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

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC 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 3, luận văn sẽ trình bày về quy trình nghiên cứu cũng như các bước thực hiện bài nghiên cứu. Tác giả đồng thời đề xuất mô hình nghiên cứu dựa trên cơ sở tham khảo và kế thừa các nghiên cứu có liên quan trước đây. Cùng với đó, luận văn mô tả và diễn giải các biến cùng với việc đi sâu vào các phương pháp nghiên cứu và đưa ra các giả thuyết nghiên cứu liên quan.

3.1. Quy trình nghiên cứu

Quy trình nghiên cứu của luận văn được thể hiện qua hình sau:

• Hình 3.1: Quy trình thực hiện bài nghiên cứu

Bước 1 -là xác định vấn đề nghiên cứu: Luận văn được thực hiện nhằm phân tích các yếu tố tác động đến Rủi ro tín dụng của các Ngân hàng thương mại cổ phần Việt Nam. Để mục đích nghiên cứu mang tính thống nhất xuyên suốt qua các giai đoạn nghiên cứu, luận văn đã xây dựng cơ sở nền tảng cho đề tài, bao gồm các bước: Xác định các mục tiêu nghiên cứu, câu hỏi nghiên cứu cũng như phạm vi và đối tượng nghiên cứu. Bên cạnh đó, đưa ra những đóng góp mà đề tài mang lại.

Bước 2 là lược khảo các nghiên cứu trước và tổng hợp cơ sở lý thuyết. Tác giả thực hiện tìm kiếm, chọn lọc và tổng hợp thông tin từ nhiều nghiên cứu trong và ngoài nước có liên quan. Dựa trên cơ sở đó, hệ thống lý thuyết được xây dựng và từ đó có thể đề xuất các giả thuyết nghiên cứu phù hợp. Ngoài ra, luận văn thực hiện lược khảo các nghiên cứu nhằm xác định được khoảng trống nghiên cứu.

Bước 3 là xây dựng mô hình và xác định phương pháp nghiên cứu. Luận văn thông qua các cơ sở lý thuyết ở chương 2 để xây dựng mô hình nghiên cứu và xác định phương pháp nghiên cứu phù hợp.

Bước 4 là thu thập, tổng hợp và xử lý dữ liệu nghiên cứu. Dữ liệu phục vụ nghiên cứu được thu thập từ những nguồn có uy tín, minh bạch và được sử dụng phổ biến trong các nghiên cứu kinh tế – tài chính, nhằm đảm bảo tính tin cậy của kết quả. Sau khi thu thập, dữ liệu sẽ được xử lý và làm sạch thông qua việc rà soát, chuẩn hóa và lấp đầy các giá trị còn thiếu. Đây là bước đặc biệt quan trọng trong nghiên cứu có sử dụng phương pháp học máy, bởi chất lượng dữ liệu đầu vào ảnh hưởng trực tiếp đến hiệu suất và khả năng dự báo của mô hình. Việc xử lý dữ liệu thiếu được thực hiện theo nguyên tắc giảm thiểu sai lệch và duy trì tính đại diện của mẫu nghiên cứu. Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Bước 5 là sử dụng học máy trong việc phân tích mô hình hồi quy. Phương pháp học máy được ứng dụng trong mô hình hồi quy thông qua quy trình gồm các bước: (i) chuẩn hóa dữ liệu bằng Robust Scaler để giảm ảnh hưởng của ngoại lai; (ii) thực hiện thống kê mô tả và phân tích tương quan Pearson nhằm nhận diện đặc điểm và mối quan hệ giữa các biến; (iii) sử dụng thuật toán SVR để xây dựng mô hình hồi quy; và (iv) áp dụng phân tích SHAP để đánh giá độ tin cậy, chiều hướng và mức độ tác động của các biến giải thích lên biến phụ thuộc.

Bước 6 là thảo luận kết quả nghiên cứu. Luận văn tiến hành đánh giá kết quả nghiên cứu dựa trên cơ sở kết quả phân tích mô hình hồi quy được thực hiện ở bước 5 so với giả thuyết nghiên cứu đã đề ra. Từ các phát hiện có được, tác giả tiến hành thảo luận sâu và đưa ra các nhận định dựa trên bối cảnh nghiên cứu của luận văn.

Bước 7 là kết luận các kết quả chính trong bài, từ đó đề xuất các hàm ý quản trị tài chính phù hợp có tính ứng dụng cao cho các Ngân hàng thương mại cổ phần Việt Nam.

