Kiểm định rủi ro tín dụng cho các ngân hàng thương mại niêm yết tại Việt Nam

Số 14 (24) - Tháng 01-02/2014 PHÁT TRIỂN & HỘI NHẬP 
 Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
19
1. Giới thiệu 
Tầm quan trọng của Stress Test 
đã được nhấn mạnh trong cuộc 
khủng hoảng gần đây và các vụ 
sụp đổ ngân hàng ở nhiều quốc gia. 
Hiểu biết sâu sắc về khả năng phục 
hồi của hệ thống ngân hàng trước 
các kịch bản kinh tế vĩ mô bất lợi 
giúp đánh giá đúng rủi ro hệ thống 
và các nhà điều hành có thể đưa 
ra chính sách quản lý kịp thời bảo 
đảm an toàn cho hệ thống tài chính 
quốc gia.
Bài nghiên cứu này thực hiện 
Stress Test để xem xét tác động vĩ 
mô lên rủi ro tín dụng của các ngân 
hàng thương mại VN dựa trên phân 
tích kịch bản. Khuôn khổ thực hiện 
bao gồm ba phần độc lập nhưng bổ 
sung cho nhau được kết hợp theo 
thứ tự. Phần đầu tiên sử dụng mô 
hình kinh tế lượng chuỗi thời gian 
để ước lượng mối quan hệ giữa 
các biến kinh tế vĩ mô lựa chọn và 
sử dụng kết quả này để mô phỏng 
các kịch bản vĩ mô bất lợi trong 
hai năm tới. Phần thứ hai sử dụng 
mô hình kinh tế lượng theo dữ liệu 
bảng của tám ngân hàng thương 
mại được niêm yết trong khoảng 
thời gian từ năm 2006 đến năm 
2013 để ước tính mối quan hệ của 
tỷ lệ nợ xấu (NPL) và tăng trưởng 
GDP. Sau đó, sử dụng kết quả này 
mô phỏng chất lượng tín dụng dưới 
các kịch bản xấu. Phần thứ ba ước 
tính phần tổn thất tín dụng, sử dụng 
mô hình giá trị tín dụng có rủi ro 
(Credit VaR).
2. Các nghiên cứu trước đây
Stress Test là kĩ thuật đo lường 
biến động danh mục tài sản, tổ chức 
hoặc toàn bộ hệ thống tài chính 
dưới những kịch bản giả định. Kĩ 
thuật này được các nhà quản lý rủi 
ro ở ngân hàng, các nhà điều hành 
khu vực tài chính và cơ quan giám 
sát tài chính quốc gia sử dụng để 
đánh giá tính bất ổn của một ngân 
hàng đặc biệt hoặc toàn bộ hệ thống 
tài chính dưới các biến động bất lợi 
của nền kinh tế. Vào năm 1999, 
chương trình đánh giá khu vực tài 
chính (FSAP) là một kế hoạch liên 
kết giữa IMF và World Bank được 
thực hiện. Trong đó, Stress Test là 
một phần của chương trình này và 
đã được xem như là một công cụ 
chuẩn trong việc phân tích tính ổn 
định tài chính. 
Kể từ đó thì nhiều bài nghiên 
cứu đã ứng dụng công cụ này để 
đánh giá mức độ hồi phục của hệ 
thống ngân hàng ở những quốc gia 
khác nhau trước biến động vĩ mô 
bất lợi như là Berkowitz (1999), 
Pesola (2001), Froyland & Larsen 
(tháng 10, 2002), Boss & cộng 
sự (2002), Hoggarth & Whitley 
(2003), Gerlach & cộng sự (2003), 
Virolainen & Sorge (2006), Barnhill 
& cộng sự (2006), van den End & 
cộng sự (2006), Missina & Tessier 
Kiểm định rủi ro tín dụng 
cho các ngân hàng thương mại 
niêm yết tại Việt Nam
NGuyễN HoàNG THụy BíCH TrâM
Trường Đại học Kinh tế TP.HCM
Bài nghiên cứu này thực hiện Stress Test để xem xét tác động vĩ mô lên rủi ro tín dụng của các ngân hàng thương mại VN dựa trên phân tích viễn cảnh. Kết quả cho thấy tồn tại mối tương quan âm giữa tỷ lệ nợ xấu (NPL) và tăng 
trưởng GDP với độ trễ là hai Quý. Bài nghiên cứu này còn sử dụng Credit VaR để tính 
toán khả năng vỡ nợ của khu vực ngân hàng thương mại và nhận thấy rằng các ngân 
hàng thương mại không thể hấp thụ được các khoản tổn thất tín dụng dưới các kịch 
bản vĩ mô bất lợi. Điều này có thể đe dọa đến sự ổn định của hệ thống tài chính. Những 
ước lượng này cũng rất hữu ích cho Ngân hàng Nhà nước trong việc xác định mức độ 
rủi ro tín dụng và tính toán tỷ số an toàn vốn tối thiếu cần thiết khi trường hợp xấu có 
thể xảy ra. 
Từ khóa: Ngân hàng thương mại, rủi ro tín dụng, Stress Test.
PHÁT TRIỂN & HỘI NHẬP Số 14 (24) - Tháng 01- 02/2014
Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
20
(2007). Mục tiêu chính của những 
bài nghiên cứu này là đo lường 
mức độ nhạy cảm của danh mục tín 
dụng trước kịch bản vĩ mô bất lợi. 
Những thử nghiệm như vậy làm rủi 
ro được minh bạch hơn, giúp đánh 
giá mức lỗ tiềm năng dưới điều 
kiện thị trường không bình thường. 
