Tác động của các yếu tố nội bộ đến nợ xấu của ngân hàng thương mại

88 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
TÁC ĐỘNG CỦA CÁC YẾU TỐ NỘI BỘ ĐẾN NỢ XẤU 
CỦA NGÂN HÀNG THƯƠNG MẠI 
NGUYỄN KIM PHƯỚC 
Trường Đại học Mở Thành phố Hồ Chí Minh – phuoc.nk@ou.edu.vn 
PHAN NGỌC THÙY NHƯ 
Trường Đại học Mở Thành phố Hồ Chí Minh – nhu.pnt@ou.edu.vn 
NGÔ THÀNH TRUNG
Trường Đại học Mở Thành phố Hồ Chí Minh – trung.nt@ou.edu.vn 
(Ngày nhận: 20/11/2017; Ngày nhận lại: 29/11/2017; Ngày duyệt đăng: 20/12/2017) 
TÓM TẮT 
Mục tiêu của nghiên cứu là tìm ra các yếu tố nội bộ tác động đến nợ xấu của ngân hàng thương mại ở Việt 
Nam. Nghiên cứu đã sử dụng dữ liệu thứ cấp từ các báo cáo tài chính hợp nhất và báo cáo thường niên của 22 ngân 
hàng thương mại hoạt động trong giai đoạn từ 2006 – 2015 (10 năm). Số quan sát tương ứng là 220. Bằng kỹ thuật 
phân tích hồi quy dữ liệu bảng, hồi quy biến phụ thuộc là nợ xấu, nghiên cứu đã tìm thấy 6 trong 7 yếu tố nội bộ có 
ảnh hưởng đến nợ xấu của các ngân hàng. Từ kết quả nghiên cứu thực nghiệm, các hàm ý chính sách cho các nhà 
quản trị ngân hàng được đưa ra nhằm giảm thiểu nợ xấu, từ đó nâng cao hiệu quả hoạt động, đảm bảo sự lành mạnh 
và an toàn cho các ngân hàng thương mại ở Việt Nam. 
Từ khóa: Hồi qui dữ liệu bảng; Ngân hàng thương mại; Nợ xấu; Việt Nam. 
Impact of internal factors on non–performing loans of Vietnamese commercial banks 
ABSTRACT 
The primary objective of this study was to explore the impact of internal factors on non-performing loans 
(NFL) of commercial banks in Vietnam. The study used secondary data collected from consolidated financial 
statements and annual reports of 22 commercial banks during a ten-year period from 2006 to 2015. The use of 220 
observations and panel data regression analysis with NFLs as dependent variables in the study helped to point out 
six out of seven internal factors affecting banks’ NFLs. These results of empirical research revealed that bank 
managers and policy makers should focus on internal factors to improve operational efficiency, lower NFLs and 
ensure financial health for Vietnamese commercial banks. 
Keywords: Commercial banks; Non–performing loans (NFLs); Panel data regression; Vietnam. 
1. Giới thiệu 
Nợ xấu đã và đang là yếu tố quan trọng 
gây áp lực lớn đối với hệ thống ngân hàng, 
nguy cơ rủi ro cho “sức khỏe” nền kinh tế. 
Theo Chính Phủ (2016), nợ xấu của toàn hệ 
thống ngân hàng 6 tháng đầu năm vẫn còn ở 
mức 2,78%. Như vậy, nợ xấu chưa thực sự 
thuyên giảm. Trong 6 tháng đầu năm 2017, 
VAMC mới chỉ xử lý được 32.400 tỷ đồng nợ 
xấu, chiếm 13,4% trong tổng số nợ xấu đã 
mua (Chu Thái, 2017). Vì thế, vấn đề xử lý nợ 
xấu vẫn là hoạt động trọng tâm của Ngân 
hàng Nhà nước và toàn ngành ngân hàng. 
Trong hoạt động của các ngân hàng 
thương mại Việt Nam (NHTMVN) nói riêng 
và các NHTM nói chung, hoạt động cho vay 
vẫn là hoạt động chủ yếu. Do tính chất kinh 
doanh đặc thù này, các NHTM luôn đối diện 
với rủi ro vỡ nợ của người đi vay. Điều đó tạo 
ra vấn đề lớn của ngân hàng là nợ xấu (Upal, 
 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 89 
2009; Greenidge và Grosvenor, 2010). Nợ xấu 
là nguyên nhân chính dẫn đến tình trạng 
khủng hoảng của các ngân hàng (Guy và 
Lowe, 2011). Theo Podpiera và Weill (2008), 
các đặc điểm của mỗi ngân hàng như: vốn, 
quản lý hiệu quả chi phí, đa dạng hoạt động 
tín dụng, hiệu quả sử dụng vốn, có ảnh 
hưởng đến nợ xấu. Louzis và cộng sự, (2012) 
cho rằng, bên cạnh các biến số nội tại của 
ngân hàng, các biến số kinh tế vĩ mô cũng có 
ảnh hưởng đến nợ xấu của ngân hàng. 
Kiểm soát và xử lý nợ xấu là một vấn đề 
trọng tâm của hệ thống ngân hàng. Có nhiều 
nguyên nhân dẫn đến tình trạng nợ xấu tại các 
ngân hàng, bao gồm cả nguyên nhân khách 
quan lẫn nguyên nhân chủ quan. Mục tiêu của 
nghiên cứu là xem xét các yếu tố nội tại (bên 
trong) của ngân hàng tác động đến tỷ lệ nợ 
xấu của hệ thống NHTMVN. 
