Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid 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: Quản trị rủi ro tín dụng trong Ngân hàng Thương mại Cổ phần Việt Nam trong bối cảnh hậu Covid dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

Dựa trên cơ sở lý thuyết ở Chương 2, luận văn sử dụng phương pháp định lượng với mô hình sai biệt trong sai biệt (DID) kết hợp phân tích sự kiện (Event Study) để đánh giá tác động của COVID-19 đến rủi ro tín dụng của các ngân hàng thương mại Việt Nam giai đoạn 2015–2024; mô hình cho phép so sánh sự thay đổi giữa nhóm ngân hàng có năng lực quản trị rủi ro cao và thấp trước, trong và sau đại dịch, qua đó xác định tác động nhân quả đến tỷ lệ bao phủ nợ xấu, đồng thời sử dụng dữ liệu bảng để kiểm soát hiệu ứng cố định theo ngân hàng và thời gian cùng sai số chuẩn cụm hai chiều nhằm đảm bảo độ tin cậy thống kê; trên cơ sở đó, Chương 3 trình bày khung nghiên cứu, dữ liệu, phương pháp ước lượng và các kiểm định độ bền, làm nền tảng cho phân tích thực nghiệm ở chương tiếp theo.

3.1. Khung nghiên cứu và mô hình đề xuất

3.1.1. Khung nghiên cứu tổng quát

Rủi ro tín dụng là một trong những loại rủi ro trọng yếu nhất trong hoạt động của ngân hàng thương mại (NHTM), bởi nó phản ánh trực tiếp khả năng thu hồi vốn cho vay, mức độ an toàn của danh mục tín dụng và sức khỏe tài chính tổng thể của ngân hàng. Trong điều kiện kinh tế bình thường, rủi ro tín dụng chủ yếu bắt nguồn từ hành vi và năng lực tài chính của khách hàng vay, cũng như từ chính sách thẩm định, giám sát và quản trị rủi ro của ngân hàng. Tuy nhiên, khi xuất hiện các cú sốc kinh tế vĩ mô lớn như đại dịch COVID-19, rủi ro tín dụng có thể gia tăng đột biến do khả năng trả nợ của khách hàng suy giảm và môi trường kinh doanh trở nên bất ổn.

Thực tiễn cho thấy, đại dịch COVID-19 đã tác động sâu rộng đến toàn bộ hệ thống tài chính – ngân hàng Việt Nam, làm gián đoạn hoạt động sản xuất, tăng áp lực nợ xấu và buộc các ngân hàng phải điều chỉnh mạnh chính sách tín dụng cũng như trích lập dự phòng. Trong bối cảnh đó, việc nghiên cứu đánh giá tác động của đại dịch đến rủi ro tín dụng, đồng thời xác định mức độ khác biệt trong khả năng chống chịu của từng ngân hàng, có ý nghĩa quan trọng cả về mặt khoa học lẫn thực tiễn.

Khung nghiên cứu của luận văn được xây dựng trên nền tảng lý thuyết về mối quan hệ giữa năng lực tài chính nội tại của ngân hàng và rủi ro tín dụng, kết hợp với quan điểm về chu kỳ tín dụng và khả năng chống chịu trước khủng hoảng. Các nghiên cứu trước đây của Berger và DeYoung (1997) cho rằng hiệu quả hoạt động và chất lượng tín dụng có mối quan hệ ngược chiều, trong khi Salas và Saurina (2002) nhấn mạnh vai trò của vốn chủ sở hữu và quy mô ngân hàng đối với khả năng kiểm soát rủi ro. Bikker và Metzemakers (2006) và Laeven và Levine (2009) cũng chỉ ra rằng năng lực vốn mạnh giúp ngân hàng giảm thiểu tổn thất trong các giai đoạn kinh tế suy thoái. Từ cơ sở đó, luận văn xác định rằng các yếu tố như tỷ lệ an toàn vốn (CAR), lợi nhuận (ROE), quy mô (Size), tăng trưởng tín dụng (LoanGrowth), tỷ lệ cho vay trên huy động (LDR), cấu trúc vốn (CAP) và tổng tài sản (LTA) đều có thể ảnh hưởng đến rủi ro tín dụng.

Đặc biệt, luận văn nhấn mạnh vai trò của tỷ lệ bao phủ nợ xấu (LLP/NPL) – chỉ tiêu thể hiện mức độ chủ động của ngân hàng trong việc trích lập dự phòng rủi ro để bù đắp cho các khoản nợ có khả năng mất vốn. Đây không chỉ là thước đo chất lượng tín dụng mà còn phản ánh năng lực quản trị rủi ro và khả năng chống chịu tài chính của ngân hàng trong điều kiện khủng hoảng. Để đánh giá tác động của đại dịch COVID-19, luận văn chia giai đoạn nghiên cứu thành ba thời kỳ: (i) giai đoạn trước khủng hoảng (2017–2019) – phản ánh trạng thái tài chính nền tảng của ngân hàng, (ii) giai đoạn chịu ảnh hưởng trực tiếp của COVID-19 (2020–2021) – thể hiện tác động tức thời của cú sốc, và (iii) giai đoạn hậu khủng hoảng (2022–2024) – phản ánh quá trình phục hồi và thích ứng của các ngân hàng. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Trọng tâm của khung nghiên cứu là phân tích sự khác biệt trong mức độ thay đổi rủi ro tín dụng giữa các nhóm ngân hàng có năng lực quản trị rủi ro khác nhau trước khi khủng hoảng xảy ra. Biến tỷ lệ bao phủ nợ xấu giai đoạn trước khủng hoảng (LP_pre) được sử dụng làm chỉ báo phản ánh năng lực chống chịu rủi ro tích lũy của ngân hàng. Nếu năng lực này thực sự có tác dụng, thì trong giai đoạn khủng hoảng, nhóm ngân hàng có LP_pre cao sẽ duy trì được tỷ lệ bao phủ nợ xấu ổn định hơn so với nhóm LP_pre thấp, và trong giai đoạn hậu khủng hoảng, nhóm này sẽ phục hồi nhanh hơn về mặt chất lượng tín dụng.

Từ mối quan hệ này, khung nghiên cứu tổng quát của luận văn được hình thành với logic sau: đại dịch COVID-19 được xem như một cú sốc ngoại sinh tác động đến rủi ro tín dụng của ngân hàng, song mức độ tác động khác nhau tùy thuộc vào năng lực chống chịu rủi ro trước khủng hoảng (LP_pre) và chịu ảnh hưởng bổ sung bởi các yếu tố nội tại như vốn, lợi nhuận, quy mô, hiệu quả hoạt động và tốc độ tăng trưởng tín dụng.

