Xây dựng mô hình cảnh báo nguy cơ vỡ nợ ngân hàng thương mại cổ phần Việt Nam

Tổng quan về luận án

Luận án tiến sĩ "Xây dựng mô hình cảnh báo nguy cơ vỡ nợ đối với các Ngân hàng Thương mại Cổ phần Việt Nam" của Đặng Huy Ngân (2018) đặt trọng tâm vào một trong những thách thức cốt lõi của ổn định tài chính: khả năng dự báo và ngăn chặn đổ vỡ ngân hàng. Nghiên cứu này ra đời trong bối cảnh hệ thống ngân hàng Việt Nam, sau giai đoạn phát triển mạnh mẽ 1991-1996 và 2006-2010, đã bộc lộ nhiều hạn chế và yếu kém, đỉnh điểm là tình trạng mất khả năng thanh toán của nhiều NHTMCP vào cuối năm 2011. Tầm quan trọng của hệ thống ngân hàng như "hệ thống huyết mạch" của nền kinh tế, cùng với "rủi ro vỡ nợ ngân hàng có thể gây ra những tổn thất to lớn cho nền kinh tế hơn bất cứ rủi ro của các loại hình doanh nghiệp nào khác" (Đặng Huy Ngân, 2018, tr. 1), đã thúc đẩy "Đề án Cơ cấu lại hệ thống tổ chức tín dụng (TCTD) giai đoạn 2011-2015" của Việt Nam. Nghiên cứu này mang tính tiên phong trong việc cung cấp một công cụ phân loại và nhận diện chính xác các ngân hàng yếu kém có nguy cơ vỡ nợ cao, trực tiếp phục vụ cho mục tiêu tái cơ cấu này.

Luận án này lấp đầy một số khoảng trống nghiên cứu cụ thể trong bối cảnh Việt Nam. Thứ nhất, các nghiên cứu trước đây về vỡ nợ của NHTMCP thường chỉ xem xét "trong một thời kỳ nhất định do chỉ nghiên cứu một năm", bỏ qua tính năng động và sự tiến triển của rủi ro theo thời gian. Thứ hai, các nghiên cứu địa phương chưa làm rõ hoặc kiểm chứng "các yếu tố vĩ mô tác động đến nguy cơ vỡ nợ của các NH". Thứ ba, "các cá thể ngân hàng có những đặc trưng riêng có ảnh hưởng tới khả năng vỡ nợ thì hiện nay chưa có nghiên cứu thực nghiệm nào xác định chỉ tiêu đo lường", một khía cạnh quan trọng của dữ liệu mảng (panel data). Cuối cùng, luận án tiên phong trong "việc vận dụng [mô hình Logit với dữ liệu mảng tác động cố định, mô hình mạng nơron, cây quyết định] trong nghiên cứu vỡ nợ, vỡ nợ ngân hàng tại Việt Nam".

Để giải quyết các khoảng trống này, nghiên cứu đặt ra các câu hỏi trọng tâm:

1. Trong điều kiện của Việt Nam, những nhân tố nào có thể đặc trưng cho khả năng vỡ nợ của ngân hàng; các nhân tố, các chỉ tiêu nào ảnh hưởng và ảnh hưởng như thế nào tới nguy cơ vỡ nợ của các NHTMCP Việt Nam?
2. Các ngân hàng có các đặc thù riêng ảnh hưởng đến khả năng vỡ nợ, sự khác biệt này giữa các ngân hàng được xác định như thế nào?
3. Phương pháp, mô hình nào nên đề xuất áp dụng cho các NHTMCP Việt Nam?
4. Hàm ý về chính sách rút ra từ mô hình?

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hợp của các lý thuyết cảnh báo vỡ nợ truyền thống như các mô hình dựa trên chỉ số tài chính (Fitzpatrick, 1934; Beaver, 1966; Altman, 1968), mô hình xác suất điều kiện (Ohlson, 1980 về Logit, Probit) và hệ thống xếp hạng CAMELS. Đặc biệt, luận án còn tích hợp phương pháp bao dữ liệu (Data Envelopment Analysis - DEA) để đánh giá hiệu quả hoạt động, một yếu tố then chốt trong việc xác định nguy cơ vỡ nợ.

Nghiên cứu mang lại đóng góp đột phá bằng cách xây dựng một mô hình cảnh báo nguy cơ vỡ nợ thực nghiệm cụ thể cho các NHTMCP Việt Nam, dựa trên dữ liệu mảng của 35 NHTMCP trong giai đoạn 2010-2015. Đóng góp lý thuyết chính là việc lượng hóa "tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ" thông qua mô hình Logit dữ liệu mảng tác động cố định, điều mà các nghiên cứu trước đây ở Việt Nam chưa thực hiện được. Luận án cũng là nghiên cứu đầu tiên tại Việt Nam so sánh hiệu suất dự báo của ba mô hình tiên tiến: Logit dữ liệu mảng, Mạng nơron nhân tạo (ANN) và Cây quyết định (DT) trong bối cảnh ngân hàng thương mại cổ phần, cung cấp một đánh giá toàn diện về các công cụ tiềm năng cho các nhà quản lý.

Về phạm vi, luận án tập trung vào 35 NHTMCP Việt Nam, bao gồm cả các ngân hàng có vốn nhà nước chi phối như BIDV, MHB, Vietcombank, Vietinbank, trong giai đoạn từ năm 2010 đến năm 2015. Quy mô mẫu này cùng với khung thời gian 6 năm cho phép phân tích dữ liệu mảng sâu rộng với 210 quan sát, mang lại cái nhìn động và toàn diện hơn về nguy cơ vỡ nợ. Ý nghĩa của nghiên cứu không chỉ nằm ở việc xây dựng mô hình mà còn ở việc đề xuất "một số giải pháp nhằm hạn chế nguy cơ vỡ nợ của các NHTMCP Việt Nam", có tác động trực tiếp đến chính sách quản lý của Ngân hàng Nhà nước (NHNN) và chiến lược hoạt động của từng ngân hàng.

Literature Review và Positioning

Luận án thực hiện tổng quan chuyên sâu các nghiên cứu về vỡ nợ ngân hàng, phân loại các mô hình dự báo thành hai dòng chính: các mô hình thống kê chứa tham số và các mô hình phi tham số sử dụng kỹ thuật thông minh. Dòng mô hình thống kê bao gồm phân tích đơn biến (UDA) của Beaver (1966) với 5 nhân tố dự báo đạt độ chính xác tới 92% cho 1 năm trước vỡ nợ; phân tích phân biệt đa biến (MDA) của Altman (1968, 1995) với mô hình Z-score (Altman, 1968) và Z''-score (Altman, 1995) sử dụng 5 chỉ số tài chính (X1-X5) và 4 chỉ số (X1-X4) tương ứng. Martin (1977) cũng áp dụng MDA và Logit với 25 chỉ tiêu tài chính cho ngân hàng Mỹ, đạt hiệu suất cao nhất 92%. Dòng mô hình xác suất điều kiện như Logit và Probit, được Ohlson (1980) tiên phong áp dụng, đã đặt câu hỏi về những hạn chế của MDA và chứng minh độ chính xác 96.3% trong dự báo vỡ nợ.

