Tác động của các yếu tố nội bộ đến nợ xấu của ngân hàng thương mại
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 19
Tác động của các yếu tố nội bộ đến nợ xấu của ngân hàng
thương mại
Impact of internal factors on non-performing loans of
Vietnamese commercial banks
Nguyễn Kim Phước1*, Phan Ngọc Thùy Như1, Ngô Thành Trung1
1Trường Đại học Mở Thành phố Hồ Chí Minh, Việt Nam
THÔNG TIN
TÓM TẮT
DOI:10.46223/HCMCOUJS.
econ.vi.13.2.1613.2018
Mục tiêu của nghiên cứu là tìm ra các yếu tố nội bộ tác động
đến nợ xấu của ngân hàng thương mại ở Việt Nam. Nghiên cứu
đã sử dụng dữ liệu thứ cấp từ các báo cáo tài chính hợp nhất và
báo cáo thường niên của 22 ngân hàng thương mại hoạt động
trong giai đoạn từ 2006 - 2015 (10 năm). Số quan sát tương ứng
là 220. Bằng kỹ thuật phân tích hồi quy dữ liệu bảng, hồi quy
biến phụ thuộc là nợ xấu, nghiên cứu đã tìm thấy 6 trong 7 yếu
tố nội bộ có ảnh hưởng đến nợ xấu của các ngân hàng. Từ kết
quả nghiên cứu thực nghiệm, các hàm ý chính sách cho các nhà
quản trị ngân hàng được đưa ra nhằm giảm thiểu nợ xấu, từ đó
nâng cao hiệu quả hoạt động, đảm bảo sự lành mạnh và an toàn
cho các ngân hàng thương mại ở Việt Nam.
Ngày nhận: 20/11/2017
Ngày nhận lại: 29/11/2017
Duyệt đăng: 20/12/2017
Từ khóa:
hồi qui dữ liệu bảng, ngân
hàng thương mại, nợ xấu,
Việt Nam
ABSTRACT
The primary objective of this study was to explore the
impact of internal factors on non-performing loans (NFL) of
commercial banks in Vietnam. The study used secondary data
collected from consolidated financial statements and annual
reports of 22 commercial banks during a ten-year period from
2006 to 2015. The use of 220 observations and panel data
regression analysis with NFLs as dependent variables in the
study helped to point out six out of seven internal factors
affecting banks’ NFLs. These results of empirical research
revealed that bank managers and policymakers should focus on
internal factors to improve operational efficiency, lower NFLs
and ensure financial health for Vietnamese commercial banks.
Keywords:
commercial banks, Non-
performing Loans (NFLs);
panel data regression,
Vietnam
20 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
1. Giới thiệu
Nợ xấu đã và đang là yếu tố quan trọng gây áp lực lớn đối với hệ thống ngân hàng, nguy
cơ rủi ro cho “sức khỏe” nền kinh tế. Theo Chính Phủ (2016), nợ xấu của toàn hệ thống ngân
hàng 6 tháng đầu năm vẫn còn ở mức 2,78%. Như vậy, nợ xấu chưa thực sự thuyên giảm. Trong
6 tháng đầu năm 2017, VAMC mới chỉ xử lý được 32.400 tỷ đồng nợ xấu, chiếm 13,4% trong
tổng số nợ xấu đã mua (Chu Thai, 2017). Vì thế, vấn đề xử lý nợ xấu vẫn là hoạt động trọng
tâm của Ngân hàng Nhà nước và toàn ngành ngân hàng.
Trong hoạt động của các ngân hàng thương mại Việt Nam (NHTMVN) nói riêng và các
NHTM nói chung, hoạt động cho vay vẫn là hoạt động chủ yếu. Do tính chất kinh doanh đặc
thù này, các NHTM luôn đối diện với rủi ro vỡ nợ của người đi vay. Điều đó tạo ra vấn đề lớn
của ngân hàng là nợ xấu (Greenidge & Grosvenor, 2010; Upal, 2009). Nợ xấu là nguyên nhân
chính dẫn đến tình trạng khủng hoảng của các ngân hàng (Guy & Lowe, 2011). Theo Podpiera
và Weill (2008), các đặc điểm của mỗi ngân hàng như: vốn, quản lý hiệu quả chi phí, đa dạng
hoạt động tín dụng, hiệu quả sử dụng vốn, … có ảnh hưởng đến nợ xấu. Louzis, Vouldis, và
Metaxas (2012) cho rằng, bên cạnh các biến số nội tại của ngân hàng, các biến số kinh tế vĩ mô
cũng có ảnh hưởng đến nợ xấu của ngân hàng.
Kiểm soát và xử lý nợ xấu là một vấn đề trọng tâm của hệ thống ngân hàng. Có nhiều
nguyên nhân dẫn đến tình trạng nợ xấu tại các ngân hàng, bao gồm cả nguyên nhân khách quan
lẫn nguyên nhân chủ quan. Mục tiêu của nghiên cứu là xem xét các yếu tố nội tại (bên trong)
của ngân hàng tác động đến tỷ lệ nợ xấu của hệ thống NHTMVN.
Nội dung nghiên cứu gồm các phần như: Cơ sở lý luận, mô hình, dữ liệu và phương
pháp nghiên cứu. Phần cuối cùng là kết quả nghiên cứu và đề xuất hàm ý chính sách cho nhà
quản trị.
2. Cơ sở lý thuyết
2.1. Các khái niệm
Theo International Monetary Fund (2004), một khoản vay được coi là nợ xấu khi quá
hạn thanh toán gốc hoặc lãi 90 ngày hoặc hơn; khi các khoản lãi suất đã quá hạn 90 ngày hoặc
hơn đã được vốn hóa, cơ cấu lại, hoặc trì hoãn theo thỏa thuận; khi các khoản thanh toán đến
hạn dưới 90 ngày nhưng có thể nhận thấy các dấu hiệu rõ ràng cho thấy người vay sẽ không thể
hoàn trả nợ đầy đủ.
