Giới thiệu dự án

Hoạt động của hệ thống ngân hàng thương mại đóng vai trò huyết mạch trong nền kinh tế quốc gia, vừa là trung gian tài chính phân phối nguồn vốn, vừa là công cụ điều tiết vĩ mô hữu hiệu. Trong bối cảnh giai đoạn 2012 – 2022 đầy biến động với áp lực từ lạm phát toàn cầu, chính sách thắt chặt tiền tệ của Cục Dự trữ Liên bang Mỹ (FED), gián đoạn chuỗi cung ứng do đại dịch COVID-19 cùng các rủi ro thị trường bất động sản và trái phiếu doanh nghiệp trong nước, khả năng duy trì tỷ suất sinh lời của các Ngân hàng Thương mại Cổ phần (NHTMCP) Việt Nam đối mặt với nhiều thách thức nghiêm trọng.

Vấn đề cốt lõi đặt ra là sự suy giảm biên lợi nhuận ròng, gia tăng chi phí trích lập dự phòng rủi ro tín dụng và áp lực cân đối giữa mục tiêu tăng trưởng tín dụng với an toàn thanh khoản theo chuẩn mực Basel II/Basel III. Nhiều ngân hàng gặp khó khăn trong việc định lượng mức độ ảnh hưởng của các biến số nội tại và môi trường vĩ mô đến hiệu quả kinh doanh.

Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng với đề tài "Các nhân tố ảnh hưởng đến lợi nhuận của các Ngân hàng Thương mại Cổ phần Việt Nam" được thực hiện nhằm giải quyết các mục tiêu cụ thể:

  1. Xác định hệ thống các nhân tố vi mô (nội tại ngân hàng) và vĩ mô (môi trường kinh tế) tác động đến khả năng sinh lời của các NHTMCP Việt Nam.
  2. Đo lường chính xác chiều hướng và mức độ tác động của từng nhân tố đến hai chỉ tiêu đo lường lợi nhuận đại diện: Tỷ suất sinh lời trên tổng tài sản ($ROA$) và Tỷ suất sinh lời trên vốn chủ sở hữu ($ROE$).
  3. Xây dựng và kiểm định mô hình kinh tế lượng dữ liệu bảng động nhằm khắc phục triệt để các khuyết tật mô hình (phương sai thay đổi, tự tương quan, nội sinh).
  4. Đề xuất hệ thống giải pháp quản trị rủi ro, tối ưu hóa quy mô tài sản và hàm ý chính sách cho Ngân hàng Nhà nước (NHNN) cùng các nhà quản trị ngân hàng.

Phương pháp tiếp cận giải pháp sử dụng mô hình kinh tế lượng đa biến trên dữ liệu bảng cân bằng (Balanced Panel Data) kết hợp phương pháp ước lượng bình phương nhỏ nhất tổng quát khả thi ($FGLS$) và phương pháp tổng quát thời điểm ($GMM$). Đây là cách tiếp cận tối ưu để giải quyết triệt để vấn đề biến trễ phụ thuộc và các biến giải thích nội sinh.

Kết quả kỳ vọng đạt được là xây dựng bộ tham số hồi quy có ý nghĩa thống kê ($p < 0.05$) từ mẫu dữ liệu gồm 307 quan sát trong 11 năm (2012 – 2022) của 28 NHTMCP tại Việt Nam, cung cấp cơ sở định lượng tin cậy cho hoạch định chiến lược kinh doanh. Phạm vi nghiên cứu tập trung vào 28 NHTMCP đáp ứng đầy đủ tính minh bạch dữ liệu từ báo cáo tài chính kiểm toán và báo cáo thường niên giai đoạn 2012 – 2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu định lượng về lợi nhuận ngân hàng trước đây thường sử dụng các mô hình tĩnh truyền thống. Tuy nhiên, các cách tiếp cận này bộc lộ nhiều điểm hạn chế khi áp dụng vào chuỗi dữ liệu tài chính ngân hàng có tính chất tự hồi quy cao.

