Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Tác động của cấu trúc sở hữu đến rủi ro tín dụng của các ngân hàng thương mại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

Trong chương này, tác giả sẽ trình bày chi tiết quy trình nghiên cứu, bao gồm việc xây dựng mô hình nghiên cứu phù hợp với mục tiêu đề tài, giải thích và đưa ra những lí do, minh chứng cho các biến được lựa chọn. Đồng thời, chương này cũng giới thiệu nguồn dữ liệu phục vụ nghiên cứu, xác định dấu kỳ vọng của từng biến cũng như đề cập đến các kiểm định cần thiết nhằm phát hiện và cải thiện khuyết tật có thể có trong mô hình.

3.1. Quy trình nghiên cứu và phương pháp nghiên cứu

3.1.1. Quy trình nghiên cứu

Tác giả thực hiện các bước nghiên cứu và xử lý số liệu bằng phần mềm STATA 17.0 như sơ đồ dưới đây:

• Hình 3.1: Tiến trình tác giả thực hiện nghiên cứu

3.1.2. Phương pháp nghiên cứu

3.1.2.1. Phương pháp nghiên cứu định tính

Đề tài được xây dựng dựa trên nền tảng lý thuyết về cấu trúc sở hữu và Rủi ro tín dụng. Đây là những nền tảng xây dựng mối quan hệ giữa đặc điểm quản trị ngân hàng và mức độ Rủi ro tín dụng. Các lý thuyết này không chỉ cung cấp khung phân tích giúp làm rõ vai trò của cơ cấu sở hữu trong việc định hình hành vi quản trị và chiến lược kinh doanh, mà còn cho thấy cách những yếu tố cơ bản tác động đến Rủi ro tín dụng.

Bên cạnh đó, tác giả tiến hành tổng hợp và phân tích có chọn lọc các kết quả từ những nghiên cứu trước đây, cả trong nước và quốc tế, để hình thành cơ sở tham chiếu khoa học vững chắc. Việc kế thừa các công trình nghiên cứu đi trước không chỉ giúp làm sáng tỏ khoảng trống nghiên cứu mà đề tài hướng đến, mà còn là điều kiện cần thiết để tác giả xây dựng và phát triển mô hình nghiên cứu phù hợp với bối cảnh thực tiễn tại Việt Nam.

3.1.2.2. Phương pháp nghiên cứu định lượng Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Tác giả sử dụng dữ liệu thứ cấp được thu thập từ Báo cáo tài chính hợp nhất đã kiểm toán cùng kết quả hoạt động kinh doanh của 26 Ngân hàng thương mại Việt Nam trong giai đoạn 2015 – 2024. Sau khi tổng hợp và xử lý số liệu thô, tác giả tiến hành kiểm tra mối tương quan giữa các biến độc lập bằng phần mềm STATA 17.0. Trên cơ sở đó, các phân tích hồi quy và kiểm định được triển khai nhằm xây dựng mô hình phù hợp với mục tiêu nghiên cứu.

Nghiên cứu loại trừ Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) khỏi mẫu vì một số nguyên do sau đây. Theo lý thuyết đại diện (Jensen và cộng sự, 1976), cấu trúc sở hữu có ý nghĩa khi tồn tại sự tách biệt giữa quyền sở hữu và quyền kiểm soát, từ đó phát sinh chi phí đại diện và cơ chế giám sát. Tuy nhiên, Agribank là ngân hàng 100% vốn Nhà nước, không có sự phân tán sở hữu hay cổ đông tư nhân tham gia kiểm soát. Trong trường hợp này, Agribank không vận hành theo cơ chế hoạt động vì mục tiêu lợi nhuận điển hình như các Ngân hàng thương mại khác mà mang tính hành chính – chính sách do phải ưu tiên cho các mục tiêu xã hội, thực hiện các chính sách quyết định tín dụng vì cộng đồng. Do đó, biến GO (tỷ lệ sở hữu Nhà nước) tại Agribank không phản ánh mức độ khác biệt về cơ chế giám sát như trong các ngân hàng có sở hữu hỗn hợp, làm suy giảm ý nghĩa kiểm định giả thuyết đại diện trong mô hình. Thêm vào đó, trong nghiên cứu dữ liệu bảng, biến độc lập cần có sự biến thiên để ước lượng tác động cận biên (Wooldridge, 2010). Đối với Agribank, GO bằng 100% trong toàn bộ giai đoạn nghiên cứu, tức là không có biến thiên theo thời gian. Điều này làm cho quan sát này không đóng góp thông tin cho việc xác định hệ số GO trong mô hình hiệu ứng cố định (fixed effects), đồng thời có thể tạo ra sai lệch do đặc điểm ngoại lệ về quy mô quá lớn của ngân hàng và cơ chế hoạt động. Việc loại bỏ quan sát này giúp tăng tính đồng nhất của mẫu và đảm bảo kết quả phản ánh cơ chế sở hữu theo định hướng thị trường tránh sai lệch ước lượng do một trường hợp đặc thù về thể chế và mục tiêu hoạt động.

Luận văn áp dụng các kỹ thuật hồi quy dữ liệu bảng bao gồm: mô hình bình phương tối thiểu gộp (Pooled OLS), mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM). Tiếp đó, các kiểm định như kiểm định F, kiểm định Breusch-Pagan LM và kiểm định Hausman được sử dụng để xác định mô hình tối ưu. Ngoài ra, nhằm xử lý những khuyết tật có thể phát sinh trong mô hình hồi quy, nghiên cứu còn sử dụng thêm phương pháp FGLS và S.GMM.

• Mô hình bình phương tối thiểu (Pooled OLS) Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Theo Gujarati và cộng sự (2009), mô hình Pooled OLS là dạng hồi quy cơ bản nhất trong phân tích dữ liệu bảng. Đặc điểm nổi bật của mô hình này là không phân biệt yếu tố không gian và yếu tố thời gian, mà gộp tất cả các quan sát lại như một mẫu chung cùng thời gian và không gian. Do đó, hằng số α và các hệ số ước lượng được giả định là đồng nhất cho toàn bộ tập dữ liệu, bất kể khác biệt giữa các cá thể hoặc giai đoạn. Giả định này chỉ thực sự phù hợp khi tồn tại sự đồng nhất tuyệt đối giữa các đơn vị chéo – một điều khó có thể đáp ứng trong thực tiễn.