Về mặt dữ liệu, nguồn số liệu được sử dụng trong luận văn là dữ liệu thứ cấp, được thu thập từ 02 nguồn chính: (1) Bộ cơ sở Dữ liệu Kinh tế – Tài chính – Vĩ mô Việt Nam (FiinPro-X), nhằm thu thập dữ liệu từ báo cáo tài chính đã được kiểm toán của 26 Ngân hàng thương mại cổ phần Việt Nam giai đoạn 2011 – 2024, và là cơ sở tính toán các biến số tài chính trong mô hình nghiên cứu; (2) Ngân Hàng Thế Giới (Worldbank) nhằm thu thập các dữ liệu kinh tế vĩ mô từ năm 2011 – 2024, sử dụng cho các biến số kinh tế vĩ mô trong mô hình nghiên cứu. Luận văn chọn giai đoạn dữ liệu nghiên cứu là 14 năm (2011 – 2024), vì trong giai đoạn này, ngành ngân hàng tại Việt Nam và nền kinh tế trải qua nhiều sự kiện quan trọng, tiêu biểu như sau:

• Ba giai đoạn của quá trình tái cơ cấu các tổ chức tín dụng giúp giảm số lượng các tổ chức tín dụng và góp phần lành mạnh hóa, nâng cao chất lượng hệ thống ngân hàng. (Giai đoạn 1: 2011 – 2015; Giai đoạn 2: 2016 – 2020; Giai đoạn 3: 2021 – 2025). Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.
• Tác động của đại dịch COVID-19 (2020–2023) gây gián đoạn hoạt động kinh tế, tác động trực tiếp đến khả năng trả nợ và Rủi ro tín dụng của ngân hàng.
• Các sự kiện kinh tế chính trị quốc tế (2020–2024) bao gồm xung đột Nga-Ukraine, xung đột Israel-Hamas, khủng hoảng năng lượng toàn cầu, biến động mạnh trên thị trường chứng khoán thế giới và giá vàng tăng cao. Những yếu tố này dẫn đến lạm phát gia tăng, buộc các ngân hàng trung ương thắt chặt chính sách tiền tệ, tác động gián tiếp đến ngành ngân hàng Việt Nam.

Bên cạnh đó, dữ liệu của năm 2024 là gần nhất với mốc thời gian nghiên cứu là năm 2025, qua đó có thể giúp đề tài nghiên cứu có những đánh giá và đưa ra quan điểm phù hợp hơn và gần với thực tế hơn. Luận văn sử dụng dữ liệu bảng (Panel data), bao gồm 364 mẫu quan sát. Luận văn sử dụng dữ liệu dạng bảng vì các ưu điểm của nó so với dữ liệu chéo hoặc dữ liệu chuỗi thời gian:

• Tính không đồng nhất – Dữ liệu bảng có thể tính đến sự khác biệt giữa các đối tượng (cá nhân, doanh nghiệp, tiểu bang, quốc gia,…) qua thời gian.
• Dữ liệu bảng cung cấp nhiều thông tin hơn thông qua sự kết hợp của các chuỗi quan sát theo thời gian và không gian, từ đó gia tăng số lượng các mẫu quan sát. Bên cạnh đó, dữ liệu dạng bảng giúp giảm thiểu hiện tượng đa cộng tuyến, và mang lại hiệu quả phân tích cao hơn nhờ tính biến thiên lớn hơn.
• Dữ liệu bảng phù hợp cho việc nghiên cứu sự thay đổi theo thời gian của các đối tượng nghiên cứu.
• Dữ liệu bảng giúp nghiên cứu các tác động mà dữ liệu chuỗi thời gian hay chéo không thể phát hiện, giúp xác định được sự sai biệt giữa các đối tượng khác nhau trong khoảng thời gian khác nhau.
• Dữ liệu bảng giúp giảm thiểu đến mức thấp nhất hiện tượng chệch khi gộp các cá nhân hay doanh nghiệp với các biến số tổng hợp.

Mẫu nghiên cứu được lựa chọn là 26 Ngân hàng thương mại cổ phần Việt Nam (Phụ lục 1). Tính đến tháng 31/12/2024, Việt Nam có tổng cộng 31 Ngân hàng thương mại cổ phần. Trong số đó, luận văn chỉ thu thập và tổng hợp dữ liệu từ báo cáo tài chính của 26 Ngân hàng thương mại cổ phần. Các Ngân hàng thương mại cổ phần Việt Nam trong mẫu nghiên cứu đều được thu thập với đầy đủ số liệu từ năm 2011 – 2024.

3.2. Phương pháp nghiên cứu Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

3.2.1. Phương pháp định tính

Phương pháp phân tích tổng hợp được sử dụng nhằm xây dụng cơ sở lý thuyết vững chắc cho đề tài. Cụ thể, tác giả tiến hành lược khảo có hệ thống các công trình nghiên cứu thực nghiệm trong và ngoài nước có liên quan đến khía cạnh quản trị Rủi ro tín dụng của các ngân hàng. Các thông tin sau khi thu thập được tác giả chọn lọc, phân loại và tổng hợp để xác định khoảng trống nghiên cứu và đề xuất mô hình nghiên cứu phù hợp với bối cảnh nghiên cứu của đề tài. Đồng thời, phương pháp so sánh cũng được vận dụng nhằm phân tích, đối chiếu các chỉ tiêu tương đối và tuyệt đối trong bộ dữ liệu nghiên cứu, từ đó đánh giá mức độ Rủi ro tín dụng và xu hướng biến động của nó qua các năm. Cách tiếp cận này giúp luận văn có cái nhìn tổng thể, phục vụ tốt cho quá trình phân tích định lượng ở các chương sau.