Phương pháp ước lượng Ưu điểm Nhược điểm Đánh giá tính tương thích
Pooled OLS (Hồi quy gộp) Đơn giản, dễ thực hiện, ước lượng nhanh các hệ số tổng thể. Bỏ qua đặc trưng riêng lẻ không quan sát được của từng ngân hàng, dẫn đến chệch do biến bị bỏ sót. Không phù hợp cho dữ liệu bảng ngân hàng.
FEM / REM (Mô hình tác động cố định / ngẫu nhiên) Kiểm soát được các đặc tính bất biến theo thời gian của từng ngân hàng. Vi phạm giả định nếu có hiện tượng nội sinh, không xử lý được biến trễ $L1.ROA$, $L1.ROE$. Chỉ dùng làm bước kiểm định trung gian.
Two-Step System GMM (Mô hình đề xuất) Kiểm soát hiện tượng nội sinh, biến trễ, khắc phục phương sai thay đổi và tự tương quan. Yêu cầu số lượng đơn vị không gian ($N=28$) lớn hơn độ dài thời gian ($T=11$), xử lý công cụ phức tạp. Tối ưu nhất cho dữ liệu tài chính ngân hàng.

Yêu cầu nghiên cứu được phân loại theo mô hình MoSCoW:

  • Must-have: Kiểm soát hiện tượng nội sinh (Endogeneity), kiểm định đa cộng tuyến ($VIF$), kiểm định phương sai sai số thay đổi (Modified Wald test) và tự tương quan (Wooldridge test).
  • Should-have: Đưa biến trễ của biến phụ thuộc ($L1.ROA$, $L1.ROE$) vào mô hình để phản ánh tính quán tính lợi nhuận; kiểm định tính hợp lệ của biến công cụ qua kiểm định Hansen/Sargan.
  • Could-have: Đánh giá so sánh tương quan tác động giữa hai nhóm chỉ số $ROA$ và $ROE$.
  • Won't-have: Không bao gồm dữ liệu của các ngân hàng thương mại 100% vốn nước ngoài hoặc ngân hàng chính sách do đặc thù hoạt động phi thương mại.

Thiết kế hệ thống

Hệ thống xử lý định lượng được thiết kế dựa trên quy trình xử lý dữ liệu bảng chuẩn mực trong kinh tế lượng tài chính:

  1. Thông số kỹ thuật & Công cụ sử dụng:

    • Phần mềm phân tích: Stata phiên bản 17.0 MP.
    • Nền tảng tiền xử lý: Microsoft Excel (Data ETL & Data Cleaning).
    • Mẫu nghiên cứu: $N = 28$ ngân hàng, $T = 11$ năm (2012 – 2022), tổng số quan sát $N \times T = 307$ (dữ liệu bảng cân đối).

  2. Đặc tả mô hình toán kinh tế lượng:

Mô hình phương trình hồi quy tuyến tính tổng quát dạng tĩnh: $$ROA_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 CAP_{it} + \beta_3 DEP_{it} + \beta_4 LOAN_{it} + \beta_5 LIQ_{it} + \beta_6 CREDIT_{it} + \beta_7 GDP_t + \beta_8 INF_t + \varepsilon_{it}$$

$$ROE_{it} = \alpha_0 + \alpha_1 SIZE_{it} + \alpha_2 CAP_{it} + \alpha_3 DEP_{it} + \alpha_4 LOAN_{it} + \alpha_5 LIQ_{it} + \alpha_6 CREDIT_{it} + \alpha_7 GDP_t + \alpha_8 INF_t + u_{it}$$

Mô hình hồi quy động dạng Two-step System GMM tích hợp biến trễ: $$ROA_{it} = \beta_0 + \gamma ROA_{i,t-1} + \sum_{k=1}^{6} \beta_k X_{it}^k + \sum_{m=1}^{2} \lambda_m Z_t^m + \eta_i + \nu_{it}$$

$$ROE_{it} = \alpha_0 + \theta ROE_{i,t-1} + \sum_{k=1}^{6} \alpha_k X_{it}^k + \sum_{m=1}^{2} \phi_m Z_t^m + \mu_i + e_{it}$$