Trong đó, Boss (2002) sử dụng 
mô hình rủi ro tín dụng vĩ mô để 
phân tích tình hình biến động xấu 
của thị trường gây áp lực lên xác 
suất vỡ nợ của ngân hàng Áo và tác 
giả đã nhận thấy sức sản xuất công 
nghiệp, tỷ lệ lạm phát, chỉ số chứng 
khoán, lãi suất ngắn hạn danh nghĩa 
và giá dầu là các nhân tố quyết định 
xác suất vỡ nợ. Sorge & Virolainen 
(2006) ứng dụng hai phương pháp 
trong Stress Test cho nền kinh tế 
Phần Lan là kết hợp phân tích kinh 
tế lượng theo dữ liệu bảng cân đối 
kế toán và mô hình giá trị có rủi 
ro VaR. Trong mô hình bảng cân 
đối kế toán, Sorge và Virolainen 
sử dụng khuôn khổ của Wilson. 
Theo đó, các biến vĩ mô được liên 
kết với các khoản mục cho vay trên 
bảng cân đối kế toán và thông qua 
phương pháp mô phỏng Monte 
Carlo để mô phỏng ảnh hưởng của 
một vài cú sốc đến hệ thống ngân 
hàng, từ đó xác định giá trị có rủi 
ro VaR. Mô hình VaR kết hợp phân 
tích nhân tố rủi ro để ước lượng xác 
suất mất mát, đưa ra con số cụ thể 
về mức độ nhạy cảm của danh mục 
trước nhiều loại rủi ro khác nhau. 
Thông qua đó, các tác giả còn tìm 
thấy mối quan hệ có ý nghĩa thống 
kê giữa tỷ lệ vỡ nợ đặc trưng của 
ngành và GDP, lãi suất và tổng nợ 
của khu vực doanh nghiệp. Từ đó 
cho thấy biến động của môi trường 
kinh tế có ảnh hưởng lên dự phòng 
nợ khó đòi của ngân hàng.
Một số nhà nghiên cứu đã kết 
hợp nợ xấu, khoản dự phòng nợ 
khó đòi và các nhân tố vĩ mô vào 
trong ma trận vector để đo lường 
tính bất ổn của hệ thống tài chính. 
Kalirai và Scheicher (2002) xây 
dựng mô hình ước lượng theo dữ 
liệu chuỗi thời gian giữa biến dự 
phòng nợ khó đòi tích lũy và một 
tập hợp lớn các biến kinh tế vĩ mô 
bao gồm GDP, lỗ hổng sản lượng 
ngành công nghiệp, chỉ số giá tiêu 
dùng, tốc độ tăng trưởng cung tiền, 
chỉ số thị trường chứng khoán, tỷ 
giá hối đoái, xuất khẩu và giá dầu. 
Nhiều nghiên cứu đã làm sáng tỏ 
tính hữu ích của Stress Test trong 
phân tích vĩ mô. Ví dụ, Borio, 
Furfine & Lowe (2001) chỉ ra tầm 
quan trọng của Stress Test trong 
việc nâng cao hiểu biết về rủi ro và 
mối quan hệ của nó với chu kì kinh 
doanh. Gần đây EU và Mỹ đã thực 
hiện cuộc thử nghiệm Stress Test 
lớn nhất sau khủng hoảng để đánh 
giá hệ thống tài chính của họ (Fed 
2009a,b và CEBS 2010a,b). 
Các nghiên cứu về Stress Test 
xem xét tác động vĩ mô lên rủi ro 
tín dụng của các ngân hàng thương 
mại VN đang trong giai đoạn sơ 
khởi. Bài nghiên cứu này được thực 
hiện để ước lượng mối liên hệ giữa 
tỷ lệ nợ xấu và tăng trưởng GDP và 
xem xét chất lượng tín dụng dưới 
tác động bất lợi mô phỏng của các 
nhân tố kinh tế vĩ mô ở VN. Từ đó 
giúp xác định khả năng tổn thất của 
các ngân hàng thương mại VN khi 
điều kiện kinh tế trở nên bất lợi. 
Bước đầu, cho thấy bức tranh tổng 
thể về tiềm lực tài chính của hệ 
thống ngân hàng thương mại VN. 
3. Dữ liệu nghiên cứu và lựa 
chọn các biến kinh tế vĩ mô
Bài nghiên cứu này xem xét 
danh mục các biến kinh tế vĩ mô 
sử dụng trong phân tích kịch bản 
như sau: 
Trước khi thực hiện, bài 
nghiên cứu đi khám phá khả 
năng giải thích của các biến vĩ 
mô nhằm xây dựng kịch bản phù 
hợp tình hình kinh tế của đất nước 
bằng mô hình dạng rút gọn trong 
đó chỉ giới hạn ở một vài nhân tố. 
