Giới thiệu dự án
Tín dụng ngân hàng giữ vai trò huyết mạch trong việc cung ứng vốn cho nền kinh tế và là công cụ truyền dẫn trọng yếu của chính sách tiền tệ quốc gia. Trong giai đoạn 2011–2022, hệ thống Ngân hàng Thương mại (NHTM) Việt Nam đã trải qua nhiều chu kỳ tái cơ cấu mạnh mẽ, chuyển đổi quy chuẩn an toàn vốn theo chuẩn mực Basel II và đối mặt với các cú sốc vĩ mô toàn cầu như đại dịch COVID-19. Theo Báo cáo thường niên của Ngân hàng Nhà nước Việt Nam (NHNN), tốc độ tăng trưởng tín dụng toàn hệ thống năm 2022 đạt 14,18%. Tuy nhiên, việc mở rộng quy mô cho vay quá mức nếu không kiểm soát chặt chẽ chất lượng tài sản có nguy cơ dẫn tới rủi ro mang tính hệ thống, gia tăng nợ xấu và suy giảm thanh khoản.
+-------------------------------------------------------+
| MÔ HÌNH DỮ LIỆU BẢNG (PANEL DATA) |
| 29 NHTM VIỆT NAM (2011 - 2022) |
+---------------------------+---------------------------+
|
+-------------------------+-------------------------+
| |
v v
+------------------+ +------------------+
| YẾU TỐ VĨ MÔ | | YẾU TỐ VI MÔ |
| - Tăng trưởng GDP| | - Huy động vốn |
| - Lạm phát (INF)| | - Quy mô (SIZE) |
| - Cung tiền M2 | | - Thanh khoản |
+--------+---------+ | - Nợ xấu (NPL) |
| +--------+---------+
| |
+-------------------------+------------------------+
|
v
+-------------------------------------------+
| HỒI QUY FGLS (KHẮC PHỤC HETEROSKEDASTICITY|
| & SERIAL CORRELATION) |
+---------------------+---------------------+
|
v
+-------------------------------------------+
| TỐC ĐỘ TĂNG TRƯỞNG TÍN DỤNG (CDG) |
+-------------------------------------------+
Vấn đề nghiên cứu và mục tiêu cụ thể
Nghiên cứu tập trung giải quyết sự mất cân đối giữa mục tiêu mở rộng tín dụng nhằm tối đa hóa biên lãi thuần (NIM) và yêu cầu kiểm soát an toàn hệ thống tài chính trước các biến số kinh tế vĩ mô lẫn đặc tính nội tại của từng ngân hàng.
Mục tiêu cụ thể của dự án được xác định rõ ràng:
- Xác định và lượng hóa mức độ tác động của 3 biến số vĩ mô (Tăng trưởng GDP, Lạm phát INF, Tăng trưởng cung tiền M2) và 4 biến số vi mô (Quy mô ngân hàng SIZE, Tăng trưởng tiền gửi DPG, Tỷ lệ thanh khoản LIQ, Tỷ lệ nợ xấu NPL) đến Tăng trưởng tín dụng (CDG).
- Kiểm định và so sánh hiệu quả ước lượng giữa các mô hình dữ liệu bảng: Hồi quy gộp Pooled OLS, Mô hình tác động cố định (FEM), Mô hình tác động ngẫu nhiên (REM).
- Phát hiện và xử lý triệt để các khuyết tật mô hình (hiện tượng phương sai sai số thay đổi và tự tương quan chuỗi) bằng phương pháp Bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
- Xây dựng hàm phản ứng thực nghiệm làm cơ sở khuyến nghị chiến lược quản trị rủi ro ALM (Asset-Liability Management) cho NHTM và phân bổ hạn mức tín dụng cho NHNN.
Phạm vi và giới hạn dữ liệu
- Phạm vi không gian: 29 Ngân hàng Thương mại cổ phần và Ngân hàng Thương mại Nhà nước đang hoạt động tại Việt Nam.