3.2.2. Phương pháp định lượng

Về khía cạnh định lượng, đầu tiên, các phân tích thống kê mô tả được thực hiện nhằm đánh giá tổng quan đặc điểm dữ liệu của các biến tài chính ngân hàng và các yếu tố vĩ mô. Phân tích này cho phép nhận diện những đặc điểm phân phối quan trọng như xu hướng trung tâm, độ phân tán, cũng như phát hiện các giá trị ngoại lai (Outliers) của dữ liệu, đồng thời cho phép nhận diện mối liên hệ với giữa các biến với nhau thông qua ma trận hệ số tương quan Pearson. Nhằm giảm thiểu tác động tiêu cực của các giá trị ngoại lai và tăng tính ổn định cho mô hình, phương pháp chuẩn hóa dữ liệu Robust Scaler được áp dụng. Sau khi chuẩn hóa, phân tích thống kê mô tả được tái thực hiện để đánh giá sự cải thiện trong cấu trúc dữ liệu. Tiếp đó, nghiên cứu tiến hành sàng lọc và thử nghiệm các thuật toán học máy phổ biến trong ngôn ngữ lập trình Python để xác định phương pháp hồi quy có hiệu suất tối ưu, bao gồm thuật toán ExtraTreesRegressor, thuật toán NuSVR, thuật toán GradientBoostingRegressor, thuật toán MLPRegressor và thuật toán SVR. Kết quả thực nghiệm cho thấy, SVR đạt hiệu quả dự báo cao nhất, đồng thời phù hợp với đặc điểm phân phối của dữ liệu. Do vậy, SVR được lựa chọn làm phương pháp phân tích hồi quy chính và đồng thời kết hợp với phương pháp phân tích SHAP để giải thích ý nghĩa kinh tế và mức độ tác động của các yếu tố trong mô hình nghiên cứu.

• Giới thiệu về ngôn ngữ lập trình Python Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Python là một ngôn ngữ lập trình được Guido van Rossum phát triển vào cuối những năm 1980 và chính thức ra mắt vào năm 1991. Từ đó, Python đã trở thành một trong những ngôn ngữ phổ biến nhất trên thế giới nhờ vào cú pháp đơn giản, dễ hiểu và dễ sử dụng. Sự nổi tiếng của Python ngày càng gia tăng nhờ vào tính linh hoạt, khả năng mở rộng và hỗ trợ đa dạng các thư viện mạnh mẽ, như NumPy, Pandas, và TensorFlow, giúp người lập trình giải quyết nhiều vấn đề phức tạp.

Những ưu điểm nổi bật của Python bao gồm tốc độ và xử lý dữ liệu linh hoạt và ưu việt khi kết hợp với đa dạng các thư viện được tối ưu hóa, độ chính xác cao trong các phép toán và khả năng trực quan mạnh mẽ trong việc đồ thị và biểu đồ, rất hữu ích trong việc phân tích và trình bày dữ liệu. Python cũng hỗ trợ mô hình hóa các vấn đề khoa học phức tạp, từ mô phỏng vật lý, hóa học, đến mô hình học máy.

Trong nghiên cứu khoa học, Python được ứng dụng rộng rãi để phân tích dữ liệu, xây dựng các mô hình dự báo, và thực hiện các tính toán khoa học phức tạp. Khả năng tích hợp các công cụ mạnh mẽ đã giúp Python trở thành ngôn ngữ ưa chuộng của các nhà khoa học trong nhiều lĩnh vực như sinh học, vật lý, khoa học dữ liệu, trong đó không thể không kể đến những đóng góp của Python trong các lĩnh vực tài chính

Các thuật toán được sử dụng trong luận văn

• 1. Thuật toán biển đổi dữ liệu (Robust Scaler)

Robust Scaler trong Python là một phương pháp chuẩn hóa dữ liệu (scaling) được sử dụng để biến đổi các đặc trưng (features) trong bộ dữ liệu sao cho chúng có thể được so sánh dễ dàng hơn và cải thiện hiệu suất của các thuật toán học máy. Khác với các phương pháp chuẩn hóa thông thường như StandardScaler (chuẩn hóa theo giá trị trung bình và độ lệch chuẩn), Robust Scaler thực hiện chuẩn hóa bằng cách sử dụng median (trung vị) và interquartile range (IQR) (phạm vi giữa các tứ phân vị), điều này giúp giảm ảnh hưởng của các giá trị ngoại lệ (outliers) trong dữ liệu cũng như phù hợp với các bộ dữ liệu có phân phối không đồng đều. Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