Định nghĩa nợ xấu theo tiêu chuẩn của Việt Nam được NHNN quy định tại Quyết định
số 493/2005/QĐ-NHNN ngày 22/04/2005 và theo Thông tư số 02/2013/TT-NHNN ngày
21/01/2013 của Ngân hàng Nhà nước thì nợ xấu là các khoản nợ đã quá hạn thanh toán cả gốc
lẫn lãi từ 90 ngày trở lên và khả năng trả nợ là đáng lo ngại. Tỷ lệ nợ xấu/tỷ lệ nợ quá hạn trên
90 ngày = dư nợ quá hạn trên 90 ngày/tổng dư nợ cho vay*100%.
Theo các khái niệm trên, nợ xấu là nợ quá thời hạn thanh toán cả gốc, lãi từ 90 ngày trở
lên. Nghiên cứu này áp dụng số liệu nợ xấu theo khái niệm này vì đây là căn cứ để các ngân
hàng thương mại Việt Nam xác định nợ xấu.
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 21
Theo Pham (2005), các nhân tố bên trong nội bộ của chính các NHTM như các nhân tố
về năng lực tài chính (ROA, ROE, ROS, …), khả năng quản trị điều hành, ứng dụng tiến bộ
công nghệ, trình độ và chất lượng của lao động, ... có ảnh hưởng đến hiệu quả hoạt động của
các ngân hàng.
2.2. Lý thuyết nền
Theo lý thuyết rủi ro và quản trị rủi ro cho rằng, hoạt động của các ngân hàng luôn đối
diện với các rủi ro tín dụng, rủi ro lãi suất và rủi ro tỷ giá (K. M. Nguyen, 2015). Rủi ro là một
tình trạng bất ổn, là sự sai biệt giữa thực tế và kỳ vọng. Trong nghiên cứu này, hai loại rủi ro
được xem xét là rủi ro về tín dụng và về lãi suất, vì đây là hai loại rủi ro có liên quan trực tiếp
đến nợ xấu của các ngân hàng. Rủi ro tín dụng là rủi ro phát sinh trong quá trình cấp tín dụng
của ngân hàng, do người vay suy giảm khả năng trả nợ. Đây là rủi ro thường xuyên và là rủi ro
lớn nhất của ngân hàng, nó gây ra nợ xấu của các ngân hàng (Tran, 2011). Nguyên nhân phát
sinh rủi ro tín dụng có thể từ phía ngân hàng và từ phía khách hàng. Rủi ro lãi suất là rủi ro do
biến động lãi suất gây ra (K. M. Nguyen, 2015).
Mô hình điểm số Z của Atlman (2000), chỉ số Z dùng để đo lường rủi ro tín dụng bao
gồm: vốn lưu động/tổng tài sản, lợi nhuận giữ lại/tổng tài sản, EBIT/tổng tài sản, giá trị thị
trường của vốn chủ sỡ hữu/giá trị sổ sách của tổng nợ và doanh số/tổng tại sản (Tran, 2011).
Trị số Z càng cao thì xác suất vỡ nợ của người đi vay càng thấp. Hay nói khác hơn là nợ xấu
của các ngân hàng càng thấp.
Lý thuyết thông tin bất cân xứng giải thích rằng, bên nào có nhiều thông tin hơn về giao
dịch thì bên đó có lợi thế hơn bên kia do thông tin có ảnh hưởng đến việc ra quyết định
(Auronen, 2003; Richard, 2011). Điều này dẫn đến những lựa chọn bất lợi, tích tụ các khoản
nợ xấu tại ngân hàng (Bester, 1994).
2.3. Các nghiên cứu trước có liên quan
Kết quả nghiên cứu của Sinkey và Greenwalt (1991) đã chứng minh, việc mở rộng tín
dụng cũng là một nguyên nhân gây ra nợ xấu cao, do việc kiểm tra và lựa chọn người vay kém
chất lượng. Kết quả này cũng được kiểm chứng lại qua nghiên cứu của Jiménez và Saurian
(2006). Golden và Walker (1993) qua kết quả nghiên cứu của mình đã kết luận rằng, thông tin
tín dụng có ảnh hưởng đến việc ra quyết định cho vay của ngân hàng. Nghĩa là, nếu ngân hàng
có nhiều thông tin hơn về khách hàng, chất lượng thông tin tốt sẽ giúp giảm rủi ro tín dụng, từ
đó giảm các khoản nợ xấu của ngân hàng.
Salas và Saurina (2002) nghiên cứu yếu tố quyết định cho vay của ngân hàng thương
mại Tây Ban Nha, bằng cách sử dụng một mô hình dữ liệu bảng trong giai đoạn 1985-1997.
Phát hiện của nghiên cứu này là sự thay đổi trong nợ xấu của các ngân hàng được giải thích bởi
các yếu tố như: Tăng trưởng GDP, mở rộng tín dụng, kích thước ngân hàng, tỷ lệ vốn và sức
mạnh thị trường. Trong quá trình nghiên cứu các yếu tố tác động đến tỷ lệ nợ xấu của các
NHTM ở châu Âu, Salas và Saurina (2002) cũng đã phát hiện tốc độ tăng trưởng tín dụng (credit
growth) và nợ xấu có mối tương quan thuận.
Nghiên cứu về các yếu tố ảnh hưởng đến tỷ lệ nợ xấu của hệ thống ngân hàng tại 16
quốc gia thuộc vùng cận Sahara từ năm 1993-2002, Fofack (2005) đã chứng minh rằng, ROE
22 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
có tác động trái chiều đến nợ xấu. Mario (2006) nghiên cứu về rủi ro của hệ thống ngân hàng ở
Italia trong giai đoạn từ 1985-2002, đã chỉ ra mối tương quan thuận giữa nợ xấu với tỷ lệ dự
phòng rủi ro tín dụng.
Đánh giá về nợ xấu tại Ấn Độ thì Dash và Kabra (2010) thấy rằng lãi suất thực càng
tăng thì nợ xấu càng tăng, còn quy mô ngân hàng (size) lại không có tác động đến nợ xấu. Cũng
từ bộ dữ liệu bảng của các ngân hàng Ấn Độ trong giai đoạn 1998 - 2008, các tác giả còn thấy
tốc độ tăng trưởng tín dụng (credit growth) và nợ xấu có tương quan nghịch.