Khung phân tích này cho phép luận văn đánh giá không chỉ tác động tức thời của COVID-19 đến rủi ro tín dụng, mà còn xem xét tác động kéo dài trong giai đoạn phục hồi. Việc kết hợp phương pháp sai biệt trong sai biệt (DID) với dữ liệu bảng giúp mô hình tách biệt được ảnh hưởng của cú sốc vĩ mô khỏi các đặc điểm cố hữu của từng ngân hàng, qua đó lượng hóa tác động thực sự của đại dịch đối với rủi ro tín dụng trong hệ thống Ngân hàng Thương mại Việt Nam.

3.1.2. Cơ sở lý thuyết hình thành mô hình Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Cơ sở lý thuyết của mô hình nghiên cứu được xây dựng dựa trên quan điểm cho rằng rủi ro tín dụng của ngân hàng chịu ảnh hưởng đồng thời bởi năng lực tài chính nội tại và điều kiện kinh tế bên ngoài. Trong đó, các yếu tố nội tại phản ánh khả năng tự bảo vệ của ngân hàng trước các cú sốc, còn các yếu tố vĩ mô thể hiện tác động từ môi trường kinh tế mà ngân hàng khó kiểm soát.

Theo lý thuyết tài chính ngân hàng, rủi ro tín dụng là kết quả của quá trình đánh đổi giữa lợi nhuận và an toàn. Khi ngân hàng theo đuổi lợi nhuận cao thông qua việc mở rộng tín dụng nhanh hoặc hạ tiêu chuẩn cho vay, khả năng phát sinh nợ xấu sẽ tăng lên. Ngược lại, khi ngân hàng tăng cường quản trị vốn và dự phòng rủi ro, mức độ an toàn tín dụng được cải thiện, nhưng chi phí hoạt động và lợi nhuận có thể giảm. Vì vậy, mức độ rủi ro tín dụng phản ánh sự cân bằng giữa mục tiêu sinh lời và mức độ thận trọng trong quản trị rủi ro của từng ngân hàng.

Berger và DeYoung (1997) đã chỉ ra mối quan hệ ngược chiều giữa hiệu quả hoạt động và nợ xấu: các ngân hàng hoạt động kém hiệu quả có xu hướng gặp rủi ro tín dụng cao hơn do quản trị yếu và năng lực giám sát hạn chế. Kết quả này làm nền tảng cho việc đưa chỉ tiêu lợi nhuận (ROE) vào mô hình, nhằm phản ánh hiệu quả quản lý vốn và khả năng sinh lời ảnh hưởng đến chất lượng tín dụng.

Tiếp theo, tỷ lệ an toàn vốn (CAR) được xem là yếu tố quyết định mức độ an toàn của ngân hàng. Theo quy định của Ủy ban Basel, tỷ lệ này thể hiện khả năng ngân hàng duy trì đủ vốn tự có để hấp thụ tổn thất tiềm năng. Bikker và Metzemakers (2006) và Laeven và Levine (2009) đều khẳng định rằng ngân hàng có vốn chủ sở hữu lớn sẽ có khả năng đối phó tốt hơn với rủi ro tín dụng trong khủng hoảng. Từ đó, luận văn kỳ vọng CAR có tác động ngược chiều với rủi ro tín dụng, tức CAR cao giúp ngân hàng giảm thiểu biến động tiêu cực khi cú sốc xảy ra. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Một yếu tố quan trọng khác là tăng trưởng tín dụng (LoanGrowth), đại diện cho chiến lược mở rộng tín dụng của ngân hàng. Keeton (1999) và Foos, Norden và Weber (2010) cho rằng việc mở rộng tín dụng quá nhanh thường đi kèm với sự nới lỏng tiêu chuẩn cho vay, khiến chất lượng danh mục tín dụng suy giảm. Vì vậy, biến LoanGrowth trong mô hình có thể mang tác động cùng chiều với rủi ro tín dụng – tức khi ngân hàng tăng trưởng tín dụng mạnh, khả năng phát sinh nợ xấu sẽ tăng lên.

Tỷ lệ cho vay trên huy động (LDR) phản ánh khả năng sử dụng nguồn vốn huy động cho hoạt động tín dụng. Mức LDR quá cao cho thấy ngân hàng có xu hướng đẩy mạnh cho vay, làm giảm khả năng thanh khoản và tăng rủi ro tín dụng. Ngược lại, LDR thấp thể hiện chính sách tín dụng thận trọng hơn. Do đó, LDR được kỳ vọng có tác động cùng chiều với rủi ro tín dụng.

Quy mô ngân hàng (Size) cũng là yếu tố được xem xét rộng rãi trong lý thuyết ngân hàng. Các nghiên cứu của Salas và Saurina (2002), Uhde và Heimeshoff (2009) cho rằng quy mô lớn giúp ngân hàng có lợi thế đa dạng hóa danh mục và khả năng chống chịu tốt hơn trước khủng hoảng. Tuy nhiên, các ngân hàng lớn đôi khi lại đối mặt với “rủi ro đạo đức” (moral hazard) khi dựa vào giả định “quá lớn để thất bại”. Vì vậy, tác động của Size có thể hai chiều, tùy thuộc vào cấu trúc quản trị và chiến lược tín dụng.

Cấu trúc vốn (CAP), được đo bằng tỷ lệ vốn chủ sở hữu trên tổng tài sản, phản ánh khả năng tài chính nội sinh của ngân hàng. Theo lý thuyết đòn bẩy, ngân hàng có tỷ lệ vốn tự có cao thường ít chịu rủi ro tín dụng hơn vì họ sử dụng nguồn vốn chủ nhiều hơn vốn vay. Tương tự, tổng tài sản (LTA) thể hiện năng lực quy mô và phạm vi hoạt động, có thể giúp ngân hàng đạt hiệu quả kinh tế theo quy mô nhưng cũng tiềm ẩn rủi ro nếu không kiểm soát tốt danh mục cho vay.

Đặc biệt, luận văn kế thừa khung lý thuyết của Çolak và Öztekin (2021) khi đưa vào mô hình biến tỷ lệ bao phủ nợ xấu giai đoạn trước khủng hoảng (LP_pre) – được xem là thước đo tổng hợp về khả năng chống chịu rủi ro tích lũy. LP_pre phản ánh mức độ chủ động trích lập dự phòng và chính sách thận trọng của ngân hàng trước khi cú sốc xảy ra. Nếu LP_pre cao, nghĩa là ngân hàng đã tích lũy đủ “bộ đệm tài chính” để bù đắp tổn thất tiềm năng, giúp giảm thiểu tác động tiêu cực của COVID-19 đến rủi ro tín dụng. Ngược lại, ngân hàng có LP_pre thấp dễ bị tổn thương hơn khi nền kinh tế suy giảm đột ngột.

