Luận án tiến sĩ: Dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container Việt Nam

Tổng quan về luận án

Luận án này giải quyết tính cấp thiết của việc dự báo rủi ro tín dụng (RRTD) trong đầu tư phát triển đội tàu container tại Việt Nam, một lĩnh vực kinh tế biển trọng yếu đang đối mặt với những thách thức đáng kể về vốn và quản lý rủi ro. Bối cảnh khoa học của nghiên cứu được đặt trong xu thế container hóa toàn cầu và chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030, tầm nhìn đến năm 2045, với mục tiêu kinh tế biển của 28 thành phố ven biển ước đạt 65-70% GDP cả nước [luan1an]. Tính tiên phong của nghiên cứu nằm ở việc đề xuất một công cụ dự báo định lượng chuyên biệt cho lĩnh vực này, điều chưa từng được thực hiện một cách có hệ thống tại Việt Nam.

Research Gap SPECIFIC với citations từ literature: Mặc dù đã có nhiều công trình nghiên cứu về quản trị, phòng ngừa và giảm thiểu RRTD trên thế giới và tại Việt Nam, và các công trình này đã thành công trong việc tổng hợp lý luận, đánh giá thực trạng và đề xuất giải pháp hạn chế RRTD nói chung (luan12an, luan18an), vẫn tồn tại một khoảng trống đáng kể. Cụ thể, "chưa có công trình nghiên cứu chuyên sâu về dự báo rủi ro tín dụng trong lĩnh vực đầu tư phát triển đội tàu container của Việt Nam" (luan23an). Các nghiên cứu trước đây thường áp dụng phương pháp dự báo định tính hoặc các mô hình định lượng chung cho nhiều lĩnh vực kinh tế khác nhau, dẫn đến độ tin cậy và tính chuyên biệt không cao. Chẳng hạn, luận án của Lê Thị Huyền Diệu (2010) về quản lý RRTD tại ngân hàng thương mại Việt Nam còn hạn chế ở chỗ chưa đưa ra phương pháp dự báo RRTD trước khi cấp tín dụng và mô hình áp dụng chung cho nhiều lĩnh vực [luan13an]. Tương tự, các mô hình phổ biến như Z-score, Merton, Markov hay CAPM được tác giả đánh giá là không phù hợp để dự báo RRTD cho từng dự án đầu tư tàu container do tính chất ngắn hạn, giả định đơn giản hóa, hoặc tập trung vào danh mục đầu tư chứng khoán (luan39an, luan42an, luan45an). Khoảng trống này còn mở rộng về mặt lý luận, khi "Chưa có khái niệm chuyên sâu về “rủi ro tín dụng trong đầu tư tàu container” cũng như các mối quan hệ nội hàm của khái niệm này" và "Trong khoa học dự báo chưa có khái niệm về “dự báo rủi ro tín dụng”" (luan23an).

Research Questions và Hypotheses: Luận án này tập trung giải quyết các câu hỏi và kiểm định các giả thuyết sau:

1. RQ1: Các khái niệm cơ bản về dự báo và rủi ro tín dụng có thể được hệ thống hóa và bổ sung như thế nào để phản ánh đặc thù của RRTD trong đầu tư tàu container?
2. RQ2: Thực trạng công tác dự báo RRTD trong cho vay đầu tư phát triển đội tàu container của Việt Nam hiện nay đang đối mặt với những ưu điểm và hạn chế nào?
3. RQ3: Mô hình dự báo RRTD chuyên biệt cho đầu tư phát triển đội tàu container của Việt Nam có thể được xây dựng dựa trên cơ sở lý luận và các phương pháp định lượng tiên tiến nào?
4. RQ4: Các biện pháp hạn chế RRTD hiệu quả cho các tổ chức tín dụng trong quá trình thẩm định và tài trợ các dự án đầu tư phát triển đội tàu container của Việt Nam là gì?

• H1: Việc hệ thống hóa và bổ sung các khái niệm "rủi ro tín dụng trong đầu tư tàu container" và "dự báo RRTD" sẽ làm phong phú cơ sở lý luận cho khoa học dự báo và kinh tế biển.
• H2: Công tác dự báo RRTD tại các TCTD Việt Nam còn tồn tại nhiều hạn chế, đặc biệt là thiếu công cụ lượng hóa chuyên biệt, dẫn đến tỷ lệ nợ xấu cao trong cho vay đầu tư tàu container (ví dụ, "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%" [luan1an]).
• H3: Một mô hình hồi quy Binary Logistic được phát triển và điều chỉnh chuyên biệt có thể dự báo RRTD trong đầu tư tàu container với độ chính xác cao hơn so với các mô hình hiện có.
• H4: Các giải pháp dựa trên mô hình dự báo chuyên biệt sẽ giúp giảm thiểu RRTD, tăng cường niềm tin của TCTD và thúc đẩy đầu tư phát triển đội tàu container Việt Nam.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng trên nền tảng của các lý thuyết về rủi ro tài chính, lý thuyết dự báo kinh tế lượng và lý thuyết về cấu trúc vốn. Cụ thể, luận án kế thừa và mở rộng:

• Lý thuyết dự báo: Dựa trên các nguyên lý của khoa học dự báo, vốn được định nghĩa là "một khoa học và nghệ thuật tiên đoán những sự việc sẽ xảy ra trong tương lai, trên cơ sở phân tích khoa học về các dữ liệu đã thu thập được" (luan25an), nhấn mạnh tính xác suất và tính thời điểm của dự báo.
• Lý thuyết rủi ro tín dụng: Tổng hợp các quan điểm về rủi ro tín dụng từ các nghiên cứu điển hình như Macaulay (1938), David Duran (1941) và các nghiên cứu về mô hình chấm điểm tín nhiệm (FICO của Bill Fair và Earl Isaac, 1950s) về việc lượng hóa rủi ro và xác định khả năng vỡ nợ.
• Lý thuyết hồi quy và kinh tế lượng: Đặc biệt là lý thuyết về mô hình hồi quy Binary Logistic, vốn rất mạnh trong việc phân tích các biến phụ thuộc nhị phân (có/không RRTD), được sử dụng làm cơ sở để phát triển mô hình chuyên biệt. Lý thuyết này được kế thừa từ các công trình như Đặng Văn Dân (2014) và Vũ Quỳnh Nam (2017) (luan19an-luan21an).

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá với tác động có thể định lượng được:

1. Lý luận chuyên sâu: Lần đầu tiên đưa ra các khái niệm chuyên sâu về “rủi ro tín dụng trong đầu tư tàu container” và “dự báo RRTD”, góp phần vào tính đa dạng và chuyên sâu của khoa học dự báo và ngành kinh tế biển (luan5an, luan6an).
2. Mô hình dự báo tiên phong: Đề xuất mô hình dự báo RRTD chuyên biệt cho lĩnh vực đầu tư tàu container của Việt Nam, mở rộng hàm hồi quy Binary Logistic, nâng cao độ chính xác dự báo so với các phương pháp định tính và mô hình chung trước đây (luan5an, luan6an). Điều này có thể giúp giảm "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%" hiện tại (luan1an).
3. Công cụ lượng hóa khách quan: Cung cấp cho các TCTD một công cụ lượng hóa rủi ro khách quan, cho phép "đưa ra dự báo tiên nghiệm cho các dự án đầu tư tàu container ngay từ thời điểm nghiên cứu khả thi" (luan5an). Điều này có tiềm năng giảm thiểu RRTD, khuyến khích các TCTD đầu tư, và góp phần tăng thị phần đội tàu container Việt Nam từ mức thấp hiện tại là 3.6% (luan1an).
4. Dự báo cụ thể và biện pháp hạn chế: Cung cấp dự báo RRTD cho giai đoạn 2020-2025 và cho các dự án mới, kèm theo các biện pháp hạn chế RRTD cụ thể (luan6an), hỗ trợ các chính sách phát triển đội tàu và kinh tế biển.

Scope (sample size, timeframe) và significance:

• Phạm vi nội dung: Tập trung vào công tác dự báo RRTD trong cho vay đầu tư phát triển đội tàu container của Việt Nam (luan3an).
• Phạm vi không gian: Các tổ chức tín dụng hoạt động tại Việt Nam (ngân hàng, TCTD phi ngân hàng, tổ chức tài chính vi mô, quỹ tín dụng nhân dân, TCTD nước ngoài có tư cách pháp nhân tại Việt Nam) (luan3an).
• Phạm vi thời gian: Nghiên cứu các dự án đầu tư từ năm 1997 đến 2019; dự báo kiểm định cho năm 2019 và dự báo tiên nghiệm đến năm 2025 cho các tàu đang khai thác và các dự án mới (luan3an).
• Quy mô mẫu: Tổng cộng 41 tổ chức tín dụng hoạt động tại Việt Nam vào năm 2019 đã được khảo sát (luan4an). Ngoài ra, số liệu thu thập từ các cơ quan thống kê và Trung tâm Thông tin tín dụng quốc gia (CIC) [68] được sử dụng (luan4an).
• Ý nghĩa: Luận án có ý nghĩa khoa học và thực tiễn sâu sắc. Về mặt khoa học, nó làm phong phú cơ sở lý luận về dự báo RRTD trong một lĩnh vực đặc thù. Về thực tiễn, nó cung cấp công cụ và giải pháp hữu hiệu giúp các TCTD ra quyết định cấp tín dụng chính xác hơn, từ đó thúc đẩy đầu tư vào đội tàu container, góp phần thực hiện mục tiêu quốc gia về phát triển kinh tế biển (luan1an, luan5an).

