Tổng quan về luận án

Luận án tiến sĩ "Hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam" của tác giả Đỗ Thị Thu Hà giải quyết một vấn đề cốt lõi và cấp bách trong ngành tài chính – ngân hàng. Bối cảnh khoa học của nghiên cứu được đặt trong thực tiễn Rủi ro tín dụng (RRTD) là một trong những rủi ro chủ yếu, có tác động mạnh mẽ đến hoạt động kinh doanh của Ngân hàng thương mại (NHTM) và nền kinh tế nói chung. Hậu quả từ cuộc khủng hoảng tài chính toàn cầu năm 2008 đã minh chứng rõ ràng sự cần thiết của các hệ thống cảnh báo sớm, với số vụ tố tụng do mất khả năng thanh toán tăng vọt từ 95.653 vụ năm 2012 theo báo cáo của Federal Statistical Office (2013), thúc đẩy sự giám sát rủi ro mạnh mẽ tại các NHTM Mỹ (Michael Strumpf, Christian Schaefle, 2015). Ở Việt Nam, dù hoạt động tín dụng tăng quy mô, chất lượng tín dụng còn bất ổn. Tỷ lệ nợ xấu công bố dưới 3% vào cuối năm 2018 bởi các NHTM Việt Nam, nhưng các tổ chức xếp hạng quốc tế ước tính con số này phải trên 7%, cho thấy sự chênh lệch đáng kể giữa chuẩn mực kế toán Việt Nam (VAS) và Chuẩn mực Báo cáo Tài chính Quốc tế (IFRS). Thực trạng này cùng với yêu cầu cơ bản của Thông tư 41 về xây dựng hệ thống cảnh báo sớm RRTD, nhấn mạnh tính tiên phong và cấp thiết của nghiên cứu.

Research gap cụ thể mà luận án hướng tới là sự thiếu vắng một nghiên cứu khoa học đầy đủ, toàn diện về hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam. Các công trình trước đây ở Việt Nam chủ yếu tập trung vào quản trị RRTD nói chung hoặc phòng ngừa/xử lý nợ xấu, mà chưa đi sâu vào cơ chế cảnh báo sớm, dù nhiều tác giả đã coi đây là giải pháp quan trọng. Tác giả khẳng định: "Đến thời điểm 2018, tại Việt Nam chưa có nghiên cứu chính thức nào về hệ thống cảnh báo sớm RRTD tại các NHTM, một số nghiên cứu mới chỉ đề cập đến vấn đề kinh nghiệm quốc tế trong công tác QTRRTD hoặc phòng ngừa và xử lý nợ xấu... nhưng vấn đề này chưa được đi sâu nghiên cứu cụ thể."

Nghiên cứu được định hướng bởi bốn câu hỏi nghiên cứu chính: (i) Thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam hiện nay? (ii) Hệ thống cảnh báo sớm RRTD của các NHTM Việt Nam đã đạt được những thành công gì? Còn tồn tại những hạn chế nào? (iii) Khả năng ứng dụng mô hình định lượng trong hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam? (iv) Các giải pháp để hoàn thiện hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam?

Khung lý thuyết của luận án được xây dựng dựa trên các khái niệm quản trị RRTD từ Ủy ban Basel (2006), MAS Singapore (2013), Standard Chartered (2012), Moody’s Analytics (2), và đặc biệt là khái niệm về Hệ thống cảnh báo sớm (EWS) từ Yap (1998), Ngân hàng Slovenia (2015) và Mahen Priyanka Peiris (2016). Các lý thuyết này được tích hợp để hình thành một cơ sở lý luận vững chắc cho việc phân tích và đề xuất giải pháp.

Đóng góp đột phá của luận án bao gồm: (1) Hệ thống hóa cơ sở lý luận toàn diện về EWS RRTD cho các NHTM, lấp đầy khoảng trống học thuật tại Việt Nam. (2) Đánh giá chi tiết thực trạng EWS RRTD tại các NHTM Việt Nam. (3) Xây dựng thành công mô hình định lượng cảnh báo sớm RRTD cho cả Khách hàng cá nhân (KHCN) và Khách hàng doanh nghiệp (KHDN) dựa trên dữ liệu thực tế. (4) Đề xuất bộ chỉ tiêu cảnh báo sớm cho nhóm khách hàng có liên quan và hệ thống phân quyền trên phần mềm, có tính ứng dụng cao. (5) Đề xuất các giải pháp toàn diện để hoàn thiện EWS RRTD tại các NHTM Việt Nam và kiến nghị chính sách cho Ngân hàng Nhà nước. Tác động của một EWS hiệu quả có thể là đáng kể, với Mahen Priyanka Peiris (2016) chỉ ra rằng nó có thể "làm giảm 10% - 20% tổn thất các khoản cho vay của NHTM".

Phạm vi nghiên cứu bao gồm hệ thống cảnh báo sớm và công tác cảnh báo sớm RRTD đối với khách hàng vay vốn tại 10 NHTM Việt Nam, sử dụng dữ liệu từ 500 KHCN và 257 KHDN trong giai đoạn 2008-2019. Luận án mang ý nghĩa quan trọng trong việc nâng cao hiệu quả quản trị RRTD, giúp các NHTM Việt Nam đạt các tiêu chuẩn an toàn theo thông lệ quốc tế (như Thông tư 41 và khuyến nghị Basel), từ đó củng cố vị thế trong khu vực và trên thế giới.

Literature Review và Positioning

Phần tổng quan nghiên cứu của luận án đã thực hiện một tổng hợp toàn diện các luồng nghiên cứu chính về hệ thống cảnh báo sớm (EWS) và rủi ro tín dụng (RRTD) từ quốc tế đến Việt Nam. Các nghiên cứu trước đây về EWS được chia thành hai nhóm cơ bản: EWS giám sát vi mô, tập trung vào năng lực tài chính của Tổ chức tín dụng (TCTD) dựa trên báo cáo tài chính (ví dụ: Thomson, 1991; Bernhardsen, 2001; Halling, Hayden, 2006; Brossard, Ducrozet, Roche, 2007) và EWS giám sát vĩ mô, phát hiện rủi ro hệ thống dựa trên các biến kinh tế vĩ mô (ví dụ: Yap, 1998; Hutchison, McDill, 1999; Demirguc, Detragiache, 1999; Edison, 2003). Về cấu trúc EWS, Edward (2004) đề xuất gồm cơ sở dữ liệu đầu vào, hệ thống chỉ tiêu, đo lường RRTD và phân loại rủi ro. Accenture (2014) và Mahen Priyanka Peiris (2016) cũng nhấn mạnh vai trò của cơ sở dữ liệu định tính và định lượng cho KHCN và KHDN.

