Võ Tường Vi

Khoa Tài chính Ngân hàng, Trường Đại học Văn Lang

Email: vi.2173402010246@vanlanguni.vn

Tóm tắt

Nghiên cứu nhằm đánh giá khả năng xảy ra rủi ro tín dụng (RRTD) đối với các ngân hàng thương mại (NHTM) Việt Nam trong giai đoạn 2018-2024. Dữ liệu nghiên cứu được thu thập từ các báo cáo tài chính của 27 NHTM và các dữ liệu vĩ mô được tổng hợp từ báo cáo của Tổng cục Thống kê. Khả năng xảy ra RRTD được xác định là biến nhị phân theo tiêu chí chỉ tiêu nợ xấu vượt quá 3%. Bằng phương pháp hồi quy logistic, nghiên cứu đã xác định được một số chỉ tiêu thuộc về ngân hàng có tác động đến khả năng xảy ra RRTD, bao gồm: Khả năng sinh lời trên vốn chủ sở hữu; Quy mô ngân hàng; Tỷ lệ dự phòng RRTD; Tỷ lệ dư nợ tín dụng trên số vốn huy động; Tỷ lệ tiền gửi không kỳ hạn. Bên cạnh đó, nghiên cứu cũng phát hiện một số nhân tố vĩ mô, như: tăng trưởng kinh tế, tỷ lệ thất nghiệp cũng tác động đến khả năng xảy ra RRTD. Trên cơ sở kết quả nghiên cứu, tác giả đề xuất một số giải pháp giúp hạn chế RRTD đối với các NHTM trong thời gian tới.

Từ khóa: rủi ro tín dụng, ngân hàng thương mại Việt Nam, mô hình hồi quy logistic

Summary

The study assesses the likelihood of credit risk for Vietnamese commercial banks in 2018-2024. The research data is collected from the financial statements of 27 commercial banks, and macro data is compiled from the General Statistics Office's reports. The likelihood of credit risk is defined as a binary variable according to the criterion of non-performing loans exceeding 3%. The study uses the logistic regression method and has identified some bank-related indicators that affect the likelihood of credit risk, including Profitability on equity; Bank size; Credit risk provision ratio; Ratio of outstanding credit to mobilized capital; and Ratio of non-term deposits. In addition, the study also finds that several macro factors, such as economic growth and unemployment rate, affect the likelihood of credit risk. Based on the research results, the author proposes some solutions to help limit credit risks for commercial banks in the coming time.

Keywords: credit risk, Vietnamese commercial banks, logistic regression model

GIỚI THIỆU

Đối với nền kinh tế hiện đại, các NHTM đóng vai trò cực kỳ quan trọng trong việc duy trì và phát triển các hoạt động sản xuất, kinh doanh và đầu tư. Chúng là cầu nối huy động vốn từ các cá nhân và tổ chức có nguồn tiền nhàn rỗi và phân bổ nguồn vốn này vào các hoạt động kinh tế, tạo điều kiện cho doanh nghiệp mở rộng sản xuất và phát triển. Do đó, không chỉ thúc đẩy tăng trưởng kinh tế, các NHTM còn đóng góp vào việc ổn định hệ thống tài chính quốc gia.

