Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC ảnh hưởng 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: Yếu tố ảnh hưởng đến rủi ro tín dụng của các Ngân hàng Thương mại Cổ phần 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 phạm vi Chương 4, tác giả trình bày toàn bộ quá trình phân tích thực nghiệm nhằm kiểm định các giả thuyết nghiên cứu đã đề xuất ở Chương 3. Điểm khác biệt cốt lõi về phương pháp luận của luận văn so với đại đa số các nghiên cứu về Rủi ro tín dụng tại Việt Nam, vốn chủ yếu sử dụng các mô hình kinh tế lượng truyền thống như OLS, FEM, REM hay GMM, là việc ứng dụng thuật toán học máy SVR kết hợp với phân tích SHAP. Trong khi các mô hình kinh tế lượng truyền thống giả định mối quan hệ tuyến tính giữa các biến, SVR có khả năng nắm bắt các cấu trúc phi tuyến và tương tác phức tạp giữa các yếu tố tài chính và vĩ mô. Điều này phù hợp hơn với bản chất dữ liệu ngân hàng có phân phối lệch và chứa nhiều giá trị ngoại vi như đã thể hiện qua thống kê mô tả. Toàn bộ phân tích được thực hiện bằng ngôn ngữ lập trình Python.

4.1. Xử lý dữ liệu và thống kê mô tả

4.1.1. Dữ liệu nghiên cứu ban đầu

Bảng 4.1 tóm tắt thông tin về các quan sát có trong bài nghiên cứu. Cụ thể rằng dữ liệu được thu thập và tổng hợp từ các báo cáo tài chính hợp nhất có kiểm toán của 26 Ngân hàng thương mại cổ phần Việt Nam được thực hiện trong giai đoạn năm 2011 – 2024. Dữ liệu nghiên cứu là dữ liệu bảng, bao gồm 364 quan sát và 14 biến, không chứa dữ liệu bị khuyết hay các giá trị bằng 0.

• Bảng 4.1: 5 quan sát đầu tiên của dữ liệu ban đầu

4.1.1.1. Thống kê mô tả dữ liệu ban đầu

Việc sử dụng dữ liệu bảng trong nghiên cứu giúp tác giả theo dõi đồng thời sự biến động của các yếu tố tài chính theo thời gian và sự khác biệt giữa các ngân hàng trong mẫu nghiên cứu. Cách tiếp cận này hỗ trợ việc trực quan hóa dữ liệu, từ đó phản ánh rõ nét xu hướng biến động tài chính đặc thù của từng ngân hàng.

• Đối với diễn biến tỷ lệ nợ xấu (NPL)

Biểu đồ tỷ lệ nợ xấu (hình 4.1) của 26 Ngân hàng thương mại cổ phần Việt Nam trong giai đoạn nghiên cứu cho thấy một bức tranh tổng thể về sự ổn định tương đối nhưng không đồng nhất về chất lượng tài sản. Biểu đồ cho thấy hầu hết các ngân hàng duy trì được tỷ lệ NPL ở mức thấp, chủ yếu dao động dưới ngưỡng 0.05 (5%), phản ánh quá trình kiểm soát Rủi ro tín dụng của hệ thống ngân hàng. Tuy nhiên, một số ngân hàng cho thấy sự biến động đáng kể tại các thời điểm nhất định, cụ thể là Ngân hàng Quốc Dân (NVB), với tỷ lệ NPL tăng đột biến và đạt đỉnh vào cuối giai đoạn nghiên cứu, đây là dấu hiệu cho thấy khả năng quản trị rủi ro tại thời điểm này gặp vấn đề. Các ngân hàng khác như Sài Gòn-Hà Nội (SHB), Sài Gòn Thương Tín (STB), và Xăng dầu Petrolimex (PGB) cũng thể hiện sự biến động mạnh trong giai đoạn đầu (khoảng 2013-2016) và sau đó dần ổn định trở lại. Nhìn chung từ sau năm 2015, tỷ lệ nợ xấu của đa số các ngân hàng cho thấy được sự cải thiện hoặc duy trì ở mức ổn định qua thời gian. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Hình 4.1: Diễn biến tỷ lệ nợ xấu của từng ngân hàng TMCP theo thời gian

• Đối với diễn biến quy mô ngân hàng (SIZE)

Trái ngược với sự biến động của NPL, các biểu đồ phản ánh quy mô ngân hàng ở hình 4.2 cho thấy sự nhất quán trên toàn bộ mẫu nghiên cứu. Tất cả Ngân hàng thương mại cổ phần đều ghi nhận sự tăng trưởng quy mô liên tục trong suốt giai đoạn được khảo sát. Các đường biểu diễn chủ yếu có độ dốc dương, minh chứng cho quá trình tích lũy vốn và mở rộng hoạt động là của các Ngân hàng thương mại cổ phần Việt Nam trong thập kỷ qua.

Hình 4.2: Diễn biến quy mô của từng ngân hàng theo thời gian

• Đối với diễn biến đòn bẩy tài chính (ROE)

Diễn biến của đòn bẩy tài chính cho thấy sự đa dạng trong chiến lược về cấu trúc vốn của các ngân hàng. Nhìn chung, các biểu đồ trong hình 4.3 cho thấy các ngân hàng duy trì tỷ lệ đòn bẩy ở mức cao và tương đối ổn định, thường dao động trong khoảng 0.8 đến 0.95. Tuy nhiên, khi phân tích chi tiết, có thể nhận thấy một số điểm khác biệt. Một nhóm các ngân hàng như Bản Việt (BVB), Kiên Long (KLB), và Sài Gòn Công thương (SGB) có xu hướng gia tăng đòn bẩy theo thời gian, trái ngược với hai trường hợp là Kỹ Thương (TCB) và Việt Nam Thịnh Vượng (VPB) lại cho thấy xu hướng giảm đòn bẩy rõ rệt trong nửa sau của giai đoạn nghiên cứu.

Điều này cho thấy sự đa dạng trong chiến lược vận hành của các Ngân hàng thương mại cổ phần trong từng thời điểm cụ thể.

