Những yếu tố tác động đến nợ xấu của các ngân hàng thương mại việt nam

GIỚI THIỆU NGHIÊN CỨU

Lý do nghiên cứu

Trong các diễn đàn kinh tế, doanh nghiệp được coi là trụ cột chính của nền kinh tế, trong khi hệ thống tài chính được ví như nóc nhà giúp cho nền kinh tế tồn tại và phát triển vững chắc Ngành ngân hàng, với vai trò trung gian trong việc chuyển giao vốn, có ảnh hưởng lớn đến sự phát triển kinh tế bền vững Hoạt động tín dụng là nguồn lợi nhuận chính của ngân hàng thương mại, nhưng cũng tiềm ẩn rủi ro lớn, đặc biệt là tỷ lệ nợ xấu (NPL) Sự không hiệu quả trong hoạt động tín dụng có thể dẫn đến sự sụp đổ của ngân hàng, gây ra khủng hoảng không chỉ cho hệ thống tài chính mà còn ảnh hưởng đến toàn cầu, bao gồm cả Việt Nam Rõ ràng, lợi nhuận cao đi đôi với rủi ro lớn trong hoạt động tín dụng.

NPL không chỉ gây ra thảm họa cho ngành ngân hàng mà còn đe dọa tài chính quốc tế (Murthy và các cộng sự, 2017) NPL dẫn đến suy giảm năng suất kinh tế và cản trở hiệu quả hoạt động của ngân hàng, liên quan đến sự thất bại của ngân hàng và khủng hoảng tài chính ở cả nước phát triển và đang phát triển Nhiều bằng chứng cho thấy các cuộc khủng hoảng tài chính ở Đông Á và châu Phi cận Sahara có liên quan đến tỷ lệ nợ không thực hiện cao Khủng hoảng tài chính toàn cầu hiện nay, bắt nguồn từ Hoa Kỳ, cũng được cho là do sự thất bại của các khoản vay thế chấp dưới mức tiêu chuẩn Do đó, việc chú ý đến nợ không thực hiện khi xem xét các yếu điểm tài chính là hợp lý (Pasha & Khemraj, 2009), và sự gia tăng tổ chức tín dụng phá sản do rủi ro NPL trong những thập niên gần đây đã thu hút sự quan tâm của nhiều nhà nghiên cứu (Barr và Siems).

1994) Những nhân gây ra NPL tại các NHTM có thể xem xét đến ở cả hai mặt vi mô và vĩ mô (Rajiha, 2016)

Kể từ khi ngân hàng xuất hiện tại Việt Nam, nợ xấu (NPL) đã bắt đầu gia tăng Cuộc khủng hoảng tài chính năm 2007 đã làm NPL tăng lên khoảng 85.000 tỷ VND (61%), dẫn đến sự sụt giảm nghiêm trọng khả năng sinh lời của các ngân hàng thương mại Mặc dù Chính phủ đã ban hành các chính sách phục hồi kinh tế, nợ xấu vẫn tiếp tục tồn tại Trong bối cảnh tăng trưởng kinh tế toàn cầu bị ảnh hưởng nặng nề bởi đại dịch Covid-19, nhiều doanh nghiệp gặp khó khăn, hoạt động sản xuất bị đình trệ, chuỗi cung ứng bị đứt gãy, và chi phí nhiên liệu gia tăng, dẫn đến sự gia tăng nợ xấu một lần nữa.

Từ sau giai đoạn ổn định sau cuộc khủng hoảng năm 2007 giai đoạn 2011-

Trong năm 2022, tỷ lệ nợ xấu (NPL) vẫn duy trì sự ổn định dưới sự giám sát chặt chẽ của Ngân hàng Nhà nước (NHNN) và các ngân hàng thương mại (NHTM), bất chấp những biến động mạnh mẽ từ kinh tế toàn cầu "Bức tranh nợ xấu" đã phản ánh chân thực tình hình này qua nhiều năm Theo số liệu từ NHNN, tỷ lệ nợ xấu nội bảng đã giảm từ 2.46% vào năm 2016 xuống 2.4% năm 2017 và tiếp tục giảm xuống còn 1.91% vào năm 2018.

Từ năm 2019 đến 2022, tỷ lệ nợ xấu (NPL) tại Việt Nam đã có xu hướng tăng Cụ thể, NPL năm 2019 ghi nhận ở mức 1,63% và tăng lên 1,69% vào năm 2020 Đến cuối năm 2021, NPL đã đạt 1,9%, với sự gia tăng đáng kể lên 7,31% so với mức 5,1% của năm 2020, gần bằng mức 7,4% của năm 2017 Sang năm 2022, tỷ lệ nợ xấu trung bình tiếp tục tăng gần 0,7% so với năm trước, kết thúc năm 2022 với mức nợ xấu 1,92% Mặc dù các số liệu này đã được theo dõi, nhưng chúng vẫn tạo ra tác động tiêu cực đối với nền kinh tế.

Nhiều nghiên cứu trước đây đã được thực hiện về vấn đề này, như của Nguyễn Thị Hồng Vinh (2017) và Trần Huy Hoàng & Lê Thị Mỹ Tiên (2020) Tuy nhiên, một điểm đáng chú ý là các kết quả của những nghiên cứu này có sự khác biệt về các yếu tố ảnh hưởng vi mô và vĩ mô, mà chưa phản ánh được tình hình NPL trong giai đoạn đại dịch Covid.

19 bùng phát, thời kỳ hậu suy thoái sau đại dịch Chính vì vậy tác giả đã chọn đề tài

Bài luận "Những yếu tố tác động đến nợ xấu của các ngân hàng thương mại Việt Nam" nhằm phân tích và đánh giá các yếu tố ảnh hưởng đến tỷ lệ nợ xấu (NPL) của các ngân hàng thương mại (NHTM) Tác giả mong muốn từ những phân tích này, có thể đưa ra các đề xuất chính sách nhằm thúc đẩy sự ổn định trong hoạt động tín dụng của NHTM, giúp họ vượt qua những biến động trong tương lai.

Mục tiêu nghiên cứu

Bài nghiên cứu này nhằm xác định các yếu tố ảnh hưởng đến tỷ lệ nợ xấu (NPL) của các ngân hàng thương mại (NHTM) Việt Nam Đồng thời, nghiên cứu cũng đề xuất một số định hướng nhằm giảm thiểu sự gia tăng NPL tại các NHTM trong tương lai.

Mục tiêu cụ thể đƣợc tác giả đề ra nhƣ sau:

 Xác định cácyếu tố nào tác động NPL tại các NHTM đã niêm yết tại Việt Nam

 Theo dõi và phân tích hướng tác động của những yếu tố này đến NPL trong tại các NHTM Việt Nam

 Đề xuất một số hướng giải quyết nhằm làm giảm NPL trong các NHTM tại Việt Nam.

Câu hỏi nghiên cứu

Các câu hỏi nghiên cứu đƣợc đề ra nhằm làm rõ đƣợc mục tiêu đã đề ra:

 Các yếu tố nào tác động đến NPL của các NHTM tại Việt Nam?

 Mức độ tác động của các yếu tố này tới NPL của các NHTM tại Việt Nam là nhƣ thế nào?

 Những giải pháp nào nên đề ra để hạn chế NPL tại các NHTM tại Việt Nam?

Đối tƣợng và phạm vi nghiên cứu

Các yếu tố tác động đến NPL của các NHTM Việt Nam trong khung thời gian 2011 – 2022 là đối tƣợng của khóa luận

Nghiên cứu tập trung vào NPL trong giai đoạn 2011-2022, phản ánh rõ nét tình hình của các ngân hàng thương mại Trong suốt mười hai năm này, nền kinh tế đã trải qua nhiều thăng trầm, bao gồm biến động giá xăng, sự đóng băng của thị trường bất động sản, khủng hoảng thị trường trái phiếu, biến động giá chứng khoán, tỷ giá hối đoái không ổn định, đại dịch COVID-19, và những suy thoái kinh tế cùng với các biến động vũ trang.

Tác giả chỉ sử dụng dữ liệu từ 25 ngân hàng thương mại do hạn chế trong việc thu thập thông tin, không thể bao quát toàn bộ các ngân hàng Mặc dù số lượng ngân hàng nghiên cứu có hạn, nhưng chúng cung cấp một bộ dữ liệu minh bạch và đáng tin cậy cho nghiên cứu.

