Giới thiệu dự án

Hệ thống Ngân hàng Thương mại (NHTM) giữ vai trò huyết mạch trong việc điều tiết vĩ mô và phân bổ vốn cho toàn bộ nền kinh tế Việt Nam. Theo thống kê tài chính giai đoạn 2012–2021, ngành ngân hàng đối mặt với nhiều biến động chu kỳ kinh tế, từ giai đoạn tái cơ cấu nợ xấu hậu khủng hoảng tài chính đến cú sốc đứt gãy chuỗi cung ứng do đại dịch COVID-19. Đến năm 2021, tỷ lệ nợ xấu nội bảng toàn ngành tăng lên 1,9% (tăng 0,21% so với năm 2020), đặt ra bài toán cấp thiết về kiểm soát chất lượng tài sản và tối ưu hóa hiệu quả sinh lời.

Vấn đề cốt lõi đặt ra là sự xung đột giữa bài toán mở rộng quy mô tín dụng nhằm tối đa hóa lợi nhuận và yêu cầu duy trì hệ số an toàn vốn, quản trị rủi ro thanh khoản theo lộ trình chuẩn mực Basel II. Nhiều ngân hàng gặp hiện tượng chi phí huy động vốn tăng vọt nhưng hiệu suất phân bổ vào các tài sản sinh lời suy giảm, tạo ra áp lực đè nặng lên biên lợi nhuận ròng.

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý luận và xác định các nhân tố vi mô nội tại cùng các nhân tố vĩ mô tác động đến khả năng sinh lời của hệ thống NHTM.
  2. Xây dựng và xử lý bộ dữ liệu bảng (Panel Data) bao gồm 20 NHTM tiêu biểu tại Việt Nam trong chu kỳ 10 năm liên tục (2012–2021).
  3. Ứng dụng các kiểm định kinh tế lượng chuyên sâu nhằm phát hiện và xử lý triệt để các khuyết tật mô hình (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan).
  4. Định lượng chính xác mức độ tác động của từng biến số (SIZE, LOAN, DEPOSITE, EA, GDP, INF, COVID19) tới tỷ suất sinh lời trên tổng tài sản (ROA) và tỷ suất sinh lời trên vốn chủ sở hữu (ROE).
  5. Đề xuất hệ thống khuyến nghị quản trị danh mục tài sản - nguồn vốn và điều hành chính sách tiền tệ dựa trên bằng chứng định lượng thực nghiệm.

Giải pháp được triển khai là quy trình kinh tế lượng đa bước (Multi-step Econometric Framework): từ thống kê mô tả, kiểm định tương quan Pearson, đánh giá đa cộng tuyến VIF, kiểm định lựa chọn mô hình qua F-test và Hausman test (giữa Pooled OLS, FEM, REM), đến việc sử dụng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để khắc phục sai số mô hình.

Kết quả đầu ra kỳ vọng mang lại độ chính xác thống kê với mức ý nghĩa $p < 0.01$ và $p < 0.05$, giải thích được trên 50% sự biến thiên của ROA và ROE thông qua hệ số xác định $R^2$. Phạm vi nghiên cứu tập trung vào 20 NHTM đại diện cho hơn 60% thị phần tài sản toàn hệ thống trong giai đoạn 2012–2021 (tổng quy mô 200 quan sát firm-year). Giới hạn dữ liệu ghi nhận thiếu sót báo cáo tài chính năm 2021 của Agribank, dẫn đến số quan sát thực tế của các biến nội tại là 199.

       [Dữ liệu BCTC 20 NHTM (2012-2021)] + [Số liệu Vĩ mô (GSO, NHNN)]
                        [Tiền xử lý & Chuẩn hóa dữ liệu]
                      [Ước lượng Mô hình Dữ liệu Bảng]
                         [Kiểm định Lựa chọn Mô hình]
                      [Kiểm định Khuyết tật Mô hình FEM]
                       [Hồi quy Hiệu chỉnh FGLS / GLS]
                     [Kết quả Định lượng & Khuyến nghị ALM]

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp nghiên cứu tài chính truyền thống tại thị trường Việt Nam thường dựa vào phân tích tỷ số tài chính đơn lẻ hoặc hồi quy OLS gộp cổ điển. Các phương pháp này bộc lộ nhiều điểm hạn chế khi bỏ qua các yếu tố đặc thù không quan sát được của từng ngân hàng (unobserved bank-specific heterogeneity) và giả định bất khả thi về phương sai sai số đồng nhất.