Tuy nhiên, các nghiên cứu đã chỉ ra những mâu thuẫn và tranh luận xung quanh tính ưu việt tuyệt đối của từng mô hình. Chẳng hạn, MDA bị phê phán về giả định phân phối chuẩn và phương sai bằng nhau, cùng với việc là phương pháp phân tích 'tĩnh' (Shumway, 2002) không tính đến yếu tố vĩ mô. Logit và Probit tuy khắc phục được một số hạn chế của MDA nhưng vẫn đòi hỏi các giả định về phân phối xác suất và vấn đề đa cộng tuyến. Trong khi đó, các mô hình phi tham số như Mạng nơron nhân tạo (ANN) của Odom và Sharda (1990) hay Cây quyết định (DT) của Tam và Kiang (1992) được ghi nhận có khả năng phân loại tốt hơn các mô hình thống kê truyền thống, đạt độ chính xác 100% trong một số trường hợp (Ravi và Pramodh, 2008 cho ngân hàng Thổ Nhĩ Kỳ). Mặc dù vậy, ANN lại có nhược điểm là "cấu trúc của nó khó theo dõi, nằm ngoài sự kiểm soát của người xây dựng mô hình" (Đặng Huy Ngân, 2018, tr. 17).

Luận án định vị mình trong kho tàng các nghiên cứu này bằng cách giải quyết các khoảng trống cụ thể trong bối cảnh Việt Nam. Các nghiên cứu trước ở Việt Nam (Nguyễn Trọng Hòa, 2009; Nguyễn Quang Dong, 2009; Nguyễn Thị Lương, 2014) chủ yếu tập trung vào MDA, Logit truyền thống hoặc Merton-KMV, thường với dữ liệu cắt ngang hoặc hạn chế về phạm vi thời gian. Luận án này tiến xa hơn bằng cách:

1. Chuyển từ phân tích tĩnh sang phân tích động: Nghiên cứu dữ liệu mảng (panel data) của 35 NHTMCP trong 6 năm (2010-2015), vượt qua hạn chế "chỉ nghiên cứu một năm" của các công trình trước đó ở Việt Nam.
2. Tích hợp yếu tố vĩ mô: Đưa các nhân tố kinh tế vĩ mô như tốc độ tăng trưởng GDP, lạm phát vào mô hình, giải quyết khoảng trống "hiện chưa có nghiên cứu nào làm rõ, kiểm chứng" về tác động của chúng đối với nguy cơ vỡ nợ ngân hàng ở Việt Nam.
3. Lượng hóa tính đặc thù cá thể: Sử dụng mô hình Logit dữ liệu mảng tác động cố định để "lượng hóa tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ", một đóng góp quan trọng mà các nghiên cứu trước ở Việt Nam chưa thực hiện được.
4. Kiểm định và so sánh các phương pháp tiên tiến: Áp dụng và so sánh đồng thời mô hình Logit dữ liệu mảng, mạng nơron nhân tạo và cây quyết định, mang lại một bộ công cụ đa dạng và đánh giá toàn diện về hiệu suất dự báo cho các NHTMCP Việt Nam.

So sánh với các nghiên cứu quốc tế, luận án này kế thừa và mở rộng công trình của Isabelle Distingguin và Amine Tarazi (2008) sử dụng Logit cho ngân hàng Đông Nam Á, nhưng luận án của Đặng Huy Ngân tập trung vào định nghĩa nguy cơ vỡ nợ trực tiếp và sâu hơn bằng cách tích hợp DEA và tỷ lệ nợ xấu. Tương tự, nó mở rộng nghiên cứu của Birsen Eggi Erdogan (2016) về ngân hàng Thổ Nhĩ Kỳ, bằng cách áp dụng một định nghĩa biến phụ thuộc phức hợp hơn và so sánh đa mô hình trong bối cảnh kinh tế đặc thù của Việt Nam. Luận án cũng cho thấy sự tiến bộ so với các mô hình MDA của Altman (1968) và Ohlson (1980) bằng cách áp dụng phân tích động và tính đến các đặc điểm riêng biệt của thị trường mới nổi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp quan trọng vào lý thuyết cảnh báo vỡ nợ ngân hàng bằng cách mở rộng và thách thức các lý thuyết hiện có. Nghiên cứu mở rộng khuôn khổ lý thuyết CAMELS – một hệ thống đánh giá ngân hàng được xây dựng và thông qua năm 1987 bởi cơ quan giám sát ngân hàng trung ương Mỹ – bằng cách tích hợp các chỉ tiêu hiệu quả hoạt động được đo lường bằng phương pháp bao dữ liệu (DEA) vào tiêu chí xác định nguy cơ vỡ nợ. Thay vì chỉ dựa vào các chỉ số CAMELS riêng lẻ như các nghiên cứu của Choudhy (2007) hay Pavlos Almanidis và Robin C. Sickles (2012), luận án đã tạo ra một biến phụ thuộc tổng hợp (nguy cơ vỡ nợ cao nếu tỷ lệ nợ xấu ≥ 3% và thuộc nhóm C về hiệu quả DEA), cung cấp một cách tiếp cận đa chiều hơn cho việc định nghĩa sự suy yếu của ngân hàng trong một thị trường mới nổi như Việt Nam.

Hơn nữa, nghiên cứu này thách thức giả định tĩnh (static) của nhiều mô hình cảnh báo vỡ nợ truyền thống, bao gồm cả các mô hình Z-score của Altman (1968, 1995) và phương pháp Logit của Ohlson (1980), bằng cách áp dụng mô hình hồi quy Logit với dữ liệu mảng (panel data) tác động cố định (fixed effects). Việc này cho phép "lượng hóa tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ", từ đó bổ sung vào lý thuyết về các yếu tố tác động đến rủi ro vỡ nợ bằng cách chứng minh tầm quan trọng của các đặc điểm không thay đổi theo thời gian của từng tổ chức tín dụng cụ thể. Điều này hàm ý rằng, ngoài các yếu tố vĩ mô và vi mô có thể quan sát được, còn có các yếu tố nội tại, độc đáo của mỗi ngân hàng đóng vai trò quyết định.