Phương pháp nghiên cứu

Cả hai phương pháp định lượng và định tính đều được sử dụng trong bài nghiên cứu này:

Phương pháp định tính áp dụng phân tích, tổng hợp và so sánh các bộ dữ liệu đã được thu thập, đối chiếu với các số liệu thống kê và vi mô từ Báo cáo tài chính (BCTC) đã được kiểm toán cùng với báo cáo thường niên công bố trên website của các Ngân hàng Thương mại (NHTM).

Từ năm 2011 đến 2022, số liệu vĩ mô được thu thập từ Quỹ Tiền tệ Quốc tế (IMF), Ngân hàng Thế giới (World Bank) và Ngân hàng Nhà nước (NHNN) đã giúp xác định các yếu tố tác động đến tỷ lệ nợ xấu (NPL).

Phương pháp định lượng sử dụng phân tích hồi quy và dữ liệu panel trong 12 năm (2010-2022) nhằm khảo sát mối quan hệ giữa tỷ lệ nợ xấu (NPL) và các biến số kinh tế, ngân hàng quan trọng Phương pháp GMM được áp dụng để khai thác tính nội sinh của biến Dữ liệu được xử lý bằng phần mềm Stata 15.1, và kết quả hồi quy sẽ giúp xác định xu hướng tác động của các yếu tố này đến NPL Từ đó, bài viết cung cấp một số khuyến nghị nhằm hạn chế NPL cho các ngân hàng thương mại trong tương lai.

Đóng góp của nghiên cứu

1.6.1 Tính mới của đề tài

Dữ liệu từ 25 ngân hàng thương mại trong khoảng thời gian 12 năm (2011-2022), bao gồm cả giai đoạn bùng phát đại dịch COVID-19 và giai đoạn phục hồi sau đó, sẽ đóng góp quan trọng cho tài liệu hiện có bằng cách cung cấp bằng chứng về nguyên nhân gây ra nợ xấu tại một quốc gia đang phát triển.

Nhiều tác giả đã thực hiện các nghiên cứu về nguồn gốc dẫn đến sự xuất hiện của nợ xấu (NPL) tại các ngân hàng thương mại (NHTM) Đồng thời, các vấn đề trong chính sách quản lý của Ngân hàng Nhà nước (NHNN) cũng đã gây ra những trở ngại Do đó, các khuyến nghị và giải pháp được đề xuất nhằm hỗ trợ NHNN và NHTM trong việc quản trị rủi ro NPL Mục tiêu là giảm thiểu tỷ lệ nợ xấu và nâng cao hiệu quả hoạt động của các NHTM.

Kết cấu của nghiên cứu

Nghiên cứu được chủ chương tổ chức thành 5 chương như sau:

Chương 1: Giới thiệu nghiên cứu

Trong chương này, tác giả sẽ trình bày những chi tiết tổng quan bao gồm lý do chọn đề tài, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, cùng với những đóng góp của đề tài và bố cục của khóa luận.

Chương 2: Cơ sở lý thuyết và tổng quan các nghiên cứu thực nghiệm

Chương 2 sẽ diễn giải các cơ sở lý thuyết về tác động và ảnh hưởng của các yếu tố đến tỷ lệ nợ xấu (NPL) của các ngân hàng thương mại (NHTM) Đồng thời, tác giả cũng sẽ giới thiệu sơ lược về các yếu tố trong mô hình của các nghiên cứu trước đó, từ đó tạo tiền đề cho việc thiết lập mô hình trong chương 3.

Chương 3: Phương pháp nghiên cứu

Mô hình, các biến, dữ liệu và quy trình được trình bày một cách rõ ràng trong chương 3, dựa trên cơ sở được xây dựng ở chương 2 Chương này cung cấp giải thích chi tiết về các biến và diễn giải quy trình, tạo tiền đề để đạt được kết quả tối ưu theo mục tiêu ban đầu đã đề ra.

Chương 4: Kết quả nghiên cứu và thảo luận

Kết quả xử lý bằng phần mềm Stata 15.1 được trình bày chi tiết trong chương 4 Dựa trên các kết quả thực nghiệm, tác giả sẽ xây dựng một mô hình cụ thể, loại bỏ các biến không có ý nghĩa thống kê và thảo luận về tác động của các biến này đối với NPL.

Chương 5: Kết luận và khuyến nghị chính sách

Chương này tổng kết bài nghiên cứu, đưa ra khuyến nghị nhằm giảm tỷ lệ nợ xấu (NPL) cho các ngân hàng thương mại (NHTM), đồng thời chỉ ra những điểm yếu cần cải thiện trong nghiên cứu Ngoài ra, chương cũng gợi ý một số hướng nghiên cứu mới cho tương lai.

Chương này giới thiệu tổng quan về công trình nghiên cứu về NPL tại các

Trong bài luận này, chúng tôi sẽ nêu rõ lý do chọn đề tài, xác định mục tiêu nghiên cứu và đặt ra các câu hỏi liên quan đến vấn đề Phần quan trọng nhất là tóm tắt cấu trúc của bài luận, giúp người đọc dễ dàng theo dõi và hiểu rõ nội dung mà chúng tôi sẽ trình bày trong chương này.

CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM

Các khái niệm cơ bản

Rủi ro tín dụng, theo Bùi Diệu Anh (2020), là những biến cố không chắc chắn trong hoạt động tín dụng, có thể dẫn đến việc khách hàng không thanh toán đúng hạn, ảnh hưởng tiêu cực đến lợi nhuận và giá trị thương hiệu của ngân hàng Khi rủi ro tín dụng xảy ra, tổn thất về khả năng sinh lời là điều không thể tránh khỏi Hơn nữa, nếu khách hàng không thể thanh toán khoản vay (gồm vốn và lãi) theo cam kết ban đầu, điều này cũng được coi là rủi ro tín dụng.

Khi khách hàng không thực hiện đúng cam kết vay với ngân hàng, như chậm trễ trong việc đáo hạn nợ hoặc hoàn trả không đầy đủ, điều này tạo ra rủi ro tín dụng và có thể dẫn đến tình trạng thiếu hụt tài chính cho ngân hàng Nếu vấn đề này vượt quá khả năng chịu đựng rủi ro của ngân hàng thương mại, nó có thể làm tăng tỷ lệ nợ xấu (NPL), gây thiếu hụt vốn kinh doanh và thậm chí dẫn đến lỗ hoặc phá sản.

Khái niệm về nợ xấu (Non-performing loan - NPL) vẫn chưa có sự thống nhất trong định nghĩa giữa các nhà nghiên cứu toàn cầu Các thuật ngữ như "nợ xấu", "bad debt" hay "doubtful debt" thường được sử dụng trong các công trình nghiên cứu quốc tế để chỉ NPL, theo Fofack (2005) Mỗi quốc gia có quy tắc và tiêu chuẩn riêng để xác định các khoản nợ này Theo Caprio & Klingebiel (1996), các khoản vay có gốc và lãi chưa được thanh toán đúng hạn ít nhất 90 ngày sẽ được xem là NPL Alton & Hazen (2001) cũng nhấn mạnh rằng gốc và lãi không được thanh toán đúng thời hạn sẽ được xếp vào danh mục nợ xấu Bholat và cộng sự (2016) cho rằng khoản vay không tuân thủ các cam kết ban đầu về gốc và lãi cũng được phân loại là NPL.

Theo Ủy ban Basel, nợ xấu được định nghĩa là các khoản nợ mà người cho vay không thể thu hồi trong hơn 90 ngày Quỹ Tiền tệ Quốc tế (IMF) cho biết rằng nếu lãi suất tín dụng đã được thảo luận hoặc cơ cấu lại, nợ xấu chỉ bao gồm các khoản vay sẽ được hoàn trả cả lãi và gốc trong thời gian 90 ngày hoặc hơn Tuy nhiên, Rottke & Gentgen (2008) nhấn mạnh rằng không có khái niệm chung về nợ xấu và các khoản vay cần được xem xét một cách cụ thể, đặc biệt là các khoản nợ không thể trả trong thời gian dài hơn 90 ngày.

