Tác động của rủi ro tín dụng đến ổn định ngân hàng trong bối cảnh phát triển bền vững của các ngân hàng thương mại Việt Nam

NCS. Lê Trung Hiếu (Tác giả liên hệ)

Khoa Tài chính, Trường Kinh tế, Luật, Đại học Trà Vinh; Email: [email protected]

PGS.TS. Trầm Thị Xuân Hương

Đại học Kinh tế Thành phố Hồ Chí Minh (UEH); Email: [email protected]

PGS.TS. Nguyễn Hồng Hà

Khoa Tài chính, Trường Kinh tế, Luật, Đại học Trà Vinh; Email: [email protected]

Tóm tắt

Nghiên cứu này đánh giá tác động của rủi ro tín dụng đến ổn định ngân hàng và vai trò điều tiết của công bố thông tin môi trường, xã hội và quản trị (ESG), mức độ phát triển công nghệ tài chính và giai đoạn triển khai chuẩn an toàn vốn Basel. Dữ liệu bảng không cân bằng gồm 30 ngân hàng thương mại Việt Nam giai đoạn 2008-2025 (485 quan sát) được ước lượng bằng bình phương nhỏ nhất tổng quát khả thi (FGLS), hồi quy phân vị với sai số chuẩn Bootstrap và System GMM. Rủi ro tín dụng được đo đồng thời bằng tỷ lệ nợ xấu, chi phí dự phòng và tỷ lệ bao phủ nợ xấu; ổn định được đo bằng chỉ số Z-score (khoảng cách đến trạng thái mất khả năng thanh toán), bổ sung ROA (tỷ suất lợi nhuận trên tổng tài sản) và ROE (tỷ suất lợi nhuận trên vốn chủ sở hữu). Kết quả cho thấy nợ xấu làm giảm Z-score, và cường độ tác động tăng dần từ trung vị đến phân vị 90; chi phí dự phòng làm giảm khả năng sinh lời nhưng không làm giảm Z-score; tỷ lệ bao phủ nợ xấu hỗ trợ ổn định nhất quán trên toàn phân phối. Vai trò điều tiết của ESG chỉ xuất hiện trong hồi quy phân vị và trên ROE, trong khi công nghệ tài chính và bộ tiêu chuẩn Basel chưa cho thấy tác dụng làm giảm tác động bất lợi của nợ xấu. Kết quả gợi ý giám sát phân tầng theo trạng thái ổn định, trong đó bộ đệm dự phòng và vốn là ưu tiên đối với nhóm ngân hàng kém ổn định.

Từ khóa: Rủi ro tín dụng, ổn định ngân hàng, Z-score, ESG, hồi quy phân vị, ngân hàng thương mại Việt Nam

Mã JEL: C23, G21, G28, G32, Q56

Abstract

This study examines how credit risk affects bank stability and whether environmental, social and governance (ESG) disclosure, financial development and the Basel implementation period moderate this relationship. Using an unbalanced panel of 30 Vietnamese commercial banks over 2008-2025 (485 bank-year observations), we apply feasible generalized least squares, bootstrapped quantile regression and system GMM. Credit risk is captured jointly by the non-performing loan ratio, loan loss provisions and the loan loss reserve coverage ratio; stability is measured by the Z-score, complemented by ROA and ROE. Non-performing loans reduce the Z-score, and the effect strengthens from the median to the 90th percentile of the stability distribution. Loan loss provisions depress profitability but not the Z-score, whereas reserve coverage is positively associated with stability across all quantiles. ESG moderation appears only in the quantile estimates and in the ROE model, while financial development and the Basel period do not mitigate the adverse effect of non-performing loans. The findings support state-contingent supervision that prioritizes provisioning and capital buffers for less stable banks.

Keywords: Credit risk, bank stability, Z-score, ESG, quantile regression, Vietnam

GIỚI THIỆU

Hệ thống ngân hàng thương mại (NHTM) là kênh dẫn vốn chủ yếu của nền kinh tế Việt Nam, nên chất lượng tín dụng của khu vực này gắn trực tiếp với ổn định kinh tế vĩ mô. Tỷ lệ nợ xấu nội bảng của toàn hệ thống tăng từ 2,03% cuối năm 2022 lên 4,55% cuối năm 2023 (Ngân hàng Nhà nước Việt Nam, 2024). Đến cuối năm 2025, tổng nợ xấu nội bảng của 27 ngân hàng niêm yết đạt khoảng 262,5 nghìn tỷ đồng, tăng 14% so với cuối năm 2024 (Quang Hưng, 2026); đến cuối tháng 6/2026, con số này vào khoảng 310 nghìn tỷ đồng, trong khi chỉ 6 ngân hàng duy trì tỷ lệ bao phủ nợ xấu từ 100% trở lên (Hải Thu, 2026). Sự phân hóa về chất lượng tài sản và năng lực dự phòng giữa các ngân hàng đặt ra câu hỏi liệu cùng một mức gia tăng nợ xấu có gây ra mức suy giảm ổn định như nhau ở mọi ngân hàng hay không?

Song song với áp lực chất lượng tài sản, hệ thống ngân hàng Việt Nam trải qua 3 chuyển dịch về thể chế và thị trường: yêu cầu công bố thông tin phát triển bền vững theo Thông tư số 96/2020/TT-BTC (Bộ Tài chính, 2020), quá trình số hóa diện rộng và lộ trình áp dụng chuẩn an toàn vốn Basel, mới nhất là Thông tư số 14/2025/TT-NHNN (Ngân hàng Nhà nước Việt Nam, 2025). Về lý thuyết, công bố ESG có thể giảm bất cân xứng thông tin và nâng chất lượng quản trị rủi ro (Freeman, 1984; Spence, 1973); công nghệ tài chính có thể cải thiện sàng lọc và giám sát khoản vay (Thakor, 2020); còn khung Basel tăng yêu cầu vốn và kỷ luật rủi ro. Do đó, các yếu tố này có thể làm thay đổi mức độ tác động của nợ xấu đến ổn định ngân hàng, chứ không chỉ tác động trực tiếp đến ổn định.

Các nghiên cứu hiện có về quan hệ giữa rủi ro tín dụng và ổn định ngân hàng còn 3 giới hạn. Thứ nhất, phần lớn nghiên cứu chỉ dùng tỷ lệ nợ xấu nên chưa tách được rủi ro đã hiện thực hóa, chi phí ghi nhận tổn thất trong kỳ và bộ đệm dự phòng tích lũy (Abedifar và cộng sự, 2013; Ghenimi và cộng sự, 2017). Thứ hai, các ước lượng tác động trung bình giả định rằng tác động của nợ xấu là như nhau giữa ngân hàng có mức ổn định thấp và cao, trong khi đây chính là thông tin mà cơ quan giám sát cần để phân bổ nguồn lực giám sát. Thứ ba, bằng chứng tại Việt Nam về vai trò điều tiết của ESG, công nghệ tài chính và Basel còn phân tán: các nghiên cứu trong nước chủ yếu xem xét tác động trực tiếp của công bố ESG đến khả năng sinh lời hoặc rủi ro tín dụng (Bui và cộng sự, 2024; Nguyễn Minh Phương và cộng sự, 2024; Nguyễn Phạm Minh Uyên & Phạm Thu Thủy, 2025), hoặc tác động của chuyển đổi số và Basel III đến rủi ro tín dụng (Nguyen & Nguyen, 2024).