Từ các cơ sở lý thuyết trên, có thể thấy rủi ro tín dụng là kết quả tổng hòa của hiệu quả hoạt động (ROE), năng lực vốn (CAR, CAP), quy mô (Size, LTA), mức độ mở rộng tín dụng (LDR, LoanGrowth) và năng lực quản trị rủi ro tích lũy (LP_pre). Trong mô hình của luận văn, các yếu tố này được đưa vào dưới dạng biến giải thích hoặc biến tương tác để đánh giá mức độ tác động của COVID-19 đến rủi ro tín dụng, qua đó phản ánh cơ chế vận hành của hệ thống ngân hàng trong giai đoạn khủng hoảng và hậu khủng hoảng. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

3.1.3. Mô hình nghiên cứu đề xuất

Trên cơ sở khung lý thuyết và tổng quan nghiên cứu đã trình bày, luận văn đề xuất mô hình định lượng nhằm phân tích tác động của đại dịch COVID-19 đến rủi ro tín dụng của các ngân hàng thương mại (NHTM) Việt Nam trong giai đoạn 2015–2024. Mục tiêu của mô hình là xác định liệu năng lực chống chịu rủi ro của ngân hàng trước khủng hoảng, được đo lường thông qua tỷ lệ bao phủ nợ xấu giai đoạn trước khủng hoảng (LP_pre), có giúp ngân hàng giảm thiểu tác động tiêu cực của đại dịch hay không.

Phương pháp Difference-in-Differences (DID) nhằm đánh giá tác động của năng lực quản trị rủi ro tín dụng trước đại dịch đến mức độ quản trị rủi ro của các ngân hàng thương mại Việt Nam trong và sau COVID-19.

Biến phụ thuộc là tỷ lệ bao phủ nợ xấu (LP), phản ánh mức độ an toàn và khả năng bù đắp rủi ro tín dụng của ngân hàng. Biến giải thích chính là LP_pre, được tính bằng trung bình LP trong giai đoạn 2017–2019, đại diện cho năng lực quản trị rủi ro tín dụng tích lũy trước khủng hoảng. Biến này được chuẩn hóa bằng z-score để đảm bảo khả năng so sánh giữa các ngân hàng.

Hai biến giả thời kỳ được xác định như sau:

• D_Covid = 1 nếu năm thuộc giai đoạn 2020–2021 (thời kỳ đại dịch COVID-19), ngược lại bằng 0;
• D_Post = 1 nếu năm thuộc giai đoạn 2022–2024 (thời kỳ hậu COVID-19), ngược lại bằng 0.

Mô hình hồi quy DID hai chiều được xác định như sau:

• 𝐿𝑃𝑖𝑡 = 𝛼𝑖 + 𝜆𝑡 + 𝛽1(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷_𝐶𝑜𝑣𝑖𝑑𝑡) + 𝛽2(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷_𝑃𝑜𝑠𝑡𝑡) + 𝛽3𝐶𝐴𝑅𝑖𝑡 + 𝛽4𝑅𝑂𝐸𝑖𝑡 + 𝛽5𝐿𝐷𝑅𝑖𝑡 + 𝛽6𝐿𝑜𝑎𝑛𝐺𝑟𝑜𝑤𝑡ℎ𝑖𝑡 + 𝛽7𝑆𝑖𝑧𝑒𝑖𝑡 + 𝛽8𝐶𝐴𝑃𝑖𝑡 + 𝛽9𝐿𝑇𝐴𝑖𝑡 + 𝜀𝑖𝑡 Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Trong đó:

• 𝐿𝑃𝑖𝑡: tỷ lệ bao phủ nợ xấu của ngân hàng i tại năm t;
• 𝐿𝑃_𝑝𝑟𝑒𝑖: năng lực quản trị rủi ro tín dụng của ngân hàng i giai đoạn 2017–2019;
• 𝐷_𝐶𝑜𝑣𝑖𝑑𝑡: biến giả cho giai đoạn đại dịch COVID-19 (2020–2021);
• 𝐷_𝑃𝑜𝑠𝑡𝑡: biến giả cho giai đoạn hậu COVID-19 (2022–2024);
• 𝛼𝑖: hiệu ứng cố định theo ngân hàng, kiểm soát các yếu tố bất biến như cấu trúc sở hữu, chính sách quản trị, khẩu vị rủi ro;
• 𝜆𝑡: hiệu ứng cố định theo năm, kiểm soát các cú sốc vĩ mô và thay đổi chính sách chung trong từng năm;
• 𝜀𝑖𝑡: sai số ngẫu nhiên;

Các biến CAR, ROE, LDR, LoanGrowth, Size, CAP, LTA được đưa vào để kiểm soát tác động của vốn, lợi nhuận, thanh khoản, quy mô và cấu trúc tài chính đến Mô hình được ước lượng bằng PanelOLS với hiệu ứng cố định hai chiều (ngân hàng và năm), sai số chuẩn được cụm hóa hai chiều (two-way clustered) theo ngân hàng và thời gian. Bên cạnh đó, mô hình cũng được kiểm định tính vững bằng Driscoll–Kraay standard errors để đảm bảo kết quả không bị ảnh hưởng bởi tự tương quan theo thời gian hoặc phụ thuộc chéo giữa các ngân hàng.

3.1.4. Giả thuyết nghiên cứu Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Năng lực quản trị rủi ro tín dụng trước đại dịch (LP_pre × D_Covid): Các nghiên cứu gần đây cho thấy năng lực quản trị rủi ro tín dụng tích lũy trước khủng hoảng đóng vai trò quyết định đến khả năng ứng phó của ngân hàng khi cú sốc kinh tế xảy ra. Theo Çolak & Öztekin (2021), những ngân hàng có tỷ lệ bao phủ nợ xấu cao trong giai đoạn trước đại dịch (LP_pre) có khả năng giảm thiểu tổn thất tín dụng và duy trì chất lượng tài sản tốt hơn khi dịch bệnh COVID-19 bùng phát. Kết quả tương tự được ghi nhận trong Berger & Bouwman (2013), khi các tác giả cho rằng ngân hàng có năng lực quản trị rủi ro vững mạnh trước khủng hoảng thường chịu tác động tiêu cực thấp hơn trong giai đoạn biến động. Xuất phát từ những kết quả này, tác giả kỳ vọng rằng năng lực quản trị rủi ro tốt trước đại dịch sẽ giúp ngân hàng duy trì tỷ lệ bao phủ nợ xấu cao hơn trong thời kỳ COVID-19.

• H₁: LP_pre có tác động dương đến LP trong giai đoạn COVID-19.

Năng lực quản trị rủi ro tín dụng trước đại dịch trong giai đoạn hậu COVID-19 (LP_pre × D_Post): Sau khi khủng hoảng COVID-19 kết thúc, khả năng hồi phục và ổn định của ngân hàng phụ thuộc đáng kể vào năng lực quản trị rủi ro tích lũy từ giai đoạn trước. Beck et al. (2013) và Laeven & Valencia (2018) cho thấy các ngân hàng có nền tảng vốn và quản trị tốt trước khủng hoảng thường phục hồi nhanh hơn và duy trì chất lượng tín dụng tốt hơn trong giai đoạn hậu khủng hoảng. Trong bối cảnh đó, các ngân hàng Việt Nam có LP_pre cao được kỳ vọng tiếp tục duy trì LP ổn định hơn trong giai đoạn 2022–2024.