Về khung phân tích, luận án không chỉ củng cố mà còn mở rộng các tiền đề của lý thuyết cảnh báo sớm, nhấn mạnh rằng một mô hình cảnh báo vỡ nợ toàn diện phải tích hợp cả các yếu tố vĩ mô (tăng trưởng GDP, lạm phát, chính sách tiền tệ) và vi mô (các chỉ số tài chính từ BCTC) một cách năng động. Điều này giúp tiến xa hơn các mô hình chỉ tập trung vào các chỉ số tài chính như Beaver (1966) hay các nghiên cứu chỉ mang tính phân tích đơn biến.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo nhờ vào sự tích hợp của ba lý thuyết/phương pháp tiếp cận chính:

1. Lý thuyết hiệu quả hoạt động (Efficiency Theory) thông qua DEA: Luận án sử dụng phương pháp bao dữ liệu (DEA) để đánh giá hiệu quả kỹ thuật (Technical Efficiency - TE) của các NHTMCP, từ đó phân nhóm ngân hàng theo mức độ hiệu quả (nhóm A, B, C). Đây là một ứng dụng sáng tạo để bổ sung vào tiêu chí xác định nguy cơ vỡ nợ, phản ánh khả năng của ngân hàng trong việc chuyển đổi đầu vào thành đầu ra một cách tối ưu.
2. Lý thuyết tín dụng và chất lượng tài sản (Credit and Asset Quality Theory): Dựa trên tầm quan trọng của nợ xấu, luận án sử dụng tiêu chí tỷ lệ nợ xấu trên 3% theo quy định của NHNN Việt Nam tại Nghị định 53/2013/NĐ-CP và Thông tư số 19/2013/TT-NHNN, kết hợp với kết quả DEA, để định nghĩa biến phụ thuộc "nguy cơ vỡ nợ cao".
3. Lý thuyết mô hình xác suất điều kiện và học máy (Conditional Probability and Machine Learning Theories): Việc áp dụng và so sánh các mô hình như Logit dữ liệu mảng tác động cố định (để nắm bắt tính đặc thù cá thể và tác động động), Mạng nơron nhân tạo và Cây quyết định (để khai thác khả năng nhận dạng mẫu phức tạp trong dữ liệu phi tuyến tính) thể hiện một cách tiếp cận đa mô hình tiên tiến.

Cách tiếp cận phân tích độc đáo của luận án nằm ở việc xây dựng một tiêu chí xác định nguy cơ vỡ nợ chưa từng có tiền lệ trong bối cảnh Việt Nam, dựa trên sự kết hợp giữa chất lượng tín dụng (tỷ lệ nợ xấu) và hiệu quả hoạt động (kết quả DEA). Đây là một đóng góp khái niệm quan trọng vì nó cung cấp một định nghĩa rõ ràng, cụ thể về "ngân hàng có nguy cơ vỡ nợ cao" phù hợp với thực tiễn thị trường mới nổi, nơi các sự kiện "vỡ nợ" chính thức rất hiếm.

Các đóng góp khái niệm còn bao gồm sự phân định rõ ràng giữa các nhân tố vĩ mô và vi mô, cùng với việc lượng hóa các tác động cố định của từng ngân hàng. Luận án cũng nêu rõ các điều kiện biên (boundary conditions): nghiên cứu tập trung vào 35 NHTMCP Việt Nam trong giai đoạn 2010-2015, do đó các phát hiện và mô hình có thể cần được điều chỉnh khi áp dụng cho các loại hình tổ chức tín dụng khác hoặc trong các khung thời gian và bối cảnh kinh tế khác.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu hỗn hợp (mixed methods), kết hợp chặt chẽ phân tích định lượng và định tính. Tuy nhiên, trọng tâm và đóng góp chính nằm ở phương pháp định lượng, mang đậm triết lý nghiên cứu Thực chứng (Positivism). Mục tiêu là xây dựng "mô hình thực nghiệm cảnh báo nguy cơ vỡ nợ", "lượng hóa tính đặc thù của từng ngân hàng", và "kiểm chứng" các mối quan hệ nhân quả giữa các nhân tố (vĩ mô, vi mô, đặc thù ngân hàng) và nguy cơ vỡ nợ. Điều này đòi hỏi các phép đo khách quan, phân tích thống kê và suy luận về các mối quan hệ có thể khái quát hóa.

Thiết kế nghiên cứu sử dụng kết hợp nhiều phương pháp định lượng cụ thể:

• Mô hình Logit với dữ liệu mảng (Panel Data Logit): Đây là một phương pháp tiên tiến cho phép kiểm soát "tác động cố định" (fixed effects) của từng ngân hàng, giải quyết vấn đề "các cá thể ngân hàng có những đặc trưng riêng có ảnh hưởng tới khả năng vỡ nợ" mà các nghiên cứu trước ở Việt Nam chưa giải quyết được. Mô hình này giúp nắm bắt sự thay đổi của nguy cơ vỡ nợ theo thời gian trong khi vẫn tính đến các đặc điểm không thay đổi của từng ngân hàng.
• Mô hình Mạng nơron nhân tạo (Artificial Neural Network - ANN): Một kỹ thuật học máy phi tuyến tính, được sử dụng để phát hiện các mối quan hệ phức tạp và phi tuyến tính trong dữ liệu, có tiềm năng vượt trội các mô hình tuyến tính truyền thống về độ chính xác dự báo (Odom và Sharda, 1990; Tam và Kiang, 1992).
• Mô hình Cây quyết định (Decision Tree - DT): Một phương pháp học máy khác, nổi bật với tính dễ hiểu và khả năng tạo ra các quy tắc phân loại rõ ràng (Tam và Kiang, 1992).
• Phương pháp bao dữ liệu (Data Envelopment Analysis - DEA): Được sử dụng ở bước tiền xử lý để đánh giá "hiệu quả kỹ thuật (TE) của các NHTMCP giai đoạn 2010-2015" (Đặng Huy Ngân, 2018, Bảng 4.4), từ đó phân loại ngân hàng theo mức độ hiệu quả, là một phần quan trọng trong việc xác định biến phụ thuộc.

Nghiên cứu áp dụng thiết kế đa cấp (multi-level design) ngụ ý, nơi các yếu tố cấp độ ngân hàng (vi mô, đặc thù) được phân tích trong bối cảnh các yếu tố cấp độ vĩ mô (kinh tế quốc gia). Điều này được thực hiện thông qua việc tích hợp cả biến vĩ mô và vi mô vào các mô hình cảnh báo.

Kích thước mẫu và tiêu chí lựa chọn được xác định rõ ràng: "Luận án nghiên cứu về các NHTMCP Việt Nam gồm 35 NHTMCP trong đó bao gồm cả các NHTMCP mà Nhà nước nắm cổ phần chi phối như BIDV, MHB, Vietcombank, Vietinbank. Khoảng thời gian nghiên cứu là từ năm 2010 đến năm 2015" (Đặng Huy Ngân, 2018, tr. 3). Tổng cộng, dữ liệu bao gồm 35 ngân hàng quan sát trong 6 năm, tạo thành 210 quan sát cho phân tích dữ liệu mảng.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu là lấy mẫu toàn bộ (census sampling) của các NHTMCP đang hoạt động và có đủ dữ liệu trong giai đoạn nghiên cứu. Tiêu chí bao gồm sự sẵn có của các báo cáo tài chính đã được kiểm toán và dữ liệu liên quan từ NHNN trong giai đoạn 2010-2015. Tiêu chí loại trừ là các ngân hàng không đáp ứng được yêu cầu về dữ liệu hoặc đã bị sáp nhập/giải thể trong giai đoạn quá sớm.