Trong quá trình ước lượng, mức độ ý nghĩa thống kê của các biến được đánh giá thông qua giá trị p-value. Khi p-value nhỏ hơn 0.1 (hay 10%), tác động của biến độc lập lên biến phụ thuộc được coi là có ý nghĩa thống kê. Tuy nhiên, bên cạnh sự đơn giản trong các tính toán, Pooled OLS cũng bộc lộ nhiều hạn chế. Một trong những vấn đề nổi bật là khả năng xuất hiện tự tương quan trong dữ liệu, khi các quan sát có xu hướng phụ thuộc lẫn nhau theo thời gian. Điều này thường dẫn đến chỉ số Durbin-Watson thấp, phản ánh sự vi phạm giả định về độc lập của sai số, từ đó làm giảm độ tin cậy của các kết quả ước lượng. Ngoài ra, sự ràng buộc quá chặt chẽ về tính đồng nhất giữa các đơn vị chéo cũng khiến cho mô hình này khó áp dụng hiệu quả trong bối cảnh dữ liệu thực tế.

Phương trình hồi quy OLS được được minh họa tổng quát như sau: 𝑌𝑖𝑡  = 𝛽1 + 𝛽2𝑋2 𝑖𝑡 + 𝛽3 𝑋3 𝑖𝑡 + 𝜇𝑖𝑡

Trong đó:

• i: ký hiệu cho đơn vị quan sát chéo thứ i (ví dụ: một ngân hàng cụ thể trong mẫu nghiên cứu).
• t: biểu thị thời điểm t (năm) trong chuỗi quan sát.
• 𝜇𝑖𝑡: thành phần sai số ngẫu nhiên ứng với đơn vị i tại thời điểm t, phản ánh những yếu tố ngoài mô hình chưa được giải thích. Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Mô hình tác động cố định (FEM)

Theo Ayuningtyas và cộng sự (2023), mô hình hiệu ứng cố định (Fixed Effects Model – FEM) là một trong những phương pháp phổ biến khi phân tích dữ liệu bảng, đặc biệt hữu ích trong trường hợp các thực thể có những đặc điểm riêng biệt nhưng không quan sát được và không thay đổi theo thời gian. Điểm cốt lõi của FEM là giả định mỗi thực thể đều có hệ số chặn riêng, phản ánh sự khác biệt giữa các cá thể. Các hệ số chặn này được ước lượng thông qua việc đưa vào mô hình các biến giả đại diện cho từng thực thể, từ đó giúp loại bỏ sai lệch ước lượng do các yếu tố đặc thù nhưng cố định theo thời gian.

FEM cho phép nhận diện và kiểm soát sự không đồng nhất giữa các ngân hàng hoặc cá thể trong mẫu nghiên cứu bằng cách giữ nguyên những đặc điểm riêng cố định, song song vẫn giả định các hệ số giống nhau. Nhờ đó, mô hình có khả năng cung cấp kết quả đáng tin cậy hơn khi sự khác biệt giữa các đơn vị là có ý nghĩa thống kê. Tuy nhiên, một khuyết điểm quan trọng của FEM là nó không thể ước lượng được tác động của các biến độc lập không thay đổi theo thời gian, do những biến này sẽ bị loại bỏ trong quá trình hiệu chỉnh.

Phương trình FEM có thể được viết như sau:

Trong đó:

• 𝑌𝑖𝑡 là giá trị của biến phụ thuộc được ghi nhận cho đơn vị i tại thời điểm
• 𝛽0 𝑖𝑡 là là hằng số chặn riêng của từng đơn vị quan sát, phản ánh những đặc điểm cố định nhưng không quan sát được..
• 𝛽𝑘 𝑖𝑡 là hệ số ước lượng của biến độc lập, giả định không thay đổi giữa các đơn vị.
• 𝑋𝑘 𝑖𝑡 là giá trị của biến độc lập thứ k ứng với đơn vị i tại thời điểm
• 𝜀𝑖𝑡 là sai số ngẫu nhiên của mô hình.

Mô hình tác động ngẫu nhiên (REM) Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Theo Ayuningtyas và cộng sự (2023), mô hình hiệu ứng ngẫu nhiên (Random Effects Model – REM) là một phương pháp phân tích dữ liệu bảng thường được sử dụng song song với mô hình hiệu ứng cố định FEM, nhằm khắc phục một số khuyết điểm của FEM. Khác với FEM, REM giả định rằng những đặc điểm không quan sát được của từng thực thể là ngẫu nhiên và không có tương quan với các biến giải thích. Cách tiếp cận này cho phép REM khai thác đồng thời sự biến động giữa các cá thể (between variation) và sự biến động trong từng cá thể theo thời gian (within variation), từ đó mang lại các ước lượng hiệu quả hơn khi giả định mô hình được đảm bảo.

Một điểm nổi bật của REM là khả năng xử lý các biến độc lập không thay đổi theo thời gian – điều mà FEM không thể thực hiện do các biến này bị loại bỏ trong quá trình hiệu chỉnh. Đồng thời, REM còn có ưu thế về mặt kinh tế trong ước lượng khi yêu cầu số lượng tham số cần ước lượng ít hơn so với FEM. Tuy nhiên, mô hình này chỉ thực sự phù hợp nếu giả định rằng thành phần sai số ngẫu nhiên không có tương quan với các biến độc lập được thỏa mãn. Trong trường hợp giả định này bị vi phạm, kết quả ước lượng của REM sẽ trở nên sai lệch và khi đó FEM sẽ là lựa chọn thích hợp.

• Phương trình REM được viết như sau:

Trong đó: 𝜇𝑖 : thành phần sai số của đơn vị riêng lẻ thứ i và được quan sát toàn bộ trong khoảng thời gian t.