• H₂: LP_pre có tác động dương đến LP trong giai đoạn hậu COVID-19.

Tỷ lệ an toàn vốn (CAR): Tỷ lệ an toàn vốn phản ánh khả năng chịu đựng rủi ro và năng lực vốn hóa của ngân hàng. Theo Berger & DeYoung (1997), mức CAR cao giúp ngân hàng hấp thụ tổn thất tín dụng tốt hơn và hạn chế sự gia tăng nợ xấu. Nguyên tắc Basel II cũng nhấn mạnh rằng vốn tự có đầy đủ là điều kiện quan trọng đảm bảo ổn định hệ thống tài chính. Kết quả nghiên cứu của Nguyễn & Trần (2019) tại Việt Nam cũng khẳng định mối quan hệ thuận chiều giữa CAR và khả năng bao phủ nợ xấu. Xuất phát từ các lập luận trên, tác giả kỳ vọng CAR có ảnh hưởng tích cực đến LP.

• H₃: CAR có tương quan dương với LP.

Lợi nhuận trên vốn chủ sở hữu (ROE): ROE thể hiện hiệu quả sinh lời và khả năng tích lũy vốn nội sinh của ngân hàng. Athanasoglou et al. (2008) cho rằng ngân hàng có khả năng sinh lời cao thường có nguồn lực tài chính dồi dào để trích lập dự phòng rủi ro, qua đó nâng cao LP. Klein (2013) cũng chỉ ra rằng lợi nhuận cao giúp ngân hàng chủ động hơn trong việc quản trị nợ xấu. Từ cơ sở lý thuyết và các bằng chứng thực nghiệm, tác giả kỳ vọng rằng ROE có mối quan hệ thuận chiều với LP.

• H₄: ROE có tương quan dương với LP. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Tỷ lệ cho vay trên huy động (LDR): LDR phản ánh mức độ sử dụng vốn huy động vào hoạt động cho vay. Một số nghiên cứu như Foos, Norden & Weber (2010) cho rằng khi LDR tăng quá mức, ngân hàng đối mặt với rủi ro thanh khoản và rủi ro tín dụng cao hơn do biên độ an toàn vốn bị thu hẹp. Ngược lại, nếu LDR ở mức hợp lý, ngân hàng có thể duy trì cân bằng giữa lợi nhuận và an toàn tín dụng. Từ các lập luận trên, tác giả kỳ vọng rằng LDR có mối quan hệ ngược chiều với khả năng quản trị rủi ro tín dụng.

• H₅: LDR có tương quan âm với LP.

Tăng trưởng tín dụng (LoanGrowth): Tốc độ tăng trưởng tín dụng phản ánh mức độ mở rộng danh mục cho vay của ngân hàng. Theo Jiménez & Saurina (2006) và Foos et al. (2010), việc mở rộng tín dụng quá nhanh thường làm tăng rủi ro tín dụng do tiêu chuẩn cho vay bị nới lỏng. Tuy nhiên, nếu tăng trưởng tín dụng được kiểm soát ở mức hợp lý, ngân hàng vẫn có thể duy trì chất lượng tín dụng ổn định. Do đó, trong bối cảnh nền kinh tế có nhiều biến động, tốc độ tăng trưởng tín dụng cao được dự báo làm giảm khả năng bao phủ nợ xấu của ngân hàng.

• H₆: LoanGrowth có tương quan âm với LP.

Quy mô ngân hàng (Size): Mối quan hệ giữa quy mô ngân hàng và khả năng quản trị rủi ro tín dụng đã được nhiều nghiên cứu đề cập nhưng vẫn chưa thống nhất. Beck et al. (2006) cho rằng ngân hàng quy mô lớn có khả năng đa dạng hóa danh mục tín dụng, tận dụng lợi thế về chi phí vốn thấp và giảm rủi ro tổng thể. Ngược lại, Laeven et al. (2016) lập luận rằng quy mô lớn đôi khi khiến ngân hàng dễ rơi vào rủi ro đạo đức do “hiệu ứng quá lớn để thất bại”. Tuy nhiên, trong điều kiện thị trường Việt Nam, quy mô lớn thường mang lại lợi thế về năng lực quản trị, công nghệ và vốn, giúp duy trì LP ổn định hơn.

• H₇: Size có tương quan dương với LP. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Cấu trúc vốn (CAP): Cấu trúc vốn phản ánh mức độ tự chủ tài chính của ngân hàng. Diamond & Rajan (2000) khẳng định rằng tỷ lệ vốn chủ sở hữu cao giúp ngân hàng tăng khả năng chống chịu rủi ro và hạn chế tổn thất tín dụng. Nghiên cứu của Berger & Bouwman (2013) cũng chứng minh rằng ngân hàng có mức vốn hóa cao thường kiểm soát tốt hơn rủi ro tín dụng, qua đó duy trì tỷ lệ bao phủ nợ xấu cao hơn. Xuất phát từ cơ sở lý luận trên, tác giả kỳ vọng CAP có mối quan hệ thuận chiều với LP.

• H₈: CAP có tương quan dương với LP.

Đòn bẩy tài sản (LTA): Tỷ lệ đòn bẩy tài sản phản ánh mức độ phụ thuộc vào nguồn vốn vay của ngân hàng. Khi mức đòn bẩy cao, ngân hàng có nguy cơ đối mặt với rủi ro tài chính và rủi ro tín dụng lớn hơn. Báo cáo IMF (2021) và FSB (2022) cho thấy đòn bẩy cao thường đi kèm với sự suy giảm chất lượng tài sản và gia tăng tỷ lệ nợ xấu. Từ đó, tác giả kỳ vọng rằng LTA có mối quan hệ ngược chiều với khả năng bao phủ nợ xấu.

• H₉: LTA có tương quan âm với LP.

Bảng 3.1: Tổng hợp giả thuyết nghiên cứu

3.1.5. Chiến lược nhận dạng

Để xác định tác động của năng lực quản trị rủi ro tín dụng trước đại dịch COVID-19 đến hiệu quả quản trị rủi ro của các ngân hàng thương mại Việt Nam trong giai đoạn COVID-19 và giai đoạn sau đại dịch, nghiên cứu áp dụng phương pháp sai biệt trong sai biệt (DID) được mở rộng theo hướng nghiên cứu theo thời gian. Cách tiếp cận này giúp tách biệt tác động của yếu tố thời gian liên quan đến đại dịch và những đặc điểm riêng biệt của từng ngân hàng, cụ thể là năng lực quản trị rủi ro trước khủng hoảng (LP_pre), trong việc hình thành tỷ lệ bao phủ nợ xấu (LP).