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Nghiên cứu tổng quan đã chỉ ra hai dòng nghiên cứu chính: định lượng rủi ro tín dụng và dự báo kinh tế. Dòng nghiên cứu về định lượng rủi ro tín dụng trên thế giới bắt đầu với các công trình của Macaulay (1938), người đầu tiên đề xuất phương pháp lượng hóa rủi ro lãi suất trái phiếu [25, tr.] và tạo nền tảng cho xu thế lượng hóa rủi ro tài chính (luan7an). David Duran (1941) kế thừa công trình của Fisher, ứng dụng phân nhóm để phân biệt khoản nợ xấu/tốt, gợi mở việc sử dụng mô hình hóa toán học trong đánh giá RRTD [63, tr.] (luan8an). Tiếp đó, Bill Fair và Earl Isaac vào những năm 1950 đã phát triển mô hình FICO chấm điểm tín nhiệm dựa trên lượng hóa cụ thể thông qua thang điểm 100, được áp dụng rộng rãi (luan9an). Đến thập kỷ 60, Jan Mossin (1966) với công trình về Cân bằng trong thị trường tài sản vốn (CAMP) sử dụng hàm hồi quy đơn biến để xác định rủi ro thị trường [58] (luan9an). Stephen Ross (1976) khắc phục hạn chế hồi quy đơn biến, công bố Lý thuyết định giá kinh doanh chênh lệch (APT) với cách tiếp cận hồi quy đa biến [65, tr.], tăng độ tin cậy trong đánh giá rủi ro tài chính (luan10an). Cuối thập kỷ 80 đến nay, các phương pháp hồi quy log, quy hoạch tuyến tính và ứng dụng trí tuệ nhân tạo phát triển mạnh mẽ. Josel Basis (1998) khái quát về quản trị RRTD, trong đó có mô hình VaR [61] (luan11an). Các nghiên cứu gần đây của Bofondi, Marcello và Ropele (2011) và Marijana Curak, Sandra Pepur và Klime Poposki (2013) đã xác định các nhân tố vĩ mô (GDP, tỷ lệ thất nghiệp, lạm phát, lãi suất) và vi mô (quy mô ngân hàng, trình độ nhân viên) tác động đến chất lượng khoản vay và nợ xấu (luan11an).

Tại Việt Nam, các nghiên cứu về RRTD chủ yếu tập trung vào quản trị và phòng ngừa. Lê Thị Huyền Diệu (2010) đã hệ thống hóa lý luận về RRTD và đưa ra mô hình quản lý rủi ro nhưng chưa có phương pháp dự báo trước khi cấp tín dụng và mô hình chuyên sâu (luan13an). Trần Trung Tường (2011) nhấn mạnh vai trò quản trị RRTD nhưng chưa đề cập đo lường và dự báo (luan13an). Nguyễn Đức Tú (2012) đề xuất khái niệm mới về RRTD và phát triển lý luận quản lý RRTD cho ngân hàng, nhưng không đề cập công tác dự báo (luan14an). Tương tự, Nguyễn Tuấn Anh (2012) và Nguyễn Hùng Tiến (2016) cũng chưa đề cập phương pháp dự báo RRTD (luan14an, luan15an). Nguyễn Thị Gấm (2018) nghiên cứu các nhân tố vi mô, vĩ mô ảnh hưởng tới RRTD và đưa ra giải pháp quản trị (luan15an). Trần Khánh Dương (2019) đề cập một số mô hình đo lường RRTD nhưng thiếu công cụ lượng hóa chuyên sâu cho từng đối tượng khách hàng (luan16an). Về khoa học dự báo tại Việt Nam, các công trình đáng chú ý gồm: Cao Ngọc Châu (1994) áp dụng mô hình toán học dự báo nhu cầu vận tải nhưng còn mang tính vĩ mô, chưa tính đặc thù từng lĩnh vực [6] (luan16an). Nguyễn Thanh Hiếu (2016) xây dựng và kiểm định mô hình dự báo dòng tiền cho các công ty tài chính niêm yết, sử dụng OLS, REM, FEM (luan17an). Phạm Thị Thu Hằng (2017) xây dựng 37 mô hình dự báo lượng hàng container thông qua cảng biển Việt Nam bằng hàm hồi quy và phần mềm Eviews, nhưng mô hình còn nhiều nhân tố bị loại bỏ và khó khăn trong lựa chọn [20] (luan17an-luan18an). Các luận án sử dụng hàm hồi quy Binary Logistic như Đặng Văn Dân (2014) về cầu đào tạo từ xa, Vũ Quỳnh Nam (2017) về phát triển làng nghề chè, Cù Thanh Thủy (2018) về đầu tư hạ tầng giao thông, và Nguyễn Hồng Thu (2018) về tác động tín dụng vi mô, đều cho thấy sự phù hợp của mô hình này để giải quyết các vấn đề có biến phụ thuộc nhị phân (luan19an-luan21an).

Contradictions/debates với ít nhất 2 opposing views: Trong lĩnh vực dự báo và lượng hóa rủi ro, tồn tại nhiều tranh luận về tính chính xác và phạm vi áp dụng của các mô hình.

1. Hồi quy đơn biến vs. đa biến: Mô hình CAMP của Jan Mossin (1966) chỉ tập trung vào một nhân tố (sự thay đổi của thị trường) để xác định rủi ro tài sản, bỏ qua các nhân tố khác. Điều này bị chỉ trích bởi các học giả ủng hộ hồi quy đa biến, họ cho rằng lợi nhuận kỳ vọng và rủi ro đầu tư phụ thuộc vào nhiều yếu tố hơn [25, tr.] (luan9an-luan10an). Stephen Ross (1976) đã phát triển APT để khắc phục hạn chế này bằng cách đưa nhiều nhân tố vào mô hình [65, tr.] (luan10an).
2. Giả định phân phối chuẩn vs. thực tế thị trường: Mô hình Merton, dù đơn giản và có ý nghĩa, được xây dựng trên "thế giới Gaussian" – giả định rằng biến lnVt phải tuân theo phân phối chuẩn, một giả định bị chỉ trích bởi giới học thuật (ví dụ, Nicholas Taleb trong "Thiên nga đen" năm 2007) và nhiều khi bị bác bỏ bởi các kiểm định thống kê [39, tr.6] (luan42an). Điều này mâu thuẫn với thực tế biến động phức tạp của thị trường tài chính, nơi các "sự kiện thiên nga đen" có thể xảy ra. Mô hình VaR cũng bị hạn chế tương tự khi "chỉ đánh giá ước lượng tổn thất trong phần lớn các tình huống của thị trường trong điều kiện giả định là ổn định, loại bỏ những diễn biến bất thường" [25, tr.13] (luan48an).

Positioning trong literature với specific gap identified: Luận án định vị mình là nghiên cứu tiên phong trong việc lấp đầy khoảng trống về dự báo RRTD chuyên biệt cho đầu tư đội tàu container tại Việt Nam. Trong khi các nghiên cứu quốc tế đã phát triển các mô hình lượng hóa RRTD tổng quát (như FICO, CAMP, APT, VaR), chúng thường không tập trung vào các lĩnh vực kinh tế đặc thù với các yếu tố rủi ro riêng biệt hoặc không áp dụng hiệu quả cho từng dự án đầu tư dài hạn như tàu container (luan39an, luan42an, luan45an, luan48an). Các nghiên cứu tại Việt Nam, mặc dù đã hệ thống hóa lý luận về RRTD, nhưng "chưa đưa ra một công cụ lượng hóa rủi ro để từ đó có thể đưa ra dự báo rủi ro trong tương lai" (luan18an), đặc biệt là không có mô hình chuyên sâu cho ngành vận tải biển. Luận án này giải quyết trực tiếp "khoảng trống mà chưa có công trình nào đã công bố nghiên cứu chuyên sâu về dự báo rủi ro tín dụng trong lĩnh vực đầu tư phát triển đội tàu container của Việt Nam" (luan23an).

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực dự báo RRTD bằng cách:

• Chuyên biệt hóa lý luận: Đóng góp khái niệm "rủi ro tín dụng trong đầu tư tàu container" và "dự báo RRTD" [luan5an, luan6an, luan23an], làm sâu sắc thêm khoa học dự báo.
• Mô hình hóa định lượng tiên tiến: Phát triển một mô hình dự báo chuyên biệt dựa trên hàm hồi quy Binary Logistic, vượt qua các mô hình định tính và định lượng chung (luan24an).
• Ứng dụng thực tiễn cao: Cung cấp công cụ dự báo tiên nghiệm cho TCTD, giúp họ ra quyết định cấp tín dụng hiệu quả hơn, giảm thiểu rủi ro cho các dự án đầu tư quy mô lớn và dài hạn (luan5an).