- Phạm vi thời gian: Chuỗi dữ liệu bảng kéo dài 12 năm liên tục từ 2011 đến 2022 (tổng cộng 345 quan sát sau khi làm sạch).
- Giới hạn kỹ thuật: Dữ liệu thu thập từ Báo cáo tài chính đã kiểm toán của các ngân hàng và thống kê chính thức từ Ngân hàng Thế giới (World Bank), Quỹ Tiền tệ Quốc tế (IMF) và NHNN Việt Nam.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các nghiên cứu kinh tế lượng ứng dụng trước đây thường áp dụng mô hình hồi quy tuyến tính cổ điển OLS hoặc mô hình tĩnh mà bỏ qua các khuyết tật cố hữu của dữ liệu bảng tài chính (Panel Data).
| Phương pháp |
Ưu điểm |
Nhược điểm |
Đánh giá tính ứng dụng |
| Pooled OLS |
Đơn giản, dễ ước lượng tham số |
Bỏ qua đặc trưng riêng lẻ không quan sát được của từng ngân hàng ($\mu_i$), dễ chệch hệ số |
Không phù hợp cho dữ liệu ngân hàng |
| Random Effects (REM) |
Tiết kiệm bậc tự do, hiệu quả khi sai số ngẫu nhiên độc lập biến độc lập |
Giả định $Cov(X_{it}, \mu_i) = 0$ thường bị vi phạm trong thực tế tài chính |
Bị bác bỏ qua kiểm định Hausman ($p < 0.05$) |
| Fixed Effects (FEM) |
Kiểm soát hoàn toàn các đặc trưng bất biến theo thời gian của từng NHTM |
Giảm bậc tự do, không xử lý được tự tương quan chuỗi và phương sai thay đổi |
Tốt hơn Pooled OLS/REM nhưng còn khuyết tật sai số |
| FGLS (Đề xuất) |
Khắc phục đồng thời phương sai sai số thay đổi giữa các ngân hàng và tự tương quan AR(1) |
Yêu cầu số lượng đơn vị không gian ($N=29$) và thời gian ($T=12$) đủ lớn để ma trận hiệp phương sai khả thi |
Phương pháp tối ưu nhất cho bộ dữ liệu |
Thiết kế hệ thống biến số và cấu trúc kinh tế lượng
Mô hình hồi quy đa biến tổng quát được thiết lập dưới dạng:
$$CDG_{it} = \beta_0 + \beta_1 GDP_t + \beta_2 INF_t + \beta_3 M2_t + \beta_4 DPG_{it} + \beta_5 SIZE_{it} + \beta_6 LIQ_{it} + \beta_7 NPL_{it} + \mu_i + \varepsilon_{it}$$
+-------------------------------------------------------------------------+
| DICTIONARY CÁC BIẾN KINH TẾ LƯỢNG |
+-------+-----------------------------+-------------------------+---------+
| Biến | Định nghĩa | Công thức tính toán | Kỳ vọng |
+-------+-----------------------------+-------------------------+---------+
| CDG | Tốc độ tăng trưởng tín dụng | (Dư nợ_t - Dư nợ_t-1) / | Biến phụ|
| | | Dư nợ_t-1 | thuộc |
| GDP | Tăng trưởng kinh tế vĩ mô | Tốc độ tăng trưởng GDP | (+) |
| INF | Tỷ lệ lạm phát | Chỉ số giá tiêu dùng CPI| (-) |
| M2 | Tăng trưởng cung tiền | (M2_t - M2_t-1) / M2_t-1| (+) |
| DPG | Tăng trưởng huy động vốn | (TG_t - TG_t-1) / TG_t-1| (+) |
| SIZE | Quy mô ngân hàng | Logarit tự nhiên (Ln) | (+) |
| | | của Tổng tài sản | |
| LIQ | Tỷ lệ thanh khoản | Tài sản thanh khoản / | (-) |
| | | Tổng tài sản | |
| NPL | Tỷ lệ nợ xấu | Nợ xấu (Nhóm 3-5) / | (-) |
| | | Tổng dư nợ | |
+-------+-----------------------------+-------------------------+---------+
Quy trình nghiên cứu thực nghiệm
Quy trình tính toán và kiểm định gồm 5 pha độc lập:
- Pha 1 (Data Processing): Trích xuất báo cáo tài chính, chuẩn hóa đơn vị, xử lý biến động bất thường và kiểm tra phân phối dữ liệu qua Stata/Python.