Trong đó:

  • $ROA_{it}, ROE_{it}$: Biến phụ thuộc đo lường tỷ suất sinh lời của ngân hàng $i$ tại năm $t$.
  • $ROA_{i,t-1}, ROE_{i,t-1}$ ($L1.ROA, L1.ROE$): Biến trễ bậc 1 phản ánh quán tính lợi nhuận.
  • Nhóm biến vi mô nội tại $X_{it}$:
    • $SIZE_{it}$: Logarit tự nhiên của tổng tài sản ($\ln(Asset)$).
    • $CAP_{it}$: Tỷ lệ vốn chủ sở hữu trên tổng tài sản ($Equity / Total Assets$).
    • $DEP_{it}$: Tỷ lệ tiền gửi khách hàng trên tổng tài sản ($Deposits / Total Assets$).
    • $LOAN_{it}$: Tỷ lệ dư nợ cho vay trên tổng tài sản ($Gross Loans / Total Assets$).
    • $LIQ_{it}$: Tỷ lệ tài sản thanh khoản trên tổng tài sản ($Liquid Assets / Total Assets$).
    • $CREDIT_{it}$: Tỷ lệ nợ xấu trên tổng dư nợ ($NPL / Total Loans$).
  • Nhóm biến vĩ mô $Z_t$:
    • $GDP_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm (%).
    • $INF_t$: Tỷ lệ lạm phát hàng năm tính theo chỉ số giá tiêu dùng CPI (%).
  • $\eta_i, \mu_i$: Tác động cố định riêng lẻ của từng ngân hàng.
  • $\nu_{it}, e_{it}$: Sai số ngẫu nhiên của mô hình.

Methodology

Nghiên cứu áp dụng phương pháp tiếp cận định lượng kinh tế lượng 5 giai đoạn:

[Giai đoạn 1: Data Collection & Cleaning]
[Giai đoạn 2: Descriptive Statistics & Correlation Matrix (VIF < 10)]
[Giai đoạn 3: Model Selection (Pooled OLS vs FEM vs REM) via F-Test & Hausman]
[Giai đoạn 4: Diagnostic Tests (Modified Wald for Heteroskedasticity & Wooldridge for Autocorrelation)]
[Giai đoạn 5: Advanced Correction (FGLS & Two-Step System GMM)]
  • Quản trị rủi ro dữ liệu: Toàn bộ dữ liệu thứ cấp được đối chiếu chéo giữa Báo cáo kiểm toán độc lập của các hãng kiểm toán thuộc nhóm Big 4/kiểm toán Nhà nước và cơ sở dữ liệu từ Ngân hàng Nhà nước, loại bỏ các đơn vị thiếu số liệu liên tục trên 2 năm.
  • Tiêu chuẩn chất lượng mô hình:
    • Đa cộng tuyến: Hệ số tương quan Pearson $< 0.8$; Hệ số phóng đại phương sai $VIF < 10$.
    • Tự tương quan: Kiểm định Wooldridge ($p > 0.05$ sau khi khắc phục).
    • Phương sai thay đổi: Kiểm định Modified Wald ($p < 0.05$ ở mô hình tĩnh, được xử lý triệt để qua FGLS và GMM).
    • Tính hợp lệ của công cụ GMM: Kiểm định Sargan/Hansen ($p > 0.05$), kiểm định Arellano-Bond $AR(1)$ ($p < 0.05$) và $AR(2)$ ($p > 0.05$).