• Phương pháp bình phương tối thiểu tổng quát khả thi (FGLS)

Trong quá trình phân tích dữ liệu bảng, các mô hình hồi quy cơ bản như Pooled OLS, FEM hay REM thường gặp phải một số hiện tượng khuyết tật của mô hình hồi quy dạng bảng như tự tương quan của phần dư và phương sai sai số thay đổi. Những hiện tượng này nếu không được xử lý sẽ dẫn đến việc các ước lượng trở nên không chính xác, làm sai lệch độ tin cậy của kiểm định thống kê.

Để khắc phục vấn đề trên, nghiên cứu sử dụng phương pháp FGLS. Ưu điểm của FGLS là cho phép điều chỉnh ma trận hiệp phương sai của sai số, từ đó cung cấp các ước lượng hiệu quả hơn so với OLS thông thường trong trường hợp giả định phương sai đồng nhất và độc lập không còn đúng. FGLS có khả năng xử lý tốt các vấn đề về tự tương quan cũng như phương sai thay đổi trong dữ liệu bảng, giúp mô hình phản ánh chính xác hơn mối quan hệ giữa các biến. Do vậy, phương pháp này là công cụ hữu hiệu nhằm đảm bảo tính tin cậy và hiệu quả cho kết quả nghiên cứu.

• Phương pháp ước lượng Moment tổng quát (GMM) Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Trong nghiên cứu dữ liệu bảng với số quan sát theo thời gian (t) hạn chế, việc sử dụng mô hình tác động cố định (FEM) thường không mang lại hiệu quả, bởi mô hình này đòi hỏi chuỗi thời gian đủ dài để ước lượng ổn định. Chính vì vậy, các nhà nghiên cứu thường chuyển sang áp dụng những kỹ thuật hiện đại hơn dựa trên phương pháp GMM (Generalized Method of Moments).

Phương pháp GMM của Hansen (1982) đã trở thành một công cụ nền tảng trong kinh tế lượng hiện đại. Phương pháp này dựa trên việc tận dụng các điều kiện moment từ dữ liệu để xác định và ước lượng các tham số chưa biết trong mô hình. Nhờ tính linh hoạt trong việc xử lý dữ liệu và khả năng khắc phục nhiều khuyết điểm của các phương pháp truyền thống, Hansen đã được trao giải Nobel Kinh tế năm 2013 cho những đóng góp quan trọng này.

Điểm mạnh nổi bật của GMM trong phân tích dữ liệu bảng là khả năng xử lý đồng thời nhiều vấn đề kỹ thuật như: tự tương quan của sai số, sự không đồng nhất về phương sai giữa các đơn vị quan sát và hiện tượng nội sinh mà mô hình hồi quy dạng bảng không khắc phục được.

3.2. Mô hình nghiên cứu Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

3.2.1. Khái quát mô hình nghiên cứu

Trong quá trình xây dựng mô hình nghiên cứu cho luận văn, tác giả đã tham khảo nhiều mô hình của các công trình nghiên cứu trước đây. Đặc biệt, từ nghiên cứu của Al-Magharem và cộng sự (2020); Phạm Thị Bích Duyên và Phạm Thị Kiều Khanh (2021); Phạm Thị Kiều Khanh và cộng sự (2024). Trên cơ sở kế thừa và phát triển các kết quả từ những nghiên cứu này, tác giả đã lựa chọn và đề xuất mô hình nghiên cứu như sau:

• NPLRi,t = β0 + β1GOi,t + β2FOi,t + β3FFOi,t + β4SIZEi,t + β5CGi,t + β6FLRi,t + β7INFRt +β8GDPGt + εi,t (1)
• LLPRi,t = β0 + β1GOi,t + β2FOi,t + β3FFOi,t + β4SIZEi,t + β5CGi,t + β6FLRi,t + β7INFRt +β8GDPGt + εi,t (2)
• (i = 1, 2,…, 26 và t = 2015 – 2024)

Trong đó:

Biến phụ thuộc:

• NPLR𝑖,𝑡: Tỷ lệ nợ xấu của ngân hàng (i) tại năm (t).
• LLPR𝑖,𝑡: Tỷ lệ trích lập dự phòng rủi ro tín dụng của ngân hàng (i) tại năm (t).

Biến độc lập:

• 𝐺𝑂𝑖,𝑡: Sở hữu Nhà nước của ngân hàng (i) tại năm (t).
• 𝐹𝑂𝑖,𝑡: Sở hữu nước ngoài của ngân hàng (i) tại năm (t).
• 𝐹𝐹𝑂𝑖,𝑡: Biến động sở hữu nước ngoài của ngân hàng (i) tại năm (t).
• 𝑆𝐼𝑍𝐸𝑖,𝑡: Quy mô của ngân hàng (i) tại năm (t).
• 𝐶𝐺𝑖,𝑡: Tốc độ tăng trưởng tín dụng của ngân hàng (i) tại năm (t).
• 𝐹𝐿𝑅𝑖,𝑡: Tỷ lệ sử dụng đòn bẩy tài chính của ngân hàng (i) tại năm (t).
• 𝐼𝑁𝐹𝐺𝑡 : Tỷ lệ lạm phát ở Việt Nam tại năm (t).
• 𝐺𝐷𝑃𝐺𝑡 : Tốc độ tăng trưởng tổng sản phẩm quốc nội ở Việt Nam tại năm (t).
• 𝜀𝑖,𝑡: Sai số của mô hình.