Nội dung nghiên cứu gồm các phần như: 
Cơ sở lý luận, mô hình, dữ liệu và phương 
pháp nghiên cứu. Phần cuối cùng là kết quả 
nghiên cứu và đề xuất hàm ý chính sách cho 
nhà quản trị. 
2. Cơ sở lý thuyết 
2.1. Các khái niệm 
Theo Quỹ Tiền tệ Quốc tế (2004), một 
khoản vay được coi là nợ xấu khi quá hạn 
thanh toán gốc hoặc lãi 90 ngày hoặc hơn; khi 
các khoản lãi suất đã quá hạn 90 ngày hoặc 
hơn đã được vốn hóa, cơ cấu lại, hoặc trì hoãn 
theo thỏa thuận; khi các khoản thanh toán đến 
hạn dưới 90 ngày nhưng có thể nhận thấy các 
dấu hiệu rõ ràng cho thấy người vay sẽ không 
thể hoàn trả nợ đầy đủ. 
Định nghĩa nợ xấu theo tiêu chuẩn 
của Việt Nam được NHNN quy định tại 
Quyết định số 493/2005/QĐ-NHNN ngày 
22/04/2005 và theo Thông tư số 02/2013/TT-
NHNN ngày 21/01/2013 của Ngân hàng Nhà 
nước thì nợ xấu là các khoản nợ đã quá hạn 
thanh toán cả gốc lẫn lãi từ 90 ngày trở lên và 
khả năng trả nợ là đáng lo ngại. Tỷ lệ nợ 
xấu/tỷ lệ nợ quá hạn trên 90 ngày = dư nợ quá 
hạn trên 90 ngày/tổng dư nợ cho vay*100%. 
Theo các khái niệm trên, nợ xấu là nợ 
quá thời hạn thanh toán cả gốc, lãi từ 90 ngày 
trở lên. Nghiên cứu này áp dụng số liệu nợ 
xấu theo khái niệm này vì đây là căn cứ để 
các ngân hàng thương mại Việt Nam xác định 
nợ xấu. 
Theo Phạm Thanh Bình (2005), các nhân 
tố bên trong nội bộ của chính các NHTM như 
các nhân tố về năng lực tài chính (ROA, ROE, 
ROS,), khả năng quản trị điều hành, ứng 
dụng tiến bộ công nghệ, trình độ và chất 
lượng của lao động,... có ảnh hưởng đến hiệu 
quả hoạt động của các ngân hàng. 
2.2. Lý thuyết nền 
Theo lý thuyết rủi ro và quản trị rủi ro 
cho rằng, hoạt động của các ngân hàng luôn 
đối diện với các rủi ro tín dụng, rủi ro lãi suất 
và rủi ro tỷ giá (Nguyễn Minh Kiều, 2015). 
Rủi ro là một tình trạng bất ổn, là sự sai biệt 
giữa thực tế và kỳ vọng. Trong nghiên cứu 
này, hai loại rủi ro được xem xét là rủi ro về 
tín dụng và về lãi suất, vì đây là hai loại rủi ro 
có liên quan trực tiếp đến nợ xấu của các ngân 
hàng. Rủi ro tín dụng là rủi ro phát sinh trong 
quá trình cấp tín dụng của ngân hàng, do 
người vay suy giảm khả năng trả nợ. Đây là 
rủi ro thường xuyên và là rủi ro lớn nhất của 
ngân hàng, nó gây ra nợ xấu của các ngân 
hàng (Trần Huy Hoàng, 2011). Nguyên nhân 
phát sinh rủi ro tín dụng có thể từ phía ngân 
hàng và từ phía khách hàng. Rủi ro lãi suất là 
rủi ro do biến động lãi suất gây ra (Nguyễn 
Minh Kiều, 2015). 
Mô hình điểm số Z của Altman (2000), 
chỉ số Z dùng để đo lường rủi ro tín dụng bao 
gồm: vốn lưu động/tổng tài sản, lợi nhuận 
giữ lại/tổng tài sản, EBIT/tổng tài sản, giá trị 
thị trường của vốn chủ sỡ hữu/giá trị sổ sách 
của tổng nợ và doanh số/tổng tại sản (Trần 
Huy Hoàng, 2011). Trị số Z càng cao thì xác 
suất vỡ nợ của người đi vay càng thấp. Hay 
nói khác hơn là nợ xấu của các ngân hàng 
càng thấp. 
Lý thuyết thông tin bất cân xứng giải 
thích rằng, bên nào có nhiều thông tin hơn về 
90 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
giao dịch thì bên đó có lợi thế hơn bên kia do 
thông tin có ảnh hưởng đến việc ra quyết định 
(Auronen, 2003; Richard, 2011). Điều này 
dẫn đến những lựa chọn bất lợi, tích tụ các 
khoản nợ xấu tại ngân hàng (Bester, 1994). 
