữa, giả thuyết này cũng cho rằng khả năng sinh lời giảm sẽ gây áp lực tạo ra lợi nhuận cho các nhà quản lý, do đó thúc đẩy họ tăng mức chấp nhận rủi ro, kéo theo sự gia tăng tỷ lệ nợ xấu Do đó, giả thuyết này dự đoán rằng khả năng sinh lời có mối tương quan ngược chiều với nợ xấu.

Tương tự với giả thuyết “quản lý yếu kém”, theo Nir Klein (2013), khả năng sinh lời cao cho thấy các ngân hàng được quản lý tốt hơn trung bình, vì thế có chất lượng tài sản tốt hơn Bên cạnh đó, Messai & Jouini (2013) cho rằng ngân hàng có khả năng sinh lời cao ít có động lực để tham gia vào các hoạt động rủi ro như cho vay rủi ro Thay vào đó, các ngân hàng hoạt động kém hiệu quả hơn sẽ có xu hướng chấp nhận rủi ro nhiều hơn, dẫn đến sự gia tăng trong nợ xấu. Khan và các cộng sự (2020) cũng

ROEi,t đưa ra quan điểm tương tự: khả năng sinh lời cao cho thấy tình hình tài chính của ngân hàng ổn định và do đó họ không mặn mà với việc đầu tư vào các khoản vay rủi ro vì ít chịu áp lực tạo ra thu nhập hơn.

Các nghiên cứu của Louzis và các cộng sự (2012); Klein (2013); Makri và các cộng sự (2014) cũng sử dụng ROE để xem xét sự tác động của khả năng sinh lời đến nợ xấu Các kết quả đều ghi nhận khả năng sinh lời có mối tương quan ngược chiều với nợ xấu Do đó, biến ROE được kỳ vọng tỷ lệ nghịch với biến phụ thuộc.

Giả thuyết 3: ROE có tác động ngược chiều đến nợ xấu

Tốc độ tăng trưởng tín dụng

Biến độc lập thứ tư là tốc độ tăng trưởng tín dụng (LGR i,t ) hay còn có tên gọi khác là tỷ lệ tăng trưởng dư nợ cho vay của kỳ này so với kỳ trước Cách thức đo lường được thể hiện như sau:

Dư nợ cho vay t - Dư nợ cho vay t-1 LGR , Dư nợ cho vay t-1

Phương pháp nghiên cứu

3.2.1 Hồi quy dữ liệu bảng

Nhìn chung, có ba loại dữ liệu thường được sử dụng khi thực hiện phân tích hồi quy, gồm: dữ liệu chuỗi thời gian (time series data), dữ liệu chéo (cross - sectional data) và dữ liệu bảng (panel data) Trong đó, dữ liệu bảng kết hợp các tính chất của cả dữ liệu chéo và dữ liệu chuỗi thời gian, tức là tập hợp các quan sát của nhiều biến trong một khoảng thời gian nhất định.

Dữ liệu bảng sở hữu nhiều ưu điểm so với dữ liệu chuỗi thời gian và dữ liệu chéo (Gujarati, 2009) Vì dữ liệu bảng liên quan đến nhiều đối tượng theo thời gian nên chắc chắn có tính không đồng nhất (heterogeneity), mà tính không đồng nhất này thường không thể quan sát được Tuy nhiên, các kỹ thuật ước lượng dữ liệu bảng có thể xem xét đến tính không đồng nhất đó một cách rõ ràng Bên cạnh đó, dữ liệu bảng cung cấp dữ liệu chứa nhiều thông tin hơn, ít có hiện tượng cộng tuyến giữa các biến hơn so với hai loại dữ liệu còn lại Hơn nữa, dữ liệu bảng có thể phát hiện và đo lường tốt hơn các ảnh hưởng không thể quan sát được trong dữ liệu chuỗi thời gian hay dữ liệu chéo thuần túy.

Ngoài ra, tính cân bằng của dữ liệu bảng phụ thuộc vào số quan sát của mỗi đơn vị chéo theo thời gian Nếu mỗi đơn vị chéo có cùng một số quan sát như nhau theo chuỗi thời gian thì dữ liệu bảng là cân bằng và ngược lại.

Bộ dữ liệu trong mô hình các yếu tố tác động đến nợ xấu được thiết lập theo loại dữ liệu bảng, gồm 21 NHTM được quan sát trong giai đoạn từ năm 2011 đến năm 2021.

3.2.2 Mô hình tác động cố định (Fixed Effects Model)

Mô hình tác động cố định (FEM) cho phép kiểm soát tính không đồng nhất (heterogeneity) hay được hiểu là các đặc điểm riêng không quan sát được theo thời gian giữa các đối tượng, bằng cách để cho tung độ gốc (hệ số chặn) thay đổi giữa các đơn vị chéo nhưng vẫn giả định rằng các hệ số độ dốc (hệ số góc) là không đổi Hay nói cách khác, các đặc điểm riêng không đổi theo thời gian này có thể ảnh hưởng đến các biến giải thích, từ đó ước lượng mô hình sẽ trở nên không hiệu quả do có thể có mối tương quan giữa phần dư của mô hình với các biến giải thích Do vậy, mô hình FEM tách ảnh hưởng của các đặc điểm riêng không đổi theo thời gian ra khỏi các biến giải thích để ước lượng những tác động thực sự của biến giải thích lên biến phụ thuộc Tất cả được thể hiện trong mô hình dưới đây: y i.t = X i + 0X i,t + ^ i.t + V i,t (3.1)

Trong đó: y it là biến phụ thuộc của đối tượng i trong năm t; X ít là biến độc lập của đối tượng i trong năm t; (Xi là hệ số chặn của từng đối tượng nghiên cứu; p là hệ số góc của biến độc lập X.

Phương trình (3.1) được gọi là mô hình “tác động cố định” Thuật ngữ “tác động cố định” có nghĩa là mặc dù hệ số chặn giữa các đối tượng có thể khác nhau nhưng lại không thay đổi theo thời gian Gujarati (2009) Vì thế, trong phương trình (3.1), hệ số chặn được thể hiện qua kí hiệu (Xi Ngoài ra, sai số u iit trong mô hình hồi quy tổng thể được tách thành hai thành phần ịii, t và V i, t trong mô hình FEM (Brooks, 2008) Cụ thể, H i' t đại diện cho các yếu tố không quan sát được nhưng khác nhau giữa các đối tượng và không thay đổi theo thời gian. Trong khi đó, Vịt đại diện cho những yếu tố không quan sát được vừa khác nhau giữa các đối tượng và vừa thay đổi theo thời gian.