Nghiên cứu này bổ sung bằng chứng ở 3 điểm. Một là, 3 chỉ tiêu nợ xấu (NPL), chi phí dự phòng (LLP) và tỷ lệ bao phủ nợ xấu (LLR) được đưa đồng thời vào mô hình với 3 thước đo kết quả là Z-score, ROA và ROE, nhờ đó phân biệt được kênh chất lượng tài sản, kênh chi phí và kênh bộ đệm. Hai là, hồi quy phân vị được kết hợp với FGLS và System GMM để kiểm tra tác động của rủi ro tín dụng tại các mức ổn định khác nhau. Ba là, 3 biến tương tác NPL×ESG, NPL×FINTECH và NPL×BASEL được kiểm định trong cùng một khung, với chỉ số ESG được xây dựng từ 17 tiêu chí công bố theo Thông tư 96/2020/TT-BTC và chấm điểm theo mức độ đầy đủ của thông tin.

CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT NGHIÊN CỨU

Ổn định ngân hàng và cơ chế truyền dẫn của rủi ro tín dụng

Ổn định ngân hàng được hiểu là khả năng duy trì khả năng thanh toán và hoạt động liên tục trước các cú sốc bất lợi. Chỉ số Z-score, xác định bằng tổng tỷ suất sinh lời trên tài sản và tỷ lệ vốn chủ sở hữu trên tổng tài sản chia cho độ lệch chuẩn của ROA, đo khoảng cách thống kê đến trạng thái mất khả năng thanh toán (Boyd và cộng sự, 1993; Laeven & Levine, 2009; Lepetit & Strobel, 2013). Cấu trúc 3 thành phần này cho thấy rủi ro tín dụng có thể làm giảm ổn định qua 3 kênh: làm giảm lợi nhuận, làm tăng biến động lợi nhuận và làm hao mòn vốn chủ sở hữu khi tổn thất vượt quá phần đã dự phòng.

Mô hình cấu trúc của Merton (1974) và Lý thuyết thông tin bất cân xứng của Stiglitz và Weiss (1981) giải thích vì sao danh mục cho vay có chất lượng thấp làm tăng xác suất vỡ nợ của chính ngân hàng. Tuy nhiên, 3 chỉ tiêu rủi ro tín dụng phản ánh 3 nội dung khác nhau. NPL là biến trạng thái, đo phần rủi ro đã hiện thực hóa trên danh mục. LLP là biến dòng, đo chi phí tổn thất được ghi nhận trong kỳ và đi trực tiếp vào báo cáo kết quả kinh doanh. LLR là biến số dư, đo mức dự phòng tích lũy so với nợ xấu hiện hữu. Theo Lý thuyết bộ đệm, dự phòng tích lũy cùng với vốn là lớp hấp thụ tổn thất trước khi tổn thất chạm đến vốn chủ sở hữu (Marcus, 1984; Jokipii & Milne, 2008; Berger & Bouwman, 2013). Vì vậy, LLR có thể mang dấu ngược với NPL và LLP trong phương trình ổn định.

Giả thuyết về tác động trực tiếp của rủi ro tín dụng

Nợ xấu cao làm giảm thu nhập lãi, tăng chi phí thu hồi và làm lợi nhuận biến động hơn, qua đó thu hẹp khoảng cách đến mất khả năng thanh toán (Čihák & Hesse, 2010; Beck và cộng sự, 2013; Ghenimi và cộng sự, 2017). Chi phí dự phòng làm giảm lợi nhuận kế toán ngay trong kỳ ghi nhận (Abedifar và cộng sự, 2013), dù có thể đồng thời bổ sung bộ đệm cho các kỳ sau. Ngược lại, tỷ lệ bao phủ cao cho thấy ngân hàng đã tích lũy nguồn lực bù đắp tổn thất trước khi rủi ro hiện thực hóa đầy đủ (Laeven & Majnoni, 2003).

Từ cơ sở lý thuyết nêu trên, nghiên cứu đề xuất giả thuyết:

H1: Tỷ lệ nợ xấu có tác động ngược chiều đến ổn định ngân hàng.

H2: Chi phí dự phòng rủi ro tín dụng có tác động ngược chiều đến ổn định ngân hàng.

H3: Tỷ lệ bao phủ nợ xấu có tác động cùng chiều đến ổn định ngân hàng.

Vai trò điều tiết của ESG, công nghệ tài chính và Basel

Theo Lý thuyết các bên liên quan và Lý thuyết tín hiệu, ngân hàng công bố đầy đủ thông tin ESG chịu sự giám sát chặt hơn từ nhà đầu tư, người gửi tiền và cơ quan quản lý, qua đó có động cơ thẩm định tín dụng thận trọng hơn và giữ được niềm tin thị trường khi chất lượng tài sản suy giảm (Freeman, 1984; Spence, 1973). Bằng chứng thực nghiệm cho thấy, ESG gắn với chất lượng tài sản tốt hơn, song quan hệ này phụ thuộc vào mức sinh lời và thước đo ESG (Di Tommaso & Thornton, 2020; Galletta & Mazzù, 2023; Cantero-Saiz và cộng sự, 2024; Gopane, 2025). Tại Việt Nam, Nguyễn Phạm Minh Uyên và Phạm Thu Thủy (2025) ghi nhận công bố ESG gắn với rủi ro tín dụng thấp hơn.

Công nghệ tài chính có thể cải thiện chấm điểm tín dụng và giám sát khách hàng, làm giảm tổn thất từ nợ xấu (Thakor, 2020; Yudaruddin và cộng sự, 2023) nhưng cũng có thể tăng cạnh tranh, kéo ngân hàng sang phân khúc rủi ro hơn và làm phát sinh rủi ro vận hành (Ni và cộng sự, 2023). Khung Basel tăng yêu cầu vốn và chất lượng quản trị rủi ro, qua đó được kỳ vọng làm giảm độ nhạy của ổn định trước nợ xấu (Asghar và cộng sự, 2022; Nguyen & Nguyen, 2024).

