Áp dụng phương pháp Bayes trong nghiên cứu nợ xấu tại các ngân hàng thương mại Việt Nam

Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 5(1):1267-1277
Open Access Full Text Article Bài nghiên cứu
1Trường Đại học Công nghệ Tp.HCM
2Văn phòng Ủy ban Nhân dân Tp.HCM
Liên hệ
PhạmHải Nam, Trường Đại học Công nghệ
Tp.HCM
Email: ph.nam@hutech.edu.vn
Lịch sử
 Ngày nhận: 7/10/2020
 Ngày chấp nhận: 20/01/2021
 Ngày đăng: 13/02/2021
DOI : 10.32508/stdjelm.v5i1.704
Bản quyền
© ĐHQG Tp.HCM. Đây là bài báo công bố
mở được phát hành theo các điều khoản của
the Creative Commons Attribution 4.0
International license.
Áp dụng phương pháp Bayes trong nghiên cứu nợ xấu tại các ngân
hàng thươngmại Việt Nam
PhạmHải Nam1,*, Nguyễn Ngọc Tân2
Use your smartphone to scan this
QR code and download this article
TÓM TẮT
Nghiên cứu được thực hiện nhằm xác định các yếu tố tác động đến nợ xấu của các ngân hàng
thương mại (NHTM) Việt Nam trong giai đoạn 2007 - 2018. Bài nghiên cứu áp dụng cách tiếp cận
theo phương pháp Bayes và thuật toán lấy mâũ Random-walk Metropolis-Hastings để đánh giá tác
động của các yếu tố vi mô và vĩ mô đến nợ xấu của các NHTM. Trong đó, biến phụ thuộc là nợ xấu
được đo lường bằng tỷ lệ tổng nợ xấu trên tổng dư nợ, các biến độc lập thuộc về đặc điểm ngân
hàng là nợ xấu năm trước, khả năng sinh lời, quy mô ngân hàng, dư nợ cho vay, vốn ngân hàng,
các biến vĩ mô là lạm phát, tăng trưởng kinh tế. Dữ liệu nghiên cứu được thu thập từ báo cáo tài
chính của 30 NHTM Việt Nam và Tổng cục Thống kê Việt Nam từ năm 2007 đến năm 2018. Để tăng
độ tin cậy và tính hiệu quả của mô hình cũng như suy diễn Bayes là hợp lý, kiểm định sự hội tụ của
chuôĩ MCMC được thực hiện. Kết quả nghiên cứu cho thấy nợ xấu năm trước, quy mô ngân hàng,
dư nợ cho vay, vốn ngân hàng, lạm phát là các yếu tố tác động cùng chiều đến nợ xấu của NHTM.
Bên cạnh đó, khả năng sinh lời, tăng trưởng kinh tế là các yếu tố có tác động ngược lại. Trên cơ sở
kết quả nghiên cứu, tác giả đề xuất các hàm ý chính sách cho nhà hoạch định nhằm giúp các ngân
hàng giảm bớt nợ xấu, thúc đẩy các ngân hàng hoạt động lành mạnh, hiệu quả hơn.
Từ khoá: Bayes, ngân hàng thương mại, nợ xấu
GIỚI THIỆU
Hệ thống ngân hàng đóng vai trò quan trọng cho sự
phát triển nền kinh tế của các quốc gia. Sự phát triển
của ngành ngân hàng luôn đi cùng với sự thịnh vượng
của một quốc gia hoặc một khu vực kinh tế cụ thể.
Tuy nhiên, bản chất của hoạt động ngân hàng là rủi
ro cao với tỷ lệ đòn bẩy tài chính lớn1. Để đo lường
rủi ro trong hoạt động ngân hàng, tỷ lệ nợ xấu là chỉ
tiêu chủ yếu được sử dụng2. Nợ xấu của các NHTM
là vấn đề quan trọng và được các NHTM cũng như cơ
quan quản lý nhà nước đặc biệt quan tâm3, đặc biệt là
sau khủng hoảng tài chính 2008. Nghiên cứu về ảnh
hưởng của nợ xấu đến hoạt động của hệ thống ngân
hàng đã được nhiều tác giả thực hiện và phân tích
kỹ lươñg. Một số nghiên cứu đánh giá tác động của
nợ xấu đến hiệu quả hoạt động của NHTM4–6 hoặc
tác động của nợ xấu đến rủi ro thanh khoản7–9. Các
nghiên cứu này cho chúng ta thấy một cách rõ ràng
tác động của nợ xấu đến hoạt động của ngân hàng, cụ
thể là hiệu quả tài chính và thanh khoản của NHTM
cũng như sự ổn định trong hoạt động ngân hàng.
