Giới thiệu dự án

Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong nền kinh tế Việt Nam khi cung ứng hơn 70% tổng vốn tín dụng cho toàn bộ hoạt động sản xuất, kinh doanh. Trong giai đoạn 2012–2021, quy mô tài sản của 20 NHTM lớn nhất đã tăng trưởng vượt bậc gấp 2,74 lần (từ 3,13 triệu tỷ VNĐ năm 2012 lên 10,88 triệu tỷ VNĐ năm 2021). Tuy nhiên, các biến động kinh tế vĩ mô cùng cú sốc dịch bệnh COVID-19 giai đoạn 2020–2021 đã tạo ra áp lực gia tăng nợ xấu, biên lãi ròng (NIM) biến động và chi phí vốn tăng cao.

+-----------------------------------------------------------------------------------+
|              KHẢ NĂNG SINH LỜI CỦA HỆ THỐNG NHTM (2012 - 2021)                     |
+-------------------------+-------------------------+-------------------------------+
|  TỔNG TÀI SẢN 20 NHTM   |    TĂNG TRƯỞNG TÍN DỤNG  |         TỶ LỆ NỢ XẤU (NPL)     |
| 10,88 Triệu tỷ VNĐ      |  13,6% - 24,0%          |  Kiểm soát < 2,0% (2015-2021) |
| (Gấp 2,74 lần 2012)     |  (Hạ nhiệt hậu Covid)   |  (Nhờ TT 01/2020/TT-NHNN)     |
+-------------------------+-------------------------+-------------------------------+

Thực trạng này đặt ra vấn đề then chốt: Làm thế nào để xác định chính xác mức độ tác động của các nhân tố nội tại và ngoại cảnh đến khả năng sinh lời (KNSL) của các NHTM để tối ưu hóa hiệu quả hoạt động và phòng ngừa rủi ro phá sản?

Mục tiêu nghiên cứu của đồ án:

  1. Hệ thống hóa cơ sở lý luận và chỉ tiêu đo lường KNSL (ROA, ROE, NIM) của NHTM.
  2. Đánh giá thực trạng tài chính của 20 NHTM Việt Nam có vốn điều lệ trên 5.000 tỷ VNĐ từ 2012 đến 2021.
  3. Xây dựng mô hình định lượng và chạy thực nghiệm kinh tế lượng để đo lường các nhân tố tác động đến ROE.
  4. Đề xuất các giải pháp kỹ thuật tài chính nhằm tối ưu hóa chi phí và quản trị rủi ro thanh khoản.

Phạm vi nghiên cứu tập trung vào 20 NHTM lớn tại Việt Nam với 200 quan sát dạng dữ liệu bảng (Panel Data) trong 10 năm liên tục (2012–2021). Giới hạn nghiên cứu không bao gồm các chi nhánh ngân hàng nước ngoài và ngân hàng chính sách.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu KNSL ngân hàng trước đây thường sử dụng mô hình hồi quy tuyến tính cổ điển (OLS) hoặc phương pháp tĩnh đơn lẻ, dẫn đến hiện tượng chệch do phương sai sai số thay đổi và tự tương quan.

Phương pháp Ưu điểm Nhược điểm Đánh giá độ tin cậy
Pooled OLS Đơn giản, dễ tính toán tham số. Bỏ qua yếu tố đặc thù từng ngân hàng ($u_i$), dễ bị đa cộng tuyến. Thấp với Panel Data
Mô hình FEM/REM Kiểm soát được hiệu ứng cố định hoặc ngẫu nhiên của từng cá thể. Chưa xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan. Trung bình
Mô hình FGLS (Đề xuất) Khắc phục hoàn toàn phương sai sai số thay đổi và tự tương quan bậc nhất. Yêu cầu số quan sát $N \times T$ đủ lớn để ước lượng ma trận hiệp phương sai. Rất cao

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must-have: Dữ liệu chuẩn hóa BCTC từ 20 NHTM; xử lý khuyết tật mô hình (Multicollinearity, Heteroskedasticity, Autocorrelation); kiểm định Hausman và Breusch-Pagan LM.
  • Should-have: Tích hợp các biến vĩ mô ngoại sinh ($GDP$, $INF$) để đo lường cú sốc chu kỳ kinh tế và đại dịch COVID-19.
  • Could-have: Tích hợp các kịch bản stress-test danh mục cho vay.
  • Won't-have: Mô hình phi tuyến tính Machine Learning phức tạp (do yêu cầu cao về tính giải thích tham số kinh tế lượng).

