Original Title: The Effect of Credit Risk on the Financial Performance of Commercial Banks in Vietnam
Source: doi.org/10.31817/vjas.2024.7.2.06
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ឥទ្ធិពលនៃហានិភ័យឥណទានទៅលើដំណើរការហិរញ្ញវត្ថុរបស់ធនាគារពាណិជ្ជនៅប្រទេសវៀតណាម

ចំណងជើងដើម៖ The Effect of Credit Risk on the Financial Performance of Commercial Banks in Vietnam

អ្នកនិពន្ធ៖ Dang Thi Hai Yen (Vietnam National University of Agriculture), Pham Le Thao Trang (Hanoi - Amsterdam Highschool for the Gifted), Nguyen Thi Huong (Vietnam National University of Agriculture), Dao Thi Hoang Anh (Vietnam National University of Agriculture)

ឆ្នាំបោះពុម្ព៖ 2024, Vietnam Journal of Agricultural Sciences

វិស័យសិក្សា៖ Finance and Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ធនាគារពាណិជ្ជក្នុងប្រទេសវៀតណាមកំពុងប្រឈមនឹងហានិភ័យឥណទាន ជាពិសេសការកើនឡើងនៃឥណទានមិនដំណើរការ (NPL) ដែលអាចប៉ះពាល់យ៉ាងខ្លាំងដល់ប្រាក់ចំណេញ និងស្ថិរភាពនៃប្រព័ន្ធធនាគារទាំងមូល។ ការសិក្សានេះវាយតម្លៃពីផលប៉ះពាល់នៃហានិភ័យឥណទានទៅលើដំណើរការហិរញ្ញវត្ថុរបស់ធនាគារពាណិជ្ជក្នុងបរិបទនៃបំរែបំរួលសេដ្ឋកិច្ច និងវិបត្តិជំងឺកូវីដ-១៩។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រមូលទិន្នន័យបន្ទះ (Panel Data) ពីរបាយការណ៍ហិរញ្ញវត្ថុរបស់ធនាគារពាណិជ្ជចំនួន ៣០ ក្នុងប្រទេសវៀតណាមចន្លោះឆ្នាំ ២០១៧ ដល់ ២០២២ ដោយប្រើប្រាស់គំរូវិភាគតំរែតំរង់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Pooled Ordinary Least Square (OLS)
គំរូតំរែតំរង់ការេអប្បបរមាធម្មតា
ងាយស្រួលក្នុងការគណនា និងសន្មត់ថាឥរិយាបទរបស់ក្រុមហ៊ុនឬស្ថាប័ននីមួយៗគឺថេរនៅគ្រប់ពេលវេលា។ មិនបានគិតគូរពីលក្ខណៈដាច់ដោយឡែករបស់ធនាគារនីមួយៗ ដែលអាចធ្វើឱ្យមានភាពលម្អៀងក្នុងការប៉ាន់ស្មានលទ្ធផល។ ត្រូវបានច្រានចោលក្នុងការសិក្សានេះដោយការធ្វើតេស្ត F-test (p < 0.05) ដែលបង្ហាញថាវាមិនស័ក្តិសមសម្រាប់សំណុំទិន្នន័យ Panel នេះទេ។
Random Effects Model (REM)
គំរូផលប៉ះពាល់ចៃដន្យ
អាចវិភាគអថេរដែលមិនប្រែប្រួលតាមពេលវេលា និងមានប្រសិទ្ធភាពខ្ពស់នៅពេលដែលកំហុសចៃដន្យមិនមានទំនាក់ទំនងជាមួយអថេរឯករាជ្យ។ អាចផ្តល់លទ្ធផលមិនត្រឹមត្រូវ ប្រសិនបើមានទំនាក់ទំនងរវាងកត្តាផ្ទៃក្នុងដែលមិនអាចសង្កេតឃើញជាមួយអថេរឯករាជ្យក្នុងគំរូ។ ត្រូវបានច្រានចោលដោយការធ្វើតេស្ត Hausman test (p < 0.05) ដែលបញ្ជាក់ថាមានទំនាក់ទំនងរវាងកំហុស និងអថេរឯករាជ្យ។