Tiêu chí so sánh Hồi quy Pooled OLS truyền thống Mô hình Tác động Ngẫu nhiên (REM) Mô hình Tác động Cố định (FEM) kết hợp FGLS
Kiểm soát đặc thù ngân hàng Bỏ qua hoàn toàn, dễ chệch hệ số do biến nội sinh Giả định sai số ngẫu nhiên không tương quan biến độc lập Kiểm soát hoàn toàn các yếu tố bất biến theo thời gian của từng NHTM
Khả năng xử lý tự tương quan Kém, phóng đại độ tin cậy của $t$-statistic Kém khi xuất hiện tương quan chuỗi bậc 1 Triệt tiêu hoàn toàn tự tương quan AR(1) qua ma trận hiệp phương sai
Khả năng xử lý phương sai sai số Không hỗ trợ xử lý dị phương sai (Heteroskedasticity) Dễ mất tính hiệu quả (Efficiency) của ước lượng Ước lượng chuẩn xác với cấu trúc phương sai thay đổi giữa các nhóm
Độ phù hợp dữ liệu bảng tài chính Thấp ($R^2$ ảo hoặc sai lệch tham số) Trung bình (thường bị bác bỏ bởi Hausman test) Tối ưu hóa tuyệt đối cho mẫu NHTM quy mô khác biệt lớn

Nghiên cứu so sánh với các công trình tiêu biểu đi trước:

  • Đào Thị Thanh Bình & Nguyễn Phương Dũng (2020): Nghiên cứu 27 NHTM tại 3 nước ASEAN (10 NH Việt Nam) giai đoạn 2012–2016; kết luận quy mô có tác động nhưng bỏ qua biến cố dịch bệnh và chu kỳ sau 2016.
  • Ngô Thị Thu Hà (2021): Khảo sát NHTM Việt Nam 2011–2020; chỉ ra SIZE, CAP, LOAN đồng biến với ROA/ROE nhưng chưa mô hình hóa tác động đứt gãy kinh tế của giai đoạn COVID-19 bùng phát.
  • Al-Homaidi và cộng sự (2019): Khảo sát 37 NHTM Ấn Độ; ghi nhận tác động tiêu cực của tỷ lệ an toàn vốn đến ROA, trái ngược với xu hướng quản trị đệm an toàn tại Việt Nam.

Phân loại yêu cầu phân tích theo chuẩn MoSCoW:

  • Must have: Ước lượng không chệch các hệ số hồi quy vi mô (SIZE, LOAN, DEPOSITE, EA) và vĩ mô (GDP, INF, COVID19); kiểm định đầy đủ Hausman, Wald và Wooldridge.
  • Should have: Ước lượng mô hình FGLS để triệt tiêu đồng thời dị phương sai và tự tương quan.
  • Could have: Phân tích ma trận hệ số tương quan chéo và đo lường hệ số phóng đại phương sai VIF cho từng biến giải thích.
  • Won't have: Mô hình hóa GMM động hai bước (Dynamic System GMM) do cấu trúc chuỗi thời gian $T=10$ và $N=20$ phù hợp hơn với phương pháp FGLS tĩnh.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu kinh tế lượng được chuẩn hóa theo sơ đồ dòng dữ liệu 4 lớp: Lớp Thu thập & Chuẩn hóa (Data Ingestion) $\rightarrow$ Lớp Khảo sát Cấu trúc (Exploratory Data Analysis) $\rightarrow$ Lớp Kiểm định Lựa chọn (Model Selection & Diagnostics) $\rightarrow$ Lớp Ước lượng Bền vững (Robust Estimation).

