Credit risk management under uncertainty: Evidence from a system GMM analysis of Vietnamese commercial banks
ThS. Vũ Anh Linh Duy
Trường Đại học Tài chính – Marketing
Email: vuduy@ufm.edu.vn
(Quanlynhanuoc.vn) – Bài viết đánh giá các nhân tố ảnh hưởng đến tỷ lệ nợ xấu của 20 ngân hàng thương mại Việt Nam trong giai đoạn 2006 – 2025 bằng phương pháp GMM hệ thống nhằm xử lý đặc tính động của dữ liệu và vấn đề nội sinh. Kết quả ước lượng cho thấy, nợ xấu có xu hướng duy trì qua các kỳ, phản ánh vai trò của biến nợ xấu trễ. Trong nhóm yếu tố đặc thù ngân hàng, khả năng sinh lời (ROA) góp phần hạn chế nợ xấu, trong khi tỷ lệ an toàn vốn (CAR) và tỷ lệ chi phí trên thu nhập (CIR) có mối quan hệ cùng chiều với rủi ro tín dụng. Đối với các yếu tố kinh tế vĩ mô, tăng trưởng kinh tế (GDP) và mở rộng cung tiền (M2) góp phần cải thiện chất lượng tín dụng, ngược lại lạm phát (INF) làm gia tăng tỷ lệ nợ xấu. Những phát hiện này cung cấp cơ sở thực nghiệm cho việc hoàn thiện quản trị rủi ro tín dụng tại các ngân hàng và hỗ trợ cơ quan quản lý trong điều hành chính sách.
Từ khóa: Nợ xấu; rủi ro tín dụng; GMM hệ thống; ngân hàng thương mại; quản trị.
Abstract: This study examines the determinants of the non-performing loan (NPL) ratio of 20 Vietnamese commercial banks over the period 2006–2025, using the system Generalized Method of Moments (system GMM) estimator to address the dynamic nature of the data and endogeneity. Estimation results indicate that NPLs exhibit persistence across periods, underscoring the role of the lagged NPL variable. Among bank-specific factors, profitability (ROA) contributes to reducing NPLs, whereas the capital adequacy ratio (CAR) and the cost-to-income ratio (CIR) are positively associated with credit risk. Regarding macroeconomic factors, economic growth (GDP) and money supply expansion (M2) contribute to improved credit quality, while inflation (INF) elevates the NPL ratio. These findings provide empirical evidence for enhancing credit risk management at commercial banks and support policymakers in policy management.
Keywords: Non-performing loans; credit risk; system GMM; commercial banks; governance.
1. Đặt vấn đề
Chất lượng tín dụng là yếu tố quyết định sự an toàn và hiệu quả hoạt động của ngân hàng thương mại, trong đó tỷ lệ nợ xấu được xem là chỉ tiêu phản ánh mức độ rủi ro tín dụng. Trong giai đoạn 2006 – 2025, quá trình tái cơ cấu hệ thống ngân hàng cùng những biến động của môi trường kinh tế và việc triển khai Basel II đã đặt ra yêu cầu tăng cường kiểm soát nợ xấu. Các nghiên cứu trước đây cho thấy, tỷ lệ nợ xấu chịu tác động của cả các yếu tố nội tại ngân hàng, như: ROA, CAR, CIR và các yếu tố kinh tế vĩ mô, như: tăng trưởng GDP, lạm phát (INF) và cung tiền (M2). Tuy nhiên, đa số nghiên cứu trong nước vẫn dựa trên các mô hình dữ liệu bảng tĩnh, chưa phản ánh đầy đủ tính động và vấn đề nội sinh của nợ xấu. Trên cơ sở đó, bài viết áp dụng mô hình GMM hệ thống để phân tích các yếu tố ảnh hưởng đến tỷ lệ nợ xấu của 20 ngân hàng thương mại Việt Nam trong giai đoạn 2006 – 2025, qua đó, bổ sung bằng chứng thực nghiệm phục vụ quản trị rủi ro tín dụng và hỗ trợ hoạch định chính sách.