- Pha 2 (Correlation & Multicollinearity): Kiểm định ma trận hệ số tương quan Pearson và tính toán hệ số phóng đại phương sai VIF (Variance Inflation Factor).
- Pha 3 (Model Selection): Ước lượng Pooled OLS, FEM, REM; thực hiện $F\text{-test}$ ($H_0\text{: OLS vs } H_1\text{: FEM}$) và $Hausman\text{-test}$ ($H_0\text{: REM vs } H_1\text{: FEM}$).
- Pha 4 (Diagnostic Testing): Kiểm định Modified Wald kiểm tra phương sai thay đổi và Wooldridge test kiểm tra tự tương quan cấp 1.
- Pha 5 (Correction & Estimation): Tái ước lượng bằng FGLS (
xtgls), hiệu chỉnh sai số chuẩn và chiết xuất hệ số tác động biên.
Implementation và kết quả
Pipeline ước lượng và đoạn mã thực thi
Quy trình phân tích dữ liệu bảng được cấu hình và lập trình thực thi bằng phần mềm thống kê chuyên dụng Stata 17.0 MP và thư viện linearmodels trên nền Python 3.10.
* Thiết lập không gian dữ liệu bảng
xtset bank_id year
* 1. Thống kê mô tả dữ liệu
summarize cdg gdp inf m2 dpg size liq npl
* 2. Kiểm định đa cộng tuyến (VIF)
regress cdg gdp inf m2 dpg size liq npl
vif
* 3. Ước lượng mô hình FEM & REM
xtreg cdg gdp inf m2 dpg size liq npl, fe
estimates store fixed_model
xtreg cdg gdp inf m2 dpg size liq npl, re
estimates store random_model
* 4. Kiểm định lựa chọn mô hình Hausman
hausman fixed_model random_model
* 5. Kiểm tra khuyết tật mô hình (FEM)
* Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3
* Kiểm định tự tương quan (Wooldridge Test)
xtserial cdg gdp inf m2 dpg size liq npl
* 6. Khắc phục khuyết tật bằng FGLS (Cross-sectional heteroskedasticity + AR1)
xtgls cdg gdp inf m2 dpg size liq npl, panels(hetero) corr(ar1)
Tương đương trong môi trường Python sử dụng linearmodels:
import numpy as np
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects
# Đọc dữ liệu bảng
df = pd.read_csv("vietnam_banks_2011_2022.csv")
df = df.set_index(["bank_id", "year"])
# Khai báo mô hình tác động cố định (FEM)
exog_vars = ["gdp", "inf", "m2", "dpg", "size", "liq", "npl"]
model_fem = PanelOLS(df["cdg"], df[exog_vars], entity_effects=True)
res_fem = model_fem.fit(cov_type="robust")
print(res_fem.summary)
Thống kê mô tả bộ dữ liệu thực nghiệm (N = 345)
Dữ liệu được làm sạch và xử lý thống kê mô tả chi tiết:
| Biến số |
Số quan sát (N) |
Giá trị trung bình (Mean) |
Độ lệch chuẩn (Std. Dev.) |
Giá trị nhỏ nhất (Min) |
Giá trị lớn nhất (Max) |
| CDG |
345 |
0.1900 (19.00%) |
0.1647 |
-0.3010 |
1.0682 |
| GDP |
345 |
0.0607 (6.07%) |
0.0163 |
0.0260 (2021) |
0.0800 (2022) |
| INF |
345 |
0.0500 (5.00%) |
0.0466 |
0.0060 |
0.1870 |
| M2 |
345 |
0.1469 (14.69%) |
0.0443 |
0.0615 |
0.2504 |
| DPG |
345 |
0.1929 (19.29%) |
0.2163 |
-0.2286 |
2.1070 |
| SIZE |
345 |
8.1334 |
0.5225 |
7.1214 |
9.3265 |
| LIQ |
345 |
0.1942 (19.42%) |
0.1757 |
0.0302 |
1.9871 |
| NPL |
345 |
0.0235 (2.35%) |
0.0261 |
0.0019 |
0.4029 |
Kiểm định chẩn đoán và lựa chọn mô hình
- Kiểm định đa cộng tuyến (Multicollinearity): Giá trị VIF trung bình đạt 1.42, tất cả các hệ số VIF của từng biến độc lập đều nhỏ hơn 2.5 (ngưỡng an toàn là VIF < 10), xác nhận mô hình không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định $F\text{-test}$ (OLS vs FEM): Giá trị $F(28, 309) = 3.42$ với $p\text{-value} = 0.0000 < 0.05$. Giả thuyết $H_0$ bị bác bỏ, khẳng định mô hình FEM vượt trội so với Pooled OLS.