• (2) Thống kê mô tả trong Python

Tiếp cận với phương pháp thống kê mô tả bằng ngôn ngữ lập trình Python đồng nghĩa với việc làm việc với dữ liệu. Hàm “.describe()” trong thư viện Pandas giúp cung cấp các thống kê mô tả cơ bản của một DataFrame hoặc Series. Hàm này giúp tóm tắt các đặc điểm chính của dữ liệu, bao gồm những thông số quan trọng như:

• Count: Số lượng giá trị không bị thiếu (NaN) trong dữ liệu.
• Mean: Giá trị trung bình của dữ liệu.
• Std: Độ lệch chuẩn (Standard deviation), đo lường sự phân tán của dữ liệu xung quanh giá trị trung bình.
• Min: Giá trị nhỏ nhất trong dữ liệu.
• 25%: Phần trăm thứ nhất (hoặc tứ phân vị thứ nhất, Q1), giá trị tại điểm mà 25% dữ liệu có giá trị thấp hơn.
• 50%: Phần trăm thứ hai (hoặc tứ phân vị thứ hai, Q2, hay còn gọi là Median), giá trị ở giữa dữ liệu khi sắp xếp theo thứ tự.
• 75%: Phần trăm thứ ba (hoặc tứ phân vị thứ ba, Q3), giá trị tại điểm mà 75% dữ liệu có giá trị thấp hơn.
• Max: Giá trị lớn nhất trong dữ liệu.

(3) Ma trận tương quan trong Python

Ma trận tương quan là một công cụ hữu ích để xác định mối quan hệ giữa các đặc trưng (features) trong một bộ dữ liệu. Ma trận tương quan giúp người dùng có thể hiểu được mối quan hệ giữa các cặp biến: Thông thường, tương quan Pearson có giá trị biến động trong khoảng từ -1 đến +1. Nếu hệ số tương quan nằm trong khoảng từ lớn hơn 0 cho đến 1, hai biến có mối quan hệ thuận chiều (sự tăng lên của biến này sẽ dẫn đến sự tăng theo của biến kia và ngược lại), trong khi nếu giá trị tương quan trong khoảng từ lớn hơn 0 cho đến gần -1, giữa chúng có mối quan hệ nghịch chiều (sự tăng lên của biến này sẽ dẫn theo sự giảm đi của biến kia và ngược lại). Nếu giá trị tương quan gần 0, các biến này không có mối quan hệ tương quan. Trong Python, trong thư viện Pandas, hàm “.corr()” đảm nhiệm thực hiện ma trận tương quan này.

(4) Thuật toán SVR Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

SVR (Support Vector Regression) là một thuật toán trong học máy được phát triển từ Support Vector Machines (SVM), và được sử dụng để giải quyết các bài toán hồi quy. SVR có khả năng tìm kiếm một hàm hồi quy tuyến tính hoặc phi tuyến sao cho lỗi dự báo trên dữ liệu huấn luyện được giới hạn trong một vùng cho phép, đồng thời tối ưu hóa việc tìm kiếm các hỗ trợ vector (support vectors) để dự đoán giá trị đầu ra.

SVR thuộc nhóm các mô hình học máy dựa trên các nguyên lý của học máy phân lớp, nhưng thay vì phân loại, SVR tập trung vào việc dự đoán giá trị liên tục. Trong SVR, mục tiêu không phải là tìm kiếm một đường thẳng tối ưu mà là một “biên độ” hoặc “margin” sao cho phần lớn các điểm dữ liệu nằm trong biên độ đó, và những điểm nằm ngoài biên độ này sẽ được tính là lỗi.

SVR mang những ưu điểm như: Chống lại hiện tượng Overfitting (Hiện tượng “học thuộc” của mô hình, mô hình hoạt động rất tốt trên dữ liệu huấn luyện nhưng lại kém hiệu quả hoặc quá hiệu quả khi áp dụng trên dữ liệu mới (dữ liệu kiểm tra hoặc dữ liệu thực tế)); Khả năng xử lý dữ liệu phi tuyến rất tốt, giúp mô hình có khả năng học được các mối quan hệ phức tạp; Khi được tối ưu hóa đúng cách, SVR có thể cho kết quả dự báo chính xác, đặc biệt là đối với các bài toán hồi quy không quá phức tạp.

Bên cạnh đó, SVR cũng mang những nhược điểm như: Chi phí tính toán cao (Đặc biệt là khi dữ liệu lớn hoặc khi sử dụng kernel phức tạp, SVR có thể yêu cầu rất nhiều tài nguyên tính toán và thời gian); Vì vậy, SVR hoạt động không hiệu quả với dữ liệu có kích thước rất lớn vì thời gian huấn luyện có thể tăng lên đáng kể.