3.2.2. Giải thích các biến Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Trong mô hình nghiên cứu, tác giả lựa chọn hai biến phụ thuộc NPLR và LLPR hình thành 2 mô hình nghiên cứu khác nhau nhằm đa dạng phương thức phản ánh mức độ Rủi ro tín dụng của ngân hàng. Bên cạnh đó, ba biến độc lập GO, FO và FFO được sử dụng để đo lường cấu trúc sở hữu. Ngoài ra, nghiên cứu còn đưa vào ba biến kiểm soát đặc thù ngân hàng là SIZE, CG và FLR, cùng với hai biến kiểm soát vĩ mô gồm GDPG và INFR. Các biến này được mô tả cụ thể trong bảng dưới đây:

• Bảng 3.1: Các biến sử dụng trong mô hình nghiên cứu

3.3. Giả thuyết nghiên cứu

3.3.1. Biến phụ thuộc

3.3.1.1. Tỷ lệ nợ xấu (NPLR)

Biến NPLR đại diện cho tỷ lệ nợ xấu của ngân hàng thương mại i tại năm t, được xác định bằng cách lấy tổng dư nợ nhóm 3 đến 5, từ nợ dưới tiêu chuẩn đến nợ có nguy cơ mất toàn bộ vốn, chia cho dư nợ cho vay hiện có. NPLR thường được dùng như thước đo phản ánh Rủi ro tín dụng, bởi nó không chỉ thể hiện khả năng khách hàng khó hoặc không thể hoàn trả nợ gốc và lãi, mà còn phản ánh chất lượng tín dụng và hiệu quả quản trị cho vay của ngân hàng.

Trên thực tế, nợ xấu được tính dựa trên tổng các khoản vay thuộc nhóm 3, 4 và 5 theo Báo cáo tài chính hợp nhất đã được kiểm toán. Các nhà nghiên cứu và nhà đầu tư cũng sử dụng chỉ tiêu này để đánh giá chất lượng tín dụng và độ an toàn của ngân hàng. Theo Ghosh (2015), khủng hoảng tài chính toàn cầu đã khiến tỷ lệ nợ xấu tại Mỹ tăng mạnh, gây lo ngại cho cả cơ quan quản lý lẫn các ngân hàng do tác động trực tiếp đến sự ổn định của hệ thống tài chính và nền kinh tế. Chính vì vậy mà vấn đề kiểm soát và hạn chế tối thiểu tỷ lệ nợ xấu trở thành điều kiện cốt lõi để đảm bảo một hệ thống ngân hàng vững mạnh. Tương tự, trong các nghiên cứu của Liu và cộng sự (2020); Berger và cộng sự (2009); Al-Magharem (2020); Phạm Thị Kiều Khanh và cộng sự (2025) tỷ lệ nợ xấu cũng được lựa chọn làm biến đại diện cho Rủi ro tín dụng của ngân hàng.

3.3.1.2. Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLPR)

Biến LLPR đo lường mức trích lập dự phòng rủi ro tín dụng của ngân hàng thương mại i tại năm t, được xác định bằng cách lấy tổng dự phòng rủi ro cho vay khách hàng cuối kỳ trên Báo cáo tài chính hợp nhất đã kiểm toán chia cho tổng dư nợ cho vay. Bên cạnh tỷ lệ nợ xấu (NPLR), LLPR cũng được sử dụng phổ biến trong các nghiên cứu như một biến đại diện cho Rủi ro tín dụng của ngân hàng.

Về bản chất, LLPR phản ánh mức trích lập dự phòng rủi ro tín dụng trước nguy cơ phát sinh tổn thất từ các khoản vay của ngân hàng, tức là dự đoán khả năng khách hàng không thực hiện nghĩa vụ trả nợ gốc và lãi. Khi danh mục tín dụng của ngân hàng phát sinh nhiều khoản vay có rủi ro, đặc biệt là nợ xấu, ngân hàng buộc phải gia tăng trích lập dự phòng rủi ro tín dụng. Điều này làm chi phí hoạt động tăng lên, nguồn vốn kém sinh lời hơn, từ đó ảnh hưởng trực tiếp đến lợi nhuận cũng như hiệu quả hoạt động kinh doanh của ngân hàng. Trong các nghiên cứu thực nghiệm, LLPR thường được coi là một chỉ báo quan trọng cho mức độ thận trọng trong hoạt động cấp tín dụng và quản trị rủi ro. Chẳng hạn, nghiên cứu của Phạm Thị Bích Duyên và Phạm Thị Kiều Khanh (2021); Al-Maghram và cộng sự (2020); Liu và cộng sự (2020) đã sử dụng biến LLPR để đại diện cho Rủi ro tín dụng của ngân hàng, qua đó nhấn mạnh vai trò của dự phòng tín dụng không chỉ như một công cụ bảo vệ ngân hàng trước các tổn thất tiềm ẩn mà còn là thước đo phản ánh sự an toàn và bền vững trong hoạt động ngân hàng.

3.3.2. Biến độc lập Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

3.3.2.1. Sở hữu Nhà nước (GO)

Biến GO đại diện cho tỷ lệ sở hữu Nhà nước tại ngân hàng thương mại i trong năm t, được xác định bằng cách lấy số lượng cổ phiếu do Nhà nước nắm giữ chia cho tổng số cổ phiếu đang lưu hành của ngân hàng đó. Một số nghiên cứu như của Phạm Thị Bích Duyên (2021); Liu và cộng sự (2020); Phạm Quốc Việt và Nguyễn Dân An (2020); Dương Trọng Đoàn (2021); Sarker và cộng sự (2017); Chou và cộng sự (2011); Elbannan (2015); El-Masry và cộng sự (2016); Haque và cộng sự (2016); Lassoued và cộng sự (2016) đều chỉ ra rằng cơ cấu sở hữu Nhà nước khiến Rủi ro tín dụng tăng. Nguyên nhân có thể đến từ việc các ngân hàng sở hữu Nhà nước thường phải thực hiện mục tiêu xã hội và chính trị, thay vì tối đa hóa lợi ích cổ đông, dẫn đến chính sách cho vay kém hiệu quả. Tương tự, Liu và cộng sự (2020); Oliver và cộng sự (2014); Dong và cộng sự (2014) cũng cho rằng trong bối cảnh Trung Quốc, các ngân hàng thuộc sở hữu Nhà nước thường có hội đồng quản trị gắn kết chặt chẽ với yếu tố chính trị, được xem như cánh tay nối dài trong việc thực hiện các chính sách tín dụng của Nhà nước, nhằm cấp vốn cho DNNN hoặc các dự án đầu tư công. Thêm vào đó, Faccio và cộng sự (2006) nhờ nhận được sự hỗ trợ về tài chính ở phía nhà nước, các ngân hàng này có xu hướng tự tin hơn trong việc chấp nhận Rủi ro tín dụng cao.