Tuy nhiên, trong quá trình tài trợ vốn vay, một yếu tố không thể tránh khỏi là RRTD. Đây là tình trạng khi người vay không thể thực hiện các khoản thanh toán đúng hạn, đặc biệt khi các khoản nợ đã quá hạn hơn 90 ngày. RRTD có thể phát sinh từ nhiều nguyên nhân, như: năng lực tài chính yếu kém của người vay, quy trình quản lý tín dụng không hiệu quả hay những biến động bất ngờ trong nền kinh tế. RRTD không chỉ tác động tiêu cực đến năng lực tài chính của các NHTM, mà còn ảnh hưởng trực tiếp đến hiệu quả hoạt động tổng thể của ngân hàng, khiến ngân hàng bị thâm hụt vốn, giảm lợi nhuận và gặp khó khăn trong việc duy trì sự ổn định tài chính. Hệ quả là tình trạng này có thể gây ra tổn thất lớn, làm suy yếu nền kinh tế vĩ mô và hệ thống tài chính quốc gia. Mặc dù các ngân hàng thực hiện quy trình cho vay với các bước kiểm tra nghiêm ngặt, nhưng vẫn không thể loại bỏ hoàn toàn rủi ro, nhất là khi các yếu tố bên ngoài, như: quy định pháp lý lỏng lẻo hoặc tình trạng bất ổn kinh tế gia tăng. Đại dịch Covid-19 cũng đã làm gia tăng nợ xấu và buộc các ngân hàng phải đối mặt với những thách thức lớn trong việc kiểm soát rủi ro tín dụng.

Tại Việt Nam, vấn đề RRTD ngày càng trở nên nghiêm trọng, đặc biệt khi các khoản nợ cơ cấu vẫn giữ nguyên nhóm 1 theo các thông tư của Ngân hàng Nhà nước. Điều này làm giảm tỷ lệ trích lập dự phòng rủi ro, khiến việc đánh giá tình hình RRTD trở nên khó khăn hơn và tiềm ẩn nguy cơ cho hệ thống ngân hàng. Trong bối cảnh này, việc nghiên cứu và dự báo RRTD tại các NHTM Việt Nam là điều hết sức cấp thiết nhằm giúp các ngân hàng giảm thiểu tổn thất, góp phần nâng cao hiệu quả công tác quản lý rủi ro, ổn định hệ thống tài chính và thúc đẩy phát triển kinh tế bền vững trong tương lai.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

RRTD là tổn thất phát sinh khi khách hàng không thể hoặc từ chối thanh toán các khoản nợ đúng hạn, gây ảnh hưởng nghiêm trọng đến hoạt động và sự ổn định của ngân hàng (Coyle, 2000). Việc quản lý RRTD hiệu quả thông qua các chính sách đánh giá và dự phòng nợ xấu là yếu tố quan trọng để đảm bảo an toàn tài chính (Tô Thiện Hiền, 2020).

Lược khảo nghiên cứu

Các nghiên cứu trước đây về dự báo rủi ro tín dụng (RRTD) tập trung vào cả yếu tố vĩ mô và vi mô ảnh hưởng đến khả năng trả nợ của khách hàng. Ở cấp độ vĩ mô, tăng trưởng kinh tế (GDP) được xem là yếu tố quan trọng trong việc cải thiện khả năng trả nợ, qua đó giảm thiểu RRTD. Nghiên cứu của Khan và cộng sự (2021) tại khu vực ASEAN đã chứng minh, GDP tăng trưởng giúp nâng cao chất lượng tài sản ngân hàng, trong khi đó, Raddatz và cộng sự (2024) cảnh báo rằng, tăng trưởng tín dụng nhanh trong giai đoạn kinh tế bùng nổ có thể làm gia tăng rủi ro. Tỷ lệ thất nghiệp (UNP) cao thường dẫn đến gia tăng nợ xấu, do khả năng chi trả nợ của khách hàng giảm sút (Herkenhoff, 2019). Ngoài ra, lạm phát (IFN) cũng có những tác động phức tạp đến RRTD. Lạm phát cao làm giảm thu nhập thực tế của người vay, gây khó khăn trong việc trả nợ và làm tăng tỷ lệ nợ xấu (Shemetov, 2020).