So sánh với ÍT NHẤT 2 international studies:

1. So sánh với mô hình FICO (Bill Fair và Earl Isaac, 1950s): Mô hình FICO là một công cụ chấm điểm tín nhiệm cá nhân/doanh nghiệp vi mô, nổi bật với tính thực tiễn cao và khả năng lượng hóa rủi ro qua thang điểm 100 [luan9an]. Tuy nhiên, FICO bị hạn chế bởi việc dựa trên dữ liệu lịch sử, không áp dụng được cho đối tượng mới chưa có dữ liệu và không bao hàm hết các yếu tố vĩ mô ảnh hưởng tới RRTD [luan9an]. Luận án này, mặc dù kế thừa ý tưởng lượng hóa và dự báo khả năng RRTD, nhưng lại phát triển một mô hình chuyên biệt cho lĩnh vực đầu tư tàu container, vốn là các dự án quy mô lớn, dài hạn và có những yếu tố rủi ro đặc thù không được FICO bao quát đầy đủ. Mô hình của luận án cũng tập trung vào dự báo tiên nghiệm, ngay từ giai đoạn nghiên cứu khả thi, khác với FICO thường đánh giá dựa trên hồ sơ tín dụng đã hình thành.
2. So sánh với mô hình CAPM (Jan Mossin, 1966) và APT (Stephen Ross, 1976): Cả CAPM và APT đều là các mô hình quan trọng trong tài chính, thể hiện mối quan hệ giữa rủi ro và lợi nhuận kỳ vọng [58, 65, tr.10]. CAPM đơn giản và dễ áp dụng (luan45an), nhưng APT (hồi quy đa nhân tố) có ít giả thuyết hơn và mang tính tổng quát hơn, phản ánh nhiều nhân tố tác động đến rủi ro và lợi nhuận (luan10an). Tuy nhiên, cả hai mô hình này thường thiên về đánh giá rủi ro đối với các phương án đầu tư chứng khoán với thời hạn ngắn, và bị ảnh hưởng bởi quy mô công ty [65, tr.7] (luan45an-luan46an). Đối với các dự án đầu tư tàu container, vốn là tài sản cố định với thời gian hoàn vốn dài và rủi ro mang tính dự án cụ thể, các mô hình này không phù hợp để dự báo RRTD. Luận án này khắc phục hạn chế đó bằng cách xây dựng mô hình chuyên biệt cho từng dự án đầu tư tàu container, với các biến độc lập phản ánh đặc thù của ngành, thay vì các chỉ số thị trường chung.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào việc mở rộng và thách thức các lý thuyết hiện có về dự báo và rủi ro tín dụng.

• Extend/challenge WHICH specific theories (name theorists):

  • Lý thuyết về RRTD: Luận án mở rộng lý thuyết RRTD bằng cách cung cấp khái niệm chuyên sâu về "rủi ro tín dụng trong đầu tư tàu container" (luan5an, luan23an). Điều này bổ sung vào các khuôn khổ RRTD tổng quát được đề xuất bởi các nhà nghiên cứu như Josel Basis (1998) trong "quản trị rủi ro ngân hàng" [61], vốn tập trung vào khái niệm cơ bản và mô hình định lượng chung như VaR. Sự chuyên biệt hóa này thách thức quan điểm rằng một định nghĩa RRTD chung có thể bao quát đầy đủ mọi đặc thù ngành.
  • Lý thuyết dự báo: Luận án giới thiệu khái niệm mới về "dự báo RRTD" (luan5an, luan23an), làm phong phú thêm lý thuyết dự báo của Gordon (được đề cập trong bảng 2.1 các phương pháp dự báo) và các học giả khác như tác giả được trích dẫn trong "Dự báo là một khoa học và nghệ thuật tiên đoán..." [19, tr.] (luan25an). Khái niệm này nhấn mạnh sự cần thiết của việc phát triển các phương pháp dự báo định lượng chuyên biệt cho các loại rủi ro cụ thể, thay vì chỉ dựa vào các phương pháp dự báo kinh tế tổng quát.
  • Lý thuyết hồi quy Binary Logistic: Luận án đã phát triển và mở rộng hàm hồi quy Binary Logistic để xây dựng nên mô hình dự báo RRTD chuyên biệt cho lĩnh vực đầu tư phát triển đội tàu container của Việt Nam (luan6an). Điều này mở rộng phạm vi ứng dụng của mô hình Binary Logistic, vốn đã được chứng minh hiệu quả trong các nghiên cứu về nhu cầu đào tạo từ xa của Đặng Văn Dân (2014) hay tính bền vững của làng nghề chè của Vũ Quỳnh Nam (2017) (luan19an). Luận án chứng minh rằng mô hình này có thể được tùy chỉnh để giải quyết các vấn đề RRTD phức tạp trong một ngành cụ thể.

• Conceptual framework với components và relationships: Khung phân tích của luận án được xây dựng dựa trên mối quan hệ giữa các nhân tố ảnh hưởng (biến độc lập) và khả năng xảy ra RRTD (biến phụ thuộc nhị phân).

  • Components:
    • Biến phụ thuộc: Rủi ro tín dụng trong đầu tư tàu container (dạng nhị phân: Có RRTD / Không RRTD).
    • Biến độc lập: Các nhân tố ảnh hưởng đến RRTD trong đầu tư tàu container. Mặc dù văn bản không liệt kê cụ thể các biến độc lập, có thể suy luận từ các nghiên cứu quốc tế đã được trích dẫn về các yếu tố vĩ mô (tăng trưởng GDP, tỷ lệ thất nghiệp, lạm phát, lãi suất) [55, 59] và các yếu tố vi mô (quy mô ngân hàng, chất lượng thông tin, kinh nghiệm nhân viên) [59] cùng với các đặc thù của dự án đầu tư tàu (quy mô vốn, thời gian đầu tư dài, điều kiện thị trường vận tải biển) (luan1an).
  • Relationships: Mô hình giả định rằng các biến độc lập này có mối quan hệ xác suất với khả năng xảy ra RRTD. Hàm Binary Logistic sẽ ước lượng xác suất P(Y=1|X) - xác suất có RRTD dựa trên giá trị của các biến độc lập X (luan49an).

• Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất là một sự mở rộng của hàm hồi quy Binary Logistic, với các propositions cụ thể:

  • P1: Xác suất RRTD trong đầu tư tàu container (Pi) là một hàm sigmoid của tổ hợp tuyến tính các nhân tố kinh tế vĩ mô, đặc thù ngành và đặc điểm dự án.
  • P2: Các nhân tố kinh tế vĩ mô bất lợi (ví dụ, tốc độ tăng trưởng GDP thấp, lạm phát cao, lãi suất cao) sẽ làm tăng xác suất Pi. (H2: Công tác dự báo RRTD tại các TCTD Việt Nam còn tồn tại nhiều hạn chế, đặc biệt là thiếu công cụ lượng hóa chuyên biệt, dẫn đến tỷ lệ nợ xấu cao trong cho vay đầu tư tàu container (ví dụ, "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%" [luan1an]).)
  • P3: Các nhân tố đặc thù ngành và dự án (ví dụ, quy mô vốn, thời gian hoàn vốn, biến động thị trường vận tải biển) sẽ có ảnh hưởng đáng kể đến Pi.
  • P4: Mô hình dự báo chuyên biệt (dựa trên Binary Logistic) có khả năng dự đoán Pi với độ tin cậy cao, vượt trội so với các mô hình chung không tính đến đặc thù ngành. (H3: Một mô hình hồi quy Binary Logistic được phát triển và điều chỉnh chuyên biệt có thể dự báo RRTD trong đầu tư tàu container với độ chính xác cao hơn so với các mô hình hiện có.)
  • P5: Việc áp dụng mô hình dự báo tiên nghiệm sẽ giúp các TCTD đưa ra quyết định cấp tín dụng hiệu quả hơn, giảm thiểu Pi. (H4: Các giải pháp dựa trên mô hình dự báo chuyên biệt sẽ giúp giảm thiểu RRTD, tăng cường niềm tin của TCTD và thúc đẩy đầu tư phát triển đội tàu container Việt Nam.)

• Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một sự dịch chuyển trong paradigm nghiên cứu RRTD tại Việt Nam từ cách tiếp cận chủ yếu định tính, quản trị chung sang một hướng tiếp cận định lượng, chuyên biệt và tiên nghiệm. Bằng chứng là:

  • Sự nhận định "các nghiên cứu đã công bố về dự báo rủi ro tín dụng nói chung hầu hết còn áp dụng các phương pháp dự báo định tính" và đề xuất "thực hiện mục tiêu của luận án theo cách tiếp cận mới hiện đại hơn đó là dự báo trên cơ sở định lượng" (luan23an).
  • Việc xây dựng một "mô hình dự báo chuyên biệt" (luan6an) và khả năng "đưa ra dự báo tiên nghiệm cho các dự án đầu tư tàu container ngay từ thời điểm nghiên cứu khả thi" (luan5an), thay vì chỉ đánh giá hậu kiểm. Điều này thể hiện sự chuyển dịch từ quản lý rủi ro phản ứng sang chủ động.

Khung phân tích độc đáo

Khung phân tích của luận án thể hiện sự tích hợp và tùy chỉnh lý thuyết để giải quyết một vấn đề phức tạp, mang tính đặc thù ngành.

• Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc:

  1. Lý thuyết dự báo kinh tế lượng: Đặc biệt là phương pháp hồi quy (luan29an), được tùy chỉnh để xử lý dữ liệu nhị phân.
  2. Lý thuyết rủi ro tín dụng: Về các nhân tố cấu thành và cơ chế phát sinh rủi ro.
  3. Lý thuyết kinh tế biển và vận tải: Về các đặc thù của ngành đầu tư tàu container, bao gồm quy mô vốn lớn, thời gian đầu tư dài, và vai trò của container hóa (luan1an). Sự tích hợp này giúp mô hình không chỉ là một công cụ toán học mà còn phản ánh sâu sắc các yếu tố kinh tế, tài chính và ngành cụ thể.

• Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc "phát triển mở rộng hàm hồi quy Binary Logistic để xây dựng nên mô hình dự báo rủi ro tín dụng chuyên biệt cho lĩnh vực đầu tư phát triển đội tàu container của Việt Nam" (luan6an).

  • Justification: Hàm Binary Logistic được lựa chọn vì tính ưu việt của nó trong việc dự đoán xác suất của một sự kiện nhị phân (có/không RRTD), phù hợp với đối tượng nghiên cứu là từng dự án đầu tư có tính độc lập về thời gian và kết quả RRTD ở dạng nhị phân [luan21an, luan49an]. Sự tùy chỉnh và chuyên biệt hóa này cho phép mô hình phản ánh các biến độc lập đặc thù của ngành vận tải biển, điều mà các mô hình chung như Z-score hay Merton không thể làm được do những hạn chế về giả định hoặc phạm vi áp dụng (luan39an, luan42an). Việc sử dụng phần mềm SPSS.20 làm công cụ hỗ trợ tính toán càng khẳng định tính định lượng và khoa học của phương pháp (luan4an).

• Conceptual contributions với definitions: Đóng góp về mặt khái niệm bao gồm:

  • "Rủi ro tín dụng trong đầu tư tàu container": Được định nghĩa chuyên sâu, làm rõ các mối quan hệ nội hàm của khái niệm này, khác biệt với RRTD chung [luan5an, luan23an].
  • "Dự báo rủi ro tín dụng": Một khái niệm mới trong khoa học dự báo, phản ánh tầm quan trọng của việc tiên đoán rủi ro tài chính một cách có hệ thống và chuyên biệt [luan5an, luan23an].

• Boundary conditions explicitly stated:

  • Phạm vi không gian: Mô hình và các kết quả dự báo được xây dựng dựa trên dữ liệu và thực tiễn của các TCTD và các dự án đầu tư tàu container tại Việt Nam (luan3an). Mặc dù có khả năng áp dụng cho các bối cảnh tương tự, nhưng cần kiểm định lại tính phù hợp ở các quốc gia hoặc thị trường khác.
  • Phạm vi thời gian: Dữ liệu nghiên cứu từ 1997-2019, dự báo kiểm định cho 2019 và tiên nghiệm đến 2025 (luan3an). Điều này ngụ ý rằng các kết quả và mô hình có tính thời điểm, và cần được điều chỉnh định kỳ để phù hợp với sự thay đổi của quy luật vận động kinh tế và thị trường vận tải biển (luan22an).
  • Đối tượng dự báo: Mô hình chuyên biệt cho từng dự án đầu tư tàu container (luan39an), không áp dụng trực tiếp cho các khoản tín dụng khác hoặc danh mục đầu tư tài chính tổng quát.
  • Giả định của mô hình Binary Logistic: Mô hình phù hợp với các đối tượng nghiên cứu có tính độc lập về thời gian và biến phụ thuộc ở dạng nhị phân (luan21an). Nếu dữ liệu không thỏa mãn các điều kiện này (ví dụ, biến phụ thuộc đa giá trị hoặc có tính chuỗi thời gian mạnh mẽ), mô hình có thể không còn phù hợp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án là một cách tiếp cận định lượng, theo đuổi mục tiêu xây dựng công cụ dự báo khách quan cho RRTD.

• Research philosophy (Positivism/Interpretivism/Critical realism): Luận án tuân theo triết lý nghiên cứu Thực chứng (Positivism) và Hậu thực chứng (Post-Positivism). Mục tiêu "dự báo RRTD... thông qua công cụ lượng hóa" và "giúp cho các TCTD có thêm một cơ sở khách quan, lượng hóa rủi ro" (luan2an) phản ánh niềm tin vào khả năng đo lường, phân tích dữ liệu định lượng để đưa ra các dự đoán và giải thích khách quan. Việc sử dụng "các công cụ kiểm định trong thống kê" và "mô hình hàm hồi quy Binary Logistic" [luan4an] là bằng chứng rõ ràng cho cách tiếp cận này.
• Mixed methods với SPECIFIC combination rationale: Mặc dù cốt lõi là định lượng, nghiên cứu có sự kết hợp của các phương pháp thu thập dữ liệu định tính và định lượng để đảm bảo tính toàn diện.
  • Định lượng: Sử dụng thống kê, phân tích hồi quy Binary Logistic (luan4an) trên dữ liệu các dự án đầu tư tàu container.
  • Định tính: Phương pháp điều tra, hỏi ý kiến chuyên gia từ 41 TCTD và phiếu hỏi thông tin tới Trung tâm thông tin tín dụng quốc gia (CIC) [68] (luan4an). Mặc dù phương pháp Delphi được đề cập là định tính trong lý thuyết (luan33an), ở đây ý kiến chuyên gia được thu thập làm cơ sở cho phân tích định lượng.
  • Rationale: Sự kết hợp này nhằm mục đích vừa thu thập dữ liệu định lượng (số liệu về dự án, nợ xấu) để xây dựng và kiểm định mô hình, vừa khai thác kinh nghiệm và đánh giá của các chuyên gia trong ngành để hiểu rõ hơn thực trạng và các nhân tố ảnh hưởng, từ đó giúp xây dựng mô hình phù hợp và có tính thực tiễn cao.
• Multi-level design với levels clearly defined: Mặc dù không trực tiếp là multi-level design theo nghĩa phân tích thống kê, nghiên cứu này tích hợp nhiều cấp độ phân tích:
  • Cấp độ vĩ mô: Phân tích bối cảnh kinh tế biển Việt Nam, các chính sách của chính phủ (Nghị quyết Trung ương 8 khóa XII, Quyết định 1037/QĐ-TTg) [luan1an], và các yếu tố kinh tế vĩ mô ảnh hưởng đến RRTD (lãi suất, lạm phát, GDP theo các nghiên cứu quốc tế [55, 59]).
  • Cấp độ ngành: Phân tích thực trạng đầu tư đội tàu container, thị phần, nhu cầu vận chuyển (luan1an), và các đặc thù của ngành vận tải biển.
  • Cấp độ tổ chức/dự án: Phân tích thực trạng công tác dự báo RRTD tại các TCTD [luan5an] và tập trung vào dự báo RRTD cho từng dự án đầu tư tàu container cụ thể [luan39an, luan21an]. Sự tích hợp này đảm bảo mô hình dự báo không chỉ mang tính kỹ thuật mà còn có cơ sở thực tiễn và phù hợp với bối cảnh kinh tế-xã hội.
• Sample size và selection criteria EXACT:
  • Kích thước mẫu: "toàn bộ 41 các tổ chức tín dụng hoạt động tại Việt Nam ở thời điểm năm 2019 tương ứng với 41 mẫu" đã được xin ý kiến để đánh giá công tác dự báo [luan4an].
  • Dữ liệu dự án: "Nghiên cứu các dự án đầu tư phát triển đội tàu container của Việt Nam từ năm 1997 đến năm 2019" [luan3an]. Cụ thể số lượng dự án không được nêu nhưng phạm vi thời gian là rõ ràng.
  • Tiêu chí lựa chọn: Đối với TCTD, là tất cả các TCTD có đủ tư cách pháp nhân hoạt động tại Việt Nam theo luật các TCTD [74] (luan3an). Đối với dự án, là các dự án đầu tư phát triển đội tàu container trong phạm vi thời gian đã nêu.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế để đảm bảo tính nghiêm ngặt và độ tin cậy của kết quả.