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực hiện thông qua tập lệnh Stata (do-file) với các module tính toán logic:

* Thiết lập không gian và thời gian cho dữ liệu bảng
clear all
use "bank_profitability_data_2012_2022.dta", clear
xtset bank_id year

* 1. Thống kê mô tả và phân tích tương quan
summarize roa roe size cap dep loan liq credit gdp inf
correlate roa roe size cap dep loan liq credit gdp inf

* 2. Ước lượng OLS và kiểm tra VIF
regress roa size cap dep loan liq credit gdp inf
estat vif

* 3. Ước lượng FEM và REM, thực hiện kiểm định Hausman
xtreg roa size cap dep loan liq credit gdp inf, fe
estimates store fe_roa
xtreg roa size cap dep loan liq credit gdp inf, re
estimates store re_roa
hausman fe_roa re_roa

* 4. Kiểm tra khuyết tật mô hình (Phương sai thay đổi & Tự tương quan)
xtreg roa size cap dep loan liq credit gdp inf, fe
xttest3
xtserial roa size cap dep loan liq credit gdp inf

* 5. Khắc phục khuyết tật bằng mô hình FGLS
xtgls roa size cap dep loan liq credit gdp inf, panels(hetero) corr(ar1)

* 6. Khắc phục nội sinh bằng mô hình hồi quy động System GMM
xtabond2 roa l.roa size cap dep loan liq credit gdp inf, ///
    gmm(l.roa cap loan credit, lag(2 3) collapse) ///
    iv(size dep liq gdp inf) twostep robust small

Testing và validation

Kết quả thực thi các kiểm định thống kê trên mẫu 307 quan sát cho thấy:

Chỉ số kiểm định Mô hình ROA Mô hình ROE Kết luận thống kê
F-Test (Pooled OLS vs FEM) $F = 4.82$ ($p = 0.0000$) $F = 3.95$ ($p = 0.0000$) Bác bỏ Pooled OLS, lựa chọn mô hình FEM.
Hausman Test (FEM vs REM) $\chi^2 = 18.64$ ($p = 0.0169$) $\chi^2 = 21.30$ ($p = 0.0064$) Bác bỏ REM ($p < 0.05$), mô hình FEM phù hợp hơn.
Modified Wald Test $\chi^2 = 3241.12$ ($p = 0.0000$) $\chi^2 = 2894.45$ ($p = 0.0000$) Tồn tại hiện tượng phương sai sai số thay đổi.
Wooldridge Test $F = 16.732$ ($p = 0.0003$) $F = 14.108$ ($p = 0.0008$) Tồn tại hiện tượng tự tương quan bậc nhất.
Arellano-Bond AR(1) $z = -3.42$ ($p = 0.0006$) $z = -3.18$ ($p = 0.0015$) Tồn tại tự tương quan bậc 1 (phù hợp lý thuyết).
Arellano-Bond AR(2) $z = 0.86$ ($p = 0.3898$) $z = 1.04$ ($p = 0.2983$) Không tồn tại tự tương quan bậc 2 ($p > 0.05$).
Hansen Test Over-identification $\chi^2 = 19.45$ ($p = 0.2461$) $\chi^2 = 17.82$ ($p = 0.3345$) Biến công cụ hoàn toàn hợp lệ ($p > 0.05$).

Kết quả đạt được

Hệ số ước lượng từ mô hình Two-step System GMM chuẩn hóa cho thấy các mối quan hệ định lượng cụ thể:

Tác động dương (+):
- L1.ROA / L1.ROE: Quán tính lợi nhuận quá khứ thúc đẩy lợi nhuận hiện tại.
- SIZE (Quy mô tài sản): Tận dụng lợi thế kinh tế nhờ quy mô (Economies of Scale).
- CAP (Vốn chủ sở hữu): Đóng vai trò tấm đệm vốn, hạ thấp chi phí huy động rủi ro.
- LOAN (Quy mô tín dụng): Gia tăng thu nhập lãi thuần.
- LIQ (Tính thanh khoản): Nâng cao uy tín, giảm thiểu chi phí thanh khoản khẩn cấp.
- INF (Lạm phát): Điều chỉnh biên lãi ròng linh hoạt theo kỳ vọng lạm phát.

Tác động âm (-):
- DEP (Tiền gửi huy động): Chi phí trả lãi tiền gửi tăng cao gây áp lực chi phí vốn.
- CREDIT (Rủi ro tín dụng/Nợ xấu): Tăng chi phí trích lập dự phòng rủi ro.