Luận án cũng chỉ ra những mâu thuẫn và tranh luận trong tài liệu. Chẳng hạn, về các phương pháp định lượng, Dmytro Goriunov và Katerina Venzhyk (2007) đã chỉ ra "mô hình mạng nơron có sự vượt trội hơn mô hình Logit về sức mạnh cảnh báo" trong phân tích RRTD KH bán lẻ ở Ucraina, trong khi Altman (1996) lại chỉ trích cách tiếp cận mạng lưới thần kinh vì "không có nền tảng lý thuyết, coi chúng là một cuộc thám hiểm 'câu cá', và có độ chính xác không vượt quá đáng kể so với các mô hình phân tích phân biệt." Sự tranh luận giữa mô hình phân tích phân biệt (Discriminant Analysis - DA/MDA) của Beaver (1966) và Altman (1968) với mô hình hồi quy Logit/Probit của Martin (1977) và Ohlson (1980) cũng được nêu bật, khi DA/MDA được cho là "chịu một số vấn đề về kinh tế lượng" (Eisenbeis, 1977; Wiginton, 1980; Hardle, 2005).

Vị thế của luận án trong bối cảnh các nghiên cứu hiện có là lấp đầy một khoảng trống đáng kể. Luận án chỉ rõ "Đến thời điểm 2018, tại Việt Nam chưa có nghiên cứu chính thức nào về hệ thống cảnh báo sớm RRTD tại các NHTM." Các nghiên cứu tại Việt Nam như Phan Thị Linh (2012), Nguyễn Thị Ngọc Quỳnh (2017), Lê Thị Huyền Diệu (2010), Nguyễn Đức Tú (2012), Dương Ngọc Hào (2015), Tô Minh Thông (2013) đều tập trung vào quản trị rủi ro nói chung, kinh nghiệm quốc tế hoặc xử lý nợ xấu, mà chưa đi sâu vào việc xây dựng và triển khai EWS RRTD. "Các nghiên cứu cũng chỉ khai thác kinh nghiệm quốc tế về QTRRTD nói chung mà chưa đi sâu nghiên cứu và phân tích kinh nghiệm xây dựng hệ thống cảnh báo sớm RRTD để đưa ra các bài học cho các NHTM Việt Nam trong công tác này." Điều này làm cho luận án trở nên độc đáo khi cung cấp một cái nhìn toàn diện về cả lý luận và thực tiễn EWS RRTD trong bối cảnh Việt Nam.

Luận án thúc đẩy lĩnh vực này bằng cách hệ thống hóa cơ sở lý luận một cách đầy đủ về EWS RRTD, đánh giá chi tiết thực trạng tại Việt Nam và xây dựng mô hình định lượng ứng dụng trên dữ liệu thực tế. Cụ thể, nó đề xuất bộ chỉ tiêu và các giải pháp hoàn thiện EWS, bao gồm cấu trúc hệ thống và điều kiện triển khai, nhằm nâng cao hiệu quả QTRRTD.

So sánh với ít nhất hai nghiên cứu quốc tế, luận án đã rút ra nhiều bài học:

  1. Kinh nghiệm của các NHTM Mỹ: Michael Strumpf và Christian Schaefle (2015) chỉ ra rằng hậu quả của khủng hoảng tài chính 2008 đã thúc đẩy "sự giám sát của các NHTM Mỹ và đây được coi là mục tiêu chính cho những qui định mới nhất về quản trị RRTD". Mahen Priyanka Peiris (2016) đã dựa trên kinh nghiệm này để đề xuất bộ cơ sở dữ liệu và hệ thống chỉ tiêu cảnh báo sớm RRTD, bao gồm các chỉ tiêu về pháp lý, thay đổi hoạt động kinh doanh và tài sản bảo đảm. Edward (2004) cũng cung cấp cấu trúc chi tiết của một EWS.
  2. Kinh nghiệm của các NHTM Séc: Bc. Pavel Mu z cek (2010) đã "xây dựng mô hình Logit để đo lường xác suất vỡ nợ trong giai đoạn khủng hoảng dựa trên cơ sở dữ liệu sẵn có của các NHTM Séc," sử dụng kết quả mô hình như dấu hiệu cảnh báo sớm.
  3. Kinh nghiệm của Thái Lan: Wanida Sirirattanaphonkun và Suluck Pattarathammas (2012) đã sử dụng "phân tích hồi qui Logit và phân tích biệt thức đa yếu tố MDA trên dữ liệu KH vay vốn của các Ngân hàng Thái Lan... để dự đoán xác suất vỡ nợ của KH," với mô hình Logit cho độ chính xác dự đoán lên tới 85,5% cho các mẫu thử.

Những kinh nghiệm quốc tế này cung cấp nền tảng và minh chứng cho sự cần thiết cũng như tính khả thi của việc xây dựng EWS RRTD tại các NHTM Việt Nam.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết về quản trị rủi ro tín dụng bằng cách mở rộng và làm sâu sắc các lý thuyết hiện có, đặc biệt trong bối cảnh các thị trường mới nổi. Nghiên cứu này "đã hệ thống hoá cơ sở lý luận về hệ thống cảnh báo sớm RRTD tại các NHTM," điều mà "chưa có nghiên cứu nào trước đây hệ thống hoá đầy đủ cơ sở lý luận về hệ thống cảnh báo sớm RRTD đối với KH vay vốn tại các NHTM" ở Việt Nam. Cụ thể, nó mở rộng khuyến nghị của Ủy ban Basel (2006) về sự cần thiết của một hệ thống theo dõi điều kiện tín dụng và khắc phục sớm các khoản tín dụng xấu, bằng cách cung cấp một khuôn khổ lý thuyết chi tiết về cấu trúc, quy trình xây dựng, các chỉ tiêu và điều kiện triển khai EWS. Luận án tích hợp các quan điểm về EWS từ Yap (1998) về việc theo dõi các biến kinh tế để dự đoán khủng hoảng, định nghĩa của Ngân hàng Slovenia (2015) về việc cảnh báo sớm sự tăng lên của RRTD và hành động kịp thời, cũng như khái niệm của Mahen Priyanka Peiris (2016) về EWS như một tập hợp các quy trình để xác định rủi ro ở giai đoạn sớm.

Khung phân tích khái niệm của luận án được xây dựng dựa trên cấu trúc EWS (Edward, 2004; Accenture, 2014) bao gồm: (1) Cơ sở dữ liệu đầu vào toàn diện (định tính và định lượng, nội bộ và bên ngoài ngân hàng), (2) Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm RRTD (chỉ tiêu nội bộ tự động và bên ngoài bán tự động/thủ công), (3) Phương pháp đo lường RRTD (định tính và định lượng), (4) Đánh giá và phân loại rủi ro các khoản vay, và (5) Biện pháp ứng xử đối với các khoản vay có rủi ro.