Hình 4.3: Diễn biến đòn bẩy tài chính của từng ngân hàng theo thời gian

• Đối với diễn biến tỷ suất sinh lời trên vốn chủ sở hữu (ROE)

Hình 4.4 phản ánh hiệu quả hoạt động của từng ngân hàng thông qua việc biểu diễn ROE của từng ngân hàng qua thời gian. Các biểu đồ cho thấy không có một xu hướng chung nào trong được ghi nhận và mỗi ngân hàng sở hữu quỹ đạo ROE riêng. Cụ thể, nhiều ngân hàng trải qua các chu kỳ tăng giảm ROE rõ rệt. Trong đó, Ngân hàng Tiên Phong (TPB) đã có sự cải thiện đáng kể, từ mức ROE thấp ở giai đoạn đầu vươn lên trở thành một trong những ngân hàng có hiệu quả sinh lời cao nhất. Ngược lại, diễn biến ROE của Ngân hàng Quốc Dân (NVB) cho thấy sự sụt giảm nghiêm trọng vào cuối giai đoạn, tương ứng với sự bùng nổ của nợ xấu đã phân tích ở trên. Điều này là minh chứng thực nghiệm rõ nét cho mối liên hệ nghịch chiều giữa chất lượng tài sản và khả năng sinh lời. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

• Hình 4.4: Diễn biến hiệu quả hoạt động của từng ngân hàng theo thời gian
• Bảng 4.2: Kết quả thống kê mô tả dữ liệu ban đầu

Kết quả thống kê mô tả dữ liệu ban đầu cho thấy, biến NPL có giá trị trung bình là 0,0227, tuy nhiên giá trị cực đại lên đến 0,2976, cao gấp hơn 11 lần so với phân vị thứ 75 (0,0263). Điều này cho thấy sự tồn tại của những ngân hàng có tỷ lệ nợ xấu cao bất thường so với phần lớn các ngân hàng còn lại, phản ánh sự hiện diện của các giá trị ngoại vi trong dữ liệu. Tương tự, biến ROE cũng có giá trị tối thiểu âm (-0,9169), thấp hơn đáng kể so với trung vị (0,1036) và khoảng tứ phân vị, điều này phản ánh hình dáng phân phối lệch trái của dữ liệu. Ngoài ra, biến CRE có giá trị cực đại 1,0820 trong khi phân vị thứ 75 chỉ ở mức 0,2357, còn biến INF có giá trị tối đa 0,1858, cao gấp khoảng 4,5 lần so với phân vị thứ 75 (0,0409). Những đặc điểm này chứng minh dữ liệu có sự phân bố không đồng đều, tồn tại các điểm giá trị ngoại vi và hình dáng phân phối lệch.

Ngược lại, các biến như SIZE, UNP và GDP có độ lệch chuẩn thấp, khoảng dao động giữa các phân vị hẹp, cho thấy phân phối tương đối ổn định, ít chịu tác động của các giá trị ngoại vi. Để khắc phục hạn chế các đặc trưng dữ liệu trên, nghiên cứu tiến hành thực hiện chuẩn hóa dữ liệu bằng phương pháp Robust Scaler thuộc thư viện scikit-learn. Phương pháp này giúp đưa các biến về cùng thang đo mà không bị tác động mạnh bởi các giá trị ngoại vi, đồng thời bảo toàn cấu trúc phân phối trung tâm của dữ liệu. Điều này đảm bảo độ ổn định của hệ số hồi quy, tăng hiệu quả hội tụ của các thuật toán ước lượng và giúp kết quả phân tích định lượng có độ tin cậy cao hơn.

• Bảng 4.3: Kết quả thống kê mô tả dữ liệu sau xử lý

Kết quả thống kê mô tả sau khi chuẩn hóa bằng Robust Scaler cho thấy giá trị trung bình của hầu hết các biến dao động quanh mức 0, phản ánh đúng bản chất của phương pháp chuẩn hóa theo phân vị trung vị và khoảng tứ phân vị. Độ lệch chuẩn của các biến không đồng đều, cho thấy mức độ phân tán khác nhau trong dữ liệu, trong đó các biến như INF và UNP có độ lệch chuẩn lớn (lần lượt khoảng 3.32 và 2.27), thể hiện mức độ biến động cao so với các biến còn lại. Giá trị nhỏ nhất và lớn nhất của các biến không còn chênh lệch đáng kể như trước nhưng vẫn giữ được sự phân tán cần thiết để phản ánh cấu trúc dữ liệu thực tế.

Phân vị thứ 25, 50 (trung vị) và 75 đều xoay quanh 0, điều này phản ánh đúng với đặc tính của phương pháp Robust Scaler, giúp dữ liệu trở nên ổn định hơn mà không làm mất đi thông tin gốc. Đặc biệt, các giá trị ngoại vi không còn phóng đại như trước, điều này giúp giảm thiểu ảnh hưởng tiêu cực của chúng lên quá trình huấn luyện mô hình hồi quy. Yếu tố này rất quan trọng đối với các thuật toán nhạy cảm với giá trị cực đoan như SVR, qua đó giúp mô hình đạt hiệu quả dự báo tốt hơn và tăng độ tin cậy của kết quả phân tích.

4.1.2. Phân tích tương quan giữa các biến Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

• Hình 4.5: Biểu đồ ma trận hệ số tương quan giữa các biến

Phân tích “biểu đồ ma trận hệ số tương quan” (heatmap) đã chỉ ra rằng, ở mức độ tuyến tính đơn giản, Tỷ suất sinh lời trên vốn chủ sở hữu (ROE) là yếu tố quan trọng nhất giải thích sự biến thiên của NPL, trong khi các yếu tố vĩ mô lại cho thấy mối liên hệ rất yếu:

Tương quan Mạnh (Âm): Biến ROE có tương quan nghịch khá mạnh với NPL (r=−0,436). Kết quả này xác nhận kỳ vọng lý thuyết: Ngân hàng hoạt động hiệu quả, lợi nhuận cao sẽ có khả năng quản trị rủi ro tốt hơn và duy trì tỷ lệ nợ xấu thấp hơn.

Tương quan Yếu (Vi mô): Quy mô ngân hàng (SIZE) có tương quan âm yếu hơn (r≈−0,180), gợi ý lợi thế quy mô có thể giúp giảm thiểu rủi ro. Các biến cấu trúc vốn như CAR (r≈+0,071) và LEV (r≈−0,057) có tương quan rất thấp, cho thấy riêng rẽ chúng không giải thích nhiều sự biến động của NPL.