Ở cấp độ vi mô, khả năng sinh lời trên vốn chủ sở hữu (ROE) của ngân hàng nếu quá cao, có thể phản ánh chính sách cho vay mạo hiểm và làm tăng RRTD (Poudel, 2018). Tăng trưởng tín dụng (CREDIT) quá mức cũng dẫn đến nới lỏng tiêu chuẩn cho vay, làm gia tăng tỷ lệ nợ xấu trong danh mục tín dụng của ngân hàng (Munangi và Sibindi, 2020). Quy mô ngân hàng (SIZE) lại đóng vai trò giảm thiểu RRTD nhờ khả năng đa dạng hóa danh mục cho vay và quản lý rủi ro tốt hơn (Pratiwi, 2023). Cuối cùng, tỷ lệ trích lập dự phòng (LLP) được xác định là công cụ quan trọng trong việc giảm thiểu tác động của nợ xấu đến hoạt động tài chính của ngân hàng.

Mặc dù đã có nhiều nghiên cứu về RRTD, nhưng hầu hết chỉ sử dụng dữ liệu đến năm 2021 và chưa phản ánh đầy đủ tác động của các yếu tố mới, như đại dịch Covid-19 hay các chính sách kinh tế hiện đại. Nghiên cứu này bổ sung dữ liệu đến quý 3/2024, kết hợp các yếu tố vĩ mô và vi mô nhằm xây dựng mô hình dự báo RRTD phù hợp, góp phần hỗ trợ NHTM tại Việt Nam quản lý rủi ro hiệu quả trong bối cảnh kinh tế đầy biến động.

Mô hình nghiên cứu

Trên cơ sở lược khảo các nghiên cứu có liên quan, mô hình nghiên cứu đề xuất về các nhân tố ảnh hưởng RRTD các NHTM Việt Nam có dạng như dưới đây, với các biến được lý giải cụ thể tại Bảng 1 và 2.

Đánh giá khả năng rủi ro tín dụng của các ngân hàng thương mại Việt Nam

Trong đó:

Biến phụ thuộc: Ln nhận 1 trong 2 giá trị Y = 1 hoặc Y = 0 trong nghiên cứu cảnh báo rủi ro.

Đánh giá khả năng rủi ro tín dụng của các ngân hàng thương mại Việt Nam

- P là xác suất RRTD.

- P (Y=1) = P0 là xác suất xảy ra RRTD năm thứ t.

- P (Y = 0) = 1 – P0 là xác suất không xảy ra RRTD năm thứ t.

Bảng 1: Cách xác định RRTD tại các NHTM tại Việt Nam

Đánh giá RRTD

Cách xác định

Giá trị biến

RRTD cao hay xảy ra RRTD

Tỷ lệ nợ xấu >= 3%

Y = 1

RRTD thấp hay chưa xảy ra RRTD

Tỷ lệ nợ xấu < 3%

Y = 0

Nguồn: Tổng hợp của tác giả

Biến độc lập: Gồm các biến được giải thích như tại Bảng 2

Bảng 2: Kết quả lược khảo và giải thích các biến trong mô hình

Đánh giá khả năng rủi ro tín dụng của các ngân hàng thương mại Việt Nam

Nguồn: Tác giả tổng hợp

Phương pháp nghiên cứu

Bài viết sử dụng phương pháp nghiên cứu định lượng để thực hiện ước lượng hệ số hồi quy về dự báo RRTD các NHTM Việt Nam. Bên cạnh đó, nghiên cứu cũng thực hiện các phương pháp phân tích, tổng hợp, xây dựng giả thuyết và mô hình nghiên cứu. Cụ thể các bước như sau:

(1) Phân tích dữ liệu ban đầu trên cơ sở dữ liệu thu thập được và được xử lý và phân tích bằng phần mềm Python, nghiên cứu tiến hành phân tích thống kê mô tả để xác định phạm vi biến thiên của các biến trong mô hình trong khoảng thời gian nghiên cứu.

(2) Kiểm định mô hình thực hiện xác định hệ số tương quan giữa các biến và kiểm định các điều kiện cần thiết để ước lượng mô hình hồi quy. Chỉ khi các điều kiện kiểm định được thỏa mãn, nghiên cứu tiếp tục với bước tiếp theo.