Từ cơ sở lý thuyết nêu trên, nghiên cứu đề xuất giả thuyết:

H4: Mức độ công bố ESG làm giảm tác động bất lợi của nợ xấu đến ổn định ngân hàng.

H5: Mức độ phát triển công nghệ tài chính làm giảm tác động bất lợi của nợ xấu đến ổn định ngân hàng.

H6: Giai đoạn triển khai chuẩn an toàn vốn Basel làm giảm tác động bất lợi của nợ xấu đến ổn định ngân hàng.

Tính không đồng nhất theo trạng thái ổn định

Ngân hàng có mức ổn định khác nhau sở hữu bộ đệm vốn, dự phòng và năng lực quản trị khác nhau nên tác động biên của nợ xấu có thể thay đổi dọc theo phân phối ổn định. Ở nhóm ổn định thấp, sự thiếu hụt bộ đệm có thể chi phối mức ổn định nhiều hơn biến động của nợ xấu; ở nhóm ổn định cao, chất lượng tài sản có thể trở thành yếu tố phân hóa chính. Hồi quy phân vị (Koenker & Bassett, 1978) cho phép kiểm định trực tiếp khả năng này. Từ đó, nghiên cứu đề xuất giả thuyết:

H7: Tác động của rủi ro tín dụng đến ổn định ngân hàng khác nhau giữa các phân vị của phân phối ổn định.

PHƯƠNG PHÁP NGHIÊN CỨU

Dữ liệu và mẫu nghiên cứu

Mẫu nghiên cứu gồm 30 NHTM Việt Nam hoạt động liên tục tối thiểu 5 năm trong giai đoạn 2008-2025 và có báo cáo tài chính đã kiểm toán cho phép trích xuất đầy đủ các chỉ tiêu của mô hình. Dữ liệu bảng không cân bằng gồm 485 quan sát theo đơn vị ngân hàng - năm; số quan sát trên mỗi ngân hàng từ 10 đến 18, bình quân 16,17. Dữ liệu tài chính được thu thập từ báo cáo tài chính hợp nhất đã kiểm toán và báo cáo thường niên của các ngân hàng, khai thác qua cơ sở dữ liệu Vietstock Finance; GDP và lạm phát từ Cục Thống kê, đối chiếu với World Development Indicators (World Bank, 2026); chỉ số phát triển tài chính từ IMF (Svirydzenka, 2016); chất lượng thể chế từ Worldwide Governance Indicators (Kaufmann và cộng sự, 2009); dữ liệu ESG được chấm điểm thủ công từ báo cáo thường niên, báo cáo phát triển bền vững và công bố chính thức của từng ngân hàng. Giai đoạn nghiên cứu bao trùm khủng hoảng tài chính toàn cầu 2008-2009, 3 giai đoạn tái cơ cấu hệ thống tổ chức tín dụng và đại dịch COVID-19.

Mô hình nghiên cứu

Kế thừa nghiên cứu của Beck và cộng sự (2013), Athanasoglou và cộng sự (2008) và Laeven và Levine (2009), mô hình cơ sở có dạng:

Y_it = β₀ + β₁NPL_it + β₂LLP_it + β₃LLR_it + Σγ_k·BANK_k,it + Σδ_j·MACRO_j,t + ε_it (1)

trong đó Y_it lần lượt là Z-score, ROA và ROE của ngân hàng i năm t; BANK gồm CAR, LIQ, CIR, NIM, SIZE, SOR; MACRO gồm GDP, INF, FINTECH, BASEL, IQ, CRISIS, COVID. Mô hình (2) bổ sung ESG vào mô hình (1). Ba mô hình điều tiết (3) lần lượt bổ sung 1 biến tương tác, với MOD lần lượt là BASEL, ESG và FINTECH:

Y_it = β₀ + β₁NPLᶜ_it + θ·ESGᶜ_it + φ·(NPLᶜ×MODᶜ)_it + … + ε_it (3)

Các biến thành phần của tương tác được trung tâm hóa quanh giá trị trung bình mẫu (ký hiệu ᶜ), nên β₁ là tác động biên của NPL tại mức trung bình của biến điều tiết. Tác động biên tại các mức khác được tính bằng ∂Y/∂NPL = β₁ + φ·MODᶜ và báo cáo kèm sai số chuẩn. Biến tương tác chỉ được xây dựng với NPL vì đây là thước đo trực tiếp nhất của rủi ro đã hiện thực hóa, trong khi LLP và LLR phản ánh phản ứng của ngân hàng sau khi rủi ro phát sinh; cách làm này cũng tránh chồng lấn ý nghĩa và đa cộng tuyến giữa các tương tác. Để kiểm định H7, phương trình (1) và mô hình có NPL×ESG được ước lượng bằng hồi quy phân vị:

Q_τ(Y_it | X_it) = X_it′β(τ), τ ∈ {0,25; 0,50; 0,75; 0,90} (4)

Cuối cùng, để kiểm tra độ vững trước tính động và nội sinh, mô hình động được ước lượng bằng System GMM 2 bước:

Y_it = αY_i,t−1 + X_it′β + μ_i + ε_it (5)

Đo lường biến

Bảng 1 tóm tắt cách đo lường các biến. Thứ nhất, CAR được đo bằng vốn chủ sở hữu trên tổng tài sản vì tỷ lệ an toàn vốn theo quy định không được công bố đồng nhất trong toàn giai đoạn; do CAR đồng thời là cấu phần của tử số Z-score, hệ số của CAR trong phương trình Z-score chỉ được dùng như biến kiểm soát. Thứ hai, chỉ số ESG kế thừa 17 tiêu chí công bố theo Thông tư số 96/2020/TT-BTC từ khung của Nguyễn Minh Phương và cộng sự (2024), nhưng thay cách chấm nhị phân bằng thang điểm từ 0 đến 1 cho từng tiêu chí theo mức độ đầy đủ của thông tin; ESG = (tổng điểm/17)×100. Việc chấm điểm được thực hiện độc lập hai lần và đối chiếu các trường hợp khác biệt. Thứ ba, FINTECH, BASEL và IQ là biến cấp quốc gia chỉ biến thiên theo thời gian; BASEL là biến giả giai đoạn (0 cho 2008-2011, 1 cho 2012-2025), nên hệ số của nó phản ánh chênh lệch tổng hợp giữa hai giai đoạn chứ không phải mức tuân thủ của từng ngân hàng.