Phương pháp được xây dựng trên giả định rằng, trước khi đại dịch xảy ra, các ngân hàng có mức năng lực quản trị rủi ro khác nhau nhưng có xu hướng biến động của LP tương đồng theo thời gian. Đây là giả định nền tảng về xu hướng song song của mô hình sai biệt trong sai biệt. Khi đại dịch bùng phát, sự thay đổi trong LP giữa nhóm ngân hàng có LP_pre cao và nhóm có LP_pre thấp được xem là phản ánh tác động của năng lực quản trị rủi ro trước đại dịch đối với khả năng kiểm soát rủi ro tín dụng trong giai đoạn khủng hoảng. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Để lượng hóa mối quan hệ này, mô hình được mở rộng theo hướng nghiên cứu theo thời gian, cho phép quan sát tác động của LP_pre không chỉ trong thời kỳ đại dịch (2020–2021) mà còn trong giai đoạn sau đại dịch (2022–2024). Hai biến tương tác chính là LP_pre nhân với giai đoạn COVID-19 và LP_pre nhân với giai đoạn sau COVID-19, lần lượt phản ánh ảnh hưởng của năng lực quản trị rủi ro tín dụng trước đại dịch trong hai giai đoạn này. Nếu các hệ số ước lượng tương ứng mang giá trị dương và có ý nghĩa thống kê, điều đó cho thấy các ngân hàng có năng lực quản trị rủi ro tốt hơn trước đại dịch đã duy trì khả năng bao phủ nợ xấu cao hơn trong và sau đại dịch.

Mô hình hồi quy được thực hiện với hiệu ứng cố định theo ngân hàng và theo thời gian nhằm loại bỏ tác động của các yếu tố đặc thù không thay đổi theo thời gian của từng ngân hàng (chẳng hạn như chiến lược kinh doanh, cơ cấu sở hữu) và những yếu tố vĩ mô chung theo năm (như chính sách tiền tệ, tăng trưởng kinh tế, hay lạm phát). Phương sai sai số được điều chỉnh theo cụm hai chiều ở cấp ngân hàng và năm để khắc phục hiện tượng phương sai thay đổi và tự tương quan trong dữ liệu bảng, giúp kết quả ước lượng có độ tin cậy cao hơn.

Bên cạnh đó, nghiên cứu thực hiện nhiều kiểm định nhằm bảo đảm tính hợp lệ của mô hình. Trước hết, kiểm định xu hướng song song được tiến hành bằng cách thêm các biến tương tác giữa LP_pre với các năm 2017 và 2018 để xem xét liệu trước đại dịch, xu hướng biến động của LP giữa các nhóm ngân hàng có khác biệt đáng kể hay không. Nếu các hệ số này không có ý nghĩa thống kê, giả định song song được xem là thỏa mãn. Tiếp đó, nghiên cứu kiểm tra tính phù hợp của mô hình bằng việc tạo ra các kịch bản kiểm định thay thế trong giai đoạn 2018–2019, nhằm bảo đảm rằng sự khác biệt giữa các nhóm ngân hàng chỉ xuất hiện khi đại dịch thực sự diễn ra, chứ không phải do các yếu tố ngẫu nhiên khác. Cuối cùng, nghiên cứu kiểm tra độ vững của kết quả bằng cách ước lượng sai số theo phương pháp Driscoll–Kraay, phân tích theo nhóm quy mô ngân hàng (lớn và nhỏ), và thay đổi biến phụ thuộc bằng các chỉ tiêu khác như tỷ lệ dự phòng rủi ro cho vay trên tổng dư nợ hoặc tỷ lệ nợ xấu trên tổng dư nợ.

Thông qua chiến lược nhận dạng này, mô hình DID mở rộng cho phép xác định tác động nhân quả của năng lực quản trị rủi ro tín dụng trước đại dịch (LP_pre) đến khả năng quản trị rủi ro tín dụng (LP) trong và sau đại dịch, đồng thời phản ánh mức độ thích ứng và khả năng phục hồi của hệ thống ngân hàng thương mại Việt Nam trong bối cảnh hậu COVID-19.

3.2. Phương pháp ước lượng và kiểm định mô hình Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Để kiểm định các giả thuyết nghiên cứu đã đề xuất, đề tài sử dụng dữ liệu bảng (panel data) bao gồm nhiều ngân hàng thương mại Việt Nam được quan sát trong giai đoạn 2017–2024. Việc sử dụng dữ liệu bảng cho phép kết hợp thông tin theo cả hai chiều – không gian (giữa các ngân hàng) và thời gian (qua các năm) – giúp nâng cao độ tin cậy của ước lượng, đồng thời kiểm soát được các yếu tố đặc thù riêng của từng ngân hàng và các biến động chung của nền kinh tế.

3.2.1. Phương pháp ước lượng dữ liệu bảng (PanelOLS)

Trong nghiên cứu này, dữ liệu được thu thập theo dạng dữ liệu bảng (panel data), bao gồm nhiều ngân hàng (đơn vị chéo) được quan sát liên tục qua các năm (chuỗi thời gian). Loại dữ liệu này có ưu điểm nổi bật so với dữ liệu chuỗi thời gian hay dữ liệu chéo đơn thuần, vì nó cho phép kiểm soát đồng thời các yếu tố đặc trưng riêng của từng ngân hàng và sự biến động theo thời gian của các yếu tố vĩ mô, qua đó giảm sai lệch và tăng độ tin cậy của ước lượng.

Phương pháp được sử dụng trong luận văn là mô hình tác động cố định hai chiều (Two-way Fixed Effects Model), được ước lượng bằng hàm PanelOLS trong thư viện linearmodels của Python. Cụ thể, mô hình có hai loại hiệu ứng cố định:

• Hiệu ứng cố định theo ngân hàng (μᵢ) nhằm loại bỏ ảnh hưởng của các yếu tố bất biến theo thời gian nhưng khác nhau giữa các ngân hàng, chẳng hạn như phong cách quản trị, chính sách rủi ro nội bộ, năng lực công nghệ hoặc đặc điểm văn hóa tổ chức;
• Hiệu ứng cố định theo thời gian (λₜ) nhằm loại trừ tác động của các yếu tố vĩ mô hoặc chính sách chung ảnh hưởng đến toàn hệ thống ngân hàng trong cùng một năm, ví dụ như chính sách tiền tệ, lãi suất điều hành, tăng trưởng GDP hoặc cú sốc COVID-19. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Dựa trên cấu trúc đó, mô hình hồi quy được biểu diễn dưới dạng:

• 𝐿𝑃𝑖𝑡 = 𝛽1(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2020−2021,𝑡) + 𝛽2(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2022−2024,𝑡) + 𝛽3𝐶𝐴𝑅𝑖𝑡 + 𝛽4𝑅𝑂𝐸𝑖𝑡 + 𝛽5𝐿𝐷𝑅𝑖𝑡 + 𝛽6𝐿𝑜𝑎𝑛𝐺𝑟𝑜𝑤𝑡ℎ𝑖𝑡 + 𝛽7𝑆𝑖𝑧𝑒𝑖𝑡 + 𝛽8𝐶𝐴𝑃𝑖𝑡 + 𝛽9𝐿𝑇𝐴𝑖𝑡 + 𝜇𝑖 + 𝜆𝑡 + 𝜀𝑖𝑡

Trong đó:

• 𝐿𝑃𝑖𝑡là tỷ lệ bao phủ nợ xấu của ngân hàng i tại thời điểm t, phản ánh mức độ an toàn tín dụng.
• 𝐿𝑃_𝑝𝑟𝑒𝑖là năng lực quản trị rủi ro tín dụng trước khủng hoảng, được tính bằng giá trị trung bình của tỷ lệ bao phủ nợ xấu giai đoạn 2017–2019.
• 𝐷2020−2021,𝑡và 𝐷2022−2024,𝑡là các biến giả thời kỳ, lần lượt thể hiện giai đoạn khủng hoảng COVID-19 và giai đoạn hậu COVID-19.

