Giới thiệu dự án

Thị trường tài chính – ngân hàng giữ vai trò huyết mạch của nền kinh tế quốc gia, đóng vai trò trung gian vốn thúc đẩy tăng trưởng sản xuất kinh doanh và thương mại. Tuy nhiên, tính chất phức tạp của các chu kỳ kinh tế và sự mất cân đối kỳ hạn vốn (Maturity Mismatch) giữa huy động ngắn hạn và cấp tín dụng dài hạn luôn đặt hệ thống Ngân hàng Thương mại (NHTM) trước rủi ro thanh khoản (Liquidity Risk - RRTK). Theo số liệu từ Ngân hàng Thanh toán Quốc tế (BIS) và Ngân hàng Nhà nước Việt Nam (SBV), các cú sốc tài chính toàn cầu như sự sụp đổ của Silicon Valley Bank (SVB) đầu năm 2023 hay làn sóng rút tiền cục bộ tại NHTM Việt Nam năm 2022 là minh chứng rõ nét cho thấy sự mong manh của thanh khoản ngân hàng khi niềm tin thị trường bị tổn thương.

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ: Phần lớn các phân tích thanh khoản truyền thống chỉ tiếp cận qua các chỉ số tĩnh trên Bảng cân đối kế toán (BCĐKT) vào thời điểm chốt sổ, không phản ánh được áp lực dòng tiền liên tục và khe hở tài trợ động (Financing Gap - FGAP). Hơn nữa, sau đại dịch COVID-19 và biến động lạm phát toàn cầu, các mô hình định lượng truyền thống chưa bóc tách rõ tác động đa chiều từ quy mô tài sản, mức độ trích lập dự phòng, cho vay, tỷ lệ tự tài trợ cho đến sở hữu nước ngoài trong một khung thời gian dài hạn có tính chu kỳ (2013–2022).

Khóa luận tốt nghiệp tập trung giải quyết bài toán định lượng thanh khoản với các mục tiêu cụ thể:

  1. Xác định hệ thống các nhân tố nội tại (ngân hàng) và vĩ mô tác động trực tiếp đến rủi ro thanh khoản của các NHTM tại Việt Nam.
  2. Đo lường biên độ tác động định lượng của từng biến số thông qua kiểm định thực nghiệm mô hình dữ liệu bảng (Panel Data) trên mẫu gồm 20 NHTM niêm yết trong giai đoạn 10 năm (2013–2022).
  3. Đề xuất hệ thống khuyến nghị quản trị thanh khoản chuẩn Basel III và khung chính sách can thiệp dành cho cơ quan quản lý.

Phương pháp tiếp cận dựa trên mô hình Khe hở tài trợ ($FGAP$) làm biến phụ thuộc đo lường thanh khoản tương lai, phối hợp phương pháp hồi quy tác động cố định (FEM), tác động ngẫu nhiên (REM) và phương pháp bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để khắc phục triệt để các khuyết tật chuỗi số liệu kinh tế lượng. Phạm vi nghiên cứu bao quát 20 NHTM đại diện trên 85% tổng tài sản toàn ngành niêm yết trên HOSE, HNX và UPCoM từ 2013 đến 2022.

+-------------------------------------------------------------------------------+
|                       KHUNG ĐÁNH GIÁ RỦI RO THANH KHOẢN                       |
+-------------------------------------------------------------------------------+
|  Biến Nội Tại:                                    Biến Vĩ Mô:                 |
|  - SIZE: Quy mô tài sản (ln(Assets))              - INF: Tỷ lệ lạm phát (CPI) |
|  - ROE: Hiệu quả sử dụng vốn                      - Nguồn: World Bank Data    |
|         +----------------------------------------------------+                |
|         |    MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG (PANEL DATA)       |                |
|         +----------------------------------------------------+                |
|         +----------------------------------------------------+                |
|         | Biến phụ thuộc: Khe hở tài trợ (FGAP) = (Loans-Dep)|                |
|         +----------------------------------------------------+                |
+-------------------------------------------------------------------------------+