Theo Gujarati (2009), có hai phương pháp được áp dụng để ước lượng mô hình FEM là (i) ước lượng hồi quy biến giả tối thiểu LSDV (Least - squares dummy variable estimator) và (ii) ước lượng tác động cố định (fixed effects estimator). 3.2.3 Mô hình tác động ngẫu nhiên (Random Effects Model) Ý tưởng của mô hình tác động ngẫu nhiên (REM) xuất phát từ phương trình sau: y i,t = U i + 0X i,t + u i,t (3.2)

Theo Gujarati (2009), thay vì giả định hệ số chặn a i là cố định cho mỗi đơn vị chéo, nghĩa là nó không đổi theo thời gian như trong mô hình FEM, mô hình REM giả định rằng hệ số chặn là một biến ngẫu nhiên với trung bình là a (không có kí hiệu phụ i) Điều này có nghĩa là các đối tượng quan sát trong mẫu được chọn ngẫu nhiên từ một tổng thể lớn hơn nhiều và các đối tượng này có một giá trị trung bình chung đối với hệ số chặn (a) Theo đó, hệ số chặn của mỗi đơn vị chéo được thể hiện như sau: a i = a + £ i (3.3)

Trong đó: £ i là sai số ngẫu nhiên có giá trị trung bình bằng 0 và phương sai là ơ2 £ Như vậy, những khác biệt trong giá trị riêng lẻ của hệ số chặn của mỗi đối tượng được phản ánh trong sai số ngẫu nhiên £ i Do đặc điểm riêng của các đối tượng là ngẫu nhiên nên không tương quan hay nói cách khác là không ảnh hưởng đến các biến giải thích.

Thay vào (3.3) vào (3.2), ta được phương trình như sau: y i,t = a + 0X i,t + W i't (3.4)

Với W i t được gọi là sai số gộp (composite error term) và W i t = U it + £ i Trong đó, £ i là sai số thành phần của đơn vị chéo (đặc điểm riêng của từng đối tượng), còn

U i t là sai số thành phần kết hợp giữa đơn vị chéo và chuỗi thời gian (kết hợp đặc điểm riêng của từng đối tượng và theo thời gian) (Gujarati, 2009).

Tóm lại, phương pháp tác động cố định và tác động ngẫu nhiên là hai phương pháp phổ biến trong mô hình dữ liệu bảng Tuy nhiên, các kết quả ước lượng theo hai phương pháp này sẽ không vững và hiệu quả nếu mô hình tồn tại các khuyết tật như hiện tượng phương sai sai số thay đổi, hiện tượng tự tương quan và đặc biệt là không có khả năng khắc phục hiện tượng nội sinh Vì thế, nghiên cứu tiếp tục áp dụng phương pháp GMM (Generalized Method of Moments) để cung cấp các ước lượng vững và hiệu quả hơn.

3.2.4 Hiện tượng nội sinh và phương pháp GMM ước lượng 2 bước

Hiện tượng nội sinh (endogeneity) đề cập đến điều kiện trong đó biến giải thích có tương quan với sai số của mô hình Khi mô hình gặp phải hiện tượng nội sinh sẽ dẫn đến các ước lượng thiên lệch và không nhất quán, đặc biệt là trong các phương trình được sử dụng để kiểm tra các mệnh đề lý thuyết, làm cho các suy luận có vấn đề và từ đó những kết luận rút ra sẽ không còn chính xác (Chenhall,

2007) Có bốn nguyên nhân chính có thể dẫn đến hiện tượng nội sinh Nguyên nhân thứ nhất là do bỏ sót biến (omitted variable bias) , sai sót này xảy ra khi nghiên cứu loại bỏ biến có tác động đáng kể đến biến phụ thuộc và cần thiết để đưa vào mô hình do không thể quan sát hoặc đo lường được Nguyên nhân thứ hai là do tính đồng thời (simultaneity bias) trong mối quan hệ giữa biến độc lập và biến phụ thuộc, nghĩa là biến độc lập và biến phụ thuộc có tác động lẫn nhau. Nguyên nhân thứ ba là do sai số đo lường (measurement errors) , trường hợp này xảy ra khi chúng ta không thể đo lường chính xác biến quan sát mà phải thông qua biến đại diện cho nó đi kèm với sai số đo lường Nguyên nhân thứ tư là do tính động (dynamic) trong mô hình, trường hợp này có thể xảy ra đối với các nghiên cứu sử dụng mô hình dữ liệu bảng động Ngoài ra, hiện tượng nội sinh cũng có thể phát sinh từ một số nguyên nhân khác như thiên lệch trong chọn mẫu (sample selection bias) được tạo ra bởi việc chọn dữ liệu không ngẫu nhiên để phân tích thống kê, thiên lệch tự chọn (self – selection bias) ,…

(ii) Phương pháp GMM ước lượng 2 bước

Như đã đề cập ở trên, hiện tượng nội sinh có thể xuất hiện trong mô hình dữ liệu bảng động Hsiao (2014) định nghĩa rằng mô hình dữ liệu bảng động là mô hình có chứa độ trễ của biến phụ thuộc Khóa luận cũng sử dụng mô hình dữ liệu bảng động để nghiên cứu các yếu tố tác động đến nợ xấu khi sử dụng tỷ lệ nợ xấu năm trước NPL ít-1 (tức độ trễ bậc 1 của tỷ lệ nợ xấu) làm một trong các biến độc lập nằm ở vế phải của phương trình hồi quy Tuy nhiên, theo Hsiao

Trình tự nghiên cứu

Bước 1: Khai báo dữ liệu bảng

Sau khi đưa dữ liệu vào phần mềm Stata, đầu tiên, tác giả tiến hành khai báo dữ liệu bảng với biến đối tượng (firm) chứa tên viết tắt của các ngân hàng và biến thời gian (year) là các năm trong giai đoạn nghiên cứu Tuy nhiên, dữ liệu ở cột biến firm đang ở dạng kí hiệu nên cần chuyển đổi dữ liệu sang dạng số để phần mềm có thể nhận dạng được thông qua lệnh encode, ví dụ:

“ encode_firm_(,)_gen_(firm01)” Sau khi encode, cột firm01 sẽ xuất hiện, lúc này biến đối tượng đã được mã hóa thành dạng số, sẵn sàng phục vụ khai báo dữ liệu Tác giả sử dụng lệnh “xtset_firm01_year” để khai báo dữ liệu bảng, nếu bảng dữ liệu có tính cân bằng thì kết quả sẽ báo là “strongly balanced”

Bước 2: Thực hiện thống kê mô tả, phân tích tương quan và kiểm định đa cộng tuyến cho mô hình

- Thống kê mô tả: tác giả sử dụng lệnh “sum_biến phụ thuộc_biến độc lập” để thực hiện thống kê mô tả cho các biến trong mô hình hồi quy Bảng thống kê thu được trình bày các thông số liên quan đến dữ liệu nghiên cứu gồm số quan sát (Obs), giá trị trung bình (Mean), độ lệch chuẩn (Std Dev.), giá trị lớn nhất (Max) và giá trị nhỏ nhất (Min) của từng biến.