Các biến kiểm soát bao gồm:

• CAR: tỷ lệ an toàn vốn, phản ánh mức độ vốn hóa của ngân hàng;
• ROE: lợi nhuận trên vốn chủ sở hữu, đo lường hiệu quả sinh lời;
• LDR: tỷ lệ cho vay trên huy động, phản ánh khả năng sử dụng nguồn vốn huy động;
• LoanGrowth: tốc độ tăng trưởng tín dụng;
• Size: quy mô ngân hàng (logarit tự nhiên của tổng tài sản);
• CAP và LTA: đại diện cho cấu trúc vốn của ngân hàng.

Hai hệ số quan trọng nhất trong mô hình là β₁ và β₂, thể hiện mức thay đổi trong tỷ lệ bao phủ nợ xấu giữa các ngân hàng có năng lực quản trị rủi ro khác nhau (LP_pre) trong hai giai đoạn: khủng hoảng COVID-19 (2020–2021) và hậu COVID-19 (2022–2024). Nếu β₁ hoặc β₂ mang dấu dương và có ý nghĩa thống kê, điều đó hàm ý rằng các ngân hàng có LP_pre cao (tức năng lực quản trị rủi ro tốt hơn) duy trì hoặc cải thiện khả năng bao phủ nợ xấu tốt hơn trong và sau khủng hoảng.

Phương pháp tác động cố định (FEM) được lựa chọn thay vì tác động ngẫu nhiên (REM) vì nghiên cứu hướng đến việc phân tích tác động của các biến theo thời gian trong cùng một ngân hàng, đồng thời giả định rằng các đặc điểm cố định của ngân hàng có thể tương quan với các biến giải thích. Do đó, FEM là lựa chọn phù hợp nhất để đảm bảo ước lượng không chệch.

Ngoài ra, mô hình được ước lượng theo phương pháp sai biệt trong sai biệt mở rộng (Event-Study DID), cho phép phân tích không chỉ tác động của cú sốc COVID-19 mà còn xem xét quá trình điều chỉnh của ngân hàng trong giai đoạn hậu khủng hoảng. Cách tiếp cận này cung cấp một khung phân tích động, giúp xác định mức độ duy trì hoặc phục hồi năng lực kiểm soát rủi ro tín dụng của các ngân hàng Việt Nam trong giai đoạn 2020–2024.

3.2.2. Điều chỉnh phương sai sai số (Two-way clustered và Driscoll–Kraay) Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Trong mô hình dữ liệu bảng, một vấn đề phổ biến là sai số không có phương sai đồng nhất (heteroskedasticity) và có thể tương quan theo cả hai chiều – tức là giữa các quan sát trong cùng một ngân hàng (tự tương quan theo thời gian) và giữa các ngân hàng trong cùng một năm (phụ thuộc chéo do cùng chịu tác động của các yếu tố vĩ mô). Nếu không điều chỉnh hiện tượng này, sai số chuẩn của các hệ số ước lượng có thể bị đánh giá sai, dẫn đến việc kiểm định ý nghĩa thống kê bị lệch, ảnh hưởng đến kết luận của nghiên cứu.

Để đảm bảo tính chính xác của kết quả, nghiên cứu sử dụng hai cách điều chỉnh phương sai sai số chủ yếu, tương ứng với hai hướng tiếp cận phổ biến trong nghiên cứu dữ liệu bảng hiện đại:

• Phương pháp Two-way Clustered Standard Errors

Phương pháp này điều chỉnh sai số chuẩn đồng thời theo hai chiều: ngân hàng và thời gian, tức là cụm hóa sai số trong phạm vi từng ngân hàng (để xử lý tự tương quan nội bộ theo chuỗi thời gian) và trong phạm vi từng năm (để xử lý các cú sốc vĩ mô có thể ảnh hưởng đến tất cả ngân hàng trong cùng năm).

Cách tiếp cận này được xem là mở rộng của phương pháp White robust (1980) sang môi trường dữ liệu bảng và được Cameron, Gelbach & Miller (2011) khuyến nghị sử dụng khi dữ liệu có thể chứa sự phụ thuộc cả theo chiều ngang lẫn dọc.

Trong bối cảnh nghiên cứu này, two-way clustering đặc biệt phù hợp vì:

• Các ngân hàng trong cùng năm có thể chịu tác động chung từ chính sách tiền tệ hoặc cú sốc COVID-19.
• Mỗi ngân hàng lại có thể tồn tại sự tương quan nội bộ của sai số qua các năm, do đặc điểm vận hành, chiến lược và khẩu vị rủi ro tương đối ổn định theo thời Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Do đó, việc điều chỉnh sai số chuẩn hai chiều giúp mô hình tránh đánh giá sai mức ý nghĩa thống kê của các hệ số β₁ và β₂ – những biến tương tác quan trọng trong mô hình DID.

• Phương pháp Driscoll–Kraay Standard Errors

Bên cạnh phương pháp two-way clustered, nghiên cứu tiến hành kiểm định độ vững bằng phương pháp sai số chuẩn Driscoll–Kraay (1998). Cách tiếp cận này có khả năng khắc phục đồng thời ba vấn đề:

• Tự tương quan chuỗi thời gian (serial correlation);
• Phụ thuộc chéo giữa các đơn vị (cross-sectional dependence);
• Phương sai sai số không đồng nhất (heteroskedasticity).

Phương pháp Driscoll–Kraay đặc biệt hiệu quả với dữ liệu bảng có số lượng đơn vị quan sát lớn (N lớn) nhưng số năm quan sát tương đối nhỏ (T nhỏ) – đúng với cấu trúc của nghiên cứu này (25 ngân hàng, giai đoạn 2017–2024). Việc sử dụng kernel Bartlett trong quá trình ước lượng giúp làm mượt ảnh hưởng của tự tương quan, đảm bảo sai số chuẩn phản ánh đúng mức độ biến động thực tế của dữ liệu.

Khi kết hợp cả hai cách tiếp cận trên, nghiên cứu vừa đảm bảo kết quả ổn định theo cấu trúc cụm tự nhiên của dữ liệu (thông qua two-way clustering), vừa kiểm định tính bền vững của các phát hiện dưới các đặc điểm phụ thuộc phức tạp hơn (thông qua Driscoll–Kraay). Điều này giúp tăng cường độ tin cậy của các kết luận, đặc biệt đối với các biến tương tác phản ánh tác động của COVID-19 và giai đoạn hậu COVID-19 đến rủi ro tín dụng của ngân hàng.