Louzis, Vouldis, và Metaxas (2010) nghiên cứu nợ xấu theo các khoản vay của hệ thống
ngân hàng ở Hy lạp đã chỉ ra rằng, lãi suất cho vay có tác động cùng chiều với tỷ lệ nợ xấu của
các ngân hàng. Các tác giả cũng chỉ ra rằng có thể nhìn vào hiệu quả hoạt động của ngân hàng,
thông qua ROA và ROE, để đánh giá xu hướng nợ xấu trong tương lai vì chúng có tương quan
nghịch với nợ xấu.
Messai và Jouini (2013) nghiên cứu các yếu tố quyết định cho các khoản nợ xấu cho
một mẫu 85 ngân hàng ở ba nước (Ý, Hy Lạp và Tây Ban Nha) trong giai đoạn 2004-2008.
Phương pháp hồi quy dữ liệu bảng, tác giả đã phát hiện ra khoản nợ xấu có quan hệ nghịch với
khoản dự phòng rủi ro mất vốn và lãi suất thực.
V. H. T. Nguyen (2015) phân tích yếu tố tác động đến nợ xấu các NHTMVN, tác giả sử
dụng mô hình bao gồm các biến vĩ mô và vi mô, trong đó, các yếu tố liên quan đến ngân hàng
có ROE, tổng tài sản, tăng trưởng tín dụng, qui mô ngân hàng. Tác giả sử dụng hồi quy FE, RE
và DGMM để kiểm định các yếu tố có tác động đến nợ xấu với bảng dữ liệu từ năm 2007 -
2014. Kết quả nghiên cứu cho thấy, ROE, lạm phát và tăng trưởng kinh tế có tác động trái chiều
đến nợ xấu, qui mô ngân hàng, tăng trưởng tín dụng, vốn chủ sở hữu/tổng tài sản có tác động
cùng chiều với nợ xấu.
3. Mô hình, dữ liệu và phương pháp nghiên cứu
Trên cơ sở lý thuyết nền và các nghiên cứu trước có liên quan đến nghiên cứu về nợ xấu
tại các ngân hàng thương mại, mô hình nghiên cứu được đề xuất.
Bảng 1
Cơ sở chọn biến trong mô hình nghiên cứu
Dấu tác
động
Tên biến
Mô tả
Công thức
Nghiên cứu trước
Suất sinh lợi
trên vốn chủ
sở hữu
Lợi nhuận sau
thuế/vốn chủ sở hữu
(%)
Fofack (2005); Louzis
và cộng sự (2010)
ROE
-
Salas và Saurina
Tăng trưởng
tín dụng
Ln tăng trưởng tín
dụng của ngân hàng
(2002); Jiménez và
Saurian (2006); V. H.
T. Nguyen (2015)
LnCRE
+
+
Dự phòng rủi Ln dự phòng rủi ro
ro tín dụng
LnRISK
Mario (2006)
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 23
Dấu tác
động
Tên biến
Mô tả
Công thức
Nghiên cứu trước
Ln tổng tài sản của
ngân hàng
Louzis và cộng sự
(2010)
LnASSETS
Tổng tài sản
-
Số nhân viên bình
quân/chi nhánh
(người/chi nhánh)
Salas và Saurina
(2002); V. H. T.
Nguyen (2015)
Dash và Kabra
(2010); Louzis và
cộng sự (2010)
Golden và Walker
(1993); Auronen
(2003); Harper
(2011)
Nhân viên/chi
nhánh
AGENT_branch
INTEREST
+
+
Lãi suất tái
cấp vốn
Lãi suất tái cấp vốn
(%)
Ứng dụng
công nghệ
trong ngân
hàng
Chỉ số ứng dụng
công nghệ trong
ngân hàng
ICT
-
Nguồn: Kết quả phân tích dữ liệu của nhóm nghiên cứu
Qua lược khảo các nghiên cứu trước, tác giả nhận thấy có rất nhiều yếu tố ảnh hưởng
đến tỷ lệ nợ xấu tại ngân hàng thương mại. Dựa trên ý tưởng và cách tiếp cận vấn đề trong
nghiên cứu của Golden và Walker (1993); Salas và Saurina (2002); Auronen (2003); Mario
(2006); Louzis và cộng sự (2010), Richard (2011), Harper (2011) và V. H. T. Nguyen (2015)
làm nền tảng, nghiên cứu này tiếp cận ở khía cạnh sự tác động của các yếu tố nội bộ tác động
đến nợ xấu (NPL) của các NHTMVN giai đoạn 2006-2015.
3.1. Mô hình nghiên cứu
Mô hình nghiên cứu được đề xuất dựa theo cơ sở lý luận và đặc thù của các ngân hàng
thương mại Việt Nam, cũng như tính phù hợp của dữ liệu thu thập được. Mô hình nghiên cứu
có dạng như sau:
it = cit + jXit + it
(1)
Trong đó, π là biến phụ thuộc được đo lường bằng tỷ số NPL, c là hệ số chặn, α là hệ
số hồi quy, X đại diện cho các biến đặc trưng bên trong ngân hàng. Kí hiệu i đại diện cho thứ
tự các ngân hàng, t là năm. Mô hình nghiên cứu chi tiết như sau:
NPLit = cit + 1ROEit + 2LnCREit + 3LnRISKit + 4LnASSETSit
+5AGENT_branch it + 6INTERESTit + 7ICTit + it
(2)
NPL: Non - performing loan (%) - biến phụ thuộc. Tỷ lệ nợ xấu càng cao chứng tỏ khả
năng sử dụng vốn không hiệu quả và làm giảm lợi nhuận của ngân hàng. Tỷ lệ nợ xấu của các
ngân hàng được nêu trong báo cáo tài chính (đã kiểm toán) hằng năm.
ROE: Suất sinh lời trên vốn chủ sở hữu (%). Biến định lượng này biểu thị cho khả năng
sử dụng vốn hiệu quả của hệ thống ngân hàng. ROE có quan hệ nghịch biến với nợ xấu (kỳ
vọng dấu âm). Nghiên cứu của Louzis và cộng sự (2010, 2012) đã tìm thấy mối quan hệ trái
chiều giữa kết quả kinh doanh và nợ xấu. ROE của các ngân hàng càng tăng cho thấy hoạt động
kinh doanh của các ngân hàng mang lại hiệu quả cao thì tỷ lệ nợ xấu thấp.