- Phân tích tương quan: để có được ma trận tương quan, tác giả sử dụng lệnh

“corr_biến phụ thuộc_biến độc lập” Mối tương quan tuyến tính giữa các biến được biểu thị qua hệ số tương quan cặp Nếu hệ số tương quan cặp giữa biến phụ thuộc và biến độc lập thể hiện giá trị dương thì cho thấy biến độc lập có tương quan tuyến tính cùng chiều đến biến phụ thuộc, và ngược lại Mô hình được coi là không có xuất hiện hiện tượng tự tương quan nếu giá trị tuyệt đối của tất cả hệ số tương quan cặp đều nhỏ hơn 10 Ngoài ra, phân tích ma trận tương quan cũng giúp kiểm tra khả năng bị đa cộng tuyến của mô hình Theo Kennedy (2008), hiện tượng đa cộng tuyến có khả năng xảy ra nếu hệ số tương quan trên 0.80.

- Kiểm định đa cộng tuyến: khả năng xảy ra hiện tượng đa cộng tuyến có thể bị nghi ngờ khi dựa vào phân tích tương quan Tuy nhiên, để xác định cụ thể mức độ đa cộng tuyến của mô hình, đầu tiên, tác giả thực hiện phân tích hồi quy theo phương pháp ước lượng Pooled OLS với cú pháp “reg_biến phụ thuộc_các biến độc lập” Tiếp theo, tác giả sử dụng thước đo nhân tử phóng đại phương sai

(Variance Inflation Factor – VIF) để kiểm tra đa cộng tuyến thông qua lệnh

“vif” Nếu kết quả ghi nhận giá trị VIF của biến độc lập vượt quá 10 thì giữa các biến trong mô hình đang có quan hệ đa cộng tuyến (Gujrati, 2003).

Bước 3: Lựa chọn mô hình tối ưu nhất giữa hai mô hình REM và FEM bằng kiểm định Hausman Đầu tiên, tác giả lần lượt chạy hai mô hình thông qua lệnh “xtreg” Cụ thể, cú pháp để ước lượng mô hình FEM là “xtreg_biến phụ thuộc_biến độc lập_(,)_fe” và mô hình REM là “xtreg_biến phụ thuộc_biến độc lập_(,)_re” Kết quả của mỗi mô hình sau khi chạy đều sẽ được lưu trữ thông qua lệnh “estimates store”, ví dụ:

“est_sto_fe” Tiếp theo, kiểm định Hausman được sử dụng để chọn ra mô hình phù hợp, nếu giá trị p – value < α = 0.05 thì mô hình được chọn là mô hình FEM, tức bác bỏ giả thiết H 0

Bước 4: Kiểm định các khuyết tật cho mô hình được chọn

Sau khi dựa vào kết quả kiểm định Hausman để chọn ra mô hình phù hợp, tác giả tiến hành kiểm định các khuyết tật cho mô hình, gồm: hiện tượng đa cộng tuyến, tự tương quan và phương sai sai số thay đổi Cụ thể, vấn đề đa cộng tuyến trong mô hình được kiểm tra thông qua cú pháp “collin_biến phụ thuộc_biến độc lập” Tiếp theo, để kiểm tra liệu mô hình có gặp phải hiện tượng tự tương quan hay không, tác giả sử dụng kiểm định Wooldrige với cú pháp

“xtserial_biến phụ thuộc_biến độc lập” với H 0 : mô hình không có hiện tượng tự tương quan Đối với hiện tượng phương sai sai số thay đổi, mô hình REM và FEM sẽ có công cụ kiểm định khác nhau Kiểm định Breusch-Pagan kiểm tra phương sai sai số cho mô hình REM bằng lệnh “xttest0” và kiểm định Wald kiểm tra cho mô hình FEM bằng lệnh “xttest3”, với giả thiết H 0 : phương sai sai số trong mô hình là không thay đổi.

Bước 5: Ước lượng mô hình theo phương pháp GMM hệ thống 2 bước

Mô hình sẽ được ước lượng theo phương GMM hệ thống 2 bước để xử lý hiện tượng nội sinh Kiểm định Hansen và kiểm định Arellano - Bond (AR) bậc 2 là hai kiểm định đặc thù và gắn liền phương pháp GMM, kết quả sẽ được hiển thị ngay sau khi mô hình được chạy xong mà không cần phải thao tác rời Theo đó,giá trị p – value của các kiểm định càng tiến gần đến 1 thì càng tốt.

Dữ liệu nghiên cứu

Để đo lường các biến trong nhóm các yếu tố nội tại, đề tài sử dụng dữ liệu thứ cấp được thu thập từ báo cáo thường niên và báo cáo tài chính đã kiểm toán trong chuỗi thời gian từ năm 2011 đến năm 2021 của 21 NHTM đang hoạt động tại Việt Nam và được niêm yết trên sàn chứng khoán Đối với nhóm các yếu tố kinh tế vĩ mô, dữ liệu thứ cấp để đo lường các biến độc lập được thu thập tổ chức Tổng cục Thống kê Việt Nam (GSO) trong giai đoạn 2011 - 2021.

Dựa theo phương pháp tiếp cận của Klein (2013), Ghosh (2015) và Nguyễn Thị HồngVinh (2017), mô hình nghiên cứu đã được xây dựng với các biến độc lập là: tỷ lệ nợ xấu năm trước, tỷ lệ dự phòng RRTD, khả năng sinh lời (ROE), tỷ lệ vốn chủ sở hữu,quy mô ngân hàng, tốc độ tăng trưởng GDP và tỷ lệ lạm phát Lý thuyết về hiện nội sinh và các phương pháp ước lượng FEM, REM, GMM cũng được trình bày trong chương 3 Trình tự nghiên cứu cũng được khái quát và được đề cập ở cuối chương.