2. Phương pháp nghiên cứu
Nghiên cứu dựa trên năm nền tảng lý thuyết để giải thích sự biến động của tỷ lệ nợ xấu (NPL). Giả thuyết quản trị kém (Berger & DeYoung, 1997) cho rằng, hiệu quả quản trị thấp làm gia tăng chi phí (CIR), giảm khả năng sinh lời (ROA) và kéo dài tình trạng nợ xấu. Lý thuyết vùng đệm vốn nhấn mạnh vai trò của tỷ lệ an toàn vốn (CAR) trong việc nâng cao khả năng hấp thụ tổn thất của ngân hàng. Theo lý thuyết rủi ro thanh khoản (Diamond, 1984), tỷ lệ cho vay trên huy động (LDR) cao làm gia tăng rủi ro thanh khoản và rủi ro tín dụng. Lý thuyết lợi thế quy mô (Salas & Saurina, 2002) cho rằng, các ngân hàng quy mô lớn (SIZE) có lợi thế trong đa dạng hóa danh mục và kiểm soát rủi ro. Lý thuyết chu kỳ kinh tế (Nkusu, 2011; Klein, 2013) chỉ ra rằng, tăng trưởng GDP, lạm phát (INF) và cung tiền (M2) ảnh hưởng đáng kể đến khả năng trả nợ của khách hàng và tỷ lệ nợ xấu.
Nghiên cứu được thực hiện theo hai bước. Trước hết, các mô hình Pooled OLS, FEM và REM được ước lượng, kết hợp các kiểm định F-test, LM và Hausman để lựa chọn mô hình phù hợp. Đồng thời, các kiểm định VIF, Modified Wald và Wooldridge được sử dụng để phát hiện đa cộng tuyến, phương sai thay đổi và tự tương quan; khi cần thiết, GLS hoặc sai số chuẩn vững được áp dụng để khắc phục các khuyết tật. Tiếp theo, mô hình GMM hệ thống (Blundell & Bond, 1998) được sử dụng nhằm xử lý nội sinh và tính động của nợ xấu. Độ tin cậy của mô hình được đánh giá thông qua kiểm định Arellano-Bond AR(2) và Hansen/Sargan.
2.1. Mô hình nghiên cứu
Trong nghiên cứu này, rủi ro tín dụng được đại diện bởi tỷ lệ nợ xấu (NPL). Để phản ánh đặc điểm phụ thuộc theo thời gian của nợ xấu, mô hình đưa biến trễ vào phân tích theo gợi ý của Berger & DeYoung (1997); Nguyen & cộng sự (2022). Các yếu tố đặc thù của ngân hàng, gồm: tỷ lệ an toàn vốn (CAR), tỷ lệ cho vay trên huy động (LDR), khả năng sinh lời (ROA), quy mô ngân hàng (SIZE) và tỷ lệ chi phí trên thu nhập (CIR), trong khi các biến tăng trưởng kinh tế (GDP), lạm phát (INF) và cung tiền (M2) được sử dụng để phản ánh điều kiện kinh tế vĩ mô (Koju & cộng sự, 2020; Ozili, 2023). Mô hình được ước lượng bằng phương pháp GMM hệ thống nhằm xem xét tác động của các nhân tố này đến tỷ lệ nợ xấu. Mô hình nghiên cứu được thể hiện như sau:
Trong đó và lần lượt là ký hiệu của ngân hàng ( ) và năm quan sát ( ); là yếu tố đặc thù không quan sát được của từng ngân hàng và là sai số ngẫu nhiên.
Bảng 1. Định nghĩa và đo lường các biến trong mô hình
| Biến | Ký hiệu | Định nghĩa | Cách đo lường | Kỳ vọng dấu | Nguồn tham khảo |
| Tỷ lệ nợ xấu | NPL | Mức độ rủi ro tín dụng của ngân hàng | Tổng nợ xấu/Tổng dư nợ cho vay (%) | Biến phụ thuộc | Berger & DeYoung (1997); Nguyen et al. (2022) |
| Nợ xấu trễ | NPL(-1) | Tỷ lệ nợ xấu của năm trước | NPL(t−1) | + | Blundell & Bond (1998); Koju et al. (2020) |
| Tỷ lệ an toàn vốn | CAR | Mức độ đảm bảo vốn của ngân hàng | Vốn tự có/Tài sản có rủi ro (%) | − | Milne & Whalley (2001); Ozili (2023) |
| Tỷ lệ cho vay trên huy động | LDR | Mức độ sử dụng vốn huy động cho hoạt động cho vay | Tổng dư nợ cho vay/Tổng tiền gửi (%) | + | Milne & Whalley (2001); Ozili (2023) |