2.3. Các nghiên cứu trước có liên quan 
Kết quả nghiên cứu của Sinkey và 
Greenwalt (1991) đã chứng minh, việc mở 
rộng tín dụng cũng là một nguyên nhân gây ra 
nợ xấu cao, do việc kiểm tra và lựa chọn 
người vay kém chất lượng. Kết quả này cũng 
được kiểm chứng lại qua nghiên cứu của 
Jimenez và Saurian (2006). Golden và cộng 
sự (1993) qua kết quả nghiên cứu của mình đã 
kết luận rằng, thông tin tín dụng có ảnh hưởng 
đến việc ra quyết định cho vay của ngân hàng. 
Nghĩa là, nếu ngân hàng có nhiều thông tin 
hơn về khách hàng, chất lượng thông tin tốt sẽ 
giúp giảm rủi ro tín dụng, từ đó giảm các 
khoản nợ xấu của ngân hàng. 
Salas và Saurina (2002) nghiên cứu yếu 
tố quyết định cho vay của ngân hàng thương 
mại Tây Ban Nha, bằng cách sử dụng một mô 
hình dữ liệu bảng trong giai đoạn 1985-
1997. Phát hiện của nghiên cứu này là sự thay 
đổi trong nợ xấu của các ngân hàng được giải 
thích bởi các yếu tố như: Tăng trưởng GDP, 
mở rộng tín dụng, kích thước ngân hàng, tỷ lệ 
vốn và sức mạnh thị trường. Trong quá trình 
nghiên cứu các yếu tố tác động đến tỷ lệ nợ 
xấu của các NHTM ở châu Âu, Salas và 
Saurina (2002) cũng đã phát hiện tốc độ tăng 
trưởng tín dụng (credit growth) và nợ xấu có 
mối tương quan thuận. 
Nghiên cứu về các yếu tố ảnh hưởng đến 
tỷ lệ nợ xấu của hệ thống ngân hàng tại 16 
quốc gia thuộc vùng cận Sahara từ năm 1993 
– 2002, Fofack (2005) đã chứng minh rằng, 
ROE có tác động trái chiều đến nợ xấu. Mario 
(2006) nghiên cứu về rủi ro của hệ thống ngân 
hàng ở Italia trong giai đoạn từ 1985-2002, đã 
chỉ ra mối tương quan thuận giữa nợ xấu với tỷ 
lệ dự phòng rủi ro tín dụng. 
Đánh giá về nợ xấu tại Ấn Độ thì Dash và 
Kabra (2010) thấy rằng lãi suất thực càng tăng 
thì nợ xấu càng tăng, còn quy mô ngân hàng 
(size) lại không có tác động đến nợ xấu. Cũng 
từ bộ dữ liệu bảng của các ngân hàng Ấn Độ 
trong giai đoạn 1998 – 2008, các tác giả còn 
thấy tốc độ tăng trưởng tín dụng (credit 
growth) và nợ xấu có tương quan nghịch. 
Louzis, Vouldis và Metaxas (2010) 
nghiên cứu nợ xấu theo các khoản vay của hệ 
thống ngân hàng ở Hy lạp đã chỉ ra rằng, lãi 
suất cho vay có tác động cùng chiều với tỷ lệ 
nợ xấu của các ngân hàng. Các tác giả cũng 
chỉ ra rằng có thể nhìn vào hiệu quả hoạt động 
của ngân hàng, thông qua ROA và ROE, để 
đánh giá xu hướng nợ xấu trong tương lai vì 
chúng có tương quan nghịch với nợ xấu. 
Messai và Jouini (2013) nghiên cứu các 
yếu tố quyết định cho các khoản nợ xấu cho 
một mẫu 85 ngân hàng ở ba nước (Ý, Hy Lạp 
và Tây Ban Nha) trong giai đoạn 2004-
2008. Phương pháp hồi quy dữ liệu bảng, tác 
giả đã phát hiện ra khoản nợ xấu có quan hệ 
nghịch với khoản dự phòng rủi ro mất vốn và 
lãi suất thực. 
Nguyễn Thị Hồng Vinh (2015) phân tích 
yếu tố tác động đến nợ xấu các NHTMVN, 
tác giả sử dụng mô hình bao gồm các biến vĩ 
mô và vi mô, trong đó, các yếu tố liên quan 
đến ngân hàng có ROE, tổng tài sản, tăng 
trưởng tín dụng, qui mô ngân hàng. Tác giả sử 
dụng hồi quy FE, RE và DGMM để kiểm định 
các yếu tố có tác động đến nợ xấu với bảng dữ 
liệu từ năm 2007 – 2014. Kết quả nghiên cứu 
cho thấy, ROE, lạm phát và tăng trưởng kinh 
tế có tác động trái chiều đến nợ xấu, qui mô 
ngân hàng, tăng trưởng tín dụng, vốn chủ sở 
hữu/tổng tài sản có tác động cùng chiều với 
nợ xấu. 
3. Mô hình, dữ liệu và phương pháp 
nghiên cứu 
Trên cơ sở lý thuyết nền và các nghiên 
cứu trước có liên quan đến nghiên cứu về nợ 
xấu tại các ngân hàng thương mại, mô hình 
nghiên cứu được đề xuất. 