Tương quan Yếu (Vĩ mô): Các biến kinh tế vĩ mô như GDP (r≈+0,004) và Lạm phát (INF) (r≈+0,070) hầu như không có mối liên hệ tuyến tính đơn giản với NPL. Điểm này nhấn mạnh rằng mối quan hệ giữa kinh tế vĩ mô và nợ xấu có thể là phi tuyến tính hoặc có độ trễ, đòi hỏi phải sử dụng mô hình đa biến phức tạp hơn (như SVR) để nắm bắt tác động tổng hợp.

Nhìn chung, ngoài cặp CAR-LEV, đa số các biến độc lập còn lại có tương quan tương đối thấp (∣r∣<0,5). Điều này thuận lợi cho mô hình hóa vì giảm nguy cơ đa cộng tuyến nghiêm trọng trên diện rộng, cho phép hầu hết các biến đóng góp thông tin riêng biệt. Điểm này có ý nghĩa phương pháp luận quan trọng: nếu chỉ sử dụng mô hình hồi quy tuyến tính (OLS, FEM, REM), các yếu tố vĩ mô như GDP và INF có thể bị đánh giá thấp tầm quan trọng do mối quan hệ phi tuyến và có độ trễ của chúng không được nắm bắt đầy đủ. Đây chính là một trong những lý do cốt lõi để luận văn lựa chọn SVR, một mô hình học máy không bị ràng buộc bởi giả định tuyến tính, thay vì tiếp cận truyền thống, từ đó đảm bảo kết quả phản ánh trung thực hơn cấu trúc quan hệ thực sự trong dữ liệu.

4.2. Phân tích hồi quy bằng thuật toán Support Vector Regression Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

4.2.1. Xây dựng và kiểm định độ tin cậy của mô hình SVR

Việc ứng dụng SVR vào nghiên cứu các nhân tố tác động đến Rủi ro tín dụng tại hệ thống Ngân hàng thương mại cổ phần Việt Nam là hướng tiếp cận còn khá mới trong văn nghiên cứu trong nước. Các nghiên cứu trước đây về Rủi ro tín dụng tại Việt Nam như Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018), Trịnh Thị Phan Lan & Hoàng Thị Lan Anh (2023) chủ yếu vận dụng các mô hình kinh tế lượng dữ liệu bảng truyền thống. Trong khi đó, xu hướng quốc tế gần đây – điển hình như Hoang et al. (2022) và Bussmann et al. (2021) – đã bắt đầu khai thác sức mạnh của các phương pháp học máy để cải thiện độ chính xác dự báo rủi ro tín dụng và nâng cao khả năng giải thích kết quả thông qua các công cụ như SHAP. Luận văn này kế thừa xu hướng đó và là một trong những nghiên cứu đầu tiên áp dụng SVR-SHAP vào phân tích Rủi ro tín dụng cho dữ liệu bảng của các Ngân hàng thương mại cổ phần niêm yết tại Việt Nam, qua đó đóng góp cả về phương pháp luận lẫn bằng chứng thực nghiệm cho lĩnh vực này.

Thay vì so sánh hiệu suất với các mô hình kinh tế lượng, vốn được xây dựng trên các giả định và mục tiêu khác nhau về mặt phương pháp luận, nghiên cứu tập trung vào việc kiểm định tính tin cậy nội tại của mô hình SVR thông qua hai tiêu chí: (1) khả năng giải thích phương sai đo bằng R², và (2) khả năng tổng quát hóa đo bằng mức độ tương đồng giữa hiệu suất trên tập huấn luyện và tập kiểm tra – tức là kiểm tra mô hình có học thuộc dữ liệu quá khứ hay không.

Để mở đầu cho quá trình phân tích hồi quy bằng phương pháp học máy, tác giả đưa mô hình đã xây dựng ở Chương 3 sang ngôn ngữ lập trình Python bằng cách khai báo lần lượt các biến số trong mô hình từ dữ liệu đã được chuẩn hoá bằng phương pháp Robust Scaler. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Sau khi huấn luyện trên tập dữ liệu 2011-2024 (train 75%), mô hình SVR được áp dụng dự báo trên tập kiểm tra (25% test) để đánh giá hiệu năng.

• Hình 4.6: Thực hiện khai báo biến mô hình trong Python
• Hình 4.7: Kết quả của mô hình trong Python

Mô hình SVR được áp dụng trên bộ dữ liệu bảng (panel data) của 26 Ngân hàng TMCP niêm yết tại Việt Nam. Kết quả kiểm tra hiệu năng dự báo cho thấy mô hình có độ chính xác cao và ổn định, tạo cơ sở vững chắc cho việc diễn giải kinh tế của các tham số.

Cụ thể, hệ số xác định của mô hình (R_Square) đạt 0,7648 (76,48%) trên tập huấn luyện và 0,7706 (77,06%) trên tập kiểm tra. Mức này, xấp xỉ 77%, được đánh giá là mức độ phù hợp cao đối với bài toán dự báo Rủi ro tín dụng trong lĩnh vực tài chính, nơi dữ liệu thường chứa nhiều tính nhiễu và biến động. Sự tương đương gần như tuyệt đối giữa trên tập huấn luyện và tập kiểm tra (0.7648 so với 0.7706) là một chỉ dấu quan trọng, khẳng định mô hình không bị hiện tượng quá khớp (overfitting). Điều này cho thấy mô hình đủ tốt các quy luật từ dữ liệu quá khứ và có khả năng tổng quát hóa, dự báo đáng tin cậy cho dữ liệu mới.

Về sai số dự báo, mô hình đạt Sai số Bình phương Trung bình (MSE) xấp xỉ 0.6803 trên tập kiểm tra. Khi quy đổi về đơn vị gốc của NPL (tỷ lệ phần trăm), sai số trung bình (MSE) tương ứng chỉ khoảng 0,6803, sai số này thấp đáng kể, cho thấy mô hình SVR đã giải thích được phần lớn phương sai của tỷ lệ NPL giữa các ngân hàng và các thời kỳ.