| Khả năng sinh lời | ROA | Hiệu quả sử dụng tài sản của ngân hàng | Lợi nhuận sau thuế/Tổng tài sản bình quân (%) | − | Berger & DeYoung (1997); Nguyen et al. (2022) |
| Quy mô ngân hàng | SIZE | Quy mô hoạt động của ngân hàng | Ln(Tổng tài sản) | +/- | Demirgüç-Kunt et al. (2021); Elnahass et al. (2021) |
| Tỷ lệ chi phí trên thu nhập | CIR | Hiệu quả quản lý chi phí hoạt động | Chi phí hoạt động/Tổng thu nhập hoạt động (%) | + | Berger & DeYoung (1997); Nguyen et al. (2022) |
| Tăng trưởng kinh tế | GDP | Mức tăng trưởng kinh tế | Tốc độ tăng GDP thực (%) | − | Koju et al. (2020); Ozili (2023) |
| Lạm phát | INF | Mức tăng giá chung của nền kinh tế | Tốc độ tăng CPI (%) | + | Koju et al. (2020); Ozili (2023) |
| Tăng trưởng cung tiền | M2 | Mức mở rộng tiền tệ | Tốc độ tăng trưởng M2 (%) | − | Koju et al. (2020); Ozili (2023) |
2.2. Giả thuyết nghiên cứu
Các giả thuyết được xây dựng dựa trên cơ sở lý thuyết và kết quả của các nghiên cứu trước nhằm kiểm định ảnh hưởng của các yếu tố đặc thù ngân hàng và môi trường kinh tế vĩ mô đến tỷ lệ nợ xấu (NPL).
(1) Các giả thuyết về nhân tố nội tại của ngân hàng.
Nợ xấu thường có xu hướng duy trì qua các kỳ do quá trình thu hồi và xử lý các khoản vay cần nhiều thời gian. Các nghiên cứu của Nguyen & cộng sự (2022) và Ozili (2023) đều ghi nhận ảnh hưởng cùng chiều của biến nợ xấu trễ đối với nợ xấu hiện tại.
H1: Nợ xấu kỳ trước (NPLt-1) có tác động cùng chiều đến tỷ lệ nợ xấu.
Tỷ lệ an toàn vốn (CAR) phản ánh năng lực chống chịu rủi ro của ngân hàng. Mức vốn cao giúp tăng khả năng hấp thụ tổn thất và nâng cao chất lượng quản trị tín dụng (Demirgüç-Kunt et al., 2021; Tran & Nguyen, 2024).
H2: CAR có tác động ngược chiều đến tỷ lệ nợ xấu.
Tỷ lệ cho vay trên huy động (LDR) phản ánh mức độ mở rộng tín dụng và áp lực thanh khoản. Khi LDR tăng cao, ngân hàng có thể đối mặt với rủi ro tín dụng lớn hơn (Ozili, 2023; Pham & Hoang, 2025).
H3: LDR có tác động cùng chiều đến tỷ lệ nợ xấu.
Khả năng sinh lời (ROA) thể hiện hiệu quả hoạt động của ngân hàng. Ngân hàng có ROA cao thường kiểm soát rủi ro tín dụng hiệu quả hơn, từ đó, hạn chế phát sinh nợ xấu (Berger & DeYoung, 1997; Elnahass & cộng sự, 2021).
H4: ROA có tác động ngược chiều đến tỷ lệ nợ xấu.
Tác động của quy mô ngân hàng (SIZE) vẫn chưa thống nhất trong các nghiên cứu trước. Quy mô lớn có thể giúp đa dạng hóa danh mục tín dụng nhưng cũng làm gia tăng rủi ro khi mở rộng hoạt động quá mức (Vu & Le, 2023).
H5: SIZE có tác động đến tỷ lệ nợ xấu.
Tỷ lệ chi phí trên thu nhập (CIR) phản ánh hiệu quả quản lý chi phí. CIR cao thường đi kèm với hiệu quả hoạt động thấp và chất lượng tín dụng kém (Nguyen & cộng sự, 2022).
H6: CIR có tác động cùng chiều đến tỷ lệ nợ xấu.
(2) Các giả thuyết về yếu tố vĩ mô.
Điều kiện kinh tế vĩ mô có ảnh hưởng đáng kể đến chất lượng tín dụng của ngân hàng. Khi nền kinh tế tăng trưởng thuận lợi, thu nhập của doanh nghiệp và hộ gia đình được cải thiện, góp phần giảm rủi ro tín dụng (Ho & Nguyen, 2024).
H7: GDP có tác động ngược chiều đến tỷ lệ nợ xấu.