 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 91 
Bảng 1 
Cơ sở chọn biến trong mô hình nghiên cứu 
Tên biến Mô tả Công thức 
Dấu tác 
động 
Nghiên cứu trước 
ROE 
Suất sinh lợi 
trên vốn chủ sở 
hữu 
Lợi nhuận sau thuế/vốn 
chủ sở hữu (%) 
- 
Fofack (2005); Louzis, 
Vouldis và Metaxas 
(2010) 
LnCRE 
Tăng trưởng tín 
dụng 
Ln tăng trưởng tín dụng 
của ngân hàng 
+ 
Salas & Saurina (2002); 
Jimenez & Saurian 
(2006); Nguyễn Thị 
Hồng Vinh (2015) 
LnRISK Dự phòng rủi ro 
Ln dự phòng rủi ro tín 
dụng 
+ Mario (2006) 
LnASSETS Tổng tài sản 
Ln tổng tài sản của ngân 
hàng 
- 
Louzis, Vouldis & 
Metaxas (2010) 
AGENT_branch 
Nhân viên/chi 
nhánh 
Số nhân viên bình 
quân/chi nhánh 
(người/chi nhánh) 
+ 
Salas & Saurina (2002); 
Nguyễn Thị Hồng Vinh 
(2015) 
INTEREST 
Lãi suất tái cấp 
vốn 
Lãi suất tái cấp vốn (%) + 
Dash & Kabra (2010); 
Louzis, Vouldis & 
Metaxas (2010) 
ICT 
Ứng dụng công 
nghệ trong ngân 
hàng 
Chỉ số ứng dụng công 
nghệ trong ngân hàng 
- 
Golden & ctg (1993); 
Auronen (2003); Harper 
(2011) 
Qua lược khảo các nghiên cứu trước, tác 
giả nhận thấy có rất nhiều yếu tố ảnh hưởng 
đến tỷ lệ nợ xấu tại ngân hàng thương mại. 
Dựa trên ý tưởng và cách tiếp cận vấn đề 
trong nghiên cứu của Golden và cộng sự 
(1993); Salas và Saurina (2002); Auronen 
(2003); Mario (2006); Louzis, Vouldis và 
cộng sự (2010), Richard (2011), Harper 
(2011) và Nguyễn Thị Hồng Vinh (2015) làm 
nền tảng, nghiên cứu này tiếp cận ở khía cạnh 
sự tác động của các yếu tố nội bộ tác động 
đến nợ xấu (NPL) của các NHTMVN giai 
đoạn 2006-2015. 
3.1. Mô hình nghiên cứu 
Mô hình nghiên cứu được đề xuất dựa 
theo cơ sở lý luận và đặc thù của các ngân 
hàng thương mại Việt Nam, cũng như tính phù 
hợp của dữ liệu thu thập được. Mô hình nghiên 
cứu có dạng như sau: it = cit + jXit + it 
Trong đó, là biến phụ thuộc được đo 
lường bằng tỷ số NPL, c là hệ số chặn, là hệ 
số hồi quy, X đại diện cho các biến đặc trưng 
bên trong ngân hàng. Kí hiệu i đại diện cho 
thứ tự các ngân hàng, t là năm. Mô hình 
nghiên cứu chi tiết như sau: 
NPLit = cit + 1ROEit + 2LnCREit 
+ 3LnRISKit + 4LnASSETSit 
+ 5AGENT_branch it + 6INTERESTit + 
 7ICTit + it 
NPL: Non – performing loan (%) – biến 
phụ thuộc. Tỷ lệ nợ xấu càng cao chứng tỏ 
khả năng sử dụng vốn không hiệu quả và làm 
92 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
giảm lợi nhuận của ngân hàng. Tỷ lệ nợ xấu 
của các ngân hàng được nêu trong báo cáo tài 
chính (đã kiểm toán) hằng năm. 
ROE: Suất sinh lời trên vốn chủ sở hữu 
(%). Biến định lượng này biểu thị cho khả 
năng sử dụng vốn hiệu quả của hệ thống ngân 
hàng. ROE có quan hệ nghịch biến với nợ xấu 
(kỳ vọng dấu âm). Nghiên cứu của Louzis, 
Vouldis và Metaxas (2010, 2012) đã tìm thấy 
mối quan hệ trái chiều giữa kết quả kinh 
doanh và nợ xấu. ROE của các ngân hàng 
càng tăng cho thấy hoạt động kinh doanh của 
các ngân hàng mang lại hiệu quả cao thì tỷ lệ 
nợ xấu thấp. 
LnCRE: Tăng trưởng tín dụng. Biến này 
thể hiện quy mô vốn được cung cấp ra thị 
trường. Tăng trưởng tín dụng cao góp phần 
làm giảm tỷ lệ nợ xấu của các ngân hàng ở 
năm hiện tại (Dash và Kabra, 2010). Tuy 
nhiên, tốc độ tăng trưởng tín dụng cao trong 
quá khứ sẽ góp phần làm cho nợ xấu ở năm 
hiện tại tăng lên, kết quả này cũng phù hợp 
với tình hình hoạt động của hệ thống 
NHTMVN, nghĩa là tăng trưởng tín dụng có 
quan hệ đồng biến (kỳ vọng dấu +) với nợ xấu 
(Mario, 2006). 
LnRISK: Lượng dự phòng rủi ro tín dụng 
thể hiện lượng vốn bị giữ lại không đưa vào 
thị trường. Dự phòng rủi ro là số tiền được 
trích lập và hạch toán vào chi phí hoạt động 
để dự phòng cho những tổn thất có thể xảy ra 
đối với các khoản cho vay của ngân hàng 
thương mại. Ngân hàng dự phòng càng nhiều 
thể hiện mức độ rủi ro càng cao. Mario (2006) 
cho rằng, các ngân hàng trích lập dự phòng 
theo đánh giá mức độ rủi ro của các khoản tín 
dụng, nếu rủi ro càng cao thì trích lập dự 
phòng càng lớn (kỳ vọng dấu +). 