Không có ý nghĩa thống kê:
- GDP (Tăng trưởng kinh tế): Không tìm thấy tác động trực tiếp có ý nghĩa đến ROA/ROE.
  1. Biến trễ lợi nhuận ($L1.ROA, L1.ROE$): Đều có tác động cùng chiều mạnh mẽ với mức ý nghĩa 1% ($p < 0.01$). Điều này khẳng định lợi nhuận ngân hàng có tính tự hồi quy cao; ngân hàng hoạt động hiệu quả trong quá khứ sẽ tạo tiền đề vững chắc cho tăng trưởng năm tiếp theo.
  2. Quy mô ngân hàng ($SIZE$): Tác động cùng chiều có ý nghĩa thống kê ($p < 0.01$). Ngân hàng quy mô lớn tối ưu hóa được chi phí quản lý trên mỗi đơn vị tài sản, mở rộng mạng lưới và đa dạng hóa nguồn thu ngoài lãi.
  3. Quy mô vốn chủ sở hữu ($CAP$): Tác động dương đến $ROA$ và $ROE$ ($p < 0.05$). Tỷ lệ an toàn vốn cao giúp ngân hàng củng cố khả năng chống chịu cú sốc tài chính, hạ thấp chi phí vốn vay trên thị trường liên ngân hàng.
  4. Quy mô tín dụng ($LOAN$) & Thanh khoản ($LIQ$): Tác động cùng chiều ($p < 0.05$), cho thấy hoạt động cho vay truyền thống vẫn là động lực sinh lời cốt lõi khi đi kèm năng lực quản trị thanh khoản tốt.
  5. Doanh số tiền gửi huy động ($DEP$) & Rủi ro tín dụng ($CREDIT$): Tác động ngược chiều ($p < 0.01$). Việc gia tăng huy động tiền gửi nhưng không giải ngân kịp thời hoặc tỷ lệ nợ xấu tăng cao buộc ngân hàng tăng chi phí trả lãi và trích lập dự phòng rủi ro tín dụng, bào mòn trực tiếp lợi nhuận ròng.
  6. Lạm phát ($INF$): Tác động cùng chiều ($p < 0.05$), phản ánh khả năng điều chỉnh lãi suất cho vay danh nghĩa nhanh hơn tốc độ điều chỉnh lãi suất huy động của các ngân hàng.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới về mặt học thuật và thực tiễn so với các công trình trước đây:

Tiêu chí so sánh Công trình của Phan Thị Hằng Nga (2017) Công trình của Nguyễn Thị Thanh Tuyền (2018) Đề tài nghiên cứu (Trương Thảo Vy, 2023)
Giai đoạn nghiên cứu 2008 – 2015 (Giai đoạn hậu khủng hoảng) 2010 – 2016 (Tái cơ cấu hệ thống) 2012 – 2022 (Bao trùm COVID-19 & biến động vĩ mô mới nhất)
Kích thước mẫu 33 NHTM, 264 quan sát 26 NHTMCP, 182 quan sát 28 NHTMCP, 307 quan sát (Độ bao phủ 90.3% hệ thống)
Xử lý khuyết tật GMM cơ bản GMM 1 bước Quy trình kép: FGLS kết hợp Two-step System GMM có hiệu chỉnh mẫu nhỏ (Small sample correction)
Kiểm định nội sinh Giả định nội sinh Giả định nội sinh Sử dụng Durbin-Wu-Hausman test chứng minh thực nghiệm hiện tượng nội sinh
  • Cải tiến phương pháp luận: Đề tài không dừng lại ở các kiểm định tĩnh mà giải quyết triệt để hiện tượng nội sinh phát sinh từ mối quan hệ hai chiều giữa vốn chủ sở hữu, nợ xấu và khả năng sinh lời thông qua việc lựa chọn biến công cụ trễ tối ưu trong System GMM.
  • Đóng góp học thuật: Cung cấp bức tranh thực nghiệm toàn diện về hiệu quả kinh doanh của hệ thống NHTMCP Việt Nam trong suốt một thập kỷ tái cơ cấu quyết liệt gắn liền với lộ trình áp dụng Thông tư 41/2016/TT-NHNN (Basel II).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng

  1. Tối ưu hóa bảng cân đối kế toán (ALM - Asset Liability Management):

    • Dựa trên hệ số tác động ngược chiều của biến $DEP$, Hội đồng Quản trị và Ban điều hành cần chấm dứt chiến lược "chạy đua lãi suất huy động" thuần túy.
    • Thay vào đó, tập trung tăng tỷ lệ tiền gửi không kỳ hạn ($CASA$) nhằm giảm chi phí vốn đầu vào ($COF$), trực tiếp nới rộng biên lãi thuần ($NIM$).

  2. Quản trị rủi ro tín dụng và trích lập dự phòng:

    • Hệ số tác động tiêu cực của $CREDIT$ đòi hỏi việc triển khai hệ thống xếp hạng tín dụng nội bộ ứng dụng thuật toán học máy (Machine Learning) để cảnh báo sớm nợ xấu (Early Warning Systems - EWS).
    • Kiểm soát chặt tỷ lệ nợ xấu dưới ngưỡng 2% theo chuẩn mực phân loại nợ quốc tế.
Lộ trình ứng dụng 4 giai đoạn:
- Quý 1: Tái cấu trúc danh mục huy động, nâng tỷ trọng CASA > 25%.
- Quý 2: Nâng cấp mô hình xếp hạng tín dụng nội bộ, kiểm soát tỷ lệ NPL < 1.8%.
- Quý 3: Mở rộng tín dụng bán lẻ & tài trợ chuỗi nhằm tối ưu hóa biến LOAN và SIZE.
- Quý 4: Đánh giá định kỳ chỉ số ROA/ROE thông qua Dashboard kinh tế lượng nội bộ.
  1. Phân tích hiệu quả chi phí - lợi ích (ROI):
    • Việc áp dụng các giải pháp giảm 1% tỷ lệ nợ xấu ($CREDIT$) giúp ngân hàng tiết kiệm hàng nghìn tỷ đồng chi phí trích lập dự phòng, ước tính nâng tỷ suất $ROA$ thêm trung bình 0.15% – 0.28% trên toàn hệ thống.

Hạn chế và hướng phát triển

  • Hạn chế về phạm vi biến số: Nghiên cứu tập trung chủ yếu vào các biến số tài chính định lượng truyền thống trên bảng cân đối kế toán. Chưa lượng hóa được tác động của quá trình chuyển đổi số (Digital Banking Index), thu nhập ngoài lãi từ hoạt động Bancassurance hoặc các chỉ số quản trị môi trường - xã hội - quản trị ($ESG$).
  • Giới hạn mẫu dữ liệu: Đề tài chưa bao gồm 3 ngân hàng thương mại thuộc diện kiểm soát đặc biệt hoặc chưa công bố đầy đủ báo cáo tài chính kiểm toán trong giai đoạn 2012 – 2022.
  • Hướng nghiên cứu mở rộng:
    • Tích hợp thêm các chỉ số kinh tế số và chi phí đầu tư công nghệ thông tin vào mô hình giải thích lợi nhuận.
    • Ứng dụng mô hình dữ liệu bảng phi tuyến (Panel Threshold Model) để tìm ngưỡng tối ưu của quy mô tín dụng và tỷ lệ an toàn vốn.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình xử lý khuyết tật mô hình và cú pháp thực thi hoàn chỉnh trên Stata 17.0.
  • Chuyên viên phân tích tài chính & Lập trình viên định lượng (Quant): Cung cấp bộ tham số định lượng thực nghiệm để xây dựng các mô hình dự báo tài chính, stress-testing lợi nhuận ngân hàng.
  • Nhà quản trị ngân hàng (C-level & ALCO): Cung cấp căn cứ thực nghiệm vững chắc để hoạch định chính sách lãi suất, quản lý thanh khoản và cân đối cơ cấu vốn.
  • Cơ quan quản lý Nhà nước (NHNN): Hỗ trợ cơ sở dữ liệu định lượng phục vụ công tác thanh tra, giám sát an toàn vĩ mô và điều hành chính sách tiền tệ linh hoạt.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập mô hình kinh tế lượng này là gì?
Hệ thống cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0 MP) hoặc các gói thư viện tương đương trên R (plm, systemfit) hay Python (linearmodels). Dữ liệu đầu vào yêu cầu cấu trúc Panel Data dạng cân bằng với đầy đủ định danh thực thể (bank_id) và thời gian (year).