Ngược lại, lạm phát cao làm tăng chi phí sản xuất và suy giảm sức mua, ảnh hưởng đến khả năng trả nợ của khách hàng (Ozili, 2023).
H8: INF có tác động cùng chiều đến tỷ lệ nợ xấu.
Tăng trưởng cung tiền (M2) góp phần cải thiện thanh khoản của nền kinh tế và hỗ trợ hoạt động sản xuất, qua đó có thể làm giảm tỷ lệ nợ xấu (Koju & cộng sự, 2020).
H9: M2 có tác động ngược chiều đến tỷ lệ nợ xấu.
3. Kết quả nghiên cứu
3.1. Thống kê mô tả
Bảng 2. Thống kê mô tả các biến
| Biến | Số quan sát | Trung bình | Độ lệch chuẩn | Hệ số biến thiên | Giá trị nhỏ nhất | Giá trị lớn nhất |
| NPL | 400 | 2,0337 | 0,9589 | 0,4715 | 0,1500 | 4,1709 |
| CAR | 400 | 10,7415 | 2,8334 | 0,2638 | 4,4638 | 17,6044 |
| LDR | 400 | 76,5981 | 14,8792 | 0,1942 | 38,1680 | 114,6240 |
| ROA | 400 | 1,1436 | 0,7439 | 0,6505 | 0,0014 | 3,3109 |
| SIZE | 400 | 18,8333 | 1,5218 | 0,0808 | 14,7395 | 22,1237 |
| CIR | 400 | 54,3506 | 14,6823 | 0,2701 | 26,4523 | 85,0824 |
| GDP | 400 | 5,4247 | 1,4965 | 0,2759 | 2,1824 | 8,0237 |
| INF | 400 | 5,5383 | 3,6529 | 0,6596 | 0,6312 | 13,9532 |
| M2 | 400 | 15,4844 | 4,1883 | 0,2705 | 7,9375 | 22,4375 |
Kết quả thống kê mô tả từ 400 quan sát cho thấy, tỷ lệ nợ xấu (NPL) bình quân đạt 2,03%, trong khi giá trị lớn nhất 4,17% phản ánh rủi ro tín dụng tại một số ngân hàng. LDR trung bình đạt 76,60%, còn ROA và CAR có mức biến động tương đối lớn, trong khi SIZE là biến ổn định nhất với hệ số biến thiên = 8,08%. Về yếu tố vĩ mô, GDP, INF và M2 có giá trị trung bình lần lượt là 5,42%, 5,54% và 15,48%, phản ánh điều kiện tăng trưởng kinh tế, lạm phát và chính sách tiền tệ của Việt Nam trong giai đoạn nghiên cứu, qua đó, cung cấp cơ sở để phân tích ảnh hưởng của các yếu tố vĩ mô đến nợ xấu ngân hàng.
3.2. Phân tích mối quan hệ giữa các biến trong mô hình
Kết quả ma trận tương quan cho thấy, NPL có tương quan âm với ROA và M2 phản ánh khả năng sinh lời và tăng trưởng cung tiền cao có xu hướng gắn với tỷ lệ nợ xấu thấp hơn. Ngược lại, LDR và CIR có tương quan dương với NPL, hàm ý mở rộng tín dụng và chi phí hoạt động cao có thể làm gia tăng nợ xấu. Đồng thời, hệ số tương quan lớn nhất giữa các biến độc lập chỉ đạt 0,527 cho thấy, đa cộng tuyến không phải là vấn đề đáng lo ngại trong mô hình nghiên cứu.