Fixed Effects Model (FEM) with Adjusted Standard Errors
គំរូផលប៉ះពាល់ថេរ ដែលមានការកែតម្រូវកំហុសស្តង់ដារ
អាចគ្រប់គ្រងកត្តាដាច់ដោយឡែកនៃធនាគារនីមួយៗដែលមិនអាចសង្កេតឃើញ និងអាចដោះស្រាយបញ្ហា Autocorrelation បានយ៉ាងមានប្រសិទ្ធភាព។ មិនអាចប៉ាន់ស្មាន ឬវិភាគឥទ្ធិពលនៃអថេរទាំងឡាយណាដែលមិនមានការប្រែប្រួលតាមពេលវេលាបានឡើយ។ ជាគំរូដែលត្រូវបានជ្រើសរើសយកមកវិភាគ ដោយរកឃើញថាការកើនឡើង ១% នៃ NPL ធ្វើឱ្យ ROE ធ្លាក់ចុះ ០.៣៥៨% និង ROA ធ្លាក់ចុះ ០.០៣៧%។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនតម្រូវឱ្យមានប្រព័ន្ធ Hardware ស្មុគស្មាញនោះទេ ប៉ុន្តែទាមទារនូវកម្មវិធីស្ថិតិឯកទេស និងទិន្នន័យហិរញ្ញវត្ថុផ្លូវការដែលមានភាពច្បាស់លាស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងដោយផ្តោតលើទិន្នន័យធនាគារពាណិជ្ជចំនួន ៣០ នៅប្រទេសវៀតណាម (២០១៧-២០២២) ដែលគ្របដណ្តប់លើដំណាក់កាលនៃវិបត្តិជំងឺកូវីដ-១៩។ ដោយសាររចនាសម្ព័ន្ធសេដ្ឋកិច្ច ការពឹងផ្អែកលើឥណទានធនាគារ និងអាកប្បកិរិយារបស់ប្រជាជនក្នុងប្រទេសវៀតណាមមានភាពស្រដៀងគ្នាច្រើនទៅនឹងប្រទេសកម្ពុជា លទ្ធផលទិន្នន័យនេះផ្តល់ជារូបភាពប្រហាក់ប្រហែលគ្នាក្នុងការតាមដាន និងគ្រប់គ្រងហានិភ័យឥណទាន (NPL) ដែលកំពុងកើនឡើងនៅកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រវិភាគ និងរបកគំហើញនៃការសិក្សានេះពិតជាមានអត្ថប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់ពង្រឹងប្រព័ន្ធហិរញ្ញវត្ថុនៅកម្ពុជា។

ជារួម ក្របខ័ណ្ឌនៃការសិក្សានេះផ្តល់ជាមូលដ្ឋានគ្រឹះដ៏សំខាន់មួយសម្រាប់អ្នករៀបចំគោលនយោបាយនៅកម្ពុជា ក្នុងការតម្រង់ទិសដៅធ្វើយ៉ាងណាឱ្យស្ថាប័នហិរញ្ញវត្ថុរក្សាបាននូវតុល្យភាពរវាងកំណើនប្រាក់ចំណេញ និងស្ថិរភាពនៃហានិភ័យ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ប្រមូលទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ច និងរបាយការណ៍ហិរញ្ញវត្ថុ: ទាញយកទិន្នន័យជាទម្រង់ Panel Data (ដូចជាសូចនាករប្រាក់ចំណេញ ROE, ROA និង អនុបាតឥណទានមិនដំណើរការ NPL) រយៈពេល៥ទៅ១០ឆ្នាំ ពីរបាយការណ៍ប្រចាំឆ្នាំរបស់ធនាគារជាតិរដ្ឋាភិបាល (NBC) និងគេហទំព័រផ្លូវការរបស់ធនាគារពាណិជ្ជនៅកម្ពុជា។
  2. រៀបចំ និងសម្អាតសំណុំទិន្នន័យ (Data Preprocessing): ប្រើប្រាស់កម្មវិធី Microsoft ExcelSTATA ដើម្បីសម្អាតទិន្នន័យដែលបាត់បង់ (Missing Values) និងរៀបចំរចនាសម្ព័ន្ធអថេរ (Variables) រួមមានអថេរឯករាជ្យ អថេរអាស្រ័យ និងអថេរត្រួតពិនិត្យ (Control Variables ដូចជា GDP, CIR) ឱ្យមានភាពត្រឹមត្រូវសម្រាប់ការវិភាគតំរែតំរង់។