24 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
LnCRE: Tăng trưởng tín dụng. Biến này thể hiện quy mô vốn được cung cấp ra thị
trường. Tăng trưởng tín dụng cao góp phần làm giảm tỷ lệ nợ xấu của các ngân hàng ở năm
hiện tại (Dash & Kabra, 2010). Tuy nhiên, tốc độ tăng trưởng tín dụng cao trong quá khứ sẽ
góp phần làm cho nợ xấu ở năm hiện tại tăng lên, kết quả này cũng phù hợp với tình hình hoạt
động của hệ thống NHTMVN, nghĩa là tăng trưởng tín dụng có quan hệ đồng biến (kỳ vọng
dấu +) với nợ xấu (Mario, 2006).
LnRISK: Lượng dự phòng rủi ro tín dụng thể hiện lượng vốn bị giữ lại không đưa vào
thị trường. Dự phòng rủi ro là số tiền được trích lập và hạch toán vào chi phí hoạt động để dự
phòng cho những tổn thất có thể xảy ra đối với các khoản cho vay của ngân hàng thương mại.
Ngân hàng dự phòng càng nhiều thể hiện mức độ rủi ro càng cao. Mario (2006) cho rằng, các
ngân hàng trích lập dự phòng theo đánh giá mức độ rủi ro của các khoản tín dụng, nếu rủi ro
càng cao thì trích lập dự phòng càng lớn (kỳ vọng dấu +).
LnASSETS: Nghiên cứu của Louzis và cộng sự (2010) cho thấy quy mô ngân hàng tác
động trái chiều lên tỷ lệ nợ xấu tại ngân hàng. Đối với một ngân hàng, tổng tài sản thường là
một con số có giá trị tuyệt đối rất lớn, do đó trong kỹ thuật hồi quy lúc phân tích dữ liệu, các
tác giả thường lấy logarit (tổng tài sản) làm biến đại diện cho quy mô. Trong đó khoản mục
tổng tài sản thể hiện trên bảng cân đối kế toán hàng năm của các ngân hàng. Biến này được kỳ
vọng có quan hệ nghịch biến với nợ xấu, nghĩa là tổng tài sản của ngân hàng càng tăng thì tỷ lệ
nợ xấu càng giảm (-).
AGENT_branch: Số lượng nhân viên bình quân/điểm giao dịch của từng ngân hàng qua
các năm. Biến này cũng được chọn là một biến đại diện cho qui mô và hiệu quả làm việc của
các ngân hàng. Theo Salas và Saurina (2002) và V. H. T. Nguyen (2015) qui mô ngân hàng
càng lớn (tài sản, chi nhánh, lực lượng lao động) thì việc kiểm soát nợ xấu càng khó, do các
ngân hàng còn có hạn chế về nhiều vấn đề trong đó có năng lực quản lý con người và rủi ro đạo
đức. Biến này kỳ vọng mang dấu dương (+) nghĩa là AGENT_branch càng lớn thì NPL càng
tăng.
INTEREST: Lãi suất tái cấp vốn (%). Biến này thể hiện nhu cầu vốn trong nền kinh tế.
Lãi suất tái cấp vốn của NHNN cho NHTM, xem như là mức lãi mà NHTM dựa vào đó để ấn
định mức lãi suất cho vay phù hợp. Theo Dash và Kabra (2010); Louzis và cộng sự (2010) lãi
suất có tác động cùng chiều với nợ xấu bởi vì khi lãi suất càng cao thì khả năng trả nợ của người
vay càng giảm hay nói cách khác là, khả năng thu hồi vốn và lãi đúng hạn của ngân hàng giảm,
nợ xấu tăng (kỳ vọng dấu dương (+)).
ICT (Việt Nam ICT Index): Chỉ số ứng dụng công nghệ trong ngân hàng được trích dữ
liệu của Bộ Thông tin và Truyền thông kết hợp Hội tin học Việt Nam. Chỉ số càng cao càng thể
hiện khả năng tiếp cận và ứng dụng công nghệ càng cao, qua đó góp phần trong kiểm soát rủi
ro trong cho vay, giảm thiểu khả năng mất vốn. Theo các nghiên cứu của Golden và Walker
(1993); Auronen (2003) và Harper (2011), thông tin càng rõ ràng, chính xác, đầy đủ, không có
trường hợp thông tin bất cân xứng thì càng giúp ngân hàng giảm tỷ lệ nợ xấu nhờ quyết định
cung cấp tín dụng chính xác (kỳ vọng dấu âm (-)).
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 25
3.2. Dữ liệu và phương pháp nghiên cứu
Mẫu nghiên cứu bao gồm 22 ngân hàng với tổng cộng 220 quan sát theo năm cho dữ
liệu bảng cân bằng trong 10 năm từ năm 2006 đến năm 2015. Dữ liệu nghiên cứu được thu thập
từ các báo cáo tài chính của các NHTMVN từ năm 2006 - 2015. Riêng chỉ số thông tin tín dụng
được thu thập từ Bộ Thông tin và Truyền thông kết hợp Hội tin học Việt Nam
(https://cic.org.vn).
Kỹ thuật hồi quy bảng được sử dụng để phân tích tác động của các biến đặc trưng bên
trong ngân hàng đối với NPL. Trong nghiên cứu này, do số lượng các đơn vị chéo (n = 20) lớn
hơn nhiều so với chuỗi thời gian (t = 10) nên tác giả quan tâm đến tác động của các đơn vị chéo
hay sự khác biệt về điều kiện đặc thù của các đơn vị chéo có ý nghĩa như thế nào đối với biến
phụ thuộc (NPL). Vì vậy, tác giả sẽ lần lượt thực hiện các mô hình hồi quy như mô hình Pooled
(hồi quy OLS gộp -Pooled), mô hình tác động cố định (FE) và mô hình tác động ngẫu nhiên
(RE) của các đơn vị chéo, từ đó chọn ra mô hình phù hợp.
