Các yếu tố tác động đến tỷ lệ bao phủ nợ xấu tại các ngân hàng thương mại ở Việt Nam

PGS. TS. Nguyễn Minh Phương

Học viện Ngân hàng

Email: phuongnm@hvnh.edu.vn

Vũ Thị Ánh Dương

Học viện Ngân hàng

Email: vuduongg3005@gmail.com

ThS. Lưu Hải Hà

Trường Đại học Kinh doanh và Công nghệ Hà Nội

Email: kotobukyluu@gmail.com

ThS. Nguyễn Thị Hường

Trường Đại học Kinh doanh và Công nghệ Hà Nội

Email: nguyenhuongkdcn@gmail.com

ThS. Trần Ngọc Dũng

Trường Đại học Kinh doanh và Công nghệ Hà Nội

Email: dungnth@gmail.com

PGS. TS. Trần Mạnh Dũng

Đại học Kinh tế Quốc dân

Email: manhdung@ktpt.edu.vn

Tóm tắt

Nghiên cứu tập trung phân tích các nhân tố tác động trực tiếp đến tỷ lệ bao phủ nợ xấu tại các ngân hàng thương mại Việt Nam, nhằm cung cấp một bức tranh tổng quan về thực trạng nợ xấu cũng như khả năng xử lý các khoản nợ khó thu hồi. Cụ thể, nghiên cứu đo lường ảnh hưởng của các yếu tố nội tại như tỷ lệ nợ xấu, tỷ lệ chi phí trên thu nhập, tỷ suất sinh lời trên tài sản, tăng trưởng tín dụng, và dự phòng rủi ro tín dụng đến tỷ lệ bao phủ nợ xấu. Đồng thời, nghiên cứu cũng xem xét vai trò của các biến kinh tế vĩ mô như lạm phát, tăng trưởng kinh tế và tỷ lệ thất nghiệp. Kết quả nghiên cứu cho thấy, có 5 yếu tố chính bao gồm tỷ lệ nợ xấu, hiệu quả hoạt động dự phòng rủi ro tín dụng, lạm phát và tỷ lệ tăng trưởng kinh tế có tác động mạnh đến tỷ lệ bao phủ nợ xấu.

Từ khóa: Tỷ lệ bao phủ nợ xấu, ngân hàng thương mại, nhân tố, Việt Nam

Summary

The study focuses on analyzing factors that directly affect the loan loss coverage ratio at Vietnamese commercial banks, aiming to provide an overview of the current state of bad debts and the ability to handle irrecoverable debts. Specifically, the study measures the impact of internal factors such as non-performing loan ratio, cost-to-income ratio, return on assets, credit growth, and credit risk provisioning on the loan loss coverage ratio. At the same time, the study also examines the role of macroeconomic variables such as inflation, economic growth, and unemployment rate. The results indicate that five main factors, including the non-performing loan ratio, credit risk provisioning efficiency, inflation, and economic growth rate, have a strong impact on the loan loss coverage ratio.

Keywords: Loan loss coverage ratio, commercial banks, factors, Vietnam

ĐẶT VẤN ĐỀ

Trước bối cảnh nền kinh tế toàn cầu biến động mạnh mẽ và tiềm ẩn nhiều rủi ro trong lĩnh vực tài chính - ngân hàng, vấn đề quản trị rủi ro tín dụng, đặc biệt là công tác kiểm soát và giảm thiểu nợ xấu, đã trở thành một thách thức lớn đối với các ngân hàng thương mại (NHTM)Việt Nam. Tỷ lệ nợ xấu cao được xem là yếu tố cản trở nghiêm trọng đến khả năng mở rộng tín dụng của ngân hàng và làm suy yếu cơ chế truyền dẫn chính sách tiền tệ, từ đó ảnh hưởng tiêu cực đến hiệu quả hoạt động của hệ thống ngân hàng.