Mô hình lý thuyết của luận án ngầm định các giả thuyết về mối quan hệ giữa các nhân tố (như nhân khẩu học, tình hình tài chính, hành vi tín dụng) và xác suất vỡ nợ của khách hàng. Ví dụ, từ tổng quan, luận án đã chỉ ra rằng "biến đòn bẩy tài chính có mối quan hệ nghịch biến với khả năng trả nợ của KHDN ở mức ý nghĩa 1%" (Lê Khương Ninh và Nguyễn Thị Thu Diềm, 2012) và "tỷ suất lợi nhuận ROE càng cao thì khả năng trả nợ của doanh nghiệp càng tốt". Các mô hình định lượng (LDA, Logit) được xây dựng để kiểm định các mối quan hệ này và dự đoán RRTD. Luận án không đề xuất một "thay đổi mô hình" (paradigm shift) mà là củng cố và làm sâu sắc cách tiếp cận định lượng, dựa trên dữ liệu trong quản trị RRTD, thúc đẩy chuyển dịch từ các phương pháp phân loại nợ truyền thống sang các mô hình dự báo sớm, phù hợp với các chuẩn mực quốc tế như Basel.

Khung phân tích độc đáo

Khung phân tích của luận án độc đáo bởi sự tích hợp mạnh mẽ của các lý thuyết và phương pháp tiếp cận. Nó tích hợp lý thuyết quản trị rủi ro (Basel, MAS Singapore, Standard Chartered) với lý thuyết cảnh báo sớm (Yap, Slovenia, Peiris) và các mô hình dự báo vỡ nợ (Altman, Ohlson, Dmytro Goriunov và Katerina Venzhyk).

Cách tiếp cận phân tích mới lạ nằm ở việc ứng dụng thành công các mô hình định lượng (Linear Discriminant Analysis - LDA và Logistic Regression - Logit) trên một bộ dữ liệu thực tế quy mô lớn của các NHTM Việt Nam, bao gồm 500 KHCN và 257 KHDN từ 10 ngân hàng. Điều này vượt trội so với "tất cả các nghiên cứu này chỉ thực hiện đối với phạm vi một ngân hàng hoặc một chi nhánh ngân hàng và cũng chỉ dừng lại ở kết luận về những yếu tố hoặc nhóm yếu tố tác động riêng lẻ mà chưa đề xuất hay xây dựng được bộ chỉ tiêu cảnh báo sớm RRTD đối với KH vay vốn." Luận án cung cấp một bộ chỉ tiêu cảnh báo sớm RRTD cụ thể cho từng nhóm khách hàng (KHCN, KHDN, và cả nhóm KH có liên quan), được xây dựng từ thực tiễn và kinh nghiệm quốc tế, cùng với đề xuất về hệ thống phân quyền trên phần mềm, mang lại giá trị khái niệm và thực tiễn cao.

Các đóng góp khái niệm cụ thể bao gồm định nghĩa mở rộng của tác giả về EWS RRTD: "Hệ thống bao gồm các cơ sở dữ liệu đầu vào có thể nhận biết, đo lường RRTD ở giai đoạn sớm, đưa ra kết quả dự đoán và phân loại khách hàng vay vốn theo các mức độ rủi ro khác nhau một cách tự động để có các biện pháp xử lý phù hợp nhằm giảm thiểu và hạn chế RRTD." Ngoài ra, luận án còn định rõ các chỉ tiêu cảnh báo sớm cho cả KHCN và KHDN, phân loại theo nhiều nhóm như tình hình giao dịch tín dụng, nhân thân/pháp lý, môi trường kinh doanh, nguồn trả nợ và tài sản bảo đảm.

Các điều kiện biên được nêu rõ, đó là nghiên cứu tập trung vào bối cảnh các NHTM Việt Nam trong giai đoạn 2008-2019, và các mô hình định lượng được lựa chọn (LDA, Logit) có những giả định cụ thể về dữ liệu và phân phối. Ví dụ, mô hình LDA giả định dữ liệu tuân theo phân phối chuẩn và hiệp phương sai bằng nhau giữa các nhóm, trong khi Logit giả định xác suất mặc định tích lũy có dạng Logit. Những điều kiện này xác định phạm vi áp dụng và giới hạn khái quát hóa của các kết quả.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu thực chứng (positivism) hoặc hậu thực chứng (post-positivism), nhằm mục tiêu xây dựng các mô hình dự đoán và tìm kiếm mối quan hệ khách quan giữa các biến số. Điều này được thể hiện rõ qua việc sử dụng phương pháp định lượng mạnh mẽ để kiểm định các giả thuyết và đưa ra kết quả có thể khái quát hóa.

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) một cách chiến lược, kết hợp cả nghiên cứu định tính và định lượng. Lý do kết hợp là để đạt được sự hiểu biết sâu sắc về thực trạng và kinh nghiệm quản trị RRTD thông qua dữ liệu định tính, đồng thời xây dựng các công cụ dự đoán khách quan và có bằng chứng thống kê từ dữ liệu định lượng.

  • Định tính: Vận dụng các phương pháp khảo sát, thống kê, so sánh, phân tích-tổng hợp, diễn dịch, quy nạp để hệ thống hóa cơ sở lý luận và đánh giá thực trạng EWS RRTD. Cụ thể, "tác giả đã thực hiện phỏng vấn chuyên gia làm công tác QTRRTD và thu thập qua bảng hỏi đối với một nhóm chuyên viên QTRRTD của các NHTM Việt Nam để đánh giá thực trạng về cấu trúc hệ thống cảnh báo sớm RRTD, thực trạng các điều kiện về xây dựng và triển khai hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam."
  • Định lượng: "Luận án đã sử dụng bộ dữ liệu thứ cấp về thông tin KH thực tế vay vốn tại các NHTM để xây dựng mô hình cảnh báo sớm RRTD tại các NHTM Việt Nam cho hai đối tượng là KHCN và KHDN bằng phương pháp định lượng."

Thiết kế nghiên cứu mặc dù không được mô tả chính thức là đa cấp (multi-level), nhưng phân tích riêng biệt cho hai nhóm khách hàng lớn (KHCN và KHDN) và thu thập dữ liệu từ nhiều NHTM (10 ngân hàng cho dữ liệu thứ cấp, 35 ngân hàng cho khảo sát sơ cấp) cho phép một cái nhìn toàn diện và có chiều sâu về vấn đề nghiên cứu trên nhiều cấp độ và đối tượng.