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Bảng 4.1 trình bày thống kê mô tả của các yếu tố liên quan đến mô hình hồi quy Các số liệu thể hiện những đặc trưng cơ bản của từng biến bao gồm giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất và giá trị nhỏ nhất lần lượt được liệt kê Bảng thống kê mô tả không những mô tả tổng thể các dữ liệu được sử dụng trong mô hình, mà còn được coi như một công cụ sàng lọc để phát hiện những số liệu không hợp lý Bộ dữ liệu được thu thập trên phạm vi 21 NHTM trong giai đoạn 11 năm (2011-2021) xuất ra 231 quan sát, cho nên dữ liệu bảng có tính cân bằng.

Bảng 4.1 Thống kê mô tả các biến

Giá trị trung bình Độ lệch chuẩn

(Nguồn: kết quả được trích xuất từ phần mềm Stata 14.0)

Kết quả thống kê mô tả cho thấy tỷ lệ nợ xấu của các NHTM đang hoạt động tại Việt Nam trong giai đoạn 2011 – 2021 có giá trị trung bình là 2.15%, trong đó giá trị nhỏ nhất được ghi nhận ở SCB năm 2015 khi tỷ lệ nợ xấu chỉ đạt 0.34% và giá trị lớn nhất thuộc về SHB năm 2012 với tỷ lệ nợ xấu lên đến 8.83% Ngoài ra, với giá trị trung bình là 18,98%, tín dụng ngân hàng nhìn chung có tốc độ tăng trưởng khá nhanh trong giai đoạn nghiên cứu, song lại có sự phân tán khá lớn được phản ánh thông qua độ lệch chuẩn 17,7% Nói cách khác, tăng trưởng tín dụng diễn ra không đồng đều giữa các ngân hàng khi có những ngân hàng có mức tăng rất cao, điển hình là HDB năm 2013 với 108.2% nhưng cũng có những ngân hàng thu hẹp hoạt động cho vay như TPB năm

2011 với -29.86% Bên cạnh đó, biến số đại diện cho khả năng sinh lời là tỷ lệ lợi nhuận trên tổng nguồn vốn có sự phân bổ khá dài, từ -56.33% đến 28.8% cho thấy mức độ chênh lệch trong hiệu quả kinh doanh của các ngân hàng.

Phân tích tương quan mô hình nghiên cứu

Bảng 4.2 trình bày ma trận tương quan giữa các biến trong mô hình nghiên cứu Phân tích ma trận tương quan sẽ giúp khóa luận kiểm tra khả năng bị đa cộng tuyến của mô hình. Mối tương quan tuyến tính giữa các biến được biểu thị qua hệ số tương quan giữa các cặp biến Giá trị tuyệt đối của các hệ số tương quan càng tiến gần đến 1 thì các biến giải thích càng có mối quan hệ tuyến tính chặt chẽ Trái lại, các biến sẽ độc lập với nhau nếu giá trị của chúng tiến gần đến 0, kết quả ước lượng lúc này sẽ có độ tin cậy cao.

Ba ̉ ng 4.2 Kết quả phân tích tương quan mô hình nghiên cứu NPL it NPL it-! $ IZE it ROE it EGR it LLR it ETA it GDP it ỈNE it

Ma trận tương quan ở bảng 4.2 cho thấy, tỷ lệ nợ xấu năm trước, tốc độ tăng trưởng tín dụng, tỷ lệ trích lập dự phòng rủi ro, tỷ lệ vốn chủ sở hữu trên tổng tài sản, tốc độ tăng trưởng kinh tế và tỷ lệ lạm phát đều có tương quan tuyến tính cùng chiều với tỷ lệ nợ xấu. Trong khi đó, quy mô ngân hàng và tỷ lệ lợi nhuận trên vốn chủ sở hữu được nhận thấy là có xu hướng chuyển động ngược chiều với tỷ lệ nợ xấu Như vậy, mối tương quan giữa các yếu tố tác động và nợ xấu có sự khác biệt so với kỳ vọng ban đầu.Ngoài ra, giá trị tuyệt đối của tất cả hệ số tương quan cặp giữa các biến giải thích đều nhỏ hơn 1, nên mô hình không có hiện tượng tự tương quan Bên cạnh đó, hiện tượng đa cộng tuyến có khả năng xảy ra nếu hệ số tương quan trên 0.80 (Kennedy, 2008) Vì thế, dựa vào phân tích tương quan, tác giả cũng có thể loại bỏ các biến không phù hợp ra khỏi mô hình nhằm hạn chế khả năng xảy ra hiện tượng đa cộng tuyến.

Kiểm định hiện tượng đa cộng tuyến

Như đã đề cập ở trên, theo Kennedy (2008), hiện tượng đa cộng tuyến có thể xảy ra nếu hệ số tương quan lớn hơn 0.80 Ma trận tương quan ở bảng 4.3 cho thấy tất cả hệ số tương quan của các cặp biến độc lập đều nhỏ hơn rất nhiều so với 0.80, ngoại trừ cặp biến ETA – SIZE (vốn chủ sở hữu – quy mô ngân hàng) là có hệ số tương quan khá cao Vì thế, hiện tượng đa cộng tuyến trong mô hình có thể không tồn tại Để xác định cụ thể mức độ đa cộng tuyến của mô hình, nghiên cứu sẽ sử dụng thước đo nhân tử phóng đại phương sai (Variance Inflation Factor – VIF) để kiểm tra.

Bảng 4.3 Kết quả kiểm định đa cộng tuyến

Theo Gujrati (2003), nếu giá trị VIF của biến độc lập vượt quá 10 thì giữa các biến trong mô hình đang có quan hệ đa cộng tuyến Kết quả từ bảng 4.3 cho thấy rằng giá trị VIF của tất cả các biến độc lập đều nhỏ hơn 10, nên hiện tượng đa cộng tuyến trong mô hình là không nghiêm trọng dù biến vốn chủ sở hữu và quy mô ngân hàng có tương quan khá cao.