Mỗi năm, các ngân hàng phải trích lập một khoản dự phòng rủi ro tín dụng (Loan Loss Provision - LLP). Tỷ lệ bao phủ nợ xấu được xác định bằng tỷ lệ giữa tổng số dự phòng đã trích lập so với tổng số nợ xấu hiện có. Các khoản dự phòng này đóng vai trò như một "tấm đệm" tài chính, giúp hấp thụ các khoản lỗ tiềm ẩn. Khi xảy ra tổn thất tín dụng, ngân hàng có thể sử dụng quỹ dự phòng mà không ảnh hưởng đến vốn điều lệ (Alessi Lucia và cộng sự, 2021). Do đó, phần nợ xấu “chưa được bảo hiểm” phản ánh nguy cơ trực tiếp đến sự ổn định tài chính và bảng cân đối kế toán của ngân hàng.

Theo báo cáo tài chính quý II năm 2024 của 29 ngân hàng trong nước, có đến 24 ngân hàng ghi nhận tỷ lệ nợ xấu tăng, trong khi gần 80% ngân hàng cho thấy tỷ lệ bao phủ nợ xấu bị sụt giảm. Đáng chú ý, tỷ lệ bao phủ toàn ngành đã giảm từ gần 99% vào cuối năm 2023 xuống còn khoảng 85% vào giữa năm 2024. Thực trạng này cho thấy rõ những giới hạn trong khả năng ứng phó với rủi ro tín dụng của các NHTM Việt Nam trong bối cảnh thị trường biến động mạnh (Hà Tâm, 2024).

Trong bối cảnh Thông tư số 02/2023/TT-NHNN quy định về việc cơ cấu lại thời hạn trả nợ và giữ nguyên nhóm nợ để hỗ trợ khách hàng gặp khó khan, đã chính thức hết hiệu lực vào ngày 31/12/2024 và không được gia hạn thêm trong năm 2025, điều này có thể khiến các nhóm nợ được cơ cấu chuyển thành nợ xấu nếu phát sinh rủi ro. Do đó, việc cải thiện tỷ lệ bao phủ nợ xấu không chỉ là yêu cầu cần thiết để đảm bảo sự bền vững cho các NHTM Việt Nam mà còn đóng vai trò quyết định trong quá trình phục hồi nền kinh tế.

CƠ SỞ LÝ THUYẾT

Học thuyết bất cân xứng cho rằng, trong các giao dịch tài chính, một bên thường sở hữu nhiều thông tin hơn bên còn lại – điển hình là mối quan hệ giữa ngân hàng và khách hàng vay vốn. Sự bất cân xứng này dẫn đến các hiện tượng như lựa chọn đối nghịch và rủi ro đạo đức, trong đó người vay có thể thay đổi hành vi theo hướng rủi ro hơn sau khi khoản vay được phê duyệt. Đây được xem là nguyên nhân sâu xa gây ra rủi ro tín dụng và nợ xấu, buộc các ngân hàng phải áp dụng các công cụ quản lý rủi ro hiệu quả. Trong đó, tỷ lệ bao phủ nợ xấu là một trong những chỉ tiêu quan trọng nhằm bảo vệ tài sản của ngân hàng trước các khoản lỗ tiềm ẩn (Akerlof, 1970; Spence, 1973).

Học thuyết đại diện phân tích mối quan hệ giữa người ủy quyền (principal) và người đại diện (agent) – hai bên có thể có mục tiêu khác nhau. Trong lĩnh vực ngân hàng, mối quan hệ này được thể hiện giữa cổ đông và ban quản lý hoặc cán bộ tín dụng. Khi người đại diện theo đuổi lợi ích cá nhân (ví dụ: mở rộng tín dụng quá mức, cấp tín dụng thiếu thẩm định) thay vì tối đa hóa lợi ích cho cổ đông, vấn đề đại diện sẽ phát sinh và có thể dẫn đến các quyết định tín dụng kém hiệu quả, làm gia tăng nợ xấu. Trong bối cảnh đó, tỷ lệ bao phủ nợ xấu không chỉ là công cụ tài chính, mà còn phản ánh mức độ thận trọng trong quản trị rủi ro của người đại diện (Jensen & Meckling, 1976).

