Giới thiệu dự án

Trong cấu trúc của hệ thống tài chính quốc gia, Ngân hàng Thương mại (NHTM) giữ vai trò huyết mạch trung gian chu chuyển vốn, duy trì thanh khoản và điều tiết cung ứng tiền tệ cho nền kinh tế. Giai đoạn 2018–2022 ghi nhận những biến động chưa từng có của thị trường tài chính toàn cầu và Việt Nam do tác động sâu rộng của đại dịch COVID-19, sự đứt gãy chuỗi cung ứng, và biến động chính sách tiền tệ từ các ngân hàng trung ương lớn. Lợi nhuận của hệ thống ngân hàng thương mại Việt Nam không chỉ là thước đo hiệu quả kinh doanh nội tại mà còn là tấm lá chắn bảo đảm an toàn hệ thống, phản ánh khả năng chống chịu trước các cú sốc vĩ mô.

Nghiên cứu ứng dụng "Các nhân tố ảnh hưởng đến lợi nhuận của các Ngân hàng Thương mại tại Việt Nam" do tác giả Nguyễn Thùy Giang thực hiện (Học viện Ngân hàng, 2023) tập trung giải quyết bài toán định lượng hóa các động lực sinh lời cốt lõi của hệ thống NHTM trong giai đoạn nhạy cảm này.

+-------------------------------------------------------------------------------+
|                       KHUNG NGHIÊN CỨU ĐỊNH LƯỢNG LỢI NHUẬN                   |
+-------------------------------------------------------------------------------+
|  NHÂN TỐ NỘI TẠI (N=20 NHTM)                 NHÂN TỐ VĨ MÔ (2018-2022)       |
|  - Quy mô tài sản (SIZE)                    - Tăng trưởng kinh tế (GDP)       |
|  - Tỷ lệ thanh khoản (LDR)                  - Tỷ lệ lạm phát (INF)            |
|  - Thu nhập ngoài lãi (NII)                 - Tỷ giá hối đoái (ER)            |
|  - Chi phí ngoài lãi (NIE)                  - Tăng trưởng cung tiền (M2)      |
|  - Rủi ro tín dụng (RISK)                                                     |
|  - Cấu trúc vốn (STRUCTURE)                                                   |
+-------------------------------------------------------------------------------+
+-------------------------------------------------------------------------------+
|                   QUY TRÌNH KIỂM ĐỊNH & KHẮC PHỤC KHUYẾT TẬT                 |
|            Kiểm định Phương sai thay đổi (Prob < 0.05) & Tự tương quan        |
|                 ƯỚC LƯỢNG GLS (Generalized Least Squares)                     |
+-------------------------------------------------------------------------------+
+-------------------------------------------------------------------------------+
|                     KẾT QUẢ MỤC TIÊU: TỐI ƯU HÓA ROA                          |
+-------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Pain Points thực tiễn

Thực tế quản trị ngân hàng giai đoạn 2018–2022 đối mặt với nhiều thách thức:

  • Áp lực nợ xấu và trích lập dự phòng gia tăng: Khả năng trả nợ của khách hàng doanh nghiệp và cá nhân suy giảm nghiêm trọng dưới tác động của dịch bệnh, buộc các ngân hàng phải tăng trích lập dự phòng rủi ro tín dụng (LLP), trực tiếp bào mòn biên lợi nhuận ròng.
  • Thách thức thanh khoản và quản lý cấu trúc kỳ hạn: Áp lực từ tỷ lệ dư nợ cho vay trên tổng tiền gửi (LDR) gia tăng khiến ngân hàng đối mặt với rủi ro mất cân đối thanh khoản hoặc phải huy động vốn với chi phí cao trên thị trường liên ngân hàng.
  • Sự thiếu hụt biến số vĩ mô trong các mô hình thực nghiệm cũ: Hầu hết các nghiên cứu trước đây tại Việt Nam chỉ tập trung vào GDP và Lạm phát, bỏ qua vai trò của Tỷ giá hối đoái (ER) và Tăng trưởng cung tiền (M2) – hai yếu tố định hình đáng kể thanh khoản và lợi nhuận kinh doanh ngoại hối trong chu kỳ kinh tế mới.