(3) Ước lượng mô hình hồi quy dựa trên các biến đã được kiểm định, nghiên cứu tiến hành ước lượng hệ số hồi quy để dự báo RRTD tại các NHTM Việt Nam.

(4) Đánh giá và ứng dụng đánh giá mức độ dự đoán đúng của mô hình hồi quy. Từ đó, đưa ra lời khuyên và định hướng ứng dụng trong tương lai, hỗ trợ ngân hàng xây dựng chiến lược cho vay an toàn và ra quyết định quản lý khách hàng dựa trên mức độ rủi ro cụ thể.

Dữ liệu sử dụng trong nghiên cứu là dữ liệu thứ cấp thu thập thông tin theo quý từ 27 NHTM Việt Nam trong giai đoạn từ quý I/2018 đến quý III/2024 (Bài viết sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Bảng 3: Thống kê mô tả các biến

Y

ROE

SIZE

HQLA

LLP

LDR

CREDIT

CASA

COVID

UNP

INF

GDP

Lượng quan sát

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

729.000000

Trung bình

0.152263

0.130088

14.331621

0.156670

0.013919

0.965655

0.162506

0.141736

0.259259

2.410000

3.033192

5.566296

Độ lệch chuẩn

0.359523

0.080675

0.479658

0.057884

0.004655

0.146741

0.106301

0.090429

0.438529

0.412998

1.197038

3.230400

Nhỏ nhất

0.000000

-0.133476

13.307674

0.034405

0.007519

0.559248

-0.977413

0.009900

0.000000

2.150000

0.193705

-6.020000

25%

0.000000

0.068160

13.975044

0.117184

0.010755

0.872194

0.109145

0.072600

0.000000

2.190000

2.162899

4.480000

50%

0.000000

0.130797

14.288631

0.151728

0.012462

0.964089

0.159316

0.122600

0.000000

2.280000

2.991498

6.720000

75%

0.000000

0.195193

14.653406

0.190102

0.015782

1.046729

0.210934

0.181900

1.000000

2.420000

3.947118

7.090000

Lớn nhất

1.000000

0.316133

15.410943

0.425592

0.032670

1.469094

0.613583

0.469800

1.000000

3.980000

5.228292

13.710000

Nguồn: Kết quả phân tích Python

Kết quả thống kê (Bảng 3) cho thấy, có 15.2% ngân hàng trong mẫu gặp phải RRTD, với độ lệch chuẩn 0.359, phản ánh sự phân tán lớn trong mức độ RRTD giữa các ngân hàng. Tỷ suất sinh lời (ROE) trung bình là 0.130, cho thấy sự ổn định trong khả năng sinh lời, trong khi quy mô ngân hàng (SIZE) đa dạng với giá trị trung bình 14.33, thể hiện sự biến động trong chiến lược cho vay và khả năng cạnh tranh. Các ngân hàng duy trì tài sản thanh khoản ổn định (HQLA = 0.157) và chiến lược trích lập dự phòng tín dụng đồng đều (LLP = 0.0139). Các yếu tố kinh tế vĩ mô, như: Tỷ lệ thất nghiệp (UNP = 2.41) và Lạm phát (INF = 3.03) có sự ổn định và biến động tương đối, trong khi đại dịch Covid-19 có tác động mạnh mẽ đến các ngân hàng. Mặc dù phần lớn các ngân hàng không gặp phải RRTD nghiêm trọng, vẫn cần chú trọng quản lý rủi ro thanh khoản và chiến lược cho vay để đảm bảo sự ổn định tài chính lâu dài.