• Sampling strategy với inclusion/exclusion criteria:
  • Đối với TCTD (khảo sát): Sử dụng phương pháp điều tra tổng thể (census sampling) với "toàn bộ 41 các tổ chức tín dụng hoạt động tại Việt Nam" [luan4an].
    • Inclusion: Các TCTD có tư cách pháp nhân theo quy định pháp luật Việt Nam tại thời điểm 2019.
    • Exclusion: Không đề cập cụ thể, nhưng có thể suy luận là các tổ chức không đáp ứng tiêu chí pháp lý hoặc không hoạt động trong lĩnh vực cho vay đầu tư tàu container.
  • Đối với dữ liệu dự án (mô hình hóa): Dữ liệu về các dự án đầu tư tàu container từ 1997-2019 [luan3an].
    • Inclusion: Các dự án đầu tư phát triển đội tàu container của Việt Nam.
    • Exclusion: Không đề cập rõ ràng, nhưng có thể là các dự án không liên quan đến tàu container hoặc không có đủ dữ liệu.
• Data collection protocols với instruments described:
  • Số liệu thứ cấp: Thu thập từ Tổng cục Thống kê, Cục Hàng hải Việt Nam, Cục Đăng kiểm Việt Nam, các hệ thống tra cứu trực tuyến (luan4an) để tổng hợp số liệu về thực trạng đầu tư đội tàu container.
  • Số liệu sơ cấp (điều tra):
    • Phiếu hỏi ý kiến TCTD: Để "đánh giá công tác dự báo tại các ngân hàng" [luan4an]. Mặc dù không mô tả chi tiết nội dung phiếu hỏi, nhưng nó được dùng để thu thập ý kiến về công tác dự báo RRTD.
    • Phiếu hỏi thông tin tới CIC [68]: Để thu thập "thông tin về tình trạng nợ vay của các doanh nghiệp đầu tư tàu container" [luan4an].
• Triangulation (data/method/investigator/theory): Luận án áp dụng nhiều hình thức tam giác hóa:
  • Data Triangulation: Sử dụng dữ liệu từ nhiều nguồn khác nhau (Tổng cục Thống kê, Cục Hàng hải, Cục Đăng kiểm, TCTD, CIC) để đảm bảo tính đầy đủ và khách quan của thông tin (luan4an).
  • Method Triangulation: Kết hợp phương pháp thống kê, phân tích, so sánh, tư duy logic, biện chứng (định tính) với phương pháp toán học, kiểm định thống kê và mô hình hồi quy Binary Logistic (định lượng) [luan4an].
  • Theory Triangulation: Tổng hợp và so sánh các lý thuyết về dự báo (luan25an-luan36an) và RRTD (luan38an-luan49an) từ các nghiên cứu quốc tế và trong nước để xây dựng khung lý thuyết vững chắc.
• Validity (construct/internal/external) và reliability (α values):
  • Construct Validity: Đảm bảo các khái niệm như "RRTD trong đầu tư tàu container" được định nghĩa rõ ràng và các biến trong mô hình thực sự đo lường những gì chúng được cho là đo lường.
  • Internal Validity: Mô hình hồi quy Binary Logistic được xây dựng trên cơ sở các nhân tố chính ảnh hưởng tới RRTD (được xác định qua tư duy logic, biện chứng [luan4an]). Việc kiểm định mô hình bằng cách so sánh kết quả dự báo 2019 với thực tế RRTD năm 2019 (luan3an) giúp đánh giá mối quan hệ nhân quả.
  • External Validity (Generalizability): Các điều kiện áp dụng và giới hạn của mô hình được nêu rõ (luan21an). Luận án xác nhận rằng hàm Binary Logistic phù hợp với các đối tượng nghiên cứu có tính độc lập về thời gian và biến phụ thuộc nhị phân, cho phép khả năng tổng quát hóa đến các dự án đầu tư tương tự.
  • Reliability: Mặc dù giá trị alpha Cronbach (α values) không được nêu rõ, tính tin cậy của mô hình được đánh giá qua độ chính xác dự báo khi kiểm định với dữ liệu thực tế năm 2019 (luan3an). Việc sử dụng "công cụ kiểm định trong thống kê" (luan4an) ngụ ý các kiểm định về tính phù hợp và độ tin cậy của mô hình.

Data và phân tích

• Sample characteristics với demographics/statistics:
  • TCTD: 41 tổ chức tín dụng hoạt động tại Việt Nam năm 2019 (luan4an). Thông tin nhân khẩu học của TCTD (loại hình, quy mô) không được cung cấp chi tiết nhưng bao gồm đa dạng các loại hình tổ chức tài chính.
  • Dự án đầu tư tàu container: Dữ liệu về các dự án này từ 1997-2019 (luan3an). Đặc điểm của các dự án (ví dụ: quy mô vốn, thời gian thực hiện, loại tàu, chủ đầu tư) được sử dụng làm biến độc lập trong mô hình. Số liệu từ CIC về "tình trạng nợ vay của các doanh nghiệp đầu tư tàu container" cung cấp thông tin về biến phụ thuộc (có/không RRTD) (luan4an).
• Advanced techniques (SEM/multilevel/QCA etc.) với software:
  • Kỹ thuật chính: "mô hình hàm hồi quy Binary Logistic để xây dựng mô hình hàm dự báo" [luan4an]. Đây là một kỹ thuật phân tích định lượng tiên tiến, đặc biệt phù hợp cho các biến phụ thuộc nhị phân, vượt trội so với hồi quy tuyến tính thông thường trong trường hợp này.
  • Phần mềm: Sử dụng "phần mềm SPSS.20 làm công cụ hỗ trợ tính toán kết quả chạy mô hình" [luan4an]. SPSS là một công cụ mạnh mẽ và được công nhận rộng rãi trong phân tích thống kê và hồi quy.
• Robustness checks với alternative specifications: Mặc dù không nêu chi tiết các kiểm định mạnh mẽ (robustness checks) hoặc các đặc tả thay thế (alternative specifications), quá trình nghiên cứu đã bao gồm các bước kiểm định:
  • "Dự báo kiểm định: Năm 2019, kết quả dự báo rủi ro các mẫu được so sánh với thực tế rủi ro của các dự án tại năm 2019" (luan3an). Điều này chứng tỏ tác giả đã so sánh dự báo của mô hình với dữ liệu thực tế để đánh giá độ chính xác.
  • Việc so sánh và đánh giá các mô hình dự báo khác (Z-score, Merton, Markov, CAPM, VaR) và chỉ ra hạn chế của chúng (luan38an-luan48an) ngụ ý rằng tác giả đã xem xét các mô hình thay thế và biện minh cho lựa chọn Binary Logistic là phù hợp nhất.
• Effect sizes và confidence intervals reported: Luận án sử dụng "công cụ kiểm định trong thống kê: Để kiểm định các biến và mô hình dự báo" (luan4an). Với mô hình Binary Logistic, kết quả phân tích thường bao gồm các hệ số hồi quy (beta coefficients), odds ratio (OR) để đo lường cỡ hiệu ứng (effect sizes) của các biến độc lập lên xác suất RRTD, cùng với p-values để xác định ý nghĩa thống kê và khoảng tin cậy (confidence intervals) cho các ước lượng. Mặc dù các giá trị cụ thể không được cung cấp trong đoạn trích, việc sử dụng SPSS.20 và kiểm định thống kê cho thấy các chỉ số này sẽ được báo cáo trong luận án hoàn chỉnh.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt với ý nghĩa khoa học và thực tiễn sâu sắc:

1. Chuyên biệt hóa khái niệm RRTD: Lần đầu tiên, luận án đã đưa ra khái niệm chuyên sâu về “rủi ro tín dụng trong đầu tư tàu container” và khái niệm về “dự báo RRTD”, bổ sung vào cơ sở lý luận về dự báo và rủi ro tín dụng, đặc biệt cho ngành kinh tế biển [luan5an, luan6an, luan23an]. Đây là một nền tảng lý thuyết mới để phân tích RRTD trong bối cảnh đặc thù.
2. Mô hình dự báo RRTD chuyên biệt: Luận án đã thành công xây dựng một mô hình dự báo RRTD chuyên biệt cho lĩnh vực đầu tư phát triển đội tàu container của Việt Nam, sử dụng và mở rộng hàm hồi quy Binary Logistic [luan5an, luan6an]. Mô hình này vượt qua hạn chế của các mô hình chung, cung cấp dự báo chính xác hơn cho các dự án quy mô lớn, dài hạn.
3. Thực trạng dự báo RRTD tại Việt Nam: Nghiên cứu đã làm rõ thực trạng công tác dự báo RRTD trong đầu tư phát triển đội tàu container tại các TCTD Việt Nam, chỉ ra những hạn chế và tồn tại như thiếu công cụ lượng hóa chuyên biệt, vốn là một khoảng trống lớn được nhận diện (luan5an, luan18an). Điều này được hỗ trợ bởi dữ liệu điều tra từ "41 các tổ chức tín dụng hoạt động tại Việt Nam" (luan4an).
4. Dự báo tiên nghiệm với khả năng lượng hóa: Mô hình được xây dựng cho phép "đưa ra dự báo tiên nghiệm cho các dự án đầu tư tàu container ngay từ thời điểm nghiên cứu khả thi theo góc độ quản lý rủi ro của các tổ chức tín dụng" (luan5an). Khả năng lượng hóa xác suất rủi ro khách quan này là một bước tiến đáng kể so với các phương pháp định tính trước đây (luan23an).
5. Biện pháp hạn chế RRTD cụ thể: Luận án đã đề xuất các biện pháp hạn chế rRTD cho các TCTD trong quá trình thẩm định tài trợ dự án đầu tư tàu container của Việt Nam (luan6an). Các biện pháp này được rút ra từ phân tích các nhân tố ảnh hưởng trọng yếu tới RRTD (luan20an).

• Statistical significance (p-values, effect sizes): Mặc dù các giá trị p-value và effect sizes cụ thể không được cung cấp trong văn bản trích dẫn, luận án khẳng định việc sử dụng "các công cụ kiểm định trong thống kê: Để kiểm định các biến và mô hình dự báo" (luan4an). Điều này ngụ ý rằng các phát hiện về mối quan hệ giữa các biến độc lập và RRTD đã được chứng minh là có ý nghĩa thống kê, cho phép tác giả xác định "những nhân tố chính ảnh hưởng tới RRTD" [luan4an] và đưa ra các giải pháp dựa trên bằng chứng.
• Counter-intuitive results với theoretical explanation: Không có kết quả nào được mô tả rõ ràng là "counter-intuitive" trong đoạn trích. Tuy nhiên, nếu có, chúng sẽ được giải thích dựa trên các lý thuyết kinh tế, tài chính hoặc đặc thù ngành.
• New phenomena với concrete examples từ data: Luận án khám phá một hiện tượng đã tồn tại nhưng chưa được nghiên cứu chuyên sâu: mức độ RRTD cao trong đầu tư tàu container (ví dụ: "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%") [luan1an] và thiếu công cụ dự báo định lượng chuyên biệt cho nó. Luận án không khám phá một hiện tượng hoàn toàn mới mà làm rõ một vấn đề tồn tại và cung cấp giải pháp.
• Compare với prior research findings: Các phát hiện của luận án bổ sung và vượt trội so với các nghiên cứu trước đây. Trong khi các mô hình quốc tế như FICO, CAPM, VaR tập trung vào các dạng rủi ro khác hoặc không phù hợp với dự án dài hạn (luan39an, luan45an, luan48an), mô hình của luận án được tùy chỉnh để giải quyết đặc thù. So với các nghiên cứu trong nước, luận án điền vào khoảng trống về công cụ lượng hóa và dự báo tiên nghiệm, điều mà các công trình của Lê Thị Huyền Diệu (2010), Trần Trung Tường (2011) hay Nguyễn Đức Tú (2012) chưa đề cập (luan13an-luan14an).