LnASSETS: Nghiên cứu của Louzis và 
cộng sự (2010) cho thấy quy mô ngân hàng 
tác động trái chiều lên tỷ lệ nợ xấu tại ngân  ... g. Khi hồi quy 
Pooled (OLS) có hiện tượng phương sai sai số 
và tự tương quan nghĩa là mô hình có khuyết 
tật, phương pháp GLS khả thi (FGLS) bằng 
cách dùng biến đổi tương đương để đưa ra 
một mô hình mới mà sai số ngẫu nhiên trong 
mô hình này có phương sai sai số không đổi, 
sau đó dùng Pooled (OLS) để ước lượng mô 
hình mới này (Baltagi, 2010). 
94 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
4. Phân tích kết quả nghiên cứu 
4.1. Phân tích thống kê mô tả 
Dữ liệu nghiên cứu gồm 220 quan sát (10 
năm với 22 ngân hàng). Sau khi kiểm tra tính 
đầy đủ và chính xác của dữ liệu, nghiên cứu 
thực hiện thống kê mô tả nhằm cung cấp 
những thông tin cơ bản và tổng quan về tình 
hình hoạt động kinh doanh của các 
NHTMVN. Kết quả thống kê mô tả được thể 
hiện chi tiết theo Bảng 2. 
Bảng 2 
Thống kê mô tả giá trị các biến trong mô hình 
BANK NPL ROE CRE RISK ASSETS 
AGENT_ 
branch 
INTEREST ICT 
ABB 3.04 5.85 16649.04 274.98 37567.56 19.65 6.458 0.5844 
ACB 1.18 23.01 79158.88 866.89 160731.70 31.34 6.458 0.5781 
BIDV 3.38 14.42 295569.20 6797.26 419387.40 25.64 6.458 0.8082 
CTG 1.05 17.28 268219.80 2714.66 408768.10 18.24 6.458 0.6620 
EIB 1.89 10.52 55546.55 533.25 110538.90 31.15 6.458 0.5496 
HDB 1.46 10.91 21530.19 246.62 47095.69 24.84 6.458 0.4746 
KLB 1.84 8.55 22195.43 75.13 13230.16 28.41 6.458 0.3852 
MB 1.91 18.17 55476.45 1028.40 118248.40 27.58 6.458 0.6514 
MSB 2.23 9.70 22203.36 360.21 77802.61 19.02 6.458 0.5600 
NAB 1.90 5.87 8090.08 65.86 17690.60 19.48 6.458 0.4782 
NVB 2.87 7.00 10726.62 124.34 21886.42 15.55 6.458 0.6250 
OCB 2.45 11.36 14303.83 158.31 23484.87 21.52 6.458 0.6177 
PGB 2.39 9.13 9239.42 121.52 15101.88 20.19 6.458 0.5006 
SCB 3.39 9.97 66314.66 666.43 117896.40 17.39 6.458 0.5425 
SEA 1.86 5.44 18426.41 278.05 124121.60 15.35 6.458 0.4955 
SHB 2.83 8.58 44626.77 569.64 81144.61 14.78 6.458 0.4975 
STB 0.99 11.25 71048.03 821.55 132651.20 25.25 6.458 0.5263 
TCB 2.50 18.10 50388.33 4863.20 124105.00 24.30 6.458 0.5178 
VAB 2.09 7.01 11540.50 140.84 21544.86 21.77 6.458 0.5376 
VCB 2.78 18.68 201494.80 5122.29 364296.20 35.11 6.458 0.6198 
VIB 2.01 9.15 31420.31 489.40 63839.97 24.66 6.458 0.5466 
VPB 1.92 13.37 36313.35 406.94 77501.13 28.44 6.458 0.4487 
Total 2.18 11.51 64112.82 1214.81 117210.70 23.17 6.458 0.5549 
Nguồn: Tác giả (2017) 
 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 95 
Kết quả mô tả các giá trị thống kê (Bảng 
2) các biến cho thấy: Tỷ lệ nợ xấu (NPL) của 
các ngân hàng giai đoạn từ năm 2006 đến 
2015 ở mức trung bình là 2.18%. Ngân hàng 
có tỷ lệ nợ xấu nhỏ nhất là STB với 0.99% và 
ngân hàng có tỷ lệ nợ xấu cao nhất là SCB là 
3.39%. Các ngân hàng BIDV, VCB, CTG là 
những ngân hàng có tăng trưởng tín dụng cao 
nhất và cũng là nhóm các ngân hàng có chỉ 
số ứng dụng thông tin tín dụng (ICT) cao. 
Xét trên qui mô tổng tài sản, hai ngân hàng 
KLB, PGB có giá trị tổng tài sản nhỏ nhất. 
Các ngân hàng ABB, NAB và SEA có hệ số 
ROE rất thấp, chưa đến ½ bình quân toàn 
ngành ngân hàng trong cả giai đoạn 2006 – 
2015. Về lãi suất tái cấp vốn trong giai đoạn 
2006 – 2015, biến động lãi suất khá mạnh, 
đỉnh điểm là năm 2011. Những năm sau 
2011, lãi suất biến động theo chiều hướng 
giảm dần và ổn định ở mức khoảng 5%/năm. 