Để khảo sát mức độ tương quan 
và khả năng tác động của các 
biến kinh tế vĩ mô lên chất lượng 
tín dụng các ngân hàng thương 
mại VN, bài nghiên cứu đã tính 
toán hệ số tương quan từng cặp 
biến bằng phần mềm thống kê 
STATA và nhận thấy rằng ba 
biến được lựa chọn trong sáu 
Biến Mô tả Biến Mô tả
NGDP GDP danh nghĩa được điều chỉnh theo mùa(Nguồn: Tổng cục thống kê và tính toán của tác giả) CPI
Chỉ số giá tiêu dùng VN
(Nguồn: IMF)
NR Lãi suất cơ bản danh nghĩa 1 năm(Nguồn: Ngân hàng Nhà nước VN) LR
Lãi suất cho vay
(Nguồn: IMF)
CR Tổng dư nợ của hệ thống ngân hàng VN (Nguồn: Ngân hàng Nhà nước VN) DR
Lãi suất tiền gửi tiết kiệm
(Nguồn: IMF)
ER Tỷ giá bình quân liên ngân hàng của USD/VND(Nguồn: Ngân hàng Nhà nước VN) RS
Chênh lệch lãi suất cho vay và lãi 
suất tiết kiệm (Nguồn: IMF)
Bảng 1: Các biến kinh tế vĩ mô được xem xét lựa chọn để xây dựng kịch bản
Số 14 (24) - Tháng 01-02/2014 PHÁT TRIỂN & HỘI NHẬP 
 Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
21
biến trên tham gia vào mô hình 
xây dựng viễn cảnh cho nền kinh 
tế là NGDP, NR, CR đều có mối 
tương quan và có ý nghĩa thống 
kê. Điều này hoàn toàn phù hợp 
với nghiên cứu của (Virolainen, 
2004). Trong đó:
- GDP danh nghĩa cho phép 
chúng ta khảo sát tác động của 
chu kì kinh doanh lên tỷ lệ nợ 
xấu của ngân hàng, xem xét các 
ảnh hưởng của hoạt động kinh tế 
lên chất lượng tín dụng. 
- Tổng dư nợ cho phép ta khảo 
sát mức độ mở rộng tín dụng và 
khả năng vay mượn có tác động 
lên chất lượng nợ của các ngân 
hàng thương mại VN. 
- Lãi suất cơ bản là công 
cụ trực tiếp để kiểm soát lãi 
suất kinh doanh của ngân hàng 
thương mại; được xác định và 
công bố trên cơ sở xu hướng biến 
động cung - cầu vốn thị trường, 
mục tiêu của chính sách tiền tệ 
và các nhân tố tác động khác của 
thị trường tiền tệ, ngoại hối ở 
trong và ngoài nước. Thông qua 
đó cung cấp một cái nhìn về lập 
trường của chính sách tiền tệ. 
Dữ liệu của các biến kinh tế 
vĩ mô theo chuỗi thời gian có tần 
số quan sát từ quý IV 2007 đến 
quý II 2013. Chiều dài của chuỗi 
thời gian là hơi ngắn nhưng thời 
kỳ này bao gồm một số sự kiện vĩ 
mô quan trọng:
- Khoảng thời gian này, tăng 
trưởng tín dụng đều là hai con số 
và dao động từ 38% xuống 11%. 
Riêng năm 2012 tăng trưởng tín 
dụng ở mức thấp kỷ lục ở một 
chữ số. Nguyên nhân tín dụng 
tăng trưởng thấp là cầu yếu, 
khả năng tiêu thụ sản phẩm khó 
khăn, hàng tồn kho cao nên nhiều 
doanh nghiệp không đủ điều kiện 
vay vốn; các tổ chức tín dụng 
phải kiểm soát chặt chẽ tín dụng 
nhằm ngăn chặn nợ xấu.
- GDP nước ta tăng liên tục 
từ năm 2000 đến 2007 đạt mức 
8,44% sau đó sụt giảm vào năm 
2008 ở mức 6,31% và 2009 là 
5,32%, năm 2010 lại tăng lên 
6,78%, hai năm tiếp theo 2011 
và 2012 lại tiếp tục sụt giảm ở 
mức 5,89% và 5,03%. Năm 2012 
có tỷ lệ tăng GDP thấp nhất 
trong vòng nhiều năm vì trong 
giai đoạn này chúng ta chịu ảnh 
hưởng từ bất ổn kinh tế vĩ mô và 
khủng hoảng tài chính thế giới. 
Hậu quả của cuộc suy thoái này 
đã kéo dài trong nhiều năm làm 
tăng trưởng sụt giảm, hệ thống 
tài chính rối loạn.
- Cũng trong thời gian này, 
Ngân hàng Nhà nước đã có 
những hành động quyết liệt trong 
điều hành chính sách tiền tệ “thắt 
chặt”, các mức lãi suất chủ đạo 
được điều chỉnh tăng, lãi suất cơ 
bản từ 12%/năm lên 14%/năm. 
Sau đó, Ngân hàng Nhà nước 
chuyển hướng điều hành chính 
sách tiền tệ từ “thắt chặt” để 
chống lạm phát sang “nới lỏng” 
nhằm mục tiêu ngăn chặn suy 
giảm kinh tế, điều chỉnh giảm 
mạnh lãi suất cơ bản từ 14% - 
13% - 11% - 8,5% - 7%/năm.