Bảng 2. Ma trận tương quan giữa các biến
| Biến | NPL | CAR | LDR | ROA | SIZE | CIR | GDP | INF | M2 |
| NPL | 1,000 | ||||||||
| CAR | -0,032 | 1,000 | |||||||
| LDR | 0,106* | 0,203* | 1,000 | ||||||
| ROA | -0,301* | 0,312* | 0,018 | 1,000 | |||||
| SIZE | 0,019 | -0,016 | 0,246* | 0,04 | 1,000 | ||||
| CIR | 0,279* | -0,274* | -0,066 | -0,303* | -0,449* | 1,000 | |||
| GDP | -0,04 | 0,093 | 0,100* | 0,071 | 0,143* | -0,187* | 1,000 | ||
| INF | 0,066 | 0,043 | -0,186* | 0,119* | -0,428* | 0,329* | -0,133* | 1,000 | |
| M2 | -0,148* | 0,003 | -0,154* | 0,137* | -0,527* | 0,281* | -0,264* | 0,382* | 1,000 |
Trong đó *** p<0,01, ** p<0,05, * p<0,1
3.3. Kiểm định và lựa chọn mô hình
| Bảng 3. Kết quả kiểm định các giả định kinh tế lượng và tính phù hợp của mô hình GMM hệ thống | ||
| a) Kiểm định các giả định kinh tế lượng | ||
| Kiểm định | Kết quả | Kết luận |
| Đa cộng tuyến (VIF) | VIF = 1,38 < 10 | Mô hình không xảy ra hiện tượng đa cộng tuyến |
| Phương sai thay đổi (Wald test) | p-value = 0,000 | Mô hình xảy ra hiện tượng phương sai sai số thay đổi |
| Tự tương quan (Wooldridge test) | p-value = 0,000 | Mô hình có tự tương quan |
| b) Kiểm định tính phù hợp của mô hình GMM hệ thống | ||
| Arellano–Bond AR(1) | p-value = 0,004 | Có tự tương quan bậc nhất (đúng với giả định của GMM) |
| Arellano–Bond AR(2) | p-value = 0,899 | Không có tự tương quan bậc hai |
| Sargan test | p-value = 0,136 | Không bác bỏ H0, bộ biến công cụ hợp lệ |
| Hansen test | p-value = 0,485 | Không bác bỏ H0, bộ biến công cụ hợp lệ |
Tác giả tổng hợp kết quả từ Stata, năm 2026.
Kết quả kiểm định cho thấy, mô hình không xảy ra hiện tượng đa cộng tuyến (VIF = 1,38), nhưng tồn tại phương sai thay đổi và tự tương quan. Vì vậy, mô hình GMM hệ thống được sử dụng để xử lý các khuyết tật này. Kiểm định Arellano–Bond xác nhận mô hình không có tự tương quan bậc hai (AR(2), p > 0,05), trong khi kiểm định Hansen và Sargan đều không bác bỏ giả thuyết H0 (p > 0,05), chứng tỏ bộ biến công cụ được lựa chọn là phù hợp.
3.4. Kết quả hồi quy và thảo luận
| Biến giải thích | Kỳ vọng dấu | Pooled OLS | FEM | REM | GMM hệ thống | Kết quả |
| L.NPL | + | 0,5894*** (0,0379) | 0,5211*** (0,0410) | 0,5894*** (0,0379) | 0,5502*** (0,0868) | Cùng chiều, có ý nghĩa |
| CAR | − | 0,0266* (0,0137) | 0,0414** (0,0164) | 0,0266* (0,0137) | 0,0289* (0,0175) | Cùng chiều, trái kỳ vọng |
| LDR | + | 0,002 (0,0025) | 0,002 (0,0033) | 0,002 (0,0025) | 0,0018 (0,0031) | Không có ý nghĩa |
| ROA | − | -0,1116** (0,0532) | -0,2074*** (0,0657) | -0,1116** (0,0532) | -0,1785*** (0,0663) | Ngược chiều, phù hợp kỳ vọng |
| SIZE | +/- | -0,0086 (0,0313) | 0,1405** (0,067) | -0,0086 (0,0313) | 0,0171 (0,0276) | Không có ý nghĩa |
| CIR | + | 0,0069** (0,0030) | 0,0122** (0,0051) | 0,0069** (0,0030) | 0,0068** (0,0027) | Cùng chiều, phù hợp kỳ vọng |
| GDP | − | -0.0321 (0,0238) | -0.0287 (0,0238) | -0.0321 (0,0238) | -0,0335* (0,0200) | Ngược chiều, phù hợp kỳ vọng |
| INF | + | 0,0468*** (0,0109) | 0,0573*** (0,0126) | 0,0468*** (0,0109) | 0,0553*** (0,0122) | Cùng chiều, phù hợp kỳ vọng |
| M2 | – | -0,0341*** (0,0105) | -0,0176 (0,0126) | -0,0341*** (0,0105) | -0,0218** (0,0102) | Ngược chiều, phù hợp kỳ vọng |
| Constant | 0,7774 (0,7623) | -2,5751* (1,5401) | 0,7774 (0,7623) | 0,2118 (0,6016) |
Ghi chú: *** p<0,01, ** p<0,05, * p<0,1
Kết quả ước lượng từ mô hình GMM hệ thống cho thấy, tỷ lệ nợ xấu của các ngân hàng thương mại Việt Nam chịu ảnh hưởng bởi cả các yếu tố đặc thù ngân hàng và điều kiện kinh tế vĩ mô. Trong số các biến đưa vào mô hình, NPL(-1), CAR, ROA, CIR, GDP, INF và M2 có ý nghĩa thống kê, trong khi LDR và SIZE chưa ghi nhận ảnh hưởng rõ ràng.