Ngược lại, một số nghiên cứu khác như Nguyễn Thị Lan Phương (2020), Amor (2017) lại cho thấy tác động ngược chiều, tức là sở hữu Nhà nước có thể giúp giảm Rủi ro tín dụng. Điều này có thể xuất phát từ cơ chế quản lý mang tính quan liêu, thận trọng và các quy định cho vay chặt chẽ hơn, khiến các Ngân hàng nhà nước hạn chế được phần nào Rủi ro tín dụng. Từ những kết quả nghiên cứu trái chiều nêu trên, có thể thấy sở hữu Nhà nước ảnh hưởng đến Rủi ro tín dụng ngân hàng chưa có sự thống nhất rõ ràng, đặc biệt khi xem xét dưới các thước đo khác nhau. Những kết quả này góp phần củng cố giả thuyết thứ nhất trong nghiên cứu: H₁: Cơ cấu sở hữu Nhà nước (GO) có tác động cùng chiều với rủi ro tín dụng của ngân hàng.

• Bảng 3.2: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến GO và Rủi ro tín dụng

3.3.2.2. Sở hữu nước ngoài (FO): Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Biến FO đại diện cho tỷ lệ sở hữu nước ngoài tại ngân hàng thương mại i trong năm t, được xác định bằng cách lấy số lượng cổ phiếu do các cổ đông nước ngoài nắm giữ chia cho tổng số cổ phiếu đang lưu hành của ngân hàng đó. Các nghiên cứu thực nghiệm về tác động của sở hữu nước ngoài đối với Rủi ro tín dụng ngân hàng nhìn chung cho kết quả khá nhất quán, tuy nhiên vẫn tồn tại những khác biệt. Phần lớn các nghiên cứu như Phạm Thị Bích Duyên (2021), Nguyễn Thị Lan Phương (2020), Phạm Quốc Việt và Nguyễn Dân An (2020), Lương Hoàng Trúc Lam (2021), Liu và cộng sự (2020), Chou và cộng sự (2011), ElBannan (2015), Lassoued và cộng sự (2016), Boudriga và cộng sự (2009), Ehsan và cộng sự (2018), Yuan và cộng sự (2022) đều cho rằng sở hữu nước ngoài có tác động ngược chiều đến Rủi ro tín dụng. Lý do là bởi các nhà đầu tư nước ngoài thường mang đến vốn con người và công nghệ hiện đại, kỹ năng quản trị tiên tiến, từ đó giúp nâng cao chất lượng cho vay, giảm thiểu rủi ro và gia tăng hiệu quả hoạt động kinh doanh ngân hàng. Ở nhiều nền kinh tế mới nổi, dòng vốn ngoại còn được xem là yếu tố thúc đẩy tính minh bạch và kỷ luật thị trường, qua đó gián tiếp góp phần kiểm soát Rủi ro tín dụng.

Tuy nhiên, một số nghiên cứu như Amor (2017) lại cho rằng sở hữu nước ngoài có thể làm tăng Rủi ro tín dụng, đặc biệt tại các thị trường phát triển, nơi ngân hàng ngoại có xu hướng theo đuổi lợi nhuận cao và chấp nhận rủi ro lớn hơn. Ngoài ra, còn tìm thấy rằng mối quan hệ giữa sở hữu nước ngoài và Rủi ro tín dụng không có mức ý nghĩa thống kê, cho thấy kết quả nghiên cứu chưa thật sự đồng nhất.

Mặc dù tồn tại sự khác biệt, nhưng phần lớn các bằng chứng vẫn nghiêng về kết luận rằng sở hữu nước ngoài giúp giảm Rủi ro tín dụng của ngân hàng. Trong bối cảnh Việt Nam, nơi hệ thống ngân hàng đang trong quá trình tái cơ cấu và hội nhập quốc tế, kỳ vọng rằng yếu tố sở hữu nước ngoài sẽ tiếp tục phát huy vai trò tích cực trong việc nâng cao năng lực quản trị và hạn chế Rủi ro tín dụng. Những kết quả này góp phần củng cố giả thuyết thứ hai trong nghiên cứu:

H₂: Cơ cấu sở hữu nước ngoài (FO) có tác động ngược chiều đến rủi ro tín dụng của ngân hàng thương mại.

• Bảng 3.3: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến FO và Rủi ro tín dụng

3.3.2.3. Biến động sở hữu nước ngoài (FFO): Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Mặc dù chưa có nghiên cứu nào trực tiếp sử dụng biến động sở hữu nước ngoài để phân tích Rủi ro tín dụng, song nhiều công trình trước đây, tiêu biểu là của Phạm Thị Bích Duyên (2021); Liu và cộng sự (2019); Ehsan và cộng sự (2018) đã chỉ ra tác động đáng kể của sở hữu nước ngoài đến quản trị và kiểm soát Rủi ro tín dụng. Trên cơ sở đó, nghiên cứu này mở rộng bằng cách xem xét biến động của sở hữu nước ngoài như một yếu tố có thể ảnh hưởng đến Rủi ro tín dụng. Sự ổn định trong sở hữu nước ngoài được kỳ vọng góp phần kiểm soát rủi ro, trong khi biến động mạnh có thể làm suy giảm tính bền vững trong giám sát và quản trị ngân hàng. Dựa trên tác động của tỷ lệ sở hữu nước ngoài, tác giả củng cố giả thuyết thứ ba trong nghiên cứu:

H₃: Biến động cơ cấu sở hữu nước ngoài (FFO) có tác động ngược chiều đến rủi ro tín dụng của ngân hàng thương mại.

3.3.2.4. Quy mô ngân hàng (SIZE):

Biến SIZE đại diện cho quy mô của ngân hàng thương mại i tại năm t, được xác định bằng cách lấy logarit Nêpe của tổng lượng tài sản của ngân hàng đó. Các nghiên cứu của Phạm Thị Bích Duyên (2021); Nguyễn Tuấn Kiệt (2018); Phạm Quốc Việt và Nguyễn Dân An (2020), cho thấy quy mô ngân hàng có tác động cùng chiều đến Rủi ro tín dụng, tức ngân hàng càng lớn thì mức độ rủi ro càng cao.

