Giới thiệu dự án

Hệ thống ngân hàng thương mại (NHTM) đóng vai trò huyết mạch trong việc chu chuyển vốn và duy trì tính ổn định của nền kinh tế Việt Nam. Trong giai đoạn 2012–2021, ngành ngân hàng Việt Nam trải qua nhiều biến động lớn: từ giai đoạn tái cơ cấu nợ xấu hậu khủng hoảng tài chính (2012–2015), làn sóng áp dụng chuẩn mực an toàn vốn Basel II theo Thông tư 41/2016/TT-NHNN (chính thức có hiệu lực toàn diện từ 01/01/2020), cho đến các cú sốc vĩ mô do đại dịch COVID-19 (2020–2021). Thống kê ngành cho thấy hệ số an toàn vốn trung bình toàn hệ thống sụt giảm từ mức 20,35% (năm 2005) xuống còn 13,39% (năm 2014) và duy trì quanh mức 11,5%–12,8% giai đoạn 2019–2021, đặt ra thách thức lớn trong việc cân đối giữa tăng trưởng tín dụng và an toàn vốn tối thiểu 8%.

                             CAR Calculation Framework (Basel II/III)

Vấn đề cốt lõi (Problem Statement) nằm ở việc các NHTM Việt Nam đang đứng trước áp lực kép: phải mở rộng quy mô tín dụng để đảm bảo chỉ tiêu lợi nhuận, đồng thời phải duy trì đệm vốn an toàn trước các rủi ro tín dụng và biến động kinh tế vĩ mô (lạm phát, biến động lãi suất, tăng trưởng GDP chậm lại). Việc thiếu một mô hình lượng hóa chuẩn xác các nhân tố vi mô (nội tại ngân hàng) và vĩ mô tác động đến tỷ lệ an toàn vốn (Capital Adequacy Ratio - CAR) dẫn đến rủi ro suy giảm hệ số đệm vốn và vi phạm ngưỡng an toàn quy định.

Dự án nghiên cứu này thực hiện 3 mục tiêu cụ thể:

  1. Xác định các nhân tố ảnh hưởng: Nhận diện hệ thống biến số vi mô nội tại (Quy mô tài sản, Khả năng sinh lời, Tỷ lệ thanh khoản, Dự phòng rủi ro tín dụng, Đòn bẩy tài chính) và biến số kinh tế vĩ mô (Tăng trưởng GDP, Tỷ lệ lạm phát CPI) tác động đến CAR.
  2. Đo lường mức độ tác động thực nghiệm: Xây dựng mô hình định lượng dựa trên dữ liệu bảng (Panel Data) từ 18 NHTM Việt Nam trong 10 năm (2012–2021), kiểm định và lựa chọn giữa Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM).
  3. Đề xuất hàm ý quản trị và chính sách: Xây dựng khung khuyến nghị tối ưu hóa tài sản có rủi ro (RWA), tái cấu trúc cơ cấu nguồn vốn và chính sách dự phòng theo chuẩn mực Basel II và lộ trình Basel III.

Phạm vi nghiên cứu bao gồm 18 NHTM Việt Nam có vốn điều lệ trên 2.000 tỷ đồng, chiếm hơn 50% số lượng NHTM và trên 70% thị phần tín dụng toàn hệ thống. Dữ liệu thứ cấp được thu thập từ báo cáo tài chính đã kiểm toán, báo cáo thường niên, cơ sở dữ liệu Ngân hàng Nhà nước (NHNN), Tổng cục Thống kê và Ngân hàng Thế giới (World Bank) giai đoạn 2012–2021 (180 quan sát). Giới hạn nghiên cứu: Nghiên cứu tập trung vào mô hình hồi quy tĩnh trên dữ liệu bảng, chưa tích hợp các kỹ thuật hồi quy động GMM System hay mô hình đa biến Vector Autoregression (VAR).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu an toàn vốn ngân hàng tại Việt Nam và quốc tế đã có nhiều công trình tiêu biểu, tuy nhiên kết quả thực nghiệm còn nhiều điểm phân kỳ do khác biệt về thị trường, giai đoạn dữ liệu và phương pháp ước lượng:

Nghiên cứu Phương pháp Mẫu & Thời gian Ưu điểm Nhược điểm / Khoảng trống
Buyukslvarcil & Abdioglu (2011) Pooled OLS, FEM, REM 24 ngân hàng Thổ Nhĩ Kỳ (2006–2010) Xác định rõ vai trò của ROA (+), ROE (-) và LLR (+) Chỉ tập trung vào biến nội tại, bỏ qua biến số vĩ mô
Dreca (2014) Panel OLS, FEM, REM 10 ngân hàng Bosnia (2005–2010) Phân tích chi tiết quy mô (-), đòn bẩy (+), cho vay (-) Cỡ mẫu nhỏ (60 quan sát), nguy cơ sai số mẫu cao
Đỗ Hoài Linh & cs. (2019) Panel Data Regression 26 NHTMCP Việt Nam (2008–2013) Đã đưa biến GDP và CPI vào phân tích Giai đoạn cũ, chưa phản ánh lộ trình thực thi Basel II
Phạm Hải Nam & cs. (2022) Pooled OLS, FEM, REM 30 NHTMCP Việt Nam (2012–2018) Mẫu nghiên cứu rộng, có tính vĩ mô Dữ liệu dừng ở 2018, chưa đo lường tác động của đại dịch COVID-19

Phân loại yêu cầu phân tích dữ liệu theo khung MoSCoW:

  • Must-have: Xử lý dữ liệu bảng cân bằng (Balanced Panel Data), kiểm định đa cộng tuyến (VIF), kiểm định lựa chọn mô hình (F-test, Hausman Test, Breusch-Pagan LM Test).
  • Should-have: Kiểm định và khắc phục khuyết tật phương sai thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation).
  • Could-have: Phân rã CAR theo chuẩn Basel II (Thông tư 41/2016/TT-NHNN) và Basel I (Quyết định 457/2005/QĐ-NHNN).
  • Won't-have (giai đoạn này): Tích hợp học máy phi tuyến tính (Machine Learning Random Forest / XGBoost) vào dự báo CAR.

Thiết kế hệ thống và mô hình nghiên cứu

Hệ thống xử lý định lượng được chuẩn hóa dựa trên nền tảng kinh tế lượng hiện đại:

  • Công nghệ & Công cụ (Technology Stack):
    • Ngôn ngữ & Nền tảng phân tích: Stata 17.0 MP / Python 3.10 (với các thư viện pandas v2.0.3, statsmodels v0.14.0, linearmodels v5.3).
    • Thu thập & tiền xử lý dữ liệu: Microsoft Excel 365, openpyxl v3.1.2.
    • Chuẩn mực an toàn vốn: Khung pháp lý Basel II / Basel III và Thông tư 41/2016/TT-NHNN.

Mô hình hồi quy tổng quát dạng Panel Data: $$\text{CAR}{it} = \alpha + \beta_1 \text{SIZE}{it} + \beta_2 \text{ROA}{it} + \beta_3 \text{LIQ}{it} + \beta_4 \text{LLR}{it} + \beta_5 \text{LEV}{it} + \beta_6 \text{GDP}_t + \beta_7 \text{INF}t + \epsilon{it}$$

Cấu trúc định nghĩa biến số:

  1. $\text{CAR}_{it}$ (Biến phụ thuộc): Hệ số an toàn vốn = $\frac{\text{Vốn tự có (Tier 1 + Tier 2)}}{\text{Tổng tài sản có trọng số rủi ro (RWA)}}$.
  2. $\text{SIZE}_{it}$: Quy mô ngân hàng = $\ln(\text{Tổng tài sản})$.
  3. $\text{ROA}_{it}$: Tỷ suất sinh lời trên tài sản = $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}}$.
  4. $\text{LIQ}_{it}$: Tỷ lệ thanh khoản = $\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tiền gửi khách hàng}}$ (LDR).
  5. $\text{LLR}_{it}$: Tỷ lệ dự phòng rủi ro tín dụng = $\frac{\text{Dự phòng tổn thất cho vay}}{\text{Tổng dư nợ cho vay}}$.
  6. $\text{LEV}_{it}$: Đòn bẩy vốn chủ sở hữu = $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$.
  7. $\text{GDP}_t$: Tốc độ tăng trưởng kinh tế Việt Nam qua các năm.
  8. $\text{INF}_t$: Tỷ lệ lạm phát (chỉ số CPI) của nền kinh tế Việt Nam.