Thông tư số 11/2021/TT-NHNN quy định việc phân loại nợ của các tổ chức và công ty con của ngân hàng quốc tế thành 5 nhóm Nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn) được xếp vào danh mục nợ xấu (NPL) của ngân hàng Việc phân loại này dựa trên hai phương pháp: định lượng, trong đó nợ được phân loại theo thời gian quá hạn từ 91 đến 180 ngày, từ 181 đến 360 ngày và trên 360 ngày; và định tính, trong đó khoản vay đến hạn nhưng không thể thu hồi cả gốc lẫn lãi thuộc nhóm 3, khoản vay có nguy cơ tổn thất cao thuộc nhóm 4, và khoản vay mất khả năng thu hồi, có khả năng tổn thất vốn thuộc nhóm 5.

Tuy nhiên lại có một sự thống nhất chung: (i) trên 90 ngày là thời gian quá hạn, (ii) tiềm ẩn nguy cơ về năng lực thanh toán khoản nợ.

Phân loại nợ xấu

Việc phân loại khoản vốn giúp ngân hàng dự đoán rủi ro liên quan đến các khoản vay đã giải ngân, từ đó tạo ra khoản dự phòng phù hợp để bảo vệ ngân hàng Hơn nữa, phân loại này còn hỗ trợ ngân hàng trong việc quản lý hiệu quả tệp khách hàng hiện tại và kịp thời dự báo các tình huống xấu có thể xảy ra.

Hiện nay, vẫn chưa tồn tại một quy chuẩn phân loại quốc tế nào được công nhận và áp dụng rộng rãi trên toàn cầu (Laurin & Majnoni, 2003).

Các quốc gia trên thế giới đều có tiêu chuẩn và đặc điểm riêng, dẫn đến sự phân loại khác nhau Viện Tài chính Quốc tế (IIF) đã trình bày về việc "Xử lý nợ xấu trong thống kê kinh tế vĩ mô" như sau:

Bảng 2 1 Hình thức phân loại nợ theo IIF

Các khoản nợ (bao gồm cả gốc và lãi) trong thời gian cam kết là những khoản vay mà khách hàng không gặp khó khăn tài chính và dự kiến sẽ hoàn trả đầy đủ cả gốc lẫn lãi theo đúng cam kết.

Những khoản nợ hiện có hiện trạng có nguy cơ không hoàn trả đủ cả gốc và lãi nếu không áp dụng các biện pháp xử lý thích hợp

Các khoản nợ có khả năng thanh toán gốc và lãi đầy đủ bị dự đoán gặp khó khăn khi quá hạn 90 ngày Sự giảm giá trị tài sản đảm bảo hoặc thế chấp dẫn đến việc giảm giá trị của khoản nợ ban đầu.

Khi một khoản vay có gốc và lãi không thể thu hồi đủ và quá hạn trên 180 ngày, nợ có thể bị hạ thấp giá trị Tuy nhiên, nếu chưa xác định là tổn thất hoàn toàn, có thể vẫn còn hy vọng cải thiện giá trị khoản vay khi một số chi tiết đang trong quá trình thay đổi.

Nợ mất vốn Những khoản nợ đƣợc xác định là không thể thu hồi, trong đó gốc và lãi đã quá hạn lớn hơn một năm

Nguồn: Tổng hợp từ IFF, 1999

Phân loại theo World Bank (WB) (2003):

Bảng 2 2 Hình thức phân loại nợ theo World Bank

+ Các khoản nợ chƣa quá hạn 90 ngày

+ Chƣa có dấu hiệu để nghi ngờ về khả năng thanh toán

+ Có tài sản đƣợc đảm bảo và có thể thanh khoản bằng tiền hoặc tương đương tiền

+ Các khoản nợ quá hạn dưới 90 ngày

+ Năng lực trả nợ có mối quan hệ với điều kiện kinh tế hoặc tình hình tài chính khó khăn

+ Các khoản nợ quá hạn trong khoảng từ 90 đến 180 ngày

+ Có những đặc điểm không tốt về tín dụng tác động đến khả năng trả nợ, bao gồm các khoản vay đã đƣợc thỏa thuận lại

+ Các khoản nợ quá hạn trong khoảng từ 180 đến 360 ngày

+ Không có sự chắc chắn về khả năng thu hồi toàn bộ gốc và lãi căn cứ vào các điều kiện hiện tại, tức có khả năng thất thoát

Nợ mất vốn + Các khoản nợ quá hạn hơn 360 ngày

+ Nợ không thể thu hồi đƣợc

Nguồn: Tổng hợp từ WB Publications, 2003

Việc xác định NPL (nợ xấu) được thực hiện theo nguyên tắc phân nhóm, theo quy định tại Thông tư số 11/2021/NHNN Các ngân hàng thương mại (NHTM) phân loại nợ thành 5 nhóm, trong đó nhóm 3 và nhóm 4 được xác định là nợ xấu của ngân hàng.

Bảng 2 3 Hình thức phân loại nợ tại Việt Nam theo quy định của NHNN

+ Nợ dưới 10 ngày, không vượt quá thời hạn

+ Có tiềm năng hoàn trả đầy đủ cả gốc và lãi theo đúng thời hạn đã thỏa thuận

+ Nợ quá hạn trên 90 ngày, nợ điều chỉnh hạn trả nợ ban đầu

+ Có khả năng thu hồi đầy đủ cả gốc và lãi, nhƣng khả năng trả nợ lại có dấu hiệu giảm dần

Nợ dưới tiêu chuẩn và nợ quá hạn từ 91 đến 180 ngày có thể được loại trừ hoặc giảm lãi suất Tuy nhiên, điều này tiềm ẩn nguy cơ gây thiệt hại cho người vay.

+ Nợ quá hạn trong khoản từ 180 đến 360 ngày, nợ có thời hạn trả nợ đƣợc tái cơ cấu lại lần thứ 2

+ Tiềm ẩn nguy cơ gánh chịu thiệt hại cao

Nợ có khả năng mất vốn

Nợ quá hạn vượt quá 360 ngày đã trải qua hai lần cơ cấu lại, nhưng vẫn tiếp tục quá hạn lần thứ ba sau khi được cơ cấu lại.

+ Nợ mất vốn, không có triển vọng hoàn trả

Nguồn: Tổng hợp từ Thông tư về nợ xấu của NHNN

Lý thuyết các nhân tố tác động đến nợ xấu

2.3.1 Lý thuyết thông tin bất cân xứng (Asymmetric Information Theory)

Sự bất cân xứng thông tin, được mô tả qua lý thuyết "Lemons problem" của Akerlof (1970), cho thấy rằng sự khác biệt về thông tin giữa người mua và người bán có thể ảnh hưởng tiêu cực đến thị trường ô tô Cụ thể, thuật ngữ "Lemon" ám chỉ những chiếc ô tô kém chất lượng, dẫn đến việc người tiêu dùng khó khăn trong việc xác định giá trị thực của sản phẩm Tình trạng này không chỉ xảy ra trong lĩnh vực ô tô mà còn tồn tại trong các lĩnh vực khác như bảo hiểm, lao động và tín dụng, gây cản trở cho các giao dịch và làm suy giảm hiệu quả của thị trường.

Thị trường tín dụng bị ảnh hưởng bởi thông tin bất cân xứng, khiến người cho vay thiếu thông tin để định giá khoản vay và đánh giá rủi ro vỡ nợ của người đi vay Điều này dẫn đến chi phí sàng lọc và giám sát, buộc người cho vay phải áp dụng phí bổ sung và lãi suất cao, phản ánh chi phí giao dịch (Hoff và Stiglitz, 1990) Tuy nhiên, lãi suất cao có thể khiến ngân hàng tự lựa chọn người đi vay rủi ro, làm giảm khả năng những người đi vay an toàn nộp đơn do họ không thấy xác suất thất bại thấp của mình xứng đáng với mức lãi suất cao (Stiglitz và Weiss, 1981).