Trong nghiên cứu này, tác giả sử dụng nợ xấu như là
tiêu chí đánh giá rủi ro trong hoạt động ngân hàng,
trong đó nợ xấu được đo lường bầng cách lấy nợ xấu
chia cho tổng dư nợ2,3,10–12. Tuy nhiên, không giống
như các nghiên cứu trước đây sử dựng phương pháp
ước lượng truyền thống như FEM, REM, GMM, vốn
gây ra nhiều chỉ trích và kết quả gây tranh cãi13,14,
tác giả sử dụng cách tiếp cận mới là cách tiếp cận
theo phương pháp Bayes. Các kết luận trong thống kê
Bayes có độ chính xác cao hơn và ngày càng được sử
dụngphổbiến, đặc biệt trong lĩnh vựcYhọc, khoa học
xã hội và nhiều ngành khoa học khác15,16. Đây chính
là điểmmới của nghiên cứu này so với các nghiên cứu
trước đây và là đóng góp quan trọng về mặt phương
pháp trong nghiên cứu về nợ xấu của các NHTMViệt
Nam.
Kết quả của nghiên cứu là cơ sở quan trọng cho ban
lãnh đạo các ngân hàng thương mại cũng như cơ
quan quản lý nhà nước trong việc xây dựng cũng như
ban hành các chính sách và chiến lược, giúp cho các
NHTM hoạt động một cách oan toàn và bền vững
hơn, trở thành kênh dâñ vốn quan trọng cho nền kinh
tế.
TỔNGQUAN LÝ THUYẾT VÀ CÁC
NGHIÊN CỨU CÓ LIÊN QUAN
Tổng quan lý thuyết
Theo Berger và DeYoung nợ xấu là nợ quá hạn thanh
toán ít nhất 90 ngày hoặc đang trong tình trạng nghi
ngờ2. Ủy ban Basel về giám sát ngân hàng cho rằng,
một khoản nợ được xem là không có khả năng hoàn
Trích dẫn bài báo này: Nam P H, Tân N N. Áp dụng phương pháp Bayes trong nghiên cứu nợ xấu tại
các ngân hàng thươngmại Việt Nam. Sci. Tech. Dev. J. - Eco. LawManag.; 5(1):1267-1277.
1267
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 5(1):1267-1277
trả khi xảy ra một trong hai hoặc cả hai điều kiện sau:
ngân hàng thấy người vay không có khả năng trả nợ
đầy đủ khi ngân hàng chưa thực hiện hành động gì
để nỗ lực thu hồi; người vay đã quá hạn trả nợ quá
90 ngày17. Trong khi đó, theo Quyết định 22/VBHN-
NHNN ngày 04 tháng 06 năm 2014 của Thống đốc
NHNN Việt Nam, nợ xấu là các khoản nợ thuộc các
nhóm 3, 4 và 5, tức những khoản nợ quá hạn từ 90
ngày trở lên 18. Để hiểu rõ hơn ảnh hưởng của nợ
xấu đến hoạt động của NHTM, điều quan trọng là
cần phải hiểu rõ các yếu tố có thể tác động đến nợ
xấu, từ đó có cái nhìn rõ hơn về bức tranh nợ xấu của
NHTM và có các biện pháp nhằm kiểm soạt một cách
tốt nhất nợ xấu của từng ngân hàng cũng như toàn bộ
hệ thống ngân hàng. Các nghiên cứu trước đây về nợ
xấu của các ngân hàng thươngmại được nhiều tác giả
trong và ngoài nước quan tâm, đặc biệt kể từ sau cuộc
khủng hoảng tài chính thế giới. Một số nghiên cứu tập
trung vào các yếu tố vĩ mô10,19, các yếu tố vi mô20,21
hoặc cả vimô và vĩmô3,11,12,22,23. Các nghiên cứunày
cho chúng ta thấy tình hình nợ xấu của các NHTM
tại nhiều quốc gia và khu vực trên thế giới, đồng thời
cung cấp hiểu biết về các yếu tố quan trọng ảnh hưởng
đến nợ xấu của các NHTM, giúp ban lãnh đạo ngân
hàng và cơ quan quản lý nhà nước hoạch định các
chính sách và giải pháp khắc phục tình trạng nợ xấu,
từ đó hỗ trợ việc tiếp cận vốn tín dụng của các thành
phần trong nền kinh tế.
Tại Việt Nam, mặc dù có nhiều nghiên cứu về nợ
xấu tại các NHTM cũng như các yếu tố ảnh hưởng
đến nợ xấu như nghiên cứu của Nguyễn Thị Hồng
Vinh, Phạm Dương Phương Thảo và Nguyễn Linh
Đan12,23. Tuy nhiên, các nghiên cứu này đều sử dụng
cách tiếp cận theo phương pháp xác suất thống kê
truyền thống, vốn gây ra nhiều chỉ trích và kết quả
gây tranh cãi13–15,24,25. Vì vậy, cần có phương pháp
mới trong nghiên cứu về nợ xấu tại các NHTM, có kết
quả đáng tin cậy hơn và hữu ích hơn trong việc đưa
ra các giải pháp và kiến nghị, góp phần nâng cao hiệu
quả hoạt động của các NHTM. Phương pháp Bayes
ưu việt hơn so với phương pháp tần suất, cụ thể như
sau:
Thứ nhất, phân tích Bayes là một công cụ phân tích
mạnh mẽ để lập mô hình thống kê, giải thích kết quả,
và dự đoándữ liệu. Phương phápBayes có thể được sử
dụng khi không có phương pháp tần suất chuẩn nào
có sẵn hoặc các phương pháp tần suất hiện có không
thành công.