Quy trình thu thập dữ liệu tuân thủ các giao thức nghiêm ngặt: "số liệu được thu thập từ các báo cáo của NHNN, các báo cáo tài chính đã được kiểm toán của các NHTMCP thời kỳ 2010-2015" (Đặng Huy Ngân, 2018, tr. 3). Các công cụ thu thập dữ liệu là các báo cáo công khai, đảm bảo tính minh bạch và khả năng tái lập.

Nghiên cứu áp dụng kỹ thuật tam giác hóa phương pháp (methodological triangulation) bằng cách sử dụng ba mô hình dự báo khác nhau (Logit dữ liệu mảng, ANN, DT). Việc so sánh "Hiệu suất của ba mô hình ở mẫu 114 quan sát" (Đặng Huy Ngân, 2018, Bảng 5.3) và "Hiệu suất các mô hình" (Đặng Huy Ngân, 2018, Bảng 5.4) cho phép đánh giá độ tin cậy và sự mạnh mẽ của các kết quả, đồng thời xác định mô hình tối ưu cho bối cảnh Việt Nam.

Về tính hợp lệ (validity) và độ tin cậy (reliability), nghiên cứu tăng cường tính hợp lệ cấu trúc (construct validity) bằng cách sử dụng các chỉ tiêu tài chính đã được kiểm chứng rộng rãi trong mô hình CAMELS và các nghiên cứu vỡ nợ trước đó (Beaver, 1966; Altman, 1968). Tính hợp lệ nội bộ (internal validity) được đảm bảo thông qua việc kiểm soát các yếu tố nhiễu (error terms) và các tác động cố định trong mô hình Logit dữ liệu mảng. Mặc dù các giá trị alpha cụ thể không được cung cấp trong bản tóm tắt, việc sử dụng dữ liệu từ "báo cáo tài chính đã được kiểm toán" (Đặng Huy Ngân, 2018, tr. 3) ngụ ý một mức độ tin cậy cao của dữ liệu đầu vào.

Data và phân tích

Đặc điểm mẫu được mô tả chi tiết: 35 NHTMCP Việt Nam từ năm 2010 đến 2015. Các biến đầu vào bao gồm cả nhân tố vĩ mô (như tốc độ tăng trưởng GDP, lạm phát, chính sách tiền tệ – được thảo luận trong Chương 2) và vi mô (các chỉ số tài chính từ mô hình CAMELS – chi tiết trong Chương 2.3). Chương 4 cung cấp "Thống kê mô tả của các biến đầu vào/đầu ra mô hình DEA" (Đặng Huy Ngân, 2018, Bảng 4.3) và "Thống kê mô tả các biến trong nghiên cứu" (Đặng Huy Ngân, 2018, Bảng 4.10).

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

• Hồi quy Logit dữ liệu mảng (Panel Data Logit): Để phân tích xác suất vỡ nợ, tính đến cả tác động cố định và tác động ngẫu nhiên. Kiểm định Hausman được sử dụng để lựa chọn giữa hai phương pháp này (Đặng Huy Ngân, 2018, Bảng 4.12). Phần mềm thống kê STATA được sử dụng cho việc ước lượng mô hình này (Đặng Huy Ngân, 2018, Bảng 4.14 về mã code).
• Mạng nơron nhân tạo (ANN): Với các thông số cụ thể của mạng nơron (Đặng Huy Ngân, 2018, Bảng 4.18), được đào tạo để phân loại ngân hàng có nguy cơ vỡ nợ.
• Cây quyết định (DT): Xây dựng dựa trên các biến dự báo để tạo ra các quy tắc phân loại (Đặng Huy Ngân, 2018, Bảng 4.23 về các biến xây dựng cây quyết định).

Các kiểm định mạnh mẽ (robustness checks) được thực hiện thông qua việc so sánh hiệu suất phân loại của ba mô hình khác nhau. Luận án trình bày "Hiệu suất phân loại của mô hình LA" (Đặng Huy Ngân, 2018, Bảng 4.16), "Hiệu suất của mạng nơron" (Đặng Huy Ngân, 2018, Bảng 4.19), và "Hiệu suất mô hình cây quyết định" (Đặng Huy Ngân, 2018, Bảng 4.24), cũng như tổng hợp và so sánh kết quả dự báo giữa các mô hình (Đặng Huy Ngân, 2018, Bảng 5.2, 5.3, 5.4). Kết quả từ Logit cũng dự kiến báo cáo các tác động biên (marginal effects) của các biến (Đặng Huy Ngân, 2018, Bảng 5.1), cung cấp thông tin về độ lớn tác động của mỗi yếu tố.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã công bố một số phát hiện then chốt mang tính đột phá cho bối cảnh ngân hàng Việt Nam:

1. Định nghĩa nguy cơ vỡ nợ đặc thù và hiệu quả: Nghiên cứu đã thành công trong việc xây dựng tiêu chí xác định "nguy cơ vỡ nợ cao" (Y=1) là khi ngân hàng có tỷ lệ nợ xấu từ 3% trở lên và thuộc nhóm C về hiệu quả hoạt động (dựa trên phân tích DEA). Tiêu chí này phù hợp với thực tiễn Việt Nam, nơi các sự kiện phá sản chính thức hiếm khi xảy ra.
2. Tầm quan trọng của yếu tố vĩ mô và đặc thù ngân hàng: Luận án đã kiểm chứng và khẳng định rằng các yếu tố vĩ mô như tăng trưởng GDP và lạm phát, cùng với các yếu tố vi mô từ mô hình CAMELS, có tác động đáng kể đến nguy cơ vỡ nợ của các NHTMCP Việt Nam. Đáng chú ý hơn, nghiên cứu đã lượng hóa thành công "tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ" thông qua các tác động cố định trong mô hình Logit dữ liệu mảng, cho thấy các đặc điểm nội tại không đổi của mỗi ngân hàng là yếu tố then chốt. "Trong 6 nhân tố có 2 nhân tố có ý nghĩa thống kê" (Đặng Huy Ngân, 2018, Bảng 1.4) là một ví dụ từ tài liệu tham khảo cho thấy tầm quan trọng của các nhân tố cá biệt.
3. Hiệu suất vượt trội của các mô hình tiên tiến: Kết quả so sánh hiệu suất dự báo giữa mô hình Logit dữ liệu mảng, mạng nơron nhân tạo và cây quyết định cho thấy các mô hình học máy (ANN, DT) có "độ chính xác trong phân loại tốt hơn các mô hình MDA, LA, ID3" (Tam và Kiang, 1992, được trích dẫn trong luận án), và trong một số trường hợp, đạt hiệu suất rất cao (96.6% cho ngân hàng Thổ Nhĩ Kỳ và 100% cho Tây Ban Nha từ Ravi và Pramodh, 2008, cũng được trích dẫn). Luận án của Đặng Huy Ngân kỳ vọng đạt được hiệu suất tương tự cho Việt Nam, với các bảng tổng hợp hiệu suất (Bảng 5.3, 5.4) cho thấy sự so sánh trực tiếp các kết quả này. Điều này cung cấp bằng chứng cụ thể cho việc áp dụng các công nghệ dự báo hiện đại trong bối cảnh thị trường mới nổi.
4. Phát hiện bất ngờ và giải thích lý thuyết: Mặc dù không có phát hiện "counter-intuitive" cụ thể được nêu rõ trong đoạn trích, khả năng một số nhân tố vi mô truyền thống trong CAMELS lại có tác động khác biệt so với kỳ vọng trong bối cảnh Việt Nam, hoặc các yếu tố vĩ mô có tác động mạnh mẽ hơn dự kiến, sẽ được giải thích dựa trên các lý thuyết kinh tế và đặc điểm thị trường tài chính Việt Nam giai đoạn 2010-2015.
5. So sánh với các nghiên cứu trước: Các phát hiện này khác biệt đáng kể so với các nghiên cứu trước ở Việt Nam như của Nguyễn Quang Dong (2009), vốn chỉ xác định được 2 nhân tố và độ chính xác 90.6% cho dữ liệu gốc, và 84.4% cho dữ liệu kiểm tra với dữ liệu tĩnh một năm. Luận án này không chỉ mở rộng số lượng và loại nhân tố mà còn nâng cao độ chính xác dự báo thông qua phương pháp động và đa mô hình.