Công nghệ và công cụ sử dụng:

  • Phần mềm xử lý chính: Stata MP phiên bản 16.0 / 17.0 (chuyên dụng cho phân tích hồi quy dữ liệu bảng nâng cao).
  • Bộ công cụ phụ trợ: Python 3.10 (thư viện Pandas, Numpy, Statsmodels) phục vụ trích xuất và tiền xử lý dữ liệu từ BCTC kiểm toán.
  • Hệ thống dữ liệu: Microsoft Excel định dạng ma trận bảng cân đối kế toán và báo cáo kết quả kinh doanh chuẩn hóa.
-- Cấu trúc Schema cơ sở dữ liệu bảng chuẩn hóa (Panel Data Schema)
CREATE TABLE CommercialBankPanelData (
    BankID VARCHAR(10) NOT NULL,          -- Mã định danh ngân hàng (VCB, CTG, BID, TCB...)
    FiscalYear INT NOT NULL,              -- Năm tài chính (2012 - 2021)
    ROA DECIMAL(8,6) NOT NULL,            -- Lợi nhuận sau thuế / Tổng tài sản bình quân
    ROE DECIMAL(8,6) NOT NULL,            -- Lợi nhuận sau thuế / Vốn chủ sở hữu bình quân
    SIZE DECIMAL(8,4) NOT NULL,           -- Logarit tự nhiên của Tổng tài sản ln(Assets)
    LOAN DECIMAL(8,6) NOT NULL,           -- Tổng dư nợ cho vay / Tổng tài sản
    DEPOSITE DECIMAL(8,6) NOT NULL,       -- Tiền gửi của khách hàng / Tổng tài sản
    EA DECIMAL(8,6) NOT NULL,             -- Vốn chủ sở hữu / Tổng tài sản (Equity to Asset)
    GDP DECIMAL(6,4) NOT NULL,            -- Tốc độ tăng trưởng GDP hàng năm (%)
    INF DECIMAL(6,4) NOT NULL,            -- Tỷ lệ lạm phát CPI hàng năm (%)
    COVID19 TINYINT(1) NOT NULL,          -- Biến giả: 1 (2020-2021), 0 (2012-2019)
    PRIMARY KEY (BankID, FiscalYear)
);

Về tính toàn vẹn và bảo mật dữ liệu, toàn bộ nguồn số liệu thô được đối soát chéo 3 bên giữa Báo cáo tài chính kiểm toán độc lập (Big 4 / A&C), Niên giám Thống kê của Tổng cục Thống kê (GSO) và Báo cáo thường niên của Ngân hàng Nhà nước Việt Nam (NHNN). Dữ liệu được làm sạch khuyết thiếu và chuẩn hóa phân phối để tránh sai số chọn mẫu.

Methodology

Phương pháp luận nghiên cứu áp dụng quy trình kiểm định kinh tế lượng chặt chẽ qua 5 giai đoạn:

[Tuần 1-2: Thu thập BCTC & Macro Data]

Quy trình quản trị rủi ro phương pháp luận:

  • Rủi ro đa cộng tuyến: Kiểm soát ma trận tương quan giữa các biến giải thích và theo dõi chỉ số $VIF_j = \frac{1}{1 - R_j^2}$. Nếu $VIF > 10$, tiến hành loại bỏ hoặc chuẩn hóa biến.
  • Rủi ro phương sai sai số thay đổi: Sử dụng kiểm định Modified Wald Test trên phần dư của mô hình FEM.
  • Rủi ro tự tương quan chuỗi: Sử dụng kiểm định Wooldridge Test cho dữ liệu bảng nhằm phát hiện sự phụ thuộc giữa $e_{i,t}$ và $e_{i,t-1}$.
  • Biện pháp xử lý: Chuyển đổi mô hình ước lượng sang cấu trúc GLS lặp với ma trận hiệp phương sai sai số dạng khối (Block-diagonal error covariance matrix).