Đây là mức lãi suất vừa phải, phù hợp với lợi 
nhuận bình quân của ngành ngân hàng, lạm 
phát và tăng trưởng kinh tế của Việt Nam 
giai đoạn hiện nay. 
Hình 1. Biến động lãi suất tái cấp vốn giai đoạn 2006 – 2015 
Nguồn: Tác giả (2017) 
4.2. Phân tích hồi quy 
Kết quả phân tích hồi quy biến phụ thuộc 
(tỷ lệ nợ xấu (%) – NPL) theo các biến độc 
lập bên trong bằng phương pháp ước lượng 
OLS dữ liệu gộp (Pooled), phương pháp tác 
động cố định (FE) và tác động ngẫu nhiên 
(RE) của các đơn vị chéo được thể hiện trong 
Bảng 3 dưới đây: 
Bảng 3 
Kết quả phân tích hồi quy các biến tác động đến tỷ lệ nợ xấu (%) – NPL 
INDEPENDENT 
VARIABLES 
MODEL REGRESSION 
POOLED FE RE 
Coef. Sta. Err. Coef. Sta. Err. Coef. Sta. Err. 
LnASSETS -0.944*** -4.39 -0.973*** -3.69 -0.945*** -4.20 
LnCRE -0.221 -1.21 -0.170 -0.83 -0.205 -1.10 
LnRISK 0.996*** 7.48 0.941*** 6.13 0.978*** 7.16 
ROE -0.050*** -3.51 -0.059*** -3.37 -0.053*** -3.57 
AGENT_branch -0.010 -0.73 0.012 0.66 -0.005 -0.30 
INTEREST 0.053 1.55 0.067** 1.98 0.057* 1.70 
ICT -1.441* 1.79 0.990 0.86 -1.401 1.63 
96 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
INDEPENDENT 
VARIABLES 
MODEL REGRESSION 
POOLED FE RE 
Coef. Sta. Err. Coef. Sta. Err. Coef. Sta. Err. 
Number of obs 220 220 220 
Adj R-squared 0.296 0.280 
Prob>F 0.0000 0.000 0.0000 
Mức ý nghĩa: * P<0.1, ** P<0.05 và *** P<0.01 
Nguồn: Tác giả (2017) 
Từ kết quả hồi quy Pooled, FE và RE 
(Bảng 3) ta thấy, các biến ROE, LnRISK và 
LnASSETS luôn có tác động đến NPL. Mô 
hình hồi quy đều có ý nghĩa thống kê và có 
Adj R-squared từ 28% trở lên. 
Kiểm định Hausman để lựa chọn giữa 
mô hình FE và RE. Kết quả kiểm định cho 
giá trị χ2 ≈ 0 và Prob>chi2 = 0.856 > = 
0.05 nên ta bác bỏ giả thuyết H0. Như vậy, 
mô hình RE phù hợp hơn mô hình FE. Kiểm 
định Wald để lựa chọn giữa mô hình Pooled 
và FE: Kết quả kiểm định cho giá trị Chi-
square = 37.084 và Prob ≈ 0.1147 > = 0.05 
nên ta chấp nhận giả thuyết H0. Mô hình 
Pooled là phù hợp hơn. 
Kiểm định Breusch – Pagan cho mình 
hình Pooled cho kết quả Prob>chi2 = 0.000 < 
 = 0.05 nên mô hình có xảy ra hiện tượng 
phương sai sai số thay đổi. Đồng thời kiểm 
định Wald theo Worldridge cho Prob>F = 
0.000 < = 0.05 nên mô hình có xảy ra hiện 
tượng tự tương quan. Nghiên cứu sử dụng 
phương pháp FGLS để khắc phục các hiện 
tượng tương quan chuỗi và phương sai sai số 
thay đổi. Phân tích hồi quy theo phương pháp 
FGLS cho kết quả như Bảng 4. 
Bảng 4 
Kết quả lựa chọn mô hình phù hợp 
INDEPENDENT VARIABLES 
MODEL REGRESSION (FGLS) Kết quả kiểm định giả 
thuyết Coef. Sta. Err. 
LnASSETS -0.4696*** 0.1467 Chấp nhận 
LnCRE -0.4289*** 0.1331 Chấp nhận 
LnRISK 0.7522*** 0.1020 Chấp nhận 
ROE -0.0388*** 0.0084 Chấp nhận 
AGENT_branch 0.0045 0.0092 Từ chối 
INTEREST 0.0677*** 0.0174 Chấp nhận 
ICT -1.0880*** 0.4880 Chấp nhận 
Number of obs 220 
Wald Chi2 (7) 142.81 
AR(1) 0.3015 
Prob>chi2 0.0000 
Mức ý nghĩa *** P<0.01 
Nguồn: Tác giả (2017) 
 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 97 
4.3. Kiểm định độ phù hợp mô hình 
 Kiểm định sự phù hợp của mô hình 
Giá trị kiểm định F cho kết quả Prob (F-
statistic) = 0.000 < α = 0.05 nên ta bác bỏ giả 
thuyết H0, chấp nhận giả thuyết H1: mô hình 
nghiên cứu là phù hợp. Bên cạnh đó, R2 hiệu 
chỉnh của mô hình 1 bằng 0.296. Điều này có 
nghĩa là với mô hình trên, các biến độc lập 
bên trong ngân hàng có thể giải thích được 
khoảng 29.6% cho sự biến thiên của NPL. 