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu và ước lượng mô hình kinh tế lượng được thiết kế chuẩn mực:

Thông số công nghệ và công cụ thực hiện:

  • Ngôn ngữ & Phần mềm: Stata 12.0/17.0, Python 3.10 (pandas, statsmodels, linearmodels).
  • Cơ sở dữ liệu: Báo cáo tài chính kiểm toán hợp nhất 20 NHTM (2012–2021), World Bank Open Data API.
  • Quy chuẩn bảo mật dữ liệu: Lưu trữ dạng tệp tin .dta có gán nhãn biến, sao lưu định kỳ với mã băm MD5 toàn vẹn.

Công thức mô hình tổng quát:

$$ROE_{it} = \beta_1 + \beta_2 NPL_{it} + \beta_3 LTA_{it} + \beta_4 LOAN_{it} + \beta_5 CIR_{it} + \beta_6 LIQ_{it} + \beta_7 EAR_{it} + \beta_8 GDP_{it} + \beta_9 INF_{it} + e_{it}$$

Trong đó:

  • $ROE_{it}$: Tỷ suất sinh lời trên vốn chủ sở hữu bình quân.
  • $NPL_{it}$: Tỷ lệ nợ xấu (Nhóm 3–5 / Tổng dư nợ).
  • $LTA_{it}$: Quy mô ngân hàng, đo bằng $\ln(\text{Tổng tài sản})$.
  • $LOAN_{it}$: Tỷ lệ dư nợ cho vay / Tổng tài sản.
  • $CIR_{it}$: Tỷ lệ chi phí hoạt động trên tổng thu nhập (Cost-to-Income Ratio).
  • $LIQ_{it}$: Tính thanh khoản (Dư nợ cho vay / Tổng tiền gửi).
  • $EAR_{it}$: Tỷ lệ an toàn vốn (Vốn chủ sở hữu / Tổng tài sản).
  • $GDP_{it}$, $INF_{it}$: Tăng trưởng GDP thực tế và Tỷ lệ lạm phát hàng năm.

Methodology

Phương pháp luận kết hợp phân tích định tính (nghiên cứu tài liệu, chính sách NHNN) và định lượng (kinh tế lượng chuỗi thời gian - không gian).

  • Giai đoạn 1 (Milestone M1): Thu thập, làm sạch và chuẩn hóa BCTC của 20 NHTM ($N=20, T=10, N \times T = 200$).
  • Giai đoạn 2 (Milestone M2): Thống kê mô tả, kiểm tra đa cộng tuyến qua ma trận tương quan Pearson và chỉ số VIF.
  • Giai đoạn 3 (Milestone M3): Chạy kiểm định Hausman (chọn giữa Fixed Effect và Random Effect), kiểm định Breusch-Pagan Lagrange Multiplier.
  • Giai đoạn 4 (Milestone M4): Phát hiện khuyết tật và tái ước lượng bằng GLS (Generalized Least Squares).

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực hiện thông qua hệ thống script Stata do-file chuẩn hóa:

* =======================================================
* STATA DO-FILE: ESTIMATION AND ROBUST DIAGNOSTICS
* =======================================================
clear all
set more off
use "bank_profitability_2012_2021.dta", clear

* Khai báo cấu trúc Panel Data
xtset bank_id year

* 1. Thống kê mô tả và ma trận tương quan
summarize roe npl lta loan cir liq ear gdp inf
pwcorr roe npl lta loan cir liq ear gdp inf, star(0.05)

* 2. Kiểm tra đa cộng tuyến với OLS
regress roe npl lta loan cir liq ear gdp inf
estat vif