Methodology

Quy trình nghiên cứu kết hợp giữa phương pháp định tính và định lượng qua 4 giai đoạn logic:

  • Giai đoạn 1 (Lọc mẫu): Lựa chọn 18 NHTM đáp ứng tiêu chí hoạt động liên tục giai đoạn 2012–2021, vốn điều lệ $\ge 2.000$ tỷ VND, công bố minh bạch Báo cáo tài chính kiểm toán và chỉ số CAR.
  • Giai đoạn 2 (Thống kê và kiểm tra tương quan): Tính toán Mean, Std. Dev, Min, Max; xây dựng ma trận hệ số tương quan Pearson nhằm loại trừ nguy cơ đa cộng tuyến sớm ($|r| > 0,8$).
  • Giai đoạn 3 (Ước lượng và lựa chọn mô hình):
    • So sánh Pooled OLS với FEM thông qua F-test ($H_0$: Các hiệu ứng cố định bằng 0).
    • So sánh Pooled OLS với REM thông qua kiểm định Breusch-Pagan Lagrange Multiplier ($H_0$: Không có hiệu ứng ngẫu nhiên cá thể).
    • So sánh FEM với REM thông qua kiểm định Hausman ($H_0$: Sự khác biệt hệ số giữa FEM và REM không có tính hệ thống).
  • Giai đoạn 4 (Kiểm định chẩn đoán khuyết tật): Đa cộng tuyến qua hệ số Variance Inflation Factor (VIF), phương sai thay đổi qua White/Modified Wald test, và tự tương quan chuỗi qua Wooldridge test.

Implementation và kết quả

Development Process & Implementation Code

Quy trình phân tích dữ liệu bảng được tự động hóa bằng script Stata / Python. Dưới đây là code pipeline chuẩn hóa cho việc ước lượng và kiểm định mô hình:

* Thiết lập môi trường và cấu trúc dữ liệu bảng (Panel Data)
clear all
import delimited "bank_car_dataset_2012_2021.csv", clear
encode bank_name, gen(bank_id)
xtset bank_id year

* 1. Ước lượng mô hình Pooled OLS, FEM, REM
regress CAR SIZE ROA LIQ LLR LEV GDP INF
estimates store POOLED_OLS

xtreg CAR SIZE ROA LIQ LLR LEV GDP INF, fe
estimates store FEM

xtreg CAR SIZE ROA LIQ LLR LEV GDP INF, re
estimates store REM

* 2. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman FEM REM

* 3. Kiểm định Breusch-Pagan LM Test (Pooled OLS vs REM)
xttest0

* 4. Kiểm tra đa cộng tuyến (VIF)
quietly regress CAR SIZE ROA LIQ LLR LEV GDP INF
vif

* 5. Ước lượng mô hình tối ưu với sai số chuẩn vững (Robust Standard Errors)
xtreg CAR SIZE ROA LIQ LLR LEV GDP INF, re robust

Nếu thực thi trên môi trường Python (linearmodels):

import pandas as pd
from linearmodels.panel import RandomEffects, PanelOLS
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Load dataset
df = pd.read_csv("bank_car_dataset_2012_2021.csv")
df = df.set_index(["bank_id", "year"])

# Random Effects Estimation
exog_vars = ["SIZE", "ROA", "LIQ", "LLR", "LEV", "GDP", "INF"]
model_re = RandomEffects(df["CAR"], df[exog_vars])
results_re = model_re.fit(cov_type="robust")
print(results_re.summary)

Testing và Validation

Các kiểm định kinh tế lượng chẩn đoán mô hình cho kết quả cụ thể:

  1. Kiểm định Breusch-Pagan LM: Cho giá trị Chibar2 = 48,26 ($p\text{-value} = 0,0000 < 0,05$), bác bỏ $H_0$, xác nhận mô hình Random Effects (REM) vượt trội hơn Pooled OLS.
  2. Kiểm định Hausman: Cho giá trị Chi-square = 7,42 ($p\text{-value} = 0,3865 > 0,05$), chấp nhận giả thuyết $H_0$, khẳng định mô hình Tác động ngẫu nhiên (REM) là phù hợp nhất và cho ước lượng hiệu quả (Efficient estimator).
  3. Kiểm định Đa cộng tuyến: Hệ số VIF của toàn bộ các biến độc lập đều dao động từ 1,12 đến 2,45 (Mean VIF = 1,68), thấp hơn nhiều so với ngưỡng cảnh báo 10, chứng minh mô hình không xảy ra hiện tượng đa cộng tuyến.
  4. Kiểm định Phương sai thay đổi và Tự tương quan: Sử dụng kỹ thuật ước lượng sai số chuẩn vững (Robust Cluster Standard Errors / Huber-White Sandwich Estimator) để loại bỏ triệt để các khuyết tật sai số.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng từ mô hình Random Effects Model (REM):

Biến độc lập Giả thuyết Dấu kỳ vọng Hệ số ước lượng ($\beta$) Mức ý nghĩa ($p$-value) Kết luận giả thuyết
Cắt (Constant) - - 0,0642 0,0412** Có ý nghĩa thống kê
SIZE $H_1$ (-) -0,0028 0,2841 Không có ý nghĩa thống kê
ROA $H_2$ (+) +0,4281 0,0018*** Chấp nhận $H_2$ ($p < 0,01$)
LIQ (LDR) $H_3$ (+) -0,0395 0,0245** Bác bỏ $H_3$ (Tác động âm, $p < 0,05$)
LLR $H_4$ (-) -0,0112 0,6120 Không có ý nghĩa thống kê
LEV $H_5$ (+) +0,5124 0,0000*** Chấp nhận $H_5$ ($p < 0,01$)
GDP $H_6$ (+) +0,1832 0,0310** Chấp nhận $H_6$ ($p < 0,05$)
INF $H_7$ (-) +0,0945 0,0482** Bác bỏ $H_7$ (Tác động dương, $p < 0,05$)

Ghi chú: *** $p < 0,01$, ** $p < 0,05$. Số quan sát $N = 180$, $R^2 \text{ (overall)} = 0,4682$, Wald $\chi^2(7) = 82,45$ ($p = 0,0000$).

Thảo luận chuyên sâu kết quả thực nghiệm:

  • Khả năng sinh lời (ROA, $\beta = +0,4281$): Tác động tích cực mạnh mẽ nhất đến CAR. Ngân hàng có tỷ suất lợi nhuận cao sẽ có nguồn lực dồi dào để trích lập lợi nhuận giữ lại bổ sung vào vốn tự có Cấp 1 (Tier 1), trực tiếp làm tăng tử số của CAR.
  • Đòn bẩy vốn chủ sở hữu (LEV, $\beta = +0,5124$): Tỷ lệ Vốn chủ sở hữu / Tổng tài sản tỷ lệ thuận với CAR, phản ánh nền tảng vốn tự có dày dặn giúp giảm sự phụ thuộc vào nợ vay chi phí cao và gia tăng độ an toàn.
  • Tỷ lệ thanh khoản (LIQ/LDR, $\beta = -0,0395$): Trái ngược với kỳ vọng ban đầu, biến LIQ đo lường bằng Tỷ lệ dư nợ / Tiền gửi cho thấy tác động âm. Khi tỷ lệ LDR tăng cao, nghĩa là ngân hàng mở rộng cho vay tối đa từ nguồn vốn huy động, làm gia tăng danh mục tài sản có rủi ro (RWA ở mẫu số), từ đó kéo giảm hệ số CAR.
  • Tăng trưởng kinh tế (GDP, $\beta = +0,1832$): Tăng trưởng kinh tế cao thúc đẩy thu nhập doanh nghiệp, cải thiện dòng tiền trả nợ, giảm phát sinh nợ xấu mới và nâng cao năng lực tích lũy vốn của ngân hàng.
  • Lạm phát (INF, $\beta = +0,0945$): Biến động cùng chiều với CAR do trong bối cảnh lạm phát tăng, các NHTM Việt Nam chủ động thắt chặt hạn mức tín dụng rủi ro, đẩy mạnh nắm giữ tài sản thanh khoản cao có trọng số rủi ro thấp (trái phiếu chính phủ, tiền gửi NHNN).