Ma trận tương quan các biến

Hình: Biểu đồ nhiệt

Đánh giá khả năng rủi ro tín dụng của các ngân hàng thương mại Việt Nam

Nguồn: Kết quả phân tích Python

Kết quả ma trận tương quan cho thấy, mối quan hệ giữa các biến trong nghiên cứu (Hình). Cụ thể, mối tương quan dương mạnh giữa biến SIZE và LLP (0.62) cho thấy, khi quy mô ngân hàng tăng, dự phòng tổn thất tín dụng cũng có xu hướng cao hơn. Ngược lại, mối tương quan âm mạnh giữa biến COVID và GDP (-0.60) chỉ ra tác động tiêu cực của đại dịch đối với nền kinh tế, làm giảm GDP. Các mối quan hệ khác thể hiện sự tương quan yếu hoặc không có ảnh hưởng rõ rệt, hỗ trợ quá trình phân tích và xây dựng mô hình nghiên cứu tiếp theo.

Kết quả hồi quy logistic

Bảng 4: Kết quả hồi quy logistic

Hệ số

Sai số chuẩn

Giá trị (z)

Mức ý nghĩa P>|z|

Khoảng tin cậy [0.025

Khoảng tin cậy

0.975]

Hằng số

27.5769

6.492

4.248

0.000

14.853

40.300

ROE

-7.0300

2.345

-2.998

0.003

-11.626

-2.434

SIZE

-2.3557

0.472

-4.983

0.000

-3.282

-1.429

HQLA

-1.2240

2.112

-0.580

0.562

-5.363

2.915

LLP

321.6916

40.455

7.952

0.000

242.401

400.982

LDR

5.0747

0.984

5.157

0.000

3.146

7.003

CREDIT

-1.3086

0.956

-1.369

0.171

-3.182

0.565

CASA

-4.8716

2.001

-2.435

0.015

-8.793

-0.950

COVID

-0.5081

0.427

-1.191

0.234

-1.345

0.329

UNP

-1.1182

0.521

-2.144

0.032

-2.140

-0.096

INF

0.0152

0.124

0.122

0.903

-0.220

0.251

GDP

-0.1524

0.065

-2.342

0.019

-0.280

-0.025

Nguồn: Kết quả phân tích Python

Kết quả hồi quy logistic (Bảng 4) chỉ ra rằng, Tỷ suất sinh lời (ROE) và Quy mô ngân hàng (SIZE) có mối quan hệ nghịch chiều với xác suất xảy ra RRTD, trong khi tỷ lệ trích lập dự phòng (LLP) và Tỷ lệ cho vay (LDR) có mối quan hệ thuận chiều, làm tăng khả năng xảy ra RRTD. Các yếu tố, như: Tỷ lệ tiền gửi không kỳ hạn (CASA) và Tỷ lệ thất nghiệp (UNP) có tác động giảm RRTD, trong khi Tăng trưởng kinh tế (GDP) ảnh hưởng một cách nhẹ nhàng. Những yếu tố này đều tác động rõ rệt đến xác suất xảy ra RRTD qua sự thay đổi Log (Odds).

Bảng 5: Tóm tắt kết quả hồi quy logistic

Biến

Hệ số (βbetaβ)

P-value

ROE

-7.0800

< 0.05

SIZE

-2.3557

< 0.05

LLP

321.6916

< 0.05

LDR

5.0747

< 0.05

CASA

-4.8716

< 0.05

UNP

-1.1182

< 0.05

GDP

-0.1524

< 0.05

HQLA

(Không có ý nghĩa thống kê)

> 0.05

CREDIT

(Không có ý nghĩa thống kê)

> 0.05

COVID

(Không có ý nghĩa thống kê)

> 0.05

INF

(Không có ý nghĩa thống kê)

> 0.05

Nguồn: Kết quả phân tích Python

Kết quả ước lượng hệ số hồi quy đánh giá tác động của các nhân tố đến khả năng xảy ra RRTD tại các NHTM Việt Nam (Bảng 5) cho thấy, các yếu tố, như: tỷ suất sinh lời (ROE), quy mô ngân hàng (SIZE) và tỷ lệ tiền gửi không kỳ hạn (CASA) có tác động tích cực đến khả năng giảm thiểu RRTD. Cụ thể, ROE và SIZE đều có hệ số âm, cho thấy các ngân hàng có tỷ suất sinh lời cao và quy mô lớn ít gặp phải RRTD hơn. Ngược lại, tỷ lệ dự phòng RRTD (LLP) và tỷ lệ cho vay trên huy động (LDR) có tác động ngược chiều, tức là khi LLP và LDR tăng, xác suất xảy ra RRTD cũng tăng.