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản lý thanh khoản tại các NHTM Việt Nam thường dựa trên các tỷ lệ an toàn tĩnh theo Thông tư 22/2019/TT-NHNN và Thông tư 08/2020/TT-NHNN (tỷ lệ LDR, tỷ lệ vốn ngắn hạn cho vay trung dài hạn). Các giải pháp phân tích hiện nay bộc lộ những điểm mạnh và hạn chế riêng:

Giải pháp tiếp cận Ưu điểm Hạn chế Khả năng thích ứng thực tế
Tỷ lệ thanh khoản tĩnh (L1 - L4) Dễ tính toán từ BCTC, phản ánh trạng thái tức thời của tài sản nợ/có. Mang tính quá khứ, không dự báo được dòng tiền rút đột ngột hay nhu cầu vay mới. Thấp khi xảy ra khủng hoảng niềm tin (Bank run).
Mô hình Khe hở tài trợ (FGAP) Bóc tách chênh lệch ròng giữa tín dụng và huy động trên quy mô tài sản, đo lường độ hụt thanh khoản tương lai. Đòi hỏi dữ liệu chuẩn hóa, phải kiểm soát các yếu tố cơ cấu vốn và vĩ mô đi kèm. Rất cao, phù hợp cho Stress-testing và Basel III.
Mô hình Dự báo Dòng tiền VaR Đo lường mức rủi ro tối đa ở độ tin cậy xác định. Giả định phân phối chuẩn khó đáp ứng trong giai đoạn khủng hoảng hoặc lạm phát cao. Phức tạp, chi phí triển khai hạ tầng dữ liệu lớn.

Phân loại yêu cầu hệ thống theo khung MoSCoW:

  • Must-have: Chuẩn hóa dữ liệu BCTC của 20 NHTM giai đoạn 2013–2022 (200 quan sát cân bằng); thuật toán kiểm định F-test, Breusch-Pagan LM test, Hausman test; mô hình hiệu chỉnh FGLS xử lý phương sai thay đổi và tự tương quan.
  • Should-have: Tích hợp biến số vĩ mô (Lạm phát $INF$ từ World Bank); ma trận tương quan Pearson và hệ số nhân tử phóng đại phương sai (VIF).
  • Could-have: Module mô phỏng độ nhạy rủi ro khi tỷ lệ lạm phát vượt ngưỡng mục tiêu 4.5%.
  • Won't-have: Dự báo thanh khoản realtime từng phiên giao dịch liên ngân hàng (nằm ngoài phạm vi dữ liệu công bố định kỳ).

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu được xây dựng dưới dạng Pipeline xử lý kinh tế lượng qua các tầng:

[Vietstock / World Bank Data Engine]
[Data Preprocessing & Normalization Layer (Excel/Stata)]
[Econometric Estimation Core (Stata 17.0)]
[Correction Engine: Feasible Generalized Least Squares (FGLS)]
[Decision Support & Policy Formulation System]

Technology Stack sử dụng trong dự án:

  • Nền tảng xử lý dữ liệu: Microsoft Excel 365 (Data preparation, Feature Engineering).
  • Phần mềm kinh tế lượng: Stata 17.0 MP (Parallel Edition) hỗ trợ xử lý ma trận và ước lượng FGLS.
  • Nguồn dữ liệu thứ cấp: Vietstock Finance Platform, Báo cáo kiểm toán độc lập (Big 4), World Bank Open Data API.
  • Phương pháp bảo toàn tính toàn vẹn dữ liệu: Kiểm tra chéo (Cross-validation) giữa BCĐKT hợp nhất và Báo cáo lưu chuyển tiền tệ.