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát dạng ma trận cho dữ liệu bảng:

$$Y_{i,t} = \alpha_i + \beta_1 \text{SIZE}{i,t} + \beta_2 \text{EA}{i,t} + \beta_3 \text{LOAN}{i,t} + \beta_4 \text{DEPOSITE}{i,t} + \beta_5 \text{GDP}{i,t} + \beta_6 \text{INF}{i,t} + \beta_7 \text{COVID19}{i,t} + \varepsilon{i,t}$$

Trong đó:

  • $i = 1, 2, \dots, 20$ (đại diện cho 20 NHTM).
  • $t = 2012, 2013, \dots, 2021$ (chuỗi thời gian 10 năm tài chính).
  • $Y_{i,t}$ lần lượt nhận giá trị của hai biến phụ thuộc: $\text{ROA}{i,t}$ và $\text{ROE}{i,t}$.
  • $\alpha_i$ là sai số đặc thù bất biến theo thời gian của từng ngân hàng (Individual specific effect).
  • $\varepsilon_{i,t}$ là sai số ngẫu nhiên (Idiosyncratic error term).

Kịch bản thực thi phân tích kinh tế lượng trên môi trường Stata:

* Thiết lập cấu trúc dữ liệu bảng
insheet using "bank_panel_2012_2021.csv", clear
encode bank_code, gen(bank_id)
xtset bank_id year

* 1. Thống kê mô tả và kiểm định đa cộng tuyến
summarize roa roe size loan deposite ea gdp inf covid19
pwcorr roa size loan deposite ea gdp inf covid19, sig
regress roa size loan deposite ea gdp inf covid19
vif

* 2. Ước lượng mô hình cơ sở
regress roa size loan deposite ea gdp inf covid19                 // Pooled OLS
estimates store pooled_ols
xtreg roa size loan deposite ea gdp inf covid19, fe               // Fixed Effects Model
estimates store fem_model
xtreg roa size loan deposite ea gdp inf covid19, re               // Random Effects Model
estimates store rem_model

* 3. Kiểm định lựa chọn mô hình
hausman fem_model rem_model                                       // Hausman Test

* 4. Kiểm tra khuyết tật mô hình FEM đã chọn
xttest3                                                           // Modified Wald test for heteroskedasticity
xtserial roa size loan deposite ea gdp inf covid19               // Wooldridge test for autocorrelation

* 5. Khắc phục khuyết tật bằng mô hình hồi quy FGLS / GLS
xtgls roa size loan deposite ea gdp inf covid19, panels(hetero) corr(ar1)
estimates store gls_roa

xtgls roe size loan deposite ea gdp inf covid19, panels(hetero) corr(ar1)
estimates store gls_roe

Testing và validation

Quá trình kiểm định chất lượng mô hình kinh tế lượng được thực hiện qua chuỗi kiểm định nghiêm ngặt:

Loại kiểm định Tên kiểm định Giá trị thống kê kiểm định Giá trị P-value Kết luận thống kê
Đa cộng tuyến Variance Inflation Factor (VIF) $\text{Mean VIF} = 2.80$, $\text{Max VIF} = 5.60$ N/A Không xuất hiện đa cộng tuyến nghiêm trọng ($VIF < 10$)
Lựa chọn Pooled OLS vs FEM (ROA) F-Test ($u_i = 0$) $F(19, 172) = 10.0000$ $p = 0.0000 < 0.05$ Bác bỏ $H_0$; Mô hình FEM vượt trội so với Pooled OLS
Lựa chọn FEM vs REM (ROA) Hausman Specification Test $\chi^2(7) = 15.0312$ $p = 0.0356 < 0.05$ Bác bỏ $H_0$; Mô hình FEM phù hợp hơn REM
Lựa chọn FEM vs REM (ROE) Hausman Specification Test $\chi^2(7) = 29.0001$ $p = 0.0001 < 0.01$ Bác bỏ $H_0$; Lựa chọn mô hình FEM
Phương sai sai số (ROA & ROE) Modified Wald Test $\chi^2(20) = 32995.0000$ $p = 0.0000 < 0.01$ Bác bỏ $H_0$; Xuất hiện hiện tượng phương sai sai số thay đổi
Tự tương quan chuỗi (ROA & ROE) Wooldridge AR(1) Test $F(1, 19) = 8.0000$ $p = 0.0108 < 0.05$ Bác bỏ $H_0$; Tồn tại tự tương quan bậc 1 trong dữ liệu bảng

Do cả hai mô hình FEM lựa chọn cho ROA và ROE đều đồng thời mắc phải hai khuyết tật nghiêm trọng: phương sai sai số thay đổi giữa các ngân hàng và tự tương quan chuỗi bậc 1, ước lượng OLS/FEM không còn là ước lượng tuyến tính không chệch tốt nhất (BLUE). Việc áp dụng hồi quy FGLS với cấu trúc panels(hetero) corr(ar1) là bắt buộc để khôi phục tính hiệu quả của các tham số hồi quy.