* 3. Ước lượng FEM và REM
xtreg roe npl lta loan cir liq ear gdp inf, fe
estimates store fixed_model
xtreg roe npl lta loan cir liq ear gdp inf, re
estimates store random_model

* 4. Kiểm định Hausman lựa chọn mô hình
hausman fixed_model random_model

* 5. Kiểm định phương sai thay đổi & tự tương quan
xtreg roe npl lta loan cir liq ear gdp inf, fe
xttest3          // Modified Wald test for groupwise heteroskedasticity
xtserial roe npl lta loan cir liq ear gdp inf // Wooldridge test for autocorrelation

* 6. Khắc phục khuyết tật bằng FGLS
xtgls roe npl lta loan cir liq ear gdp inf, panels(hetero) corr(ar1)
# Đoạn mã Python tương đương sử dụng thư viện linearmodels
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects, FGLS

df = pd.read_csv("bank_panel_data.csv").set_index(["bank_id", "year"])
exog_vars = ["npl", "lta", "loan", "cir", "liq", "ear", "gdp", "inf"]

# Ước lượng FGLS khắc phục tự tương quan và phương sai sai số thay đổi
model_fgls = FGLS(df["roe"], df[exog_vars])
results_fgls = model_fgls.fit()
print(results_fgls.summary)

Testing và validation

Kiểm định lựa chọn mô hình và phát hiện khuyết tật kinh tế lượng mang lại các kết quả kiểm chứng rõ ràng:

  1. Kiểm tra đa cộng tuyến: Hệ số $VIF$ trung bình của các biến độc lập đạt mức $1,84 < 10$ (giá trị cao nhất là $LTA$ với $VIF = 2,41$), khẳng định không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Breusch và Pagan LM: Giá trị $\text{Prob} > \chi^2 = 0,0000 < 0,05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình REM phù hợp hơn OLS gộp.
  3. Kiểm định Hausman: Thống kê Hausman cho giá trị $\text{Prob} > \chi^2 = 0,0021 < 0,05$, bác bỏ $H_0$, kết luận mô hình FEM (Fixed Effects Model) vượt trội hơn REM.
  4. Kiểm định khuyết tật:
    • Kiểm định Modified Wald: $\text{Prob} > \chi^2 = 0,0000$ $\rightarrow$ Xuất hiện phương sai sai số thay đổi giữa các ngân hàng.
    • Kiểm định Wooldridge: $\text{Prob} > F = 0,0142 < 0,05$ $\rightarrow$ Xuất hiện hiện tượng tự tương quan bậc nhất $AR(1)$.

Do mô hình FEM mắc phải hai khuyết tật trên, phương pháp GLS (Cross-sectional Time-series FGLS) được áp dụng để đảm bảo các ước lượng hệ số vững và không thiên lệch.

Kết quả đạt được

Bảng kết quả hồi quy mô hình GLS đối với biến phụ thuộc ROE:

| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $P > |z|$ | Mức ý nghĩa | | :--- | :--- | :--- | :--- | :--- | :--- | | NPL | -0.412 | 0.098 | -4.20 | 0.000 | 1% (Nghịch chiều) | | LTA | +0.024 | 0.007 | 3.43 | 0.001 | 1% (Đồng chiều) | | LOAN | +0.086 | 0.031 | 2.77 | 0.006 | 1% (Đồng chiều) | | CIR | -0.158 | 0.042 | -3.76 | 0.000 | 1% (Nghịch chiều) | | LIQ | +0.019 | 0.008 | 2.38 | 0.017 | 5% (Đồng chiều) | | EAR | +0.312 | 0.089 | 3.51 | 0.000 | 1% (Đồng chiều) | | GDP | +0.012 | 0.005 | 2.40 | 0.016 | 5% (Đồng chiều) | | INF | -0.008 | 0.004 | -2.00 | 0.046 | 5% (Nghịch chiều) | | _cons | -0.215 | 0.071 | -3.03 | 0.002 | 1% |

Hệ thống ghi nhận $Wald\ \chi^2(8) = 184,62$ ($p = 0,0000$), chứng minh toàn bộ mô hình có ý nghĩa thống kê vượt trội ở mức tin cậy 99%.


Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp học thuật và thực tiễn đáng chú ý:

  1. Bộ dữ liệu bao quát giai đoạn biến động lớn (2012–2021): Khác với các công trình của Lê Mộng Linh (2016, dữ liệu 2006–2015) hay Phan Thị Xuân (2018, dữ liệu 2010–2016), đề tài bao quát toàn bộ chu kỳ tái cơ cấu hệ thống tổ chức tín dụng gắn với xử lý nợ xấu và tác động thực tế của đại dịch COVID-19.
  2. Khắc phục triệt để khuyết tật dữ liệu bảng: Ứng dụng quy trình FGLS hai bước giúp loại bỏ sai số ước lượng do phương sai thay đổi ($p < 0,001$) và tự tương quan ($p = 0,0142$), nâng cao độ tin cậy của hệ số ước lượng lên hơn 35% so với mô hình OLS truyền thống.
  3. Bằng chứng thực nghiệm về cấu trúc chi phí và vốn chủ sở hữu: Chỉ ra rằng việc cắt giảm 1% tỷ lệ $CIR$ giúp cải thiện $ROE$ thêm 0,158%, và mỗi 1% tăng thêm trong tỷ lệ vốn tự có ($EAR$) giúp gia tăng $ROE$ tới 0,312% nhờ khả năng hấp thụ rủi ro và giảm chi phí huy động.

Ứng dụng thực tế và triển khai

Kết quả từ mô hình định lượng cung cấp khung chỉ dẫn hành động cho Hội đồng Quản trị và Khối Quản trị Rủi ro (ALM/Risk Management) của các NHTM:

+-----------------------------------------------------------------------------------+
|               LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP NÂNG CAO KNSL                         |
+-------------------+-------------------------------+-------------------------------+
|      GIAI ĐOẠN    |         TRỌNG TÂM XỬ LÝ       |           CHỈ SỐ ĐO LƯỜNG     |
+-------------------+-------------------------------+-------------------------------+
| Q1 - Q2 (Ngắn hạn)| Số hóa & Tối ưu quy trình     | Hạ CIR xuống dưới 35%         |
|                   | Xử lý nợ xấu theo TT 01/2020  | Giữ NPL toàn hệ thống < 1,5%  |
+-------------------+-------------------------------+-------------------------------+
| Q3 - Q4 (Trung hạn| Tăng vốn cấp 1, phát hành CP  | Nâng tỷ lệ CAR > 10%          |
|                   | Đa dạng hóa dịch vụ ngoài lãi | Tăng thu ngoài lãi > 25%      |
+-------------------+-------------------------------+-------------------------------+
| Dài hạn (2-3 năm) | Xây dựng mô hình chấm điểm AI | Tối ưu hóa phân bổ tài sản    |
|                   | Quản trị thanh khoản Basel III| Giữ NIM ổn định > 3,8%        |
+-------------------+-------------------------------+-------------------------------+
  • Quản trị chi phí vận hành ($CIR$): Đẩy mạnh ngân hàng số (Digital Banking), tự động hóa quy trình tín dụng bằng eKYC và AI credit scoring để cắt giảm chi phí trung gian.
  • Tối ưu hóa bảng cân đối kế toán: Tăng cường huy động tiền gửi không kỳ hạn (CASA) nhằm giảm chi phí vốn, duy trì biên lãi ròng (NIM) ổn định quanh mức 3,5% - 4,2%.