3.2.3. Kiểm định xu hướng song song Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Một trong những điều kiện quan trọng đảm bảo tính hợp lệ của phương pháp sai biệt trong sai biệt (Difference-in-Differences – DID) là giả định xu hướng song song (Parallel Trend Assumption). Giả định này yêu cầu rằng, trong giai đoạn trước khi xảy ra sự kiện tác động (ở đây là đại dịch COVID-19), xu hướng biến phụ thuộc giữa các nhóm ngân hàng khác nhau phải tương tự nhau, tức là nếu không có cú sốc COVID-19, sự thay đổi trong tỷ lệ bao phủ nợ xấu (LP) của các nhóm ngân hàng sẽ diễn ra song song theo thời gian.

Việc kiểm định giả định này đặc biệt quan trọng trong nghiên cứu, vì nếu xu hướng LP giữa các nhóm ngân hàng vốn đã khác nhau ngay từ trước khi COVID-19 xuất hiện, thì tác động được ước lượng sau khủng hoảng có thể phản ánh sự khác biệt vốn có, chứ không phải là kết quả của cú sốc đại dịch.

Để kiểm định điều này, nghiên cứu tiến hành kiểm định xu hướng song song (pre-trend test) bằng cách mở rộng mô hình DID gốc với các biến tương tác giữa chỉ báo năng lực quản trị rủi ro trước khủng hoảng (LP_pre) và các năm trước đại dịch (2017 và 2018), trong khi chọn năm 2019 làm năm cơ sở. Cụ thể, mô hình kiểm định được biểu diễn như sau:

• 𝐿𝑃𝑖𝑡 = 𝛽1(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2020−2021,𝑡) + 𝛽2(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2022−2024,𝑡) + 𝛽3(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2017,𝑡) + 𝛽4(𝐿𝑃_𝑝𝑟𝑒𝑖 × 𝐷2018,𝑡) + 𝛾^′𝑋𝑖𝑡 + 𝜇𝑖 + 𝜆𝑡 + 𝜀𝑖𝑡

Trong đó, 𝐷2017,𝑡và 𝐷2018,𝑡là các biến giả đại diện cho hai năm trước khủng hoảng. Hai hệ số β₃ và β₄ chính là trọng tâm của kiểm định xu hướng song song. Nếu hai hệ số này không có ý nghĩa thống kê, điều đó cho thấy các ngân hàng có năng lực quản trị rủi ro khác nhau (LP_pre cao hoặc thấp) không có xu hướng khác biệt đáng kể trong tỷ lệ bao phủ nợ xấu trước COVID-19, tức là giả định xu hướng song song được thỏa mãn. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Việc sử dụng năm 2019 làm năm cơ sở là hợp lý, vì đây là năm cuối cùng trước khi dịch bệnh xuất hiện và cũng là thời điểm nền kinh tế Việt Nam vận hành trong điều kiện ổn định, giúp việc so sánh các năm trước và sau đó trở nên đáng tin cậy hơn.

Kết quả kiểm định trong mô hình cho thấy các hệ số tương tác 𝐿𝑃_𝑝𝑟𝑒 × 𝐼{2017}và 𝐿𝑃_𝑝𝑟𝑒 × 𝐼{2018}không có ý nghĩa thống kê, điều này khẳng định rằng các nhóm ngân hàng không có xu hướng khác biệt đáng kể trong tỷ lệ LP trước đại dịch. Như vậy, giả định xu hướng song song được thỏa mãn, đảm bảo tính hợp lệ nội tại (internal validity) của mô hình sai biệt trong sai biệt.

Kiểm định xu hướng song song không chỉ có vai trò xác nhận giả định cốt lõi của phương pháp DID, mà còn là bằng chứng quan trọng củng cố cho việc diễn giải nguyên nhân – kết quả trong nghiên cứu: sự khác biệt trong tỷ lệ bao phủ nợ xấu giữa các ngân hàng sau COVID-19 phản ánh tác động thực tế của khủng hoảng và khả năng thích ứng chứ không phải do đặc tính cố hữu sẵn có của từng ngân hàng.

3.2.4. Kiểm định độ vững và tính hợp lệ của mô hình

Sau khi ước lượng mô hình chính theo phương pháp tác động cố định hai chiều (Two-way Fixed Effects), nghiên cứu tiến hành một loạt kiểm định độ vững (robustness checks) và kiểm định tính hợp lệ (validity tests) nhằm đảm bảo rằng các kết quả thu được là ổn định, không phụ thuộc vào giả định cụ thể của mô hình hay đặc điểm mẫu dữ liệu. Các kiểm định được thực hiện bao gồm bốn nhóm chính:

• Kiểm định độ vững với sai số chuẩn Driscoll–Kraay

Như đã trình bày tại Mục 3.2.2, sai số chuẩn Driscoll–Kraay có khả năng xử lý đồng thời ba hiện tượng: phương sai sai số không đồng nhất, tự tương quan chuỗi thời gian và phụ thuộc chéo giữa các đơn vị quan sát. Việc tái ước lượng mô hình chính bằng sai số Driscoll–Kraay cho phép kiểm tra xem các hệ số tương tác chính (β₁ và β₂) có giữ nguyên mức ý nghĩa thống kê hay không.

Kết quả cho thấy, các hệ số tương tác giữa năng lực quản trị rủi ro trước khủng hoảng (LP_pre) và hai giai đoạn 2020–2021 (COVID) cùng 2022–2024 (hậu COVID) vẫn mang dấu dương và có ý nghĩa thống kê ở mức 1%, khẳng định tính ổn định của phát hiện chính ngay cả khi sử dụng phương pháp ước lượng có điều chỉnh mạnh về cấu trúc sai số.

Kiểm định theo mẫu con (Subsample Test) dựa trên quy mô ngân hàng Để xem xét liệu tác động của COVID-19 có khác biệt giữa các nhóm ngân hàng lớn và nhỏ, nghiên cứu chia mẫu theo giá trị trung vị (median) của biến Size. Mẫu “ngân hàng lớn” gồm các ngân hàng có tổng tài sản cao hơn trung vị, trong khi “ngân hàng nhỏ” gồm phần còn lại.

Kết quả chỉ ra rằng, đối với nhóm ngân hàng quy mô lớn, các hệ số tương tác có xu hướng dương nhưng không luôn đạt mức ý nghĩa cao, phản ánh khả năng chống chịu rủi ro của nhóm này đã được duy trì tương đối ổn định trong và sau đại dịch. Ngược lại, ở nhóm ngân hàng nhỏ, tác động trong giai đoạn hậu COVID (2022–2024) thể hiện rõ rệt và có ý nghĩa thống kê, cho thấy nhóm này có sự điều chỉnh tích cực về năng lực bao phủ nợ xấu sau khủng hoảng. Phân tích theo quy mô vì vậy giúp làm sáng tỏ tính không đồng nhất (heterogeneity) trong phản ứng của các ngân hàng, góp phần củng cố kết quả nghiên cứu chính.