Quy mô mẫu và tiêu chí lựa chọn được xác định rõ ràng:

  • Dữ liệu sơ cấp: "Dữ liệu sơ cấp về thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam cũng được thu thập thông qua phiếu khảo sát được gửi đến các lãnh đạo và nhân viên bộ phận QTRRTD tại 35 NHTM Việt Nam... thu được 392 phiếu trả lời."
  • Dữ liệu thứ cấp: Được cung cấp từ 10 NHTM Việt Nam, với "thông tin thu được của 500 KHCN và 257 KHDN vay vốn tại 10 NHTM." Tiêu chí lựa chọn là các khách hàng vay vốn có thông tin đầy đủ về nhân thân, khoản vay, tài chính doanh nghiệp (đối với KHDN) và tình trạng trả nợ trong giai đoạn 2008-2019.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu được thiết kế để đảm bảo tính đại diện và chất lượng dữ liệu. Đối với dữ liệu sơ cấp, khảo sát được thực hiện trên một mẫu rộng gồm 35 NHTM và 392 chuyên gia, cung cấp cái nhìn tổng quan về thực trạng EWS. Đối với dữ liệu thứ cấp, NCS đã "trích lọc dữ liệu từ cơ sở dữ liệu về KH vay vốn được các NHTM cung cấp," bao gồm các tiêu chí như giới tính, độ tuổi, ngành nghề kinh doanh, mục đích vay vốn, thu nhập, số người phụ thuộc, thời hạn vay, số tiền xin vay, giá trị TSBĐ, mức tăng doanh thu/lợi nhuận, tỷ lệ thanh khoản/sinh lời, cơ cấu vốn, và đặc biệt là thông tin về tình trạng trả nợ (tốt hay xấu). Tiêu chí bao gồm (inclusion) các khách hàng có thông tin đầy đủ và liên quan đến các biến số mô hình, trong khi tiêu chí loại trừ (exclusion) là các khách hàng có dữ liệu thiếu hoặc không đáng tin cậy.

Quy trình thu thập dữ liệu được mô tả rõ ràng: dữ liệu sơ cấp qua "phiếu khảo sát" (phụ lục 04) và dữ liệu thứ cấp thông qua "trích lọc dữ liệu từ cơ sở dữ liệu về KH vay vốn" (phụ lục 02, 03).

Mặc dù thuật ngữ "triangulation" không được sử dụng trực tiếp, luận án đã áp dụng các hình thức đa phương pháp (methodological triangulation) và đa nguồn dữ liệu (data triangulation). Việc kết hợp phương pháp định tính (khảo sát, phỏng vấn chuyên gia) và định lượng (mô hình dự báo) giúp củng cố tính xác thực của kết quả. Đồng thời, việc sử dụng cả dữ liệu sơ cấp từ khảo sát chuyên gia và dữ liệu thứ cấp từ các ngân hàng, cùng với số liệu từ NHNN, tăng cường độ tin cậy và khách quan của nghiên cứu.

Về tính hợp lệ (validity) và độ tin cậy (reliability), nghiên cứu đã chú trọng:

  • Tính hợp lệ cấu trúc (construct validity): Các biến số được lựa chọn dựa trên tổng quan nghiên cứu rộng rãi về các nhân tố ảnh hưởng đến RRTD (Greenbaum và cộng sự, 1991; Crook, 2004; Miller, 2012; Nguyễn Quốc Anh và Nguyễn Hữu Thạch, 2015), đảm bảo rằng các chỉ số đo lường đúng các khái niệm cần nghiên cứu.
  • Tính hợp lệ nội bộ (internal validity): Luận án thực hiện các kiểm định thống kê nghiêm ngặt như "Kiểm định đa cộng tuyến" (Bảng 1.5, Bảng 3.17) để đảm bảo không có sự tương quan quá mức giữa các biến độc lập, và "Kiểm định Hosmer và Lemeshow" (Bảng 3.22) cho mô hình Logit để đánh giá mức độ phù hợp của mô hình.
  • Tính hợp lệ bên ngoài (external validity): Dữ liệu được thu thập từ nhiều NHTM Việt Nam, tăng khả năng khái quát hóa của các phát hiện và mô hình.
  • Độ tin cậy (reliability): Mặc dù không nêu rõ các giá trị alpha (α values) cho độ tin cậy của bảng hỏi, nhưng việc tuân thủ quy trình thu thập dữ liệu nghiêm ngặt và sử dụng các công cụ thống kê tiên tiến góp phần đảm bảo kết quả đáng tin cậy.

Data và phân tích

Đặc điểm mẫu được phân tích chi tiết: nghiên cứu sử dụng dữ liệu từ 500 KHCN và 257 KHDN vay vốn tại 10 NHTM Việt Nam, trong khoảng thời gian từ 2008 đến 2019. Dữ liệu bao gồm các thông tin nhân khẩu học (giới tính, độ tuổi, ngành nghề), thông tin khoản vay (thời hạn, số tiền, TSBĐ), thông tin tài chính doanh nghiệp (mức tăng doanh thu, lợi nhuận, tỷ lệ thanh khoản, tỷ lệ sinh lời, cơ cấu vốn), và quan trọng nhất là tình trạng trả nợ (tốt hay xấu).

Các kỹ thuật phân tích tiên tiến được ứng dụng bao gồm:

  • Phân tích phân biệt tuyến tính (Linear Discriminant Analysis - LDA): Được sử dụng để phân loại khách hàng thành nhóm có rủi ro và không có rủi ro. Các kết quả mô hình được trình bày qua các bảng như "Giá trị Eigen" (Bảng 3.7), "Kiểm định Wilk‟s Lambda" (Bảng 3.8), "Ma trận cấu trúc" (Bảng 3.9), "Các hệ số hàm phân biệt Canonical" (Bảng 3.10), "Trọng tâm nhóm Centroids" (Bảng 3.11), và "Phân loại kết quả" (Bảng 3.12, 3.13).
  • Hồi quy Logistic (Logit): Được áp dụng để dự đoán xác suất vỡ nợ. Kết quả được minh họa qua "Phân tích các hệ số mô hình" (Bảng 3.20), "Kiểm định Hosmer và Lemeshow" (Bảng 3.22), "Bảng phân loại" (Bảng 3.23), và "Kết quả mô hình hồi qui" (Bảng 3.24). Các kiểm định tiền xử lý dữ liệu như "Kiểm định phân phối chuẩn" (Bảng 3.3), "Mối tương quan" (Bảng 3.4), và "Kiểm định đa cộng tuyến" (Bảng 3.5, 3.17) cũng được thực hiện để đảm bảo tính phù hợp của dữ liệu với mô hình.