  3. ដំណើរការតេស្តជ្រើសរើសម៉ូដែលស្ថិតិ: ប្រើប្រាស់កម្មវិធី STATA ដើម្បីដំណើរការតំរែតំរង់ OLS, FEM, និង REM។ បន្ទាប់មក ត្រូវធ្វើការប្រៀបធៀបដោយប្រើ F-test, Breusch-Pagan LM test, និង Hausman test ដើម្បីសម្រេចជ្រើសរើសយកម៉ូដែលមួយដែលត្រឹមត្រូវបំផុតសម្រាប់ទិន្នន័យកម្ពុជា។
  4. ត្រួតពិនិត្យភាពត្រឹមត្រូវនៃគំរូ (Robustness & Diagnostic Tests): ដើម្បីធានាថាគំរូមិនមានភាពលម្អៀង ត្រូវដំណើរការការធ្វើតេស្ត VIF test សម្រាប់ពិនិត្យមើលបញ្ហា Multicollinearity ព្រមទាំងធ្វើតេស្ត Wald test និង Wooldridge test ហើយកែតម្រូវចម្លើយដោយប្រើ Adjusted Standard Errors ប្រសិនបើមានបញ្ហា Heteroskedasticity ឬ Autocorrelation។
  5. បកស្រាយលទ្ធផល និងសរសេររបាយការណ៍ផ្តល់អនុសាសន៍: ទាញយកមេគុណ (Coefficients) និងកម្រិតអត្ថន័យស្ថិតិ (P-values) ពីការវិភាគ ដើម្បីសន្និដ្ឋានពីទំហំនៃផលប៉ះពាល់របស់ NPL មកលើការអនុវត្តហិរញ្ញវត្ថុ។ សរសេរជារបាយការណ៍ស្រាវជ្រាវ ដោយផ្តល់ជាអនុសាសន៍ជាក់ស្តែងសម្រាប់ស្ថាប័នពាក់ព័ន្ធក្នុងការរៀបចំយុទ្ធសាស្ត្រ Credit Risk Management ប្រកបដោយប្រសិទ្ធភាព។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Fixed Effects Model (គំរូផលប៉ះពាល់ថេរ) វិធីសាស្រ្តស្ថិតិដែលប្រើសម្រាប់វិភាគទិន្នន័យបន្ទះ (Panel Data) ដោយជួយគ្រប់គ្រង និងកាត់បន្ថយឥទ្ធិពលនៃកត្តាថេរផ្ទៃក្នុងរបស់ធនាគារនីមួយៗ (ដូចជាទម្លាប់នៃការគ្រប់គ្រង ឬវប្បធម៌ក្រុមហ៊ុន) ដែលយើងមិនអាចវាស់វែងបាន ដើម្បីឱ្យការប៉ាន់ស្មានផលប៉ះពាល់នៃអថេរផ្សេងៗទៀតមានភាពត្រឹមត្រូវ។ ដូចជាការវាស់ស្ទង់ពិន្ទុប្រឡងរបស់សិស្សដោយដកកត្តាទេពកោសល្យពីកំណើតចេញ ដើម្បីមើលថាតើការខិតខំរៀនសូត្រសុទ្ធសាធជួយឱ្យពិន្ទុកើនឡើងប៉ុន្មានពិតប្រាកដ។
Non-performing loan (ឥណទានមិនដំណើរការ ឬបំណុលខូច) ប្រាក់កម្ចីដែលអតិថិជនខកខានមិនបានសងការប្រាក់ ឬប្រាក់ដើមតាមកាលកំណត់ (ជាទូទៅលើសពី ៩០ ថ្ងៃ) ដែលតម្រូវឱ្យធនាគារត្រូវកាត់កងប្រាក់ចំណេញមកធ្វើជាទុនបម្រុងហានិភ័យដើម្បីទប់ទល់នឹងការខាតបង់។ ដូចជាការឱ្យមិត្តភក្តិខ្ចីលុយ ហើយគេគេចវេសមិនសង ដែលធ្វើឱ្យយើងបាត់បង់ទាំងលុយ និងឱកាសយកលុយនោះទៅរកស៊ីបន្ត។
Return on Equity (ប្រាក់ចំណេញលើមូលធន) សូចនាករហិរញ្ញវត្ថុដែលវាស់ស្ទង់សមត្ថភាពរបស់ធនាគារក្នុងការបង្កើតប្រាក់ចំណេញសុទ្ធដោយផ្អែកលើទុនវិនិយោគដែលបានមកពីម្ចាស់ភាគហ៊ុន។ វាបង្ហាញពីប្រសិទ្ធភាពនៃការប្រើប្រាស់ទុនដើម្បីបង្កើតប្រាក់ចំណេញ។ ដូចជាការដាក់ទុនរកស៊ី ១០០ ដុល្លារ ហើយចុងឆ្នាំចំណេញបាន ១៥ ដុល្លារ ដែលមានន័យថាទុននីមួយៗបង្កើតផលចំណេញត្រឡប់មកវិញបាន ១៥%។