Thứ hai, tính phổ quát của phương pháp Bayes có
thể được xem là lợi thế về mặt phương pháp so với
phương pháp tiếp cận tần suất truyền thống. Suy luận
Bayes dựa trên một quy tắc xác suất duy nhất, quy tắc
Bayes, được áp dụng cho tất cả các mô hình tham số.
Điều này làm cho cách tiếp cận Bayes trở nên phổ biến
và tạo điều kiện thuận lợi đáng kể cho việc áp dụng và
giải thích kết quả. Trong khi đó, cách tiếp cận tần suất
dựa trên nhiều phương pháp ước lượng được thiết kế
cho các vấn đề và mô hình thống kê cụ thể. Thông
thường, các phương pháp suy luận được thiết kế cho
một lớp vấn đề không thể được áp dụng cho một lớp
mô hình khác.
Thứba, trong phân tích Bayes, chúng ta có thể sử dụng
thông tin trước đó, cả niềm tin hoặc bằng chứng thực
nghiệm, trong mô hình dữ liệu để thu được kết quả
cân bằng hơn cho một vấn đề cụ thể. Chẳng hạn như
kết hợp thông tin tiên nghiệm có thể giảm thiểu ảnh
hưởng của cỡ mẫu nhỏ.
Thứ tư, bằng cách sử dụng kiến thức về toàn bộ phân
phối hậu nghiệm của các tham số mô hình, suy luận
Bayes toàn diện và linh hoạt hơn rất nhiều so với suy
luận truyền thống.
Thứ năm, suy luận Bayes là chính xác, theo nghĩa là
ước tính và dự đoán dựa trên phân phối hậu nghiệm.
Các phương pháp Bayes có thể được sử dụng để mô
phỏng nhiều mô hình, bao gồm cả những hàm phức
tạp với độ chính xác tùy ý.
Thứ sáu, suy luận Bayes cung cấp một cách giải thích
đơn giản và trực quan hơn về các kết quả dưới dạng
xác suất. Ví dụ, các khoảng tin cậy được hiểu là các
khoảng mà các tham số thuộc về một xác suất nhất
định, không giống như cách diễn giải lấy mẫu lặp lại
ít đơn giản hơn của các khoảng tin cậy.
Cuối cùng, như đã đề cập ngắn gọn trước đó, độ chính
xác ước tính trong phân tích Bayes không bị giới hạn
bởi kích thước mẫu — các phương pháp mô phỏng
Bayes có thể cung cấp một mức độ chính xác tùy ý
và không bị ảnh hưởng bởi các hạn chế như tự tương
quan, nội sinh, phương sai sai số thay đổi mà phương
pháp tần suất gặp phải.
Các nghiên cứu thực nghiệm có liên quan
Nghiên cứu của Beaton và cộng sự (2016) được thực
hiện nhằm đánh giá các yếu tố tác động đến nợ xấu
của các quốc gia khu vực Liên minh tiền tệ Đông
Caribbean (ECCU) trong giai đoạn từ năm 1996 đến
năm 2015. Bằng phương pháp GMM, kết quả nghiên
cứu chỉ ra các ngân hàng có khả năng sinh lời tốt hơn
và các ngân hàng ít liên quan đến các lĩnh vực xây
dựng và du lịch có xu hướng ít nợ xấu hơn. Bên cạnh
đó, các ngân hàng nước ngoài có tỷ lệ nợ xấu thấp hơn
các ngân hàng trong nước nhò khả năng kiểm soát nợ
xấu tốt hơn và lợi thế nhờ quy mô. Ngoài ra, tỷ lệ
nợ xấu và tốc độ tăng trưởng kinh tế có mối quan hệ
ngược chiều22.
Dimitrios và cộng sự thực hiện nghiên cứu các yếu tố
ảnh hưởng tới nợ xấu của các NHTM khu vực Châu
1268
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 5(1):1267-1277
Âu trong giai đoạn 1990 – 2015. Sử dụng phương
pháp GMM, nghiên cứu cho thấy các yếu tố nội tại
ngân hàng là tỷ lệ cho vay trên tổng tiền gửi, ROA,
ROE tác động đến tỷ lệ nợ xấu. Các yếu tố vĩ mô
ảnh hưởng đến nợ xấu là tăng trưởng GDP, tỷ lệ thất
nghiệp, tỷ lệ thuế thu nhập cá nhân trên GDP, chu kỳ
kinh tế26.