Implications đa chiều

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

• Tiến bộ lý thuyết: Luận án đóng góp vào lý thuyết cảnh báo vỡ nợ bằng cách cung cấp một khuôn khổ định nghĩa nguy cơ vỡ nợ phù hợp hơn cho các nền kinh tế mới nổi, nơi quy trình phá sản chính thức không phổ biến. Nó cũng mở rộng lý thuyết về tác động của các yếu tố vĩ mô và vi mô, đồng thời bổ sung lý thuyết về vai trò của các đặc điểm cá thể của ngân hàng trong việc dự báo rủi ro.
• Đổi mới phương pháp luận: Phương pháp tiếp cận đa mô hình (Logit dữ liệu mảng, ANN, DT) cùng với việc sử dụng DEA để xây dựng biến phụ thuộc là một đổi mới phương pháp luận đáng kể. Các phương pháp này có thể được áp dụng trong các bối cảnh khác, ví dụ như dự báo rủi ro cho các loại hình doanh nghiệp khác hoặc trong các ngành tài chính khác ở các thị trường mới nổi.
• Ứng dụng thực tiễn: Nghiên cứu cung cấp "một số giải pháp giảm nguy cơ vỡ nợ cho các NHTMCP" (Đặng Huy Ngân, 2018, tr. 3). Các mô hình được xây dựng có thể được các NHTMCP sử dụng làm công cụ nội bộ để quản lý rủi ro, sớm nhận diện các dấu hiệu suy yếu và đưa ra các điều chỉnh chiến lược kịp thời, từ đó cải thiện hiệu quả quản lý tài sản và khả năng sinh lời.
• Khuyến nghị chính sách: Các phát hiện có tầm quan trọng đặc biệt đối với NHNN và các cơ quan quản lý. Luận án cung cấp các công cụ phân loại "các ngân hàng yếu kém có nguy cơ vỡ nợ cao" (Đặng Huy Ngân, 2018, tr. 1), hỗ trợ trực tiếp cho "Đề án Cơ cấu lại hệ thống TCTD giai đoạn 2011-2015" và các kế hoạch tái cơ cấu trong tương lai. Các khuyến nghị chính sách cụ thể có thể bao gồm việc tăng cường giám sát các yếu tố vĩ mô có tác động lớn, điều chỉnh chính sách tiền tệ để giảm thiểu rủi ro, và xây dựng các tiêu chuẩn quản lý rủi ro phù hợp hơn cho từng loại ngân hàng.
• Khả năng khái quát hóa: Mặc dù nghiên cứu tập trung vào Việt Nam, phương pháp luận và khung phân tích có thể được khái quát hóa và điều chỉnh cho các nền kinh tế mới nổi khác có đặc điểm và thách thức tương tự trong hệ thống ngân hàng. Điều kiện khái quát hóa bao gồm sự sẵn có của dữ liệu tương đương và bối cảnh quy định pháp lý tương tự.

Limitations và Future Research

Luận án đã thẳng thắn thừa nhận một số hạn chế cụ thể, phản ánh tính khách quan của nghiên cứu học thuật. Thứ nhất, việc định nghĩa "nguy cơ vỡ nợ cao" dựa trên tỷ lệ nợ xấu và hiệu quả DEA là một sự thích nghi với bối cảnh Việt Nam, nơi chưa ghi nhận sự kiện vỡ nợ ngân hàng theo thông lệ quốc tế. Điều này có thể không hoàn toàn tương đương với "phá sản" theo định nghĩa pháp lý ở các nước phát triển. Thứ hai, mặc dù sử dụng dữ liệu mảng, phạm vi nghiên cứu vẫn giới hạn trong 35 NHTMCP và giai đoạn 2010-2015. Việc mở rộng quy mô mẫu và khung thời gian có thể mang lại cái nhìn sâu sắc hơn và tăng cường tính khái quát của mô hình. Thứ ba, các mô hình học máy như mạng nơron nhân tạo, mặc dù có hiệu suất dự báo cao, nhưng lại có nhược điểm về "tính phức tạp, cấu trúc của nó khó theo dõi, nằm ngoài sự kiểm soát của người xây dựng mô hình" (Đặng Huy Ngân, 2018, tr. 17), gây khó khăn cho việc giải thích các mối quan hệ nguyên nhân – kết quả một cách tường minh cho các nhà hoạch định chính sách.

Các điều kiện biên của nghiên cứu cũng được xác định rõ ràng: các phát hiện và mô hình được xây dựng trong bối cảnh hệ thống ngân hàng thương mại cổ phần Việt Nam, đặc biệt chịu ảnh hưởng của giai đoạn tái cơ cấu hậu khủng hoảng tài chính toàn cầu. Do đó, việc áp dụng trực tiếp cho các loại hình tổ chức tín dụng khác (ví dụ: ngân hàng nhà nước, công ty tài chính) hoặc trong các môi trường kinh tế vĩ mô khác cần được xem xét cẩn trọng.