Bảng 1: Đo lường biến nghiên cứu

Nguồn: Tác giả tổng hợp

Chiến lược ước lượng

Quy trình ước lượng đi từ Pooled OLS, FEM và REM đến các kiểm định lựa chọn và khuyết tật mô hình. Kiểm định F và kiểm định nhân tử Lagrange Breusch-Pagan (Breusch & Pagan, 1980) bác bỏ Pooled OLS ở cả 15 mô hình (p ≤ 0,0013); kiểm định Hausman (1978) ưu tiên FEM cho Z-score và ROA. Kiểm định Wald sửa đổi (Greene, 2012) cho thấy phương sai sai số thay đổi giữa các ngân hàng ở mọi mô hình (χ²(30) từ 3.890,33 đến 19.651,08; p = 0,000), còn kiểm định Wooldridge (2010) bác bỏ mạnh giả thuyết không có tự tương quan bậc nhất với Z-score (F(1,29) từ 21,59 đến 30,82), ở mức cận biên với ROA và không bác bỏ với ROE ở 4 trên 5 mô hình. Vì vậy, FGLS là ước lượng chính: phương sai thay đổi giữa các ngân hàng kết hợp hệ số tự tương quan AR(1) chung cho Z-score và ROA, và chỉ phương sai thay đổi cho ROE.

Hồi quy phân vị được ước lượng tại 4 phân vị 0,25; 0,50; 0,75 và 0,90 với sai số chuẩn bootstrap 500 lần lặp. System GMM 2 bước (Arellano & Bover, 1995; Blundell & Bond, 1998) với sai số chuẩn hiệu chỉnh theo Windmeijer (2005) được dùng làm kiểm định độ vững; biến trễ của biến phụ thuộc, NPL, LLP và CAR được xem là nội sinh và công cụ hóa bằng độ trễ bậc 2-3 ở dạng gộp (collapse) theo khuyến nghị của Roodman (2009), nhờ đó số công cụ (26-28) luôn nhỏ hơn số nhóm (30). GMM không được dùng làm ước lượng chính vì với N = 30, kiểm định Hansen (1982) có độ tin cậy hạn chế.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thống kê mô tả và tương quan

Bảng 2: Thống kê mô tả các biến chính

Ghi chú: N = 485 quan sát của 30 ngân hàng. GDP (trung bình 6,00%), INF (5,70%), BASEL, CRISIS và COVID không trình bày để tiết kiệm không gian.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Bảng 2 cho thấy Z-score có trung bình 28,34 và trung vị 25,38, khoảng cách giữa phân vị 25 và 75 lên tới 15,36 đơn vị, tức mức ổn định phân tán rộng giữa các ngân hàng và theo thời gian. Ba biến rủi ro tín dụng đều lệch phải: NPL trung bình 2,30% nhưng giá trị lớn nhất 29,76%, trong khi phân vị 75 chỉ là 2,69%. Phân phối lệch và phân tán rộng của cả biến phụ thuộc lẫn biến giải thích chính là lý do thực nghiệm để bổ sung hồi quy phân vị bên cạnh ước lượng trung bình.

Các cặp tương quan có trị tuyệt đối trên 0,6 đều thuộc nhóm biến cấp quốc gia (lớn nhất là BASEL và INF, -0,823; GDP và COVID, -0,822), phản ánh xu hướng vĩ mô cùng chiều theo thời gian. Hệ số phóng đại phương sai trung bình của mô hình cơ sở là 3,40; lớn nhất là BASEL (9,29), còn ba biến rủi ro tín dụng rất thấp (NPL 1,27; LLR 1,39; LLP 1,90). Đa cộng tuyến vì vậy chủ yếu làm giảm độ chính xác của các biến vĩ mô, không ảnh hưởng đáng kể đến các biến trọng tâm.

Tác động trực tiếp của rủi ro tín dụng

Bảng 3: Kết quả ước lượng FGLS mô hình cơ sở

Ghi chú: Sai số chuẩn trong ngoặc đơn. *, , * tương ứng mức ý nghĩa 1%, 5%, 10%. Z-score và ROA: phương sai thay đổi giữa các ngân hàng và AR(1) chung; ROE: phương sai thay đổi giữa các ngân hàng.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Nợ xấu: NPL có hệ số -0,2025 (p = 0,047) trong phương trình Z-score, ủng hộ H1. Về độ lớn, một độ lệch chuẩn của NPL (2,12 điểm %) gắn với mức giảm khoảng 0,43 đơn vị Z-score, tương đương 1,5% giá trị trung bình; tại mức trung bình, tác động của nợ xấu có ý nghĩa thống kê nhưng không lớn về kinh tế. NPL không có ý nghĩa trong hai phương trình ROA và ROE. Kết quả này cho thấy, sau khi kiểm soát LLP, nợ xấu tác động đến ổn định chủ yếu qua biến động lợi nhuận và bộ đệm vốn, phù hợp với cấu trúc Z-score, chứ không qua mức lợi nhuận bình quân của năm.

Chi phí dự phòng: LLP không có ý nghĩa với Z-score (-0,1525; p = 0,444) nhưng có ý nghĩa 1% với cả ROA (-0,2323) và ROE (-3,0050). Một độ lệch chuẩn của LLP làm ROA giảm khoảng 0,21 điểm % và ROE giảm khoảng 2,67 điểm %, lần lượt tương đương 21% và 23% giá trị trung bình. H2 vì vậy chỉ được ủng hộ trên kênh sinh lời. Chi phí dự phòng làm giảm lợi nhuận ngay khi ghi nhận, nhưng đồng thời bổ sung số dư dự phòng cho các kỳ sau, nên tác động lên thước đo ổn định tổng hợp bị bù trừ một phần.

Tỷ lệ bao phủ nợ xấu: LLR có hệ số dương 0,5716 (p = 0,053) trong mô hình cơ sở và tăng lên 0,66-0,69 với mức ý nghĩa 5% ở cả 4 mô hình mở rộng (Bảng 4), ủng hộ H3. Kết quả phù hợp với lý thuyết bộ đệm: dự phòng tích lũy là lớp hấp thụ tổn thất đứng trước vốn chủ sở hữu (Marcus, 1984; Berger & Bouwman, 2013). LLR không có ý nghĩa với ROA và ROE, cho thấy lợi ích của bộ đệm dự phòng thể hiện ở khả năng chống chịu nhiều hơn ở mức sinh lời hiện thời.

Trong nhóm biến kiểm soát, NIM có hệ số dương và ý nghĩa 1% trên cả 3 biến phụ thuộc; CIR làm giảm ROA và ROE. SIZE và LIQ có dấu ngược nhau giữa Z-score (âm) và hai thước đo sinh lời (dương), phản ánh đánh đổi giữa an toàn và hiệu quả: ngân hàng lớn sinh lời tốt hơn nhưng không an toàn hơn, còn thanh khoản cao làm giảm tỷ trọng tài sản sinh lời. CRISIS dương trên ROA, phù hợp với độ trễ giữa thời điểm tăng trưởng tín dụng nóng 2008-2009 và thời điểm nợ xấu được ghi nhận từ năm 2011; COVID không có ý nghĩa, phù hợp với tác động của chính sách cơ cấu lại thời hạn trả nợ và giữ nguyên nhóm nợ trong giai đoạn đại dịch.