(1) Tác động của của nợ xấu kỳ trước.
Biến NPL(-1) đạt hệ số 0,5502 và có ý nghĩa ở mức 1%, phản ánh tỷ lệ nợ xấu có xu hướng duy trì qua các kỳ. Điều này cho thấy, những khoản nợ phát sinh trong quá khứ thường cần thời gian để xử lý thông qua thu hồi, tái cơ cấu hoặc xử lý tài sản bảo đảm, khiến rủi ro tín dụng tiếp tục ảnh hưởng đến các giai đoạn sau. Kết quả này tương đồng với các phát hiện của Ozili (2023) và Nguyen & Dinh (2024).
(2) Nhóm yếu tố đặc thù ngân hàng.
Đối với CAR, hệ số ước lượng 0,0289 có ý nghĩa ở mức 10%, trái với dấu kỳ vọng. Phát hiện này cho thấy, trong bối cảnh nghiên cứu, các ngân hàng có tỷ lệ nợ xấu cao thường tăng cường vốn tự có nhằm đáp ứng yêu cầu về an toàn vốn và cải thiện năng lực tài chính. Vì vậy, mối quan hệ dương giữa CAR và NPL có thể phản ánh phản ứng điều chỉnh của ngân hàng trước rủi ro tín dụng thay vì tác động nhân quả theo chiều ngược lại. Kết quả này cũng được ghi nhận trong nghiên cứu của Alaoui & cộng sự (2022).
Ngược lại, ROA có hệ số -0,1785 và có ý nghĩa ở mức 1%, cho thấy, ngân hàng hoạt động hiệu quả hơn thường kiểm soát chất lượng tín dụng tốt hơn. Khả năng sinh lời cao phản ánh hiệu quả quản trị, quy trình thẩm định và giám sát tín dụng được thực hiện chặt chẽ, qua đó, góp phần hạn chế phát sinh nợ xấu. Kết quả này thống nhất với Ekinci & Poyraz (2021).
Biến CIR có hệ số 0,0068 và có ý nghĩa ở mức 5% cho thấy, chi phí hoạt động gia tăng thường đi kèm với tỷ lệ nợ xấu cao hơn. Điều này hàm ý rằng, hiệu quả quản lý chi phí thấp có thể làm suy giảm chất lượng quản trị tín dụng và ảnh hưởng bất lợi đến chất lượng tài sản của ngân hàng, phù hợp với kết quả của Bitar &cộng sự (2022).
Đối với SIZE và LDR, mặc dù hệ số ước lượng đều mang dấu dương nhưng không đạt ý nghĩa thống kê. Điều này cho thấy, chưa có đủ bằng chứng để khẳng định quy mô ngân hàng hoặc tỷ lệ cho vay trên huy động là những yếu tố quyết định sự thay đổi của tỷ lệ nợ xấu trong mẫu nghiên cứu.
(3) Nhóm yếu tố kinh tế vĩ mô.
Biến GDP có hệ số -0,0335 và có ý nghĩa ở mức 10%, phản ánh tăng trưởng kinh tế góp phần cải thiện chất lượng tín dụng. Khi hoạt động sản xuất – kinh doanh được mở rộng và thu nhập của khu vực doanh nghiệp cũng như hộ gia đình tăng lên, khả năng thực hiện nghĩa vụ trả nợ được cải thiện, từ đó, làm giảm tỷ lệ nợ xấu. Kết quả này phù hợp với Asteriou et al. (2021).
Trong khi đó, INF có hệ số 0,0553 và có ý nghĩa ở mức 1% cho thấy, lạm phát gia tăng làm gia tăng rủi ro tín dụng. Áp lực chi phí sản xuất và chi phí sinh hoạt có thể làm suy giảm năng lực tài chính của người đi vay, từ đó, ảnh hưởng tiêu cực đến khả năng trả nợ. Phát hiện này tương đồng với Moussa & Chedia (2022).