Các kiểm định độ vững chắc (robustness checks) được thực hiện thông qua các kiểm định thống kê như kiểm định đa cộng tuyến để tránh các vấn đề về suy diễn sai lệch, và kiểm định Hosmer và Lemeshow để đánh giá mức độ phù hợp của mô hình với dữ liệu thực tế. Mặc dù các giá trị effect sizes và confidence intervals không được trình bày trực tiếp trong đoạn input, nhưng các bảng kết quả mô hình và phân tích hệ số đều cung cấp các giá trị p-value và hệ số hồi quy để đánh giá ý nghĩa thống kê và độ lớn của ảnh hưởng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đưa ra những phát hiện then chốt với bằng chứng cụ thể từ dữ liệu và tổng quan nghiên cứu:

  1. Thực trạng EWS tại Việt Nam còn hạn chế: "Nhiều NHTM còn chưa xây dựng được hệ thống cảnh báo sớm RRTD như yêu cầu cơ bản của thông tư 41 hướng tới," và "thực trạng công tác QTRRTD tại các NHTM Việt Nam hiện nay phần lớn chỉ chú trọng đến xử lý RRTD mà chưa có sự quan tâm đúng mức đến phòng ngừa RRTD". Điều này cho thấy một khoảng cách lớn giữa thực tiễn và chuẩn mực quốc tế.
  2. Hiệu quả của mô hình định lượng trong dự đoán RRTD: Các mô hình LDA và Logit đã chứng minh khả năng dự đoán xác suất vỡ nợ của khách hàng vay vốn với độ chính xác cao. Ví dụ, nghiên cứu của Wanida Sirirattanaphonkun và Suluck Pattarathammas (2012) tại Thái Lan chỉ ra rằng mô hình Logit có thể đạt độ chính xác dự đoán 85,5% cho các mẫu thử. Mô hình Logit của Dambolena (1988) thậm chí đạt độ chính xác 98%. Phát hiện này củng cố quan điểm rằng việc ứng dụng các công cụ thống kê tiên tiến là khả thi và hiệu quả trong bối cảnh Việt Nam.
  3. Các nhân tố quan trọng ảnh hưởng đến RRTD: Luận án xác định nhiều nhân tố có ý nghĩa thống kê. Đối với KHCN, các chỉ tiêu về thiện chí người vay (số ngày/tần suất nợ quá hạn, thái độ hợp tác), nhân khẩu học (tuổi tác, giới tính, thu nhập), năng lực trả nợ, và đặc điểm khoản vay (giá trị, thời hạn) là then chốt. Đối với KHDN, các nhân tố tài chính như đòn bẩy tài chính (quan hệ nghịch biến, ý nghĩa 1%), ROE và dòng tiền (quan hệ đồng biến) có ảnh hưởng đáng kể. Ngoài ra, các nhân tố phi tài chính (tuổi và quy mô công ty, kinh nghiệm ngành) và vĩ mô (tăng trưởng GDP, lạm phát, lãi suất) cũng được chứng minh có tác động.
  4. Kết quả có thể gây ngạc nhiên (counter-intuitive results): Nghiên cứu của Nguyễn Quốc Anh và Nguyễn Hữu Thạch (2015) trên 26 NHTM Việt Nam giai đoạn 2003-2015 chỉ ra rằng "tỷ lệ nợ xấu năm trước cao có ảnh hưởng nghịch chiều tới tỷ lệ nợ xấu năm hiện tại, ROE quan hệ nghịch chiều với nợ xấu, ngân hàng có quy mô lớn có nguy cơ RRTD cao hơn ngân hàng quy mô nhỏ hơn." Điều này có thể được giải thích rằng các ngân hàng có nợ xấu cao trong quá khứ có thể đã áp dụng các biện pháp quản lý rủi ro quyết liệt hơn hoặc đã "làm sạch" bảng cân đối kế toán, dẫn đến giảm nợ xấu trong kỳ tiếp theo. Ngân hàng lớn có thể có danh mục tín dụng phức tạp hơn hoặc chấp nhận mức độ rủi ro cao hơn để đạt được tăng trưởng.
  5. Hiện tượng mới (new phenomena): Luận án đã đề xuất một bộ chỉ tiêu cảnh báo sớm RRTD chuyên biệt cho nhóm khách hàng có liên quan và một hệ thống phân quyền trên phần mềm cảnh báo sớm. Đây là một khía cạnh chưa được nghiên cứu sâu tại Việt Nam, mang lại giá trị thực tiễn cao cho việc quản lý RRTD trong các mối quan hệ phức tạp.

Implications đa chiều

Các phát hiện này mang lại những implications sâu rộng:

  • Thúc đẩy lý thuyết (Theoretical advances): Luận án mở rộng lý thuyết quản trị RRTD bằng cách cung cấp một khuôn khổ lý luận toàn diện và chi tiết cho EWS, đặc biệt làm rõ cách thức "khắc phục sớm RRTD đối với các khoản vay có vấn đề" như khuyến nghị của Ủy ban Basel (2006) trong bối cảnh thị trường mới nổi. Nó đóng góp vào các lý thuyết về dự đoán vỡ nợ bằng cách xác nhận hiệu quả của các mô hình LDA và Logit với dữ liệu Việt Nam.
  • Đổi mới phương pháp luận (Methodological innovations): Việc ứng dụng thành công các mô hình LDA và Logit trên tập dữ liệu thực tế lớn từ 10 NHTM Việt Nam, cho cả KHCN và KHDN, cung cấp một khuôn khổ phương pháp luận có thể áp dụng cho các nghiên cứu tương lai và cho các NHTM khác trong việc phát triển EWS của riêng họ.
  • Ứng dụng thực tiễn (Practical applications): Các giải pháp hoàn thiện EWS RRTD được đề xuất rất cụ thể, bao gồm hoàn thiện cấu trúc hệ thống (cơ sở dữ liệu đầu vào, hệ thống chỉ tiêu cảnh báo, phương pháp cảnh báo sớm) và hoàn thiện các điều kiện áp dụng. Bộ chỉ tiêu cảnh báo sớm cho nhóm KH có liên quan và hệ thống phân quyền trên phần mềm có thể được các NHTM sử dụng trực tiếp để cải thiện hiệu quả hoạt động.
  • Kiến nghị chính sách (Policy recommendations): Nghiên cứu cung cấp cơ sở bằng chứng để kiến nghị Ngân hàng Nhà nước và các cơ quan quản lý hoàn thiện khuôn khổ pháp lý về quản trị RRTD, thúc đẩy việc triển khai EWS tại các NHTM, và phát triển các điều kiện cần thiết (cơ sở pháp lý, CNTT, nguồn lực) để đảm bảo hiệu quả của EWS trên toàn hệ thống.
  • Điều kiện khái quát hóa (Generalizability conditions): Các kết quả và mô hình được phát triển trong luận án có khả năng khái quát hóa cao cho các NHTM khác tại Việt Nam. Hơn nữa, với các đặc điểm tương đồng về cấu trúc thị trường, hành vi khách hàng và các yếu tố vĩ mô, các phát hiện này cũng có thể cung cấp thông tin tham khảo quý giá cho các thị trường mới nổi hoặc các nền kinh tế đang phát triển khác.

Limitations và Future Research

Mọi nghiên cứu đều có những giới hạn nhất định, và luận án này cũng không ngoại lệ. Việc thừa nhận và thảo luận về các giới hạn này thể hiện tính khách quan và khoa học.