Vai trò trực tiếp và điều tiết của ESG, công nghệ tài chính và Basel

Bảng 4: Kết quả FGLS các mô hình bổ sung ESG và biến tương tác

Ghi chú: Sai số chuẩn trong ngoặc đơn. *, , * tương ứng mức ý nghĩa 1%, 5%, 10%. Ở M3-M5, NPL, ESG và biến điều tiết được trung tâm hóa quanh trung bình mẫu, nên hệ số NPL là tác động biên tại mức trung bình của biến điều tiết. Tất cả mô hình có đầy đủ biến kiểm soát như Bảng 3; N = 485.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Tác động trực tiếp của ESG: ESG có hệ số dương và ý nghĩa 1% trong phương trình ROA ở cả bốn mô hình (0,0077-0,0083). Một độ lệch chuẩn của ESG (10,71 điểm) gắn với ROA cao hơn khoảng 0,085 điểm %, tức 8,5% ROA trung bình. Với Z-score và ROE, hệ số ESG dương nhưng không có ý nghĩa. Như vậy, mức công bố ESG cao hơn gắn với hiệu quả sử dụng tài sản tốt hơn nhưng chưa đủ bằng chứng cho thấy nó trực tiếp làm tăng khoảng cách đến mất khả năng thanh toán. Đáng chú ý, khi ESG được đưa vào mô hình, hệ số NPL trên ROA chuyển sang dương và có ý nghĩa (0,0373; p = 0,011). Do LLP đã hấp thụ phần chi phí của rủi ro tín dụng, phần biến thiên còn lại của NPL nhiều khả năng phản ánh khẩu vị rủi ro đổi lấy biên lãi cao hơn; kết quả này không hàm ý nợ xấu có lợi cho ngân hàng.

Vai trò điều tiết: Trong phương trình Z-score, cả 3 hệ số tương tác đều không có ý nghĩa: NPL×BASEL -0,0664 (p = 0,847), NPL×ESG -0,0022 (p = 0,745) và NPL×FINTECH 4,7442 (p = 0,104). Bằng chứng điều tiết chỉ xuất hiện trên ROE: NPL×ESG dương 0,0222 (p = 0,044), cùng chiều với H4; NPL×FINTECH âm -11,0477 (p = 0,033), tức mức phát triển tài chính cao hơn đi kèm tác động bất lợi lớn hơn của nợ xấu lên ROE, ngược với H5. Hiệu ứng biên ở Bảng 5 củng cố nhận định này: trên ROE, tác động biên của NPL tăng từ 0,2421 tại phân vị 25 của ESG lên 0,5216 (p = 0,063) tại phân vị 75, trong khi các hiệu ứng biên trên Z-score đều không có ý nghĩa. Vì BASEL là biến giả giai đoạn và FINTECH là chỉ số cấp quốc gia, kết quả không có ý nghĩa của hai tương tác này chỉ cho phép kết luận chưa có bằng chứng điều tiết, không cho phép kết luận Basel hay công nghệ tài chính không hiệu quả ở cấp ngân hàng.

Bảng 5: Hiệu ứng biên của NPL theo mức của biến điều tiết (FGLS)

Ghi chú: Hiệu ứng biên ∂Y/∂NPL = β₁ + φ·MODᶜ, tính từ các mô hình M3-M5. Sai số chuẩn trong ngoặc đơn. *, , * tương ứng mức ý nghĩa 1%, 5%, 10%.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Tính không đồng nhất theo phân vị ổn định

Bảng 6: Hồi quy phân vị bootstrap, biến phụ thuộc Z-score

Ghi chú: Sai số chuẩn bootstrap 500 lần lặp trong ngoặc đơn (cột FGLS: sai số chuẩn FGLS). *, , * tương ứng mức ý nghĩa 1%, 5%, 10%. Các biến GDP, INF, FINTECH, BASEL, COVID, CRISIS được đưa vào mô hình nhưng không có ý nghĩa tại mọi phân vị nên không trình bày. N = 485.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Bảng 6 cung cấp bằng chứng rõ nhất của nghiên cứu. Hệ số NPL không có ý nghĩa tại phân vị 25 (-0,4888; p = 0,142), sau đó tăng dần về trị tuyệt đối: -0,8971 tại trung vị, -1,2115 tại phân vị 75 và -1,5997 tại phân vị 90, đều có ý nghĩa ở mức 1% hoặc 5%. Hệ số tại phân vị 90 lớn gấp khoảng 3,3 lần hệ số tại phân vị 25 và gần 8 lần hệ số FGLS. Tính theo một độ lệch chuẩn của NPL, mức giảm Z-score tương ứng là khoảng 0,13 độ lệch chuẩn của Z-score tại trung vị và 0,24 độ lệch chuẩn tại phân vị 90. H7 được ủng hộ: con số trung bình nhỏ của FGLS là kết quả gộp của các nhóm ngân hàng có độ nhạy rất khác nhau.

Kết quả này cần được đọc theo 2 chiều. Ở nhóm ổn định cao, chất lượng tài sản trở thành yếu tố phân hóa chính: nợ xấu tăng làm thu hẹp nhanh khoảng cách an toàn mà ngân hàng đã tích lũy. Ở nhóm ổn định thấp, NPL không có ý nghĩa trong khi LLR (3,1470) và CAR (0,9829) có ý nghĩa 1%, cho thấy mức ổn định của nhóm này được quyết định chủ yếu bởi bộ đệm dự phòng và vốn hơn là bởi biến động nợ xấu. LLR dương và có ý nghĩa 1% tại cả bốn phân vị, tăng từ 3,15 lên 8,72, là kết quả nhất quán nhất trong toàn bộ các ước lượng. NIM đổi dấu từ dương không có ý nghĩa tại phân vị 25 sang âm có ý nghĩa tại các phân vị cao hơn, gợi ý rằng ở nhóm ngân hàng đã ổn định, theo đuổi biên lãi cao gắn với khẩu vị rủi ro lớn hơn.

Ở Panel B, hệ số NPL×ESG dương và có ý nghĩa tại cả 4 phân vị (0,0777-0,1217), trái với kết quả không có ý nghĩa của FGLS. Dấu dương của hệ số tương tác cho thấy tác động biên của nợ xấu ít bất lợi hơn ở ngân hàng có mức công bố ESG cao; tại mức ESG trung bình, hệ số NPL không còn ý nghĩa ở bất kỳ phân vị nào. H4 vì vậy được ủng hộ có điều kiện: vai trò điều tiết của ESG thể hiện khi xét theo phân phối ổn định và trên ROE, nhưng không thể hiện trong ước lượng trung bình của Z-score.