So sánh giữa 2 mô hình FEM và REM

Bảng 4.4 Kết quả ước lượng mô hình FEM và REM

Mô hình FEM Mô hình REM

Biến Hệ số Sai số chuẩn p – value Hệ số Sai số chuẩn p – value

(***, **, * có ý nghĩa thống kê lần lượt ở mức 1%, 5% và 10%)

Dựa vào kết quả ước lượng mô hình hồi quy có thể thấy, giá trị R 2 tổng thể của mô hình FEM và REM lần lượt là 0.4816 và 0.5090 Về mặt lý thuyết, R 2 cho biết các biến độc lập giải thích được bao nhiêu % sự thay đổi của biến phụ thuộc, phần trăm còn lại được giải thích bởi sai số ngẫu nhiên (chứa những yếu tố khác tác động đến biến phụ thuộc nhưng không đưa vào mô hình) Đối với mô hình FEM, các biến độc lập giải thích được 48.16% sự biến thiên của tỷ lệ nợ xấu Bên cạnh đó, kết quả ước lượng theo mô hình FEM cũng cho thấy rằng, ngoại trừ NPL it-1 , SIZE it , LLR it và LGR it , các biến còn lại hầu như không có ý nghĩa thống kê Trong đó, hệ số hồi quy của các biến NPL ị, t-1 , LLR i t và LGR ị, t ghi nhận giá trị dương, có nghĩa là các biến này có mối quan hệ cùng chiều với biến phụ thuộc là tỷ lệ nợ xấu Trái lại, SIZE it được nhận thấy là có tác động ngược chiều đến nợ xấu. Đối với mô hình REM, 50.90% sự thay đổi của tỷ lệ nợ xấu được giải thích bởi các biến độc lập sử dụng trong mô hình Sau khi ước lượng theo mô hình REM, hệ số hồi quy của các biến NPL ị, t-1 , LLR ị, t , INF ị, t và LGR it đều có giá trị dương, chứng tỏ các biến này có tác động cùng chiều đến nợ xấu Trong khi đó, tương tự với mô hình FEM, hệ số của biến

SIZE l L thể hiện dấu âm, cho thấy quy mô ngân hàng tỷ lệ nghịch với nợ xấu.

Tiếp theo, tác giả sử dụng kiểm định Hausman để chọn ra mô hình tối ưu nhất giữa hai mô hình này.

Theo đó, bài nghiên cứu sẽ đi kiểm định cặp giả thiết:

4.5 Mô hình REM là mô hình được chọn Không có sự tương quan giữa sai số ngẫu nhiên và các biến độc lập trong mô hình dữ liệu bảng.

4.6 Mô hình FEM là mô hình được chọn Sai số ngẫu nhiên có mối tương quan với các biến độc lập.

Bảng 4.5 Kết quả kiểm định Hausman Test: Ho: difference in coefficients not systematic chi2(8) = (b-B)'[(V_b- V_B)^(-1)](b-B) = 467.00

Prob>chi2 = 0.0000 (V_b-V_B is not positive definite)

(Nguồn: kết quả được trích xuất từ phần mềm Stata 14.0)

Kết quả kiểm định cho thấy, vì Prob>chi2 = 0.0000 < α = 0.05 nên ta đủ cơ sở để bác bỏ H0 Như vậy, với mức ý nghĩa 5%, mô hình FEM được ưu tiên hơn.

Sau khi chọn ra mô hình tối ưu nhất là mô hình FEM, tác giả lại tiến hành kiểm định các khuyết tật cho mô hình để đảm bảo rằng kết quả ước lượng xuất ra là đáng tin cậy, loại bỏ nguy cơ dẫn đến kết luận sai lầm do mô hình còn tồn tại các khuyết tật chưa được khắc phục.

Kiểm định các khuyết tật của mô hình FEM

4.5.1 Kiểm định hiện tượng đa cộng tuyến

Bảng 4.6 Kết quả kiểm định đa cộng tuyến mô hình FEM

Kết quả kiểm định cho thấy mô hình FEM không có tồn tại hiện tượng đa cộng tuyến vì giá trị VIF trung bình là 1.63, giá trị VIF của các biến độc lập đều nhỏ hơn 10 (Gujrati, 2003).

4.5.2 Kiểm định hiện tượng tự tương quan

Hiện tượng tự tương quan có thể ảnh hưởng đến tính hiệu quả của ước lượng mô hình, làm giảm độ tin cậy của kiểm định hệ số Để kiểm định hiện tượng tự tương quan cho mô hình, tác giả sử dụng kiểm định Wooldrige với cặp giả thiết như sau:

H 0 : mô hình không có hiện tượng tự tương quan

H 1 : mô hình có hiện tượng tự tương quan.

Bảng 4.7 Kết quả kiểm định tự tương quan mô hình FEM

Wooldridge test for autocorrelation in panel data

Kết quả kiểm định bằng phần mềm stata 14.0 cho thấy, Prob > F = 0.0003 < α = 0.05 Như vậy, với mức ý nghĩa 5%, ta có đủ cơ sở để bác bỏ H0, tức có tồn tại hiện tượng tự tương quan trong mô hình.

4.5.3 Kiểm định hiện tượng phương sai sai số thay đổi

Tác giả sử dụng kiểm định Wald để kiểm tra liệu mô hình có gặp phải vấn đề phương sai sai số thay đổi hay không thông qua cặp giả thiết:

H 0 : Phương sai sai số trong mô hình là không thay đổi

H 1 : Mô hình có hiện tượng phương sai sai số thay đổi.

Bảng 4.8 Kết quả kiểm định phương sai sai số thay đổi mô hình FEM

Modified Wald test for groupwise heteroskedasticity in fixed effect regression model

H 0 : sigma(i) A 2 = sigma A 2 for all i chi2 (21) = 1160.06 Prob>chi2 = 0.0000

Kết quả cho thấy Prob>chibar2 = 0.0000 < α = 0.05 Với mức ý nghĩa 5%, ta đủ cơ sở để bác bỏ

H 0 , kết luận có sự thay đổi của phương sai sai số.