3.3. Mô hình và giả thuyết nghiên cứu Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

3.3.1. Mô hình nghiên cứu và giải thích các biến trong mô hình

Việc xây dựng mô hình nghiên cứu trong đề tài được định hình dựa trên tổng hợp các nghiên cứu trước đây và bối cảnh hoạt động của hệ thống Ngân hàng thương mại cổ phần Việt Nam. Các tài liệu tham khảo đều là công trình khoa học trong và ngoài nước có độ tin cậy cao. Trên cơ sở kế thừa và chọn lọc từ những nghiên cứu đó, tác giả đã lựa chọn các biến phù hợp và có ý nghĩa thực tiễn để đưa vào mô hình ước lượng. Cụ thể, nhóm biến nội tại của ngân hàng bao gồm: NPL – biến phụ thuộc, cùng với SIZE, ROE, CRE, LEV và CAR. Nhóm biến vĩ mô gồm INF và GDP nhằm phản ánh ảnh hưởng của điều kiện kinh tế đến Rủi ro tín dụng. Mô hình nghiên cứu được phát triển dựa trên sự điều chỉnh từ các nghiên cứu của Kharabsheh (2019) và Jegadeeshwaran et al. (2019), trong đó NPL được sử dụng làm biến đại diện cho Rủi ro tín dụng của các Ngân hàng thương mại cổ phần niêm yết tại Việt Nam. 𝑁𝑃𝐿𝑖𝑡 = 𝛽0𝑆𝐼𝑍𝐸𝑖𝑡 + 𝛽2𝑅𝑂𝐸𝑖𝑡 + 𝛽3𝐶𝑅𝐸𝑖𝑡 + 𝛽4𝐿𝐸𝑉𝑖𝑡 + 𝛽5𝐶𝐴𝑅𝑡 + 𝛽6𝑈𝑁𝑃𝑡 + 𝛽7𝐺𝐷𝑃𝑡 + 𝛽8𝐼𝑁𝐹𝑡 + e_it

Trong đó:

• Biến phụ thuộc: 𝑁𝑃𝐿𝑖𝑡: Tỷ lệ nợ xấu ngân hàng i tại thời điểm t

Biến độc lập:

• 𝑆𝐼𝑍𝐸𝑖𝑡: Quy mô ngân hàng i tại thời điểm t
• 𝑆𝐼𝑍𝐸𝑖𝑡: Lợi nhuận sau thuế trên VCSH ngân hàng i tại thời điểm t
• 𝐶𝑅𝐸𝑖𝑡: Tăng trưởng kinh tế i tại thời điểm t
• 𝐿𝐸𝑉𝑖𝑡: Đòn bẩy tài chính i tại thời điểm t
• 𝐶𝐴𝑅𝑖𝑡: Tỷ lệ an toàn vốn của NHTM i tại thời điểm t
• 𝑈𝑁𝑃𝑡: Tỷ lệ thất nghiệp tại thời điểm t
• 𝐺𝐷𝑃𝑡: Tăng trưởng kinh tế tại thời điểm t
• 𝐼𝑁𝐹𝑡: Tỷ lệ thất nghiệp tại thời điểm t
• e_𝑖𝑡: Sai số của mô hình
• 𝛽₀: Hằng số (hệ số chặn) của mô hình
• 𝛽𝑖: Hệ số góc của các biến độc lập

3.3.2. Giả thuyết nghiên cứu Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

3.3.2.1 Biến phụ thuộc

Biến NPL được lựa chọn làm biến phụ thuộc chính trong mô hình nghiên cứu, vì đây là chỉ số phản ánh trực tiếp chất lượng danh mục cho vay cũng như mức độ thiệt hại tiềm năng mà ngân hàng có thể phải gánh chịu. So với DPRR, chỉ số được đánh giá là có phần mang tính gián tiếp và phụ thuộc vào quy trình và chiến lược kế toán hay mức độ thận trọng của các ngân hàng, NPL cho phép mô tả tình trạng các khoản vay không thể thu hồi đúng hạn và qua đó được xem là chỉ số phản ánh trung thực hơn mức độ Rủi ro tín dụng đang hiện hữu của ngân hàng. Tuy nhiên, NPL chủ yếu cho thấy hậu quả đã xảy ra, chứ chưa phản ánh đầy đủ các rủi ro tiềm ẩn có thể phát sinh trong tương lai.

Chính vì vậy, để đánh giá một cách toàn diện về Rủi ro tín dụng, NPL nên được kết hợp với các chỉ số hỗ trợ khác như tỷ lệ nợ quá hạn hoặc tỷ lệ trích lập dự phòng nhằm nâng cao độ chính xác và phản ánh đầy đủ hơn tình hình tín dụng của ngân hàng. NPL đã được nhiều nghiên cứu trước đây sử dụng như một công cụ đo lường Rủi ro tín dụng trong ngành ngân hàng. Chỉ tiêu này càng cao thì mức độ Rủi ro tín dụng càng lớn và ngược lại, do đó đóng vai trò là căn cứ quan trọng để phân tích chất lượng tài sản và mức độ rủi ro mà các tổ chức tín dụng đang phải đối mặt.