2.3.2 Lý thuyết chu kỳ kinh doanh (Business Cycle Theory)

Mỗi doanh nghiệp đều trải qua một chu kỳ riêng, và những rủi ro mà họ gặp phải thường khác nhau do tính chất và đặc điểm riêng của từng tổ chức Trong ngành ngân hàng, khi nền kinh tế bước vào giai đoạn bùng nổ, các ngân hàng thường áp dụng chính sách tiền tệ nới lỏng để mở rộng hoạt động tín dụng Ngược lại, trong giai đoạn suy thoái, họ thực hiện thắt chặt tín dụng để hạn chế nợ xấu (NPL) Khi nền kinh tế phát triển, thu nhập bình quân tăng lên, giúp cải thiện khả năng thanh toán nợ và giảm thiểu rủi ro NPL Tuy nhiên, trong thời kỳ khủng hoảng, nợ xấu có xu hướng gia tăng.

2.3.3 Lý thuyết kênh cho vay (Bank Lending Channel Theory)

Lý thuyết của Bernanke & Gertler (1995) về truyền tải chính sách tiền tệ chỉ ra rằng xung đột thông tin trên thị trường tín dụng gia tăng trong thời kỳ tiền tệ thắt chặt, dẫn đến sự gia tăng phần bù tài chính bên ngoài Điều này làm tăng tác động của chính sách tiền tệ lên nền kinh tế thực Các tác giả đã ghi nhận phản ứng của GDP và NPL trước các cú sốc chính sách tiền tệ, đồng thời mô tả kênh tín dụng để giải thích hiện tượng này Họ nhấn mạnh hai thành phần chính của cơ chế: bảng cân đối kế toán và các kênh cho vay ngân hàng, và cho rằng việc sử dụng tổng tín dụng trong các bài tập dự báo không phải là một bài kiểm tra hợp lệ cho lý thuyết này.

Các nghiên cứu thực nghiệm về nợ xấu

2.4.1 Các nghiên cứu nước ngoài về nợ xấu

Keeton và Morris (1987) là những tác giả tiên phong trong việc nghiên cứu nguyên nhân gây ra mất mát từ khoản vay, phân tích dữ liệu từ 2.470 ngân hàng thương mại được bảo hiểm tại Hoa Kỳ trong giai đoạn 1979-1985 Họ sử dụng tỷ lệ NPLs sau khi trừ các khoản nợ đã trích làm chỉ số chính về mất mát từ khoản vay và nhận thấy rằng điều kiện kinh tế địa phương cùng với sự kém hiệu suất của một số ngành có ảnh hưởng lớn đến biến động mức mất mát từ khoản vay của các ngân hàng Nghiên cứu cũng chỉ ra rằng các ngân hàng thương mại có khẩu vị rủi ro cao thường ghi nhận mức mất mát lớn hơn.

Nghiên cứu của Salas và Saurina (2002) sử dụng mô hình động và dữ liệu panel từ 1985 đến 1997 để phân tích các yếu tố quyết định nợ xấu của ngân hàng thương mại và tiết kiệm tại Tây Ban Nha, cho thấy rằng tăng trưởng GDP thực tế, LGR, SIZE và ETA có ảnh hưởng đến NPLs Jimenez và Saurina (2005) mở rộng nghiên cứu từ 1984 đến 2003, chỉ ra rằng NPLs bị ảnh hưởng tiêu cực bởi GDP, SIZE và tích cực bởi NPL t−1 và LGR, đồng thời đề cập đến hiện tượng cận thị tai họa và hành vi theo đám đông trong việc cho vay quá mức Đặc điểm của ngành ngân hàng và chính sách của từng ngân hàng cũng góp phần quan trọng vào sự gia tăng nợ xấu Keeton (2003) nhấn mạnh mối liên hệ giữa tăng trưởng tín dụng và tài sản bị suy giảm giá trị.

Kết quả nghiên cứu cho thấy rằng sự tăng trưởng tín dụng nhanh chóng có mối liên hệ với việc áp dụng tiêu chuẩn tín dụng thấp hơn, điều này đã góp phần làm gia tăng tỷ lệ tổn thất cho vay (NPL).

Nghiên cứu của Das và Ghosh (2007), Al-Smadi và Ahmad (2009), Warue (2013) và Brownbridge (1998) chỉ ra mối quan hệ tiêu cực và đáng kể giữa các khoản vay có vấn đề và GDP, cho thấy rằng sự suy thoái trong hoạt động kinh tế có thể dẫn đến gia tăng các khoản nợ có vấn đề.

Nghiên cứu “The determinants of non-performing loans: an econometric case study of Guyana” sử dụng dữ liệu bảng và mô hình hiệu ứng cố định, tương tự như nghiên cứu của Jimenez và Saurina (2005) Kết quả cho thấy tỷ giá hối đoái thực hiệu quả có tác động tích cực đáng kể đến các khoản nợ xấu, nghĩa là khi đồng nội tệ tăng giá, danh mục nợ xấu của các ngân hàng thương mại có thể gia tăng Hơn nữa, tăng trưởng GDP có mối quan hệ nghịch với nợ xấu, cho thấy sự cải thiện kinh tế thực dẫn đến nợ xấu thấp hơn Tuy nhiên, khác với các nghiên cứu trước, bài phân tích này không ủng hộ quan điểm rằng các ngân hàng lớn sàng lọc khách hàng vay vốn hiệu quả hơn so với các ngân hàng nhỏ hơn (Pasha & Khemraj, 2009).

Muriithi (2013) trong nghiên cứu "Nguyên nhân của các khoản cho vay không hiệu quả tại các ngân hàng thương mại ở Kenya" đã áp dụng thiết kế mô tả và sử dụng cả hai mô hình hồi quy bội để phân tích mối liên hệ giữa các nguyên nhân dẫn đến tình trạng này Nghiên cứu dựa trên dữ liệu thứ cấp từ giai đoạn 2008-2012, nhằm làm rõ các yếu tố ảnh hưởng đến hiệu quả cho vay tại các ngân hàng thương mại ở Kenya.

43 NHTM ở Kenya và dữ liệu đƣợc phân tích bằng SPSS Nghiên cứu cho thấy NPL của các NHTM ở Kenya có mối tương quan dương với tỷ lệ lạm phát

Messai and Jouini (2013) conducted an analysis on the "Micro and Macro Determinants of Non-performing Loans," revealing that non-performing loans (NPL) inversely correlate with GDP and the return on assets (ROA) of banks, while showing a direct relationship with the loan loss reserve ratio (LRR).

Nghiên cứu của Nir Klein (2013) về nợ xấu (NPL) tại khu vực Trung và Đông Nam Âu (CESEE) chỉ ra rằng NPL chịu ảnh hưởng từ cả điều kiện kinh tế vĩ mô và các yếu tố đặc thù của ngân hàng, tuy nhiên, các yếu tố ngân hàng có vai trò giải thích tương đối thấp NPL phản ứng với các yếu tố kinh tế vĩ mô như GDP và lạm phát, nhưng cũng có những tác động mạnh mẽ từ hệ thống ngân hàng đến nền kinh tế Điều này cho thấy nợ xấu cao mà nhiều quốc gia CESEE đang phải đối mặt có ảnh hưởng tiêu cực đến GDP và tình hình tài chính của các ngân hàng thương mại trong khu vực.

"Determinants of non-performing loans: the case of Eurozone", đã chỉ ra, bằng cách sử dụng cỡ mẫu bao gồm một nhóm không cân bằng gồm 14 quốc gia với

Nghiên cứu từ năm 2000 đến 2008 với 120 kết quả và phương pháp GMM đã chỉ ra rằng các chỉ số ngân hàng như NPL t−1 và ROE có xu hướng không ổn định Tiếp theo, nghiên cứu xem xét mối quan hệ giữa tình hình kinh tế vĩ mô, cụ thể là GDP và INF, và ảnh hưởng của chúng đến chỉ số NPL Kết quả cho thấy GDP và NPL có mối quan hệ nghịch biến, trong khi INF và NPL lại có mối quan hệ đồng biến (Markri và các cộng sự, 2014).

Nghiên cứu của Kryzanowski và các cộng sự (2020) đã xem xét khả năng phục hồi của các ngân hàng Trung Quốc trong đại dịch Covid-19 thông qua việc điều tra tỷ lệ nợ xấu (NPL) Mặc dù tổng cho vay của ngân hàng giảm, tỷ lệ nợ xấu lại tăng đáng kể trong thời kỳ khủng hoảng này Các ngân hàng có vốn chất lượng cao thể hiện khả năng kiểm soát NPL tốt hơn trong thời kỳ khó khăn, trong khi các ngân hàng Big Five, ngân hàng quốc doanh và ngân hàng nội địa có tỷ lệ nợ xấu thấp hơn so với các đối tác khác.