- Kiểm định Hausman (FEM vs REM): Giá trị thống kê $\chi^2(7) = 19.84$ với $p\text{-value} = 0.0059 < 0.05$. Bác bỏ giả thuyết $H_0$, xác nhận mô hình FEM là mô hình phù hợp nhất.
- Kiểm tra khuyết tật mô hình FEM:
- Modified Wald test for groupwise heteroskedasticity: $\chi^2(29) = 1428.52$ ($p = 0.0000 < 0.05$) $\rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
- Wooldridge test for autocorrelation in panel data: $F(1, 28) = 12.871$ ($p = 0.0013 < 0.05$) $\rightarrow$ Tồn tại hiện tượng tự tương quan chuỗi bậc 1.
- Ước lượng hoàn thiện bằng FGLS: Toàn bộ khuyết tật phương sai thay đổi và tự tương quan AR(1) được hiệu chỉnh thông qua mô hình FGLS.
Bảng kết quả ước lượng thực nghiệm
| Biến độc lập |
Giả thuyết kỳ vọng |
Pooled OLS |
Fixed Effects (FEM) |
Random Effects (REM) |
FGLS (Mô hình chuẩn hóa) |
Mức ý nghĩa thống kê |
| GDP |
$(+)$ |
1.1245 |
1.3412 |
1.2105 |
+1.2854*** |
$p < 0.01$ |
| INF |
$(-)$ |
-0.1521 |
-0.0984 |
-0.1120 |
-0.0841 |
$p > 0.10$ |
| M2 |
$(+)$ |
0.5412 |
0.4891 |
0.5123 |
+0.4632*** |
$p < 0.01$ |
| DPG |
$(+)$ |
0.3845 |
0.3412 |
0.3621 |
+0.3541*** |
$p < 0.01$ |
| SIZE |
$(+)$ |
0.0412 |
0.0215 |
0.0312 |
+0.0189 |
$p > 0.10$ |
| LIQ |
$(-)$ |
-0.1845 |
-0.1512 |
-0.1654 |
-0.1428*** |
$p < 0.01$ |
| NPL |
$(-)$ |
-0.9854 |
-0.8741 |
-0.9125 |
-0.8142*** |
$p < 0.01$ |
| _cons |
|
-0.2145 |
-0.1045 |
-0.1541 |
-0.0985 |
$p > 0.10$ |
| Log-Likelihood |
|
- |
- |
- |
184.62 |
|
| Wald $\chi^2$ |
|
- |
- |
- |
412.85*** |
$p = 0.0000$ |
* Ghi chú: *** biểu thị mức ý nghĩa thống kê 1% ($p < 0.01$).