Jakubík & Reininger thu thập dữ liệu của toàn bộ các
ngân hàng khu vực CESEE (bao gồm các nước Bul-
garia, Croatia, Cộng hòa Czech , Hungary, Ba Lan,
Romania, Nga, Slovakia và Ukraine) từ năm 1993 đến
năm 2012 để đánh giá xem các yếu tố ảnh hưởng đến
nợ xấu và chiều hướng ảnh hưởng của các ngân hàng
này. Dựa trên phương pháp GMM, các tác giả tìm
thấy bằng chứng cho thấy tốc độ tăng trưởng kinh tế
là yếu tố chính và có mối quan hệ ngược chiều đến tỷ
lệ nợ xấu của các NHTM. Đồng thời, các yếu tố khác
có ảnh hưởng đến nợ xấu là chỉ số giá chứng khoán,
tăng trưởng tín dụng trong quá khứ, tỷ giá hối đoái,
tỷ lệ nợ ngoại tệ trên tổng dư nọ quốc gia 19.
Backer và cộng sự nghiên cứu các yếu tố vĩ mô tác
động đến nợ xấu của các NHTM tại Bỉ từ năm từ quý
1 năm 1995 đến quý 2 năm 2015. Các tác giả sử dụng
mô hình Tobit và chứngminh được sự phân bổ tài sản
và nợ của các hộ gia đình cho thấy một số rủi ro do
một tỷ lệ đáng kể các hộ gia đình chi một phần lớn
thu nhập của họ để trả nợ và một phần dư nợ không
được đảm bảo trả nợ bằng tài sản tài chính. Trên cơ
sở nền tảng này, bài báo nhằm mục đích giải thích sự
thay đổi trong rủi ro tín dụng (thế chấp) theo cả các
yếu tố mang tính cơ cấu và kinh tế vĩ mô như chu kỳ
kinh doanh và các khoản vay hoặc đặc điểm của ngân
hàng. Các phát hiện cho thấy mối liên hệ rõ ràng giữa
các công cụ chính sách an toàn vĩ mô - chẳng hạn như
tỷ số khả năng trả nợ (DSTI) - và xác suất vỡ nợ (PD).
Kết quả kinh tế lượng xác nhận rằng cả biến cơ cấu và
kinh tế vĩ mô giải thích sự thay đổi của tỷ lệ vỡ nợ đối
với các khoản vay thế chấp. Cuối cùng, có tác động
phản hồi của nợ xấu đối với điều kiện kinh tế vĩ mô
ở các quốc gia có tỷ lệ nợ xấu cao. Mặc dù quy trình
xóa nợ và giảm chi phí lãi suất của khu vực tư nhân
phi tài chính có thể giúp giảm tỷ lệ nợ xấu, nhưng các
cải cách cơ cấu bổ sung ở những quốc gia đó có thể là
cần thiết 10.
Ćurak và cộng sự thực hiện nghiên cứu nhằm tìm
hiểu các yếu tố tác động đến nợ xấu của 69 ngân hàng
thương mại tại 10 quốc gia khu vực Đông Nam châu
Âu từ năm 2003 đến năm 2010. Các tác giả sử dụng
phương pháp ước lượng GMM và phát hiện được nợ
xấu chịu sự tác động của các yếu tố đặc điểm ngân
hàng và các yếu tố vĩ mô. Cụ thể, các yếu tố bao gồm
quymôngânhàng, hiệu quả tài chính, khả năng thanh
toán, tăng trưởng kinh tế, lạm phát, lãi suất3.
Kjosevski và cộng sự nghiên cứu tác động của các
yếu tố vi mô và vĩ mô đến nợ xấu của các NHTM tại
Cộng hòa Macedonia. Với mâũ dữ liệu được thu thập
trong giai đoạn 2003 – 2014 và phương pháp ARDL,
kết quả cho thấy khả năng sinh lời, tăng trưởng tín
dụng, tăng trưởng GDP có tác động ngược chiều đến
nợ xấu. Trong khi đó, thanh khoản ngân hàng, tỷ lệ
thất nghiệp tác động cùng chiều đến nợ xấu27.
Makri và Tsagkanos nghiên cứu các yếu tố tác động
đến nợ xấu của các NHTM khu vực Châu Âu từ năm
2000 đến năm 2008. Nghiên cứu sử dụng phương
pháp GMM và chứng minh được nợ xấu chịu sự tác
động bởi các yếu tố bao gồmhệ số an toàn vốn (CAR),
tỷ lệ nợ xấu năm trước, ROE, nợ công, tỷ lệ thất
nghiệp, tăng trưởng GDP11.
Nghiên cứu các NHTM tại Việt Nam, bằng phương
pháp FGLS, Nguyễn Thị Như Quỳnh và cộng sự tìm
thấy bằng chứng cho thấy, tại mức ý nghĩa thống kê
1%, tốc độ tăng trưởng kinh tế, tăng trưởng tín dụng
của ngân hàng và tỷ lệ thất nghiệp tác động ngược
chiều với tỷ lệ nợ xấu. Đồng thời, tỷ lệ lạm phát và
tỷ lệ nợ xấu năm trước tương quan thuận chiều với tỷ
lệ nợ xấu hiện tại. ngoài ra, các tác giả chưa tìm thấy
bằng chứng cho thấy mối quan hệ giữa yếu tố quy mô
và khả năng sinh lời của ngân hàng với tỷ lệ nợ xấu28.