Ngoài ra, tỷ lệ thất nghiệp (UNP) và GDP cũng ảnh hưởng đến RRTD, nhưng mức độ tác động của các yếu tố này không mạnh mẽ bằng các yếu tố tài chính của ngân hàng. Cụ thể, tỷ lệ thất nghiệp giảm làm giảm khả năng xảy ra RRTD, trong khi GDP tăng giúp giảm RRTD, phản ánh sự ổn định kinh tế ảnh hưởng tích cực đến chất lượng tín dụng của các ngân hàng.

Tóm lại, các ngân hàng với tỷ suất sinh lời cao và quy mô lớn có khả năng quản lý rủi ro tốt hơn và ít gặp phải RRTD. Tuy nhiên, ngân hàng cần cẩn trọng với tỷ lệ cho vay và trích lập dự phòng quá mức, vì điều này có thể gia tăng RRTD. Việc theo dõi tỷ lệ thất nghiệp và tình hình kinh tế vĩ mô cũng là yếu tố quan trọng để giúp ngân hàng duy trì sự ổn định tài chính và giảm thiểu RRTD.

Ma trận dự đoán (Confusion Matrix)

Bảng 6: Khả năng dự báo của mô hình

Đánh giá khả năng rủi ro tín dụng của các ngân hàng thương mại Việt Nam

Nguồn: Kết quả phân tích Python

Kết quả từ ma trận dự đoán (Confusion Matrix) như sau:

Accuracy (Tỷ lệ dự đoán đúng): Đây là tỷ lệ các dự đoán đúng so với tổng số dự đoán. Tỷ lệ dự đoán đúng là 87.4% mô hình có khả năng phân loại chính xác cao.

Sensitivity (Tỷ lệ phát hiện đúng): Tỷ lệ mẫu thực sự dương (Y=1) được mô hình dự đoán đúng. Tỷ lệ phát hiện đúng là 32.4% mô hình còn hạn chế trong việc phát hiện các trường hợp có RRTD cao.

Specificity (Tỷ lệ phát hiện âm đúng): tỷ lệ mẫu thực sự âm (Y = 0) được mô hình dự đoán đúng. Tỷ lệ phát hiện âm đúng là 97.2% cho thấy mô hình có khả năng rất tốt trong việc xác định các trường hợp không có RRTD cao.

Nhìn chung, mô hình có Accuracy cao, nhưng Sensitivity còn thấp cần được cải thiện để tăng khả năng phát hiện đúng các trường hợp có RRTD cao.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết quả nghiên cứu đã làm rõ mối quan hệ giữa các yếu tố kinh tế vĩ mô, đặc điểm ngân hàng và rủi ro tín dụng (RRTD) tại các NHTM Việt Nam. Cụ thể, các yếu tố, như: Tăng trưởng GDP; Tỷ lệ thất nghiệp (UNP); Tỷ suất sinh lời (ROE) và Quy mô ngân hàng (SIZE) đóng vai trò quan trọng trong việc giảm thiểu RRTD, trong khi các yếu tố, như: Tỷ lệ trích lập dự phòng tín dụng (LLP) và Tỷ lệ cho vay trên huy động (LDR) lại làm gia tăng khả năng xảy ra RRTD. Từ những kết quả này, nghiên cứu đề xuất các hàm ý quản trị nhằm giảm thiểu RRTD và tăng cường sự ổn định của hệ thống ngân hàng, cụ thể như sau:

Thứ nhất, Chính phủ cần thúc đẩy tăng trưởng kinh tế bền vững thông qua việc duy trì các chính sách tài khóa và tiền tệ hợp lý, hỗ trợ sản xuất và tiêu dùng, giảm lãi suất vay vốn và thúc đẩy đầu tư công. Các biện pháp này sẽ tạo điều kiện cho nền kinh tế ổn định, qua đó giảm thiểu RRTD tại các ngân hàng. Đồng thời, việc cải thiện thị trường lao động là rất quan trọng. Các chương trình đào tạo nghề, hỗ trợ khởi nghiệp và phát triển kỹ năng cho người lao động sẽ giúp giảm tỷ lệ thất nghiệp và nâng cao khả năng trả nợ của khách hàng vay.

Thứ hai, các ngân hàng cần tập trung vào nâng cao hiệu quả tài chính bằng cách cải thiện tỷ suất sinh lời (ROE), tối ưu hóa quy trình quản lý tài chính và xây dựng chiến lược tăng trưởng quy mô hợp lý. Việc quản lý chặt chẽ tỷ lệ trích lập dự phòng tín dụng (LLP) cũng cần được chú trọng. Các ngân hàng cần đảm bảo dự phòng đủ, nhưng không lạm dụng, tránh làm gia tăng RRTD không cần thiết.

Thứ ba, kiểm soát tỷ lệ cho vay trên huy động (LDR) ở mức hợp lý là yếu tố quan trọng. Các ngân hàng cần tránh cho vay quá mức để hạn chế rủi ro thanh khoản, đồng thời, các cơ quan quản lý cần giám sát chặt chẽ chỉ tiêu này và đưa ra cảnh báo khi cần thiết. Phát triển một hệ thống cơ sở dữ liệu tín dụng hiện đại cũng là giải pháp thiết yếu, giúp ngân hàng ra quyết định cho vay chính xác hơn và giảm thiểu rủi ro tín dụng.

Thứ tư, việc áp dụng công nghệ quản lý tín dụng, như: trí tuệ nhân tạo (AI) và học máy (Machine Learning) cần được đẩy mạnh để cải thiện chất lượng phân tích tín dụng. Đồng thời, các ngân hàng nên đầu tư vào đào tạo nhân lực chuyên môn, xây dựng các chương trình tái cơ cấu khoản vay và tăng cường tư vấn tài chính cho khách hàng. Những giải pháp này không chỉ giúp giảm thiểu RRTD, mà còn góp phần duy trì sự ổn định và phát triển bền vững cho hệ thống ngân hàng Việt Nam trong bối cảnh kinh tế đầy biến động./.

TÀI LIỆU THAM KHẢO

1. Ahmed, S., Majeed, M. E., Thalassinos, E., and Thalassinos, Y. (2021), The impact of bank specific and macro-economic factors on non-performing loans in the banking sector: Evidence from an emerging economy, Journal of Risk and Financial Management, 14(5), 217.

2. Alnabulsi, K., Kozarević, E., and Hakimi, A. (2022), Assessing the determinants of non-performing loans under financial crisis and health crisis: Evidence from the MENA banks, Cogent Economics and Finance, 10(1), 2124665.

3. Coyle, B. (2000), Framework for Credit Risk Management, Chartered Institute of Bankers.

4. Herkenhoff, K. F. (2019), The impact of consumer credit access on unemployment, The Review of Economic Studies, 86(6), 2605-2642.

5. Ihrig, J. E., Vojtech, C. M., and Weinbach, G. C. (2019), How have banks been managing the composition of high-quality liquid assets? Federal Reserve Bank of St. Louis Review, 101(3).

6. Khan, A. B., Fareed M., Salameh, A. A., and Hussain, H. (2021), Financial innovation, sustainable economic growth, and credit risk: A case of the ASEAN banking sector, Frontiers in Environmental Science, 9, 729922.