3.3.2.2. Biến độc lập

Nghiên cứu sử dụng hai nhóm biến độc lập: các yếu tố đặc thù ngân hàng và các yếu tố vĩ mô. Nhóm yếu tố đặc thù phản ánh đặc điểm hoạt động và khả năng quản trị của từng ngân hàng, trong khi nhóm yếu tố vĩ mô thể hiện tác động từ môi trường kinh tế vĩ mô đến Rủi ro tín dụng của các ngân hàng. Việc kết hợp cả hai nhóm yếu tố này giúp đảm bảo tính toàn diện trong việc đánh giá yếu tố tác động đến Rủi ro tín dụng.

• Quy mô ngân hàng (SIZE) Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Nhìn từ góc độ lý thuyết Quản trị Danh Mục Đầu Tư Tín Dụng (Markowitz, 1952), ngân hàng có quy mô lớn hơn có điều kiện đa dạng hóa danh mục cho vay theo ngành nghề, khu vực địa lý và nhóm khách hàng tốt hơn, từ đó phân tán rủi ro và giảm thiểu tỷ lệ nợ xấu. Khi NHTM mở rộng quy mô hoạt động, yêu cầu về vốn chủ sở hữu cũng cần được điều chỉnh để tương thích với sự gia tăng tổng tài sản. Quy mô lớn tạo điều kiện cấp tín dụng nhiều hơn, nhưng đồng thời đi kèm với quy trình thẩm định nghiêm ngặt, tập trung vào khách hàng doanh nghiệp có tiềm lực tài chính và độ tin cậy cao. Các ngân hàng lớn thường có lợi thế về công nghệ, kinh nghiệm và hệ thống kiểm soát rủi ro, giúp nâng cao chất lượng tín dụng và giảm thiểu Rủi ro tín dụng tiềm ẩn. Nhiều nghiên cứu thực nghiệm đã xác nhận mối quan hệ ngược chiều giữa SIZE và NPL, điển hình như Kharabsheh (2019), Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018), và Trịnh Thị Phan Lan & Hoàng Thị Lan Anh (2023). Dựa trên những luận điểm này đề xuất giả thuyết sau:

H1: Quy mô ngân hàng (SIZE) tác động ngược chiều với Rủi ro tín dụng (NPL).

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

Dưới lăng kính lý thuyết Thông tin Bất Đối Xứng (Stiglitz & Weiss, 1981), ROE cao phản ánh năng lực thẩm định tín dụng và kiểm soát rủi ro đạo đức hiệu quả của ngân hàng – tức là ngân hàng có khả năng chọn lọc khách hàng tốt hơn và giám sát sau giải ngân chặt chẽ hơn, từ đó hạn chế phát sinh nợ xấu. Tỷ suất sinh lợi trên vốn chủ sở hữu (ROE) và tỷ lệ nợ xấu (NPL) là hai chỉ số quan trọng phản ánh Hiệu quả hoạt động và mức độ Rủi ro tín dụng của ngân hàng. Các nghiên cứu như Kharabsheh (2019) và Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018) đều cho thấy mối quan hệ âm chiều giữa ROE và NPL. Cụ thể, các ngân hàng có ROE cao thường kiểm soát Rủi ro tín dụng tốt hơn, trong khi ROE thấp có thể phản ánh năng lực quản trị yếu, dẫn đến tăng NPL. Dựa trên các phân tích này, tác giả phát triển giả thuyết nghiên cứu sau:

H2: Tỷ suất sinh lợi trên vốn chủ sở hữu (ROE) tác động ngược chiều với Rủi ro tín dụng (NPL).

• Tăng trưởng tín dụng (CRE) Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Lý thuyết Thông tin Bất Đối Xứng cung cấp cơ sở lý luận trực tiếp cho giả thuyết này: khi tín dụng tăng trưởng quá nhanh, áp lực cạnh tranh buộc ngân hàng phải nới lỏng tiêu chuẩn thẩm định, làm gia tăng mức độ bất cân xứng thông tin giữa ngân hàng và người vay. Hệ quả là lựa chọn đối nghịch (adverse selection) trở nên nghiêm trọng hơn, chất lượng danh mục tín dụng suy giảm và NPL có xu hướng tăng theo độ trễ. Tăng trưởng kinh tế thường đi kèm với thu nhập và việc làm cải thiện, từ đó nâng cao khả năng trả nợ và giảm NPL. Tuy nhiên, nếu tín dụng mở rộng quá nhanh mà thiếu kiểm soát, chất lượng thẩm định có thể suy giảm, làm gia tăng Rủi ro tín dụng. Twum et al. (2021) đã chỉ ra rằng CRE nhanh tại Trung Quốc có liên hệ với mức độ Rủi ro tín dụng hơn. Từ các lập luận và phát hiện thực nghiệm gần đây, tác giả đặt ra giả thuyết nghiên cứu sau đây:

H3: Tốc độ tăng trưởng tín dụng (CRE) tác động cùng chiều với Rủi ro tín dụng (NPL).