Ước lượng mô hình theo phương pháp GMM hệ thống 2 bước

Kết quả kiểm định các khuyết tật chỉ ra rằng, mặc dù không xảy ra hiện tượng đa cộng tuyến, nhưng mô hình FEM mắc phải hiện tượng tự tương quan và phương sai sai số thay đổi, dẫn đến kết quả đầu ra có thể bị sai lệch Không những thế, việc sử dụng độ trễ của biến phụ thuộc làm biến độc lập (NPL i t-1 ) là vi phạm giả định ngoại sinh trong phân tích hồi quy, do đó cần áp dụng các kỹ thuật kinh tế lượng động và phức tạp hơn để cung cấp các ước tính không chệch (Makri,

2014) Hơn nữa, hiện tượng nội sinh không chỉ bắt nguồn từ biến trễ của biến phụ thuộc, nhiều biến đặc thù của ngân hàng cũng có khả năng cao là nội sinh với nợ xấu (Ghosh, 2015), chẳng hạn như nợ xấu gia tăng đòi hỏi các ngân hàng phải tăng trích lập dự phòng rủi ro, do đó làm tăng chi phí, giảm lợi nhuận; dự phòng tăng làm giá trị các khoản cho vay khách hàng giảm, kéo theo tổng tài sản giảm và cuối cùng là sự sụt giảm trong quy mô Để khắc phục các khuyết tật còn tồn tại và hiện tượng nội sinh nói trên, với mô hình dữ liệu bảng động, tác giả sẽ vận dụng ước lượng GMM hệ thống được phát triển bởi Arellano và Bover (1995), Blundell và Bond

(1998) để xem xét tác động của các yếu tố đến mức nợ xấu.

Kiểm định Sargan và Hansen cùng với kiểm định Arellano - Bond (AR) bậc 2 là các kiểm định đặc thù trong ước lượng GMM hệ thống để đánh giá độ tin cậy của mô hình Kiểm định Sargan và Hansen xem xét tính phù hợp của bộ biến công cụ, với giả thiết H 0 là các biến công cụ ngoại sinh chặt chẽ, nghĩa là không có tương quan với sai số Vì thế, giá trị p – value của kiểm Sarge và Hansen ghi nhận kết quả càng lớn thì càng tốt Trong khi đó, kiểm định AR (2) được sử dụng để phát hiện hiện tượng tự tương quan bậc 2, với giả thiết H 0 là không có tự tương quan Vì thế giá trị P-value của kiểm định AR (2) càng lớn thể hiện không có tự tương quan bậc 2 trong phần dư.

Bảng 4.9 Kết quả ước lượng mô hình GMM

Biến Hệ số Sai số chuẩn p – value

Arellano-Bond test for AR(1) in first differences: z = -1.97 Pr > z = 0.049

Arellano-Bond test for AR(2) in first differences: z = -0.22 Pr > z = 0.823

Sargan test of overid restrictions: chi2(9) = 5.14 Prob > chi2 = 0.822

Hansen test of overid restrictions: chi2(9) = 5.49 Prob > chi2 = 0.789

Căn cứ vào kết quả ghi nhận ở bảng 4.9, giá trị p – value của cả hai kiểm định ở mức khá tốt khi đều tiến gần đến 1 Cụ thể, p – value của AR (2) = 0.823 > α = 0.05, vì thế ta chấp nhận H 0 - mô hình không tồn tại hiện tượng tự tương quan Qua đó cho thấy, ước lượng mô hình theo phương pháp GMM đã khắc phục được khuyết tật của mô hình trước đó Mặt khác, kiểm định Hansen cũng cho thấy các biến công cụ được sử dụng trong mô hình là biến ngoại sinh, không có tương quan với sai số vì có giá trị p - value = 0.789 > a = 0.05, tức chấp nhận H0 Nói cách khác, mô hình đã được khắc phục hiện tượng nội sinh.

Ngoài ra, để ước lượng không bị yếu thì số lượng biến công cụ phải nhỏ hơn hoặc bằng số lượng nhóm Kết quả ước lượng cho thấy số biến công cụ = 18 < số nhóm = 21 nên mô hình vẫn đảm bảo tính vững.

Kết quả nghiên cứu cho thấy NPL it-1 , LLR it và INF it đều có tác động cùng chiều đến nợ xấu, tức giống với kỳ vọng và có ý nghĩa thống kê ở mức 10%, do đó ta bác bỏ H0, chấp nhận H1 Trái lại, SlZE i t và LGR it đều tỷ lệ nghịch với nợ xấu, tức khác với kỳ vọng và có ý nghĩa thống kê ở mức 5% cho nên chưa đủ cơ sở để bác bỏ H0 Bên cạnh đó, GDP ị, t được nhận thấy là có mối quan hệ cùng chiều với nợ xấu ở mức ý nghĩa 10%, vì chiều hướng tác động khác với kỳ vọng ban đầu nên ta chưa đủ cơ sở để bác bỏ H0 Mặt khác, sự tác động của ROE it và

ETA it đến nợ xấu được nhận thấy là không có ý nghĩa thống kê.

Dưới đây là bảng tóm tắt kết quả kiểm định giả thuyết theo phương pháp GMM hệ thống 2 bước.

Bảng 4.10 Tóm tắt kết quả kiểm định giả thuyết

Giả thuyết nghiên cứu Kết quả kiểm định giả thuyết

Giả thuyết 1: Tỷ lệ nợ xấu năm trước có tác động cùng chiều đến tỷ lệ nợ xấu hiện tại Bác bỏ H0, chấp nhận H1

Giả thuyết 2: Quy mô ngân hàng có tác động cùng chiều đến nợ xấu Chưa đủ cơ sở bác bỏ H0

Giả thuyết 3: ROE có tác động ngược chiều đến nợ xấu Chưa đủ cơ sở bác bỏ H0

Giả thuyết 4: Tốc độ tăng trưởng tín dụng có tác động cùng chiều đến nợ xấu Chưa đủ cơ sở bác bỏ H0

Giả thuyết 5: Tỷ lệ dự phòng RRTD có tác động cùng chiều đến nợ xấu Bác bỏ H0, chấp nhận H1

Giả thuyết 6: Tỷ lệ vốn chủ sở hữu có tác động ngược chiều đến nợ xấu Chưa đủ cơ sở bác bỏ H0

Giả thuyết 7: Tốc độ tăng trưởng kinh tế có tác động ngược chiều đến nợ xấu Chưa đủ cơ sở bác bỏ H0

Giả thuyết 8: Tỷ lệ lạm phát có tác động cùng chiều đến nợ xấu Bác bỏ H0, chấp nhận H1