Ngược lại, nghiên cứu của Liu và cộng sự (2020) hay Pratiwi (2023) cho rằng quy mô ngân hàng có tác động ngược chiều đến Rủi ro tín dụng. Các ngân hàng có quy mô lớn thường sở hữu nguồn lực tài chính dồi dào, mạng lưới khách hàng đa dạng và danh mục cho vay phong phú, giúp họ dễ dàng phân tán rủi ro. Đồng thời, những ngân hàng này thường áp dụng hệ thống quản trị rủi ro hiện đại và hiệu quả hơn, kết hợp với khả năng chống chịu tốt trước các cú sốc kinh tế. Nhờ vậy, mức độ Rủi ro tín dụng mà họ phải đối mặt có xu hướng thấp hơn so với các ngân hàng nhỏ.

Một số nghiên cứu khác lại cho thấy quy mô ngân hàng không có tác động đáng kể đến Rủi ro tín dụng. Chẳng hạn như nghiên cứu của Nguyễn Thị Lan Phương (2020) và Lương Hoàng Trúc Phương (2021) đã chỉ ra rằng tác động của quy mô ngân hàng đến Rủi ro tín dụng là không rõ ràng, tức là sự gia tăng về quy mô chưa chắc dẫn đến thay đổi đáng kể trong mức độ rủi ro mà ngân hàng phải đối mặt. Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Tuy nhiên, trong bối cảnh các kết quả nghiên cứu nghiên cứu tại Việt Nam chủ yếu nghiêng về tác động cùng chiều, đồng thời thực tế cho thấy các Ngân hàng thương mại Việt Nam thường ưu tiên mở rộng quy mô tài sản cũng như mạng lưới kinh doanh, việc này tạo tăng trưởng tín dụng cao hơn. Những kết quả này góp phần củng cố giả thuyết thứ tư trong nghiên cứu:

H₄: Quy mô ngân hàng (SIZE) có tác động cùng chiều đến rủi ro tín dụng của ngân hàng.

• Bảng 3.4: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến SIZE và Rủi ro tín dụng

3.3.2.5. Tốc độ tăng trưởng tín dụng (CG):

Biến CG đại diện cho tốc độ tăng trưởng tín dụng của ngân hàng thương mại i tại năm t, được đo lường bằng tỷ lệ phần trăm thay đổi dư nợ cho vay của ngân hàng trong năm t so với năm t-1. Theo nghiên cứu của Foos và cộng sự (2010) khi nghiên cứu trên 16.000 ngân hàng tại 16 quốc gia phát triển kết luận rằng tăng trưởng tín dụng có quan hệ cùng chiều với Rủi ro tín dụng, đặc biệt rõ rệt sau hai đến ba năm. Kết quả tương tự Thiagarajan và cộng sự (2011) được tìm thấy tại Ấn Độ giai đoạn 2001 – 2010.

Tuy nhiên, mối quan hệ này không phải lúc nào cũng đồng biến. Một số nghiên cứu, tiêu biểu là Clair (1992) tại các ngân hàng ở Texas, cho thấy trong bối cảnh các ngân hàng tăng lãi suất cho vay hoặc siết chặt tiêu chuẩn cấp tín dụng khi cầu tín dụng tăng, tăng trưởng tín dụng có thể làm giảm Rủi ro tín dụng trong ngắn hạn.

Tại Việt Nam, hệ thống ngân hàng thương mại từng trải qua giai đoạn tăng trưởng tín dụng “nóng”, đặc biệt tập trung vào bất động sản. Khi thị trường này đóng băng, Rủi ro tín dụng tăng mạnh do đặc thù dư nợ ngắn hạn chiếm tỷ trọng lớn, khiến độ trễ của tác động từ tăng trưởng tín dụng đến Rủi ro tín dụng ngắn hơn so với những quốc gia phát triển. Những kết quả này góp phần củng cố giả thuyết thứ năm trong nghiên cứu: H₅: Tăng trưởng tín dụng (CG) có tác động ngược chiều đến rủi ro tín dụng ngân hàng. Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

• Bảng 3.5: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến CG và Rủi ro tín dụng

3.3.2.6. Tỷ lệ sử dụng đòn bẩy tài chính (FLR):

Biến FLR đại diện cho mức độ đòn bẩy tài chính của ngân hàng thương mại i tại năm t, được đo lường bằng tỷ lệ giữa tổng nợ phải trả và tổng tài sản của ngân hàng trong cùng kỳ. Các nghiên cứu trước đây thường sử dụng tỷ lệ vốn chủ sở hữu trên tổng tài sản như một biến đại diện cho mức độ vốn hóa. Theo Delis và cộng sự (2011), Locke và cộng sự (2015); Boateng (2015) tỷ lệ đòn bẩy tài chính cao hơn, gắn liền với yêu cầu vốn nghiêm ngặt hơn, phản ánh việc ngân hàng thận trọng hơn trong hoạt động cho vay. Ngược lại, khi tỷ lệ này thấp, ngân hàng có thể đối mặt với Rủi ro tín dụng cao hơn do sự gia tăng các khoản nợ xấu, bắt nguồn từ rủi ro đạo đức của nhà quản lý, mở rộng tín dụng khi xác định được cấu trúc vốn hợp lý để duy trì giá trị của ngân hàng. Những kết quả này góp phần củng cố giả thuyết thứ sáu trong nghiên cứu: H₆: Tỷ lệ đòn bẩy tài chính (FLR) tác động cùng chiều đến rủi ro tín dụng của ngân hàng.