• Đòn bẩy tài chính (LEV)

Theo lý thuyết Điều Tiết Ngân Hàng, đòn bẩy tài chính cao đồng nghĩa với mức vốn chủ sở hữu mỏng so với tổng tài sản, trái với yêu cầu duy trì bộ đệm vốn an toàn theo chuẩn Basel. Từ quan điểm lý thuyết Thông tin Bất Đối Xứng, ngân hàng sử dụng đòn bẩy cao cũng đối mặt với vấn đề rủi ro đạo đức ở chiều ngược lại: khi phần lớn nguồn vốn là đi vay, ban lãnh đạo có động cơ chấp nhận các khoản tín dụng rủi ro cao hơn để tối đa hóa lợi nhuận cho cổ đông, vì tổn thất được chia sẻ với chủ nợ. Tỷ lệ đòn bẩy tài chính (LEV), đo bằng tỷ lệ nợ trên vốn chủ sở hữu, phản ánh mức độ sử dụng vốn vay của doanh nghiệp trong cơ cấu tài chính. Khi mức đòn bẩy cao, doanh nghiệp phải đối mặt với áp lực trả nợ lớn hơn, đặc biệt trong điều kiện thị trường biến động hoặc lợi nhuận suy giảm. Nếu thiếu chiến lược quản trị rủi ro phù hợp, việc sử dụng vốn vay quá mức có thể dẫn đến mất khả năng thanh toán, từ đó làm tăng NPL trong hệ thống ngân hàng. Ngoài ra, các doanh nghiệp có đòn bẩy cao thường dễ bị tổn thương trước các cú sốc kinh tế do khả năng chống chịu tài chính kém. Nghiên cứu của Olmas Isakov (2024) cũng khẳng định rằng LEV cao có xu hướng làm gia tăng NPL trong các ngân hàng. Từ những lập luận và minh chứng thực nghiệm đó, nghiên cứu này đề xuất: Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

H4: Đòn bẩy tài chính (LEV) tác động cùng chiều với Rủi ro tín dụng (NPL).

• Tỷ lệ an toàn vốn (CAR)

Lý thuyết Điều Tiết Ngân Hàng (Barth et al., 2004) là nền tảng trực tiếp cho giả thuyết này: các chuẩn mực Basel II và Basel III yêu cầu duy trì tỷ lệ CAR tối thiểu nhằm tạo ra vốn tự có, giúp ngân hàng hấp thụ các khoản tổn thất tín dụng mà không đe dọa khả năng thanh toán. Do đó, về lý thuyết, CAR cao hơn phản ánh năng lực tài chính lành mạnh hơn và kỳ vọng đi kèm với NPL thấp hơn. CAR là chỉ số được sử dụng để đánh giá mức độ an toàn cũng như tính lành mạnh đối với hoạt động của ngân hàng nhằm bảo vệ tiền gửi của khách hàng khỏi Rủi ro tín dụng hoặc những rủi ro khác. Nghiên cứu của Tole và cộng sự (2019) nhận định rằng CAR càng cao, khả năng sinh lời của NHTM càng giảm khi vốn ngân hàng ở trạng thái nhàn rỗi, ít được mang đi đầu tư, kinh doanh sinh lời. Tương tự, như nghiên cứu của Hoàng Thị Thanh Hằng và cộng sự (2020). Do đó, tác giả tiếp tục đặt ra giả thuyết sau:

H5: Tỷ lệ an toàn vốn (CAR) tác động ngược chiều với Rủi ro tín dụng (NPL).

• Tỷ lệ thất nghiệp (UNP)

Từ góc độ lý thuyết kinh tế vĩ mô về chu kỳ tín dụng, thất nghiệp là chỉ báo trực tiếp về sức khỏe thị trường lao động và thu nhập khả dụng của người vay. Khi thị trường lao động xấu đi, rủi ro đạo đức gia tăng theo chiều: người vay đang hoặc sắp mất việc làm có xu hướng trì hoãn trả nợ và che giấu tình trạng tài chính, làm trầm trọng thêm vấn đề bất cân xứng thông tin mà lý thuyết Stiglitz & Weiss (1981) đã chỉ ra. Tỷ lệ thất nghiệp là một chỉ báo vĩ mô quan trọng phản ánh tình trạng lao động không có việc làm trong nền kinh tế. Khi thất nghiệp tăng, thu nhập của người dân giảm, kéo theo khả năng trả nợ suy yếu, từ đó làm gia tăng NPL tại các ngân hàng. Do đó, biến này được kỳ vọng có mối quan hệ cùng chiều với Rủi ro tín dụng. Các nghiên cứu của Kharabsheh (2019) và Foglia (2022) cũng chỉ ra rằng tỷ lệ thất nghiệp cao thường đi kèm với khả năng thanh toán nợ giảm, làm tăng nguy cơ phát sinh NPL.