Kiểm định Wald nhằm mục đích xác định hệ số tung độ gốc của các đơn vị chéo (20
ngân hàng) có bằng nhau hay không, nếu bằng nhau tức là thỏa trường hợp hệ số trục tung và
hệ số độ dốc không thay đổi, hay mô hình Pooled là phù hợp.
Kiểm định Hausman được thực hiện để lựa chọn giữa mô hình FE và RE với giả thuyết
H0 là không có sự khác biệt giữa phương pháp FE và RE (hay không có sự tương quan giữa
biến độc lập và yếu tố ngẫu nhiên ui vì tương quan là nguyên nhân tạo nên sự khác biệt giữa FE
và RE). Nếu giá trị Prob của kiểm định Hausman ≤ α = 5% thì bác bỏ giả thiết H0 tức mô hình
FE phù hợp, ngược lại thì mô hình RE sẽ được lựa chọn.
Kiểm định sự phù hợp của các hệ số hồi quy nhằm xem xét mối quan hệ tuyến tính giữa
các biến độc lập với biến phụ thuộc. Mô hình được xem là không phù hợp khi tất cả các hệ số
hồi quy bằng không và mô hình được xem là phù hợp khi có ít nhất một hệ số hồi quy khác
không.
Kiểm định phương sai sai số thay đổi theo phương pháp Breusch và Pagan (1979). Dựa
vào chỉ số Prob của giá trị kiểm định Chi-square để quyết định chấp nhận hay bác bỏ giả thuyết
H0. Nếu Prob > α = 5% thì không bác bỏ giả thuyết H0, tức mô hình không xảy ra tương quan
sai số thay đổi.
Kiểm định tương quan chuỗi: Theo Wooldridge (2002), chúng ta có thể kiểm định tương
quan chuỗi bậc 1 bằng cách hồi quy phần dư thu được ở mô hình gốc với biến trễ của nó như
mô hình t = (t-1) + ut và sau đó tiến hành kiểm định Wald cho mô hình này.
Nếu xảy ra tương quan chuỗi bậc 1 thì hệ số sẽ nhận giá trị là -0,5. Do đó, giả thuyết
H0 của kiểm định Wald chính là = -0,5, tức là có xảy ra tương quan chuỗi bậc 1. Nếu giá trị
p-value ≤ mức ý nghĩa α thì ta bác bỏ giả thuyết H0, có nghĩa hiện tượng tương quan chuỗi
không xảy ra và ngược lại.
Trong trường hợp khi thực hiện hồi quy mô hình, ở bước kiểm định phần dư của mô
hình, nếu xảy ra hiện tượng tự tương quan phần dư hay phương sai sai số thay đổi có khả năng
làm sai lệch kết quả, nghiên cứu sẽ tiếp tục xử lý bằng cách sử dụng phương pháp hồi quy GLS
(Generalized Least Square - hàm ước lượng bình phương tối thiểu tổng quát) để cho ra kết quả
26 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
hồi quy chính xác hơn. Uớc lượng GLS khả thi (FGLS) dùng để khắc phục hiện tượng phương
sai sai số và tự tương quan (Gujarati, 2004, p. 641). GLS cho phép ước lượng với sự có mặt của
độ tương quan AR(1) trong các bảng và mối tương quan chéo, tính không đều của dữ liệu bảng.
Khi hồi quy Pooled (OLS) có hiện tượng phương sai sai số và tự tương quan nghĩa là mô hình
có khuyết tật, phương pháp GLS khả thi (FGLS) bằng cách dùng biến đổi tương đương để đưa
ra một mô hình mới mà sai số ngẫu nhiên trong mô hình này có phương sai sai số không đổi,
sau đó dùng Pooled (OLS) để ước lượng mô hình mới này (Baltagi, 2010).
4. Phân tích kết quả nghiên cứu
4.1. Phân tích thống kê mô tả
Dữ liệu nghiên cứu gồm 220 quan sát (10 năm với 22 ngân hàng). Sau khi kiểm tra tính
đầy đủ và chính xác của dữ liệu, nghiên cứu thực hiện thống kê mô tả nhằm cung cấp những
thông tin cơ bản và tổng quan về tình hình hoạt động kinh doanh của các NHTMVN. Kết quả
thống kê mô tả được thể hiện chi tiết theo Bảng 2.