2. Tại sao mô hình Pooled OLS, FEM và REM không được chọn làm kết quả cuối cùng?
Do dữ liệu bảng ngân hàng luôn tồn tại hiện tượng phương sai sai số thay đổi (xác nhận qua kiểm định Modified Wald, $p < 0.001$) và tự tương quan chuỗi (kiểm định Wooldridge, $p < 0.001$), đồng thời có hiện tượng nội sinh giữa vốn chủ sở hữu, nợ xấu và khả năng sinh lời. Các mô hình tĩnh sẽ cho ước lượng chệch và không hiệu quả, do đó phương pháp Two-step System GMM là lựa chọn chuẩn xác nhất.

3. Làm thế nào để tích hợp mô hình này vào hệ thống quản trị dữ liệu ngân hàng?
Mô hình có thể được đóng gói thành các script tự động hóa (Python/R) kết nối trực tiếp với kho dữ liệu (Data Warehouse/Core Banking) của ngân hàng thông qua giao thức API, tự động tính toán lại các hệ số tác động khi có báo cáo tài chính quý mới.

4. Quy trình bảo trì và cập nhật dữ liệu định kỳ như thế nào?
Dữ liệu cần được cập nhật theo quý hoặc theo năm sau khi báo cáo tài chính soát xét/kiểm toán được công bố. Cần chạy lại kiểm định Hansen và Arellano-Bond để đảm bảo tính hợp lệ của các biến công cụ khi mẫu quan sát mở rộng.

5. Mô hình này giúp tối ưu hóa lợi nhuận ngân hàng như thế nào?
Mô hình chỉ ra rõ ràng việc tăng trưởng quy mô ($SIZE$) và mở rộng tín dụng ($LOAN$) chỉ thực sự tạo ra lợi nhuận khi đi kèm với việc siết chặt chất lượng tài sản ($CREDIT$) và kiểm soát chi phí huy động ($DEP$). Điều này giúp ngân hàng phân bổ nguồn vốn vào các phân khúc khách hàng có biên lợi nhuận điều chỉnh theo rủi ro ($RAROC$) cao nhất.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện các mục tiêu nghiên cứu đề ra thông qua việc ứng dụng phương pháp kinh tế lượng hiện đại Two-step System GMM trên mẫu 28 NHTMCP Việt Nam giai đoạn 2012 – 2022 (307 quan sát). Kết quả thực nghiệm khẳng định lợi nhuận ngân hàng ($ROA, ROE$) chịu tác động tích cực từ quán tính lợi nhuận quá khứ ($L1.ROA, L1.ROE$), quy mô tài sản ($SIZE$), quy mô vốn chủ sở hữu ($CAP$), quy mô tín dụng ($LOAN$), thanh khoản ($LIQ$) và lạm phát ($INF$). Ngược lại, chi phí huy động tiền gửi ($DEP$) và rủi ro tín dụng ($CREDIT$) là hai rào cản lớn nhất làm suy giảm lợi nhuận.

Nghiên cứu mang lại giá trị thực tiễn to lớn cho công tác điều hành ngân hàng thương mại: chuyển dịch từ mô hình tăng trưởng dựa trên quy mô huy động sang mô hình tăng trưởng hiệu quả, quản trị rủi ro chủ động và tối ưu hóa chi phí vốn. Các nhà nghiên cứu và quản trị tài chính có thể ứng dụng trực tiếp khung phân tích định lượng này để nâng cao năng lực cạnh tranh và phát triển bền vững trong kỷ nguyên số.