H6: Tỷ lệ thất nghiệp (UNP) tác động cùng chiều đến Rủi ro tín dụng (NPL).

• Tăng trưởng kinh tế (GDP) Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Lý thuyết chu kỳ tín dụng cho rằng GDP và NPL có mối quan hệ ngược chiều mang tính chu kỳ: trong giai đoạn suy thoái kinh tế, dòng tiền của doanh nghiệp và hộ gia đình sụt giảm làm gia tăng khả năng vỡ nợ, trong khi giai đoạn tăng trưởng cải thiện khả năng trả nợ và làm giảm NPL. Đây cũng là cơ chế được các nghiên cứu thực nghiệm rộng rãi xác nhận. Tăng trưởng GDP phản ánh chu kỳ kinh tế và có ảnh hưởng rõ rệt đến Rủi ro tín dụng. Khi nền kinh tế suy thoái, thu nhập và dòng tiền của doanh nghiệp cũng như hộ gia đình sụt giảm, làm tăng khả năng phát sinh NPL. Ngược lại, trong giai đoạn tăng trưởng, khả năng trả nợ được cải thiện, từ đó giúp giảm Rủi ro tín dụng. Nhiều nghiên cứu đã xác nhận mối quan hệ này, tiêu biểu như Twum et al. (2021), Kharabsheh (2019), và Tole et al. (2019), đều cho thấy GDP có tác động ngược chiều với NPL. Do đó, tác giả đưa ra giả thuyết như sau:

H7: Tăng trưởng kinh tế (GDP) tác động ngược chiều với Rủi ro tín dụng (NPL).

• Tỷ lệ lạm phát (INF)

Lý thuyết kinh tế vĩ mô chỉ ra rằng lạm phát tác động đến Rủi ro tín dụng qua hai kênh chính: (1) kênh thu nhập thực: lạm phát cao làm xói mòn thu nhập thực của người vay, suy yếu khả năng trả nợ; (2) kênh lãi suất: Ngân hàng Trung ương thường phản ứng với lạm phát bằng cách tăng lãi suất, làm tăng gánh nặng trả nợ lãi vay. Cả hai kênh đều dẫn đến sự gia tăng NPL, phù hợp với lý thuyết Thông tin Bất Đối Xứng khi chi phí tài chính leo thang làm suy yếu năng lực trả nợ của người vay. Theo Twum và cộng sự (2021), lạm phát gia tăng làm giảm sức mua, tăng chi phí đi vay và tác động ngược chiều đến khả năng trả nợ, từ đó làm gia tăng Rủi ro tín dụng. Tương tự, nghiên cứu của Foglia (2022) tại các quốc gia Bắc Phi cũng cho thấy lạm phát và các cú sốc tài chính có tác động làm tăng NPL, đặc biệt trong bối cảnh nền kinh tế suy yếu. Ngoài ra, chính sách tín dụng mở rộng trong thời kỳ tăng trưởng có thể khiến nợ xấu phát sinh nhiều hơn về sau. Trên cơ sở đó, nghiên cứu này đề xuất giả thuyết:

H8: Tỷ lệ lạm phát (INF) tác động cùng chiều với Rủi ro tín dụng (NPL).

• Bảng 3.1: Tổng hợp các biến trong mô hình nghiên cứu

TÓM TẮT CHƯƠNG 3 Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

Với mục đích thực hiện được mục tiêu nghiên cứu của luận văn đó là làm rõ tác động của Rủi ro tín dụng đến các Ngân hàng thương mại cổ phần Việt Nam trong giai đoạn 2011 – 2024, luận văn đã trình bày trong Chương 3:

• Quy trình nghiên cứu để đạt được các mục tiêu nghiên cứu đã xác định trước đó.
• Trình bày nguồn gốc, phương thức thu thập và lý luận của tác giả trong việc chọn lọc dữ liệu để sử dụng trong bài nghiên cứu.
• Trình bày rõ ràng về các phương pháp nghiên cứu được tác giả chọn sử dụng trong bài.
• Đề xuất mô hình nghiên cứu và mô tả các biến số trong mô hình
• Đưa ra các giả thuyết nghiên cứu xuất phát từ quá trình lược khảo các nghiên cứu liên quan trước đây

Đó là cơ sở để tác giả tiến hành vào việc thực hiện phân tích hồi quy mô hình nghiên cứu bằng các phương pháp định lượng. Kết quả nghiên cứu của luận văn này sẽ được trình bày tại Chương 4. Luận văn: PPNC ảnh hưởng đến rủi ro tín dụng của các Ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC ảnh hưởng 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