• Bảng 3.6: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến FLR và Rủi ro tín dụng

3.3.2.7. Tỷ lệ lạm phát (INFR):

Biến INFR đại diện cho tỷ lệ lạm phát của nền kinh tế tại năm t, được xác định bằng tỷ lệ phần trăm thay đổi của chỉ số giá tiêu dùng (CPI) năm t so với năm t-1. Các nghiên cứu trước đây đã đưa ra những kết quả trái chiều về mối quan hệ giữa lạm phát và Rủi ro tín dụng của ngân hàng. Trong khi Nguyễn Thị Lan Phương (2020); Isnurhadi và cộng sự (2021) cho rằng lạm phát làm gia tăng Rủi ro tín dụng, thì Liu và cộng sự (2020) lại phát hiện tác động ngược chiều. Ngược lại, nghiên cứu của Phạm Thị Bích Duyên (2021) chỉ ra rằng lạm phát không có ảnh hưởng đáng kể đến Rủi ro tín dụng. Những kết quả không đồng nhất này cho thấy tác động của lạm phát đối với Rủi ro tín dụng vẫn còn là chủ đề gây nhiều tranh luận trong lĩnh vực ngân hàng. Từ góc độ của tác giả, tác giả cho rằng khi lạm phát tăng, chi phí sinh hoạt và sản xuất của khách hàng gia tăng, dẫn đến gánh nặng tài chính lớn hơn và làm suy giảm khả năng trả nợ đúng hạn, từ đó làm Rủi ro tín dụng ngân hàng có xu hướng tăng lên. Những kết quả này góp phần củng cố giả thuyết thứ bảy trong nghiên cứu:

H₇: Tỷ lệ lạm phát tác động cùng chiều đến rủi ro tín dụng của ngân hàng.

• Bảng 3.7: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến INFR và Rủi ro tín dụng

3.3.2.8. Tăng trưởng tổng sản phẩm quốc dân (GDPR): Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Biến GPDR đại diện cho tốc độ tăng trưởng GDP thực của nền kinh tế tại năm t, được xác định bằng tỷ lệ phần trăm thay đổi GDP thực (RGDP) năm t so với năm t-1. Trong nhiều nghiên cứu, tốc độ tăng trưởng GDP thường được xem là một yếu tố vĩ mô quan trọng ảnh hưởng đến Rủi ro tín dụng của ngân hàng. Laeven và cộng sự (2002) với mẫu dữ liệu 1.419 ngân hàng thuộc 45 quốc gia giai đoạn 1988-1999 và Klein (2013) tại khu vực Trung, Đông và Đông Nam châu Âu giai đoạn 1998-2011 đều chỉ ra mối quan hệ ngược chiều giữa tăng trưởng GDP và Rủi ro tín dụng. Kết quả này cũng được khẳng định trong các nghiên cứu tại từng quốc gia, Das và cộng sự (2007) với các ngân hàng quốc doanh Ấn Độ hay Salas và cộng sự (2002) với hệ thống ngân hàng Tây Ban Nha. Các tác giả lập luận rằng khi nền kinh tế tăng trưởng thuận lợi, thu nhập và dòng tiền của khách hàng vay vốn được cải thiện, qua đó nâng cao khả năng trả nợ và làm giảm Rủi ro tín dụng. Jimenez và cộng sự (2006) thậm chí còn tìm thấy tác động ngược chiều của GDP hiện hành và GDP năm trước đối với Rủi ro tín dụng ngân hàng. Ngược lại, Liu và cộng sự (2020) cho rằng tăng trưởng GDP có thể làm gia tăng Rủi ro tín dụng, do tăng trưởng tín dụng quá mức trong giai đoạn kinh tế phát triển nóng.

Tuy nhiên, một số nghiên cứu lại không tìm thấy tác động giữa tăng trưởng GDP và Rủi ro tín dụng, chẳng hạn như Kalirai và cộng sự (2002) tại Áo và Poudel (2013) tại Nepal.

Tại Việt Nam, trong bối cảnh nền kinh tế còn tiềm ẩn nhiều biến động, tác giả cho rằng tăng trưởng GDP có xu hướng làm giảm Rủi ro tín dụng của ngân hàng nhờ cải thiện năng lực trả nợ của khách hàng. Những kết quả này góp phần củng cố giả thuyết thứ tám trong nghiên cứu:

H₈: Tốc độ tăng trưởng tổng sản phẩm quốc dân (GDPG) có tác động ngược chiều đến rủi ro tín dụng của ngân hàng.

• Bảng 3.8: Tóm tắt các nghiên cứu trước đó về mối quan hệ giữa biến GDPR và Rủi ro tín dụng

3.4. Nguồn dữ liệu và dấu kỳ vọng cho nghiên cứu Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Trong nghiên cứu này, dữ liệu được khai thác từ các nguồn được liệt kê tại bảng 3.9. Bên cạnh đó, tác giả kế thừa và tổng kết các kết quả nghiên cứu trước, đồng thời gắn kết với bối cảnh đặc thù của Việt Nam để xác định dấu kỳ vọng cho từng biến trong mô hình.

• Bảng 3.9: Nguồn dữ liệu và dấu kỳ vọng của các biến

3.5. Các kiểm định trong mô hình

Kiểm định lựa chọn mô hình: Đề tài sẽ sử dụng 3 dạng kiểm định để lựa chọn ra mô hình tối ưu cho nghiên cứu. Các kiểm định lần lượt là là kiểm định F, kiểm định Hausman và kiểm định Breusch – Pagan LM.

Kiểm định F: Được sử dụng nhằm lựa chọn giữa mô hình Pooled OLS và mô hình tác động cố định (FEM) trong phân tích dữ liệu bảng. Mục tiêu của kiểm định là xem xét liệu có sự khác biệt đáng kể giữa các thực thể trong mẫu hay không:

• H₀: Mô hình Pooled OLS thích hợp hơn.
• H₁: Mô hình FEM thích hợp hơn Pooled OLS.

Nếu giá trị p – value < 0,05, bác bỏ giả thuyết H₀ và chấp nhận H₁, tức là lựa chọn mô hình FEM. Ngược lại, nếu giá trị p – value > 0,05, không bác bỏ giả thuyết H₀, khi đó mô hình Pooled OLS được xem là thích hợp.

Kiểm định Hausman: Kiểm định Hausman được sử dụng nhằm lựa chọn giữa mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM). Mục đích của kiểm định là xác định liệu sai số đặc trưng của từng thực thể có tương quan với các biến giải thích trong mô hình hay không:

• H₀: REM thích hợp hơn.
• H₁: FEM thích hợp hợp.