Bảng 2
Thống kê mô tả giá trị các biến trong mô hình
AGENT
_branch
BANK
NPL
ROE
CRE
RISK
ASSETS
INTEREST
ICT
ABB
ACB
BIDV
CTG
EIB
3.04
1.18
3.38
1.05
1.89
1.46
1.84
1.91
2.23
1.90
2.87
2.45
2.39
3.39
1.86
2.83
0.99
2.50
2.09
2.78
2.01
5.85
23.01
14.42
17.28
10.52
10.91
8.55
16649.04
79158.88
274.98
866.89
37567.56
160731.70
419387.40
408768.10
110538.90
47095.69
13230.16
118248.40
77802.61
17690.60
21886.42
23484.87
15101.88
117896.40
124121.60
81144.61
132651.20
124105.00
21544.86
364296.20
63839.97
19.65
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
6.458
0.5844
0.5781
0.8082
0.6620
0.5496
0.4746
0.3852
0.6514
0.5600
0.4782
0.6250
0.6177
0.5006
0.5425
0.4955
0.4975
0.5263
0.5178
0.5376
0.6198
0.5466
31.34
25.64
18.24
31.15
24.84
28.41
27.58
19.02
19.48
15.55
21.52
20.19
17.39
15.35
14.78
25.25
24.30
21.77
35.11
24.66
295569.20 6797.26
268219.80 2714.66
55546.55
21530.19
22195.43
55476.45
22203.36
8090.08
533.25
246.62
75.13
HDB
KLB
MB
18.17
9.70
1028.40
360.21
65.86
MSB
NAB
NVB
OCB
PGB
SCB
SEA
SHB
STB
TCB
VAB
VCB
VIB
5.87
7.00
10726.62
14303.83
9239.42
124.34
158.31
121.52
666.43
278.05
569.64
821.55
4863.20
140.84
11.36
9.13
9.97
66314.66
18426.41
44626.77
71048.03
50388.33
11540.50
5.44
8.58
11.25
18.10
7.01
18.68
9.15
201494.80 5122.29
31420.31
489.40
VPB
Total
1.92
2.18
13.37
11.51
36313.35
64112.82
406.94
77501.13
28.44
23.17
6.458
6.458
0.4487
0.5549
1214.81
117210.70
Nguồn: Tác giả (2017)
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 27
Kết quả mô tả các giá trị thống kê (Bảng 2) các biến cho thấy: Tỷ lệ nợ xấu (NPL) của
các ngân hàng giai đoạn từ năm 2006 đến 2015 ở mức trung bình là 2.18%. Ngân hàng có tỷ lệ
nợ xấu nhỏ nhất là STB với 0.99% và ngân hàng có tỷ lệ nợ xấu cao nhất là SCB là 3.39%. Các
ngân hàng BIDV, VCB, CTG là những ngân hàng có tăng trưởng tín dụng cao nhất và cũng là
nhóm các ngân hàng có chỉ số ứng dụng thông tin tín dụng (ICT) cao. Xét trên qui mô tổng tài
sản, hai ngân hàng KLB, PGB có giá trị tổng tài sản nhỏ nhất. Các ngân hàng ABB, NAB và
SEA có hệ số ROE rất thấp, chưa đến ½ bình quân toàn ngành ngân hàng trong cả giai đoạn
2006 - 2015. Về lãi suất tái cấp vốn trong giai đoạn 2006 - 2015, biến động lãi suất khá mạnh,
đỉnh điểm là năm 2011. Những năm sau 2011, lãi suất biến động theo chiều hướng giảm dần
và ổn định ở mức khoảng 5%/năm. Đây là mức lãi suất vừa phải, phù hợp với lợi nhuận bình
quân của ngành ngân hàng, lạm phát và tăng trưởng kinh tế của Việt Nam giai đoạn hiện nay.
14
13
12
10
8
10
7.83
6.25
6
5.5
5
4.5
4.5
4
4
4
2
0
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
Hình 1. Biến động lãi suất tái cấp vốn giai đoạn 2006 - 2015
Nguồn: Tác giả (2017)
4.2. Phân tích hồi quy
Kết quả phân tích hồi quy biến phụ thuộc (tỷ lệ nợ xấu (%) - NPL) theo các biến độc
lập bên trong bằng phương pháp ước lượng OLS dữ liệu gộp (Pooled), phương pháp tác động
cố định (FE) và tác động ngẫu nhiên (RE) của các đơn vị chéo được thể hiện trong Bảng 3 dưới
đây:
Bảng 3
Kết quả phân tích hồi quy các biến tác động đến tỷ lệ nợ xấu (%) - NPL
MODEL REGRESSION
INDEPENDENT
POOLED
FE
RE
VARIABLES
Sta.
Sta.
Err.
Sta.
Err.
Coef.
Coef.
Coef.
Err.
LnASSETS
LnCRE
-0.944***
-0.221
-4.39
-0.973***
-0.170
-3.69
-0.83
-0.945***
-0.205
-4.20
-1.10
-1.21
28 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
MODEL REGRESSION
INDEPENDENT
POOLED
FE
RE
VARIABLES
Sta.
Sta.
Err.
Sta.
Err.
Coef.
Coef.
Coef.
Err.
LnRISK
0.996***
7.48
0.941***
6.13
0.978***
7.16
ROE
AGENT_branch
-0.050***
-0.010
-3.51
-0.73
-0.059***
0.012
-3.37
0.66
-0.053***
-0.005
-3.57
-0.30
INTEREST
ICT
0.053
1.55
1.79
0.067**
0.990
1.98
0.86
0.057*
-1.401
1.70
1.63
-1.441*
Number of obs
Adj R-squared
Prob>F
220
220
220
0.296
0.280
0.000
0.0000
0.0000
Mức ý nghĩa: * P<0.1, ** P<0.05 và *** P<0.01
Nguồn: Tác giả (2017)
Từ kết quả hồi quy Pooled, FE và RE (bảng 3) ta thấy, các biến ROE, LnRISK và
LnASSETS luôn có tác động đến NPL. Mô hình hồi quy đều có ý nghĩa thống kê và có Adj R-
squared từ 28% trở lên.
Kiểm định Hausman để lựa chọn giữa mô hình FE và RE. Kết quả kiểm định cho giá trị
χ2 ≈ 0 và Prob>chi2 = 0.856 > = 0.05 nên ta bác bỏ giả thuyết H0. Như vậy, mô hình RE phù
hợp hơn mô hình FE. Kiểm định Wald để lựa chọn giữa mô hình Pooled và FE: Kết quả kiểm
định cho giá trị Chi-square = 37.084 và Prob ≈ 0.1147 > = 0.05 nên ta chấp nhận giả thuyết
H0. Mô hình Pooled là phù hợp hơn.
Kiểm định Breusch - Pagan cho mình hình Pooled cho kết quả Prob>Chi2 = 0.000 <
= 0.05 nên mô hình có xảy ra hiện tượng phương sai sai số thay đổi. Đồng thời kiểm định Wald
theo Worldridge cho Prob>F = 0.000 < = 0.05 nên mô hình có xảy ra hiện tượng tự tương
quan. Nghiên cứu sử dụng phương pháp FGLS để khắc phục các hiện tượng tương quan chuỗi
và phương sai sai số thay đổi. Phân tích hồi quy theo phương pháp FGLS cho kết quả như bảng
4.
Bảng 4
Kết quả lựa chọn mô hình phù hợp
MODEL REGRESSION
INDEPENDENT
VARIABLES
Kết quả kiểm định giả
thuyết
(FGLS)
Coef.
Sta. Err.
0.1467
0.1331
0.1020
0.0084
0.0092
LnASSETS
LnCRE
LnRISK
ROE
-0.4696***
-0.4289***
0.7522***
-0.0388***
0.0045
Chấp nhận
Chấp nhận
Chấp nhận
Chấp nhận
Từ chối
AGENT_branch
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 29
MODEL REGRESSION
INDEPENDENT
VARIABLES
Kết quả kiểm định giả
thuyết
(FGLS)
Coef.