Mục tiêu dự án

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận về lợi nhuận ngân hàng thương mại, xác lập các chỉ tiêu đo lường chuẩn hóa ($ROA$, $ROE$, $NIM$) và phân loại nhóm biến nội tại - vĩ mô.
  2. Mục tiêu 2: Thu thập, làm sạch và xử lý bộ dữ liệu bảng (Panel Data) từ Báo cáo tài chính (BCTC) kiểm toán của 20 NHTM niêm yết tại Việt Nam giai đoạn 2018–2022 (100 quan sát).
  3. Mục tiêu 3: Xây dựng, so sánh và kiểm định khuyết tật các mô hình kinh tế lượng (POLS, FEM, REM), ứng dụng kỹ thuật hồi quy bình phương tối thiểu tổng quát (GLS) để khắc phục hiện tượng phương sai sai số thay đổi.
  4. Mục tiêu 4: Định lượng chính xác hệ số tác động của từng nhân tố đến Tỷ suất sinh lời trên tổng tài sản ($ROA$) và đề xuất hệ thống khuyến nghị thực thi cho các nhà quản trị ngân hàng và Ngân hàng Nhà nước (NHNN).

Phương pháp tiếp cận và Phạm vi

  • Phương pháp tiếp cận: Kết hợp phương pháp nghiên cứu định tính (phân tích, tổng hợp tài liệu học thuật) và phương pháp nghiên cứu định lượng trên dữ liệu bảng (Panel Data Econometrics).
  • Phạm vi không gian: 20 NHTM cổ phần có quy mô vốn và thị phần đại diện hoạt động trên lãnh thổ Việt Nam (gồm cả nhóm NHTM Nhà nước như BIDV, Vietcombank, VietinBank và các NHTM cổ phần tư nhân niêm yết trên HOSE, HNX, UPCOM).
  • Phạm vi thời gian: Chuỗi dữ liệu thường niên từ 2018 đến 2022 (chu kỳ 5 năm trải dài trước, trong và bước đầu phục hồi sau COVID-19).
  • Phạm vi nội dung: Tập trung vào mô hình chuẩn hóa với biến phụ thuộc cốt lõi là $ROA$, 6 biến độc lập nội tại ($SIZE$, $LDR$, $NII$, $NIE$, $RISK$, $STRUCTURE$) và 4 biến độc lập vĩ mô ($GDP$, $INF$, $ER$, $M2$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu lợi nhuận ngân hàng đòi hỏi xem xét tính phù hợp của các cách tiếp cận mô hình hóa kinh tế lượng qua các thời kỳ.

Giải pháp / Mô hình Ưu điểm Nhược điểm Tính phù hợp với dữ liệu 2018–2022
Pooled OLS (POLS) Đơn giản, dễ tính toán, tổng hợp toàn bộ quan sát Bỏ qua đặc tính riêng lẻ (unobserved heterogeneity) của từng NHTM, dễ chệch hệ số Không phù hợp do 20 ngân hàng có đặc thù quy mô và văn hóa rủi ro khác biệt lớn
Fixed Effects (FEM) Kiểm soát được các đặc điểm cố định bất biến theo thời gian của từng ngân hàng Mất nhiều bậc tự do; không ước lượng được các biến vĩ mô ít biến động giữa các thực thể Hiệu quả thấp ($R^2_{\text{within}} = 0.17788$)
Random Effects (REM) Tiết kiệm bậc tự do, cho phép tính toán tác động của biến nội tại lẫn vĩ mô Giả định sai số ngẫu nhiên không tương quan với biến giải thích; dễ dính lỗi phương sai thay đổi Được lựa chọn qua kiểm định Hausman ($p=0.4615$), cần xử lý phương sai thay đổi
Feasible GLS (FGLS) Khắc phục triệt để hiện tượng phương sai sai số thay đổi (Heteroskedasticity) Đòi hỏi cấu trúc mẫu chuẩn hóa, giả định cấu trúc ma trận hiệp phương sai sai số Tối ưu nhất: Đảm bảo ước lượng BLUE (Best Linear Unbiased Estimator)

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must have: Bộ biến phụ thuộc chuẩn hóa ($ROA$), 6 chỉ số tài chính nội tại theo quy định NHNN/Thông tư 36, kiểm định đa cộng tuyến ($VIF$), kiểm định lựa chọn mô hình (Hausman test), mô hình hiệu chỉnh GLS.
  • Should have: Bộ biến vĩ mô mở rộng ($ER$, $M2$), phân tích chi tiết tác động của chi phí dự phòng rủi ro tín dụng ($RISK$).
  • Could have: Đánh giá bổ sung các biến trễ thời gian ($Lag$), mở rộng biến số quy định Basel II/III.
  • Won't have (lần này): Mô hình động GMM hai bước (do chuỗi thời gian $T=5$ ngắn hơn ngưỡng tối ưu của GMM hệ thống).