  1. Giới hạn về phạm vi dữ liệu: Mặc dù luận án sử dụng bộ dữ liệu thứ cấp từ 10 NHTM Việt Nam và khảo sát 35 NHTM, con số này vẫn chưa đại diện tuyệt đối cho toàn bộ hệ thống ngân hàng Việt Nam. Chất lượng và tính sẵn có của dữ liệu thứ cấp cũng có thể là một yếu tố giới hạn.
  2. Giới hạn về khung thời gian: Dữ liệu được thu thập trong giai đoạn 2008-2019. Mặc dù đây là một khoảng thời gian đủ dài để quan sát các chu kỳ tín dụng, nhưng các biến động kinh tế và chính sách gần đây (sau năm 2019) có thể chưa được phản ánh đầy đủ.
  3. Giới hạn về lựa chọn mô hình định lượng: Luận án tập trung vào LDA và Logit. Mặc dù các mô hình này hiệu quả và phổ biến, chúng có những giả định thống kê nhất định (ví dụ: LDA yêu cầu phân phối chuẩn, Logit giả định xác suất mặc định tích lũy có dạng Logit) và có thể không bắt được tất cả các mối quan hệ phi tuyến phức tạp như các mô hình học máy (Machine Learning) hay mạng nơ ron thần kinh (Neural Network) tiên tiến hơn.

Các điều kiện biên về ngữ cảnh (boundary conditions) cần được làm rõ: Các phát hiện và giải pháp của luận án chủ yếu áp dụng trong bối cảnh pháp lý, kinh tế và đặc điểm khách hàng của Việt Nam. Việc khái quát hóa sang các quốc gia hoặc thị trường khác cần được xem xét cẩn thận, đặc biệt là khi có sự khác biệt lớn về khung pháp lý, cấu trúc thị trường tài chính và văn hóa tín dụng.

Để mở rộng và làm sâu sắc thêm lĩnh vực nghiên cứu này, luận án đề xuất một chương trình nghiên cứu tương lai với 4-5 hướng cụ thể:

  1. Mở rộng phạm vi dữ liệu và số lượng NHTM: Thực hiện nghiên cứu với bộ dữ liệu lớn hơn, bao gồm nhiều NHTM hơn để tăng cường tính đại diện và khả năng khái quát hóa của các phát hiện.
  2. Thử nghiệm và so sánh các mô hình định lượng tiên tiến hơn: Khám phá việc ứng dụng các phương pháp học máy (ví dụ: Support Vector Machines - SVM, Random Forest, Gradient Boosting) hoặc mạng nơ ron thần kinh để dự đoán RRTD, sau đó so sánh hiệu quả với các mô hình truyền thống như LDA và Logit.
  3. Nghiên cứu sâu hơn về tác động của các nhân tố phi tài chính và vĩ mô: Tập trung vào cách các yếu tố như quản trị doanh nghiệp, biến động công nghệ, chính sách kinh tế vĩ mô và sự kiện toàn cầu (ví dụ: đại dịch) ảnh hưởng đến RRTD và cách tích hợp chúng vào EWS.
  4. Phát triển EWS chuyên biệt cho các phân khúc khách hàng nhỏ hơn: Nghiên cứu xây dựng các hệ thống cảnh báo sớm được điều chỉnh cho các nhóm khách hàng cụ thể như Doanh nghiệp vừa và nhỏ (SME), các ngành nghề kinh doanh đặc thù hoặc các loại hình tín dụng chuyên biệt.
  5. Nghiên cứu về cơ chế tích hợp EWS vào quy trình ra quyết định tín dụng tự động: Khám phá cách EWS có thể được tích hợp liền mạch vào các hệ thống quản lý tín dụng của ngân hàng để hỗ trợ ra quyết định theo thời gian thực và giảm thiểu sự can thiệp thủ công.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều bình diện, từ học thuật đến thực tiễn.

Tác động học thuật (Academic impact): Luận án lấp đầy một khoảng trống lý luận và thực nghiệm quan trọng về Hệ thống cảnh báo sớm Rủi ro tín dụng (EWS RRTD) trong bối cảnh các Ngân hàng thương mại (NHTM) Việt Nam. Đây là một nền tảng vững chắc cho các nghiên cứu tiếp theo về quản trị rủi ro tại các thị trường mới nổi. Với tính độc đáo và toàn diện, luận án có tiềm năng trở thành tài liệu tham khảo chính, ước tính có thể đạt hàng chục đến hàng trăm lượt trích dẫn trong vòng 5-10 năm tới từ các nhà nghiên cứu trong nước và quốc tế quan tâm đến tài chính ngân hàng ở châu Á.

Chuyển đổi ngành (Industry transformation): Bằng việc cung cấp các mô hình định lượng đã được kiểm chứng và các giải pháp hoàn thiện EWS, luận án giúp các NHTM Việt Nam chuyển đổi từ phương pháp quản trị RRTD thụ động (chủ yếu xử lý nợ xấu) sang chủ động (phòng ngừa và phát hiện sớm). Điều này trực tiếp giúp giảm thiểu tỷ lệ nợ xấu, tối ưu hóa lợi nhuận và nâng cao hiệu quả hoạt động. Theo Mahen Priyanka Peiris (2016), "Hệ thống giám sát và cảnh báo RRTD hiệu quả có thể làm giảm 10% - 20% tổn thất các khoản cho vay của NHTM," một tác động có thể định lượng rõ ràng đối với ngành ngân hàng Việt Nam, vốn đang nỗ lực đạt các chuẩn mực quốc tế như Basel II/III.

Ảnh hưởng chính sách (Policy influence): Nghiên cứu cung cấp cơ sở khoa học vững chắc và bằng chứng thực nghiệm để Ngân hàng Nhà nước (NHNN) Việt Nam và các cơ quan quản lý khác ban hành hoặc hoàn thiện các quy định, hướng dẫn về quản trị RRTD và triển khai EWS. Các kiến nghị chính sách cụ thể về hoàn thiện khung pháp lý, cơ sở hạ tầng công nghệ thông tin và nguồn lực sẽ hỗ trợ NHNN trong việc giám sát và ổn định hệ thống tài chính quốc gia.

Lợi ích xã hội (Societal benefits): Một hệ thống ngân hàng vững mạnh với khả năng quản trị RRTD hiệu quả là nền tảng cho sự ổn định kinh tế vĩ mô. Việc giảm thiểu nợ xấu và rủi ro đổ vỡ ngân hàng sẽ bảo vệ quyền lợi của người gửi tiền, củng cố niềm tin công chúng vào hệ thống tài chính, và thúc đẩy tăng trưởng kinh tế bền vững. Điều này không chỉ giới hạn ở lợi ích tài chính mà còn lan tỏa ra toàn xã hội.

Tính liên quan quốc tế (International relevance): Các mô hình và giải pháp được phát triển trong luận án, dựa trên dữ liệu thực tế từ Việt Nam, có thể được sử dụng làm tài liệu tham khảo và áp dụng cho các quốc gia có thị trường mới nổi khác với những đặc điểm kinh tế và hệ thống ngân hàng tương tự. Điều này nâng cao vị thế của nghiên cứu Việt Nam trong cộng đồng khoa học tài chính toàn cầu.