7. Knittel, C. R., and Ozaltun, B. (2020). What does and does not correlate with COVID-19 death rates (No. w27391, National Bureau of Economic Research, retrieved from: https://www.nber.org/system/files/working_papers/w27391/w27391.pdf.

8. Kryzanowski, L., Liu, J., and Zhang, J. (2023), Effect of COVID-19 on non-performing loans in China, Finance Research Letters, 52, 103372.

9. Liyana, L., and Indrayani, E. (2020), The Effect of Non-Performing Loan (NPL), Loan to Deposit Ratio (LDR) and Net Interest Margin (NIM) on Financial Performance (ROA) With Car as Intervening Variables on Go Public Commercial Banks in Indonesia and Listed on BEI Period 2014-2018, Asian Journal of Social Science and Management Technology, 2(2), 61-75.

10. Munangi, E., and Sibindi, A. B. (2020), An empirical analysis of the impact of credit risk on the financial performance of South African banks, Academy of Accounting and Financial Studies Journal, 24(3), 1-15.

11. Nguyễn Thành Đạt (2018), Các yếu tố ảnh hưởng đến nợ xấu của hệ thống ngân hàng thương mại Việt Nam, Tạp chí Khoa học Đại học Đồng Tháp, (35), 25-30.

12. Nguyễn Thị Hồng Ánh và cộng sự (2021), Các nhân tố ảnh hưởng đến nợ xấu của hệ thống ngân hàng thương mại Việt Nam, Truy cập từ https://www.researchgate.net/publication/362544237.

13. Nguyễn, T. H. Á. (2021), Các nhân tố ảnh hưởng đến nợ xấu của hệ thống ngân hàng thương mại Việt Nam, truy cập từ https://www.researchgate.net/profile/Nguyen-Thi-Hong-Anh-2/publication/362544237.

14. Phạm Văn Chững và cộng sự (2022), Các nhân tố tác động đến nợ xấu tại các chi nhánh ngân hàng thương mại trên địa bàn tỉnh Bến Tre, truy cập từ https://scholar.dlu.edu.vn/thuvienso/bitstream/DLU123456789/188582/1/CVv139S122022069.pdf.

15. Phan Thị Trúc Phương (2024), Tác động của tiền gửi đến hiệu quả tài chính các ngân hàng thương mại Việt Nam, https://tapchinganhang.gov.vn/tac-dong-cua-tien-gui-den-hieu-qua-tai-chinh-cac-ngan-hang-thuong-mai-viet-nam-465.html.

16. Poudel, S. R. (2018), Impact of credit risk on profitability of commercial banks in Nepal, Journal of Applied and Advanced Research, 3(6), 161-170.

17. Pratiwi, R. (2023), The influence of capital adequacy, liquidity, bank size, and profitability on credit risk in commercial banks category book IV, JRMSI-Jurnal Riset Manajemen Sains Indonesia, 14(02), 66-77.

18. Raddatz, C., Seneviratne, D., Vandenbussche, M. J., Xie, P., and Xu, Y. (2024), The Riskiness of Credit Origins and Downside Risks to Economic Activity, International Monetary Fund.

19. Shemetov, V. V. (2020), Credit risk model taking account of inflation and its contribution to macroeconomic discussion on effect of inflation on output growth, Management Studies, 8(6), 430-452.

20. Tô Thiện Hiền (2021), Giải pháp hoàn thiện công tác quản lý rủi ro tín dụng tại Ngân hàng TMCP Công Thương Việt Nam chi nhánh An Giang, truy cập từ https://tapchicongthuong.vn/giai-phap-hoan-thien-cong-tac-quan-ly-rui-ro-tin-dung-tai-ngan-hang-tmcp-cong-thuong-viet-nam-chi-nhanh-an-giang-67864.htm.

Ngày nhận bài: 25/11/2024; Ngày phản biện: 14/12/2024; Ngày duyệt đăng: 21/01/2025