Từ góc độ diễn giải kinh tế, R² ≈ 0,77 có nghĩa là mô hình SVR giải thích được khoảng 77% sự biến động của tỷ lệ nợ xấu (NPL) giữa các ngân hàng và qua các năm, chỉ còn lại khoảng 23% là do các yếu tố chưa được đưa vào mô hình hoặc các biến động mang tính ngẫu nhiên thuần túy. Đây là mức phù hợp cao đối với dữ liệu tài chính ngân hàng – lĩnh vực vốn có nhiều yếu tố định tính và hành vi khó lượng hóa. Kết quả này cho phép khẳng định rằng tám biến được lựa chọn trong mô hình có giá trị thực sự trong việc dự báo và giải thích Rủi ro tín dụng, cung cấp nền tảng đủ vững để tiến hành phân tích SHAP và diễn giải ý nghĩa kinh tế của từng biến ở phần tiếp theo.

4.2.2. Kết quả ước lượng của mô hình Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Do SVR là mô hình phi tuyến tính, tác giả sử dụng thuật toán SHAP (SHapley Additive exPlanations) để định lượng mức độ tác động và chiều hướng ảnh hưởng của từng biến. Phân tích SHAP không cung cấp hệ số hồi quy tuyến tính truyền thống mà cung cấp giá trị SHAP – đại diện cho mức đóng góp trung bình của một biến vào việc thay đổi dự báo NPL so với mức NPL trung bình của toàn bộ dữ liệu.

• Hình 4.8: Tác động Ước lượng SHAP
• Bảng 4.4: Đối sánh Giả thuyết Nghiên cứu và Kết quả Ước lượng Mô hình SVR (SHAP)

Dựa vào bảng 4.4 cho thấy 6 trên 8 giả thuyết được ủng hộ (INF, ROE, CRE, LEV, SIZE, và UNP). Hai giả thuyết về CAR và GDP cho kết quả mâu thuẫn với dấu kỳ vọng lý thuyết và biến vĩ mô Lạm phát (INF) hiện là nhân tố chi phối mạnh nhất.

4.3. Thảo luận kết quả nghiên cứu Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

4.3.1. Các Nhân tố Nội tại Tác động Giảm Thiểu Rủi ro (H1, H2)

Phần này tập trung vào hai biến SIZE và ROE, vốn có dấu âm và được kỳ vọng sẽ giúp giảm thiểu NPL.

• Tỷ suất sinh lợi trên vốn chủ sở hữu (ROE)

Kết quả cho thấy mối quan hệ ngược chiều giữa ROE và NPL (-), ủng hộ mạnh mẽ Giả thuyết H2, Phát hiện này nhất quán với các công trình nghiên cứu trong và ngoài nước, tiêu biểu là Kharabsheh (2019) và Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018), vốn đều chỉ ra mối quan hệ âm giữa ROE và NPL. Xét từ góc độ lý thuyết Thông tin Bất Đối Xứng (Stiglitz & Weiss, 1981), kết quả này có nền tảng lý luận rõ ràng: ngân hàng có ROE cao thể hiện năng lực vượt trội trong việc kiểm soát cả hai vấn đề cốt lõi của thông tin bất cân xứng – đó là lựa chọn đối nghịch (adverse selection) thông qua quy trình thẩm định chặt chẽ trước khi giải ngân, và rủi ro đạo đức (moral hazard) thông qua cơ chế giám sát sau cho vay hiệu quả. Ngân hàng duy trì được lợi nhuận cao trên vốn chủ sở hữu chứng tỏ đang quản lý tốt chất lượng danh mục tín dụng, hạn chế được tổn thất từ các khoản vay không thu hồi được. ROE được xếp thứ hai về mức độ quan trọng trong toàn bộ mô hình, sự vượt trội về độ lớn của ROE khẳng định rằng, đối với Ngân hàng thương mại cổ phần Việt Nam, khả năng sinh lời cao không chỉ là mục tiêu tài chính mà còn là chất lượng quản trị tổng thể. ROE cao phản ánh năng lực thẩm định tín dụng, kiểm soát nội bộ và tối ưu hóa chi phí hiệu quả, từ đó tạo ra lợi thế cạnh tranh bền vững và trực tiếp làm giảm thiểu NPL.

• Quy mô Ngân hàng (SIZE)

Kết quả xác nhận mối quan hệ ngược chiều giữa SIZE và NPL (-), ủng hộ Giả thuyết H1, phù hợp với lý thuyết lý thuyết Quản trị Danh Mục Đầu Tư Tín Dụng (Markowitz, 1952; Saunders & Allen, 2010) và các nghiên cứu thực nghiệm như Kharabsheh (2019) và Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018). Mặc dù có mức độ tác động thấp (thứ 6), mối quan hệ âm xác nhận rằng ngân hàng có quy mô lớn hơn có lợi thế về đa dạng hóa danh mục tín dụng, nguồn vốn và địa lý hoạt động, giúp phân tán rủi ro tốt hơn. Ngoài ra, các ngân hàng lớn có tiềm lực đầu tư vào công nghệ và hệ thống quản trị rủi ro tiên tiến, giúp nâng cao chất lượng tín dụng so với các đối thủ nhỏ hơn.

4.3.2. Thảo luận về các Nhân tố Nội tại Tác động Gia Tăng Rủi ro và Bất thường (H3, H4, H5) Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Phần này thảo luận về các biến nội tại có mối quan hệ cùng chiều với NPL (CRE, LEV, CAR).

• Tăng trưởng Tín dụng (CRE)

Biến CRE có tác động cùng chiều (+), ủng hộ Giả thuyết H3, phù hợp với nghiên cứu của Twum et al. (2021) và lý thuyết Thông tin Bất Đối Xứng (Stiglitz & Weiss, 1981). CRE xếp thứ ba về mức độ quan trọng, cung cấp bằng chứng thực nghiệm về sự đánh đổi giữa việc theo đuổi thị phần và duy trì chất lượng tài sản. Nhìn từ góc độ lý thuyết Thông tin Bất Đối Xứng, kết quả này phản ánh cơ chế lựa chọn đối nghịch bị khuếch đại trong giai đoạn tín dụng tăng trưởng nhanh: khi ngân hàng mở rộng cho vay dưới áp lực thị phần, nguồn lực thẩm định không tăng tương ứng, buộc ngân hàng phải chấp nhận những hồ sơ tín dụng có chất lượng thấp hơn mà không đủ thông tin để sàng lọc hiệu quả. Trong bối cảnh tỷ lệ tín dụng/GDP của Việt Nam cao (135.7% vào năm 2024), áp lực cạnh tranh gay gắt có thể dẫn đến việc nới lỏng tiêu chuẩn thẩm định, chấp nhận các dự án rủi ro hơn để đạt mục tiêu tăng trưởng cấp bách, từ đó làm gia tăng NPL trong tương lai.