Các biến lựa chọn được định 
nghĩa như sau: (i) Tăng trưởng 
GDP, GDP tính bằng cách lấy sai 
phân bậc 1 của logarit chuỗi dữ 
liệu GDP được điều chỉnh theo 
mùa, (ii) Tăng trưởng tín dụng, 
CR, tính bằng cách lấy sai phân 
bậc 1 của logarit tổng cho vay 
trong toàn hệ thống ngân hàng; 
và (iii) Lãi suất chính sách tiền 
tệ NR, đại diện bằng lãi suất cơ 
Variable Obs Mean Std.dev Min Max
d_lncr 22 0,0497157 0,0352623 0,0004537 0,124679
d_lngdp 37 0,0356542 0,16733 -0,2303054 0,5460854
NR 52 0,0836538 0,0132885 0,07 0,14
Bảng 3: Danh mục các ngân hàng thương mại trong mẫuD
1 Ngân hàng TMCP Ngoại thương VN 436.470.622.000.000 40.769.372.000.000 5.837.200.969.204
2 Ngân hàng TMCP Á Châu 169.403.941.000.000 13.044.882.000.000 1.664.505.526.926
3 Ngân hàng TMCP Công thương VN 522.601.488.774.783 48.527.899.774.783 5.235.730.049.424
4 Ngân hàng TMCP Xuất nhập khẩu VN 156.349.317.000.000 14.529.331.000.000 646.258.957.367
5 Ngân hàng TMCP Quân đội 173.932.491.733.345 14.990.039.649.438 1.500.773.026.271
6 Ngân hàng TMCP Nam Việt 23.663.978.478.139 3.197.665.945.436 233.769.344.192
7 Ngân hàng TMCP Sài Gòn - Hà Nội 104.524.797.982.914 9.803.288.982.914 1.778.558.424.046
8 Ngân hàng TMCP Sài Gòn Thương Tín 160.503.546.000.000 14.391.052.000.000 1.636.031.904.804
Tổng cộng 1.747.450.182.969.200 159.253.531.352.571 18.532.828.202.234
Nguồn: Báo cáo tài chính của các ngân hàng
Bảng 2: Tóm tắt thống kê mô tả các biến trong mô hình xây dựng viễn cảnh
PHÁT TRIỂN & HỘI NHẬP Số 14 (24) - Tháng 01- 02/2014
Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
22
bản. Thống kê tóm tắt của các 
biến được chọn trình bày trong 
Bảng 2.
Vốn chủ sở hữu đóng vai trò 
quan trọng trong việc bảo vệ 
ngân hàng trước nguy cơ người 
đi vay vỡ nợ. Trong trường hợp 
xấu, vốn chủ sở hữu ngân hàng 
sẽ được dùng để bù đắp khoản 
tổn thất cho vay. Nếu vốn chủ 
sở hữu không đủ lớn thì sẽ làm 
thiệt hại các khoản tiền gửi tiết 
kiệm của khách hàng. Vì thế, vốn 
chủ sở hữu càng lớn sẽ giúp ngân 
hàng có thể hấp thụ các khoản 
tổn thất mà không làm thiệt hại 
lợi ích của người gửi tiết kiệm.
4. Phương pháp và kết quả 
nghiên cứu 
4.1. Tổng quan về phương pháp 
luận
Khuôn khổ thực hiện Stress 
Test trong bài nghiên cứu này 
bao gồm ba phần theo trình tự:
- Bước 1: Thực hiện mô hình 
kinh tế vĩ mô ước lượng mối 
quan hệ giữa các biến số kinh 
tế vĩ mô bằng kĩ thuật phân tích 
chuỗi thời gian (VECM) để mô 
phỏng kịch bản kinh tế vĩ mô bất 
lợi dự kiến trong hai năm.
- Bước 2: Thực hiện mô hình 
kinh tế vi mô đánh giá độ nhạy 
của chất lượng cho vay trong 
điều kiện kinh tế vĩ mô bất lợi 
bằng kĩ thuật phân tích dữ liệu 
bảng của các ngân hàng thương 
mại VN trong mẫu để mô phỏng 
tỷ lệ nợ xấu của ngân hàng theo 
các kịch bản kinh tế vĩ mô được 
tạo ra ở Bước 1.
- Bước 3: Thực hiện mô hình 
Credit VaR để ước lượng nhu 
cầu vốn cần thiết của các ngân 
hàng cần có, đảm bảo khi những 
tổn thất tín dụng xuất hiện ở các 
kịch bản xấu. Mô hình mô phỏng 
phân phối xác suất ngân hàng rơi 
vào tình trạng khó khăn, sử dụng 
cách tiếp cận Credit Risk+ được 
hỗ trợ từ các chương trình được 
phát triển bởi tổ chức Credit 
Suisse Group – một tổ chức 
chuyên cung cấp các giải pháp 
quản trị rủi ro liên quan đến tín 
dụng. 
4.2. Mô hình vĩ mô xây dựng kịch 
bản 
Với kết quả kiểm định ban 
đầu là chuỗi dữ liệu không dừng 
và xuất hiện hai đồng liên kết 
giữa các biến tham gia mô hình 
nên bài nghiên cứu này sử dụng 
mô hình VECM để xem xét mối 
quan hệ giữa các biến kinh tế 
vĩ mô nhằm xây dựng các kịch 
bản vĩ mô. Mô hình có dạng như 
sau:
 (1)
Trong đó, 
Các hệ số được ước lượng 
hoàn toàn phù hợp với kì vọng về 
mối quan hệ giữa các biến. Kết 
quả mô hình này cũng cho thấy 
việc thắt chặt chính sách tiền tệ 
đi kèm theo nó là sự sụt giảm 
trong tốc độ tăng trưởng tín dụng 
và GDP và tốc độ tăng trưởng 
GDP cũng tác động dương lên 
tốc độ tăng trưởng tín dụng ở 
mức ý nghĩa thống kê 5%. Điều 
này cho thấy nền kinh tế tăng 
trưởng phục hồi thì khả năng mở 
rộng tín dụng cũng tăng lên. Kết 
quả chạy mô hình VECM được 
trình bày trong Bảng 4.