Phân tích ý nghĩa các hệ số hồi quy thực nghiệm
- Tăng trưởng GDP ($\beta = +1.2854$, $p < 0.01$): Khi GDP tăng thêm 1%, tốc độ tăng trưởng tín dụng trung bình tăng thêm 1.2854% trong điều kiện các yếu tố khác không đổi. Sự mở rộng sản xuất kinh doanh thúc đẩy nhu cầu giải ngân vốn vay của nền kinh tế.
- Tăng trưởng cung tiền M2 ($\beta = +0.4632$, $p < 0.01$): Khi cung tiền M2 mở rộng thêm 1%, tốc độ tăng trưởng tín dụng tăng 0.4632%. Chính sách tiền tệ nới lỏng gia tăng thanh khoản hệ thống, tạo điều kiện cho các NHTM mở rộng hạn mức tín dụng.
- Tăng trưởng huy động vốn DPG ($\beta = +0.3541$, $p < 0.01$): Tăng trưởng tiền gửi thêm 1% giúp tăng trưởng tín dụng mở rộng thêm 0.3541%. Tiền gửi khách hàng là nguồn vốn đầu vào chủ đạo, quyết định trực tiếp đến hạn mức cấp tín dụng theo quy định tỷ lệ LDR (Loan-to-Deposit Ratio).
- Tỷ lệ thanh khoản LIQ ($\beta = -0.1428$, $p < 0.01$): Tỷ lệ tài sản thanh khoản tăng 1% làm giảm tăng trưởng tín dụng 0.1428%. Tồn tại sự đánh đổi (trade-off) trực tiếp giữa việc duy trì dự trữ thanh khoản an toàn và tối ưu hóa tài sản sinh lời qua tín dụng.
- Tỷ lệ nợ xấu NPL ($\beta = -0.8142$, $p < 0.01$): Tỷ lệ nợ xấu tăng thêm 1% làm sụt giảm tăng trưởng tín dụng 0.8142%. Áp lực trích lập dự phòng rủi ro tín dụng và chi phí vốn gia tăng buộc các ngân hàng phải thắt chặt tiêu chuẩn cho vay.
Đổi mới và đóng góp
Đổi mới phương pháp và dữ liệu
- Dữ liệu dài hạn xuyên suốt chu kỳ tái cơ cấu (2011–2022): Khóa luận xây dựng mẫu quan sát 12 năm với 29 NHTM (chiếm trên 90% tổng tài sản toàn hệ thống), bao quát giai đoạn hậu khủng hoảng 2011, giai đoạn xử lý nợ xấu qua VAMC và cú sốc đại dịch COVID-19.
- Kỹ thuật xử lý khuyết tật chuẩn hóa (FGLS): Thay vì dừng lại ở mô hình FEM thông thường như nhiều công trình trước đây, nghiên cứu tiến hành kiểm định chuyên sâu và áp dụng FGLS giúp triệt tiêu hoàn toàn sai số chệch do hiện tượng phương sai thay đổi giữa các nhóm ngân hàng và tự tương quan chuỗi thời gian.
SO SÁNH ĐÓNG GÓP THỰC NGHIỆM VỚI CÁC CÔNG TRÌNH TIÊU BIỂU
[Nghiên cứu này (2024)]
[Phạm Xuân Quỳnh (2017)]
[Nguyễn Văn Thuận (2021)]
[Lê Vũ Hà & Đỗ Văn Lộc (2022)]
Ứng dụng thực tế và triển khai
Chiến lược vận hành cho Ngân hàng Thương mại
- Tối ưu hóa quản trị tài sản Nợ - tài sản Có (ALM): Kết quả hệ số $DPG = +0.3541$ chỉ ra rằng việc mở rộng tín dụng phải đi liền với chiến lược tăng trưởng huy động vốn bền vững, kiểm soát tỷ lệ CASA (tiền gửi không kỳ hạn) để tối ưu chi phí vốn huy động (COF).
- Kiểm soát ngưỡng nợ xấu (NPL Trigger): Tác động tiêu cực của NPL ($\beta = -0.8142$) yêu cầu ngân hàng thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS) dựa trên phân loại rủi ro tín dụng theo Thông tư 11/2021/TT-NHNN, duy trì tỷ lệ bao phủ nợ xấu (LLR) trên 100%.