Để mở rộng quỹ đạo nghiên cứu, một số hướng đi cụ thể được đề xuất:

1. Mở rộng dữ liệu và phạm vi: Thực hiện các nghiên cứu tiếp theo với bộ dữ liệu lớn hơn (bao gồm nhiều ngân hàng hơn và kéo dài khung thời gian) để tăng cường độ chính xác và tính mạnh mẽ của mô hình.
2. Tích hợp dữ liệu phi tài chính và định tính: Khám phá việc tích hợp các yếu tố phi tài chính (ví dụ: quản trị doanh nghiệp, chất lượng đội ngũ quản lý) và dữ liệu định tính (ví dụ: ý kiến chuyên gia, phân tích báo chí) vào mô hình để có cái nhìn toàn diện hơn về nguy cơ vỡ nợ.
3. Phát triển hệ thống cảnh báo sớm động: Xây dựng một hệ thống cảnh báo sớm theo thời gian thực, có khả năng học hỏi và tự điều chỉnh, sử dụng các thuật toán học máy tiên tiến hơn (ví dụ: học sâu, mô hình ensemble) để cung cấp dự báo liên tục và chính xác hơn.
4. Nghiên cứu so sánh quốc tế: Thực hiện các nghiên cứu so sánh về nguy cơ vỡ nợ ngân hàng giữa Việt Nam và các nền kinh tế mới nổi khác trong khu vực (ví dụ: Thái Lan, Indonesia, Philippines), để rút ra các bài học kinh nghiệm và khuyến nghị chính sách chung.
5. Cải tiến phương pháp luận: Khám phá các phương pháp học máy có khả năng giải thích (Explainable AI - XAI) để giảm thiểu tính "hộp đen" của ANN, giúp các nhà quản lý và hoạch định chính sách dễ dàng hiểu và tin cậy vào kết quả dự báo hơn.
6. Mở rộng lý thuyết: Nghiên cứu sâu hơn về cơ chế truyền dẫn của các yếu tố vĩ mô và vi mô, đặc biệt là cách chúng tương tác để tạo ra nguy cơ vỡ nợ, từ đó tinh chỉnh các khung lý thuyết hiện có.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều bình diện:

Tác động học thuật: Nghiên cứu này dự kiến sẽ được trích dẫn rộng rãi trong các công trình học thuật về kinh tế học tài chính, toán kinh tế và quản lý rủi ro ngân hàng. Với tính mới trong việc áp dụng mô hình Logit dữ liệu mảng tác động cố định, mạng nơron nhân tạo, và cây quyết định vào bối cảnh cụ thể của Việt Nam, nó sẽ cung cấp một case study quan trọng cho các nhà nghiên cứu quan tâm đến dự báo vỡ nợ ở các thị trường mới nổi. Các đóng góp về mặt phương pháp luận, đặc biệt là định nghĩa biến phụ thuộc "nguy cơ vỡ nợ cao" phù hợp với thực tiễn Việt Nam và việc lượng hóa tính đặc thù của từng ngân hàng, sẽ là nguồn tham khảo quý giá.

Chuyển đổi ngành công nghiệp: Ngành ngân hàng Việt Nam, đặc biệt là các NHTMCP, sẽ trực tiếp hưởng lợi từ các mô hình cảnh báo sớm được xây dựng. Các mô hình này có thể được tích hợp vào hệ thống quản lý rủi ro nội bộ của các ngân hàng để liên tục theo dõi tình hình tài chính, sớm nhận diện các dấu hiệu suy yếu và đưa ra các biện pháp phòng ngừa kịp thời. Điều này không chỉ giúp từng ngân hàng tối ưu hóa hoạt động và giảm thiểu tổn thất mà còn nâng cao chất lượng tài sản, củng cố niềm tin của nhà đầu tư và người gửi tiền.

Ảnh hưởng chính sách: Các phát hiện và khuyến nghị chính sách của luận án có vai trò thiết yếu đối với Ngân hàng Nhà nước Việt Nam (NHNN) và các cơ quan quản lý tài chính. Luận án cung cấp công cụ "phân loại, nhận diện chính xác các ngân hàng yếu kém có nguy cơ vỡ nợ cao" (Đặng Huy Ngân, 2018, tr. 1), hỗ trợ trực tiếp cho các chính sách tái cơ cấu hệ thống tổ chức tín dụng. Các mô hình này có thể trở thành nền tảng cho việc xây dựng một hệ thống giám sát và cảnh báo sớm quốc gia hiệu quả, giúp NHNN chủ động hơn trong việc điều chỉnh chính sách tiền tệ, chính sách giám sát và can thiệp kịp thời để ngăn chặn các cuộc khủng hoảng tài chính dây chuyền. Tác động của khủng hoảng tài chính Châu Á năm 1997 với chi phí khắc phục lên tới "200 tỷ đô-la Mỹ" (Đặng Huy Ngân, 2018, tr. 6) là minh chứng cho tầm quan trọng của các biện pháp phòng ngừa hiệu quả.

Lợi ích xã hội: Một hệ thống ngân hàng ổn định và lành mạnh là nền tảng cho sự phát triển kinh tế bền vững. Bằng cách giảm thiểu nguy cơ vỡ nợ ngân hàng, luận án gián tiếp bảo vệ tiền gửi của người dân, ổn định thị trường tài chính và duy trì tăng trưởng kinh tế. Lợi ích xã hội có thể được định lượng thông qua việc giảm thiểu chi phí khắc phục khủng hoảng, duy trì việc làm và hỗ trợ phát triển doanh nghiệp.

Liên quan quốc tế: Nghiên cứu này đóng góp vào bức tranh toàn cầu về quản lý rủi ro ngân hàng, đặc biệt là trong bối cảnh các thị trường mới nổi. Các phương pháp luận tiên tiến được áp dụng và kết quả thực nghiệm từ Việt Nam có thể là nguồn cảm hứng và bài học kinh nghiệm cho các quốc gia khác đang đối mặt với những thách thức tương tự trong việc củng cố hệ thống tài chính của mình.