• Kiểm định với biến phụ thuộc thay thế (Alternative Dependent Variables)

Để kiểm tra tính khái quát hóa (generalizability) của kết quả, nghiên cứu thay thế biến phụ thuộc LP bằng hai chỉ tiêu đo lường rủi ro tín dụng khác, bao gồm: Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

• LLP/Loans: tỷ lệ dự phòng rủi ro tín dụng trên tổng dư nợ cho vay, phản ánh chính sách trích lập dự phòng của ngân hàng;
• NPL/Loans: tỷ lệ nợ xấu trên tổng dư nợ, thể hiện trực tiếp mức độ rủi ro tín dụng thực tế.Kết quả hồi quy cho hai biến thay thế này vẫn cho thấy dấu và ý nghĩa thống kê tương tự mô hình gốc, khẳng định rằng các ngân hàng có năng lực quản trị rủi ro tốt hơn trước khủng hoảng tiếp tục duy trì mức độ an toàn tín dụng cao hơn trong và sau đại dịch. Điều này chứng minh kết luận của mô hình chính không phụ thuộc vào cách đo lường cụ thể của biến rủi ro tín dụng.
• Kiểm định giả tác động (Placebo Test)

Để đảm bảo rằng mối quan hệ phát hiện được thực sự bắt nguồn từ cú sốc COVID-19 chứ không phải từ một yếu tố ngẫu nhiên khác, nghiên cứu thực hiện kiểm định giả tác động (placebo test) theo phương pháp của Poczter (2016). Cụ thể, mô hình được ước lượng lại sau khi loại bỏ toàn bộ giai đoạn 2020–2024, và thay vào đó gán “sự kiện giả” cho năm 2019 (và thử nghiệm thêm với giai đoạn 2018–2019). Nếu mô hình vẫn cho ra kết quả có ý nghĩa thống kê đối với biến tương tác “giả”, điều đó hàm ý rằng xu hướng thay đổi của LP có thể do yếu tố khác ngoài COVID-19.

Kết quả cho thấy các hệ số tương tác trong mô hình placebo không có ý nghĩa thống kê, nghĩa là không tồn tại tác động “giả” nào trong giai đoạn tiền khủng hoảng. Điều này củng cố tính hợp lệ nhân quả của mô hình chính, cho thấy mối quan hệ được tìm thấy thực sự phản ánh tác động của đại dịch COVID-19 và giai đoạn thích ứng hậu COVID lên năng lực quản trị rủi ro tín dụng của các ngân hàng thương mại Việt Nam.

Tổng hợp các kiểm định trên cho thấy mô hình nghiên cứu đáp ứng tốt yêu cầu về tính vững và tính hợp lệ nội tại. Các kết quả có được không chỉ nhất quán giữa các phương pháp ước lượng khác nhau mà còn ổn định khi thay đổi đặc điểm mẫu hay biến đo lường rủi ro tín dụng, từ đó khẳng định độ tin cậy cao của phát hiện định lượng trong nghiên cứu.

TÓM TẮT CHƯƠNG 3 Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

Chương 3 đã trình bày toàn bộ khung phương pháp nghiên cứu định lượng được sử dụng để đánh giá tác động của đại dịch COVID-19 và giai đoạn hậu COVID đến năng lực quản trị rủi ro tín dụng của các ngân hàng thương mại cổ phần Việt Nam. Trên cơ sở kế thừa mô hình thực nghiệm của Çolak & Öztekin (2021) và điều chỉnh phù hợp với bối cảnh Việt Nam, nghiên cứu xây dựng mô hình sai biệt trong sai biệt mở rộng (Event-Study DID) với dữ liệu bảng cân bằng của 25 ngân hàng giai đoạn 2017–2024.

Phần đầu của chương đã xác định khung nghiên cứu và mô hình đề xuất, trong đó biến phụ thuộc là tỷ lệ bao phủ nợ xấu (LP) – đại diện cho mức độ an toàn tín dụng, còn năng lực quản trị rủi ro trước khủng hoảng (LP_pre) được xem là chỉ báo năng lực nền của từng ngân hàng. Hai biến tương tác chính 𝐿𝑃_𝑝𝑟𝑒 × 𝐷2020−2021 và 𝐿𝑃_𝑝𝑟𝑒 × 𝐷2022−2024 phản ánh tác động của đại dịch và giai đoạn hậu khủng hoảng lên mức độ rủi ro tín dụng, sau khi đã kiểm soát các yếu tố nội tại của ngân hàng (CAR, ROE, LDR, LoanGrowth, Size, CAP, LTA) và các hiệu ứng cố định theo ngân hàng và theo thời gian.

Nghiên cứu sử dụng phương pháp ước lượng tác động cố định hai chiều (Two-way Fixed Effects) thông qua mô hình PanelOLS, nhằm loại trừ các đặc tính bất biến theo thời gian của từng ngân hàng cũng như các cú sốc vĩ mô chung theo từng năm. Để đảm bảo tính chính xác của kết quả, sai số chuẩn được điều chỉnh bằng hai kỹ thuật hiện đại là Two-way Clustered Standard Errors (theo ngân hàng và thời gian) và Driscoll–Kraay Standard Errors, giúp kiểm soát hiện tượng tự tương quan, phương sai sai số không đồng nhất và phụ thuộc chéo trong dữ liệu bảng.

Bên cạnh đó, chương 3 cũng đã tiến hành một loạt kiểm định quan trọng nhằm đảm bảo tính hợp lệ của mô hình DID, bao gồm:

• Kiểm định xu hướng song song, xác nhận rằng các nhóm ngân hàng có năng lực quản trị rủi ro khác nhau không có xu hướng khác biệt đáng kể trước khi xảy ra COVID-19;
• Kiểm định độ vững, với các phương pháp thay thế về sai số chuẩn, kiểm định mẫu con theo quy mô ngân hàng và biến phụ thuộc thay thế (LLP/Loans, NPL/Loans);
• Kiểm định giả tác động (placebo test), khẳng định rằng kết quả thu được không bị ảnh hưởng bởi các yếu tố ngẫu nhiên hay xu hướng sẵn có trước khủng hoảng.

Tổng thể, Chương 3 đã thiết lập một thiết kế thực nghiệm chặt chẽ, đảm bảo rằng các kết quả ở chương sau phản ánh mối quan hệ nhân quả giữa đại dịch COVID-19 và khả năng quản trị rủi ro tín dụng của ngân hàng, đồng thời bảo đảm độ tin cậy, tính bền vững và tính khái quát của các phát hiện định lượng. Luận văn: PPNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC rủi ro tín dụng ngân hàng bối cảnh hậu Covid

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