Học thuyết rủi ro và lợi suất, một nguyên lý nền tảng trong tài chính nhấn mạnh rằng lợi suất cao luôn đi kèm với mức độ rủi ro lớn hơn, và ngược lại. Đối với hoạt động tín dụng ngân hàng, việc áp dụng lãi suất cao có thể thu hút các khách hàng có hồ sơ tín dụng rủi ro hơn, từ đó làm tăng xác suất vỡ nợ (Markowitz, 1952). Do đó, ngân hàng luôn phải cân nhắc giữa mục tiêu lợi nhuận và khả năng chấp nhận rủi ro. Trong bối cảnh này, tỷ lệ bao phủ nợ xấuphản ánh rõ khẩu vị rủi ro và chiến lược quản lý tín dụng của từng ngân hàng: một tỷ lệ bao phủ cao có thể biểu thị sự thận trọng trong phòng ngừa rủi ro, hoặc là phản ứng bắt buộc khi rủi ro đã phát sinh và nợ xấu gia tăng.

GIẢ THUYẾT NGHIÊN CỨU

Dựa vào cơ sở lý thuyết nêu trên, nhóm tác giả đề xuất 10 giả thuyết nghiên cứu như sau:

H1: Tỷ lệ nợ xấu (NPL) có ảnh hưởng tiêu cực đến tỷ lệ bao phủ nợ xấu (-)

H2: Tỷ lệ chi phí trên thu nhập (CIR) có ảnh hưởng tiêu cực đến tỷ lệ bao phủ nợ xấu (-)

H3: Tỷ suất sinh lời trên tài sản (ROA) có tác động tích cực đến tỷ lệ bao phủ nợ xấu (+)

H4: Tỷ lệ tăng trưởng tín dụng có mối quan hệ tích cực với tỷ lệ bao phủ nợ xấu (+)

H5: Dự phòng rủi ro tín dụng (LLP) có tác động tích cực đến tỷ lệ bao phủ nợ xấu (+)

H6: Tổng tài sản (TA) có tác động tiêu cực đến tỷ lệ bao phủ nợ xấu (-)

H7: Tỷ lệ cho vay trên tổng tài sản (LA) có tác động tích cực đến tỷ lệ bao phủ nợ xấu (+)

H8: Lạm phát có tác động tiêu cực đến tỷ lệ bao phủ nợ xấu (-)

H9: Tăng trưởng kinh tế (GDP) có tác động tích cực đến tỷ lệ bao phủ nợ xấu (+)

H10: Tỷ lệ thất nghiệp có tác động tiêu cực đến tỷ lệ bao phủ nợ xấu (-)

PHƯƠNG PHÁP NGHIÊN CỨU

Thu thập dữ liệu

Nghiên cứu sử dụng phương pháp định lượng nhằm đánh giá mức độ tác động của các yếu tố nội tại ngân hàng và các biến số vĩ mô đến tỷ lệ bao phủ nợ xấu. Dữ liệu được thu thập từ báo cáo tài chính công bố chính thức của 25 NHTM Việt Nam. Ngoài ra, các thông tin kinh tế vĩ mô được trích xuất từ các nguồn có uy tín như Ngân hàng Thế giới (WB), Quỹ Tiền tệ Quốc tế (IMF) và các ước tính của ILOSTAT (cơ sở dữ liệu của Tổ chức Lao động Quốc tế) trong cùng kỳ nghiên cứu.

Quy trình nghiên cứu

Nghiên cứu áp dụng phương pháp thống kê mô tả nhằm tóm tắt các đặc điểm cơ bản của bộ dữ liệu, giúp phản ánh sự phân bố và biến động giữa các biến trong mô hình. Tiếp theo, phương pháp hồi quy tuyến tính được triển khai để kiểm định mối quan hệ giữa biến phụ thuộc và các nhân tố tác động. Dữ liệu được xử lý và phân tích bằng phần mềm Stata, một công cụ phổ biến trong nghiên cứu định lượng kinh tế – tài chính. Mô hình hồi quy tổng quát được xây dựng như sau:

Y=β0+β1X1+β2X2+⋯+βkXk+ε

Trong đó:

Y: Tỷ lệ bao phủ nợ xấu (biến phụ thuộc)

X1, X2,...Xk: Các biến độc lập đại diện cho các yếu tố tác động

β0, β1,…,βk: Các hệ số phản ánh mức độ ảnh hưởng đến Y

ε: Sai số ngẫu nhiên, chứa các nhân tố không quan sát được hoặc không đưa vào mô hình

Để đảm bảo tính khách quan và độ tin cậy cho kết quả nghiên cứu, ba phương pháp hồi quy được sử dụng gồm: Mô hình hồi quy gộp (Pooled OLS); Mô hình hồi quy tác động cố định (Fixed Effects Model – FEM); Mô hình hồi quy tác động ngẫu nhiên (Random Effects Model – REM). Việc sử dụng đồng thời ba phương pháp này cho phép so sánh mức độ phù hợp giữa các mô hình và nâng cao độ chính xác trong việc xác định các nhân tố tác động đến tỷ lệ bao phủ nợ xấu tại các NHTM Việt Nam.

Mô hình hồi quy cụ thể được áp dụng trong nghiên cứu là:

Tỷ lệ bao phủ nợ xấu= β0 + β1NPL + β2CIR + β3ROA + β4TTTD + β5LLP + β6GDP + β7Inf + β8UN + β9LA + β10TA + ϵ

Dựa trên các kết quả nghiên cứu trước đây, nhóm tác giả lựa chọn 10 biến độc lập vào mô hình, chi tiết các biến được trình bày như Bảng 1. Chiều tác động dự kiến của các biến này đến tỷ lệ bao phủ nợ xấu cũng được thể hiện như Bảng 1.

Bảng 1: Thống kê mô tả các biến

Nguồn: Tính toán của tác giả

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thống kê mô tả

Biểu đồ 1 dưới đây thể hiện xu hướng biến động của tỷ lệ bao phủ nợ xấu tại 25 NHTM Việt Nam trong giai đoạn 2015–2024.

Biểu đồ 1: Tỷ lệ bao phủ nợ xấu tại 25 NHTM qua các năm 2015-2024

Nguồn: Tổng hợp dữ liệu từ Stata 14

Giai đoạn từ năm 2015 đến 2022 ghi nhận xu hướng tăng trưởng tương đối ổn định của tỷ lệ bao phủ nợ xấu, với mức đỉnh đạt được vào năm 2021. Diễn biến này phản ánh nỗ lực của các NHTM trong việc tăng cường kiểm soát rủi ro và nâng cao năng lực dự phòng đối với các khoản vay tiềm ẩn khả năng mất vốn.

Tuy nhiên, bước sang các năm 2023 và 2024, tỷ lệ bao phủ nợ xấu bắt đầu có xu hướng giảm nhẹ. Hiện tượng này có thể bắt nguồn từ hai nguyên nhân: (i) sự thay đổi trong chiến lược quản trị rủi ro của ngân hàng, hoặc (ii) sự cải thiện về chất lượng tài sản dẫn đến nhu cầu trích lập dự phòng giảm. Trong bối cảnh thị trường còn tiềm ẩn nhiều rủi ro, việc theo dõi sát sao những biến động này là vô cùng cần thiết nhằm giúp các ngân hàng thiết lập mức dự phòng hợp lý, đảm bảo khả năng chống chịu trước các cú sốc tài chính tiềm tàng.

Bảng 2 cho thấy sự khác biệt đáng kể về các chỉ số tài chính giữa các NHTM Việt Nam trong giai đoạn 2015–2024. Điều này phản ánh sự đa dạng trong chiến lược quản lý rủi ro, hiệu quả hoạt động và mức độ trích lập dự phòng giữa các ngân hàng. Cụ thể: Tỷ lệ bao phủ nợ xấu dao động từ mức thấp nhất 6,5% đến mức cao nhất 424%, với độ lệch chuẩn là 0,55. Mức bao phủ cao nhất thuộc về Vietcombank năm 2021, trong khi thấp nhất là tại NCB. Tỷ lệ nợ xấu (NPL) biến động mạnh, từ 0,005 (Techcombank – 2020) đến 0,298 (NCB – 2023), với độ lệch chuẩn là 0,025.