4.7 Thảo luận kết quả nghiên cứu

Tỷ lệ nợ xấu năm trước

Như đã thể hiện ở kết quả nghiên cứu, tỷ lệ nợ xấu trong quá khứ có tác động cùng chiều đến tỷ lệ nợ xấu hiện tại ở mức ý nghĩa 10% Hệ số hồi quy của biến NPLi,t-1 có giá trị là 0.8632087, cho thấy mức nợ xấu năm trước có tác động khá mạnh đến mức nợ xấu hiện tại Theo đó, trong điều kiện các yếu tố khác không đổi, NPLi,t-1 tăng 1 đơn vị sẽ làm NPLi,ttăng 0.8632087 Như vậy, nợ xấu tồn đọng trong quá khứ sẽ kéo theo mức nợ xấu hiện tại tăng lên Nợ xấu là một căn bệnh âm ỉ có thể ảnh hưởng lâu dài đến hệ thống ngân hàng nếu không được xử lý triệt để và có những biện pháp kiểm soát, quản lý chặt chẽ hơn trong hoạt động cho vay Kết quả thu được phù hợp với giả thuyết nghiên cứu ban đầu, đồng thời tương tự với bằng chứng thực nghiệm được tìm thấy bởi Jimenez và Saurina (2006); Klein (2013); Makri và các cộng sự (2014); Dimitrios và các cộng sự (2016).

Trái với kỳ vọng, quy mô ngân hàng được nhận thấy là có mối quan hệ ngược chiều đến nợ xấu ở mức ý nghĩa 5% Với hệ số hồi quy là - 0.0070895, nếu quy mô ngân hàng tăng lên 1 đơn vị thì mức nợ xấu sẽ giảm đi 0.0070895 trong điều kiện các yếu tố khác không đổi Kết quả này không ủng hộ lý thuyết “quá lớn để phá sản” khi giả thuyết này cho rằng các ngân hàng có quy mô lớn có xu hướng chấp nhận rủi ro quá mức bằng cách thực hiện chính sách tín dụng lỏng lẻo do ỷ lại vào tình trạng “quá lớn để phá sản” của họ Điều này cũng trái ngược với kết quả nghiên cứu của Ghosh (2015); Nguyễn Thị Hồng Vinh (2017) Tuy nhiên, kết quả lại phù hợp với giả thuyết “Hiệu ứng quy mô” (Size Effect) của Salas và Saurina (2002) Theo giả thuyết này, các ngân hàng có quy mô càng lớn sẽ có nhiều cơ hội đa dạng hóa hơn Đa dạng hóa danh mục cho vay sẽ cho phép ngân hàng tiếp cận khách hàng ở các phân khúc địa lý hoặc ngành nghề khác nhau nhằm giảm bớt thiệt hại từ các cú sốc kinh tế Ngoài ra, việc giảm bớt sự phụ thuộc vào hoạt động tín dụng cũng là một dấu hiệu cho thấy ngân hàng đang dần mở rộng nguồn thu sang các mảng hoạt động khác.

Tốc độ tăng trưởng tín dụng

Kết quả nghiên cứu chỉ ra rằng tốc độ tăng trưởng tín dụng tỷ lệ nghịch với nợ xấu ở mức ý nghĩa 5%, với hệ số hồi quy là -0.0913108 Theo đó, trong điều kiện các yếu tố khác không đổi,nếu tốc độ tăng trưởng tín dụng tăng lên 1 đơn vị thì mức nợ xấu sẽ giảm đi 0.0913108 Kết quả ghi nhận trái ngược với phát hiện trong hầu hết các nghiên cứu trước đây như của Salas vàSaurina (2002); Jimenez và Saurina (2006); Messai và Jouini (2013); Klein (2013) Tuy nhiên,mối quan hệ ngược chiều giữa tốc độ tăng trưởng tín dụng và nợ xấu có thể là do chịu ảnh hưởng từ những thay đổi trong môi trường kinh tế vĩ mô Trong giai đoạn nền kinh tế diễn biến tích cực, các doanh nghiệp lẫn cá nhân cần vốn để mở rộng hoặc khôi phục hoạt động sản xuất,kinh doanh, dẫn đến cầu tín dụng tăng, kéo theo tăng trưởng tín dụng Vì được tài trợ vốn từ ngân hàng, hoạt động kinh doanh của khách hàng sẽ được tiếp tục Điều này giúp họ có dòng tiền vào, từ đó giúp cải thiện khả năng trả nợ, góp phần làm giảm nợ xấu Như vậy, trong trường hợp này, tín dụng tăng trưởng thì nợ xấu giảm Trái lại, trong giai đoạn điều kiện kinh tế trở nên căng thẳng, đặc biệt trong bối cảnh lạm phát, tình hình tài chính của khách hàng trở nên xấu đi. Trong khi đó, khi lạm phát tăng cao, các ngân hàng sẽ có xu hướng thắt chặt tín dụng bằng cách kiểm soát nghiêm ngặt hơn các tiêu chuẩn cho vay để thực thi CSTT thắt chặt của NHNN Việc khó tiếp cận với nguồn vốn tín dụng càng gây khó khăn cho người đi vay về mặt tài chính, kéo theo khả năng trả nợ giảm, dẫn đến gia tăng nợ xấu Vì thế, đối với trường hợp này, tín dụng tăng trưởng chậm thì nợ xấu tăng Cả hai trường hợp đều giải thích vì sao tốc độ tăng trưởng tín dụng lại tác động ngược chiều đến nợ xấu.

Tỷ lệ trích lập dự phòng RRTD Đúng như kỳ vọng, có mối tương quan cùng chiều giữa tỷ lệ trích lập dự phòng RRTD và mức nợ xấu ở mức ý nghĩa 10% Hệ số hồi quy 1.415082 cho biết trong điều kiện các yếu tố khác không đổi, nếu tỷ lệ trích lập dự phòng tăng lên 1 đơn vị sẽ làm cho mức nợ xấu tăng thêm 0.0913108 Đây cũng là yếu tố có tác động mạnh nhất đến nợ xấu Kết quả ủng hộ giả thuyết

“rủi ro đạo đức” của Keeton và Morris (1987) khi giả thuyết này cho rằng tỷ lệ trích lập dự phòng được sử dụng như một đại diện cho chất lượng tín dụng và thái độ quản lý rủi ro tổng thể của ngân hàng Messai & Jouini

(2013) cũng lập luận rằng các ngân hàng sau khi dự đoán mức tổn thất cao có thể sẽ trích lập dự phòng nhiều hơn để giảm biến động thu nhập và tăng cường khả năng thanh toán trung hạn Các phát hiện tương tự cũng được tìm thấy trong nghiên cứu của Messai & Jouini (2013); Ghosh (2015); Nguyễn Thị Hồng Vinh (2017).