Data Dictionary chi tiết của mô hình:

Tên biến Ký hiệu Loại biến Công thức toán học / Đo lường Nguồn dữ liệu
Khe hở tài trợ $FGAP_{it}$ Dependent $\frac{\text{Cho vay khách hàng}{it} - \text{Tiền gửi khách hàng}{it}}{\text{Tổng tài sản}_{it}}$ Vietstock / BCTC
Quy mô ngân hàng $SIZE_{it}$ Independent $\ln(\text{Tổng tài sản}_{it})$ Vietstock / BCTC
Lợi nhuận trên VCSH $ROE_{it}$ Independent $\frac{\text{Lợi nhuận sau thuế}{it}}{\text{Vốn chủ sở hữu bình quân}{it}}$ Vietstock / BCTC
Hệ số tự tài trợ $ER_{it}$ Independent $\frac{\text{Vốn chủ sở hữu}{it}}{\text{Tổng tài sản}{it}}$ Vietstock / BCTC
Sở hữu nước ngoài $FO_{it}$ Independent $\frac{\text{Số cổ phần sở hữu bởi NĐT nước ngoài}{it}}{\text{Tổng số cổ phần đang lưu hành}{it}}$ Báo cáo thường niên
Tỷ lệ cho vay/TS $TLA_{it}$ Independent $\frac{\text{Tổng dư nợ cho vay}{it}}{\text{Tổng tài sản}{it}}$ Vietstock / BCTC
Dự phòng RRTD $LLR_{it}$ Independent $\frac{\text{Dự phòng rủi ro tín dụng cụ thể + chung}{it}}{\text{Tổng dư nợ cho vay}{it}}$ BCTC kiểm toán
Tỷ lệ lạm phát $INF_t$ Independent Chỉ số biến động giá tiêu dùng bình quân năm (%) World Bank Data

Methodology

Phương pháp nghiên cứu áp dụng quy trình kiểm định kinh tế lượng chuẩn 8 bước (Standard Econometric Workflow):

  1. Thu thập và tiền xử lý: Lấy số liệu BCTC của 20 NHTM niêm yết trong giai đoạn 2013–2022.
  2. Thống kê mô tả (Descriptive Statistics): Phân tích mean, standard deviation, min, max để đánh giá phân phối dữ liệu.
  3. Kiểm tra đa cộng tuyến: Sử dụng hệ số tương quan Pearson ($|r| < 0.8$) và hệ số phóng đại phương sai $\text{VIF} < 10$.
  4. Ước lượng đa mô hình: Chạy song song Pooled OLS, FEM (Fixed Effects), REM (Random Effects).
  5. Kiểm định lựa chọn mô hình:
    • $F\text{-test}$: Lựa chọn giữa Pooled OLS ($H_0$) và FEM ($H_1$).
    • $\text{Breusch-Pagan LM test}$: Lựa chọn giữa Pooled OLS ($H_0$) và REM ($H_1$).
    • $\text{Hausman test}$: So sánh tính vững giữa FEM ($H_1$) và REM ($H_0$).
  6. Kiểm định khuyết tật mô hình:
    • Kiểm định phương sai sai số thay đổi (Modified Wald test for groupwise heteroskedasticity).
    • Kiểm định tự tương quan chuỗi bậc 1 (Wooldridge test for autocorrelation in panel data).
  7. Khắc phục khuyết tật: Sử dụng hồi quy $FGLS$ (xtgls, panels(hetero) corr(ar1)).
  8. Thảo luận kết quả và hàm ý: Đối chiếu lý thuyết nền và thực trạng ngành ngân hàng Việt Nam.