- Cân bằng thanh khoản động: Cân đối hệ số LDR và tỷ lệ nguồn vốn ngắn hạn cho vay trung dài hạn dưới 30% để đảm bảo không bị động khi thanh khoản thị trường liên ngân hàng co hẹp.
Lộ trình triển khai hệ thống phân tích tín dụng tự động
+-----------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI VẬN HÀNH (4 QUÝ) |
+-----------------------------------------------------------------------+
| Quý 1: Xây dựng Data Warehouse & ETL tích hợp Core Banking / Vĩ mô |
| Quý 2: Triển khai Engine kinh tế lượng FGLS & Khung Stress-testing |
| Quý 3: Tích hợp Dashboard cảnh báo thanh khoản LIQ & Ngưỡng rủi ro NPL|
| Quý 4: Tự động hóa phân bổ hạn mức tín dụng từng khối kinh doanh |
+-----------------------------------------------------------------------+
Hạn chế và hướng phát triển
Hạn chế học thuật
- Tính chất trễ động (Dynamic Panel Data): Mô hình FGLS xử lý tốt phương sai thay đổi và tự tương quan nhưng chưa kiểm soát triệt để hiện tượng nội sinh (Endogeneity) giữa tăng trưởng tín dụng và nợ xấu hoặc trễ bậc 1 của chính biến phụ thuộc ($CDG_{t-1}$).
- Biến số chính sách định lượng: Chưa đưa vào biến giả chính sách (Policy Dummy) nhằm định lượng hóa việc nới room tín dụng định kỳ của NHNN đối với từng nhóm ngân hàng đạt chuẩn Basel II/Basel III.
Hướng nghiên cứu tiếp theo
- Áp dụng phương pháp Hồi quy Moment tổng quát hệ thống (Two-step System GMM - Blundell & Bond) để kiểm soát biến trễ nội sinh.
- Mở rộng tập thuộc tính bao gồm các chỉ số an toàn vốn CAR (Capital Adequacy Ratio), tỷ lệ chi phí trên thu nhập (CIR) và các chỉ số tài chính xanh (ESG Lending).
Đối tượng hưởng lợi
+-------------------+----------------------------------------------------+
| Nhóm đối tượng | Giá trị và Lợi ích ứng dụng cụ thể |
+-------------------+----------------------------------------------------+
| Sinh viên & Học | Nguồn tài liệu tham khảo chuẩn mực về phương pháp |
| viên Cao học | nghiên cứu định lượng dữ liệu bảng FGLS trên Stata.|
| | |
| Chuyên viên Phân | Bộ khung mã nguồn phân tích danh mục, script kiểm |
| tích Rủi ro / ALM | định thống kê ứng dụng trong kiểm toán rủi ro ALM. |
| | |
| Ban Điều hành các | Căn cứ định lượng xây dựng kế hoạch kinh doanh tín |
| NHTM | dụng hằng năm đồng bộ với room tăng trưởng dự kiến.|
| | |
| Cơ quan Quản lý | Cơ sở thực nghiệm hoạch định chính sách tiền tệ và |
| Nhà nước (NHNN) | phân bổ hạn mức tín dụng phù hợp năng lực từng bank|
+-------------------+----------------------------------------------------+
Câu hỏi thường gặp
1. Tại sao mô hình FGLS lại vượt trội hơn mô hình FEM trong nghiên cứu này?
Mô hình FEM giả định rằng sai số của các đối tượng độc lập và có phương sai đồng nhất ($Var(\varepsilon_{it}) = \sigma^2$). Tuy nhiên, 29 ngân hàng có quy mô và cơ cấu tài sản rất khác nhau, dẫn tới hiện tượng phương sai thay đổi theo nhóm (Groupwise Heteroskedasticity) và tự tương quan thời gian AR(1). Ước lượng FGLS biến đổi ma trận hiệp phương sai sai số $\Omega$, giúp thu được ước lượng không chệch và hiệu quả nhất (BLUE).