Tốc độ tăng trưởng kinh tế

Trái ngược với hầu hết các nghiên cứu trước đây khi đa số đều thống nhất rằng có mối tương quan nghịch chiều giữa tăng trưởng kinh tế và tỷ lệ nợ xấu, chẳng hạn như nghiên cứu của Salas

& Saurina (2002); Louzis và các cộng sự (2012); Messai và Jouini (2013); Ghosh (2015), kết quả nghiên cứu cho thấy tốc độ tăng trưởng GDP tỷ lệ thuận với nợ xấu ở mức ý nghĩa 10% Hệ số hồi quy 0.1014604 cho biết trong điều kiện các yếu tố khác không đổi, nếu tốc độ tăng trưởngGDP tăng 1 đơn vị thì sẽ làm tỷ lệ nợ xấu tăng 0.1014604 Mặt khác, các phát hiện tương tự được tìm thấy trong nghiên cứu của Radivojević và các cộng sự (2019) Các tác giả cho rằng chất lượng tài sản ngân hàng giảm sút do các tiêu chuẩn tín dụng lỏng lẻo được áp dụng trong thời kỳ kinh tế tăng trưởng Ngoài ra, cũng có thể lập luận rằng sự tăng trưởng của nền kinh tế trong giai đoạn đang được xem xét là không đáng kể để dẫn đến giảm nợ xấu, có thể là do nguồn vốn tín dụng không được sử dụng hiệu quả Do đó, sự tăng trưởng GDP đi kèm với sự gia tăng nợ xấu.

Có mối quan hệ cùng chiều được tìm thấy giữa lạm phát và nợ xấu ở mức ý nghĩa 10% Hệ số hồi quy 0.2852653 cho biết trong điều kiện các yếu tố khác không đổi, nếu tỷ lệ lạm phát tăng 1 đơn vị sẽ làm tỷ lệ nợ xấu tăng 0.2852653 Kết quả này phù hợp với kỳ vọng ban đầu và tương tự với kết quả nghiên cứu của Louizis và các cộng sự (2012); Klein (2013); Ghosh (2015); Nguyễn Thị Hồng Vinh (2017); Umar & Sun (2018) Như vậy, lạm phát tăng làm suy yếu khả năng trả nợ của người đi vay do thu nhập thực tế bị ảnh hưởng trong khi mức lương là cố định. Hơn nữa, khi khoản vay áp dụng lãi suất thả nổi, lạm phát có thể làm giảm khả năng hoàn trả của người đi vay nếu ngân hàng điều chỉnh lãi suất để duy trì lợi nhuận thực tế của họ hoặc tăng lãi suất để thực hiện chính sách tiền tệ thắt chặt theo quy định của NHTW nhằm chống lại lạm phát.

Thảo luận kết quả nghiên cứu

Trong nhiều thập kỷ qua, khu vực ngân hàng luôn đóng vai trò quan trọng trong nền kinh tế của các quốc gia và được coi là xương sống trong giao dịch tài chính Cũng giống như các quốc gia khác, ngành ngân hàng ở Việt Nam cũng luôn phải đối mặt với các vấn đề về nợ xấu Mục đích chính của khóa luận là nghiên cứu các yếu tố vĩ mô và vi mô tác động đến nợ xấu của các NHTM đang hoạt động tại Việt Nam trong giai đoạn 2011 – 2021 dựa trên phương pháp GMM hệ thống 2 bước Kết quả nghiên cứu chỉ ra rằng tỷ lệ nợ xấu năm trước, tỷ lệ dự phòng RRTD, tăng trưởng GDP và lạm phát có tác động cùng chiều và đáng kể đến nợ xấu Trong khi đó, quy mô ngân hàng và tăng trưởng tín dụng tỷ lệ nghịch với nợ xấu Mặt khác, khả năng sinh lợi và vốn chủ sở hữu không tác động đáng kể đến nợ xấu Như vậy, nguyên nhân ảnh hưởng đến nợ xấu đã được xác định rõ.

Thứ nhất, kết quả nghiên cứu cho thấy quy mô ngân hàng có tác động ngược chiều đến nợ xấu, ngụ ý rằng các ngân hàng có quy mô lớn sẽ có cơ hội đa dạng hóa nhiều hơn và đa dạng hóa sẽ giúp làm giảm nợ xấu Việc duy trì tỷ trọng cho vay cao ở một nhóm khách hàng có đặc điểm nhận dạng giống nhau trong danh mục cho vay (ngành nghề kinh doanh, khu vực địa lý, kỳ hạn cho vay,…) sẽ làm tăng nguy cơ phát sinh rủi ro tập trung Vì thế, các ngân hàng cần ý thức về tầm quan trọng của đa dạng hóa danh mục cho vay và chủ động thực hiện đa dạng hóa để phân tán rủi ro, hạn chế trường hợp biến cố vỡ nợ đồng thời xảy ra ở nhiều khách hàng vay vốn Cụ thể, ngân hàng nên tránh cho vay quá nhiều vào một ngành nghề nhất định để lường trước những hậu quả có thể xảy ra nếu ngành nghề đó trở nên khó khăn và rơi vào thời kỳ suy thoái Tuy nhiên, nếu ngân hàng muốn tăng mức độ đa dạng hóa bằng cách mở rộng cho vay sang các ngành nghề mới, thì các ngân hàng cần phải xem xét thận trọng vì cho vay ngành nghề mới có thể tiềm ẩn nhiều tác động tiêu cực có thể xảy đến đối với lợi nhuận và rủi ro ngân hàng Để khắc phục điều này, bộ phận thẩm định của ngân hàng cần sở hữu đội ngũ được đào tạo chuyên sâu và có nhiều kinh nghiệm để hiểu rõ các đặc thù của từng ngành nghề cụ thể Bên cạnh đó, đa dạng hóa cho vay theo khu vực địa lý cũng hết sức quan trọng vì nếu có bất kỳ một sự thay đổi tiêu cực nào trên thị trường sẽ gây nên các khó khăn như nhau trong kinh doanh đối các khách hàng trong cùng một khu vực Hơn nữa, các ngân hàng cũng cần đa dạng hóa kỳ hạn cho vay bằng cách phân bổ

Định dạng
Số trang	92
Dung lượng	117,43 KB