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy sau khi khắc phục khuyết tật bằng phương pháp GLS:

Biến độc lập Tác động tới ROA (Mô hình GLS) Mức ý nghĩa ($p$-value) Tác động tới ROE (Mô hình GLS) Mức ý nghĩa ($p$-value) Trạng thái giả thuyết
SIZE $+0.795%$ $p < 0.01$ (***) $+7.320%$ $p < 0.01$ (***) Chấp nhận H1 (Cùng chiều)
LOAN $+0.943%$ $p < 0.10$ (*) $+18.100%$ $p < 0.01$ (***) Chấp nhận H2 (Cùng chiều)
DEPOSITE $-2.380%$ $p < 0.01$ (***) $-26.100%$ $p < 0.01$ (***) Bác bỏ H3 (Ngược chiều)
EA $+12.300%$ $p < 0.01$ (***) $+42.400%$ $p < 0.01$ (***) Chấp nhận H4 (Cùng chiều)
GDP Tác động dương $p < 0.05$ (**) Tác động dương $p < 0.05$ (**) Chấp nhận H6 (Cùng chiều)
INF Không có ý nghĩa $p > 0.10$ Không có ý nghĩa $p > 0.10$ Bác bỏ H5 (Không tác động)
COVID19 Tác động dương $p < 0.01$ (***) Tác động dương $p < 0.05$ (**) Chấp nhận H7 (Cùng chiều)

Phân tích định lượng chi tiết:

  • Tỷ lệ an toàn vốn (EA) có sức ảnh hưởng mạnh nhất: Khi EA tăng thêm 1%, ROA tăng trung bình 12,3% và ROE tăng 42,4% (đều ở mức ý nghĩa 1%). Điều này chứng minh tiềm lực vốn chủ sở hữu đóng vai trò nền tảng giúp ngân hàng gia tăng khả năng hấp thụ rủi ro, giảm thiểu chi phí huy động rủi ro và tối đa hóa biên lãi thuần.
  • Tỷ lệ cho vay (LOAN): Khi LOAN tăng 1%, ROE tăng mạnh 18,1% (mức ý nghĩa 1%) và ROA tăng 0,943% (mức ý nghĩa 10%), phản ánh hoạt động tín dụng vẫn đóng góp hơn 70% tổng thu nhập hoạt động của hệ thống NHTM Việt Nam.
  • Quy mô ngân hàng (SIZE): Tăng 1% quy mô tổng tài sản giúp cải thiện ROA thêm 0,795% và ROE thêm 7,320%, phản ánh rõ nét tính kinh tế theo quy mô (Economies of Scale) và năng lực chuyển đổi số tại các NHTM quy mô lớn.
  • Tỷ lệ tiền gửi (DEPOSITE): Tác động ngược chiều đáng kể (tăng 1% tiền gửi làm giảm 2,38% ROA và 26,1% ROE). Hiện tượng này xảy ra do sự gia tăng nhanh chóng của chi phí trả lãi trong khi khả năng hấp thụ vốn tín dụng của nền kinh tế bị ứ đọng cục bộ trong một số giai đoạn.
  • Tác động của đại dịch (COVID19): Biến giả COVID19 có tương quan dương với ROA và ROE, chỉ ra rằng các NHTM Việt Nam đã thích ứng linh hoạt thông qua việc đẩy mạnh số hóa dịch vụ, cắt giảm chi phí hoạt động (CIR) và hưởng lợi từ chính sách tái cơ cấu nợ, hạ lãi suất điều hành của NHNN.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn rõ nét so với các công trình trước đây:

  1. Bổ sung khoảng trống nghiên cứu về biến cố COVID-19: Khác với các nghiên cứu của De Leon (2020) hay Đào Thị Thanh Bình (2020) dừng lại ở dữ liệu trước năm 2017, công trình này đưa biến giả dịch bệnh vào chuỗi dữ liệu 10 năm (2012–2021), phản ánh đầy đủ tác động kép của đại dịch lên bảng cân đối tài sản ngân hàng.
  2. Quy trình xử lý khuyết tật kinh tế lượng chuẩn mực: Triệt tiêu hoàn toàn sai số hệ thống nhờ kết hợp Modified Wald Test và Wooldridge Test, sau đó áp dụng hồi quy FGLS. Nhờ vậy, độ tin cậy của các hệ số hồi quy được nâng cao đáng kể, tránh hiện tượng kết luận sai lệch từ $t$-statistic bị phóng đại.
  3. Phát hiện quy luật nghịch biến của biến DEPOSITE: Khẳng định bằng chứng thực nghiệm rằng việc tăng trưởng tiền gửi thuần túy mà không gắn liền với tối ưu hóa tỷ lệ LDR (Loan-to-Deposit Ratio) và kiểm soát chi phí vốn sẽ gây suy giảm nghiêm trọng khả năng sinh lời.
Chỉ số so sánh Nghiên cứu trước đây (Ngô Thị Thu Hà, 2021) Nghiên cứu hiện tại (Dương Thị Thu Hiền, 2022) Mức độ cải thiện / Đổi mới
Giai đoạn dữ liệu 2011 – 2020 2012 – 2021 Cập nhật năm tài chính 2021, bổ sung biến cố COVID-19
Phương pháp xử lý khuyết tật Pooled OLS, FEM, REM thông thường FEM kiểm định Hausman + Hiệu chỉnh FGLS toàn diện Loại bỏ hoàn toàn phương sai sai số thay đổi và tự tương quan
Độ chính xác mô hình ($R^2$ FEM) $40% - 45%$ $61.45%$ (ROA) / $54.76%$ (ROE) Nâng cao năng lực giải thích mô hình thêm $10% - 16%$
Đánh giá hệ số an toàn vốn (EA) Tác động phân tán Hệ số chuẩn hóa: $\beta_{ROA}=12.3%$, $\beta_{ROE}=42.4%$ Làm rõ vai trò trụ cột của Basel II đối với tỷ suất sinh lời

Ứng dụng thực tế và triển khai

Kết quả định lượng từ mô hình nghiên cứu cung cấp cơ sở để xây dựng hệ thống Quản trị Tài sản Nợ - Tài sản Có (Asset-Liability Management - ALM) và hỗ trợ ra quyết định kinh doanh tại các NHTM:

Kịch bản ứng dụng trong thực tế

  • Tối ưu hóa cơ cấu vốn chủ sở hữu (Equity Cushion): Duy trì tỷ lệ an toàn vốn CAR và hệ số $EA \ge 8% - 10%$ không chỉ đáp ứng quy định tại Thông tư 41/2016/TT-NHNN (Basel II) mà còn là đòn bẩy trực tiếp gia tăng ROE với biên độ $42.4%$.
  • Kiểm soát chi phí huy động vốn (Cost of Funds): Giảm phụ thuộc vào tiền gửi tiết kiệm truyền thống lãi suất cao; gia tăng tỷ lệ tiền gửi không kỳ hạn (CASA) nhằm đảo chiều tác động tiêu cực của biến DEPOSITE lên biên lãi thuần.
  • Mở rộng tín dụng chọn lọc (Selective Credit Expansion): Đẩy mạnh các phân khúc cho vay bán lẻ, doanh nghiệp SME có hiệu suất sinh lời cao nhằm tận dụng hệ số tác động dương $\beta = 18.1%$ của biến LOAN lên ROE.
       [Chiến lược Quản trị Nguồn vốn - Tài sản (ALM Strategy)]
[Tài sản Nợ (Liabilities)]                      [Tài sản Có (Assets)]
                [Tăng trưởng bền vững ROA & ROE]