• Đòn bẩy Tài chính (LEV)

LEV có mối quan hệ cùng chiều giữa LEV và NPL (+), ủng hộ Giả thuyết H4, đồng nhất với các nghiên cứu lý thuyết Điều Tiết Ngân Hàng (Barth et al., 2004) và nghiên cứu thực nghiệm của Olmas Isakov (2024), khẳng định rằng LEV cao có xu hướng làm gia tăng NPL. LEV xếp thứ năm về độ quan trọng. Dưới lăng kính lý thuyết Điều Tiết Ngân Hàng, đòn bẩy tài chính cao đồng nghĩa với mức vốn chủ sở hữu mỏng – trái với yêu cầu duy trì bộ đệm vốn an toàn theo chuẩn Basel mà lý thuyết này đề ra. Khi tổn thất tín dụng phát sinh, ngân hàng có đòn bẩy cao thiếu vốn tự có để hấp thụ các cú sốc, buộc phải ghi nhận nợ xấu ở mức lớn hơn. Đòn bẩy cao phản ánh việc sử dụng vốn vay lớn (nợ phải trả trên tổng tài sản), làm tăng áp lực trả nợ lên ngân hàng. Khi tổn thất tín dụng phát sinh, ngân hàng có đòn bẩy cao sẽ dễ bị tổn thương hơn do bộ đệm vốn chủ sở hữu mỏng, không đủ khả năng hấp thụ các cú sốc. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

• Tỷ lệ An toàn Vốn (CAR)

Tác động của CAR có dấu dương (+), mâu thuẫn với Giả thuyết H5 (kỳ vọng âm). Kết quả này đi ngược với dự báo của lý thuyết Điều Tiết Ngân Hàng (Barth et al., 2004; Diamond & Rajan, 2001), vốn cho rằng CAR cao tạo bộ đệm vốn đủ lớn để hấp thụ tổn thất, từ đó giảm thiểu NPL – đây cũng là nền tảng cho các chuẩn mực Basel II và Basel III mà NHNN Việt Nam đang áp dụng. Kết quả cũng mâu thuẫn với các nghiên cứu thực nghiệm như Tole và cộng sự (2019) và Hoàng Thị Thanh Hằng và cộng sự (2020).

Tuy nhiên, sự mâu thuẫn này có thể được lý giải thông qua chính cơ chế mà lý thuyết Thông tin Bất Đối Xứng đã cảnh báo: các ngân hàng có thể thực hiện “quản lý vốn điều tiết” (regulatory capital management) – tức là điều chỉnh cách phân loại tài sản và tính toán tài sản có trọng số rủi ro (RWA) nhằm tối ưu hóa tỷ lệ CAR trên báo cáo mà không thực sự cải thiện chất lượng danh mục tín dụng. Hành vi này chính là biểu hiện của rủi ro đạo đức (moral hazard) trong khuôn khổ quan hệ giữa ngân hàng và cơ quan quản lý. Bên cạnh đó, trong các giai đoạn mở rộng tín dụng, ngân hàng có thể đồng thời duy trì mức vốn cao để đáp ứng yêu cầu giám sát nhưng vẫn gia tăng cho vay vào các phân khúc có lợi suất cao hơn, vốn thường đi kèm mức độ rủi ro lớn hơn. Do đó, kết quả nghiên cứu có thể được hiểu như bằng chứng về khoảng cách giữa mức độ an toàn vốn theo quy định và rủi ro tín dụng kinh tế thực sự, điều mà lý thuyết Điều Tiết Ngân Hàng thừa nhận là hạn chế cố hữu của các chỉ số vốn dựa trên RWA, thay vì phủ nhận vai trò ổn định của vốn tự có trong hệ thống ngân hàng.

4.3.3. Đánh giá Tác động của Yếu tố Vĩ mô và Thị trường Lao động (H6, H7, H8)

• Tỷ lệ Lạm phát (INF)

INF có tác động cùng chiều (+), ủng hộ mạnh mẽ Giả thuyết H8, kết quả này phù hợp với các phát hiện của Twum và cộng sự (2021) cũng như Foglia (2022).

INF là nhân tố có mức đóng góp lớn nhất vào việc giải thích NPL (SHAP rank 1st). Kết quả này có thể được lý giải đồng thời qua hai lý thuyết nền. Thứ nhất, từ góc độ lý thuyết Thông tin Bất Đối Xứng: lạm phát cao làm xói mòn thu nhập thực của người vay, gia tăng rủi ro đạo đức khi người vay buộc phải ưu tiên chi tiêu sinh hoạt thay vì trả nợ, đồng thời làm trầm trọng thêm vấn đề lựa chọn đối nghịch khi các khách hàng có chất lượng tín dụng tốt thu hẹp vay mượn trong khi nhóm rủi ro cao vẫn tiếp tục tìm kiếm tín dụng với lãi suất cao. Thứ hai, từ góc độ lý thuyết Điều Tiết Ngân Hàng: lạm phát cao thường buộc Ngân hàng Nhà nước thắt chặt chính sách tiền tệ và tăng lãi suất điều hành, đẩy chi phí vốn lên cao và trực tiếp làm tăng gánh nặng trả nợ cho cả doanh nghiệp lẫn hộ gia đình, dẫn đến gia tăng NPL. Sự thống trị của INF (vượt qua cả ROE và CRE) chỉ ra rằng bất ổn vĩ mô là mối đe dọa hàng đầu đối với chất lượng tín dụng tại hệ thống ngân hàng Việt Nam trong giai đoạn nghiên cứu.