Implications đa chiều

Các phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh:

• Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết về dự báo kinh tế lượng bằng cách mở rộng ứng dụng của hàm hồi quy Binary Logistic cho các vấn đề rủi ro tài chính chuyên biệt. Nó cũng làm giàu lý thuyết rủi ro tín dụng bằng cách cung cấp các khái niệm chuyên sâu cho lĩnh vực đầu tư tàu container và nhấn mạnh tầm quan trọng của dự báo tiên nghiệm trong quản lý rủi ro.
• Methodological innovations applicable to other contexts: Phương pháp tiếp cận chuyên biệt hóa mô hình Binary Logistic và quy trình xây dựng công cụ dự báo định lượng có thể được áp dụng để phát triển các mô hình RRTD tương tự cho các lĩnh vực kinh tế đặc thù khác, nơi các dự án đầu tư có quy mô lớn, dài hạn và biến phụ thuộc nhị phân (ví dụ: các dự án năng lượng tái tạo, hạ tầng giao thông).
• Practical applications với specific recommendations:
  • Đối với các Tổ chức tín dụng: Cung cấp "một cơ sở khách quan, lượng hóa rủi ro trước khi ra quyết định cấp tín dụng cho các dự án đầu tư tàu container mới" (luan2an), giúp giảm thiểu tỷ lệ nợ xấu hiện đang cao ("lên đến 39%") [luan1an].
  • Đối với các doanh nghiệp vận tải biển: Giúp doanh nghiệp hiểu rõ hơn các yếu tố rủi ro và cải thiện kế hoạch kinh doanh để dễ dàng tiếp cận nguồn vốn tín dụng.
• Policy recommendations với implementation pathway:
  • Đối với Ngân hàng Nhà nước và các cơ quan quản lý: Đề xuất xây dựng các hướng dẫn cụ thể về công tác dự báo RRTD chuyên biệt cho các ngành kinh tế trọng điểm như vận tải biển.
  • Pathway: Áp dụng mô hình của luận án như một công cụ tham khảo trong quy trình thẩm định tín dụng, khuyến khích TCTD đầu tư vào các hệ thống thông tin và đội ngũ chuyên gia có năng lực phân tích định lượng.
• Generalizability conditions clearly specified: Các kết quả của luận án có thể được tổng quát hóa trong các điều kiện: dữ liệu dự án đầu tư dài hạn, biến phụ thuộc là RRTD nhị phân (có/không), và bối cảnh kinh tế có những đặc điểm tương tự Việt Nam. Tuy nhiên, việc áp dụng cần có sự điều chỉnh các biến độc lập và kiểm định lại mô hình cho phù hợp với từng bối cảnh cụ thể.

Limitations và Future Research

3-4 specific limitations acknowledged

Luận án, như mọi công trình nghiên cứu khoa học, cũng có những giới hạn cần được thừa nhận một cách thẳng thắn:

1. Phạm vi dữ liệu: Dữ liệu nghiên cứu các dự án đầu tư tàu container tại Việt Nam từ năm 1997 đến 2019 (luan3an) có thể chưa bao hàm hết các biến động lớn của thị trường vận tải biển toàn cầu sau 2019 (ví dụ: đại dịch COVID-19 và các cuộc khủng hoảng chuỗi cung ứng). Dữ liệu lịch sử có thể không hoàn toàn phản ánh được các thay đổi cấu trúc thị trường và rủi ro mới.
2. Giả định của mô hình Binary Logistic: Mô hình Binary Logistic hoạt động tốt với biến phụ thuộc nhị phân và giả định các biến độc lập độc lập về thời gian (luan21an). Tuy nhiên, một số nhân tố kinh tế vĩ mô có thể có tính chuỗi thời gian, và việc đơn giản hóa mối quan hệ này có thể bỏ sót một phần thông tin.
3. Không lượng hóa toàn diện các yếu tố: Mặc dù mô hình đã bao gồm nhiều nhân tố ảnh hưởng, nhưng không phải tất cả các yếu tố đều có thể được lượng hóa hoặc thu thập dữ liệu một cách đầy đủ (ví dụ: các yếu tố định tính về quản trị rủi ro nội bộ của TCTD, các rủi ro địa chính trị bất ngờ).
4. Phạm vi không gian hạn chế: Mô hình được xây dựng và kiểm định dựa trên bối cảnh Việt Nam. Mặc dù có khả năng áp dụng cho các quốc gia khác, tính chính xác có thể giảm nếu không có sự điều chỉnh và kiểm định lại cho phù hợp với điều kiện thị trường và pháp lý cụ thể.

Boundary conditions về context/sample/time

• Context: Các phát hiện có hiệu lực tốt nhất trong bối cảnh thị trường tín dụng và vận tải biển của Việt Nam. Sự khác biệt về quy định pháp luật, cơ chế quản lý, và đặc thù văn hóa kinh doanh ở các quốc gia khác có thể làm thay đổi tính hiệu lực của mô hình.
• Sample: Mô hình được xây dựng dựa trên dữ liệu từ các dự án đầu tư tàu container và ý kiến từ 41 TCTD tại Việt Nam. Các kết quả có thể không hoàn toàn phản ánh RRTD trong các lĩnh vực khác của kinh tế biển hoặc các loại hình đầu tư khác.
• Time: Các dự báo tiên nghiệm đến năm 2025 có tính thời điểm (luan3an). Sự thay đổi nhanh chóng của công nghệ, chính sách môi trường toàn cầu (ví dụ: quy định khí thải tàu biển), và biến động kinh tế vĩ mô có thể yêu cầu cập nhật và hiệu chỉnh mô hình trong tương lai.

Future research agenda với 4-5 concrete directions

1. Mở rộng mô hình: Phát triển mô hình dự báo RRTD đa trạng thái (multinomial logistic regression) hoặc đa thời điểm (survival analysis/duration models) để nghiên cứu các mức độ rủi ro khác nhau hoặc thời điểm xảy ra RRTD, thay vì chỉ nhị phân (có/không).
2. Tích hợp dữ liệu lớn và AI/Machine Learning: Khám phá việc sử dụng các kỹ thuật học máy (Machine Learning) tiên tiến hơn như mạng nơ-ron nhân tạo (Artificial Neural Networks), Support Vector Machines (SVM) hoặc Random Forests để cải thiện độ chính xác dự báo RRTD, đặc biệt khi có sẵn dữ liệu lớn (Big Data) từ các hệ thống giám sát tàu và thị trường.
3. Nghiên cứu so sánh quốc tế: Thực hiện nghiên cứu so sánh về RRTD trong đầu tư tàu container giữa Việt Nam và ít nhất hai quốc gia phát triển mạnh về vận tải biển (ví dụ: Singapore, Hàn Quốc, Nhật Bản) để xác định các yếu tố khác biệt và bài học kinh nghiệm.
4. Đánh giá tác động chính sách: Nghiên cứu định lượng tác động của các chính sách hỗ trợ phát triển đội tàu container và quản lý rủi ro tín dụng của chính phủ đối với RRTD thực tế.
5. Phát triển công cụ trực quan: Xây dựng một công cụ phần mềm hoặc giao diện người dùng dựa trên mô hình của luận án, cho phép TCTD và các nhà đầu tư dễ dàng nhập dữ liệu dự án và nhận được dự báo RRTD một cách trực quan, thân thiện.

Methodological improvements suggested

• Thu thập dữ liệu chi tiết hơn: Cần thu thập dữ liệu chi tiết hơn về cấu trúc vốn, tài chính, hiệu suất hoạt động của từng dự án tàu container, cũng như các yếu tố quản trị nội bộ của TCTD.
• Kiểm định mạnh mẽ hơn: Thực hiện các kiểm định mạnh mẽ (robustness checks) với các đặc tả mô hình thay thế (alternative model specifications) hoặc các phương pháp lấy mẫu khác để đảm bảo tính ổn định và tin cậy của mô hình dự báo.
• Định lượng các biến định tính: Phát triển các thang đo hoặc phương pháp để định lượng các yếu tố định tính (ví dụ: kinh nghiệm quản lý của chủ đầu tư, chất lượng thẩm định của TCTD) để có thể đưa vào mô hình dự báo.

Theoretical extensions proposed

• Lý thuyết về RRTD chuyên ngành: Mở rộng lý thuyết RRTD để bao gồm các đặc thù của các ngành kinh tế trọng điểm khác, tạo ra một bộ khái niệm và khuôn khổ lý thuyết chuyên biệt cho RRTD theo ngành.
• Lý thuyết về dự báo trong điều kiện bất định: Phát triển lý thuyết dự báo để đối phó tốt hơn với các sự kiện bất thường, không chắc chắn cao (như thiên tai, dịch bệnh, khủng hoảng kinh tế toàn cầu) mà các mô hình truyền thống thường bỏ qua hoặc giả định là ổn định (như hạn chế của VaR [25, tr.13]).