Lộ trình triển khai khuyến nghị cho NHTM

  1. Giai đoạn 1 (Tháng 1 - Tháng 6): Tái cấu trúc cơ cấu nguồn vốn, hạ tỷ trọng tiền gửi chi phí cao, nâng chỉ tiêu CASA tối thiểu đạt $20% - 25%$ trên tổng vốn huy động.
  2. Giai đoạn 2 (Tháng 7 - Tháng 12): Hoàn thiện đệm vốn chủ sở hữu theo chuẩn Basel II/Basel III, tăng cường phát hành trái phiếu cấp 2 tăng vốn tự có.
  3. Giai đoạn 3 (Năm thứ 2 trở đi): Đẩy mạnh ngân hàng số (Digital Banking), tối ưu hóa quy mô tài sản (SIZE) để giảm chi phí vận hành trên thu nhập (CIR) xuống dưới $35%$.

Hạn chế và hướng phát triển

Dù đạt được những kết luận có giá trị thực tiễn cao, đề tài vẫn tồn tại một số hạn chế nhất định:

  • Giới hạn số quan sát mẫu: Do báo cáo tài chính năm 2021 của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) chưa được công bố tại thời điểm nghiên cứu, số quan sát các biến nội tại dừng lại ở 199 quan sát thay vì 200.
  • Phương pháp ước lượng tĩnh: Đề tài tập trung vào mô hình dữ liệu bảng tĩnh (Static Panel Data). Trong thực tế hoạt động ngân hàng, lợi nhuận kỳ này chịu ảnh hưởng đáng kể bởi lợi nhuận kỳ trước ($\text{ROA}{t-1}$, $\text{ROE}{t-1}$).
  • Thiếu hụt một số biến phi tài chính: Chưa đưa vào mô hình các biến định tính như tỷ lệ số hóa hoạt động, trình độ quản trị rủi ro hoặc các chỉ tiêu chất lượng tài sản chuyên sâu như tỷ lệ dự phòng rủi ro tín dụng (LLR).

Hướng phát triển trong tương lai:

  • Ứng dụng mô hình kinh tế lượng động GMM sai phân (Difference GMM) và GMM hệ thống (System GMM) của Arellano-Bond để xử lý triệt để hiện tượng nội sinh tiềm ẩn giữa các biến độc lập.
  • Mở rộng tập mẫu nghiên cứu lên toàn bộ 31 NHTM cổ phần tại Việt Nam và tích hợp thêm các yếu tố phi tài chính, chỉ số ESG (Môi trường - Xã hội - Quản trị) vào mô hình định lượng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận khung nghiên cứu mẫu mực về kinh tế lượng ứng dụng, tài liệu tham khảo chuẩn về quy trình xử lý dữ liệu bảng và phương pháp kiểm định trên Stata.
  • Chuyên viên phân tích dữ liệu & Định lượng tài chính: Nắm vững thuật toán kiểm định khuyết tật mô hình (Modified Wald, Wooldridge) và code script xử lý FGLS thực chiến.
  • Ban điều hành & Khối Quản trị rủi ro NHTM: Cơ sở dữ liệu và hệ số định lượng chính xác để xây dựng chính sách cân đối vốn, tối ưu hóa danh mục tín dụng và kiểm soát chi phí trả lãi.
  • Cơ quan quản lý (Ngân hàng Nhà nước): Luận cứ khoa học để hoàn thiện cơ chế giám sát an toàn vi mô, lộ trình áp dụng Basel II/III và điều hành cung ứng tiền tệ linh hoạt trước các cú sốc vĩ mô.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lựa chọn mô hình FGLS thay vì giữ nguyên mô hình Tác động cố định (FEM)?

Mô hình FEM mặc dù kiểm soát được các yếu tố đặc thù riêng biệt của từng NHTM nhưng kiểm định Modified Wald ($p = 0.0000$) và Wooldridge ($p = 0.0108$) chứng minh mô hình mắc cả hai khuyết tật: phương sai sai số thay đổi và tự tương quan chuỗi. Nếu giữ nguyên FEM, sai số chuẩn của các ước lượng sẽ bị chệch, dẫn đến việc ngộ nhận về ý nghĩa thống kê của các biến. Hồi quy FGLS cho phép ước lượng ma trận hiệp phương sai tổng quát, khôi phục tính hiệu quả và không chệch cho các tham số.