2.4.2 Các nghiên cứu trong nước Đỗ Quỳnh Anh & Nguyễn Đức Hùng (2013) với các biến độc lập GDP, INF, NPL t−1 , SIZE, LGR Kết quả thực nghiệm phản ánh đƣợc NPL đồng biến với GDP, INF, NPL t−1 , SIZE.Bên cạnh đó năng lực quản trị cũng góp một tác động lên NPL

Nguyễn Thị Hồng Vinh (2017) đã áp dụng phương thức GMM trong nghiên cứu của mình, cho thấy rằng LGR và NPL có mối quan hệ nghịch biến Ngoài ra, các yếu tố như INF, NPL t−1 và SIZE lại có mối quan hệ đồng biến với NPL Đồng thời, lãi suất, giá trị bất động sản và tỷ giá cũng có dấu hiệu tương đồng với NPL, trong khi vốn chủ sở hữu lại có mối quan hệ nghịch biến.

Phạm Dương Phương Thảo và Nguyễn Linh Đan (2018) đã tiến hành phân tích 27 NHTMCP tại Việt Nam trong giai đoạn 2005 – 2016 Kết quả cho thấy NPL t−1 và NPL có mối quan hệ đồng biến, trong khi các biến LLR và ROA lại có xu hướng đi ngược với NPL Ngoài ra, các biến ngoại sinh như GDP và INF cũng cho thấy tỷ lệ nghịch với NPL của các ngân hàng.

Trần Vương Thịnh và Nguyễn Ngọc Hồng Loan (2021) đã tiến hành nghiên cứu tại Việt Nam với 22 ngân hàng thương mại trong giai đoạn 2012 – 2020 Kết quả cho thấy, các yếu tố SIZE, INF, LLR và LGR có mối quan hệ tích cực với tỷ lệ nợ xấu (NPL), trong khi GDP không có ý nghĩa thống kê trong mô hình các yếu tố tác động này.

Nguyễn Thị Hồng Ánh và cộng sự (2021) đã thực hiện khảo sát thực nghiệm về nợ xấu (NPL) trong hệ thống ngân hàng thương mại (NHTM) trong khoảng thời gian 9 năm (2011 – 2019) Nghiên cứu chỉ ra rằng tỷ lệ dự phòng rủi ro (LLR) và nợ xấu (NPL) có mối quan hệ đồng biến, trong khi kích thước ngân hàng (SIZE) và GDP lại có tác động nghịch biến đến NPL Bên cạnh đó, tỷ lệ cho vay trên tổng tài sản (LGR) và lạm phát (INF) không cho thấy sự ảnh hưởng có ý nghĩa thống kê đối với nợ xấu.

PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU

Mô hình nghiên cứu

3.1.1 Khái quát về mô hình nghiên cứu

Trong bài phân tích này, tác giả xây dựng mô hình dựa trên các tài liệu và nghiên cứu của các tác giả trước, nhằm khai thác nợ xấu qua hai nhóm yếu tố chính: vĩ mô và vi mô Điển hình là nghiên cứu của Pasha & Khemraj (2009) cùng với Salas và Saurina.

(2002), Nguyễn Thị Hồng Vinh (2017), Bùi Đan Thanh và Nguyễn Ngọc Huyền

(2022) căn cứ vào những nghiên cứu này tác giả đã thiết lập và đề ra mô hình nghiên cứu định lượng Phương trình hồi quy tổng quát có dạng:

NPL i,t = β 0 + β 1 NPL i,t-1 + β 2 SIZE i,t + β 3 ROA i,t + β 4 LLR i,t + β 5 LGR i,t + β 6 ETA i,t + β 7 GDP t + β 8 INF t + β 9 COVID19 + ε i,t

Chi tiết các biến số trong mô hình :

Biến phụ thuộc: Tỷ lệ nợ xấu (NPL i,t )

Các biến độc lập trong nghiên cứu bao gồm: tỷ lệ nợ xấu kỳ trước (NPL i,t-1), quy mô ngân hàng (SIZE i,t), khả năng sinh lợi (ROA i,t), tỷ lệ dự phòng rủi ro tín dụng (LLR i,t), tốc độ tăng trưởng tín dụng (LGR i,t), tỷ lệ vốn sở hữu trên tổng tài sản (ETA i,t), tốc độ tăng trưởng kinh tế (GDP t), tỷ lệ lạm phát (INF t), và biến giả dịch Covid-19 (COVID19).

Trong nghiên cứu này, i và t đại diện cho ngân hàng và năm khảo sát, trong khi β0 là hệ số chặn Các hệ số góc của các biến độc lập được ký hiệu từ β1 đến β9, và εi,t là phần dư thống kê.

3.1.2 Giải thích và đƣa ra kỳ vọng về dấu của các biến

NPL i,t được xác định là tỷ lệ nợ xấu trên tổng dư nợ của ngân hàng, trong đó nợ xấu là những khoản nợ quá hạn trên 90 ngày và khó thu hồi Theo Thông tư số 02/2013/TT – NHNN, nợ xấu bao gồm ba nhóm nợ: nhóm 3, 4, 5, được quy định rõ trong Điều 10 và Điều 11 Nếu người vay không còn khả năng chi trả cả gốc và lãi theo cam kết với tổ chức tín dụng, khoản nợ đó sẽ được xem là nợ xấu.

Từ BCTC của từng NH các khoản nợ thuộc nhóm 3, 4, 5 đƣợc lấy ra theo từng năm và tổng dƣ nợ đƣợc trích xuất từ BCĐKT

Giả thuyết 1: Nợ xấu kỳ trước có mối quan hệ cùng chiều với nợ xấu kỳ này

Tỷ lệ nợ xấu kỳ trước (NPL i,t−1) được xác định bằng cách chia tổng nợ xấu của năm trước cho tổng dư nợ của năm trước NPL i,t phản ánh tình hình nợ xấu của năm trước, bao gồm các khoản nợ thuộc nhóm 3, 4 và 5, được trích xuất từ bản thuyết minh báo cáo tài chính hàng năm Tổng dư nợ được lấy từ bảng cân đối kế toán, và công thức tính tỷ lệ này được trình bày dưới đây.

Nghiên cứu của Marcello Bofondi và Tiziano Ropele (2011) chỉ ra rằng có mối liên hệ tích cực giữa nợ xấu hiện tại và nợ xấu của năm trước Cụ thể, theo Nguyễn Thị Hồng Vinh (2017), biến số nợ xấu (NPL) năm trước tác động cùng chiều lên nợ xấu năm hiện tại, tức là khi NPL t−1 tăng, thì NPL t cũng có xu hướng tăng theo.

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

Quy mô ngân hàng (SIZE i,t) được xác định bằng cách lấy logarithm cơ số của tổng tài sản bình quân, được tính bằng trung bình cộng tổng tài sản đầu năm và tổng tài sản cuối năm.

Các ngân hàng nhỏ thường cho vay an toàn hơn so với ngân hàng lớn, khiến các khoản vay cá nhân tại đây ít bị ảnh hưởng bởi biến động thị trường và các yếu tố rủi ro khác Tuy nhiên, do không có khả năng đa dạng hóa, mức độ biến động vốn tự có giữa ngân hàng lớn và nhỏ là tương đương Tăng trưởng tín dụng nóng xảy ra khi ngân hàng mở rộng quy mô và chấp nhận khách hàng có chất lượng thấp để tăng lợi nhuận, từ đó làm gia tăng nguy cơ rủi ro tín dụng (Trần Vương Thịnh & Nguyễn Ngọc Hồng Loan, 2021).

Giả thuyết 3 cho rằng khả năng sinh lợi (ROA) có mối quan hệ ngược chiều với tỷ lệ nợ xấu ROA được tính toán bằng cách lấy tỷ lệ lợi nhuận sau thuế trên tổng tài sản bình quân Giá trị lợi nhuận được tổng hợp từ báo cáo kết quả hoạt động kinh doanh, trong khi tổng tài sản bình quân được lấy từ bảng cân đối kế toán Biểu thức tính ROA được thể hiện rõ ràng trong các báo cáo tài chính.