Các kiểm tra sau khi ước 
lượng chỉ ra rằng mô hình là ổn 
định, các sai số là không tự tương 
quan và vượt qua các kiểm định 
phân phối chuẩn. Qua đó, càng 
khẳng định kết quả mô hình là 
đáng tin cậy, phù hợp về mặt ý 
nghĩa thống  ... trưởng GDP dưới bốn 
kịch bản được xác định như sau:
- Kịch bản cơ sở: Kịch bản này 
là kịch bản chuẩn để nắm bắt quá 
trình tăng trưởng bình thường 
của hoạt động kinh tế. Theo đó, 
kết quả của mô hình VECM sẽ 
dự báo tốc độ tăng trưởng GDP 
tương lai mà không gây sốc hệ 
thống. 
- Kịch bản 1: Sử dụng các kết 
quả của VECM để mô phỏng tác 
động khi lãi suất cơ bản tăng 11% 
trong Quý 2 năm 2013. Cú sốc 
này được tính toán bằng cách lấy 
giá trị trung bình của biến lãi suất 
cơ bản trong thời gian nghiên cứu 
cộng với 2 độ lệch chuẩn.
- Kịch bản 2: Sử dụng các kết 
quả của VECM để mô phỏng các 
hiệu ứng của một cú sốc tiêu cực 
của tăng trưởng tín dụng giảm 
xuống chỉ bằng 2,1% trong Quý 
2 năm 2013. Cú sốc này được 
tính toán từ tăng trưởng tín dụng 
trung bình giai đoạn nghiên cứu 
trừ đi 2 độ lệch chuẩn. 
- Kịch bản 3: Sử dụng các kết 
quả của VECM để mô phỏng các 
hiệu ứng của một cú sốc tiêu cực 
của tăng trưởng GDP giảm 30% 
trong Quý 2 năm 2013. Cú sốc 
này được tính toán bằng tăng 
trưởng GDP trung bình trong giai 
đoạn nghiên cứu trừ đi 2 độ lệch 
chuẩn.
Số 14 (24) - Tháng 01-02/2014 PHÁT TRIỂN & HỘI NHẬP 
 Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
23
4.3. Mô hình kinh tế vi mô
Phần này phân tích độ nhạy 
của các khoản nợ xấu trước các 
kịch bản kinh tế vĩ mô. Mối quan 
hệ giữa nợ xấu và tăng trưởng 
GDP được lựa chọn nhằm xem 
xét mối quan hệ của chu kì kinh 
doanh nền kinh tế tác động lên 
chất lượng cho vay và các hệ 
số ước tính là bền vững và có ý 
nghĩa thống kê mạnh mẽ nhằm 
mục tiêu là mô phỏng chất lượng 
cho vay theo các kịch bản kinh tế 
vĩ mô. Đặc biệt, bài nghiên cứu 
này sử dụng logarit của tỷ lệ nợ 
xấu NPLs của mỗi ngân hàng i 
theo tiến trình AR(1) và chịu ảnh 
hưởng tốc độ tăng trưởng GDP 
trong quá khứ với S độ trễ. Mô 
hình được thể hiện như sau:
 (2)
Trong đó, là viết tắt 
của (logarit) tỷ lệ nợ xấu 
của từng ngân hàng i trong thời 
gian t và GDP
t
 là viết tắt của 
GDP trong Quý t. Vì tỷ lệ nợ xấu 
Biến D_cr D_gdp D_lscb
_ce1
 L1.
-0,4757834*
(0,097)
1,275001
(0,115)
-0,0548657
(0,527)
_ce2 
 L1.
-0,8818686**
(0,032)
-4,491861***
(0,000)
-0,0004548
(0,997)
LD.cr -0,1394635(0,621)
-2,331084***
(0,003)
-0,025174
(0,768)
L2D.cr -0,5592344**(0,013)
-1,916251***
(0,003)
0,0211695
(0,757)
L3D.cr -0,1213959(0,496)
-1,194696**
(0,018)
0,0007842
(0,988)
LD.gdp 0,606688**(0,045)
2,592943***
(0,002)
0,0098791
(0,914)
L2D.gdp 0,5443557**(0,017)
1,808489***
(0,005)
0,0117589
(0,865)
L3D.gdp 0,2318492(0,103)
0,5803097
(0,149)
0,017294
(0,688)
LD.lscb 0,5498097(0,457)
-3,889901*
(0,063)
0,1833175
(0,413)
L2D.lscb -1,814869***(0,001)
-2,25402
(0,146)
0,0377072
(0,821)
L3D.lscb 1,167797**(0,033)
-2,949625*
(0,057)
-0,0859708
(0,604)
_cons -0,0000697(0,987)
0,0000136
(0,999 )
0,0009199
(0,476)
Observation 18 18 18
R-Squared 0,9442 0,9792 0,8046
AIC -17,15794 -17,15794 -17,15794
HQIC -16,89876 -16,89876 -16,89876
SBIC -15,27827 -15,27827 -15,27827
p-value trong ngoặc kép
*** p<0,01, ** p<0,05, * p<0,1
Bảng 4: Kết quả mô hình vĩ mô
Hình 1: Diễn biến tăng trưởng GDP dưới các kịch bản khác nhau
PHÁT TRIỂN & HỘI NHẬP Số 14 (24) - Tháng 01- 02/2014
Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
24
nằm trong khoảng [0, 1] nên 
chúng ta biến đổi biến phụ thuộc 
thành dạng để tránh 
các vấn đề chuỗi dữ liệu không 
phân phối chuẩn. Mô hình còn 
bao gồm biến trễ của biến phụ 
thuộc để giải thích cho sự dai 
dẳng của nợ xấu. Các μ
i
 là những 
tác động cố định của từng ngân 
hàng, được coi là ngẫu nhiên và 
độ nhiễu riêng của từng ngân 
hàng ε
i,t
 được giả định là độc lập 
giữa các ngân hàng và không 
tương quan trong chuỗi dữ liệu. 