2. Tại sao tỷ lệ tiền gửi (DEPOSITE) lại có tác động tiêu cực đến ROA và ROE?

Theo lý thuyết thông thường, tiền gửi là nguồn vốn kinh doanh chủ lực. Tuy nhiên, trong giai đoạn nghiên cứu (đặc biệt là 2020–2021), dòng tiền nhàn rỗi của người dân chảy mạnh vào hệ thống ngân hàng do e ngại rủi ro dịch bệnh, làm tăng mạnh chi phí trả lãi. Trong khi đó, sức hấp thụ vốn của nền kinh tế suy giảm khiến tốc độ tăng trưởng tín dụng không bắt kịp tốc độ tăng trưởng tiền gửi. Sự ứ đọng vốn và chi phí vốn gia tăng đã làm suy giảm biên lợi nhuận ròng của ngân hàng.

3. Tỷ lệ an toàn vốn (EA) tác động mạnh nhất đến khả năng sinh lời phản ánh điều gì?

Hệ số tác động $\beta = 12.3%$ (với ROA) và $\beta = 42.4%$ (với ROE) ở mức ý nghĩa 1% chứng minh rằng các ngân hàng có tỷ lệ vốn chủ sở hữu trên tổng tài sản cao tạo được niềm tin vững chắc hơn đối với thị trường, có năng lực hấp thụ rủi ro tốt hơn khi gặp các cú sốc kinh tế và tiếp cận được các nguồn vốn chi phí thấp trên thị trường liên ngân hàng.

4. Biến giả COVID-19 mang dấu dương có mâu thuẫn với thực tế khó khăn của nền kinh tế?

Kết quả này hoàn toàn phù hợp với thực tế tái cấu trúc của ngành ngân hàng Việt Nam trong đại dịch. Dưới tác động của Thông tư 01/2020/TT-NHNN và các thông tư sửa đổi, các NHTM được phép cơ cấu lại thời hạn trả nợ và giữ nguyên nhóm nợ, giúp giảm áp lực trích lập dự phòng tức thời. Đồng thời, dịch bệnh thúc đẩy mạnh mẽ quá trình chuyển đổi số, giúp các ngân hàng tối ưu hóa chi phí vận hành (CIR), gia tăng nguồn thu từ phí dịch vụ điện tử và hưởng lợi từ biên lãi thuần mở rộng khi lãi suất huy động giảm sâu.

5. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình nghiên cứu này là gì?

Hệ thống cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata MP 16/17 để xử lý dữ liệu lớn). Bộ dữ liệu cần được định dạng theo cấu trúc bảng hai chiều (panel data) với hai biến định danh là bank_id và year. Các lệnh chính bao gồm xtset, xtreg, fe, hausman, xttest3, xtserial và xtgls.

Kết luận

Đề tài "Các nhân tố tác động tới khả năng sinh lời của các NHTM Việt Nam giai đoạn 2012–2021" đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua khung phân tích kinh tế lượng chuẩn mực. Bằng việc ứng dụng mô hình hồi quy FGLS trên mẫu dữ liệu bảng 20 NHTM qua 10 năm tài chính, nghiên cứu đã chứng minh vai trò quyết định của tỷ lệ an toàn vốn (EA), tỷ lệ cho vay (LOAN) và quy mô ngân hàng (SIZE) trong việc nâng cao ROA và ROE, đồng thời chỉ ra rủi ro suy giảm hiệu quả khi quản trị tiền gửi (DEPOSITE) thiếu linh hoạt. Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà quản trị ngân hàng trong việc hoạch định chiến lược ALM, tối ưu hóa đệm vốn an toàn theo chuẩn Basel và là tiền đề vững chắc cho các công trình nghiên cứu định lượng tài chính ngân hàng tiếp theo.