Đối tượng hưởng lợi

Luận án mang lại giá trị thiết thực cho nhiều đối tượng khác nhau:

  • Nghiên cứu sinh tiến sĩ (Doctoral researchers): Cung cấp một khung lý thuyết đã được hệ thống hóa đầy đủ về EWS RRTD, các phương pháp luận nghiên cứu định tính và định lượng rigorous, cùng với các khoảng trống nghiên cứu cụ thể để các nghiên cứu sinh khác có thể khai thác và phát triển luận án của mình trong tương lai. Ví dụ, họ có thể tập trung vào "phân khúc khách hàng nhỏ hơn" hoặc "ứng dụng AI/ML trong EWS" như định hướng nghiên cứu trong luận án.

  • Các nhà khoa học cấp cao (Senior academics): Góp phần làm phong phú thêm hiểu biết về quản trị RRTD, đặc biệt là vai trò của EWS trong bối cảnh các thị trường mới nổi. Nó cung cấp bằng chứng thực nghiệm và các đóng góp lý thuyết có thể kích thích các cuộc tranh luận và nghiên cứu sâu hơn trong lĩnh vực tài chính quốc tế và quản trị rủi ro.

  • Bộ phận R&D của ngành (Industry R&D): Các giám đốc rủi ro, chuyên viên phân tích tín dụng và bộ phận công nghệ thông tin tại các ngân hàng thương mại sẽ được hưởng lợi trực tiếp từ các mô hình định lượng đã được xây dựng, bộ chỉ tiêu cảnh báo sớm chi tiết (cho KHCN, KHDN và KH có liên quan) và các giải pháp hoàn thiện EWS. Việc áp dụng các đề xuất này có thể giúp các ngân hàng "giảm 10% - 20% tổn thất các khoản cho vay" (Mahen Priyanka Peiris, 2016), nâng cao "lợi nhuận trên vốn chủ sở hữu" và "năng suất vốn tốt hơn" như các NHTM Mỹ có EWS hiệu quả.

  • Các nhà hoạch định chính sách (Policy makers): Ngân hàng Nhà nước Việt Nam và các cơ quan quản lý khác sẽ có được bằng chứng thực nghiệm vững chắc để xây dựng và điều chỉnh các chính sách, quy định liên quan đến quản trị RRTD và triển khai EWS. Luận án cung cấp "kiến nghị với Ngân hàng nhà nước và các cơ quan quản lý" nhằm định hướng việc hoàn thiện cơ sở pháp lý, hệ thống công nghệ thông tin và nguồn nhân lực cần thiết để đảm bảo sự ổn định và an toàn của hệ thống ngân hàng.

Việc định lượng hóa lợi ích như giảm tổn thất tín dụng 10-20% không chỉ là một mục tiêu mà còn là một chỉ số đo lường cụ thể cho tác động tích cực của luận án đối với các đối tượng hưởng lợi.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Nó mở rộng lý thuyết nào và của tác giả nào? Đóng góp lý thuyết độc đáo nhất của luận án là việc hệ thống hóa cơ sở lý luận toàn diện về hệ thống cảnh báo sớm RRTD tại các NHTM, đặc biệt trong bối cảnh các thị trường mới nổi như Việt Nam, mà "thực tế chưa có nghiên cứu nào trước đây hệ thống hoá đầy đủ cơ sở lý luận về hệ thống cảnh báo sớm RRTD đối với KH vay vốn tại các NHTM." Luận án mở rộng lý thuyết về Quản trị Rủi ro Tín dụng của Ủy ban Basel (2006). Basel khuyến nghị các ngân hàng cần "có hệ thống kh c phục sớm đối với các khoản tín dụng xấu," nhưng không đi sâu vào chi tiết cấu trúc và quy trình triển khai của hệ thống cảnh báo sớm. Luận án này cung cấp một khuôn khổ lý thuyết chi tiết, bao gồm khái niệm (dựa trên Yap 1998, Ngân hàng Slovenia 2015), nguyên tắc, mục đích, cấu trúc (Edward 2004, Accenture 2014), quy trình xây dựng và các điều kiện triển khai EWS, từ đó cụ thể hóa và làm giàu thêm các hướng dẫn của Basel.

  2. Đổi mới phương pháp luận then chốt của nghiên cứu là gì? So sánh với ít nhất 2 nghiên cứu trước đó. Đổi mới phương pháp luận then chốt là ứng dụng thành công và toàn diện các mô hình định lượng (Linear Discriminant Analysis - LDA và Logistic Regression - Logit) trên một bộ dữ liệu thực tế quy mô lớn của các NHTM Việt Nam (500 KHCN và 257 KHDN từ 10 ngân hàng) để xây dựng EWS RRTD. Điều này vượt trội so với các nghiên cứu trước đây tại Việt Nam, nơi "tất cả các nghiên cứu này chỉ thực hiện đối với phạm vi một ngân hàng hoặc một chi nhánh ngân hàng."

    • So sánh với Pavel Mu z cek (2010) (Séc): Nghiên cứu của Mu z cek cũng sử dụng mô hình Logit để đo lường xác suất vỡ nợ, nhưng trong bối cảnh khủng hoảng và tại các NHTM Séc. Luận án này áp dụng Logit và LDA trong bối cảnh hệ thống ngân hàng Việt Nam, vốn có những đặc thù riêng về cấu trúc, quy định và hành vi tín dụng, đồng thời mở rộng phân tích cho cả KHCN và KHDN trên nhiều ngân hàng.
    • So sánh với Wanida Sirirattanaphonkun và Suluck Pattarathammas (2012) (Thái Lan): Nghiên cứu này cũng sử dụng LDA và Logit để dự đoán RRTD của SME tại Thái Lan, với Logit đạt độ chính xác 85,5%. Luận án này không chỉ tập trung vào SME mà còn mở rộng cho cả KHCN và KHDN nói chung, sử dụng dữ liệu từ nhiều NHTM Việt Nam, cung cấp một cái nhìn tổng quát hơn về khả năng ứng dụng các mô hình này trong đa dạng các phân khúc khách hàng tại một thị trường mới nổi khác.

  3. Phát hiện đáng ngạc nhiên nhất từ nghiên cứu là gì và bằng chứng dữ liệu hỗ trợ nó? Phát hiện đáng ngạc nhiên nhất, dựa trên tổng quan nghiên cứu trong luận án, là từ nghiên cứu của Nguyễn Quốc Anh và Nguyễn Hữu Thạch (2015) về 26 NHTM Việt Nam giai đoạn 2003-2015, chỉ ra rằng: "tỷ lệ nợ xấu năm trước cao có ảnh hưởng nghịch chiều tới tỷ lệ nợ xấu năm hiện tại, ROE quan hệ nghịch chiều với nợ xấu, ngân hàng có quy mô lớn có nguy cơ RRTD cao hơn ngân hàng quy mô nhỏ hơn."