0.0677***
-1.0880***
Sta. Err.
0.0174
0.4880
INTEREST
ICT
Chấp nhận
Chấp nhận
Number of obs
Wald Chi2 (7)
AR(1)
220
142.81
0.3015
0.0000
Prob>chi2
Mức ý nghĩa *** P<0.01
Nguồn: Tác giả (2017)
4.3. Kiểm định độ phù hợp mô hình
Kiểm định sự phù hợp của mô hình
Giá trị kiểm định F cho kết quả Prob (F-statistic) = 0.000 < α = 0.05 nên ta bác bỏ giả
thuyết H0, chấp nhận giả thuyết H1: mô hình nghiên cứu là phù hợp. Bên cạnh đó, R2 hiệu chỉnh
của mô hình 1 bằng 0.296. Điều này có nghĩa là với mô hình trên, các biến độc lập bên trong
ngân hàng có thể giải thích được khoảng 29.6% cho sự biến thiên của NPL.
Kiểm định đa cộng tuyến
Hệ số VIF của các biến đều nhỏ hơn 5 (Bảng 5), như vậy, các biến trong mô hình không
xảy ra hiện tượng đa cộng tuyến (Gujarati, 2012).
Bảng 5
Kết quả kiểm định đa cộng tuyến
Variable
VIF
1.34
1.05
1.19
1.08
1.34
1.12
1.13
1.18
1/VFF
ROE
0.749036
0.953160
0.840702
0.926208
0.744929
0.896147
0.883490
LnCRE
LnRISK
LnASSETS
AGENT_branch
INTEREST
ICT
Mean VIF
Nguồn: Kết quả phân tích dữ liệu của nhóm nghiên cứu
Kiểm định phương sai sai số thay đổi và tự tương quan
Kết quả hồi quy theo phương pháp FGLS cho thấy, Wald Chi2 (7) = 142.81 với AR(1)
30 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
= 0.3015 và Prob>chi2 = 0.000. Như vậy, các khuyết tật về phương sai sai số thay đổi và tự
tương quan của mô hình đã được khắc phục, mô hình có ước lượng không chệch, đảm bảo độ
tin cậy cao.
5. Kết luận và hàm ý chính sách
5.1. Kết luận
Các yếu tố bên trong ngân hàng tác động đến tỷ lệ nợ xấu (NPL) theo phương pháp hồi
quy FGLS cho thấy, có 6/7 biến độc lập có tác động, trong đó các biến ROE, LnCRE,
LnASSETS và ICT có tác động trái chiều với NPL. Các biến LnRISK và INTEREST có tác
động cùng chiều với NPL. Kết quả nghiên cứu phù hợp với một số nghiên cứu trước và phù
hợp với thực tế tại Việt Nam. Biến AGENT_branch chưa tìm thấy bằng chứng có tác động đến
NPL. Dựa vào kết quả nghiên cứu cũng như tình hình thực tế tại các NHTMVN, một số khuyến
nghị được đề xuất nhằm góp phần giảm nợ xấu tại các NHTMVN.
5.2. Hàm ý chính sách
Đối với các nhà quản trị ngân hàng: Các nhà quản trị ngân hàng có thể kiểm soát nợ
xấu tại ngân hàng thông qua nhiều cách khác nhau như: gia tăng suất sinh lời ROE, trích lập dự
phòng rủi ro theo đúng qui định, sử dụng hiệu quả thông tin tín dụng, thúc đẩy tăng trưởng tín
dụng và tăng tài sản. Các ngân hàng có thể gia tăng ROE và sử dụng ICT càng tốt thì NPL càng
giảm, trong đó, đặc biệt cần chú ý sử dụng yếu tố ICT vì hiện nay các ngân hàng tiếp cận và sử
dụng hiệu quả hệ thống thông tin tín dụng chưa tốt và cũng chưa nghiên cứu sâu vấn đề này.
Tuy nhiên, để hệ thống thông tin tín dụng hiệu quả, chính xác, minh bạch, … thì cần có sự chỉ
đạo, hỗ trợ của các cơ quan quản lý nhà nước, đặc biệt là Ngân hàng Nhà nước.
Đối với Ngân hàng Nhà nước: Cần gia tăng cũng cố và phát huy hệ thống thông tin tín
dụng để là cơ sở hữu hiệu cho các NHTM có thể đưa ra những quyết định tín dụng kịp thời,
chính xác hơn, lựa chọn đối tượng để cấp tín dụng hiệu quả, nâng cao khả năng thu hồi vốn tín
dụng. Đồng thời, cơ quan quản lý Nhà nước cần nghiên cứu và đưa ra định hướng lãi suất phù
hợp với nền kinh tế Việt Nam theo từng giai đoạn nhằm nâng cao khả năng hoàn trả nợ vay của
người vay vốn, từ đó đảm bảo khả năng thu hồi nợ của ngân hàng.
Tài liệu tham khảo
Atlman, E. I. (2000). Predicting financial distress of companies: Revisiting the Z-Score and
ZETA
models.
Retrieved
September
1,
2017,
from
Auronen, L. (2003). Asymmetric information: Theory and applications. Paper presented at the
Seminar of Strategy and International Business, Helsinki University of Technology,
Espoo, Finland.
Baltagi, B. H. (2010). Panel data econometrics, theoretical contributions and empirical
application (1st ed.). Amsterdam, Netherlands: Elsevier.
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 31
Bester, H. (1994). The role of collateral in a model of debt renegotiation. Journal Money, Credit
and Banking, 26, 72-86.
Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random
coefficient variation. Econometrica, 47(5), 1287-1294.