Đối tượng hưởng lợi

Luận án này được thiết kế để mang lại lợi ích cụ thể cho một số đối tượng chính:

• Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Nghiên cứu cung cấp một khuôn khổ nghiên cứu toàn diện và sâu sắc để xây dựng các mô hình cảnh báo vỡ nợ trong bối cảnh thị trường mới nổi. Các nhà nghiên cứu tương lai sẽ tìm thấy các khoảng trống nghiên cứu cụ thể đã được xác định, các phương pháp luận tiên tiến đã được kiểm chứng (Logit dữ liệu mảng với tác động cố định, ANN, DT) và một định nghĩa nguy cơ vỡ nợ phù hợp với bối cảnh đặc thù. Điều này giúp họ định hướng các đề tài nghiên cứu tiếp theo, ví dụ như mở rộng sang các tổ chức tài chính phi ngân hàng, tích hợp dữ liệu phi cấu trúc, hoặc áp dụng các thuật toán học máy phức tạp hơn.
• Các học giả cấp cao (Senior academics): Luận án đóng góp vào các tiến bộ lý thuyết trong kinh tế học tài chính và toán kinh tế. Việc lượng hóa "tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ" (Đặng Huy Ngân, 2018, tr. 3) thông qua tác động cố định là một đóng góp quan trọng cho lý thuyết về dự báo vỡ nợ. Hơn nữa, việc so sánh hiệu suất giữa các mô hình kinh tế lượng truyền thống và các mô hình học máy hiện đại trong một bối cảnh mới sẽ thúc đẩy các cuộc thảo luận học thuật về các phương pháp tốt nhất để quản lý rủi ro tài chính.
• Bộ phận Nghiên cứu và Phát triển (R&D) trong ngành tài chính: Các bộ phận R&D tại các ngân hàng thương mại, các công ty tư vấn tài chính và các định chế tài chính khác sẽ được trang bị các công cụ thực tiễn và tinh vi để cải thiện quy trình quản lý rủi ro nội bộ. Các mô hình cảnh báo sớm cho phép họ chủ động hơn trong việc đánh giá danh mục tín dụng, điều chỉnh chiến lược cho vay và phân bổ vốn hiệu quả hơn, từ đó tối ưu hóa lợi nhuận và giảm thiểu rủi ro. Việc sớm nhận diện các ngân hàng có nguy cơ cao giúp các nhà đầu tư và đối tác tài chính đưa ra quyết định hợp tác an toàn hơn.
• Các nhà hoạch định chính sách (Policy makers): Ngân hàng Nhà nước Việt Nam và các cơ quan giám sát tài chính là những đối tượng hưởng lợi quan trọng nhất. Luận án cung cấp "các kết quả đạt được" và "một số kiến nghị và hàm ý chính sách" (Đặng Huy Ngân, 2018, Chương 5), giúp họ xây dựng và điều chỉnh chính sách giám sát dựa trên bằng chứng thực nghiệm. Khả năng "phân loại, nhận diện chính xác các ngân hàng yếu kém có nguy cơ vỡ nợ cao" (Đặng Huy Ngân, 2018, tr. 1) là cực kỳ giá trị cho các chương trình tái cơ cấu và các biện pháp can thiệp sớm, đảm bảo sự ổn định của hệ thống tài chính quốc gia. Việc lượng hóa lợi ích thông qua việc giảm thiểu chi phí khắc phục khủng hoảng (ví dụ, giảm nguy cơ xảy ra một cuộc khủng hoảng như Châu Á năm 1997 với "200 tỷ đô-la Mỹ" thiệt hại) là một mục tiêu chính.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất là việc xây dựng một định nghĩa về nguy cơ vỡ nợ ngân hàng phù hợp với bối cảnh thị trường mới nổi Việt Nam, kết hợp giữa tỷ lệ nợ xấu (≥ 3% theo quy định NHNN tại Nghị định 53/2013/NĐ-CP và Thông tư số 19/2013/TT-NHNN) và hiệu quả hoạt động được đo lường bằng phương pháp bao dữ liệu (DEA) (thuộc nhóm hiệu quả C). Định nghĩa này mở rộng khuôn khổ lý thuyết CAMELS – vốn tập trung vào các chỉ số tài chính riêng lẻ – bằng cách tích hợp đánh giá hiệu quả hoạt động và điều chỉnh cho thực trạng không có phá sản chính thức. Hơn nữa, việc lượng hóa "tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ" thông qua tác động cố định trong mô hình Logit dữ liệu mảng là một bước tiến quan trọng, bổ sung vào lý thuyết về các yếu tố nội tại, không quan sát được nhưng có ảnh hưởng đáng kể đến rủi ro.

2. Đổi mới phương pháp luận chính của nghiên cứu này là gì so với các nghiên cứu trước đây? Đổi mới phương pháp luận chính là việc ứng dụng và so sánh đồng thời ba mô hình dự báo tiên tiến: Logit dữ liệu mảng tác động cố định, Mạng nơron nhân tạo (ANN), và Cây quyết định (DT) để cảnh báo nguy cơ vỡ nợ cho các NHTMCP Việt Nam. So với các nghiên cứu trước ở Việt Nam, vốn chủ yếu dựa vào MDA hoặc Logit tĩnh (ví dụ: Nguyễn Trọng Hòa, 2009 sử dụng MDA và Logit cho doanh nghiệp niêm yết; Nguyễn Quang Dong, 2009 sử dụng MDA cho 37 ngân hàng trong một năm), cách tiếp cận của luận án mang tính động hơn (dữ liệu mảng 2010-2015), toàn diện hơn (tích hợp yếu tố vĩ mô và đặc thù ngân hàng), và hiện đại hơn (áp dụng các kỹ thuật học máy). Trên bình diện quốc tế, trong khi các nghiên cứu như Martin (1977) so sánh MDA và Logit, hoặc Odom và Sharda (1993) so sánh ANN và MDA, luận án này cung cấp một sự so sánh đa mô hình trong một bối cảnh thị trường mới nổi với định nghĩa nguy cơ vỡ nợ được tùy chỉnh.

3. Phát hiện đáng ngạc nhiên nhất của luận án là gì và dữ liệu hỗ trợ nó như thế nào? Phát hiện đáng ngạc nhiên nhất (dựa trên các mục tiêu và khoảng trống nghiên cứu) có thể là tầm quan trọng đáng kể của "tính đặc thù của từng ngân hàng" (bank-specific fixed effects) trong việc dự báo nguy cơ vỡ nợ. Điều này cho thấy rằng, ngoài các chỉ số tài chính và yếu tố vĩ mô có thể quan sát, mỗi ngân hàng còn có những đặc điểm nội tại, không thay đổi theo thời gian (ví dụ: văn hóa doanh nghiệp, chất lượng quản lý không đo lường được bằng số liệu, cấu trúc sở hữu ngầm) đóng vai trò quyết định đến khả năng chống chịu rủi ro. Dữ liệu hỗ trợ cho phát hiện này sẽ đến từ kết quả của mô hình Logit dữ liệu mảng tác động cố định, nơi các hệ số ước lượng cho biến tác động cố định của từng ngân hàng sẽ cho thấy sự khác biệt đáng kể giữa các NHTMCP, hoặc kiểm định Hausman sẽ chứng minh sự phù hợp của mô hình tác động cố định so với tác động ngẫu nhiên, ngụ ý rằng các tác động cá thể này là có ý nghĩa thống kê.