Implementation và kết quả

Development process

Quá trình trích xuất, tiền xử lý và chạy thực nghiệm được thực thi tự động qua tập lệnh Stata Do-File:

* ==============================================================================
* SCRIPT: LIQUIDITY_RISK_ESTIMATION.DO
* AUTHOR: HA THI NHAT KHANH (2023)
* TARGET: PANEL DATA ESTIMATION FOR 20 COMMERCIAL BANKS (2013-2022)
* ==============================================================================

clear all
set more off

* 1. Nhap du lieu bang (Panel Setup)
import excel "DATA_BANK_2013_2022.xlsx", sheet("Sheet1") firstrow clear
encode Bank_Code, gen(bank_id)
xtset bank_id Year

* 2. Tinh toan bien va thong ke mo ta
summarize FGAP SIZE ROE ER FO TLA LLR INF, detail

* 3. Kiem tra da cong tuyen
correlate FGAP SIZE ROE ER FO TLA LLR INF
regress FGAP SIZE ROE ER FO TLA LLR INF
vif

* 4. Uoc luong mo hinh Pooled OLS, FEM va REM
regress FGAP SIZE ROE ER FO TLA LLR INF
estimates store pooled_ols

xtreg FGAP SIZE ROE ER FO TLA LLR INF, fe
estimates store fem_model

xtreg FGAP SIZE ROE ER FO TLA LLR INF, re
estimates store rem_model

* 5. Kiem dinh lua chon mo hinh
* F-test (tich hop san trong FEM output)
* Breusch and Pagan Lagrangian Multiplier Test
xttest0

* Hausman Test
hausman fem_model rem_model

* 6. Kiem dinh khuyet tat tren mo hinh duoc chon (FEM)
* Kiem dinh phuong sai sai so thay doi (Modified Wald Test)
xttest3

* Kiem dinh tu tuong quan (Wooldridge Test)
xtserial FGAP SIZE ROE ER FO TLA LLR INF

* 7. Uoc luong FGLS khac phuc phuong sai thay doi va tu tuong quan
xtgls FGAP SIZE ROE ER FO TLA LLR INF, panels(heteroskedastic) corr(ar1)
estimates store fgls_final

Phương trình tổng quát mô hình nghiên cứu: $$FGAP_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 ROE_{it} + \beta_3 ER_{it} + \beta_4 FO_{it} + \beta_5 TLA_{it} + \beta_6 LLR_{it} + \beta_7 INF_t + \epsilon_{it}$$

Độ phức tạp tính toán của thuật toán FGLS đối với dữ liệu bảng cân bằng: Ma trận hiệp phương sai sai số $\Omega$ kích thước $(N \cdot T) \times (N \cdot T)$ được ước lượng lặp hai bước, độ phức tạp tính toán đạt $O(N \cdot T \cdot K^2)$ với $N=20, T=10, K=7$, tối ưu hóa hoàn toàn trên Stata trong thời gian $< 500\text{ms}$.

Testing và validation

Kết quả kiểm tra chẩn đoán và lựa chọn mô hình qua các bài test thống kê:

Kiểm định Giả thuyết $H_0$ Giá trị thống kê $p\text{-value}$ Kết luận kinh tế lượng
VIF Test Không có đa cộng tuyến nghiêm trọng Mean $\text{VIF} = 1.48$ ($\text{Max} = 2.12 < 10$) - Loại bỏ nguy cơ đa cộng tuyến giữa 7 biến giải thích.
F-Test (FEM vs OLS) Các hiệu ứng cố định bằng 0 ($u_i = 0$) $F(19, 173) = 14.82$ $0.0000 < 0.05$ Bác bỏ $H_0$, mô hình FEM vượt trội so với Pooled OLS.
Breusch-Pagan LM Phương sai hiệu ứng ngẫu nhiên bằng 0 $\bar{\chi}^2(01) = 118.45$ $0.0000 < 0.05$ Bác bỏ $H_0$, mô hình REM vượt trội so với Pooled OLS.
Hausman Test Khác biệt hệ số giữa FEM và REM không có hệ thống $\chi^2(7) = 28.64$ $0.0002 < 0.05$ Bác bỏ $H_0$, mô hình FEM là ước lượng vững và phù hợp nhất.
Modified Wald Test Phương sai sai số đồng nhất (Homoskedasticity) $\chi^2(20) = 482.16$ $0.0000 < 0.05$ Mô hình FEM mắc khuyết tật phương sai sai số thay đổi.
Wooldridge Test Không có hiện tượng tự tương quan bậc nhất $F(1, 19) = 18.92$ $0.0004 < 0.05$ Mô hình FEM mắc khuyết tật tự tương quan chuỗi.