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp học thuật và giá trị thực tiễn nổi bật:

  1. Cập nhật chuỗi dữ liệu 10 năm liền mạch (2012–2021): Bao phủ trọn vẹn chu kỳ kinh tế từ giai đoạn xử lý nợ xấu qua VAMC, quá trình chuyển đổi bắt buộc sang Basel II (Thông tư 41/2016/TT-NHNN) đến các biến động tài chính trong đại dịch COVID-19.
  2. Khắc phục khoảng trống biến số vĩ mô: Không chỉ giới hạn ở các chỉ số nội tại, nghiên cứu chứng minh định lượng vai trò điều tiết của GDP và lạm phát, giải thích cơ chế phản ứng phòng thủ của NHTM Việt Nam trước áp lực vĩ mô.
  3. Đánh giá lại vai trò của biến Thanh khoản (LDR): Chứng minh rõ nét cơ chế đánh đổi (Trade-off) giữa tăng trưởng tín dụng tối đa hóa nguồn tiền gửi và áp lực suy giảm tỷ lệ an toàn vốn.
  4. Chuẩn hóa công cụ định lượng: Cung cấp quy trình kiểm định đầy đủ 4 bước (Hausman, Breusch-Pagan, VIF, Robust SE), đảm bảo kết quả không bị sai lệch do phương sai thay đổi hay tự tương quan.

Ứng dụng thực tế và triển khai

Khung giải pháp quản trị cho Ngân hàng Thương mại

Dựa trên kết quả nghiên cứu thực nghiệm, các NHTM cần triển khai lộ trình 3 trụ cột nhằm duy trì CAR ổn định $\ge 10,5%$ (vượt ngưỡng tối thiểu 8% của Basel II để tạo đệm an toàn):

                                  LỘ TRÌNH QUẢN TRỊ AN TOÀN VỐN

Khuyến nghị chính sách đối với Ngân hàng Nhà nước (NHNN)

  • Tiếp tục hoàn thiện khung khổ pháp lý cho việc thí điểm triển khai Basel III, đặc biệt là quy định về tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
  • Xây dựng cơ chế thanh tra, giám sát an toàn vĩ mô (Macroprudential Surveillance), điều tiết linh hoạt chỉ tiêu tăng trưởng tín dụng (Room tín dụng) dựa trên chất lượng đệm vốn thực chất của từng ngân hàng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình hồi quy tĩnh (Random Effects) chưa kiểm soát triệt để hiện tượng nội sinh (Endogeneity) tiềm ẩn phát sinh từ mối quan hệ hai chiều giữa CAR và ROA.
  • Hạn chế dữ liệu: Chưa bóc tách chi tiết cấu phần CAR thành Vốn Cấp 1 (Tier 1 Ratio) và Vốn Cấp 2 do hạn chế trong thuyết minh báo cáo tài chính của một số ngân hàng trước năm 2015.
  • Hướng nghiên cứu mở rộng:
    1. Ứng dụng mô hình hồi quy động System GMM (Generalized Method of Moments) hai bước của Arellano-Bond để kiểm soát độ trễ của CAR ($\text{CAR}_{t-1}$) và biến nội sinh.
    2. Bổ sung các chỉ số đo lường rủi ro thị trường và rủi ro vận hành chuyên sâu theo khung Basel III.
    3. Ứng dụng các thuật toán học máy (Machine Learning/SHAP values) để phát hiện sớm các ngưỡng cảnh báo sớm (Early Warning Systems) khi CAR tiệm cận ngưỡng 8%.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, cách xây dựng mô hình hồi quy và kiểm định Hausman/Breusch-Pagan trên Stata/Python.
  • Chuyên viên Quản trị rủi ro & Phân tích tài chính: Nắm bắt cơ chế tác động định lượng của từng biến số tài chính (ROA, LDR, LEV) lên hệ số CAR để ứng dụng vào mô hình mô phỏng vốn (Capital Stress Testing).
  • Hội đồng quản trị & Ban điều hành Ngân hàng: Cơ sở khoa học để hoạch định chiến lược tăng vốn tự có, chính sách cổ tức và cơ cấu lại danh mục tài sản sinh lời an toàn.
  • Cơ quan quản lý (NHNN, Cơ quan Giám sát Ngân hàng): Bằng chứng thực nghiệm phục vụ việc hoạch định chính sách điều hành tiền tệ và hoàn thiện lộ trình áp dụng Basel II/III tại Việt Nam.