Kiểm định độ vững

Bảng 7: So sánh FGLS và System GMM (Z-score, mô hình cơ sở)

Ghi chú: Sai số chuẩn trong ngoặc đơn (GMM: sai số chuẩn hiệu chỉnh Windmeijer). *, , * tương ứng mức ý nghĩa 1%, 5%, 10%. GMM hai bước; công cụ cho biến trễ của Z-score, NPL, LLP và CAR là độ trễ bậc 2-3 ở dạng gộp.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Bảng 8: Hệ số rủi ro tín dụng qua các mô hình thay thế (Z-score)

Ghi chú: Sai số chuẩn trong ngoặc đơn (FGLS) và sai số chuẩn bootstrap 500 lần lặp (hồi quy phân vị).

*, , * tương ứng mức ý nghĩa 1%, 5%, 10%.

Nguồn: Kết quả xử lý dữ liệu bằng Stata.

Bảng 7 cho thấy hệ số của Z-score trễ một kỳ là 0,4645 (p = 0,043), xác nhận tính kế thừa của ổn định ngân hàng. Các kiểm định đạt yêu cầu: AR(2) không bác bỏ (p = 0,934), Hansen (p = 0,107) và Difference-in-Hansen (p = 0,743) không bác bỏ tính hợp lệ của công cụ, số công cụ nhỏ hơn số nhóm; kiểm định Sargan (1958), vốn không vững với phương sai thay đổi, bác bỏ và AR(1) chỉ ở mức cận biên (p = 0,052), nên kết quả GMM được dùng để đối chiếu dấu. Sai số chuẩn GMM lớn hơn đáng kể nên NPL, LLP và LLR mất ý nghĩa thống kê, nhưng dấu của cả 8 biến giải thích trình bày ở Bảng 7 được giữ nguyên. Với ROA và ROE, kiểm định Hansen yếu hơn (bác bỏ ở mức 5% tại ROA-M1 và bốn mô hình ROE), nên kết quả GMM của 2 nhóm này không được dùng để kết luận.

Bảng 8 kiểm tra ảnh hưởng của tương quan dương giữa FINTECH và CRISIS (0,612), phát sinh do chỉ số phát triển tài chính của IMF đạt đỉnh trong giai đoạn bùng nổ thị trường vốn 2007-2009. Hệ số NPL và LLR trong FGLS gần như không đổi qua 3 mô hình; xu hướng tăng dần của hệ số NPL theo phân vị được giữ nguyên, trừ phân vị 90 mất ý nghĩa khi bỏ CRISIS (p = 0,260). Hệ số NPL×ESG trong hồi quy phân vị dương và có ý nghĩa ở cả 12 ước lượng (3 mô hình × 4 phân vị), dao động từ 0,0705 đến 0,1299. Như vậy, phát hiện về tính không đồng nhất là vững tại trung vị và phân vị 75, còn kết quả tại phân vị 90 cần được diễn giải thận trọng hơn.

Thảo luận

Bảng 9: Tổng hợp kết quả kiểm định giả thuyết

Nguồn: Tác giả tổng hợp từ kết quả ước lượng.

Tác động ngược chiều của nợ xấu đến Z-score phù hợp với nghiên cứu của Čihák và Hesse (2010), Beck và cộng sự (2013) và Ghenimi và cộng sự (2017), song cường độ trung bình thấp hơn. Có 2 cách lý giải. Thứ nhất, nợ xấu nội bảng tại Việt Nam chỉ phản ánh một phần rủi ro tín dụng thực tế, vì một phần nợ xấu đã được bán cho Công ty Quản lý tài sản của các tổ chức tín dụng hoặc được cơ cấu lại thời hạn và giữ nguyên nhóm nợ. Thứ hai và quan trọng hơn về phương pháp, ước lượng trung bình gộp các nhóm ngân hàng có độ nhạy rất khác nhau. Sự chênh lệch lớn giữa Pooled OLS (-0,9227) và FEM (-0,0540) cũng gợi ý rằng phần lớn quan hệ âm giữa nợ xấu và ổn định đến từ khác biệt bền vững giữa các ngân hàng, những ngân hàng quản trị yếu vừa có nợ xấu cao vừa kém ổn định.

Sự tách biệt giữa LLP và LLR là đóng góp chính về đo lường. LLP tác động qua kênh chi phí và chỉ làm giảm khả năng sinh lời, phù hợp với Abedifar và cộng sự (2013); LLR tác động qua kênh bộ đệm và hỗ trợ ổn định trên toàn phân phối. Nếu chỉ dùng 1 chỉ tiêu, 2 tác động ngược chiều này sẽ khó được phân biệt rõ. Hàm ý là tối thiểu hóa chi phí dự phòng để làm đẹp lợi nhuận ngắn hạn có thể làm suy yếu khả năng chống chịu; điều cần quản trị là mức độ đầy đủ của bộ đệm so với nợ xấu, đặc biệt khi tỷ lệ bao phủ nợ xấu của nhiều ngân hàng đã giảm trong nửa đầu năm 2026 (Hải Thu, 2026).

Vai trò điều tiết của ESG mang tính trạng thái, không phải hiệu ứng đồng đều trên toàn hệ thống. Kết quả này bổ sung cho nghiên cứu Nguyễn Phạm Minh Uyên và Phạm Thu Thủy (2025), vốn tập trung vào tác động trực tiếp của ESG đến rủi ro tín dụng, và phù hợp với nhận định của Cantero-Saiz và cộng sự (2024) rằng quan hệ giữa ESG và chất lượng tài sản phụ thuộc điều kiện tài chính của ngân hàng. Sự khác biệt giữa FGLS và hồi quy phân vị cũng có thể đến từ thước đo: chỉ số trong nghiên cứu này đo mức độ công bố, không đo trực tiếp hiệu quả thực hành ESG, nên khoảng cách giữa công bố và thực hành có thể làm suy yếu tín hiệu ở mức trung bình. Đối với công nghệ tài chính, dấu âm của NPL×FINTECH trên ROE phù hợp với lập luận về áp lực cạnh tranh và rủi ro mới do số hóa (Ni và cộng sự, 2023), nhưng cần thận trọng vì FINTECH là chỉ số phát triển tài chính tổng hợp cấp quốc gia, chịu ảnh hưởng mạnh của thị trường cổ phiếu, chứ không đo mức ứng dụng công nghệ của từng ngân hàng.

KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH

Kết luận

Trên cơ sở dữ liệu 30 NHTM Việt Nam giai đoạn 2008-2025, nghiên cứu rút ra 4 kết luận. Thứ nhất, nợ xấu làm giảm ổn định ngân hàng đo bằng Z-score, nhưng tác động trung bình nhỏ và không tác động đến khả năng sinh lời sau khi kiểm soát chi phí dự phòng. Thứ hai, tác động của nợ xấu không đồng nhất: không có ý nghĩa ở nhóm ổn định thấp và tăng dần từ trung vị đến phân vị 90. Thứ ba, 3 chỉ tiêu rủi ro tín dụng truyền dẫn qua 3 kênh khác nhau: NPL qua kênh chất lượng tài sản và biến động, LLP qua kênh chi phí, LLR qua kênh bộ đệm; trong đó LLR là biến có quan hệ cùng chiều nhất quán nhất với ổn định. Thứ tư, ESG có tác động trực tiếp tích cực đến ROA và vai trò điều tiết có điều kiện, trong khi công nghệ tài chính và giai đoạn Basel chưa cho thấy tác dụng làm giảm tác động bất lợi của nợ xấu.

Hàm ý chính sách

Đối với cơ quan quản lý: Ngân hàng Nhà nước có thể áp dụng giám sát phân tầng theo trạng thái ổn định. Với nhóm ngân hàng có Z-score thấp, ưu tiên giám sát nên đặt vào mức đủ của vốn và tỷ lệ bao phủ nợ xấu, vì đây là các yếu tố quyết định ổn định của nhóm này; với nhóm ổn định trung bình và cao, chỉ tiêu cảnh báo sớm về chất lượng tài sản cần được theo dõi sát hơn, vì cùng một mức tăng nợ xấu làm giảm Z-score nhiều hơn ở nhóm này. Cơ chế dự phòng nên được thiết kế theo hướng ngược chu kỳ, khuyến khích tích lũy bộ đệm khi chất lượng tài sản còn tốt. Việc chuẩn hóa yêu cầu công bố ESG theo hướng định lượng và kiểm chứng được sẽ giúp tín hiệu ESG phản ánh sát hơn chất lượng quản trị rủi ro.

Đối với NHTM: Các ngân hàng cần quản trị đồng thời 3 chỉ tiêu nợ xấu, chi phí dự phòng và tỷ lệ bao phủ thay vì chỉ theo dõi tỷ lệ nợ xấu; giảm trích lập để cải thiện lợi nhuận ngắn hạn có thể làm suy yếu bộ đệm. Tích hợp tiêu chí môi trường, xã hội và quản trị vào quy trình thẩm định tín dụng, thay vì chỉ dừng ở mức công bố, là điều kiện để ESG phát huy vai trò giảm thiểu rủi ro. Đầu tư công nghệ cần đi kèm năng lực quản trị dữ liệu và rủi ro mô hình, bởi lợi ích sinh lời của số hóa không tự động chuyển thành khả năng hấp thụ rủi ro tín dụng.

Hạn chế và hướng nghiên cứu tiếp theo

Nghiên cứu có một số hạn chế. Thứ nhất, FINTECH, BASEL và IQ là biến cấp quốc gia chỉ biến thiên theo thời gian, nên không nhận dạng được tác động riêng của từng ngân hàng; các nghiên cứu sau nên dùng chỉ số số hóa và mức tuân thủ Basel ở cấp ngân hàng. Thứ hai, chỉ số ESG đo mức độ công bố thông tin và hàm chứa yếu tố phán đoán của người chấm, dù đã áp dụng thống nhất một bộ hướng dẫn và chấm độc lập hai lần. Thứ ba, hồi quy phân vị được ước lượng trên dữ liệu gộp, chưa kiểm soát hiệu ứng cố định của từng ngân hàng; các mô hình phân vị dữ liệu bảng có hiệu ứng cố định là hướng mở rộng phù hợp. Thứ tư, với N = 30, kiểm định Hansen của System GMM có độ tin cậy hạn chế, nên GMM chỉ được dùng để đối chiếu dấu của các hệ số.

Tài liệu tham khảo:

1. Abedifar, P., Molyneux, P., & Tarazi, A. (2013). Risk in Islamic banking. Review of Finance, 17(6), 2035-2096. https://doi.org/10.1093/rof/rfs041

2. Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51. https://doi.org/10.1016/0304-4076(94)01642-D

3. Asghar, M., Rashid, A., & Abbas, Z. (2022). Basel III effects on bank stability: Empirical evidence from emerging countries. The Journal of Asian Finance, Economics and Business, 9(3), 347-356. https://doi.org/10.13106/jafeb.2022.vol9.no3.0347

4. Athanasoglou, P. P., Brissimis, S. N., & Delis, M. D. (2008). Bank-specific, industry-specific and macroeconomic determinants of bank profitability. Journal of International Financial Markets, Institutions and Money, 18(2), 121-136. https://doi.org/10.1016/j.intfin.2006.07.001

5. Beck, T., De Jonghe, O., & Schepens, G. (2013). Bank competition and stability: Cross-country heterogeneity. Journal of Financial Intermediation, 22(2), 218-244. https://doi.org/10.1016/j.jfi.2012.07.001

6. Berger, A. N., & Bouwman, C. H. S. (2013). How does capital affect bank performance during financial crises? Journal of Financial Economics, 109(1), 146-176. https://doi.org/10.1016/j.jfineco.2013.02.008

7. Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143. https://doi.org/10.1016/S0304-4076(98)00009-8

8. Bộ Tài chính (2020). Thông tư số 96/2020/TT-BTC ngày 16 tháng 11 năm 2020 hướng dẫn công bố thông tin trên thị trường chứng khoán.

9. Boyd, J. H., Graham, S. L., & Hewitt, R. S. (1993). Bank holding company mergers with nonbank financial firms: Effects on the risk of failure. Journal of Banking & Finance, 17(1), 43-63. https://doi.org/10.1016/0378-4266(93)90079-S

10. Breusch, T. S., & Pagan, A. R. (1980). The Lagrange multiplier test and its applications to model specification in econometrics. The Review of Economic Studies, 47(1), 239-253. https://doi.org/10.2307/2297111

11. Bui, T. T. L., Tran, T. L. A., & Hoang, T. (2024). ESG disclosure and financial performance: Empirical study of Vietnamese commercial banks. Banks and Bank Systems, 19(1), 208-220. https://doi.org/10.21511/bbs.19(1).2024.18

12. Cantero-Saiz, M., Polizzi, S., & Scannella, E. (2024). ESG and asset quality in the banking industry: The moderating role of financial performance. Research in International Business and Finance, 69, 102221. https://doi.org/10.1016/j.ribaf.2024.102221

13. Čihák, M., & Hesse, H. (2010). Islamic banks and financial stability: An empirical analysis. Journal of Financial Services Research, 38(2-3), 95-113. https://doi.org/10.1007/s10693-010-0089-0

14. Di Tommaso, C., & Thornton, J. (2020). Do ESG scores affect bank risk-taking and value? Evidence from European banks. Corporate Social Responsibility and Environmental Management, 27(5), 2286-2298. https://doi.org/10.1002/csr.1964