Bảng 2: Thống kê mô tả giá trị các biến trong mô hình nghiên cứu

Nguồn: Kết quả xử lý dữ liệu từ Stata 14

Bảng 3: Ma trận tự tương quan giữa các biến của mô hình

Nguồn: Kết quả xử lý dữ liệu từ Stata 14

Kết quả hồi quy

Nghiên cứu đã tiến hành phân tích hồi quy nhằm xác định xu hướng và mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc – cụ thể là tỷ lệ bao phủ nợ xấu. Ba phương pháp hồi quy được áp dụng gồm: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM), và Feasible Generalized Least Squares (FGLS) – nhằm đảm bảo độ tin cậy và độ phù hợp cao cho kết quả.

Trong quá trình phân tích, 8 biến được đưa vào mô hình hồi quy. Kết quả từ Bảng 4 cho thấy: 5 biến có mức ý nghĩa thống kê dưới 5%; 3 biến còn lại có ý nghĩa ở mức dưới 10%. Dù theo một số quan điểm, ngưỡng ý nghĩa dưới 10% vẫn được xem là chấp nhận được trong các nghiên cứu thực nghiệm, tuy nhiên, theo tiêu chuẩn khắt khe của Fisher (1925) và Cowles & Davis (1982), ngưỡng ý nghĩa 5% được xem là tiêu chuẩn chính thống và đáng tin cậy trong nghiên cứu định lượng. Do đó, nghiên cứu lựa chọn mức ý nghĩa 5% làm tiêu chuẩn để xác định các biến có tác động thực sự đến tỷ lệ bao phủ nợ xấu.

Bảng 4: Kết quả hồi quy bình phương tối thiểu tổng quát khả thi (FGLS)

*** p0,01, ** p0,05, * p0,10

Nguồn: Kết quả xử lý dữ liệu từ Stata 14

Kết quả hồi quy cho thấy, tỷ lệ nợ xấu (NPL) là biến có ảnh hưởng rõ rệt nhất đến tỷ lệ bao phủ nợ xấu, với hệ số âm và mức ý nghĩa thống kê cao (p

Biến hiệu quả hoạt động (ROA) có tác động dương đến tỷ lệ bao phủ nợ xấu ở mức ý nghĩa 1%. Khi ROA tăng (hoặc giảm) 1 đơn vị, tỷ lệ bao phủ nợ xấu tăng 5,435 đơn vị. Điều này xác nhận giả thuyết H3 của nghiên cứu và các nghiên cứu trước của Alessi Lucia và cộng sự (2020, 2021). Trong giai đoạn 2015-2024, nhiều ngân hàng Việt Nam cải thiện ROA nhờ đổi mới quản lý và sản phẩm tài chính, qua đó tăng cường năng lực dự phòng rủi ro.

Biến LLP (dự phòng rủi ro tín dụng) cũng có ảnh hưởng dương và ý nghĩa thống kê cao (p

Biến lạm phát (Inf) có mối tương quan âm với tỷ lệ bao phủ nợ xấu ở mức ý nghĩa 1%, cho thấy khi lạm phát tăng thêm 1 đơn vị, tỷ lệ bao phủ nợ xấu sẽ giảm khoảng 0.024 đơn vị. Điều này ủng hộ giả thuyết H8, đồng thời phù hợp với nghiên cứu của Nichols (2022). Lạm phát làm tăng chi phí sinh hoạt và sản xuất, khiến khả năng trả nợ của cá nhân và doanh nghiệp suy yếu, từ đó làm tăng nợ xấu và giảm khả năng bao phủ. Phát hiện này góp phần làm rõ tác động tiêu cực của lạm phát đến hiệu quả quản lý rủi ro tín dụng tại các NHTM Việt Nam trong bối cảnh kinh tế biến động.