Đối với M2, hệ số -0,0218 và có ý nghĩa ở mức 5% cho thấy, việc mở rộng cung tiền có tác động tích cực đến chất lượng tín dụng. Thanh khoản được cải thiện giúp doanh nghiệp thuận lợi hơn trong tiếp cận vốn và duy trì hoạt động sản xuất -kinh doanh, qua đó, hỗ trợ khả năng thanh toán các khoản vay và góp phần hạn chế nợ xấu. Kết quả này nhất quán với nghiên cứu của Tchamyou & cộng sự (2024).
4. Kết luận và khuyến nghị
Nghiên cứu sử dụng mô hình GMM hệ thống để đánh giá các nhân tố ảnh hưởng đến tỷ lệ nợ xấu của 20 ngân hàng thương mại Việt Nam trong giai đoạn 2006 -2025. Kết quả cho thấy, nợ xấu chịu tác động của các yếu tố nội tại ngân hàng và môi trường kinh tế vĩ mô.
Biến NPL(-1) có ảnh hưởng cùng chiều và có ý nghĩa thống kê, phản ánh nợ xấu có tính kế thừa theo thời gian. Điều này cho thấy, các khoản nợ phát sinh trong quá khứ vẫn tiếp tục ảnh hưởng đến chất lượng tín dụng ở các kỳ sau.
Trong nhóm yếu tố đặc thù ngân hàng, ROA có tác động làm giảm tỷ lệ nợ xấu, trong khi CIR có ảnh hưởng cùng chiều cho thấy, hiệu quả hoạt động và năng lực quản trị đóng vai trò quan trọng trong kiểm soát rủi ro tín dụng. Đối với CAR, kết quả thực nghiệm cho thấy, tác động dương, hàm ý các ngân hàng thường bổ sung vốn khi đối mặt với rủi ro tín dụng cao. Ngược lại, SIZE và LDR chưa thể hiện ảnh hưởng có ý nghĩa thống kê trong giai đoạn nghiên cứu.
Ở cấp độ vĩ mô, GDP và M2 có tác động làm giảm tỷ lệ nợ xấu, trong khi INF làm gia tăng rủi ro tín dụng. Kết quả này cho thấy, sự ổn định của môi trường kinh tế và chính sách tiền tệ có vai trò quan trọng đối với chất lượng tài sản của hệ thống ngân hàng.
Từ các kết quả nghiên cứu, một số khuyến nghị được đề xuất như sau.
Thứ nhất, các ngân hàng cần ưu tiên kiểm soát nợ xấu ngay từ giai đoạn đầu thông qua việc hoàn thiện hệ thống cảnh báo sớm, tăng cường giám sát sau cho vay và chủ động xử lý các khoản tín dụng có dấu hiệu suy giảm chất lượng. Đồng thời, cần đẩy nhanh tiến độ thu hồi nợ và xử lý tài sản bảo đảm nhằm hạn chế sự kéo dài của rủi ro tín dụng.
Thứ hai, nâng cao hiệu quả hoạt động cần được xem là một giải pháp quan trọng để cải thiện chất lượng tín dụng. Các ngân hàng nên tập trung tối ưu hóa chi phí, nâng cao khả năng sinh lời và ứng dụng công nghệ trong thẩm định, quản lý khách hàng cũng như giám sát khoản vay nhằm giảm chi phí vận hành và tăng hiệu quả quản trị rủi ro.
Thứ ba, việc tăng cường năng lực tài chính cần đi cùng với cải thiện chất lượng tài sản. Quá trình bổ sung vốn nên gắn với kiểm soát tăng trưởng tín dụng, nâng cao chất lượng danh mục cho vay và tuân thủ các chuẩn mực quản trị rủi ro theo Basel II và Basel III để nâng cao khả năng chống chịu của ngân hàng.
Thứ tư, cơ quan quản lý cần điều hành chính sách tiền tệ linh hoạt, phối hợp đồng bộ với chính sách tài khóa nhằm duy trì tăng trưởng kinh tế, kiểm soát lạm phát và bảo đảm thanh khoản của nền kinh tế. Bên cạnh đó, cần tiếp tục hoàn thiện khuôn khổ pháp lý về xử lý nợ xấu, tăng cường thanh tra, giám sát và khuyến khích các ngân hàng áp dụng các công cụ quản trị rủi ro hiện đại nhằm nâng cao tính an toàn và ổn định của hệ thống ngân hàng.