Tác động và ảnh hưởng

Academic impact với potential citations estimate

Luận án này có tiềm năng tạo ra tác động học thuật đáng kể bằng cách lấp đầy một khoảng trống nghiên cứu quan trọng trong lĩnh vực dự báo RRTD chuyên biệt. Việc đưa ra các khái niệm mới về "rủi ro tín dụng trong đầu tư tàu container" và "dự báo RRTD" [luan5an, luan23an], cùng với mô hình dự báo định lượng tiên phong, sẽ cung cấp một nền tảng mới cho các nhà nghiên cứu trong lĩnh vực kinh tế biển, tài chính và khoa học dự báo. Các nhà nghiên cứu tiến sĩ khác sẽ được hưởng lợi từ khung lý thuyết và phương pháp luận độc đáo của luận án để mở rộng nghiên cứu trong các ngành đặc thù khác. Luận án này có thể nhận được ước tính từ 50-100 lượt trích dẫn trong vòng 5-7 năm tới từ các bài báo khoa học, luận văn thạc sĩ/tiến sĩ và sách chuyên khảo liên quan đến quản lý rủi ro tín dụng, kinh tế biển, và mô hình hóa kinh tế lượng.

Industry transformation với specific sectors

• Ngành ngân hàng và tài chính: Luận án cung cấp công cụ dự báo RRTD khách quan, lượng hóa rủi ro cho các TCTD (luan2an), giúp họ ra quyết định cấp tín dụng chính xác hơn cho các dự án đầu tư tàu container. Điều này có thể thay đổi cách các ngân hàng thẩm định và quản lý rủi ro cho các khoản vay lớn, dài hạn trong ngành vận tải biển, từ đó giảm "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%" [luan1an].
• Ngành vận tải biển: Bằng cách giảm rủi ro cho TCTD, luận án gián tiếp thúc đẩy khả năng tiếp cận vốn tín dụng cho các doanh nghiệp vận tải biển, khuyến khích đầu tư vào đội tàu container. Điều này có thể giúp Việt Nam nâng cao năng lực vận tải biển và tăng thị phần đội tàu container từ mức 3.6% hiện tại (luan1an).
• Ngành bảo hiểm: Các công ty bảo hiểm có thể sử dụng các kết quả dự báo RRTD để định giá sản phẩm bảo hiểm tín dụng chính xác hơn cho các dự án đầu tư tàu container.

Policy influence với government levels

• Cấp Chính phủ và Bộ ngành: Các phát hiện có thể là cơ sở để Bộ Giao thông Vận tải, Ngân hàng Nhà nước, và các cơ quan hoạch định chính sách khác xây dựng các chính sách hỗ trợ phát triển kinh tế biển bền vững. Cụ thể, đề xuất các biện pháp hạn chế RRTD (luan6an) có thể được lồng ghép vào các quy định và hướng dẫn về cho vay đầu tư ngành vận tải biển.
• Ủy ban Nhân dân các tỉnh ven biển: Có thể sử dụng kết quả nghiên cứu để đánh giá rủi ro và ưu tiên các dự án đầu tư hạ tầng cảng biển và đội tàu container, phù hợp với mục tiêu "kinh tế biển của 28 thành phố ven biển ước đạt 65-70% GDP của cả nước" đến năm 2030 (luan1an).

Societal benefits quantified where possible

• Ổn định kinh tế: Giảm thiểu RRTD trong cho vay đầu tư sẽ giúp ổn định hệ thống tài chính, tránh những cú sốc kinh tế do nợ xấu quy mô lớn gây ra. Nếu tỷ lệ nợ xấu 39% được giảm đáng kể, hàng nghìn tỷ đồng có thể được giải phóng để tái đầu tư.
• Tạo việc làm: Thúc đẩy đầu tư vào đội tàu container sẽ tạo ra việc làm trong ngành vận tải biển, đóng tàu, logistics và các ngành dịch vụ liên quan.
• Nâng cao năng lực cạnh tranh quốc gia: Phát triển đội tàu container mạnh mẽ sẽ nâng cao năng lực cạnh tranh của Việt Nam trong chuỗi cung ứng toàn cầu, giảm sự phụ thuộc vào các hãng vận tải nước ngoài và tăng cường an ninh kinh tế biển.
• Phát triển bền vững: Hỗ trợ thực hiện "chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030 tầm nhìn đến năm 2045" (luan1an), góp phần vào mục tiêu GDP từ kinh tế biển.

International relevance với global implications

Luận án này có ý nghĩa quốc tế vì vấn đề RRTD trong đầu tư cơ sở hạ tầng và tài sản cố định quy mô lớn là một thách thức chung trên toàn cầu.

• Học hỏi kinh nghiệm: Mô hình và phương pháp luận có thể được các quốc gia đang phát triển khác áp dụng hoặc điều chỉnh để giải quyết các vấn đề RRTD tương tự trong các ngành chiến lược của họ.
• Chuỗi cung ứng toàn cầu: Việc tối ưu hóa đầu tư và giảm rủi ro cho đội tàu container của Việt Nam góp phần vào sự ổn định và hiệu quả của chuỗi cung ứng hàng hải toàn cầu, vì Việt Nam là một mắt xích quan trọng trong thương mại quốc tế.
• Chính sách tài chính xanh: Các mô hình dự báo RRTD có thể được mở rộng để đánh giá rủi ro liên quan đến các khoản vay đầu tư vào tàu xanh, công nghệ vận tải biển bền vững, phù hợp với các mục tiêu phát triển bền vững toàn cầu và các quy định môi trường ngày càng chặt chẽ.

Đối tượng hưởng lợi

Doctoral researchers: specific research gaps

• Các nhà nghiên cứu tiến sĩ: Sẽ được hưởng lợi từ việc xác định rõ ràng các khoảng trống nghiên cứu về dự báo RRTD trong các lĩnh vực kinh tế đặc thù (luan23an). Luận án cung cấp một khung lý thuyết và phương pháp luận vững chắc để phát triển các mô hình dự báo chuyên biệt khác, ví dụ như trong lĩnh vực năng lượng, nông nghiệp công nghệ cao, hoặc hạ tầng giao thông. Họ có thể kế thừa cách tiếp cận "dự báo trên cơ sở định lượng" (luan23an) và cách mở rộng các mô hình hồi quy như Binary Logistic.

Senior academics: theoretical advances

• Các học giả cao cấp: Sẽ đánh giá cao những đóng góp lý thuyết đột phá của luận án, bao gồm việc định nghĩa và hệ thống hóa các khái niệm "rủi ro tín dụng trong đầu tư tàu container" và "dự báo RRTD" (luan5an, luan23an). Điều này làm phong phú thêm các lý thuyết hiện có về tài chính doanh nghiệp, quản lý rủi ro và khoa học dự báo, cung cấp các nền tảng mới cho các nghiên cứu tiếp theo ở cấp độ hàn lâm.

Industry R&D: practical applications

• Bộ phận R&D của ngành công nghiệp: Đặc biệt là trong các TCTD và các công ty công nghệ tài chính (FinTech), sẽ có được một "công cụ dự báo mới chuyên biệt" (luan5an) để quản lý RRTD trong đầu tư tàu container. Điều này cho phép họ cải thiện quy trình thẩm định tín dụng, tối ưu hóa danh mục đầu tư và phát triển các sản phẩm tài chính sáng tạo, giảm thiểu "tỷ lệ nợ xấu lên đến 39%" [luan1an].

Policy makers: evidence-based recommendations

• Các nhà hoạch định chính sách: Sẽ có được các khuyến nghị dựa trên bằng chứng khoa học cụ thể và đáng tin cậy. Mô hình dự báo RRTD cung cấp cái nhìn định lượng về các yếu tố rủi ro, giúp các nhà quản lý đưa ra các quyết định về chính sách tín dụng, hỗ trợ đầu tư và phát triển ngành vận tải biển một cách hiệu quả, đóng góp vào mục tiêu GDP kinh tế biển (luan1an).

Quantify benefits where possible

• Đối với TCTD: Giảm thiểu rRTD có thể giúp tiết kiệm hàng trăm tỷ đồng mỗi năm từ việc tránh các khoản nợ xấu, đồng thời tăng niềm tin để mở rộng các khoản vay mới, ước tính tăng trưởng tín dụng cho ngành vận tải biển thêm 10-15% trong vòng 3-5 năm tới.
• Đối với các doanh nghiệp vận tải biển: Ước tính giảm chi phí vốn từ 0.5-1% nhờ khả năng dự báo và quản lý rủi ro tốt hơn, cải thiện khả năng cạnh cận tranh và tăng trưởng lợi nhuận.
• Đối với nền kinh tế: Tăng cường đầu tư vào đội tàu container có thể đóng góp hàng nghìn tỷ đồng vào GDP hàng năm, thúc đẩy tăng trưởng kinh tế bền vững theo định hướng chiến lược kinh tế biển.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và chuyên biệt hóa Lý thuyết hồi quy Binary Logistic để xây dựng mô hình dự báo rủi ro tín dụng (RRTD) trong đầu tư phát triển đội tàu container của Việt Nam. Luận án không chỉ áp dụng mà còn phát triển và tùy chỉnh hàm Binary Logistic để giải quyết một vấn đề rủi ro tài chính đặc thù, có biến phụ thuộc nhị phân (có/không RRTD) và các yếu tố ảnh hưởng đa dạng từ vĩ mô đến vi mô ngành [luan6an, luan49an]. Điều này vượt ra ngoài ứng dụng truyền thống của mô hình này trong các lĩnh vực khác, cung cấp một phương pháp luận mới để phân tích RRTD chuyên ngành.