NguyễnThị Hồng Vinh sử dụng phương pháp GMM
sai phân và GMM hệ thống nhằm nghiên cứu các yếu
tố tác động đến nợ xấu của các NHTM Việt Nam
trong giai đoạn 2007 – 2014. Tác giả tìm thấy bằng
chứng cho thấy khả năng sinh lời, nợ xấu của quá khứ,
quymô ngân hàng, tăng trưởng tín dụng, tăng trưởng
kinh tế. Ngoài ra, khi sử dụng phương pháp GMM
hệ thống, tác giả chứng minh được vốn chủ sở hữu và
và lạm phát tác động có ý nghĩa đến nợ xấu của các
NHTM23.
Một nghiên cứu khác ở các NHTM Việt Nam của
Phạm Dương Phương Thảo và Nguyễn Linh Đan về
nợ xấu. Sử dụng bộ dữ liệu thứ cấp của 27 NHTM
Việt Nam từ năm 2005 đến năm 2016 và phương pháp
hồi quyGMM, các tác giả cho thấy cómối liên hệ giữa
các yếu tố đặc điểmngân hàng và kinh tế vĩmô đến nợ
xấu. Cụ thể, tỷ lệ nợ xấu của ngân hàng ở năm trước
và tỷ lệ nợ xấu của ngân hàng hiện tại có mối quan hệ
cùng chiều. Đồng thời, chi phí trích lập dự phòng rủi
ro tín dụng càng cao, chi phí hoạt động càng cao, lợi
nhuận của ngân hàng có mối quan hệ nghịch chiều
đến tỷ lệ nợ xấu của ngân hàng. Kết quả của nghiên
cứu này cũng cho thấy các biến số kinh t ... ầu
tư trở nên sôi động hơn và khách hàng vay vốn có
khả năng trả nợ dễ dàng hơn. Kết quả nghiên cứu
tương đồng với nghiên cứu của Nguyễn Thị Hồng
Vinh, Phạm Dương Phương Thảo và Nguyễn Linh
Đan, Nguyễn Thị Như Quỳnh và cộng sự, Makri và
Tsagkanos, Kjosevski và cộng sự, Ćurak và cộng sự,
Jakubík và Reininger3,11,12,19,23,27,28.
KẾT LUÂ￿N VÀ HÀMÝ CHÍNH SÁCH
Kết luận
Bài nghiên cứu được thực hiện nhằm tìm hiểu các yếu
tố tác độngđếnnợ xấu của cácNHTMViệtNam trong
giai đoạn 2007 – 2018. Bằng phương pháp Bayes, kết
quả nghiên cứu chỉ ra các yếu tố có tác động cùng
chiều đến nợ xấu là nợ xấu năm trước, quy mô ngân
hàng, dư nợ cho vay, vốn ngân hàng, lạm phát. Ngược
lại, các yếu tố khả năng sinh lời, tăng trưởng kinh tế
có tương quan nghịch với nợ xấu của ngân hàng.
Hàm ý chính sách
Nghiên cứu này cung cấp thông tin hữu ích cho lãnh
đạo ngân hàng cũng như cơ quan quản lý nhà nước
trong việc đề ra chính sách và chiến lược nhằm giúp
cho các NHTM có thể giảm nợ xấu, hoạt động một
cách an toàn và lành mạnh hơn, cụ thể như sau:
Thứnhất, nợ xấu năm trước làm tăng nợ xấu nămhiện
tại. Vì vậy, các ngân hàng cần tăng cường công tác thu
hồi nợ quá hạn, đặc biệt nợ nhóm 3, 4, 5. Đồng thời,
xem xét gia hạn nợ, giãn nợ cho các trường hợp bất
khả kháng như thiên tai, dịch bệnh, tham gia tích cực
vào thị trườngmua bánnợnhằmgiảmbớt nợ xấu trên
bảng cân đối kế toán, tăng khả năng tiếp cận tín dụng
cho các đối tượng trong nền kinh tế.
Thứ hai, quy mô ngân hàng tăng làm tăng nợ xấu,
chứng tỏ các ngân hàng mở rộng quy mô nhưng
không chú trọng phát triển chất lượng đội ngũ nhân
sự tăng tương ứng. Tăng quy mô ngân hàng là điều
tất yếu, không thể đảo ngược. Trong chiến lược phát
triển ngành ngân hàng Việt Nam đến năm 2025, định
hướng đến năm 2030 của Thủ tướng Chính phủ đặt
mục tiêu đến cuối năm 2020 có từ 1 đến 2 ngân hàng
nằm trong nhóm 100 ngân hàng khu vực Châu Á có
tổng tài sản lớn nhất, đến năm 2025 có 2 đến 3 ngân
hàng42. Do đó, khi các ngân hàng mở rộng quy mô
thì đặc biệt cần coi trọng đến việc phát triển năng lực
lãnh đạo, phát triển nguồn nhân lực có số lượng và
năng lực tương xứng.