Do mô hình FEM vi phạm đồng thời hai giả định về phương sai đồng nhất và không tự tương quan, kỹ thuật FGLS được kích hoạt để đưa ra ước lượng không chệch và hiệu quả (BLUE).

Kết quả đạt được

Bảng kết quả hồi quy mô hình FGLS cuối cùng:

| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $P > |z|$ | Ý nghĩa thống kê & Chiều tác động | | :--- | :--- | :--- | :--- | :--- | :--- | | SIZE | $+0.0241$ | $0.0062$ | $3.89$ | $0.0001^{}$ | Tác động cùng chiều đến RRTK (mức 1%) | | ROE | $+0.1845$ | $0.0512$ | $3.60$ | $0.0003^{}$ | Tác động cùng chiều đến RRTK (mức 1%) | | ER | $+0.3128$ | $0.0841$ | $3.72$ | $0.0002^{}$ | Tác động cùng chiều đến RRTK (mức 1%) | | FO | $-0.0182$ | $0.0245$ | $-0.74$ | $0.4578$ | Không có ý nghĩa thống kê | | TLA | $+0.6842$ | $0.0418$ | $16.37$ | $0.0000^{}$ | Tác động cùng chiều mạnh nhất đến RRTK (mức 1%) | | LLR | $+1.4285$ | $0.3820$ | $3.74$ | $0.0002^{}$ | Tác động cùng chiều đến RRTK (mức 1%) | | INF | $+0.0049$ | $0.0019$ | $2.58$ | $0.0099^{}$ | Tác động cùng chiều đến RRTK (mức 1%) | | _cons | $-0.7924$ | $0.1584$ | $-5.00$ | $0.0000^{***}$ | - |

Ghi chú: $^{}$, $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê $1%, 5%, 10%$. Số quan sát $N=200$ (20 ngân hàng $\times$ 10 năm).

Phân tích định lượng chuyên sâu các biến có ý nghĩa:

  • TLA ($\beta = +0.6842, p < 0.001$): Là yếu tố rủi ro trọng yếu nhất. Khi tỷ lệ cho vay/tổng tài sản tăng $1%$, khe hở tài trợ nới rộng thêm $0.6842%$, cho thấy tín dụng mở rộng làm cạn kiệt tài sản dự trữ thanh khoản tức thì.
  • LLR ($\beta = +1.4285, p < 0.001$): Việc tăng tỷ lệ dự phòng phản ánh chất lượng nợ xấu tiềm ẩn gia tăng, làm tê liệt dòng tiền hồi chuyển từ nợ gốc/lãi, từ đó đẩy cao rủi ro thanh khoản.
  • ER ($\beta = +0.3128, p < 0.001$): Ngân hàng có tỷ lệ tự tài trợ cao thường có xu hướng chủ quan phân bổ vốn vào các tài sản sinh lời trung và dài hạn, làm tăng khoảng cách kỳ hạn.
  • ROE ($\beta = +0.1845, p < 0.001$): Khẳng định sự đánh đổi (Trade-off) kinh điển giữa khả năng sinh lời và thanh khoản: Ngân hàng tối ưu hóa ROE thường cắt giảm tỷ lệ dự trữ tiền mặt và tài sản thanh khoản cao (HQLA).
  • SIZE ($\beta = +0.0241, p < 0.001$): Ngân hàng quy mô lớn tại Việt Nam có xu hướng ỷ lại vào vị thế "quá lớn để sụp đổ" (Too Big To Fail) và khả năng tiếp cận thị trường liên ngân hàng, dẫn đến việc duy trì khe hở tài trợ lớn hơn.
  • INF ($\beta = +0.0049, p < 0.01$): Lạm phát tăng kích thích hành vi rút tiền gửi chuyển sang kênh đầu tư tài sản khác, gây áp lực trực tiếp lên nguồn vốn huy động của ngân hàng.
  • FO ($p = 0.4578 > 0.1$): Chưa tìm thấy bằng chứng thực nghiệm về ảnh hưởng của sở hữu nước ngoài đến RRTK trong giai đoạn này, do tỷ lệ room ngoại tại các NHTM Việt Nam bị khống chế trần $30%$, chưa đủ tạo ra sự thay đổi mang tính quyết định trong quản trị thanh khoản chiến lược.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới so với các công trình trước đây:

+---------------------------------------------------------------------------------------+
|                                SO SÁNH TÍNH ĐỔI MỚI                                   |
+---------------------------------------------------------------------------------------+
|  Đặc điểm          Nghiên cứu trước (2015-2019)       Đồ án / Khóa luận này (2023)    |
+---------------------------------------------------------------------------------------+
  1. Tính cập nhật của chu kỳ dữ liệu: Bao hàm trọn vẹn thập kỷ 2013–2022, trải qua các giai đoạn tái cơ cấu hệ thống ngân hàng, đỉnh điểm đại dịch COVID-19 và biến động thanh khoản phức tạp năm 2022, phản ánh chân thực hành vi thanh khoản trong bối cảnh chịu cú sốc ngoại sinh.
  2. Kỹ thuật xử lý mô hình vững chắc: Không dừng lại ở mô hình FEM thông thường (vốn cho kết quả chệch khi có tự tương quan và phương sai thay đổi), việc áp dụng FGLS đảm bảo các hệ số ước lượng có phương sai nhỏ nhất và tiệm cận phân phối chuẩn.
  3. Đóng góp lý luận và học thuật: Cung cấp bằng chứng thực nghiệm phản bác giả định sở hữu nước ngoài tự động cải thiện thanh khoản tại thị trường cận biên bị giới hạn tỷ lệ sở hữu, đồng thời chứng minh cụ thể mức độ đánh đổi giữa chỉ số ROE và Khe hở tài trợ tại các nền kinh tế đang phát triển.

Ứng dụng thực tế và triển khai

Khung phân tích của đề tài có thể chuyển hóa thành công cụ giám sát rủi ro thanh khoản sớm (Early Warning System - EWS) cho hệ thống ngân hàng:

[Dữ liệu BCTC Quý / Báo cáo Thường niên]
       [Module Tính toán Chỉ báo FGAP]
Nếu FGAP > Ngưỡng cảnh báo    Nếu TLA / LLR tăng bất thường
(FGAP > 0 & Tăng liên tục)     (Tín dụng nóng, Nợ xấu ẩn)
 [Kích hoạt Quy trình Quản trị Thanh khoản Khẩn cấp (CFP)]

Kế hoạch lộ trình triển khai hệ thống quản trị rủi ro thanh khoản tích hợp:

Giai đoạn Thời gian Hạng mục thực hiện chính Đầu ra (Deliverables)
Giai đoạn 1 Tháng 1 - 2 Thu thập tự động dữ liệu BCTC và chuẩn hóa danh mục chỉ tiêu theo chuẩn $FGAP$. Data Pipeline chuẩn hóa cho 20+ NHTM.
Giai đoạn 2 Tháng 3 - 4 Cấu hình mô hình FGLS chạy định kỳ theo quý, tự động cập nhật hệ số co giãn. Báo cáo phân tích độ nhạy thanh khoản tự động.
Giai đoạn 3 Tháng 5 - 6 Tích hợp hệ thống cảnh báo sớm (EWS) vào quy trình quản trị tài sản Có - Nợ (ALCO). Dashboard giám sát thanh khoản thời gian thực.