• Tỷ lệ Thất nghiệp (UNP) Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

UNP có tác động cùng chiều (+), ủng hộ Giả thuyết H6, kết quả phù hợp với lý thuyết Thông tin Bất Đối Xứng (Stiglitz & Weiss, 1981) và các nghiên cứu thực nghiệm toàn cầu như Kharabsheh (2019) và Foglia (2022). Mặc dù UNP xếp hạng thấp nhất về mức độ tác động (thứ 8), tác động dương (+) vẫn xác nhận cơ chế mà lý thuyết Thông tin Bất Đối Xứng mô tả: khi tỷ lệ thất nghiệp gia tăng, người vay mất thu nhập hoặc thu nhập giảm sút, tình trạng tài chính xấu đi nhưng thông tin này thường không được phản ánh kịp thời cho ngân hàng (do độ trễ trong cập nhật hồ sơ tín dụng), làm trầm trọng hơn vấn đề bất cân xứng thông tin giữa ngân hàng và khách hàng vay. Hệ quả là khả năng thanh toán nợ suy yếu trước khi ngân hàng có thể can thiệp, từ đó làm gia tăng NPL. Phát hiện này cho thấy, mặc dù các chính sách can thiệp của Ngân hàng Nhà nước Việt Nam có thể tạm thời kìm hãm NPL, sức khỏe thị trường lao động vẫn là chỉ báo cơ bản về áp lực trả nợ trong dài hạn.

4.5.3. Tăng trưởng Kinh tế (GDP)

Tăng trưởng GDP có tác động cùng chiều (+), mâu thuẫn với Giả thuyết H7 (kỳ vọng âm) và trái ngược với dự báo của lý thuyết chu kỳ tín dụng được hầu hết các nghiên cứu kinh điển như Twum et al. (2021), Kharabsheh (2019) và Tole et al. (2019) vận dụng. Tuy nhiên, sự mâu thuẫn này không phủ nhận lý thuyết chu kỳ tín dụng mà phản ánh một khía cạnh khác của nó: trong giai đoạn tăng trưởng kinh tế mạnh, lý thuyết Thông tin Bất Đối Xứng dự báo rằng bất cân xứng thông tin có thể trở nên nghiêm trọng hơn chứ không nhẹ hơn – do cả ngân hàng lẫn người vay đều có khuynh hướng lạc quan thái quá (overoptimism), dẫn đến nới lỏng tiêu chuẩn thẩm định và chấp nhận rủi ro cao hơn. Rủi ro tích lũy này chỉ bộc lộ khi chu kỳ kinh doanh đảo chiều, tạo ra mối tương quan dương quan sát được giữa GDP và NPL trong cùng giai đoạn dữ liệu. Trong giai đoạn kinh tế tăng trưởng mạnh, nhu cầu vốn của doanh nghiệp và hộ gia đình gia tăng, kéo theo sự mở rộng nhanh của tín dụng ngân hàng. Quá trình này thường đi kèm với xu hướng nới lỏng tiêu chuẩn cho vay và dịch chuyển danh mục tín dụng sang các lĩnh vực có mức sinh lợi cao nhưng rủi ro lớn hơn, khiến rủi ro tín dụng tích tụ trong hệ thống. Kết quả này nhấn mạnh rằng chất lượng tín dụng phụ thuộc không chỉ vào tốc độ tăng trưởng mà còn vào cấu trúc và tính bền vững của quá trình mở rộng tín dụng.

• TÓM TẮT CHƯƠNG 4 Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Trong Chương 4, tác giả đã trình bày toàn bộ kết quả nghiên cứu thực nghiệm dựa trên bộ dữ liệu của 26 Ngân hàng thương mại cổ phần Việt Nam trong giai đoạn 2011-2024. Trước hết, dữ liệu được xử lý và mô tả thông qua các bước như loại bỏ ngoại lệ bằng phương pháp Robust Scaler và phân tích thống kê mô tả, qua đó làm rõ đặc điểm phân bố và mối tương quan giữa các biến nghiên cứu. Tiếp theo, mô hình hồi quy Support Vector Regression được áp dụng để kiểm định các giả thuyết đã đề xuất trong Chương 3. Kết quả hồi quy qua thuật toán SHAP cho thấy mức độ phù hợp của mô hình và chỉ ra ảnh hưởng của từng biến độc lập đến xác suất phát sinh nợ xấu (NPL) tại các ngân hàng. Những phát hiện này không chỉ góp phần trả lời các câu hỏi nghiên cứu mà còn được thảo luận, so sánh với cơ sở lý thuyết và các nghiên cứu trước, từ đó khẳng định tính giá trị và ý nghĩa của kết quả nghiên cứu trong bối cảnh thực tiễn của hệ thống ngân hàng Việt Nam.

CHƯƠNG 5. KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH

Chương này tổng kết các kết quả nghiên cứu chính, rút ra những hàm ý quan trọng đối với các nhà quản trị ngân hàng và các cơ quan quản lý nhà nước, đồng thời chỉ ra những hạn chế và hướng nghiên cứu mở rộng trong tương lai.

5.1. Kết luận

Nghiên cứu sử dụng mô hình SVR với phân tích SHAP đã xác định được các yếu tố nội tại và vĩ mô chính ảnh hưởng đến Rủi ro tín dụng tại các Ngân hàng thương mại cổ phần Việt Nam giai đoạn 2011-2024 và đạt độ tin cậy dự báo cao.

Mô hình SVR được chứng minh là một công cụ phân tích mạnh mẽ cho bài toán Rủi ro tín dụng, cụ thể, đạt hệ số xác định xấp xỉ 77% trên cả tập huấn luyện và tập kiểm tra. Độ ổn định cao này khẳng định mô hình có khả năng dự báo đáng tin cậy cho các kỳ tiếp theo. Sai số dự báo tuyệt đối thấp cho thấy SVR đã giải thích được phần lớn biến động của tỷ lệ nợ xấu trong hệ thống ngân hàng Việt Nam.

Kết quả mô hình cho thấy, có 6 trên 8 giả thuyết được ủng hộ (INF, ROE, CRE, LEV, SIZE, và UNP). Hai giả thuyết về CAR và GDP cho kết quả mâu thuẫn với dấu kỳ vọng lý thuyết.

• Sự Chi Phối Tuyệt Đối của Rủi ro Vĩ mô và Tính Chu Kỳ

Phát hiện quan trọng nhất là Lạm phát (INF) chiếm ưu thế tuyệt đối với tác động dương, ủng hộ Giả thuyết H8. Điều này nhấn mạnh rằng bất ổn vĩ mô là động lực chính của NPL. Cả Tỷ lệ Thất nghiệp (UNP) và Tăng trưởng Tín dụng (CRE) đều có tác động dương, khẳng định Rủi ro tín dụng có tính chu kỳ mạnh mẽ (pro-cyclical) và rủi ro từ chiến lược tăng trưởng nóng.