Cost to income ratio (អនុបាតចំណាយធៀបនឹងចំណូល) រង្វាស់នៃការគ្រប់គ្រងចំណាយប្រតិបត្តិការរបស់ធនាគារ (ដូចជាប្រាក់ខែបុគ្គលិក ថ្លៃទឹកភ្លើង និងបច្ចេកវិទ្យា) ធៀបនឹងចំណូលដែលរកបាន។ អនុបាតនេះកាន់តែទាប មានន័យថាធនាគារមានប្រសិទ្ធភាពកាន់តែខ្ពស់ក្នុងការគ្រប់គ្រងការចំណាយ។ ដូចជាការបើកហាងកាហ្វេ ប្រសិនបើចំណាយថ្លៃបុគ្គលិកនិងថ្លៃឈ្នួលហាងអស់ ៨០ រៀល សម្រាប់រាល់ចំណូលដែលរកបាន ១០០ រៀល នោះបង្ហាញថាការចំណាយនៅមានកម្រិតខ្ពស់ពេក។
Capital Adequacy Ratio (អនុបាតភាពគ្រប់គ្រាន់នៃដើមទុន) ស្តង់ដារវាស់ស្ទង់ភាពរឹងមាំផ្នែកហិរញ្ញវត្ថុរបស់ធនាគារ ដោយធានាថាធនាគារមានដើមទុនបម្រុងគ្រប់គ្រាន់ដើម្បីទប់ទល់នឹងការខាតបង់ដែលអាចកើតមានពីឥណទាន ឬហានិភ័យផ្សេងៗ មុនពេលឈានដល់ការក្ស័យធន។ ដូចជាការពាក់មួកសុវត្ថិភាព និងអាវក្រោះការពារពេលជិះម៉ូតូ ដើម្បីធានាថាបើមានគ្រោះថ្នាក់ដួល យើងនៅតែមានសុវត្ថិភាពដល់ជីវិត។
Net interest margin (រឹមចំណេញការប្រាក់សុទ្ធ) ភាពខុសគ្នារវាងការប្រាក់ដែលធនាគារទទួលបានពីការផ្តល់ប្រាក់កម្ចី និងការប្រាក់ដែលធនាគារត្រូវបើកឱ្យអតិថិជនដែលដាក់ប្រាក់បញ្ញើ ចែកនឹងទ្រព្យសកម្មសរុបដែលបង្កើតការប្រាក់។ វាវាស់ស្ទង់ភាពជោគជ័យនៃការសម្រេចចិត្តវិនិយោគរបស់ធនាគារ។ ដូចជាអ្នករកស៊ីទិញទំនិញបោះដុំក្នុងតម្លៃថោក ហើយលក់រាយក្នុងតម្លៃថ្លៃ ឯប្រាក់ចំណេញដែលសល់គឺជាភាពជោគជ័យនៃការលក់នោះ។
Panel Data (ទិន្នន័យបន្ទះ) សំណុំទិន្នន័យដែលតាមដាននិងប្រមូលព័ត៌មានពីអង្គភាពតែមួយ (ឧទាហរណ៍៖ ធនាគារទាំង៣០) ក្នុងរយៈពេលច្រើនឆ្នាំបន្តបន្ទាប់គ្នា (២០១៧-២០២២) ដើម្បីសិក្សាពីការវិវត្តន៍ និងបម្រែបម្រួលតាមពេលវេលា។ ដូចជាការថតរូបសិស្សម្នាក់ៗជារៀងរាល់ឆ្នាំតាំងពីថ្នាក់ទី១ដល់ទី១២ ដើម្បីមើលពីការលូតលាស់របស់ពួកគេ ជំនួសឱ្យការថតរូបសិស្សទាំងអស់តែមួយដងក្នុងឆ្នាំនេះ។
Heteroskedasticity (បញ្ហាបំរែបំរួលកំហុសមិនថេរ) បញ្ហាក្នុងការវិភាគស្ថិតិដែលកើតឡើងនៅពេលដែលទំហំនៃកំហុស (Error) របស់ទិន្នន័យមានការប្រែប្រួលមិនស្មើគ្នា ដែលអាចធ្វើឱ្យការធ្វើតេស្តសម្មតិកម្មផ្តល់លទ្ធផលខុស ឬគ្មានភាពជឿជាក់ ប្រសិនបើមិនមានការប្រើប្រាស់បច្ចេកទេសកែតម្រូវ។ ដូចជាការបាញ់ស៊ីបដោយកាំភ្លើងដែលពេលខ្លះបាញ់ចំគោលដៅល្អ តែពេលខ្លះគ្រាប់ខ្ទាតទៅឆ្ងាយខុសប្រក្រតីដែលយើងមិនអាចទាយទុកជាមុនបាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