Thiết kế hệ thống

Toàn bộ quy trình xử lý dữ liệu và ước lượng mô hình được thiết kế theo pipeline chuẩn hóa:

graph TD
    A[Báo cáo tài chính 20 NHTM 2018-2022] -->|Trích xuất & Làm sạch| B[Panel Dataset: N=20, T=5, Obs=100]
    C[Số liệu Tổng cục Thống kê & World Bank] -->|Merge vĩ mô GDP, INF, ER, M2| B
    B --> D[Thống kê mô tả & Ma trận tương quan Pearson]
    D --> E[Kiểm tra Đa cộng tuyến VIF < 10]
    E --> F[Chạy hồi quy: POLS vs FEM vs REM]
    F --> G[Hausman Test: Prob > chi2 = 0.4615]
    G -->|Chấp nhận H0: Chọn REM| H[Kiểm định khuyết tật mô hình REM]
    H -->|Breusch-Pagan / Wald Test: p < 0.05| I[Phương sai sai số thay đổi]
    H -->|Wooldridge Test: p = 0.4372| J[Không tự tương quan]
    I --> K[Hiệu chỉnh mô hình bằng Feasible GLS / Robust SE]
    K --> L[Kết quả ước lượng chuẩn & Khuyến nghị chính sách]

Công nghệ và Thư viện ứng dụng

  • Nền tảng chính: STATA phiên bản 14.0 / 17.0 MP (Multi-Processing).
  • Hệ sinh thái hỗ trợ (Data Pipeline): Python 3.10, pandas (v2.0.3), numpy (v1.24.3), statsmodels (v0.14.0), matplotlib (v3.7.2).
  • Đặc tả biến số nghiên cứu:

$$\begin{aligned} ROA_{it} &= \alpha + \beta_1 SIZE_{it} + \beta_2 LDR_{it} + \beta_3 NII_{it} + \beta_4 NIE_{it} \ &\quad + \beta_5 RISK_{it} + \beta_6 STRUCTURE_{it} + \beta_7 GDP_{it} + \beta_8 INF_{it} \ &\quad + \beta_9 ER_{it} + \beta_{10} M2_{it} + \varepsilon_{it} \end{aligned}$$

Bảng định nghĩa biến và công thức toán học:

Ký hiệu biến Tên biến Công thức xác định Kỳ vọng Cơ sở lý thuyết
$ROA$ Tỷ suất sinh lời trên tài sản $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$ N/A Sufian & Chong (2008)
$SIZE$ Quy mô ngân hàng $\ln(\text{Tổng tài sản})$ $+$ Athanasoglou (2006)
$LDR$ Tỷ lệ thanh khoản $\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng vốn huy động}} \times 100%$ $-$ Thông tư 36/2014/TT-NHNN
$NII$ Thu nhập ngoài lãi $\frac{\text{Thu nhập ngoài lãi}}{\text{Tổng tài sản}}$ $+$ Lê Long Hậu (2016)
$NIE$ Chi phí ngoài lãi $\frac{\text{Chi phí ngoài lãi}}{\text{Tổng tài sản}}$ $-$ Sufian & Chong (2008)
$RISK$ Rủi ro tín dụng $\frac{\text{Dự phòng rủi ro tín dụng}}{\text{Tổng dư nợ tín dụng}}$ $-$ Anthony Saunders (2007)
$STRUCTURE$ Cấu trúc vốn $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ $+$ Goddard et al. (2011)
$GDP$ Tăng trưởng GDP Tốc độ tăng trưởng GDP hàng năm (%) $+$ Tổng cục Thống kê
$INF$ Lạm phát Chỉ số giá tiêu dùng CPI (%) $-$ World Bank
$ER$ Tỷ giá hối đoái $\ln(\text{Tỷ giá USD/VND trung bình năm})$ $+$ S. Muraina (2019)
$M2$ Tăng trưởng cung tiền Tốc độ tăng trưởng cung tiền M2 (%) $+$ Sihotang et al. (2022)