Thứ ba, việc cho vay quá mức có thể dâñ đến nợ xấu
gia tăng. Vì vậy, các ngân hàng cần thận trọng hơn
khi thẩm định và phê duyệt cho vay, hạn chế cho vay
đối với các lĩnh vực rủi ro cao như chứng khoán, bất
động sản, tập trung cho vay đối với lĩnh vực sản xuất
kinh doanh, hạn chế việc sử dụng vốn huy động ngắn
hạn cho vay trung dài hạn. Ngoài ra, cần giảm dần tỷ
trọng cho vay trung dài hạn trong tống cho vay, đảm
bảo an toàn hơn cho ngân hàng khi nền kinh tế có
biến động lớn.
Thứ tư,mặc dù vốn ngân hàng tăng làm tăng nợ xấu.
Các ngân hàng vâñ cần phải tăng vốn nhằm tăng sức
mạnh nội tại, đủ khả năng chống chọi với các cú sốc
của nền kinh tế. Tuy nhiên, việc tăng vốn không nên
ồ ạt, có sự tính toán kỹ lươñg. Quan trọng hơn, các
ngân hàng cần sử dụng vốn có hiệu quả nhằm đảm
bảo hiệu quả của đồng vốn tăng thêm. Để làm được
điều đó, các ngân hàng cần nâng cao năng lực quản
trị vốn trong ngân hàng, nghiên cứu và đưa ra cách
thức đánh giá về vốn chủ sở hữu và tài sản rủi ro, qua
đó hoạnh định vốn chính xác và khoa học, đồng thời
đánh giá chính xác về hiệu quả sử dụng vốn.
Thứnăm, đối vớiNHNN, cần thúc đẩy thị trườngmua
bán nợ phát triển một cách thực chất, có hiệu quả.
Điều đó không những giúp các ngân hàng làm sạch
bảng cân đối kế toán mà còn tạo điều kiện lưu thông
vốn trong nền kinh tế tốt hơn, hỗ trợ việc tiếp cận vốn
của người dân và doanh nghiệp. Ngoài ra, cần giám
sát chặt chẽ các ngân hàng có tốc độ tăng trưởng tín
dụng cao hoặc có dấu hiệu cho vay quá mức, đôn đốc
các ngân hàng trong việc đáp ứng tiêu chuẩn an toàn
vốn Basel II.
DANHMỤC TỪ VIẾT TẮT
FEM - Fixed Effects Model (Mô hình tác động cố
định)
GMM - Generalized Method of Moments (Mô hình
hồi quy moment tổng
Quát)
GDP - Gross Domestic Product (Tổng sản phẩm quốc
nội)
MCMC - Markov Chain Monte Carlo
1274
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 5(1):1267-1277
NHNN - Ngân hàng Nhà nước
NHTM - Ngân hàng thương mại
REM - Random Effects Model (Mô hình tác động
ngâũ nhiên)
ROE - Return on Equity (Lợi nhuận trên vốn chủ sở
hữu)
TUYÊN BỐ XUNGĐỘT
Nhóm tác giả xin cam đoan rằng không có bất kì xung
đột lợi ích nào trong công bố bài báo.
ĐÓNGGÓP CỦA TÁC GIẢ
Tác giả PhạmHải Nam: Tổng hợp lý thuyết, phân tích
số liệu, đề xuất giải pháp.
Tác giả Nguyễn Ngọc Tân: Viết phần tóm tắt, giới
thiệu, thu thập số liệu, thảo luận các bảng.
TÀI LIỆU THAMKHẢO
1. Emilios A. Bank leverage ratios and financial stability: Amicro-
and macroprudential perspective, Working Paper, No. 849,
Levy Economics Institute of Bard College, Annandale-on-
Hudson, NY. 2015;.
2. Berger A, DeYoung R. Problem Loans and Cost Efficiency
in Commercial Banks. Journal of Banking and Finance.
1997;21:849–870. Available from: https://doi.org/10.1016/
S0378-4266(97)00003-4.
3. ĆurakM, Pepur S, Poposki K. Determinants of non-performing
loans - evidence from Southeastern European banking sys-
tems. Banks and Bank Systems. 2013;8(1):45–53.
4. Ekinci R, Poyraz G. The Effect of Credit Risk on Financial Per-
formance of Deposit Banks In Turkey. Proceedings of World
Conference on Technology, Innovation and Entrepreneur-
ship: Elsevier. 2018;Available from: https://doi.org/10.1016/j.
procs.2019.09.139.
5. Nguyen THV. The impact of non-performing loans on bank
profitability and lending behavior: Evidence from Vietnam.
Journal of Economic Development. 2017;24(3):27–44. Avail-
able from: https://doi.org/10.24311/jed/2017.24.3.06.
6. Zhang J, Jiang C, Qu B, Wang P. Market concentration,
risk-taking, and bank performance: evidence from emerg-
ing economies. International Review of Financial Anaiysis.
2013;30:149–157. Available from: https://doi.org/10.1016/j.
irfa.2013.07.016.
7. Hasanović E, Latić T. The determinants of excess liquidity in
the banking sector of Bosnia and Herzegovina (No. 11-2017).
Graduate Institute of International and Development Studies
Working Paper. 2017;.
8. Negash DW, Veni P. Determinants of liquidity risk in se-
lected commercial banks in Ethiopia. International Journal
of Advanced Research in Management and Social Sciences.