15. Freeman, R. E. (1984). Strategic management: A stakeholder approach. Pitman.

16. Galletta, S., & Mazzù, S. (2023). ESG controversies and bank risk taking. Business Strategy and the Environment, 32(1), 274-288. https://doi.org/10.1002/bse.3129

17. Ghenimi, A., Chaibi, H., & Omri, M. A. B. (2017). The effects of liquidity risk and credit risk on bank stability: Evidence from the MENA region. Borsa Istanbul Review, 17(4), 238-248. https://doi.org/10.1016/j.bir.2017.05.002

18. Gopane, T. J. (2025). Policy implications of ESG-moderated credit risk on bank profitability. Green Finance, 7(3), 406-428. https://doi.org/10.3934/GF.2025015

19. Greene, W. H. (2012). Econometric analysis (7th ed.). Pearson.

20. Hải Thu (2026, August 18). Ngân hàng nào “ôm” nhiều nợ xấu nhất? VietTimes. https://viettimes.vn/ngan-hang-nao-om-nhieu-no-xau-nhat-post204623.html

21. Hansen, L. P. (1982). Large sample properties of generalized method of moments estimators. Econometrica, 50(4), 1029-1054. https://doi.org/10.2307/1912775

22. Hausman, J. A. (1978). Specification tests in econometrics. Econometrica, 46(6), 1251-1271. https://doi.org/10.2307/1913827

23. Jokipii, T., & Milne, A. (2008). The cyclical behaviour of European bank capital buffers. Journal of Banking & Finance, 32(8), 1440-1451. https://doi.org/10.1016/j.jbankfin.2007.12.001

24. Kaufmann, D., Kraay, A., & Mastruzzi, M. (2009). Governance matters VIII: Aggregate and individual governance indicators 1996-2008 (World Bank Policy Research Working Paper No. 4978). World Bank. https://doi.org/10.1596/1813-9450-4978

25. Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33-50.

26. Laeven, L., & Levine, R. (2009). Bank governance, regulation and risk taking. Journal of Financial Economics, 93(2), 259-275. https://doi.org/10.1016/j.jfineco.2008.09.003

27. Laeven, L., & Majnoni, G. (2003). Loan loss provisioning and economic slowdowns: Too much, too late? Journal of Financial Intermediation, 12(2), 178-197. https://doi.org/10.1016/S1042-9573(03)00016-0

28. Lepetit, L., & Strobel, F. (2013). Bank insolvency risk and time-varying Z-score measures. Journal of International Financial Markets, Institutions and Money, 25, 73-87. https://doi.org/10.1016/j.intfin.2013.01.004

29. Marcus, A. J. (1984). Deregulation and bank financial policy. Journal of Banking & Finance, 8(4), 557-565. https://doi.org/10.1016/S0378-4266(84)80046-1

30. Merton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. The Journal of Finance, 29(2), 449-470. https://doi.org/10.1111/j.1540-6261.1974.tb03058.x

31. Ngân hàng Nhà nước Việt Nam (2024). Báo cáo về tình hình nợ xấu và tỷ lệ tín dụng trên tổng sản phẩm quốc nội năm 2023. Dẫn theo VnEconomy. https://vneconomy.vn/canh-bao-no-xau-noi-bang-toan-he-thong-la-4-55-va-ty-le-tin-dung-gdp-khoang-133.htm

32. Ngân hàng Nhà nước Việt Nam. (2025). Thông tư số 14/2025/TT-NHNN ngày 30 tháng 6 năm 2025 quy định tỷ lệ an toàn vốn đối với ngân hàng thương mại, chi nhánh ngân hàng nước ngoài.

33. Nguyễn Minh Phương, Trần Thúy Anh, Bùi Thị Dạ Lý, Trần Bình Minh, & Đinh Phương Hà (2024). Tác động của công bố thông tin ESG tới khả năng sinh lời của ngân hàng thương mại Việt Nam. Tạp chí Kinh tế và Phát triển, (330), 23-33. https://doi.org/10.33301/JED.VI.2063

34. Nguyen, N. B., & Nguyen, H. D. (2024). Impacts of digital transformation and Basel III implementation on the credit risk level of Vietnamese commercial banks. International Journal of Financial Studies, 12(3), 91. https://doi.org/10.3390/ijfs12030091

35. Nguyễn Phạm Minh Uyên, & Phạm Thu Thủy. (2025). The impact of ESG disclosure on credit risk of commercial banks in Vietnam. Journal of Economic and Banking Studies, 5(1), 20-34. https://doi.org/10.59276/JEBS.2025.06.2702

36. Ni, Q., Zhang, L., & Wu, C. (2023). FinTech and commercial bank risks: The moderating effect of financial regulation. Finance Research Letters, 58, 104536. https://doi.org/10.1016/j.frl.2023.104536

37. Quang Hưng (2026, March 2). Nợ xấu ngân hàng vượt 10 tỷ USD: Không phải BIDV hay VPBank, đây mới là nhà băng có nhiều nợ xấu nhất. CafeF. https://cafef.vn/no-xau-ngan-hang-vuot-10-ty-usd-khong-phai-bidv-hay-vpbank-day-moi-la-nha-bang-co-nhieu-no-xau-nhat-188260302005611233.chn

38. Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136. https://doi.org/10.1177/1536867X0900900106

39. Sargan, J. D. (1958). The estimation of economic relationships using instrumental variables. Econometrica, 26(3), 393-415. https://doi.org/10.2307/1907619

40. Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87(3), 355-374. https://doi.org/10.2307/1882010

41. Stiglitz, J. E., & Weiss, A. (1981). Credit rationing in markets with imperfect information. The American Economic Review, 71(3), 393-410.

42. Svirydzenka, K. (2016). Introducing a new broad-based index of financial development (IMF Working Paper No. 16/5). International Monetary Fund. https://doi.org/10.5089/9781513583709.001

43. Thakor, A. V. (2020). Fintech and banking: What do we know? Journal of Financial Intermediation, 41, 100833. https://doi.org/10.1016/j.jfi.2019.100833

44. Windmeijer, F. (2005). A finite sample correction for the variance of linear efficient two-step GMM estimators. Journal of Econometrics, 126(1), 25-51. https://doi.org/10.1016/j.jeconom.2004.02.005

45. Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT Press.

46. World Bank (2026). World Development Indicators [Data set]. https://databank.worldbank.org/source/world-development-indicators

47. Yudaruddin, R., Soedarmono, W., Nugroho, B. A., Fitrian, Z., Mardiany, M., Purnomo, A. H., & Santi, E. N. (2023). Financial technology and bank stability in an emerging market economy. Heliyon, 9(5), e16183. https://doi.org/10.1016/j.heliyon.2023.e16183