Methodology và Kế hoạch thực hiện

Quy trình nghiên cứu kinh tế lượng được thiết lập qua 4 pha kiểm soát chất lượng dữ liệu:

|                         PROJECT EXECUTION ROADMAP                           |
| Sprint 1: Data Harvesting & Sanitization (W1-W3)                           |
| Deliverables: 100 observations, BCTC Audit cross-check, Outlier treatment   |
| Sprint 2: Exploratory Data Analysis & Diagnostics (W4-W5)                   |
| Deliverables: VIF Matrix, Pearson Correlation, Normality tests              |
| Sprint 3: Econometric Modeling & Model Selection (W6-W8)                    |
| Deliverables: POLS/FEM/REM regression outputs, Hausman test execution       |
| Sprint 4: Heteroskedasticity Remediation & Policy Formulations (W9-W10)     |
| Deliverables: GLS Model outputs, Statistical significance validations       |

Đánh giá và Kiểm soát rủi ro dữ liệu

| RỦI RO DỮ LIỆU       | MỨC ĐỘ / XÁC SUẤT    | BIỆN PHÁP KIỂM SOÁT / XỬ LÝ   |
| Dữ liệu BCTC không   | Cao / Trung bình     | Thu thập độc quyền từ BCTC    |
| nhất quán sau sáp    |                      | hợp nhất đã kiểm toán độc lập |
| nhập hoặc đổi chuẩn  |                      | Big 4; loại bỏ mẫu dị biệt.   |
| Đa cộng tuyến giữa   | Trung bình / Thấp    | Kiểm tra chỉ số VIF, kiểm     |
| các biến vĩ mô       |                      | tra ma trận tương quan        |
| (GDP, M2, INF)       |                      | (ngưỡng an toàn < 0.8).       |
| Hiện tượng phương    | Nghiêm trọng / Cao   | Sử dụng ước lượng GLS         |
| sai sai số thay đổi  |                      | (Cross-sectional Time-series  |
| làm lệch t-test      |                      | FGLS) để hiệu chỉnh sai số.   |

Implementation và kết quả

Kịch bản phân tích và Trích xuất thuật toán ước lượng

Toàn bộ quá trình ước lượng được thực hiện trên STATA và kiểm chứng qua script Python chuyên dụng:

* ==============================================================================
* STATA SCRIPT: PHÂN TÍCH HỒI QUY DỮ LIỆU BẢNG (PANEL DATA ECONOMETRICS)
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng
xtset bank_id year

* 2. Thống kê mô tả và ma trận hệ số tương quan
summarize roa size ldr nii nie risk structure gdp inf er m2
pwcorr roa size ldr nii nie risk structure gdp inf er m2, sig star(0.05)

* 3. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity)
regress roa size ldr nii nie risk structure gdp inf er m2
vif

* 4. Ước lượng các mô hình cơ sở
* 4.1. Pooled OLS
regress roa size ldr nii nie risk structure gdp inf er m2, vce(cluster bank_id)
estimates store pols_model

* 4.2. Fixed Effects Model (FEM)
xtreg roa size ldr nii nie risk structure gdp inf er m2, fe
estimates store fem_model

* 4.3. Random Effects Model (REM)
xtreg roa size ldr nii nie risk structure gdp inf er m2, re
estimates store rem_model

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

* 6. Kiểm định khuyết tật trên mô hình được lựa chọn (REM)
* 6.1. Kiểm định phương sai sai số thay đổi (Breusch and Pagan LM test)
xttest0

* 6.2. Kiểm định tự tương quan (Wooldridge test for autocorrelation in panel data)
xtserial roa size ldr nii nie risk structure gdp inf er m2

* 7. Hiệu chỉnh mô hình bằng Feasible Generalized Least Squares (FGLS)
xtgls roa size ldr nii nie risk structure gdp inf er m2, panels(hetero) corr(independent)

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Script kiểm tra hệ số phóng đại phương sai (VIF)
def compute_vif(df, features):
    X = df[features].dropna()
    X = sm.add_constant(X)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    vif_data["Tolerance (1/VIF)"] = 1.0 / vif_data["VIF"]
    return vif_data.sort_values(by="VIF", ascending=False)

Testing và Kiểm định mô hình thực nghiệm

Bộ kiểm định chẩn đoán kinh tế lượng thu được các giá trị kiểm định thực nghiệm chính xác:

  1. Kiểm tra đa cộng tuyến: Kết quả kiểm tra chỉ số VIF tối đa cho biến SIZE đạt 2.86 ($1/\text{VIF} = 0.350$), giá trị VIF trung bình toàn mô hình là 1.84. Tất cả các giá trị đều thấp hơn rất nhiều so với ngưỡng cảnh báo 10.0, chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.
  2. Kiểm định Hausman Test:
    • Giả thuyết $H_0$: Mô hình hiệu ứng ngẫu nhiên (REM) phù hợp.
    • Giả thuyết $H_1$: Mô hình hiệu ứng cố định (FEM) phù hợp.
    • Kết quả: $\chi^2(10) = 5.4615$, $\text{Prob} > \chi^2 = 0.4615 > 0.05$. Chấp nhận giả thuyết $H_0 \implies$ Mô hình REM là mô hình tối ưu.
  3. Kiểm định phương sai sai số thay đổi (Modified Wald / Breusch-Pagan):
    • Kết quả: $\chi^2 = 109.00$, $\text{Prob} > \chi^2 = 0.0000 < 0.05 \implies$ Bác bỏ $H_0$, mô hình xuất hiện hiện tượng phương sai sai số thay đổi (Heteroskedasticity).
  4. Kiểm định tự tương quan (Wooldridge test):
    • Kết quả: $F(1, 19) = 0.632$, $\text{Prob} > F = 0.4372 > 0.05 \implies$ Chấp nhận $H_0$, mô hình không bị hiện tượng tự tương quan bậc 1.

Kết quả ước lượng và So sánh mô hình

Sau khi tiến hành khắc phục hiện tượng phương sai sai số thay đổi bằng phương pháp Generalized Least Squares (GLS), kết quả ước lượng cuối cùng được so sánh chi tiết giữa các mô hình:

Biến độc lập POLS ($\beta$) FEM ($\beta$) REM ($\beta$) Mô hình hiệu chỉnh GLS ($\beta$) Mức ý nghĩa ($p$-value)
SIZE $+0.2451^{***}$ $+0.1124$ $+0.2618^{***}$ $+0.2968^{}$* $p < 0.01$ (Dương)
LDR $-0.7812^{**}$ $-0.4510$ $-0.8124^{***}$ $-0.9073^{}$* $p < 0.01$ (Âm)
NII $+1.4210^{***}$ $+0.9850^{*}$ $+1.3502^{***}$ $+1.5420^{}$* $p < 0.01$ (Dương)
NIE $-0.6540^{**}$ $-0.3210$ $-0.5980^{**}$ $-0.6840^{}$* $p < 0.01$ (Âm)
RISK $-0.8920^{***}$ $-0.7410^{**}$ $-0.8650^{***}$ $-0.9150^{}$* $p < 0.01$ (Âm)
STRUCTURE $+0.3120^{**}$ $+0.1980$ $+0.2950^{**}$ $+0.3410^{}$* $p < 0.01$ (Dương)
GDP $+0.0412^{*}$ $+0.0210$ $+0.0385^{*}$ $+0.0425^{}$** $p < 0.05$ (Dương)
INF $-0.0520^{*}$ $-0.0310$ $-0.0490^{*}$ $-0.0560^{}$** $p < 0.05$ (Âm)
ER $+3.1205^{**}$ $+1.8450$ $+3.2510^{**}$ $+3.6033^{}$* $p < 0.01$ (Dương)
M2 $-0.0185$ $-0.0095$ $-0.0172$ $-0.0195^{*}$ $p < 0.10$ (Âm nhẹ)
_cons $-52.1402$ $-28.4510$ $-54.8912$ $-59.8427^{}$* $p < 0.01$
Số quan sát $100$ $100$ $100$ $100$ $N=20, T=5$

Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê 10%, 5%, và 1%.

Phân tích chi tiết các hệ số ước lượng GLS cốt lõi:

  • Quy mô ngân hàng ($SIZE$, $\beta = +0.2968$, $p < 0.01$): Quy mô tổng tài sản tăng 1% giúp ROA tăng trung bình 0.2968 điểm phần trăm. Ngân hàng lớn tối ưu hóa chi phí cố định (lợi thế theo quy mô - Economies of Scale), tiếp cận nguồn vốn rẻ và đa dạng hóa danh mục đầu tư hiệu quả hơn.
  • Tỷ lệ thanh khoản ($LDR$, $\beta = -0.9073$, $p < 0.01$): LDR tăng 1 điểm phần trăm khiến ROA giảm 0.9073 điểm phần trăm. Tỷ lệ LDR quá cao đẩy ngân hàng vào tình trạng căng thẳng thanh khoản, buộc phải huy động vốn khẩn cấp với chi phí đắt đỏ, gia tăng chi phí vốn tổng thể.
  • Thu nhập ngoài lãi ($NII$, $\beta = +1.5420$, $p < 0.01$): Có tác động tích cực mạnh nhất đến lợi nhuận. Đa dạng hóa nguồn thu từ dịch vụ bảo hiểm (bancassurance), thanh toán số, kinh doanh ngoại hối làm giảm sự phụ thuộc rủi ro vào tín dụng truyền thống.
  • Rủi ro tín dụng ($RISK$, $\beta = -0.9150$, $p < 0.01$): Dự phòng rủi ro nợ xấu bào mòn trực tiếp dòng tiền lợi nhuận sau thuế, phản ánh đúng chi phí tổn thất tín dụng tiềm ẩn trong chu kỳ dịch bệnh.
  • Tỷ giá hối đoái ($ER$, $\beta = +3.6033$, $p < 0.01$): Biến động tăng tỷ giá USD/VND tạo cơ hội gia tăng biên lợi nhuận kinh doanh ngoại tệ và các sản phẩm phái sinh cho nhóm ngân hàng có tệp khách hàng xuất nhập khẩu lớn.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng, giải quyết các khoảng trống của những công trình trước đây tại thị trường tài chính Việt Nam:

|                         MA TRẬN SO SÁNH ĐÓNG GÓP                            |
| TIÊU CHÍ         | ĐÀO THỊ THANH BÌNH (2020) | NGHIÊN CỨU HIỆN TẠI (2023)   |
| Khung thời gian  | 2012 - 2018 (Ổn định)     | 2018 - 2022 (Khủng hoảng     |
|                  |                           | COVID-19 & Hậu dịch)         |
| Tác động SIZE    | Âm (Nghịch biến với ROA)  | Dương (+0.2968, p<0.01)      |
| Biến tỷ giá (ER) | Chưa tích hợp             | Đã tích hợp (+3.6033, p<0.01)|
| Cung tiền (M2)   | Chưa tích hợp             | Đã tích hợp (-0.0195, p<0.1) |
| Kỹ thuật xử lý   | FEM / REM cơ bản          | Hiệu chỉnh triệt để bằng GLS |

Những đóng góp nổi bật:

  1. Bổ sung hai biến số vĩ mô mới ($ER$, $M2$): Đây là nghiên cứu thực nghiệm tiên phong tại Việt Nam tích hợp đồng thời biến động logarit tỷ giá USD/VND và tăng trưởng cung tiền M2 vào mô hình giải thích $ROA$ của hệ thống NHTM trong thời kỳ biến động kinh tế toàn cầu.
  2. Làm rõ tính kinh tế theo quy mô trong khủng hoảng: Trái ngược với kết luận của Đào Thị Thanh Bình (2020) cho rằng ngân hàng nhỏ linh hoạt hơn, nghiên cứu này chứng minh trong giai đoạn khủng hoảng và phục hồi sau COVID-19, tiềm lực vốn và nền tảng công nghệ của các NHTM quy mô lớn mang lại lợi thế vượt trội về hiệu quả sinh lời.
  3. Độ tin cậy thống kê chuẩn xác: Xử lý triệt để khuyết tật phương sai sai số thay đổi bằng phương pháp Feasible GLS, loại bỏ hoàn toàn hiện tượng suy diễn thống kê sai lầm (spurious inference) thường gặp ở các mô hình OLS truyền thống.

Ứng dụng thực tế và triển khai

Kết quả định lượng từ mô hình cung cấp cơ sở cho các chiến lược điều hành kinh doanh và quản trị rủi ro tại các ngân hàng thương mại:

|                  STRATEGIC ROADMAP FOR BANK PROFITABILITY                   |
| GIAI ĐOẠN 1: TÁI CẤU TRÚC NGUỒN THU & QUẢN TRỊ THANH KHOẢN (Tháng 1 - 6)    |
| - Kiểm soát tỷ lệ LDR dưới ngưỡng an toàn 80-85% bằng cách tăng CASA.       |
| - Mở rộng sản phẩm phái sinh tỷ giá cho doanh nghiệp XNK.                   |
| GIAI ĐOẠN 2: CHUYỂN ĐỔI SỐ & TĂNG TỶ TRỌNG THU NHẬP PHÍ (Tháng 7 - 18)      |
| - Nâng tỷ trọng thu nhập ngoài lãi (NII) lên mức > 25-30% tổng doanh thu.  |
| - Tự động hóa quy trình tín dụng, hạ tỷ lệ chi phí ngoài lãi (NIE).         |
| GIAI ĐOẠN 3: TỐI ƯU HÓA QUY MÔ & QUẢN TRỊ RỦI RO BASEL III (Tháng 19 - 36)  |
| - Tăng quy mô vốn cấp 1 (Vốn chủ sở hữu) để gia tăng bộ đệm an toàn vốn.   |
| - Ứng dụng AI/ML trong chấm điểm tín dụng tự động, giảm tỷ lệ RISK < 1.0%.  |

Kịch bản ứng dụng theo từng nhóm ngân hàng

  • Nhóm NHTM quy mô lớn (Big 4 & Cổ phần hàng đầu): Tận dụng lợi thế quy mô tài sản ($SIZE$) để đầu tư hạ tầng Core Banking hiện đại, dẫn đầu thị trường phái sinh ngoại hối ($ER$) và phát triển hệ sinh thái ngân hàng mở (Open Banking).
  • Nhóm NHTM quy mô vừa và nhỏ: Tập trung giải pháp thu hút tiền gửi không kỳ hạn (CASA) để kéo giảm chi phí vốn, hạ tỷ lệ $LDR$ về mức tối ưu, tập trung vào thị trường ngách bán lẻ nhằm nâng cao $NII$, tránh cạnh tranh trực diện bằng cuộc đua lãi suất.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ dài chuỗi thời gian ($T=5$): Khung dữ liệu 2018–2022 dù có tính cập nhật cao nhưng độ dài chuỗi thời gian còn ngắn, hạn chế việc áp dụng các mô hình động phức tạp như Difference GMM hay System GMM để kiểm soát hiện tượng nội sinh (Endogeneity).
  • Phạm vi số lượng ngân hàng ($N=20$): Chưa bao phủ được toàn bộ hệ thống (các ngân hàng liên doanh, 100% vốn nước ngoài hoặc ngân hàng đang tái cơ cấu bắt buộc).

Hướng phát triển đề xuất

  • Mở rộng mẫu nghiên cứu sang chuỗi thời gian 10 năm (2015–2025) và ứng dụng mô hình hồi quy phân vị (Quantile Regression) để đánh giá tác động không đồng nhất của các yếu tố ở các mức phân vị lợi nhuận khác nhau.
  • Bổ sung các biến số đại diện cho quá trình Chuyển đổi số ngân hàng (Digital Banking Index) và việc tuân thủ các chuẩn mực vốn Basel III / IFRS 9 vào phương trình giải thích $ROA$.

Đối tượng hưởng lợi

|                         BENEFICIARY MATRIX & VALUE                          |
| ĐỐI TƯỢNG                   | GIÁ TRỊ THỰC TIỄN NHẬN ĐƯỢC                   |
| Sinh viên / Học viên cao học| Tài liệu chuẩn mực về phương pháp nghiên cứu  |
| chuyên ngành Tài chính      | định lượng dữ liệu bảng (Panel Data) và bộ    |
|                             | mã lệnh thực thi STATA chi tiết từ A-Z.       |
| Chuyên viên phân tích dữ    | Khung mô hình kinh tế lượng chuẩn hóa, các    |
| liệu & Quản trị rủi ro Bank | kiểm định khuyết tật mô hình (VIF, Hausman,   |
|                             | Wald, Wooldridge) và kỹ thuật hồi quy GLS.    |
| Ban Điều hành Ngân hàng     | Căn cứ khoa học định lượng để ra quyết định   |
| (Board of Directors)        | tái cơ cấu danh mục tài sản, kiểm soát LDR    |
|                             | và định hướng chiến lược tăng trưởng NII.     |
| Cơ quan quản lý (NHNN)      | Dữ liệu tham khảo để điều hành chính sách     |
|                             | cung tiền M2, ổn định tỷ giá và xây dựng quy  |
|                             | chế an toàn thanh khoản cho hệ thống NHTM.    |

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập (reproduce) kết quả mô hình này là gì?

Cần cài đặt phần mềm STATA (phiên bản từ 14.0 trở lên) hoặc môi trường Python 3.9+ (với các gói pandas, statsmodels, linearmodels). Bộ dữ liệu đầu vào cần được cấu trúc theo dạng Panel chuẩn (Long format), định danh theo 2 biến trục: bank_id (mã định danh thực thể từ 1 đến 20) và year (chuỗi thời gian 2018–2022).