• Vai Trò Tối Thượng của Hiệu suất Quản trị Nội bộ Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

ROE là nhân tố nội tại quan trọng nhất với tác động âm, ủng hộ Giả thuyết H2. Điều này khẳng định chất lượng quản trị và hiệu suất sinh lời là tuyến phòng thủ vi mô hiệu quả nhất. Tương tự, Quy mô (SIZE) cũng cho kết quả âm, ủng hộ Giả thuyết H1, xác nhận lợi thế đa dạng hóa của các ngân hàng lớn.

• Các Kết quả Mâu Thuẫn Cảnh Báo về Cấu trúc Rủi ro Nghiên cứu ghi nhận sự mâu thuẫn lý thuyết ở hai biến:

Tỷ lệ An toàn Vốn (CAR) có tác động dương (+), mâu thuẫn với Giả thuyết H5. Điều này gợi ý về vấn đề Kém hiệu quả Tài sản Rủi ro (RWA Inefficiency) hoặc rủi ro đạo đức ngầm (Moral Hazard) liên quan đến việc duy trì vốn.

Tăng trưởng GDP (GDP) có tác động dương (+), mâu thuẫn với Giả thuyết H7. Sự bất thường này được lý giải là Rủi ro Chu kỳ Ẩn, trong đó tốc độ tăng trưởng nhanh của nền kinh tế (GDP) đã kích hoạt sự nới lỏng tiêu chuẩn cho vay (CRE dương), tích lũy nợ xấu ngầm.

5.2. Khuyến nghị đối với các Ngân hàng thương mại cổ phần Việt Nam

Dựa trên thứ tự ưu tiên rủi ro của kết quả mô hình phân tích, các Ngân hàng thương mại cổ phần cần tập trung vào việc tăng cường tuyến phòng thủ nội bộ để chống chịu lại áp lực vĩ mô chi phối.

5.2.1. Tỷ suất Sinh lợi trên Vốn Chủ sở hữu (ROE)

ROE là công cụ phòng vệ nội bộ mạnh mẽ nhất. Tác động âm của ROE cho thấy việc gia tăng hiệu suất hoạt động là cách trực tiếp nhất để giảm thiểu Rủi ro tín dụng. Khuyến nghị tập trung vào các chiến lược tạo ra lợi thế cạnh tranh bền vững.

• Đặt mục tiêu duy trì ROE cao và bền vững là công cụ quản trị rủi ro chiến lược.
• Liên tục cải thiện hiệu quả hoạt động thông qua tối ưu hóa chi phí và thu nhập, đa dạng hóa nguồn thu bền vững (thu nhập ngoài lãi, dịch vụ) , và áp dụng công nghệ để nâng cao chất lượng thẩm định tín dụng.

5.2.2. Tăng trưởng Tín dụng (CRE)

Tác động dương của CRE khẳng định sự đánh đổi giữa việc theo đuổi thị phần và chất lượng tài sản. Khuyến nghị cần giải quyết rủi ro này bằng cách gắn tăng trưởng với năng lực kiểm soát rủi ro của ngân hàng.

• Thiết lập các hạn mức tăng trưởng tín dụng nội bộ thận trọng, gắn tốc độ tăng trưởng với năng lực thẩm định và chất lượng danh mục cho vay.
• Ưu tiên chuyển dịch cơ cấu tín dụng sang các lĩnh vực ít rủi ro và theo định hướng quốc gia, đặc biệt là tín dụng Lồng ghép quản lý rủi ro môi trường và xã hội (ESG) vào hoạt động cấp tín dụng để giảm thiểu rủi ro dài hạn.

5.2.3. Tỷ lệ an toàn vốn (CAR) Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Kết quả CAR dương (+) là bất thường, gợi ý vấn đề RWA Inefficiency hoặc rủi ro đạo đức. Khuyến nghị phải tập trung vào việc làm cho vốn hoạt động hiệu quả (RWA) và kiểm soát hành vi chấp nhận rủi ro.

• Tập trung cải thiện hệ thống xếp hạng nội bộ (Internal Rating System) và phương pháp quản lý tài sản bảo đảm để đảm bảo RWA được tính toán chính xác và hiệu quả.
• Duy trì CAR cao phải đi kèm với chất lượng thẩm định nghiêm ngặt. Ban lãnh đạo cần tránh chấp nhận các khoản vay rủi ro quá mức chỉ nhằm mục đích tối đa hóa lợi suất vốn (ROE) trên vốn chủ sở hữu lớn.

5.2.4. Đòn bẩy tài chính (LEV)

Tác động dương của LEV khẳng định rủi ro của việc sử dụng vốn vay lớn (cấu trúc vốn mỏng). Khuyến nghị cần quản lý chặt chẽ cấu trúc nợ để đảm bảo sự ổn định tài chính. Kiểm soát chặt chẽ cơ cấu tài sản-nợ, tránh phụ thuộc quá nhiều vào các nguồn vốn ngắn hạn và không ổn định để giảm thiểu rủi ro thanh khoản song song với Rủi ro tín dụng.

5.2.5. Quy mô ngân hàng (SIZE)

Tác động âm của SIZE ủng hộ lợi thế đa dạng hóa. Tuy nhiên, khuyến nghị tập trung vào việc quản trị sự phức tạp đi kèm với quy mô lớn. Mặc dù quy mô lớn mang lại lợi ích đa dạng hóa, các ngân hàng cần đầu tư vượt trội vào hệ thống kiểm soát nội bộ, đặc biệt là cơ chế kiểm soát chéo và kiểm toán độc lập, để quản lý sự phức tạp của việc mở rộng quy mô.

5.2.6. Quản lý rủi ro vĩ mô (INF, GDP, UNP)

INF là rủi ro chi phối. Tác động dương của UNP và GDP cho thấy rủi ro chu kỳ hiện diện rõ ràng. Khuyến nghị cần chủ động lồng ghép rủi ro vĩ mô vào quản trị vi mô. Lồng ghép INF và UNP vào các mô hình chấm điểm tín dụng và mô hình cảnh báo sớm để tự động điều chỉnh ngưỡng rủi ro cho vay đối với các phân khúc nhạy cảm (cho vay tiêu dùng, SMEs) khi lạm phát và thất nghiệp tăng. Xây dựng và thực hiện các bài kiểm tra sức chịu đựng (stress test) định kỳ, tập trung vào các kịch bản vĩ mô bất lợi nhất (INF tăng đột biến, GDP giảm, UNP tăng) để đánh giá khả năng chịu đựng của danh mục tín dụng và có kế hoạch trích lập dự phòng chủ động.