2. Biến Lạm phát (INF) và Quy mô (SIZE) tại sao không có ý nghĩa thống kê trong mô hình FGLS?
Trong giai đoạn 2011–2022, lạm phát tại Việt Nam được kiểm soát tốt quanh ngưỡng mục tiêu 4% của Chính phủ, do đó biến động lạm phát không tạo ra áp lực biến thiên đủ lớn lên quyết định cấp tín dụng. Đối với biến Quy mô (SIZE), các ngân hàng nhỏ có tốc độ tăng trưởng tín dụng phần trăm rất cao để tranh thủ thị phần, trong khi ngân hàng lớn bị giới hạn bởi quy mô tuyệt đối, khiến tác động thuần của SIZE không đạt mức ý nghĩa $p < 0.05$.
3. Tỷ lệ thanh khoản (LIQ) âm phản ánh điều gì trong quản trị ngân hàng?
Hệ số hồi quy âm ($\beta = -0.1428$) phản ánh quy luật đánh đổi giữa an toàn và sinh lời. Khi ngân hàng tăng cường nắm giữ các tài sản có tính thanh khoản cao (tiền mặt, tiền gửi tại NHNN, trái phiếu chính phủ), nguồn vốn khả dụng phục vụ cho vay thương mại sẽ bị thu hẹp lại, làm giảm tốc độ tăng trưởng dư nợ.
4. Dữ liệu nợ xấu NPL của 29 ngân hàng được thu thập từ nguồn nào?
Dữ liệu NPL được thu thập trực tiếp từ Báo cáo tài chính hợp nhất đã kiểm toán của 29 NHTM (thuyết minh nợ cho vay khách hàng từ Nhóm 3 đến Nhóm 5 theo quy định phân loại nợ của NHNN), đảm bảo tính pháp lý và độ tin cậy thực nghiệm.
5. Kết quả nghiên cứu có thể tích hợp vào hệ thống phần mềm ngân hàng như thế nào?
Phương trình FGLS có thể đóng gói thành API hoặc module phân tích dự báo trong hệ thống ALM/Risk Data Mart của ngân hàng. Module này nhận các đầu vào dự báo kinh tế vĩ mô (GDP, M2) và kế hoạch kinh doanh nội bộ (DPG, target NPL) để mô phỏng khả năng giải ngân tín dụng an toàn cho từng chu kỳ kinh doanh.
Kết luận
Đồ án khóa luận tốt nghiệp của tác giả Phạm Thu Quyên (hướng dẫn khoa học: TS. Đào Lê Kiều Oanh, Trường Đại học Ngân hàng TP.HCM) đã giải quyết trọn vẹn và chuẩn xác bài toán thực nghiệm về các nhân tố quyết định tăng trưởng tín dụng tại hệ thống NHTM Việt Nam giai đoạn 2011–2022.
Bằng việc triển khai hệ phương pháp kinh tế lượng dữ liệu bảng nghiêm ngặt và giải quyết triệt để các khuyết tật mô hình thông qua FGLS, nghiên cứu khẳng định:
- Tăng trưởng GDP ($\beta = +1.2854$), Cung tiền M2 ($\beta = +0.4632$) và Tăng trưởng tiền gửi DPG ($\beta = +0.3541$) là ba động lực thúc đẩy mở rộng tín dụng mạnh mẽ nhất.
- Tỷ lệ nợ xấu NPL ($\beta = -0.8142$) và Tỷ lệ thanh khoản LIQ ($\beta = -0.1428$) là hai rào cản kỹ thuật kiểm soát và thắt chặt quy mô cho vay nhằm bảo toàn an toàn hệ thống.
Kết quả nghiên cứu cung cấp luận cứ khoa học vững chắc hỗ trợ các nhà quản trị ngân hàng trong việc cân bằng giữa mục tiêu tăng trưởng tài sản sinh lời và tuân thủ các quy chuẩn an toàn thanh khoản theo chuẩn mực quốc tế.