Hệ thống ngân hàng thương mại (NHTM) đóng vai trò quan trọng trong môi trường tài chính, cung cấp vốn cho nền kinh tế thị trường Khả năng cấp tín dụng của NHTM ảnh hưởng trực tiếp đến hiệu quả hoạt động tài chính, trong đó ROA là một chỉ số hàng đầu Tuy nhiên, một số ngân hàng cố tình cấp tín dụng cho các đối tượng chất lượng thấp nhằm tăng lợi nhuận, điều này làm gia tăng nguy cơ nợ xấu Nợ xấu là nguyên nhân chính dẫn đến giảm khả năng sinh lời của ngân hàng.

Giả thuyết 4 cho rằng tỷ lệ dự phòng rủi ro tín dụng (LLR) có mối quan hệ tích cực với nợ xấu LLR được xác định là một biến độc lập, tính bằng tỷ số giữa chi phí dự phòng rủi ro tín dụng và dư nợ cho vay, như thể hiện trong báo cáo tài chính.

Dư nợ cho vay có mối tương quan cùng chiều với nợ xấu, theo Bùi Đan Thanh và Nguyễn Ngọc Huyền (2022) Nếu các ngân hàng thương mại không áp dụng chính sách phù hợp để trích lập dự phòng rủi ro tín dụng, tỷ lệ nợ xấu (NPL) cao sẽ gây ra nguy cơ lớn cho sự ổn định của ngân hàng.

Giả thuyết 5 cho rằng tốc độ tăng trưởng tín dụng (LGR) có mối quan hệ cùng chiều với nợ xấu LGR i,t được xem như một biến độc lập trong mô hình, thể hiện tốc độ tăng trưởng tín dụng của ngân hàng i trong năm t Nó được định nghĩa là tỷ lệ tăng trưởng dư nợ trong kỳ này so với kỳ trước, được tính bằng thương số.

Tăng trưởng cho vay có thể dẫn đến khả năng sinh lời cao hơn cho các ngân hàng trong ngắn hạn mà không nhất thiết làm tăng nợ xấu ngay lập tức Tuy nhiên, trong thời kỳ khủng hoảng tài chính, tác động tích cực của việc tăng trưởng cho vay đối với nợ xấu trở nên mạnh mẽ hơn so với thời kỳ bình yên Khi ngân hàng cấp nhiều khoản vay, đặc biệt là với chất lượng tín dụng thấp hoặc không minh bạch, rủi ro nợ xấu sẽ gia tăng, dẫn đến giảm lợi nhuận trong các giai đoạn tiếp theo.

Giả thuyết 6 chỉ ra rằng tỷ lệ vốn chủ sở hữu trên tổng tài sản (ETA) có mối quan hệ ngược chiều với nợ xấu Biến độc lập ETA được tính bằng cách chia giá trị vốn chủ sở hữu cho tổng tài sản, dựa trên thông tin từ báo cáo tài chính.

Mẫu và dữ liệu nghiên cứu

Nghiên cứu này sử dụng dữ liệu thứ cấp để phân tích các biến phụ thuộc và độc lập thuộc nhóm yếu tố vi mô Giá trị của các biến này được đo lường dựa trên dữ liệu thu thập từ báo cáo tài chính đã kiểm toán của 25 ngân hàng thương mại tại Việt Nam từ năm

Từ năm 2011 đến 2022, nghiên cứu này phân tích 25 ngân hàng thương mại Việt Nam niêm yết trên thị trường chứng khoán Các yếu tố vĩ mô được đo lường thông qua dữ liệu thứ cấp từ các nguồn uy tín, đảm bảo tính chính xác và đáng tin cậy Bộ dữ liệu được thu thập và công bố đầy đủ bởi các ngân hàng trong suốt giai đoạn nghiên cứu, với điều kiện các ngân hàng vẫn hoạt động đến cuối năm 2022 Thông tin chi tiết về bộ dữ liệu nghiên cứu được trình bày trong phụ lục 01.

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Bảng dưới đây trình bày các biến có mối quan hệ trong mô hình hồi quy, cung cấp thông tin về số mẫu quan sát và tổng số biến Các thông số trong bảng giúp làm nổi bật các tính chất cốt lõi và khắc phục những hạn chế về số liệu không hợp lý Kết quả thống kê này được tổng hợp từ 25 NHTM tại Việt Nam trong giai đoạn 2011 – 2022, được diễn giải qua Bảng 4.1.

Bảng 4 1 Thống kê mô tả các biến

Trung bình Độ lệch chuẩn

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Tỷ lệ nợ xấu bình quân của 25 ngân hàng thương mại Việt Nam đạt 2.25%, trong đó Ngân hàng TMCP Quốc Dân (NVB) có tỷ lệ nợ xấu cao nhất với 17.93% vào năm 2022, trong khi Ngân hàng Tiền Phong (TPB) ghi nhận tỷ lệ nợ xấu thấp nhất là 0.35% vào năm 2013.

Ngân hàng (NH) có tỷ lệ nợ xấu thấp nhất, với độ lệch chuẩn về tỷ lệ nợ xấu là 1.59%, cho thấy sự phân tán tương đối Trong năm 2022, một số NH kiểm soát tốt nợ xấu bao gồm NH Á Châu (ACB) với tỷ lệ 0.74%, NH Techcombank (TCB) đạt 0.73%, và NH Vietcombank (VCB) chỉ 0.68%.

Quy mô ngân hàng (SIZE) dao động từ 16.5023 đến 21.4750, với giá trị trung bình là 18.7072 và độ lệch chuẩn 1.1693 Dữ liệu cho thấy quy mô hoạt động của các ngân hàng thương mại (NHTM) đang có xu hướng mở rộng qua các năm Năm 2022, BIDV (BID) trở thành ngân hàng lớn nhất với giá trị 21.4750, trong khi Saigonbank (SGB) ghi nhận quy mô nhỏ nhất là 16.5023 vào năm 2013 Ba ngân hàng lớn nhất năm 2022 bao gồm BIDV, Vietcombank và Vietinbank, đều có sự phát triển vượt bậc về tổng tài sản.

Biến khả năng sinh lợi (ROA): vấn đề đêm về lợi nhuận cho các NH thì

ROA (Return on Assets) là yếu tố quan trọng để đánh giá hiệu quả hoạt động và khả năng sinh lời từ tài sản của ngân hàng Theo dữ liệu, mức bình quân ROA của các ngân hàng thương mại đạt 0.99%, trong khi giá trị tối ưu là 8.15%.

Trong năm 2021, NH Saigonbank (SGB) ghi nhận vị trí thấp nhất trong ngành ngân hàng với tỷ lệ ROA chỉ đạt 0.0014%, tương ứng với NH Quốc Dân (NVB) năm 2020 Đồng thời, ROA của các ngân hàng thương mại tại Việt Nam trong giai đoạn này cho thấy sự phân tán thấp và không đồng đều về khả năng sinh lời, với độ lệch chuẩn đạt 0.83%.

Trong những năm qua, các ngân hàng thương mại (NHTM) Việt Nam thường duy trì tỷ lệ dự phòng rủi ro tín dụng (LLR) ổn định, mặc dù có một số năm tỷ lệ này cao hơn mức bình thường Sự phân tán của tỷ lệ này thể hiện qua độ lệch chuẩn đạt 0.73%, với giá trị trung bình là 1.37% Tỷ lệ dự phòng rủi ro tín dụng ghi nhận giá trị thấp nhất là 0.02% và cao nhất là 9.67%.

Tốc độ tăng trưởng dư nợ (LGR) trung bình đạt 18.78% trong giai đoạn được phân tích, theo kết quả từ Bảng 4.1.

Từ năm 2011 đến 2022, mức độ phân tán và dao động của tăng trưởng tín dụng ghi nhận sự biến động mạnh, với độ lệch chuẩn đạt 18.73% Năm 2014, Ngân hàng Seabank (SSB) dẫn đầu với mức tăng trưởng tín dụng ấn tượng 112.40% Ngược lại, Ngân hàng Bản Việt (BVB) ghi nhận mức giảm kỷ lục -99.10% trong cùng năm.