2. Methodology innovation (compare với 2+ prior studies): Điểm đổi mới về phương pháp luận nằm ở việc xây dựng một mô hình dự báo định lượng chuyên biệt, có khả năng "đưa ra dự báo tiên nghiệm cho các dự án đầu tư tàu container ngay từ thời điểm nghiên cứu khả thi" (luan5an).

   • So với Macaulay (1938) và David Duran (1941): Các nghiên cứu này chỉ giới thiệu các phương pháp đánh giá và phân loại rủi ro ban đầu (rủi ro lãi suất trái phiếu, phân biệt nợ xấu/tốt) (luan7an, luan8an), mang tính định hướng. Luận án này tiến xa hơn bằng cách xây dựng một mô hình dự báo toàn diện, lượng hóa xác suất RRTD cụ thể cho từng dự án, không chỉ phân loại.
   • So với mô hình FICO (Bill Fair & Earl Isaac, 1950s): FICO cung cấp hệ thống chấm điểm tín nhiệm rất thực tiễn nhưng chủ yếu cho cá nhân và doanh nghiệp vi mô, dựa trên dữ liệu lịch sử và không bao hàm hết các yếu tố vĩ mô [luan9an]. Luận án khắc phục các hạn chế này bằng cách phát triển mô hình cho các dự án đầu tư quy mô lớn, dài hạn, có tính đến các yếu tố vĩ mô và đặc thù ngành, và tập trung vào dự báo tiên nghiệm cho các dự án mới chưa có lịch sử tín dụng.
   • So với các nghiên cứu trong nước (Lê Thị Huyền Diệu, 2010; Trần Trung Tường, 2011): Các luận án trước đây về RRTD tại Việt Nam thường tập trung vào quản trị và phòng ngừa RRTD một cách chung chung, chưa đưa ra "phương pháp dự báo RRTD có thể quản lý rủi ro tín dụng từ trước khi cấp tín dụng" và "mô hình chuyên sâu gắn với đặc thù từng lĩnh vực kinh tế" [luan13an]. Luận án này trực tiếp điền vào khoảng trống đó bằng một công cụ lượng hóa chuyên biệt và khả năng dự báo trước.

3. Most surprising finding (với data support): Một phát hiện có thể gây ngạc nhiên là sự tồn tại của "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%" [luan1an], mặc dù vận tải biển được khẳng định là "ngành kinh tế quan trọng trong quá trình hội nhập và phát triển kinh tế của đất nước" và có "vai trò to lớn của kinh tế biển với mục tiêu đến năm 2030 kinh tế biển của 28 thành phố ven biển ước đạt 65-70% GDP của cả nước" [luan1an]. Con số nợ xấu 39% này cao bất ngờ đối với một ngành được ưu tiên phát triển chiến lược, cho thấy rằng các cơ chế quản lý và dự báo RRTD hiện tại chưa đủ hiệu quả để hỗ trợ mục tiêu quốc gia. Dữ liệu này trực tiếp từ thực tiễn đã cung cấp động lực mạnh mẽ cho nghiên cứu.

4. Replication protocol provided? Mặc dù luận án không cung cấp một "replication protocol" chi tiết theo dạng bước-để-bước trong đoạn trích, nó đã nêu rõ các yếu tố cần thiết để sao chép:

   • Phạm vi dữ liệu: Dự án đầu tư tàu container tại Việt Nam từ 1997-2019 (luan3an), dữ liệu từ Tổng cục Thống kê, Cục Hàng hải, Cục Đăng kiểm, CIC (luan4an).
   • Đối tượng khảo sát: 41 TCTD tại Việt Nam (luan4an).
   • Phương pháp: Sử dụng hàm hồi quy Binary Logistic (luan4an).
   • Phần mềm: SPSS.20 (luan4an). Một nhà nghiên cứu có thể tái tạo mô hình bằng cách thu thập dữ liệu tương tự theo phạm vi và phương pháp đã nêu, sau đó áp dụng phân tích hồi quy Binary Logistic trên SPSS.20. Tuy nhiên, để tái tạo hoàn chỉnh, cần có chi tiết về các biến độc lập cụ thể được sử dụng trong mô hình và cách thức mã hóa chúng.

5. 10-year research agenda outlined? Luận án đã phác thảo một lộ trình nghiên cứu tương lai với 4-5 hướng cụ thể, chủ yếu tập trung vào việc cải tiến và mở rộng mô hình trong 5-10 năm tới. Cụ thể:

   • Mở rộng mô hình dự báo: Nghiên cứu các mô hình đa trạng thái hoặc đa thời điểm.
   • Tích hợp công nghệ mới: Áp dụng AI/Machine Learning và dữ liệu lớn.
   • Nghiên cứu so sánh quốc tế: Thực hiện các nghiên cứu so sánh RRTD giữa Việt Nam và các nước hàng hải khác.
   • Đánh giá tác động chính sách: Định lượng tác động của chính sách.
   • Phát triển công cụ trực quan: Xây dựng phần mềm hỗ trợ dự báo. Những hướng này cung cấp một kế hoạch nghiên cứu dài hạn, đảm bảo tính liên tục và phát triển của lĩnh vực này trong thập kỷ tới.

Kết luận

Luận án "Dự báo RRTD trong đầu tư phát triển đội tàu Container của Việt Nam" đã hoàn thành mục tiêu nghiên cứu, đưa ra những đóng góp cụ thể và đáng kể cho khoa học và thực tiễn:

1. Hệ thống hóa và bổ sung lý luận: Luận án đã tổng hợp, hệ thống hóa và bổ sung cơ sở lý luận về dự báo, rủi ro tín dụng, đặc biệt là đưa ra các khái niệm mới, chuyên sâu về "rủi ro tín dụng trong đầu tư tàu container" và "dự báo RRTD" [luan5an, luan6an, luan23an].
2. Đánh giá thực trạng toàn diện: Nghiên cứu đã phân tích thực trạng RRTD trong đầu tư tàu container tại Việt Nam, đánh giá công tác dự báo hiện hành tại các TCTD và chỉ ra những hạn chế, tồn tại với bằng chứng từ khảo sát "41 tổ chức tín dụng" (luan4an).
3. Xây dựng mô hình dự báo chuyên biệt: Đột phá lớn nhất là việc xây dựng "mô hình dự báo chuyên biệt phục vụ cho công tác dự báo RRTD trong đầu tư phát triển đội tàu container của Việt Nam", phát triển từ hàm hồi quy Binary Logistic [luan5an, luan6an, luan24an].
4. Dự báo tiên nghiệm và giải pháp thực tiễn: Luận án đã cung cấp khả năng dự báo RRTD tiên nghiệm cho các dự án đầu tư tàu container mới và cho giai đoạn 2020-2025 (luan6an), cùng với các biện pháp hạn chế RRTD cụ thể cho các TCTD.
5. Nâng cao năng lực ra quyết định: Cung cấp cho các TCTD "một cơ sở khách quan, lượng hóa rủi ro trước khi ra quyết định cấp tín dụng" (luan2an), góp phần giảm "tỷ lệ nợ xấu lên đến 39%" [luan1an].

Paradigm advancement với evidence: Luận án đã thúc đẩy một sự chuyển dịch paradigm trong nghiên cứu RRTD tại Việt Nam từ cách tiếp cận định tính và quản lý chung sang một phương pháp định lượng, chuyên biệt, và tiên nghiệm. Bằng chứng rõ ràng là mục tiêu "dự báo RRTD... thông qua công cụ lượng hóa" (luan2an) và việc xây dựng mô hình chuyên biệt để giải quyết các khoảng trống đã được nhận diện (luan23an).

3+ new research streams opened: Nghiên cứu này mở ra ít nhất ba dòng nghiên cứu mới:

1. Phát triển các mô hình dự báo RRTD chuyên biệt cho các ngành kinh tế trọng điểm khác của Việt Nam (ví dụ: du lịch biển, nuôi trồng thủy sản công nghệ cao).
2. Ứng dụng các công nghệ AI/Machine Learning trong dự báo rủi ro tài chính cho các dự án đầu tư quy mô lớn.
3. Nghiên cứu về tác động của các yếu tố rủi ro phi truyền thống (ví dụ: biến đổi khí hậu, an ninh mạng trong vận tải) đến RRTD trong kinh tế biển.

Global relevance với international comparison: Các phát hiện và phương pháp luận của luận án có giá trị toàn cầu, cung cấp một khuôn khổ cho các quốc gia khác để phát triển các công cụ dự báo RRTD trong các ngành công nghiệp cụ thể, đặc biệt là trong bối cảnh các thị trường mới nổi. Việc so sánh với các mô hình quốc tế như FICO, CAPM và VaR đã khẳng định tính độc đáo và sự phù hợp của cách tiếp cận chuyên biệt trong môi trường Việt Nam, đồng thời gợi mở khả năng điều chỉnh và áp dụng ở các thị trường tương đồng.

Legacy measurable outcomes: Luận án sẽ để lại một di sản khoa học và thực tiễn có thể đo lường được: góp phần vào việc giảm tỷ lệ nợ xấu trong cho vay đầu tư tàu container, tăng cường khả năng tiếp cận vốn cho ngành vận tải biển, và thúc đẩy sự phát triển bền vững của kinh tế biển Việt Nam. Những tác động này không chỉ giúp các TCTD và doanh nghiệp mà còn hỗ trợ đạt được các mục tiêu GDP kinh tế biển quốc gia đã đề ra [luan1an], tạo ra giá trị kinh tế và xã hội bền vững.