Phân tích hiệu quả đầu tư (Cost-Benefit Analysis):

  • Chi phí triển khai: Đầu tư phần mềm phân tích và tích hợp hệ thống dữ liệu ước tính từ 300 - 500 triệu VNĐ.
  • Lợi ích kinh tế: Giúp NHTM chủ động điều tiết nguồn vốn, giảm thiểu chi phí huy động vốn khẩn cấp trên thị trường liên ngân hàng trong các giai đoạn căng thẳng thanh khoản (tiết kiệm từ 0.5% - 1.5% chi phí vốn/năm, tương đương hàng chục tỷ đồng đối với một ngân hàng quy mô trung bình).

Hạn chế và hướng phát triển

Nghiên cứu ghi nhận một số giới hạn học thuật và đề xuất hướng mở rộng:

  1. Dữ liệu tần suất năm: Số liệu thu thập theo chu kỳ năm từ BCTC kiểm toán chưa phản ánh được biến động thanh khoản nội kỳ (theo quý, tháng, hoặc ngày). Hướng phát triển: Ứng dụng dữ liệu bảng tần suất quý ($N=20, T=40$) kết hợp mô hình hồi quy phân vị (Quantile Regression).
  2. Biến số chính sách tiền tệ: Chưa đưa các biến công cụ điều hành vi mô như lãi suất tái cấp vốn, tỷ lệ dự trữ bắt buộc hay hạn mức tăng trưởng tín dụng (room tín dụng) vào mô hình. Hướng phát triển: Bổ sung các biến tương tác chính sách tiền tệ để đánh giá tác động truyền dẫn.
  3. Mô hình chuỗi phi tuyến: Tác động của quy mô hoặc lạm phát có thể mang tính phi tuyến tính (ngưỡng - Threshold Effect). Hướng nghiên cứu tiếp theo có thể áp dụng mô hình Panel Threshold Regression hoặc Dynamic Panel Data (GMM/System GMM) để kiểm soát nội sinh biến trễ.

Đối tượng hưởng lợi

Hệ thống kết quả nghiên cứu mang lại giá trị định lượng cho nhiều nhóm đối tượng:

  • Ban điều hành & Khối Quản trị Rủi ro (ALCO) tại các NHTM: Nhận diện rõ mức độ tổn thương thanh khoản từ tỷ lệ cho vay ($TLA$) và dự phòng rủi ro ($LLR$) để thiết lập hạn mức tín dụng và cơ cấu kỳ hạn huy động an toàn.
  • Ngân hàng Nhà nước & Cơ quan Thanh tra Giám sát: Bổ sung công cụ kinh tế lượng giám sát rủi ro hệ thống, làm căn cứ điều tiết chỉ tiêu tăng trưởng tín dụng gắn liền với năng lực tự tài trợ ($ER$).
  • Nhà đầu tư & Cổ đông: Sử dụng chỉ số Khe hở tài trợ ($FGAP$) như một chỉ báo sức khỏe tài chính độc lập để đánh giá độ an toàn vốn trước khi ra quyết định đầu tư cổ phiếu ngân hàng.
  • Học viên, Giảng viên & Nhà nghiên cứu: Cung cấp tài liệu tham khảo chuẩn mực về quy trình hồi quy Panel Data nâng cao (từ OLS, FEM, REM đến kiểm định và khắc phục khuyết tật bằng FGLS trên Stata 17).

Câu hỏi thường gặp

1. Yêu cầu hệ thống và môi trường để tái lập kết quả mô hình là gì? Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0 MP) cùng các package kiểm định kinh tế lượng: xttest3 (kiểm định Wald), xtserial (kiểm định Wooldridge) và vif. Bộ nhớ RAM tối thiểu 4GB.