Vì vậy, mô hình giả định rằng 
tương quan tỷ lệ nợ xấu của từng 
ngân hàng riêng lẻ có nguồn gốc 
chung về điều kiện kinh tế vĩ mô. 
Đồng thời, mô hình cũng giả 
định rằng tác động của điều kiện 
kinh tế vĩ mô về chất lượng cho 
vay là đối xứng trong xu hướng 
tăng giảm của chu kỳ kinh tế và 
bỏ qua tác động phi tuyến tính và 
hiệu ứng phản hồi từ thị trường 
tín dụng lên hoạt động kinh tế vĩ 
mô. Các hệ số α trong phương 
trình (2) dự kiến là dương nhưng 
nhỏ hơn một và hệ số β được dự 
kiến là âm phản ánh chất lượng 
tín dụng xấu đi trong thời kì suy 
thoái kinh tế.
Theo đó, tác động của cú sốc 
tăng trưởng GDP trên tỷ lệ nợ 
xấu trước khi chuyển đổi sang 
dạng logarit được tính bằng công 
thức sau:
Tác động ngắn hạn: 
 (3)
Tác động dài hạn: 
(4)
Đầu tiên, bài nghiên cứu sử 
dụng phương pháp ước lượng 
theo dữ liệu bảng để ước lượng 
phương trình (2). Sau đó, sử dụng 
kết quả ước lượng đó để tính toán 
theo phương trình (3) để tìm ra 
mức độ tác động cụ thể của tăng 
trưởng GDP lên chất lượng tín 
dụng. Các kết quả hồi quy đã phù 
hợp với mong đợi và có ý nghĩa 
thống kê mạnh mẽ bao gồm cả 
trong phương pháp OLS gộp lại 
(pooled OLS) và ước lượng theo 
nhóm (fixed effect). Nhìn chung, 
hệ số của các biến trễ của tỷ lệ 
nợ xấu (NPL) là khoảng 0,84 
phản ánh sự tồn tại tính dai dẳng 
của nợ xấu. Tiếp theo, hệ số tăng 
trưởng GDP trễ là âm và có ý 
nghĩa thống kê như mong đợi. 
Kết quả được trình bày ở Bảng 
5.
Sử dụng các kết quả này, bài 
nghiên cứu này ước tính tác động 
của sự thay đổi trong tốc độ tăng 
trưởng GDP lên nợ xấu. Chúng 
ta quay trở lại phương trình hồi 
quy (2) trong cột [2] của Bảng 5 
thì tổng hệ số hồi quy của biến 
tăng trưởng GDP là -3,06. Thế 
vào phương trình (3) và bằng 
cách sử dụng tỷ lệ nợ xấu trung 
bình (1,64%), chúng ta thấy rằng 
sự sụt giảm 2,9 phần trăm trong 
tăng trưởng GDP (đây là sự sụt 
giảm trong tăng trưởng GDP của 
Quý 2 năm 2013) sẽ gây ra một 
sự gia tăng 0,14 phần trăm nợ xấu 
trong ngắn hạn (ví dụ, 0,0164 × 
(1 - 0,0164) × 3,06 × 2,9). Ngược 
lại, sử dụng phương trình (4), sự 
gia tăng dài hạn dự đoán nợ xấu 
sẽ là 3,7 phần trăm (tức là 0,14 ÷ 
(1 - 0,84)), cao hơn gần 1,3 lần 
so với tháng 6 năm 2013. 
Sử dụng kết quả ước lượng 
theo dữ liệu bảng, bài nghiên cứu 
này tiến hành mô phỏng chuỗi dữ 
liệu nợ xấu ngoài mẫu theo bốn 
kịch bản đã lựa chọn. Kết quả 
cho thấy chất lượng tín dụng suy 
giảm và bất ổn trong những năm 
tới như sau (Hình 2). 
Đối với kịch bản cơ sở, tỷ lệ 
nợ xấu cao nhất đến 6,9 phần 
trăm trong quý III năm 2014. Mô 
phỏng ngoài mẫu này cho phép 
chúng ta tham khảo thêm về nợ 
xấu trong hoạt động tín dụng 
của quý III và quý IV năm 2013 
(tỷ lệ nợ xấu đạt 3,7 phần trăm 
Pooled OLS [1] Within Groups [2]
L.Logit (NPL) 0,9168713***(0,0434289)
0,8425786***
(0,0662001)
D.LnGDP -0,9622535***(0,3646571)
-0,9587635**
(0,3684347)
LD.LnGDP -1,196764***(0,4354076)
-1,220903***
(0,441531)
L2D.LnGDP -0,8854442**(0,4347497)
-0,8850943**
(0,4396382)
Observations 108 108
R-squared 0,8161 0,6440
Sai số chuẩn trong ngoặc
***p<0.01, **p<0.05, *p<0.1
Bảng 5: Kết quả ước lượng dữ liệu bảng
Số 14 (24) - Tháng 01-02/2014 PHÁT TRIỂN & HỘI NHẬP 
 Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
25
trong tháng 9 năm 2013). Nợ xấu 
được mô phỏng trong kịch bản 
xấu nhất là cao hơn so với đường 
cơ sở nhưng nó biến động tương 
tự kịch bản cơ bản. Sự suy thoái 
nghiêm trọng nhất trong chất 
lượng tín dụng được mô tả ở kịch 
bản 3, với tỷ lệ nợ xấu đạt tối đa 
là 16 phần trăm. Bảng 6 tóm tắt 
thống kê cho toàn bộ chuỗi dự 
liệu tỷ lệ nợ xấu trong và ngoài 
mẫu.