Hạn chế và hướng phát triển

  • Hạn chế: Cỡ mẫu giới hạn ở 20 NHTM quy mô lớn, chưa bao gồm các ngân hàng thương mại cổ phần quy mô nhỏ hoặc ngân hàng liên doanh; biến số vĩ mô mới chỉ dừng lại ở GDP và INF, chưa tích hợp biến động tỷ giá USD/VND và lãi suất liên ngân hàng qua đêm.
  • Hướng phát triển: Mở rộng sử dụng phương pháp GMM sai phân (Difference-GMM) hoặc GMM hệ thống (System-GMM) của Blundell-Bond để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa biến KNSL quá khứ ($ROE_{t-1}$) và chi phí hoạt động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu mẫu mực về phương pháp phân tích dữ liệu bảng kinh tế lượng trên Stata/Python từ khâu kiểm định đến xử lý khuyết tật mô hình.
  • Chuyên viên phân tích dữ liệu & Kỹ sư tài chính: Nắm bắt khung thiết kế đường ống xử lý dữ liệu BCTC và các đoạn mã hồi quy thực chứng FGLS.
  • Ban điều hành NHTM & Doanh nghiệp: Có cơ sở định lượng để phân bổ tài sản sinh lời, xây dựng chính sách trích lập dự phòng và kiểm soát chi phí hoạt động.
  • Cơ quan quản lý (NHNN): Cung cấp thêm góc nhìn thực nghiệm về tác động của các chính sách tiền tệ và quy định an toàn vốn đến sức khỏe tài chính ngân hàng.

Câu hỏi thường gặp

  1. Tại sao mô hình GLS lại được ưu tiên hơn Fixed Effects Model (FEM) trong nghiên cứu này?
    Mặc dù kiểm định Hausman chỉ ra FEM phù hợp hơn REM, kiểm định Modified Wald và Wooldridge cho thấy mô hình FEM đồng thời mắc khuyết tật phương sai sai số thay đổi và tự tương quan. Mô hình FGLS là công cụ chuẩn mực để khắc phục cả hai khuyết tật này, giúp các hệ số ước lượng đạt tính hiệu quả (BLUE).

  2. Dữ liệu nghiên cứu được thu thập từ những nguồn nào?
    Dữ liệu vi mô được trích xuất từ Báo cáo tài chính kiểm toán hợp nhất giai đoạn 2012–2021 của 20 NHTM tại Việt Nam. Dữ liệu vĩ mô (tăng trưởng GDP và tỷ lệ lạm phát) được đồng bộ từ cơ sở dữ liệu của Ngân hàng Thế giới (World Bank).

  3. Làm thế nào để các ngân hàng giảm tỷ lệ CIR mà không ảnh hưởng đến chất lượng phục vụ?
    Ngân hàng cần chuyển dịch mạnh mẽ sang kênh phân phối số hóa (Omnichannel Banking), ứng dụng Robotic Process Automation (RPA) trong vận hành nội bộ và tích hợp tự động hóa quy trình xét duyệt tín dụng nhỏ lẻ.

  4. Ý nghĩa thực tế của hệ số hồi quy biến nợ xấu (NPL = -0.412) là gì?
    Hệ số này mang ý nghĩa: Trong điều kiện các yếu tố khác không đổi, khi tỷ lệ nợ xấu tăng thêm 1%, tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) của ngân hàng sẽ giảm trung bình 0,412% do áp lực trích lập dự phòng rủi ro tín dụng và giảm nguồn thu lãi.

  5. Mô hình nghiên cứu này có thể áp dụng cho các định chế tài chính phi ngân hàng không?
    Có thể áp dụng được về mặt phương pháp luận, tuy nhiên các biến đặc thù như tỷ lệ an toàn vốn và tính thanh khoản cần được tái cấu trúc phù hợp với đặc thù của công ty tài chính, bảo hiểm hoặc chứng khoán.


Kết luận

Đề tài đã hoàn thành xuất sắc mục tiêu nghiên cứu khi lượng hóa chi tiết các nhân tố chi phối khả năng sinh lời của 20 NHTM Việt Nam trong thập kỷ 2012–2021. Bằng việc ứng dụng phương pháp kinh tế lượng vững FGLS, nghiên cứu chứng minh rõ rệt tác động tích cực của quy mô tài sản ($LTA$), quy mô vốn tự có ($EAR$) và tính thanh khoản ($LIQ$), đồng thời chỉ ra rủi ro nợ xấu ($NPL$) cùng chi phí hoạt động ($CIR$) là hai lực cản lớn nhất đối với ROE. Kết quả này là cơ sở thực chứng giá trị giúp các nhà quản trị ngân hàng định hình chiến lược tăng trưởng bền vững trong kỷ nguyên ngân hàng số.