Biến vốn chủ sở hữu trên tổng tài sản (ETA): Bảng 4.1 cho thấy NH

SaigonBank (SGB) ghi nhận tỷ lệ vốn chủ sở hữu trên tổng tài sản cao nhất trong giai đoạn xét với 23.84% vào năm 2014 Ngược lại, ngân hàng BIDV (BID) có giá trị ETA thấp nhất trong giai đoạn này, chỉ đạt 4.06% vào năm 2017 Tỷ lệ trung bình của toàn ngành là 9.21%, với độ lệch chuẩn là 3.76%, cho thấy sự phân tán trong các ngân hàng.

Tốc độ tăng trưởng GDP của Việt Nam trong giai đoạn xét cho thấy sự ổn định với độ lệch chuẩn 1.57% Năm 2021, GDP giảm xuống mức thấp nhất 2.58% do ảnh hưởng của đại dịch Covid-19 Tuy nhiên, vào năm 2022, khi đại dịch lùi bước, GDP phục hồi mạnh mẽ đạt 8.02%, với giá trị trung bình là 5.58%.

Tỷ lệ lạm phát (INF) ở Việt Nam đã ghi nhận giá trị cao nhất là 18.68% vào năm 2011 và thấp nhất là 0.63% vào năm 2015 Với độ lệch chuẩn 4.64% và giá trị trung bình 4.99%, cho thấy xu hướng lạm phát đang giảm dần trong giai đoạn này, trừ khi có những biến động vĩ mô đáng chú ý.

Biến giả COVID-19 cho thấy giá trị trung bình là 0.25 và độ lệch chuẩn là 0.43 Những năm bị ảnh hưởng bởi COVID-19 có giá trị là 1, trong khi những năm không bị ảnh hưởng có giá trị là 0.

Tương quan mô hình nghiên cứu

Bảng 4 2 Ma trận hệ số tương quan giữa các biến

𝐍𝐏𝐋 𝐭 𝐍𝐏𝐋 𝐭−𝟏 SIZE ROA LLR LGR EAT GDP INF COVID

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Bảng 4.2 chỉ ra rằng các biến độc lập tác động dương lên tỷ lệ nợ xấu (NPL) bao gồm tỷ lệ nợ xấu kỳ trước (NPL t−1), tỷ lệ dự phòng rủi ro tín dụng (LLR), tỷ lệ vốn chủ sở hữu trên tổng tài sản (ETA), tốc độ tăng trưởng kinh tế (GDP) và tỷ lệ lạm phát (INF) Ngược lại, các biến độc lập tác động âm lên tỷ lệ nợ xấu (NPL) là quy mô ngân hàng (SIZE), khả năng sinh lợi (ROA), tốc độ tăng trưởng tín dụng (LGR) và biến giả Covid-19 (COVID19).

Kiểm định hiện tƣợng đa cộng tuyến

Khi các hệ số tương quan có giá trị tuyệt đối lớn hơn 0.9, hiện tượng đa cộng tuyến sẽ xảy ra (Kennedy, 2008) Để đảm bảo mô hình nghiên cứu không gặp phải vấn đề này, tác giả đã thực hiện kiểm định Hệ số lạm phát phương sai VIF (Variance Inflation Factor).

Bảng 4 3 Kiểm định chỉ số VIF Variable VIF 1/VIF SIZE 2.18 0.459619

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Sau khi thực hiện phân tích VIF bằng phần mềm Stata 15.1, kết quả từ Bảng 4.3 cho thấy giá trị VIF trung bình nhỏ hơn 10 Theo Gujrati (2003), điều này chỉ ra rằng mô hình không gặp phải hiện tượng đa cộng tuyến hoặc hiện tượng này không đáng kể.

Kiểm định hiện tượng phương sai không thay đổi

Phương sai sai số không thay đổi là điều kiện quan trọng trong mô hình hồi quy tuyến tính Tuy nhiên, trong thực tế, hiện tượng phương sai sai số thay đổi thường xảy ra, làm cho kết quả không phù hợp với giả định ban đầu Để kiểm tra xem mô hình có đáp ứng được điều kiện này hay không, tác giả sử dụng kiểm định Lagrange để xác định.

- 𝐻 0 : Không có hiện tượng phương sai sai số thay đổi

- 𝐻 1 : Có hiện tượng phương sai sai số thay đổi

White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(53) = 137.29 Prob > chi2 = 0.0000

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Ta thấy rằng ở mức ý nghĩa 𝛼 = 5% thì kết quả kiệm định cho ra Prob > chi2

= 0.0000 Từ đó suy ra Prob < 𝛼 nên bác bỏ 𝐻 0 chấp nhận 𝐻 1 , vì vậy mô hình có hiện tượng phương sai sai số thay đổi với mức ý nghĩa 5%.

Kiểm định hiện tượng tự tương quan

Một yếu tố quan trọng để đánh giá chất lượng của mô hình là hiện tượng tự tương quan Để có được ước lượng chính xác hơn trong bối cảnh cụ thể, cần tìm hiểu và khắc phục hiện tượng này Do đó, tác giả đã thực hiện một kiểm định để xác định xem mô hình có bị ảnh hưởng bởi tự tương quan hay không, thông qua kiểm định Wooldridge.

- 𝐻 0 : Không có hiện tượng tự tương quan

- 𝐻 1 : Có hiện tượng tự tương quan

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Kết quả kiểm định cho thấy ở mức ý nghĩa 𝛼 = 5%, giá trị Prob > F là 0.0007 Điều này cho thấy Prob < 𝛼, dẫn đến việc bác bỏ giả thuyết 𝐻 0 và chấp nhận giả thuyết 𝐻 1 Do đó, mô hình có hiện tượng tự tương quan với mức ý nghĩa 5%.

Phân tích kết quả hồi quy từ mô hình OLS, FEM, REM

Các kiểm định trên mô hình gặp phải hai vấn đề nghiêm trọng: hiện tượng phương sai sai số thay đổi và hiện tượng tự tương quan.

4.6.1 So sánh mô hình POOLED OLS với mô hình FEM Để tiến hành so sánh 2 mô hình POOLED OLS và FEM tác giả sẽ tiến hành hồi quy 2 mô hình này (Bảng 4.6) và thực hiện kiểm định F – test

Bảng 4 6 Hai mô hình Pooled OLS và FEM

Hệ số P-Value Hệ số P-value

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

- 𝐻 0 : Chấp nhận mô hình POOLED OLS

- 𝐻 1 : Chấp nhận mô hình FEM

H0: Chấp nhận mô hình POOLED OLS

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Ở mức ý nghĩa 𝛼 = 5%, kết quả kiểm định cho thấy Prob > F là 0.0001 Điều này dẫn đến kết luận rằng Prob < 𝛼, do đó bác bỏ giả thuyết 𝐻 0 và chấp nhận giả thuyết 𝐻 1 Vì vậy, mô hình FEM được chấp nhận với mức ý nghĩa 5%.

4.6.2 So sánh mô hình FEM với mô hình REM

Tác giả đã thực hiện chạy hai mô hình FEM và REM, cho ra kết quả hồi quy như trình bày trong Bảng 4.8 Đồng thời, tác giả cũng tiến hành kiểm định Hausman để xác định mô hình hiệu quả hơn giữa hai mô hình này.

Bảng 4 8 Hai mô hình Pooled OLS và FEM

Hệ số P-Value Hệ số P-value

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

- 𝐻 0 : Chấp nhận mô hình REM

- 𝐻 1 : Chấp nhận mô hình FEM

Bảng 4 9 Kiểm định Hausman Ho: difference in coefficients not systematic chi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 41.13

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Ở mức ý nghĩa 𝛼 = 5%, kết quả kiểm định cho thấy Prob > F = 0.0000 Điều này dẫn đến kết luận rằng Prob < 𝛼, từ đó bác bỏ giả thuyết không 𝐻 0 và chấp nhận giả thuyết thay thế 𝐻 1 Do đó, mô hình FEM được chấp nhận với mức ý nghĩa 5%.

Trong quá trình so sánh ba mô hình POOLED OLS, FEM và REM nhằm lựa chọn mô hình hiệu quả nhất, kết quả cho thấy mô hình FEM là lựa chọn tối ưu để đánh giá các yếu tố Tuy nhiên, để đảm bảo tính chính xác, cần thực hiện kiểm định nhằm phát hiện các khuyết tật có thể có trong mô hình FEM.