Ở chiều ngược lại, biến tỷ lệ chi phí trên thu nhập (CIR) và tăng trưởng tín dụng đều có hệ số dương, ngụ ý xu hướng tác động cùng chiều đến tỷ lệ bao phủ nợ xấu. Tuy nhiên, cả hai biến đều không đạt ý nghĩa thống kê (p-value lần lượt là 0,961 và 0,09), do đó không có đủ cơ sở khẳng định ảnh hưởng đáng kể. Hai giả thuyết H2 và H4 vì vậy bị bác bỏ.

Ngoài ra, biến tỷ lệ cho vay trên tổng tài sản (LA) có hệ số âm, cho thấy xu hướng ảnh hưởng ngược chiều, nhưng với p-value 0,512, biến này cũng không đạt ý nghĩa thống kê, dẫn đến giả thuyết H7 bị bác bỏ.

Về các biến bị loại khỏi mô hình do đa cộng tuyến, bao gồm tỷ lệ thất nghiệp (UN) và tổng tài sản (TA), cả hai đều không được kiểm định nên hai giả thuyết H10 và H6 không được chấp nhận.

KẾT LUẬN

Nghiên cứu đã xác định 5 yếu tố ảnh hưởng đáng kể đến tỷ lệ bao phủ nợ xấu tại các ngân hàng thương mại Việt Nam, bao gồm: tỷ lệ nợ xấu (NPL), hiệu quả hoạt động (ROA), dự phòng rủi ro tín dụng (LLP), lạm phát (Inf), và tăng trưởng kinh tế (GDP). Các kết quả cho thấy vai trò then chốt của quản trị rủi ro tín dụng trong việc đảm bảo sự ổn định của hệ thống ngân hàng.

Một số yếu tố khác như CIR, tăng trưởng tín dụng, tổng tài sản, tỷ lệ cho vay trên tài sản và tỷ lệ thất nghiệp chưa thể hiện tác động thống kê rõ rệt, gợi mở hướng nghiên cứu tiếp theo nhằm hoàn thiện mô hình phân tích.

Trước xu hướng gia tăng nợ xấu và suy giảm tỷ lệ bao phủ, các ngân hàng cần chú trọng nâng cao năng lực dự phòng, từ đó bảo vệ tài sản, củng cố niềm tin thị trường và thúc đẩy sự phát triển bền vững của hệ thống tài chính.

TÀI LIỆU THAM KHẢO

1. Alessi, L., Bruno, B., Carletti, E., & Neugebauer, K. (2019). What drives bank coverage ratios: Evidence from the euro area (No. 2019/14). JRC Working Papers in Economics and Finance.

2. Alessi, L., Bruno, B., Carletti, E., & Neugebauer, K. (2020). What drives bank coverage ratios: Evidence from Europe.

3. Alessi, L., Bruno, B., Carletti, E., Neugebauer, K., & Wolfskeil, I. (2021). Cover your assets: Non-performing loans and coverage ratios in Europe. Economic Policy, 36(108), 685–733.

4. Bikker, J. A., & Metzemakers, P. A. (2005). Bank provisioning behaviour and procyclicality. Journal of International Financial Markets, Institutions and Money, 15(2), 141–157.

5. Fisher, R. A. (1925). Theory of statistical estimation. Mathematical Proceedings of the Cambridge Philosophical Society, 22(5), 700–725.

6. Hà Tâm. (2024, August 11). Bao phủ nợ xấu giảm mạnh, ngân hàng gặp khó khăn kép. https://baodautu.vn/bao-phu-no-xau-giam-manh-ngan-hang-gap-kho-khan-kep-d221937.html.

7. Hausman, J. A. (1978). Specification tests in econometrics. Econometrica, 46(6), 1251–1271.

8. Ozili, P. (2015). Credit smoothing and determinants of loan loss reserves: Evidence from Europe, US, Asia and Africa. Journal of Business, Economics and Finance, 4(2), 302–315.

9. Wooldridge, J. M. (2002). Econometric analysis of cross section and panel data. MIT Press.