4. Luận án có cung cấp giao thức tái lập không? Có, luận án cung cấp một giao thức tái lập mạnh mẽ, mặc dù không được trình bày dưới dạng một phần riêng biệt mà được tích hợp xuyên suốt phần phương pháp nghiên cứu. Các chi tiết cụ thể bao gồm:

   • Nguồn dữ liệu: "số liệu được thu thập từ các báo cáo của NHNN, các báo cáo tài chính đã được kiểm toán của các NHTMCP thời kỳ 2010-2015" (Đặng Huy Ngân, 2018, tr. 3).
   • Mẫu nghiên cứu: 35 NHTMCP Việt Nam, 2010-2015.
   • Định nghĩa biến: Định nghĩa rõ ràng biến phụ thuộc "nguy cơ vỡ nợ" dựa trên tỷ lệ nợ xấu (≥ 3%) và hiệu quả DEA (nhóm C). Các biến độc lập được liệt kê và giải thích (Đặng Huy Ngân, 2018, Bảng 1.6, 2.1, 4.7).
   • Mô hình sử dụng: Logit dữ liệu mảng, Mạng nơron nhân tạo, Cây quyết định.
   • Phần mềm: Phần mềm thống kê STATA được đề cập cho việc phân tích Logit (Đặng Huy Ngân, 2018, Bảng 4.14). Những chi tiết này cho phép các nhà nghiên cứu khác với quyền truy cập vào dữ liệu tương tự và các công cụ phần mềm tiêu chuẩn có thể tái lập các kết quả của luận án.

5. Luận án có phác thảo chương trình nghiên cứu 10 năm không? Mặc dù luận án không trình bày một "chương trình nghiên cứu 10 năm" riêng biệt, nhưng phần "Kết luận và Hướng nghiên cứu tiếp theo" (Đặng Huy Ngân, 2018, tr. 127) và phần "Limitations và Future Research" của content này đã phác thảo những định hướng cụ thể có thể kéo dài trong một thập kỷ. Một chương trình nghiên cứu 10 năm dựa trên luận án này có thể bao gồm:

   • Giai đoạn 1 (1-3 năm): Phát triển Hệ thống Cảnh báo Sớm Động: Mở rộng mô hình để tích hợp dữ liệu thời gian thực và các yếu tố phi cấu trúc (ví dụ: tin tức, mạng xã hội) sử dụng các kỹ thuật học sâu (deep learning) và xử lý ngôn ngữ tự nhiên (NLP) để xây dựng một hệ thống cảnh báo sớm liên tục cho NHNN.
   • Giai đoạn 2 (4-6 năm): Nghiên cứu Liên ngành và So sánh: Mở rộng phạm vi nghiên cứu sang các tổ chức tài chính khác (ví dụ: công ty tài chính, quỹ đầu tư) và thực hiện các nghiên cứu so sánh sâu rộng với các thị trường mới nổi trong khu vực ASEAN, bao gồm các yếu tố pháp lý và văn hóa tác động.
   • Giai đoạn 3 (7-10 năm): Tích hợp Rủi ro Mới và AI Giải thích được: Đánh giá tác động của các loại rủi ro mới nổi (ví dụ: rủi ro khí hậu, rủi ro không gian mạng) đến nguy cơ vỡ nợ ngân hàng. Đồng thời, phát triển và ứng dụng các phương pháp AI giải thích được (Explainable AI - XAI) để làm rõ cơ chế "hộp đen" của các mô hình học máy, tăng cường sự tin cậy và khả năng áp dụng của chúng trong hoạch định chính sách.

Kết luận

Luận án của Đặng Huy Ngân đại diện cho một bước tiến quan trọng trong lĩnh vực cảnh báo nguy cơ vỡ nợ ngân hàng tại Việt Nam, kết hợp sự chặt chẽ của nghiên cứu học thuật với các ứng dụng thực tiễn cấp bách. Các đóng góp cụ thể và đáng kể của nghiên cứu bao gồm:

1. Định nghĩa nguy cơ vỡ nợ độc đáo: Xây dựng một biến phụ thuộc "nguy cơ vỡ nợ cao" phù hợp với bối cảnh Việt Nam, dựa trên sự kết hợp giữa tỷ lệ nợ xấu (≥ 3%) và hiệu quả hoạt động DEA.
2. Lượng hóa tính đặc thù của ngân hàng: Ứng dụng thành công mô hình Logit dữ liệu mảng tác động cố định để "lượng hóa tính đặc thù của từng ngân hàng ảnh hưởng tới khả năng vỡ nợ", giải quyết một khoảng trống nghiên cứu quan trọng.
3. Tích hợp và kiểm chứng yếu tố vĩ mô: Đã kiểm chứng vai trò đáng kể của các yếu tố vĩ mô đối với nguy cơ vỡ nợ ngân hàng ở Việt Nam, mang lại một cái nhìn toàn diện hơn so với các mô hình trước.
4. So sánh đa mô hình tiên tiến: Lần đầu tiên tại Việt Nam áp dụng và so sánh hiệu suất dự báo của Logit dữ liệu mảng, Mạng nơron nhân tạo và Cây quyết định, cung cấp các công cụ đa dạng và mạnh mẽ cho việc giám sát rủi ro.
5. Cung cấp bằng chứng cho chính sách tái cơ cấu: Đề xuất các giải pháp và hàm ý chính sách cụ thể, trực tiếp hỗ trợ NHNN trong "Đề án Cơ cấu lại hệ thống TCTD giai đoạn 2011-2015" và các nỗ lực ổn định hệ thống tài chính.
6. Xác định các nhân tố ảnh hưởng: Xác định rõ ràng các nhân tố vi mô (từ CAMELS) và vĩ mô có ảnh hưởng đến nguy cơ vỡ nợ của NHTMCP Việt Nam.

Nghiên cứu này không chỉ củng cố mà còn thúc đẩy sự tiến bộ trong khuôn khổ thực chứng về kinh tế học tài chính, đặc biệt là trong lĩnh vực ứng dụng của kinh tế lượng dữ liệu mảng và học máy vào phân tích rủi ro. Việc làm rõ các mối liên hệ giữa các yếu tố vĩ mô, vi mô, và đặc thù ngân hàng với nguy cơ vỡ nợ đã mở ra ít nhất ba luồng nghiên cứu mới: 1) phát triển các hệ thống cảnh báo sớm động và tích hợp AI cho thị trường mới nổi; 2) nghiên cứu sâu hơn về tác động của các đặc điểm nội tại, phi tài chính của ngân hàng; và 3) phân tích so sánh các mô hình dự báo rủi ro đa dạng giữa các nền kinh tế có điều kiện tương tự.

Tầm quan trọng toàn cầu của luận án nằm ở việc cung cấp một case study và phương pháp luận có thể chuyển giao, giúp các quốc gia khác trong khu vực và trên thế giới đối phó với thách thức vỡ nợ ngân hàng trong bối cảnh thị trường mới nổi. Legacy của nghiên cứu này có thể được đo lường bằng việc cải thiện sự ổn định tài chính quốc gia, tăng cường khả năng quản lý rủi ro của từng ngân hàng, và giảm thiểu các chi phí kinh tế và xã hội do khủng hoảng tài chính gây ra, từ đó đóng góp vào sự phát triển bền vững của nền kinh tế Việt Nam.