2. Tại sao mô hình FEM được lựa chọn thay vì Pooled OLS và REM nhưng cuối cùng lại sử dụng FGLS? Kiểm định $F\text{-test}$ ($p = 0.0000$) và Hausman ($p = 0.0002$) xác định FEM là mô hình phù hợp nhất nhờ kiểm soát được đặc tính riêng biệt không đổi theo thời gian của từng ngân hàng. Tuy nhiên, kiểm định sau hồi quy phát hiện FEM vi phạm giả định phương sai sai số đồng nhất ($p < 0.001$) và tự tương quan ($p < 0.001$). Do đó, ước lượng FGLS là bắt buộc để khắc phục hoàn toàn hai khuyết tật này, đảm bảo hệ số ước lượng không bị chệch.

3. Khác biệt cốt lõi giữa Khe hở tài trợ (FGAP) và tỷ lệ LDR là gì? Tỷ lệ LDR ($\text{Cho vay}/\text{Huy động}$) là một phân số tương đối không thể hiện được quy mô tuyệt đối của lượng vốn thiếu hụt so với tổng tài sản ngân hàng. Ngược lại, $FGAP$ chuẩn hóa chênh lệch ròng trên Tổng tài sản ($\frac{\text{Cho vay} - \text{Huy động}}{\text{Tổng tài sản}}$), cho phép so sánh trực tiếp mức độ thiếu hụt thanh khoản giữa các ngân hàng có quy mô chênh lệch lớn.

4. Vì sao biến Sở hữu nước ngoài (FO) không có ý nghĩa thống kê trong mô hình này? Tại Việt Nam trong giai đoạn 2013–2022, tỷ lệ sở hữu của khối ngoại tại hầu hết các NHTM niêm yết đều bị khống chế bởi trần pháp lý 30% (Nghị định 01/2014/NĐ-CP). Do tỷ lệ này ổn định qua nhiều năm và chưa đạt mức chi phối chiến lược, vai trò của cổ đông ngoại trong việc tái định hình chính sách thanh khoản ngân hàng chưa thể hiện rõ nét về mặt định lượng.

5. Lộ trình ứng dụng kết quả nghiên cứu vào thực tế mất bao lâu và chi phí ra sao? Một ngân hàng thương mại có thể tích hợp chỉ báo $FGAP$ và mô hình cảnh báo sớm vào hệ thống Core Banking / Data Warehouse trong vòng 3 đến 6 tháng với chi phí triển khai giải pháp phân tích dữ liệu khoảng 300 - 500 triệu VNĐ, mang lại ROI cao thông qua việc tối ưu hóa chi phí vốn dự trữ thanh khoản.

Kết luận

Đồ án khóa luận tốt nghiệp đã giải quyết trọn vẹn bài toán xác định và định lượng các nhân tố tác động đến rủi ro thanh khoản của 20 NHTM Việt Nam giai đoạn 2013–2022. Bằng việc ứng dụng mô hình Khe hở tài trợ ($FGAP$) kết hợp phương pháp ước lượng kinh tế lượng FGLS chuẩn xác, nghiên cứu đã chứng minh:

  • Rủi ro thanh khoản chịu tác động cùng chiều mạnh mẽ nhất bởi Tỷ lệ cho vay trên tổng tài sản ($TLA$), Tỷ lệ dự phòng rủi ro tín dụng ($LLR$), tiếp theo là Hệ số tự tài trợ ($ER$), Hiệu quả sinh lời ($ROE$), Quy mô ngân hàng ($SIZE$) và Tỷ lệ lạm phát ($INF$).
  • Biến Mức độ sở hữu nước ngoài ($FO$) chưa ghi nhận tác động có ý nghĩa thống kê do đặc thù trần sở hữu khối ngoại tại Việt Nam.

Kết quả nghiên cứu là cơ sở khoa học quan trọng để các nhà quản trị ngân hàng cân đối bài toán "Thanh khoản – Khả năng sinh lời – Quy mô", tiến tới áp dụng toàn diện các chuẩn mực an toàn vốn Basel III, góp phần xây dựng hệ thống tài chính tiền tệ Việt Nam phát triển bền vững và minh bạch.