 Kiểm định đa cộng tuyến 
Bảng 5 
Kết quả kiểm định đa cộng tuyến 
Variable VIF 1/VFF Hệ số VIF của các biến đều 
nhỏ hơn 5 (Bảng 5), như vậy, 
các biến trong mô hình không 
xảy ra hiện tượng đa cộng 
tuyến (Gujarati, 2012). 
ROE 1.34 0.749036 
LnCRE 1.05 0.953160 
LnRISK 1.19 0.840702 
LnASSETS 1.08 0.926208 
AGENT_branch 1.34 0.744929 
INTEREST 1.12 0.896147 
ICT 1.13 0.883490 
Mean VIF 1.18 
 Kiểm định phương sai sai số thay đổi 
và tự tương quan 
Kết quả hồi quy theo phương pháp FGLS 
cho thấy, Wald Chi2 (7) = 142.81 với AR(1) 
= 0.3015 và Prob>chi2 = 0.000. Như vậy, các 
khuyết tật về phương sai sai số thay đổi và tự 
tương quan của mô hình đã được khắc phục, 
mô hình có ước lượng không chệch, đảm bảo 
độ tin cậy cao. 
5. Kết luận và hàm ý chính sách 
5.1. Kết luận 
Các yếu tố bên trong ngân hàng tác động 
đến tỷ lệ nợ xấu (NPL) theo phương pháp hồi 
quy FGLS cho thấy, có 6/7 biến độc lập có tác 
động, trong đó các biến ROE, LnCRE, 
LnASSETS và ICT có tác động trái chiều với 
NPL. Các biến LnRISK và INTEREST có tác 
động cùng chiều với NPL. Kết quả nghiên cứu 
phù hợp với một số nghiên cứu trước và 
phù hợp với thực tế tại Việt Nam. Biến 
AGENT_branch chưa tìm thấy bằng chứng có 
tác động đến NPL. Dựa vào kết quả nghiên cứu 
cũng như tình hình thực tế tại các NHTMVN, 
một số khuyến nghị được đề xuất nhằm góp 
phần giảm nợ xấu tại các NHTMVN. 
5.2. Hàm ý chính sách 
Đối với các nhà quản trị ngân hàng: 
Các nhà quản trị ngân hàng có thể kiểm soát 
nợ xấu tại ngân hàng thông qua nhiều cách 
khác nhau như: gia tăng suất sinh lời ROE, 
trích lập dự phòng rủi ro theo đúng qui định, 
sử dụng hiệu quả thông tin tín dụng, thúc đẩy 
tăng trưởng tín dụng và tăng tài sản. Các ngân 
hàng có thể gia tăng ROE và sử dụng ICT 
càng tốt thì NPL càng giảm, trong đó, đặc biệt 
cần chú ý sử dụng yếu tố ICT vì hiện nay các 
ngân hàng tiếp cận và sử dụng hiệu quả hệ 
thống thông tin tín dụng chưa tốt và cũng 
chưa nghiên cứu sâu vấn đề này. Tuy nhiên, 
để hệ thống thông tin tín dụng hiệu quả, chính 
xác, minh bạch, thì cần có sự chỉ đạo, hỗ 
trợ của các cơ quan quản lý nhà nước, đặc biệt 
98 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 
là Ngân hàng Nhà nước. 
Đối với Ngân hàng Nhà nước: Cần gia 
tăng cũng cố và phát huy hệ thống thông tin 
tín dụng để là cơ sở hữu hiệu cho các 
NHTM có thể đưa ra những quyết định tín 
dụng kịp thời, chính xác hơn, lựa chọn đối 
tượng để cấp tín dụng hiệu quả, nâng cao 
khả năng thu hồi vốn tín dụng. Đồng thời, 
cơ quan quản lý Nhà nước cần nghiên cứu 
và đưa ra định hướng lãi suất phù hợp với 
nền kinh tế Việt Nam theo từng giai đoạn 
nhằm nâng cao khả năng hoàn trả nợ vay 
của người vay vốn, từ đó đảm bảo khả năng 
thu hồi nợ của ngân hàng 
Tài liệu tham khảo 
Atlman, Edward I. (2000). Predicting Financial Distress of Companies: Revisiting The Z-Score and ZETA Models. 
Working Paper. 
Auronen, L. (2003). Asymmetric Information: Theory and Applications. Paper presented in the Seminar of Strategy 
and International Business as Helsinki University of Technology, May 21st 2003. 
Baltagi, Badi. H. (2010). Panel Data Econometrics, theoretical Contributions and Empirical Application, First 
Edition, Elsevier, chapter 3, 67-90. 
Bester, H. (1994). Collateral, Default Risk and Relationship Lending: an empirical study on Financial Contracting. 
Breusch, T. S., and Pagan, A. R. (1979). A Simple Test for Heteroscedasticity and Random Coefficient Variation. 
Econometrica, 47(5), 1287-1294. 
Chính phủ (2016). Báo cáo tình hình kinh tế – xã hội 6 tháng đầu năm và các nhiệm vụ, giải pháp chủ yếu 6 tháng 
cuối năm 2016. 