Nếu giá trị p – value ≤ 0,05, bác bỏ giả thuyết H₀, khi đó mô hình FEM được lựa chọn. Ngược lại, nếu giá trị p – value > 0,05, không bác bỏ giả thuyết H₀, khi đó mô hình REM được xem là thích hợp.

Kiểm định Breusch – Pangan: Kiểm định Breusch-Pagan LM được sử dụng để lựa chọn giữa mô hình Pooled OLS và mô hình tác động ngẫu nhiên (REM). Mục đích là kiểm tra xem có tồn tại sự khác biệt ngẫu nhiên giữa các thực thể trong dữ liệu hay không:

• H₀: Pooled OLS thích hợp hơn REM.
• H₁: REM thích hợp hơn Pooled OLS.

Nếu giá trị p – value ≤ 0,05, bác bỏ giả thuyết H₀, khi đó lựa chọn mô hình REM. Ngược lại, nếu giá trị p – value > 0,05, không bác bỏ giả thuyết H₀, khi đó mô hình Pooled OLS được xem là thích hợp.

Kiểm định đa cộng tuyến: Đa cộng tuyến xảy ra khi các biến độc lập trong mô hình hồi quy có quan hệ tuyến tính chặt chẽ, làm cho việc ước lượng hệ số trở nên thiếu chính xác và giảm độ tin cậy của mô hình. Để phát hiện hiện tượng này, các nghiên cứu thường sử dụng ma trận tương quan và hệ số lạm phát phương sai (VIF). Ma trận tương quan cho thấy mức độ liên hệ tuyến tính giữa các biến, trong khi VIF giúp định lượng mức độ đa cộng tuyến. Theo Gujarati và cộng sự (2009), VIF = 1 nghĩa là không có đa cộng tuyến, giá trị càng cao thì mức độ càng lớn, đặc biệt khi VIF vượt ngưỡng 10 thì biến độc lập được xem là có đa cộng tuyến nghiêm trọng. Như vậy, việc kết hợp cả hai phương pháp cho phép vừa nhận diện, vừa đánh giá ảnh hưởng của đa cộng tuyến, từ đó nâng cao tính ổn định và độ tin cậy của mô hình hồi quy.

Kiểm định tự tương quan: Tự tương quan là hiện tượng khá phổ biến trong các nghiên cứu sử dụng dữ liệu chuỗi thời gian hoặc dữ liệu bảng. Khi xảy ra tự tương quan, giá trị giá trị p – value có xu hướng tăng cao, khiến hệ số không mang ý nghĩa và làm sai lệch kết quả nghiên cứu. Để kiểm định hiện tượng này, nghiên cứu sử dụng lệnh “xtserial” trên phần mềm STATA nhằm thực hiện kiểm định Wooldridge. Kiểm định này được xây dựng với giả thuyết

• H₀: Không tồn tại hiện tượng tự tương quan trong mô hình và giả thuyết.
• H₁: Có tồn tại hiện tượng tự tương quan trong mô hình.

Theo Wooldridge (2010), nếu giá trị p – value ≤ 0,05, ta bác bỏ giả thuyết H₀ và chấp nhận H₁, tức là mô hình xuất hiện hiện tượng tự tương quan. Ngược lại, khi giá trị p – value > 0,05, ta chấp nhận giả thuyết H₀ và kết luận rằng mô hình không có hiện tượng tự tương quan. Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

Kiểm định phương sai sai số thay đổi: Để thực hiện tác giả sẽ sử dụng các câu lệnh khác nhau đối với từng mô hình trên stata. Dùng lệnh “imtest, white” cho mô hình hồi quy tuyến tính đa biến OLS; dùng lệnh “xttest0” cho mô hình hồi quy dữ liệu bảng REM và “xttest3” cho mô hình hồi quy dữ liệu bảng FEM. Kiểm định này bao gồm các giả thuyết:

• H₀: Phương sai không đổi/Tính đồng nhất phương sai (Homoskedasticity).
• H₁: Phương sai không thay đổi/Tính không đồng nhất phương sai (Heteroskedasticity).

Nếu giá trị p – value ≤ α (α = 5%) cho phép ta bác bỏ H₀, chấp nhận H₁ và đưa ra kết luận rằng mô hình hồi quy có hiện tượng phương sai sai số thay đổi. Còn khi chúng ta chấp nhận H₀ thì nghĩa là mô hình không xảy ra khuyết tật phương sai sai số thay đổi.

Kiểm định biến nội sinh: Các biến bị nội sinh thường xảy ra khi mô hình nghiên cứu bỏ sót biến và có biến nội sinh chưa bị tìm ra. Tác giả sử dụng mô hình S.GMM trên phần mềm STATA với câu lệnh “xtabond2” để kiểm tra xem mô hình có bị nội sinh hay không. Bao gồm các giả thuyết:

• H₀: Mô hình có hiện tượng nội sinh.
• H₁: Mô hình không có hiện tượng nội sinh.

Nếu giá trị p – value nhỏ hơn mức ý nghĩa thống kê (5%) chúng ta bác bỏ giả thuyết H₀ và kết luận không có hiện tượng nội sinh. Nếu kết quả ngược lại cho thấy giả thuyết H₀ được chấp nhận, điều đó đồng nghĩa với việc mô hình đang tồn tại hiện tượng nội sinh.

• TÓM TẮT CHƯƠNG 3

Qua chương 3, tác giả đã lựa chọn được hai mô hình nghiên cứu với biến LLPR và NPLR để nghiên cứu tác động của cấu trúc sở hữu đến Rủi ro tín dụng của các Ngân hàng thương mại Việt Nam trong khoảng thời gian từ năm 2015 đến năm 2024. Trong chương 4 tiếp theo tác giả sẽ nói về kết quả nghiên cứu đồng thời thảo luận chiều hướng ảnh hưởng của các biến trong mô hình. Luận văn: PPNC Tác động đến rủi ro tín dụng của các ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC Tác động đến rủi ro tín dụng của các ngân hàng

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com