4.4 Ước tính giá trị tổn thất bằng 
mô hình CreditRisk+
Creditrisk+ được dựa trên 
phương pháp mô phỏng danh 
mục để mô hình hóa rủi ro vỡ nợ 
nhằm giải thích các thông tin liên 
quan đến kích cỡ và mức độ phát 
triển của rủi ro và chất lượng tín 
dụng cũng như rủi ro hệ thống 
của những người đi vay. Mô hình 
Creditrisk+ là mô hình thống kê 
cho rủi ro vỡ nợ mà không đặt ra 
giả định về nguyên nhân vỡ nợ. 
Phương pháp này giống như để 
quản lý rủi ro thị trường, nhưng 
lại không giải thích nguyên 
nhân gây ra biến động. Mô hình 
Creditrisk+ xem xét tỷ lệ vỡ nợ 
như là những biến ngẫu nhiên 
liên tục và kết hợp với độ lệch 
chuẩn của tỷ lệ vỡ nợ để theo dõi 
sự biến động của tỷ lệ vỡ nợ. 
Kết quả đầu ra của mô hình 
Creditrisk+ có thể được sử dụng 
để quyết định mức độ yêu cầu 
vốn phòng cho trường hợp rủi ro 
tổn thất vỡ nợ không mong đợi. 
Đo lường sự không chắc chắn 
hoặc độ biến động của tổn thất và 
khả năng có thể xảy ra mất 
mát không mong đợi trong 
danh mục tín dụng có rủi ro 
là nền tảng cho việc quản 
trị rủi ro tín dụng có hiệu 
quả. Yêu cầu các biến đầu 
vào bao gồm: tổng dư nợ 
của các ngân hàng trong 
mẫu, tỷ lệ vợ nợ được xác 
định dựa trên tỷ lệ nợ xấu 
của các ngân hàng này và 
độ biến động của tỷ lệ nợ 
xấu được xác định dựa trên 
độ lệch chuẩn của tỷ lệ nợ 
xấu trong trường hợp xấu 
nhất xảy ra của kịch bản 
thứ ba. Chúng ta có kết quả đầu 
ra như Bảng 7.
Theo kết quả trên thì giá trị 
tín dụng có rủi ro (Credit VaR) 
cho tám ngân hàng thương mại 
trong mẫu vào khoảng 656 ngàn 
tỷ đồng chiếm 65 phần trăm tổng 
dư nợ của các ngân hàng này. Với 
độ tin cậy 99%, khoản tổn thất tối 
Hình 2: Tỷ lệ nợ xấu được mô phỏng qua các kịch bản
Kịch bản cơ sở Kịch bản 1 Kịch bản 2 Kịch bản 3
Mean 0.0283014 0.0262672 0.0262309 0.0426304
Minimum 0 0 0 0
Maximum 0.1145709 0.1326405 0.0957732 0.1603466
Std. Dev 0.037178 0.0418483 0.0314371 0.0619606
Skewness 1.170757 1.636051 1.063665 1.101229
Kurtosis 3.289565 4.5481 3.067778 2.722003
Bảng 6. Tóm tắt thống kê của NPL được mô phỏng qua các kịch bản
Outputs - Risk Contributions, Percentiles and loss distribution 
Credit
Expected Risk Loss
Name Loss Contribution Percentile Amount
1 17.497.167.302.512 265.080.247.838.281 Mean 47.522.665.108.164
2 3.193.191.571.754 36.020.622.676.163 50,00 0
3 10.548.812.303.178 191.749.012.986.455 75,00 0
4 3.083.121.467.717 31.743.776.045.898 95,00 326.876.990.361.916
5 3.574.144.581.985 35.737.761.853.536 98,00 450.921.967.412.265
6 1.147.078.997.583 10.529.379.234.557 99,00 656.033.711.740.448
7 5.864.191.344.999 56.472.608.229.570 99,50 810.980.918.841.181
8 2.614.957.538.435 28.700.302.875.990 99,75 975.476.076.268.818
99,90 1.199.240.594.029.730
Bảng 6: Kết quả chạy Creditrisk+ xác định xác xuất vỡ nợ
PHÁT TRIỂN & HỘI NHẬP Số 14 (24) - Tháng 01- 02/2014
Hoạt Động NH Hướng Tới Hồi Phục & Hoàn Thiện
26
đa trong 99% trường hợp không 
vượt quá 656 ngàn tỷ đồng. Theo 
đó khoản thiệt hại này chiếm 
khoảng 37,5 phần trăm trên tổng 
tài sản của các ngân hàng này. 
Tuy nhiên, nguồn vốn chủ sở hữu 
để bù đắp khoản tổn thất này chỉ 
ở mức 159 ngàn tỷ đồng và dự 
phòng cho vay ở khoảng 18 ngàn 
tỷ đồng. Vì thế dự trữ vốn của 
những ngân hàng này là chưa đủ 
để hấp thụ các tổn thất tín dụng 
dưới các kịch bản được xem xét. 