5.3. Khuyến nghị đối với Ngân hàng Nhà nước (NHNN) Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Dựa trên thứ tự ưu tiên rủi ro của kết quả mô hình và các kết quả mâu thuẫn cần biện giải, NHNN cần tập trung vào các khuyến nghị sau:

• Ưu tiên ổn định tiền tệ và vĩ mô (INF)

Đặt việc kiểm soát lạm phát và giữ ổn định vĩ mô lên ưu tiên hàng đầu. Việc này trực tiếp bảo vệ chất lượng tài sản ngân hàng khỏi áp lực tăng chi phí trả nợ và giảm thu nhập thực tế của người vay.

• Giám sát an toàn vĩ mô và rủi ro chu kỳ (CRE, GDP)

Gắn kết với tốc độ tăng trưởng tín dụng (CRE) và các chỉ số chu kỳ (INF, UNP) để kiềm chế các ngân hàng theo đuổi tăng trưởng nóng, đặc biệt trong giai đoạn GDP tăng trưởng cao để tránh rủi ro bong bóng tín dụng.

• Tăng cường Giám sát Chất lượng CAR và RWA (CAR)

Do CAR cho kết quả bất thường (+), NHNN cần tăng cường giám sát định tính đối với phương pháp tính toán RWA và hệ thống xếp hạng nội bộ của các ngân hàng.

Thanh tra chuyên sâu để khắc phục sự kém hiệu quả RWA, đảm bảo CAR cao phản ánh đúng rủi ro thấp.

• Sử dụng ROE và UNP làm Chỉ báo Cảnh báo Sớm (ROE, UNP)

Chính thức hóa chỉ số ROE là một chỉ báo cảnh báo sớm (Early Warning Signal – EWS) trong khung giám sát vi mô.

Khuyến khích các TCTD lồng ghép các chỉ báo thị trường lao động (UNP) vào mô hình dự báo rủi ro nội bộ và các kịch bản vĩ mô. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

5.4. Hạn chế của nghiên cứu

Mặc dù đã đạt được các mục tiêu đề ra và cung cấp những hàm ý chính sách quan trọng, nghiên cứu này vẫn còn một số hạn chế nhất định cần được ghi nhận.

5.4.1. Hạn chế của Nghiên cứu

Hạn chế chủ yếu đến từ phương pháp luận và phạm vi biến số. Mô hình SVR, mặc dù có khả năng dự báo mạnh mẽ, nhưng lại thiếu khả năng diễn giải mối quan hệ nhân quả một cách rõ ràng và trực tiếp như các mô hình kinh tế lượng truyền thống. Về phạm vi biến số, mô hình chưa bao gồm các yếu tố quan trọng khác có thể ảnh hưởng đến Rủi ro tín dụng, như các chỉ số về quản trị doanh nghiệp (cơ cấu hội đồng quản trị), mức độ tập trung tín dụng theo ngành kinh tế, và các đặc điểm cụ thể của danh mục cho vay.

5.4.2. Hướng Nghiên cứu trong Tương lai

Từ những hạn chế trên, các nghiên cứu tiếp theo có thể được phát triển theo các hướng sau để nâng cao độ tin cậy và tính ứng dụng trong thực tiễn:

So sánh hiệu quả của các mô hình học máy: tiến hành so sánh hiệu quả dự báo và diễn giải của SVR (và phân tích SHAP) với các thuật toán học máy khác như Random Forest, Gradient Boosting Machine, hoặc mạng nơ-ron (Neural Networks). Việc này nhằm tìm ra mô hình tối ưu không chỉ về độ chính xác dự báo mà còn về khả năng diễn giải nhân quả.

Phân tích Rủi ro tín dụng theo phân khúc: nghiên cứu trong tương lai nên đi sâu phân tích Rủi ro tín dụng theo từng phân khúc khách hàng (doanh nghiệp lớn, SMEs, cá nhân) hoặc theo ngành kinh tế. Điều này sẽ cho phép đưa ra các hàm ý chính sách chi tiết và cụ thể hơn cho từng đối tượng cho vay.

Kết hợp phương pháp định lượng và định tính: thực hiện các nghiên cứu tình huống (case studies) hoặc phỏng vấn sâu các chuyên gia quản trị rủi ro để hiểu rõ hơn về cơ chế đằng sau các mối quan hệ bất thường đã được phát hiện bởi mô hình định lượng (CAR, GDP) trong bối cảnh thể chế của Việt Nam.

Mở rộng bộ dữ liệu và chỉ báo: mở rộng khung thời gian nghiên cứu và bổ sung thêm các biến số về quản trị doanh nghiệp, cấu trúc thị trường, và đặc điểm danh mục cho vay để xây dựng một mô hình giải thích toàn diện hơn về các yếu tố quyết định Rủi ro tín dụng.

• TÓM TẮT CHƯƠNG 5

Chương 5 đã tổng hợp và khái quát những kết quả nghiên cứu quan trọng đạt được từ các phân tích thực nghiệm ở Chương 4. Trên cơ sở đó, tác giả rút ra các kết luận về những yếu tố chủ yếu tác động đến Rủi ro tín dụng của các Ngân hàng thương mại cổ phần Việt Nam, đồng thời khẳng định lại mức độ phù hợp của mô hình nghiên cứu và giả thuyết đã đề xuất. Tiếp theo, chương đưa ra các hàm ý chính sách thực tiễn, bao gồm khuyến nghị đối với các nhà quản trị ngân hàng trong việc nâng cao hiệu quả quản trị Rủi ro tín dụng, cũng như đề xuất cho các cơ quan quản lý Nhà nước nhằm hoàn thiện cơ chế giám sát và kiểm soát rủi ro. Bên cạnh đó, tác giả cũng chỉ ra những hạn chế của nghiên cứu về phạm vi dữ liệu và phương pháp, từ đó mở ra định hướng cho các nghiên cứu tiếp theo nhằm nâng cao độ tin cậy và tính ứng dụng trong thực tiễn quản lý Rủi ro tín dụng. Luận văn: KQNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Yếu tố ảnh hưởng đến rủi ro tín dụng của 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