2019;8(4):108–124.
9. Hồng VT. Các yếu tố ảnh hưởng đến thanh khoản của các
ngân hàng thương mại Việt Nam. Tạp chí phát triển & Hội
nhập. 2015;23(33):32–49;.
10. Backer BD, Caju PD, EmirisM, VanNieuwenhuyzeC.Macroeco-
nomic determinants of non-performing loans, Economic Re-
view, National Bank of Belgium. 2015;3:47–65.
11. Makri V, Tsagkanos A, Bellas A. Determinants of Non-
Performing Loans: The Case of Eurozone. Panoeconomi-
cus. 2014;2:193–206. Available from: https://doi.org/10.2298/
PAN1402193M.
12. Thảo PDP, Đan NL. Các yếu tố ảnh hưởng đến tỷ lệ nợ xấu của
các ngân hàng thương mại cổ phần Việt Nam. Tạp chí Chính
Sách & Thị trường Tài chính- Tiền tệ. 2018;194:1–10;.
13. Anh LH, Kreinovich V, Thach NN. Econometrics for Financial
Applications. Cham: Springer. 2018;Available from: https://
doi.org/10.1007/978-3-319-73150-6.
14. Briggs WM, Nguyen TH. Clarifying ASA’s view on P-values in
hypothesis testing. Asian Journal of Economics and Banking.
2019;3(2):1–16.
15. TuấnNV. Giới thiệu phương pháp Bayes. Tạp chí Thời sự Y học.
2011;63:26–34.
16. Schoot R, Depaoli S. Bayesian analysis: Where to start
and what to report. The European Health Psychologist.
2014;16(2):75–84.
17. Basel Committee on Banking Supervision. Sound credit risk
assessment andvaluation for loans. Bank for International Set-
tlements. Basel, Switzerland. 2006;.
18. Ngân hàng Nhà nước Việt Nam. Quyết định 22/VBHN-NHNN
ngày 04 tháng 06 năm 2014 của Thống đốc NHNN Việt Nam
ban hành quy định về phân loại nợ, trích lập và sử dụng dự
phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng
của tổ chức tín dụng. Hà Nội. 2014;.
19. Jakubík P, Reininger T. Determinants of Nonperforming Loans
in Central, Eastern and Southeastern Europe, Focus on Euro-
pean Economic Integration. 2013;(3):48–66.
20. Khan MA, Siddique A, Sarwar Z. Determinants of non-
performing loans in the banking sector in developing state.
Asian Journal of Accounting Research. 2020;5(1):135–145.
Available from: https://doi.org/10.1108/AJAR-10-2019-0080.
21. Nguyen TMH. Non-Performing Loans: Affecting Factor for the
Sustainability of Vietnam Commercial Banks. Journal of Eco-
nomics andDevelopment. 2015;17(1):93–106. Available from:
https://doi.org/10.33301/2015.17.01.06.
22. Beaton K, Myrvoda A, Thompson S. Non-Performing Loans
in the ECCU: Determinants and Macroeconomic Impact. IMF
Working Papers. 2016;Available from: https://doi.org/10.5089/
9781475555714.001.
23. Vinh NTH. Yếu tố tác động đến nợ xấu các ngân hàng thương
mại Việt Nam. Tạp chí Phát triển kinh tế. 2015;26(11):80–98;.
24. Kreinovich V, Thach NN, Trung ND, Thanh DV. Beyond Tradi-
tional Probabilistic Methods in Economics. Cham: Springer.
2019;Available from: https://doi.org/10.1007/978-3-030-
04200-4.
25. Nguyen NT. How to Explain when the ES is Lower than One?
A Bayesian nonlinear mixed-effects approach. Journal of Risk
and Financial Management. 2020;13(2):1–17. Available from:
https://doi.org/10.3390/jrfm13020021.
26. Dimitrios A, Helen L, Mike T. Determinants of non-performing
loans: Evidence from Euro-area countries. Finance Research
Letters. 2016;18:116–119. Available from: https://doi.org/10.
1016/j.frl.2016.04.008.
27. Kjosevski J, Petkovski M, Naumovska E. Bankspecific and
macroeconomic determinants of non-performing loans in the
Republic of Macedonia: Comparative analysis of enterprise
and household NPLs. Economic Research-Ekonomska Istraži-
vanja. 2019;32(1):1185–1203. Available from: https://doi.org/
10.1080/1331677X.2019.1627894.
28. Quỳnh NTN, Đình Luân L, Mai LTH. Các nhân tố tác động đến
nợ xấu tại các ngân hàng thương mại Việt Nam. Tạp chí Khoa
học Đại học Mở Thành phố Hồ Chí Minh. 2018;63(6):133–143.
29. Klein N. Non-performing Loans in CESEE: Determinants and
Impact on Macroeconomic Performance. IMF Working Pa-
per. 2013;p. 01–27. Available from: https://doi.org/10.5089/
9781484318522.001.