Tài liệu tham khảo:
Asteriou, D., Pilbeam, K., & Tompras, A. (2021). The impacts of macroeconomic and bank-specific factors on non-performing loans: Evidence from the Eurozone. International Journal of Finance & Economics, 26(4), 5412–5426. https://doi.org/10.1002/ijfe.2065
Berger, A. N., & DeYoung, R. (1997). Problem loans and cost efficiency in commercial banks. Journal of Banking & Finance, 21(6), 849-870. https://doi.org/10.1016/S0378-4266(97)00003-4
Bitar, M., Pukthuanthong, K., & Walker, T. (2022). Efficiency, stability, and the cost of debt in the banking sector. Journal of Financial Stability, 59, 100975. https://doi.org/10.1016/j.jfs.2022.100975
Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143. https://doi.org/10.1016/S0304-4076(98)00009-8
Demirgüç-Kunt, A., Pedraza, A., & Ruiz-Ortega, C. (2021). Banking sector performance during the COVID-19 crisis. Journal of Banking & Finance, 133, Article 106218. https://doi.org/10.1016/j.jbankfin.2021.106218
Diamond, D. W. (1984). Financial intermediation and delegated monitoring. The Review of Economic Studies, 51(3), 393–414. https://doi.org/10.2307/2297430
Ekinci, R., & Poyraz, G. (2021). The effect of bank-specific and macroeconomic determinants on non-performing loans in Turkey. Journal of Financial Risk Management, 10(2), 115–131. https://doi.org/10.4236/jfrm.2021.102007
Elnahass, M., Trinh, V. Q., & Li, X. (2021). Global banking stability in the shadow of COVID-19 outbreak. Journal of International Financial Markets, Institutions and Money, 72, Article 101322. https://doi.org/10.1016/j.intfin.2021.101322
Klein, N. (2013). Non-performing loans in Central, Eastern, and Southeastern Europe: A dollar of distress and macroeconomic determinants (IMF Working Paper No. 13/72). International Monetary Fund. https://doi.org/10.5089/9781484315132.001
Koju, L., Koju, R., & Wang, S. (2020). Macroeconomic and bank-specific determinants of non-performing loans. Journal of Central Banking Theory and Practice, 9(3), 121-142. https://doi.org/10.2478/jcbtp-2020-0037
Nguyen, T. T. H., & Dinh, V. H. (2024). Risk persistence and non-performing loans in emerging banking sectors: A dynamic panel data approach. Journal of Emerging Market Finance, 23(1), 45–68.
Nguyen, T. T. H., & Nguyen, T. C. (2022). Determinants of non-performing loans in the Vietnamese banking system: A dynamic panel data analysis. Journal of Asian Finance, Economics and Business, 9(4), 85–94. https://doi.org/10.13106/jafeb.2022.vol9.no4.0085
Nkusu, M. (2011). Nonperforming loans and macrofinancial vulnerabilities in advanced economies (IMF Working Paper No. 11/161). International Monetary Fund. https://doi.org/10.5089/9781463904074.001
Ozili, P. K. (2023). Determinants of non-performing loans: A comparative global analysis. Journal of Money and Business, 3(2), 122–139. https://doi.org/10.1108/JMB-09-2022-0042
Pham, M. H., & Hoang, K. N. (2025). Credit growth, liquidity risk, and non-performing loans in transition economies. Research in International Business and Finance, 73, Article 102190. https://doi.org/10.1016/j.ribaf.2024.102190
Salas, V., & Saurina, J. (2002). Credit risk in two institutional regimes: Spanish commercial and savings banks. Journal of Financial Services Research, 22(3), 203-224. https://doi.org/10.1023/A:1019781109676
Tran, T. Q., & Nguyen, M. C. (2024). Moral hazard or prudential behavior? Bank capital regulation in Vietnam. Asian Development Review, 41(1), 76–99. https://doi.org/10.1162/adev_a_00215
Trần, H. M., Nguyễn, T. B., & Lê, V. C. (2024). Ước lượng mô hình bảng động về tính ỳ của nợ xấu dưới tác động của lộ trình an toàn vốn Basel III tại Việt Nam. Tạp chí Phát triển Kinh tế, 35(4), 18-29.
Vu, L. A., & Le, P. M. (2023). Scale economies versus too-big-to-fail: The double-edged sword of bank size in risk management. Journal of Banking Regulation, 24(3), 312-327. https://doi.org/10.1057/s41261-022-00201-w
Zheng, Y., & Wang, X. (2025). Testing the bad management hypothesis: Cost efficiency and non-performing loans in East Asian banking sectors. Pacific-Basin Finance Journal, 84, Article 102115.