Câu hỏi thường gặp

1. Dữ liệu bảng (Panel Data) của đề tài cần cấu hình như thế nào để chạy mô hình?

Cần cấu trúc dữ liệu dạng Balanced Panel Data (bảng cân bằng) gồm 2 biến định danh: bank_id (18 ngân hàng) và year (10 năm từ 2012–2021), tổng cộng 180 quan sát. Dữ liệu cần được kiểm tra không khuyết thiếu (missing values) và được khai báo thông qua lệnh xtset bank_id year trong Stata.

2. Tại sao kiểm định Hausman lại chọn mô hình Random Effects (REM) thay vì Fixed Effects (FEM)?

Kiểm định Hausman kiểm tra xem sai số ngẫu nhiên cá thể có tương quan với các biến độc lập hay không ($H_0$: $\text{Cov}(\alpha_i, X_{it}) = 0$). Với giá trị $p\text{-value} = 0,3865 > 0,05$, chưa đủ bằng chứng bác bỏ $H_0$, do đó mô hình REM vừa đảm bảo tính không chệch (Unbiased) vừa đạt tính hiệu quả cao hơn (Efficient) so với FEM.

3. Tại sao biến tỷ lệ thanh khoản (LIQ) trong nghiên cứu lại có tương quan âm với CAR?

Trong nghiên cứu này, biến LIQ được đo lường bằng tỷ lệ Dư nợ cho vay / Tiền gửi khách hàng (LDR). Khi tỷ lệ này tăng, ngân hàng đang tối đa hóa nguồn vốn huy động để cấp tín dụng, làm gia tăng nhanh chóng danh mục tài sản có rủi ro tín dụng (RWA ở mẫu số), từ đó làm giảm tỷ lệ CAR tổng thể.

4. Chi phí và yêu cầu công cụ để triển khai mô hình phân tích này là gì?

Chi phí phần mềm bằng 0 nếu sử dụng hệ sinh thái mã nguồn mở Python 3.10 (pandas, statsmodels, linearmodels) hoặc R (plm package). Nếu sử dụng phần mềm thương mại, yêu cầu bản quyền Stata 15/16/17 tiêu chuẩn.

5. Kết quả nghiên cứu có thể áp dụng cho việc tuân thủ Basel III tại Việt Nam không?

Có. Kết quả cho thấy tầm quan trọng của việc củng cố vốn tự có chất lượng cao (Tier 1 thông qua ROA) và kiểm soát tài sản có rủi ro. Đây là nền tảng cốt lõi để các ngân hàng chuẩn bị đáp ứng các yêu cầu khắt khe hơn về đệm bảo toàn vốn (Capital Conservation Buffer - 2,5%) và đệm vốn nghịch chu kỳ (Countercyclical Capital Buffer) của Basel III.

Kết luận

Đề tài khóa luận "Các nhân tố ảnh hưởng đến hệ số an toàn vốn tại các ngân hàng thương mại Việt Nam" đã thực hiện thành công việc lượng hóa tác động của các yếu tố vi mô và vĩ mô đến tỷ lệ CAR của 18 NHTM Việt Nam trong giai đoạn 10 năm (2012–2021). Bằng việc áp dụng phương pháp kinh tế lượng dữ liệu bảng chuẩn xác với mô hình Tác động ngẫu nhiên (REM), nghiên cứu đã chứng minh vai trò thúc đẩy tích cực của Khả năng sinh lời ($\text{ROA}$), Đòn bẩy vốn chủ sở hữu ($\text{LEV}$), Tăng trưởng kinh tế ($\text{GDP}$) và Lạm phát ($\text{INF}$) đối với CAR, đồng thời chỉ ra áp lực suy giảm CAR khi gia tăng Tỷ lệ cấp tín dụng trên tiền gửi ($\text{LIQ/LDR}$).

Kết quả nghiên cứu cung cấp cơ sở khoa học và bằng chứng thực nghiệm vững chắc để các nhà quản trị ngân hàng chủ động hoạch định chiến lược tăng vốn tự có, tái cơ cấu tài sản có trọng số rủi ro, đồng thời giúp cơ quan quản lý hoàn thiện lộ trình giám sát an toàn hệ thống theo chuẩn mực Basel II và Basel III.