30. Salas V, Saurina J. Credit Risk in Two Institutional Regimes:
Spanish Commercial and Savings Banks. Journal of Financial
Services Research. 2002;22:203–224. Available from: https://
doi.org/10.1023/A:1019781109676.
31. Jimenez G, Saurina J. Credit cycles, credit risk, and prudential
regulation. Banco de Espana. 2005;.
32. KeetonW,Morris C.WhyDoBanks’ Loan LossesDiffer? Federal
Reserve Bank of Kansas City, Economic Review. 1987;p. 3–21.
33. Hoang TTH, Doan TH, Bui DT. Factors affecting bad debt in the
Vietnam commercial banks. Journal of Economics and Busi-
ness. 2020;3(2):650–660. Available from: https://doi.org/10.
31014/aior.1992.03.02.228.
1275
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 5(1):1267-1277
34. Tổng cục Thống kê. Báo cáo số liệu thống kê thường niên.
[truy cập ngày 09/06/2020]. 2007 - 2018;Available from: https:
//www.gso.gov.vn/du-lieu-va-so-lieu-thong-ke/.
35. Hung TN. Toward Improved Models for Decision Making
in Economics. Asian Journal of Economics and Banking.
2019;3(1):1–19.
36. Bolstad M, Curran M. Introduction to Bayesian statistics. 3rd
ed. New Jersey: JohnWiley & Sons. 2016;Available from: https:
//doi.org/10.1002/9781118593165.
37. Gelman A, Carlin JB, Stern HS, Dunson DB, Vehtari A, Rubin
DB. Bayesian Data Analysis. 3rd ed. Boca Raton, FL: Chap-
man & Hall/CRC. 2014;Available from: https://doi.org/10.1201/
b16018.
38. MetropolisN, RosenbluthAW,RosenbluthMN, Teller AH, Teller
E. Equation of state calculations by fast computing machines.
Journal of Chemical Physics. 1953;21:1087–1092. Available
from: https://doi.org/10.1063/1.1699114.
39. Hastings WK. Monte Carlo sampling methods using Markov
chains and their applications. Biometrika. 1970;57:97–109.
Available from: https://doi.org/10.1093/biomet/57.1.97.
40. Gelfand AE, Hills SE, Racine-Poon A, Smith AFM. Illustration
of Bayesian inference in normal data models using Gibbs
sampling. Journal of the American Statistical Association.
1990;85:972–985. Available from: https://doi.org/10.1080/
01621459.1990.10474968.
41. Roberts GO, Rosenthal JS. Optimal scaling for various
Metropolis-Hastings algorithms;.
42. Chínhphủ.Quyết định về việc phêduyệt Chiến lượcphát triển
ngành ngân hàng Việt Nam đến năm 2025, định hướng đến
năm 2030. Hà Nội. 2018;.
1276
Science & Technology Development Journal – Economics - Law and Management, 5(1):1267-1277
Open Access Full Text Article Research Article
1Ho Chi Minh City University of
Technology
2Office of People’s Committee of Ho Chi
Minh City
Correspondence
PhamHai Nam, Ho Chi Minh City
University of Technology
Email: ph.nam@hutech.edu.vn
History
 Received: 7/10/2020 
 Accepted: 20/01/2021 
 Published: 13/02/2021
DOI : 10.32508/stdjelm.v5i1.704 
Copyright
© VNU-HCM Press. This is an open-
access article distributed under the
terms of the Creative Commons
Attribution 4.0 International license.
Applying Bayesianmethod to investigate determinants of non
performing loans of banks in Vietnam
PhamHai Nam1,*, Nguyen Ngoc Tan2
Use your smartphone to scan this
QR code and download this article
ABSTRACT
This study was conducted to determine the factors affecting non-performing loans of commercial
banks in Vietnam for the period 2007 - 2018. The study applies the Bayesian approach and the
Random-walk Metropolis-Hastings algorithm to evaluate the impact of micro and macro factors
on non-performing loans of commercial banks. The dependent variable is non-performing loans,
which is measured by the ratio of non-performing loans divided by total outstanding loans; the
independent variables in terms of bank characteristics are non-performing loans of the previous
year, profitability, bank size, bak loans, and bank capital; the macro variables are inflation and GDP
growth. Research datawas collected fromfinancial statements of 30 Vietnamese commercial banks
and the General Statistics Office of Vietnam from 2007 to 2018. To increase the reliability and effi-
ciency of the model as well as reasonable Bayes inference, a convergence test of the MCMC chain
was performed. The result of this study shows that non-performing loans of the previous year, bank
size, bank loan, bank capital, and inflation have positive impacts on bank non-performing loans. In
addition, bank profitability andGDPgrowth rate are factors that have the opposite effects. Based on
the research results, the author proposes policy implications for the decision-makers to help banks
reduce non-performing loans and promote banks to operate effectively and more efficiently.
Key words: Bayesian, commercial bank, non performing loans
Cite this article : Nam P H, Tan N N. Applying Bayesian method to investigate determinants of non 
performing loans of banks in Vietnam. Sci. Tech. Dev. J. - Eco. Law Manag.; 5(1):1267-1277.
1277