Điều này có thể gây đe dọa đến 
sự ổn định tài chính của toàn hệ 
thống. Kết quả đã cho thấy rằng 
các ngân hàng thương mại của 
chúng ta chưa có sự chuẩn bị tốt 
để đối mặt với những tổn thất tín 
dụng dưới những kịch bản vĩ mô 
khắc nghiệt được xem xét. Khi 
nguồn vốn chủ sở hữu của ngân 
hàng không đủ bù đắp thiệt hại 
tín dụng thì lợi ích của các khách 
hàng gửi tiết kiệm có thể bị tổn 
hại nếu trường hợp xấu xảy ra và 
như vậy có thể dẫn đến sự bất ổn 
cho toàn hệ thống tài chính.
5. Kết luận
Các ước lượng được trình 
bày trong bài nghiên cứu này đã 
chứng minh sự tồn tại của mối 
quan hệ ngược chiều giữa tăng 
trưởng GDP và tỷ lệ nợ xấu NPL. 
Mô hình được trình bày trong 
bài nghiên cứu này đã có những 
cải tiến đóng góp cho lĩnh vực 
đo lường rủi ro tín dụng nhưng 
nó vẫn còn nhiều điểm hạn chế. 
Thứ nhất, mô hình này được thực 
hiện với giả định mối quan hệ 
tuyến tính giữa chất lượng nợ và 
điều kiện kinh tế vĩ mô vì có thể 
chúng có mối quan hệ phi tuyến 
trong suốt khoảng thời gian điều 
kiện kinh tế vĩ mô khó khăn và 
khắc nghiệt. Thứ hai, mô hình 
giả định mối tương quan lịch sử 
giữa chất lượng nợ và điều kiện 
kinh tế vĩ mô là đối xứng khi chu 
kì kinh tế tăng lên hoặc giảm 
xuống và vẫn hợp lý trong thời kì 
nền kinh tế khắc nghiệt. Thứ ba, 
mô hình không bao hàm các tác 
động phản hồi giữa chất lượng 
tín dụng và tăng trưởng kinh tế vì 
nó không hoàn toàn kết hợp mẫu 
hình kinh tế vi mô và vĩ mô. Đặc 
biệt, mẫu hình kinh tế vĩ mô cho 
phép khối lượng tín dụng thay 
đổi theo thời gian, trong khi mẫu 
hình kinh tế vi mô thì giả định 
rằng các ngân hàng riêng lẻ duy 
trì một danh mục tín dụng không 
đổi. Mở rộng hơn, chất lượng tín 
dụng có khuynh hướng làm giảm 
giá trị trong khoảng thời gian 
tăng trưởng tín dụng thấp, mô 
hình trình bày trong bài nghiên 
cứu này có thể đánh giá thấp 
mức tổn thất tín dụng tiềm năng. 
Tất cả những hạn chế này có thể 
làm sai lệch kết quả trong cùng 
một xu hướng trong suốt thời 
gian khó khăn về tài chính gây ra 
những đánh giá thấp về tổn thất 
tín dụng ngân hàng. Vì thế, cần 
có những nghiên cứu tiếp theo để 
giải quyết những thiếu sót nàyl 
TÀI LIỆU THAM KHẢO
Antonella Foglia, “Stress testing credit risk: 
A survey of authorities’ aproaches”, 
International Journal of Central 
Banking, 5 (3):9–45, September 2009. 
Boss, M. (2002), “A Macroeconomic Credit 
Risk Model for Stress Testing the 
Austrian Credit Portfolio”, Financial 
Stability Report 4, Oesterreichische 
Nationalbank.
CSFP (1997), Credit risk: A credit risk 
management framework, Technical 
report, Credit Suisse First Boston. 
Drehmann, M. (2005), “A Market Based 
Macro Stress Test For The Corporate 
Credit Exposures Of Uk Banks”, Bank 
of England, April.
Francisco Vazquez, Benjamin M. Tabak, 
and Marcos Souto (2010), A Macro 
Stress Test Model of Credit Risk for the 
Brazilian Banking Sector, Unpublished 
Working Paper, Bank of Brazil.
G. Hoggarth and J. Whitley (2003), 
“Assessing The Strength Of UK Banks 
Trough Macroeconomic Stress Tests”, 
Financial Stability Review, Bank of 
England, June, . 
Jan Willem van den End, Marco Hoeberichts, 
and Mostafa Tabbae (2006), “Modelling 
Scenario Analysis And Macro Stress-
Testing”, DNB Working Papers 119, 
Netherlands Central Bank, Research 
Department, November 2006. 
S. Gerlach, W. Peng, and C. Shu (2003), 
Macroeconomic Conditions And 
Banking Performance In Hong Kong: 
A Panel Study, Unpublished Working 
Paper, Hong Kong Monetary Authority.
Sorge and Virolainen (2006), “A Comparative 
Analysis Of Macro Stress-Testing 
Methodologies With Application To 
Finland”, Journal of Financial Stability, 
2:113151, 2006. 
Sorge Marco (2004), “Stress-Testing 
Financial Systems: An Overview Of 
Current Methodologies” BIS Working 
Papers 165, Bank for International 
Settlements, December 2004. URL 
html. 
Sorge Marco (2004), “Stress Testing 
Financial Systems: An Overview Of 
Current Methodologies”, Bank for 
International Settlements Working 
Papers, No. 165.
Virolainen (2004), “Macro Stress Testing 
With A Macroeconomic Credit 
Risk Model For Finland”, Research 
Discussion Papers 18/2004, Bank of 
Finland, July 2004.
Wilson, “Portfolio Credit Risk (i)”, Risk, 10, 
1997a. 
Wilson, “Portfolio Credit Risk (ii)”, Risk, 10, 
1997b.