Chu Thái (2017). Nợ xấu quý I/2017: Vẫn tăng và có sự phân hóa, 
bao-hiem/2017-05-17/no-xau-quy-i-2017-van-tang-va-co-su-phan-hoa-43369.aspx 
Dash, M and Kabra, G. (2010). The determinants of non-performing assets in Indian commercial bank: An 
econometric study’, Middle Eastern Finance and Economics, Eurojournals publishing 2010, ISSN: 1450-
2889 Issue 7 (2010),  
Fofack, H. (2005). Non-performing loans in sub-Saharan Africa: Causal Analysis and Macroeconomic 
Implications’, World Bank Policy Research Working Paper, WP 3769, November 2005,  
abstract=849405 
Golden, Sam; Walker, Harry M. (1993). The Ten Commandments of Commercial Credit. The Cs of good and bad 
loans. Journal of Commerial Bank Leading. 
Greenidge, K., & Grosvenor, T. (2010). Forecasting non-performing loans in Barbados. Journal of Business, 
Finance and Economics in Emerging Economies, 5(1), 80-107. 
Gujarati, D. N. (2012). Basic econometrics, Tata McGraw-Hill Education. 
Gujrati, D.N. (2004). Basic Econometric, (4th Ed.). The McGraw-Hill Companies. NewYork. 
Guy, K., & Lowe, S. (2011). Non-performing loans and bank stability in Barbados. Economic Review, 37(1), 77-82. 
Harper, B. (2011). Linking banks and strong economic growth, ABA Occasional Paper, Australian Banker’s 
Assocciaation Inc. 
IMF (2004). Compilation Guide on Financial Soundness Indicators -FSIs (July 30, 2004), https://www.imf.org/ 
external/np/sta/fsi/eng/2004/guide/index.htm. 
Jiménez, G and Saurina, J. (2006). Credit Cycles, Credit Risk, and Prudential Regulation. International Journal of 
Central Banking, 2006, 2(2). 
 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 59(2), 88-99 99 
Louzis, D., Vouldis, A., & Metaxas, V. (2012). Macroeconomic and bank-specific determinants of non- performing 
loans in Greece: A comparative study of mortgage, business and consumer loan portfolios. Journal of 
Banking & Finance, 36(4), 1012-1027. https://doi.org/10.1016/j. 
Louzis, D.P, Vouldis, A.T, and Metaxas, V. (2010). Macroeconomic and bank-specific determinants of non-
performing loans in Greece: A comparative study of mortgage, business and consumer loan portfolios’, 
International Conference on Applied Economic – ICOAE 2010, Bank of Greece Working Paper 118/2010, 
http:ssrn.com/abstract=1703026 
Mario, Q (2006). Bank’s Riskiness over the Business cycle: A Panel Analysis on Intalian Intermediaries’, Bank of 
Italy Working Papers, No. 559 – September 2006,  
Messai, A.S., & Jouni, F. (2013). Micro and Macro Determinants of Non-performing Loans. International Journal 
of Economic and Financial Issues, 3(4), 852-860. 
Ngân hàng Nhà nước Việt Nam (2005). Quyết định số 493/2005/QĐ-NHNN ban hành ngày 22/04/2005. 
Ngân hàng Nhà nước Việt Nam (2013). Thông tư số 02/2013/TT-NHNN ban hành ngày 21/01/2013. 
Nguyễn Minh Kiều (2015). Giáo trình Nghiệp vụ ngân hàng thương mại, Nxb Tài chính, Tp. Hồ Chí Minh, trang 
565 – 627. 
Nguyễn Thị Hồng Vinh (2015). Yếu tố tác động đến nợ xấu các ngân hàng thương mại Việt Nam. Tạp chí Phát triển 
Kinh tế, 26(11), 80 – 98. 
Phạm Thanh Bình (2005). Nâng cao năng lực cạnh tranh của hệ thống NHTM Việt Nam trong điều kiện hội nhập 
khu vực và quốc tế, Đề tài trọng điểm cấp ngành, mã số: KNHTĐ 2003.01. 
Rajan, R, and Dhal, S.C (2003). Non-Performing Loans and Terms of Credit of Public Sector Banks in India: An 
Empirical Assessment. Reserve Bank of India Occasional Paper, 24, 81–121,  
Publications/PDFs/60613.pdf 
Richard, E. (2011). Factors that cause non- performing loans in commercial banks in tanzania and strategies to 
resolve them. Journal of Management Policy and Practice, 12(7), 50-58. 
Sala, V. & Saurina, J. (2002). Credit Risk in Two Institutional regimes: Spanish Commercial and savings Banks. 
Journal of Financial services Research, 22(3), 38. 
Sinkey, J.F., Greenwalt, M. (1991). Loan-loss experience and risk-taking behavior at large commercial banks. 
Journal of Financial Services Research, 5(1), 43-59. 
Trần Huy Hoàng (2011). Giáo trình Quản trị ngân hàng thương mại, Nxb Lao động Xã hội, Hà Nội, trang 
200 – 232. 
Upal (2009). Priority sector advances: Trends, issues and strategies. Journal of Accounting and Taxation, 1(5), 
079- 089. 
Wooldrige, J.M. (2002). Introductory Econometrics, A Modern Approach, McGraw-Hill, NewYork, USA.