4.6.3 Kiểm định khuyết tật mô hình FEM

 Kiểm định hiện tượng phương sai sai số thay đổi

- 𝐻 0 : Không có hiện tượng phương sai sai số thay đổi

- 𝐻 1 : Có hiện tượng phương sai sai số thay đổi

Bảng 4 10 Kiểm định Lagrange H0: sigma(i)^2 = sigma^2 for all i chi2(25) = 7576.1 Prob > chi2 = 0.0000

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Ta thấy rằng ở mức ý nghĩa 𝛼 = 5% thì kết quả kiệm định cho ra Prob > chi2

= 0.0000 Từ đó suy ra Prob < 𝛼 nên bác bỏ 𝐻 0 chấp nhận 𝐻 1 , vì vậy mô hình FEM có hiện tượng phương sai sai số thay đổi với mức ý nghĩa 5%

 Kiểm định hiện tượng tự tương quan

- 𝐻 0 : Không có hiện tượng tự tương quan

- 𝐻 1 : Có hiện tượng tự tương quan

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

Kết quả kiểm định với mức ý nghĩa 𝛼 = 5% cho thấy Prob > F là 0.0007, dẫn đến việc bác bỏ giả thuyết 𝐻 0 và chấp nhận giả thuyết 𝐻 1 Do đó, mô hình FEM có hiện tượng tự tương quan tại mức ý nghĩa 5%.

Kết luận cho thấy mô hình FEM gặp hai khuyết điểm chính là hiện tượng phương sai sai số thay đổi và tự tương quan, làm giảm độ tin cậy Thêm vào đó, biến trễ (NPL t−1) cũng làm giảm độ chính xác của mô hình Do đó, nghiên cứu sẽ tiếp tục áp dụng mô hình GMM để khắc phục các vấn đề đã nêu, với việc lựa chọn các biến công cụ phù hợp.

Ước lượng mô hình theo phương pháp GMM

Theo Blundell & Bond (1998), mô hình dữ liệu bảng động (dynamic panel data) có thể tạo ra biến nội sinh (NPL t−1), điều này dẫn đến giảm hiệu quả và độ tin cậy của các mô hình truyền thống như POOLED, FEM và REM.

Việc loại bỏ các tác động cố định của những biến không quan sát được thông qua sai phân bậc nhất và sử dụng công cụ tạo ra các giá trị trễ phù hợp đã dẫn đến việc áp dụng ước lượng GMM sai phân bậc nhất (Arellano & Bond, 1995) Arellano & Bond (1995) đã kiểm tra tính hiệu quả của các sai phân bậc nhất có độ trễ làm công cụ cho các phương trình và xác định các điều kiện, đặc biệt là điều kiện ban đầu, để đảm bảo rằng các sai phân bậc nhất của biến phụ thuộc không tương quan với các hiệu ứng cố định cá nhân Mục tiêu là khắc phục các khuyết tật trong mô hình như hiện tượng tự tương quan, phương sai sai số thay đổi và biến nội sinh, từ đó nâng cao độ tin cậy của mô hình.

Sau khi áp dụng phương pháp GMM, tác giả đã đạt được kết quả quan trọng phục vụ cho việc kiểm định khuyết tật và chất lượng của mô hình Với biến phụ thuộc NPL i,t có Prob > chi2 = 0.000, mô hình cho thấy ý nghĩa thống kê ở mức 5% Đồng thời, điều kiện số lượng biến công cụ phải nhỏ hơn số lượng nhóm cũng được thỏa mãn, đảm bảo tính ổn định của mô hình.

Bảng 4 12 Kết quả phân tích hồi quy theo GMM

Biến phụ thuộc Coef Std Err P>t

Arellano-Bond test for AR(1) in first differences: z = -1.23 Pr > z = 0.219 Arellano-Bond test for AR(2) in first differences: z = -1.76 Pr > z = 0.079 Sargan test of overid restrictions: chi2(14) = 1.87 Prob > chi2 = 1.000

Hansen test of overid restrictions: chi2(14) = 12.54 Prob > chi2 = 0.563

Nguồn: Trích xuất kết quả xử lý số liệu thông qua phần mềm Stata 15.1

 Kiểm định Arellano và Bond (1991) – AR(2) (kiểm định hiện tượng tự tương quan bậc 2 ở số dư sai phân)

- 𝐻 0 : Không có hiện tượng tự tương quan

- 𝐻 1 : Có hiện tượng tự tương quan

Ở mức ý nghĩa α = 5%, kết quả kiểm định cho thấy Prob > z là 0.079 Điều này dẫn đến việc Prob > α, do đó chấp nhận giả thuyết không (𝐻 0) và bác bỏ giả thuyết thay thế (𝐻 1) Kết luận là mô hình không có hiện tượng tự tương quan ở mức ý nghĩa 5%.

 Kiểm định Sargan (kiểm định giới hạn nội sinh)

- 𝐻 0 : Không có hiện tƣợng nội sinh xảy ra trong mô hình

- 𝐻 1 : Có hiện tƣợng nội sinh xảy ra trong mô hình

Ta thấy rằng ở mức ý nghĩa α = 5% thì kết quả kiệm định cho ra Prob > chi2

= 1.000 Từ đó suy ra Prob > α nên chấp nhận 𝐻 0 bác bỏ 𝐻 1 , vì vậy mô hình không có hiện tƣợng nội sinh với mức ý nghĩa 5%

 Kiểm định Hansen (sự thích hợp của các biến công cụ)

- 𝐻 0 : Các biến công cụ phù hợp với mô hình

- 𝐻 1 : Các biến công cụ không phù hợp với mô hình

Ta thấy rằng ở mức ý nghĩa α = 5% thì kết quả kiệm định cho ra Prob > chi2

Với giá trị Prob > α, chúng ta chấp nhận giả thuyết không 𝐻 0 và bác bỏ giả thuyết 𝐻 1 Điều này cho thấy mô hình có các biến công cụ phù hợp và hiệu quả, không có tương quan sai số, với mức ý nghĩa 5%.

Nghiên cứu đã chỉ ra rằng các kiểm định đã tạo lập một lập luận vững chắc, chứng minh rằng mô hình hồi quy theo phương pháp GMM khắc phục được các khuyết tật của mô hình trước đó, đảm bảo tính ổn định cho kết quả Do đó, mô hình hồi quy GMM được lựa chọn để triển khai và làm cơ sở cho kết quả nghiên cứu.

Trong nghiên cứu này, các biến độc lập như NPL i,t−1, LLR i,t, ETA i,t, GDP t, và COVID19 t đều có tác động cùng chiều và có ý nghĩa thống kê ở mức 5% đối với biến phụ thuộc NPL i,t Ngược lại, các biến SIZE i,t và ROA i,t lại tác động ngược chiều lên NPL i,t và cũng đạt ý nghĩa thống kê ở mức 5% Hai biến LGR i,t và INF t tuy có tác động cùng chiều lên NPL i,t nhưng không đạt ý nghĩa thống kê ở mức 5%.

Bảng 4 13 So sánh kết quả sau khi chạy mô hình theo phương pháp GMM với sự kỳ vọng về dấu của các biến độc lập

Kí hiệu Kỳ vọng về dấu Kết quả nghiên cứu

𝐍𝐏𝐋 𝐢,𝐭−𝟏 + Đúng dấu, có ý nghĩa thống kê ở mức 5%

Kết quả phân tích cho thấy rằng chỉ số SIZE i,t có dấu hiệu khác biệt và đạt mức ý nghĩa thống kê 5% Trong khi đó, ROA i,t, LLR i,t đều có dấu hiệu đúng và cũng đạt mức ý nghĩa thống kê 5% Tuy nhiên, chỉ số LGR i,t mặc dù có dấu hiệu đúng nhưng không đạt mức ý nghĩa thống kê 5% Cuối cùng, chỉ số ETA i,t lại có dấu hiệu khác biệt và đạt mức ý nghĩa thống kê 5%.

𝐆𝐃𝐏 𝐭 - Khác dấu, có ý nghĩa thống kê ở mức 5%

𝐈𝐍𝐅 𝐭 + Đúng dấu, không có ý nghĩa thống kê ở mức 5% 𝐂𝐎𝐕𝐈𝐃𝟏𝟗 𝐭 + Đúng dấu, có ý nghĩa thống kê ở mức 5%

Nguồn: Tác giả tự tổng hợp