    • Hỗ trợ dữ liệu/Giải thích lý thuyết: Phát hiện về mối quan hệ nghịch chiều giữa nợ xấu năm trước và nợ xấu năm hiện tại có thể gây ngạc nhiên vì trực giác thường cho rằng nợ xấu sẽ kéo dài. Tuy nhiên, điều này có thể phản ánh các ngân hàng có tỷ lệ nợ xấu cao trong quá khứ đã thực hiện các biện pháp "làm sạch" bảng cân đối kế toán quyết liệt, cơ cấu lại nợ, hoặc áp dụng các chính sách quản lý rủi ro nghiêm ngặt hơn, dẫn đến cải thiện chất lượng tín dụng trong các năm sau. Tương tự, việc ngân hàng lớn có nguy cơ RRTD cao hơn có thể do họ chấp nhận rủi ro cao hơn để đạt được tăng trưởng quy mô, hoặc có danh mục tín dụng phức tạp hơn với các khoản vay lớn, nhạy cảm hơn với biến động kinh tế.

  4. Luận án có cung cấp giao thức tái bản (replication protocol) không? Nếu có, ở đâu? Có, luận án cung cấp một giao thức tái bản tương đối chi tiết thông qua phần Chương 3: Ứng dụng mô hình định lượng vào hệ thống cảnh báo sớm Rủi ro Tín dụng tại các Ngân hàng Thương mại Việt Nam. Cụ thể:

    • Phần 3.1 Phương pháp luận mô hình (cho KHCN) và 3.2 Phương pháp luận mô hình (cho KHDN) mô tả rõ ràng các bước xây dựng mô hình.
    • Các biến số sử dụng được liệt kê (ví dụ: "Bảng 3.1: Biến sử dụng trong mô hình").
    • Các kiểm định tiền xử lý dữ liệu như "Thống kê mô tả" (Bảng 3.2, 3.16), "Kiểm định phân phối chuẩn" (Bảng 3.3), "Mối tương quan" (Bảng 3.4), "Kiểm định đa cộng tuyến" (Bảng 3.5, 3.17) được trình bày.
    • Các bảng "Kết quả mô hình" chi tiết (ví dụ: "Bảng 3.20: Phân tích các hệ số mô hình", "Bảng 3.22: Kiểm định Hosmer và Lemeshow", "Bảng 3.24: Kết quả mô hình hồi qui") cung cấp thông tin về các tham số và hiệu suất mô hình. Những chi tiết này cho phép các nhà nghiên cứu khác hiểu rõ quy trình, lựa chọn biến, và các kỹ thuật thống kê đã được áp dụng, từ đó có thể tái tạo hoặc kiểm định lại các kết quả với bộ dữ liệu tương tự.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Nếu có, nó bao gồm những gì? Có, luận án phác thảo một chương trình nghiên cứu tương lai thông qua phần Limitations và Future Research, bao gồm "Future research agenda với 4-5 concrete directions." Đây là một lộ trình nghiên cứu rõ ràng cho thập kỷ tới, bao gồm:

    • Mở rộng phạm vi dữ liệu và số lượng NHTM để tăng cường tính đại diện và khả năng khái quát hóa.
    • Thử nghiệm và so sánh các mô hình định lượng tiên tiến hơn như các phương pháp học máy (Machine Learning) hoặc mạng nơ ron thần kinh (Neural Network).
    • Nghiên cứu sâu hơn về tác động của các nhân tố phi tài chính và vĩ mô đến RRTD.
    • Phát triển EWS chuyên biệt cho các phân khúc khách hàng nhỏ hơn hoặc các ngành nghề cụ thể.
    • Nghiên cứu về cơ chế tích hợp EWS vào quy trình ra quyết định tín dụng tự động của ngân hàng.

Kết luận

Luận án "Hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam" đã tạo ra nhiều đóng góp ý nghĩa và cụ thể, được chắt lọc từ sự kết hợp chặt chẽ giữa lý luận và thực tiễn.

  1. Đóng góp về lý luận: Nghiên cứu đã hệ thống hóa một cách toàn diện cơ sở lý luận về EWS RRTD, lấp đầy khoảng trống học thuật tại Việt Nam về một chủ đề then chốt của quản trị rủi ro ngân hàng.
  2. Đóng góp về thực trạng: Luận án cung cấp một bức tranh chi tiết, có bằng chứng về thực trạng triển khai và hiệu quả của EWS RRTD tại các NHTM Việt Nam, chỉ ra những thành công và hạn chế cụ thể.
  3. Đóng góp về phương pháp: Nghiên cứu đã xây dựng thành công và ứng dụng các mô hình định lượng (LDA và Logit) trên bộ dữ liệu thực tế lớn từ 10 NHTM Việt Nam, cho cả KHCN và KHDN, chứng minh tính khả thi và hiệu quả của các công cụ dự báo này trong bối cảnh thị trường mới nổi.
  4. Đóng góp về công cụ: Đề xuất bộ chỉ tiêu cảnh báo sớm RRTD chi tiết cho từng nhóm khách hàng và một hệ thống phân quyền trên phần mềm, mang lại các công cụ thực tiễn có giá trị ứng dụng cao cho các ngân hàng.
  5. Đóng góp về giải pháp: Cung cấp các giải pháp toàn diện và kiến nghị chính sách cụ thể nhằm hoàn thiện cấu trúc EWS và các điều kiện triển khai, hướng tới nâng cao hiệu quả QTRRTD và tuân thủ các chuẩn mực quốc tế.

Luận án này đại diện cho một bước tiến quan trọng trong việc thúc đẩy mô hình quản trị rủi ro dựa trên dữ liệu và định lượng tại Việt Nam, góp phần củng cố triết lý thực chứng trong lĩnh vực tài chính ngân hàng. Nó mở ra ít nhất ba luồng nghiên cứu mới: (1) Phát triển EWS chuyên biệt cho các phân khúc khách hàng chi tiết hơn, (2) Ứng dụng trí tuệ nhân tạo và học máy trong EWS tại Việt Nam, và (3) Nghiên cứu về tác động chính sách của EWS đối với sự ổn định tài chính vĩ mô.

Với các phân tích sâu sắc về kinh nghiệm quốc tế từ Mỹ, Séc, Thái Lan, luận án có tính liên quan toàn cầu, cung cấp các bài học và khuôn khổ có thể tham khảo cho các nền kinh tế đang phát triển. Các kết quả có thể đo lường được bao gồm tiềm năng giảm "10% - 20% tổn thất các khoản cho vay" (Mahen Priyanka Peiris, 2016), hứa hẹn một di sản về việc nâng cao đáng kể hiệu quả hoạt động và sự ổn định của hệ thống ngân hàng Việt Nam.