Chính phủ. (2016). Báo cáo tình hình kinh tế - xã hội 6 tháng đầu năm và các nhiệm vụ, giải
pháp chủ yếu 6 tháng cuối năm 2016 [Report on socio-economic situation in the first 6
months of the year and major tasks and solutions for the last 6 months of 2016]. Retrieved
September
2,
2017,
from
ke/2019/05/bao-cao-tinh-hinh-kinh-te-xa-hoi-6-thang-dau-nam-2016/
Chu Thai (2017). Nợ xấu quý I/2017: Vẫn tăng và có sự phân hóa [NPLs in the first quarter of
2017: Still increasing and having differentiation]. Retrieved September 4, 2017, from
Dash, M., & Kabra, G. (2010). The determinants of non-performing assets in Indian commercial
bank: An econometric study, Middle Eastern Finance and Economics, 7, 94-106.
Fofack, H. (2005). Non-performing loans in sub-Saharan Africa: Causal analysis and
macroeconomic implications. (World Bank Policy Research Working Paper, No. 3769).
Retrieved November 15, 2005, from http://ssrn.com/ abstract=849405
Golden, S., & Walker, H. M. (1993). The ten commandments of commercial credit. The Cs of
good and bad loans. Journal of Commerial Bank Leading, 13, 42-46
Greenidge, K., & Grosvenor, T. (2010). Forecasting non-performing loans in Barbados. Journal
of Business, Finance and Economics in Emerging Economies, 5(1), 80-107.
Gujarati, D. N. (2004). Basic econometric (4th ed.). NewYork, NY: The McGraw-Hill
Companies.
Gujarati, D. N. (2012). Basic econometrics. New York, NY: Tata McGraw-Hill Education.
Guy, K., & Lowe, S. (2011). Non-performing loans and bank stability in Barbados. Economic
Review, 37(1), 77-82.
Harper, B. (2011). Linking banks and strong economic growth, ABA occasional paper.
Group-13-Importance-of-bankspdf/
International Monetary Fund (IMF). (2004). Compilation guide on Financial Soundness
Indicators-FSIs.
Retrieved September 9, 2017, from https://www.imf.org/
Jiménez, G., & Saurina, J. (2006). Credit cycles, credit risk, and prudential regulation.
Louzis, D. P., Vouldis, A. T., & Metaxas, V. (2010). Macroeconomic and bank-specific
determinants of non-performing loans in Greece: A comparative study of mortgage,
32 Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33
business and consumer loan portfolios. (Bank of Greece Working Paper No. 118/2010).
Retrieved September 11, 2017, from http:ssrn.com/abstract=1703026
Louzis, D. P., Vouldis, A., & Metaxas, V. (2012). Macroeconomic and bank-specific
determinants of non- performing loans in Greece: A comparative study of mortgage,
business and consumer loan portfolios. Journal of Banking & Finance, 36(4), 1012-1027.
Mario, Q. (2006). Bank’s riskiness over the business cycle: A panel analysis on Intalian
intermediaries. (Bank of Italy Working Papers, No. 559). Retrieved September 11, 2017,
Messai, A. S., & Jouni, F. (2013). Micro and macro determinants of non-performing loans.
International Journal of Economic and Financial Issues, 3(4), 852-860.
Ngân hàng Nhà nước Việt Nam. (2005). Quyết định số 493/2005/QĐ-NHNN ban hành ngày
22/04/2005 [Decision No. 493/2005 / QD-NHNN dated 22/04/2005]. Retrieved
hang/Quyet-dinh-493-2005-QD-NHNN-phan-loai-no-trich-lap-su-dung-du-phong-de-
xu-ly-rui-ro-tin-dung-trong-hoat-dong-ngan-hang-to-chuc-tin-dung-53338.aspx
Ngân hàng Nhà nước Việt Nam. (2013). Thông tư số 02/2013/TT-NHNN ban hành ngày
21/01/2013 [Circular No. 02/2013 / TT-NHNN dated 21/01/2013]. Retrieved September
2013-TT-NHNN-phan-loai-tai-san-co-muc-trich-phuong-phap-trich-lap-165814.aspx
Nguyen, K. M. (2015). Giáo trình Nghiệp vụ ngân hàng thương mại [Commercial Banking
Textbook]. Ho Chi Minh, Vietnam: Nxb Tài chính.
Nguyen, V. T. H. (2015). Yếu tố tác động đến nợ xấu các ngân hàng thương mại Việt Nam
[Factors affecting bad debts of commercial banks in Vietnam]. Tạp chí Phát triển Kinh
tế, 26(11), 80-98.
Pham, B. T. (2005). Nâng cao năng lực cạnh tranh của hệ thống NHTM Việt Nam trong điều
kiện hội nhập khu vực và quốc tế [Improve the competitiveness of Vietnam's commercial
banking system in terms of regional and international integration] (Report No. KNHTĐ
2003.01).
Podpiera, J., & Weill, L. (2008). Bad luck or bad management? Emerging banking market
experience. Journal of Financial Stability, 4(2), 135-148.
Rajan, R., & Dhal, S. C. (2003). Non-performing loans and terms of credit of public sector
banks in India: An empirical assessment. Proceeding of Reserve Bank of India
Occasional Paper, 24, 81-121.
Richard, E. (2011). Factors that cause non-performing loans in commercial banks in tanzania
and strategies to resolve them. Journal of Management Policy and Practice, 12(7), 50-
58.
Salas, V., & Saurina, J. (2002). Credit risk in two institutional regimes: Spanish commercial
and savings banks. Journal of Financial Services Research, 22(3), 203-224.
Nguyễn Kim Phước và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 13(2), 19-33 33
Sinkey, J. F., & Greenwalt, M. (1991). Loan-loss experience and risk-taking behavior at large
commercial banks. Journal of Financial Services Research, 5(1), 43-59.
Tran, H. H. (2011). Giáo trình quản trị ngân hàng thương mại [Commercial banking
management curriculum]. Hanoi, Vietnam: Nxb Lao động Xã hội.
Upal, R. (2009). Priority sector advances: Trends, issues and strategies. Journal of Accounting
and Taxation, 1(5), 79-89.
Wooldridge, J. M. (2002). Introductory econometrics - A modern approach. New York, NY:
McGraw-Hill.
15 trang
23980
Free
Bạn đang xem tài liệu "Tác động của các yếu tố nội bộ đến nợ xấu của ngân hàng thương mại", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- tac_dong_cua_cac_yeu_to_noi_bo_den_no_xau_cua_ngan_hang_thuo.pdf