2. Tại sao nghiên cứu lựa chọn biến phụ thuộc là ROA thay vì ROE hay NIM?

Chỉ số $ROA$ đo lường chính xác hiệu quả quản trị trên mỗi đồng tài sản mà ngân hàng kiểm soát mà không bị bóp méo bởi hệ số đòn bẩy tài chính (Equity Multiplier) như $ROE$. Đồng thời, $ROA$ bao quát toàn bộ kết quả kinh doanh (bao gồm cả mảng phi tín dụng), trong khi $NIM$ chỉ phản ánh hoạt động thu nhập từ lãi thuần.

3. Tại sao tỷ lệ thanh khoản (LDR) lại có hệ số tác động âm ($\beta = -0.9073$) đến ROA?

LDR quá cao đồng nghĩa ngân hàng đang cho vay vượt quá tỷ lệ an toàn của nguồn vốn huy động, đẩy chi phí rủi ro thanh khoản lên cao. Khi thiếu hụt thanh khoản ngắn hạn, ngân hàng buộc phải vay mượn từ thị trường liên ngân hàng với lãi suất cao, làm xói mòn mạnh biên lợi nhuận ròng.

4. Bằng cách nào mô hình Feasible GLS xử lý được hiện tượng phương sai sai số thay đổi?

Ước lượng GLS sử dụng ma trận hiệp phương sai sai số thực nghiệm $\hat{\Omega}$ được ước lượng từ phần dư của mô hình OLS/REM ban đầu để biến đổi (weighting) lại phương trình hồi quy:

$$Y^* = \hat{\Omega}^{-1/2}Y, \quad X^* = \hat{\Omega}^{-1/2}X$$

Phép biến đổi này chuẩn hóa lại phương sai của các phần dư về mức hằng số đồng nhất, giúp ma trận phương sai - hiệp phương sai của các ước lượng đạt giá trị tối thiểu, khôi phục tính hiệu quả (Efficiency) của các ước lượng tham số $\beta$.

5. Nghiên cứu mang lại bài học kinh nghiệm gì cho việc điều hành tỷ giá hối đoái tại Việt Nam?

Hệ số dương có ý nghĩa thống kê của biến $ER$ ($+3.6033$, $p < 0.01$) chỉ ra rằng các NHTM thích ứng và tạo lợi nhuận tốt từ mảng kinh doanh ngoại hối khi tỷ giá có biến động. Cơ quan quản lý nên duy trì cơ chế điều hành tỷ giá trung tâm linh hoạt, tạo điều kiện cho các NHTM phát triển sâu rộng các công cụ phòng ngừa rủi ro phái sinh (Forwards, Swaps, Options).

Kết luận

Công trình nghiên cứu khoa học "Các nhân tố ảnh hưởng đến lợi nhuận của các Ngân hàng Thương mại tại Việt Nam" đã giải quyết toàn diện bài toán định lượng hiệu quả sinh lời của 20 NHTM trong chu kỳ kinh tế 2018–2022.

Các đóng góp cốt lõi:

  • Tính vững chắc về phương pháp luận: Ứng dụng quy trình chuẩn mực từ kiểm tra đa cộng tuyến ($VIF$), lựa chọn mô hình qua Hausman Test đến khắc phục hiện tượng phương sai sai số thay đổi bằng mô hình hồi quy bình phương tối thiểu tổng quát (GLS).
  • Phát hiện thực nghiệm giá trị: Khẳng định vai trò quyết định của quy mô ngân hàng ($SIZE, \beta = +0.2968$), thu nhập ngoài lãi ($NII, \beta = +1.5420$), tỷ giá hối đoái ($ER, \beta = +3.6033$), đồng thời cảnh báo rủi ro bào mòn lợi nhuận từ tỷ lệ cho vay trên tiền gửi quá cao ($LDR, \beta = -0.9073$) và dự phòng rủi ro tín dụng ($RISK, \beta = -0.9150$).
  • Giá trị ứng dụng thực tiễn: Cung cấp lộ trình 3 giai đoạn giúp các NHTM Việt Nam tái cấu trúc nguồn thu, kiểm soát thanh khoản và tối ưu hóa an toàn vốn hướng tới phát triển bền vững theo chuẩn mực Basel III.