Giới thiệu dự án

Tỷ lệ an toàn vốn (Capital Adequacy Ratio - CAR) đóng vai trò là "tấm lá chắn" phòng thủ quan trọng nhất bảo vệ hệ thống ngân hàng thương mại (NHTM) trước các cú sốc tài chính, rủi ro tín dụng, rủi ro thị trường và rủi ro hoạt động. Trong bối cảnh Ngân hàng Nhà nước Việt Nam (NHNN) đẩy mạnh áp dụng chuẩn mực Basel II theo Thông tư 41/2016/TT-NHNN và Thông tư 22/2019/TT-NHNN (yêu cầu CAR tối thiểu 8%), việc kiểm soát và tối ưu hóa hệ số an toàn vốn trở thành nhiệm vụ sống còn đối với các tổ chức tín dụng.

Thực tế tại Việt Nam giai đoạn 2013 – 2022 cho thấy sự phân hóa rõ rệt: trong khi nhóm ngân hàng thương mại cổ phần (NHTMCP) tư nhân quy mô lớn duy trì CAR ở mức 9,5% – 11,5%, nhóm NHTM có vốn Nhà nước chi phối (Vietcombank, BIDV, VietinBank, Agribank) liên tục đối mặt với áp lực tăng vốn tự có cấp 1 để theo kịp tốc độ tăng trưởng tổng tài sản rủi ro (RWA).

Vấn đề nghiên cứu cụ thể

  • Sự đánh đổi giữa quy mô và độ an toàn: Mở rộng tín dụng thúc đẩy tăng trưởng tài sản nhưng kéo theo sự gia tăng của tài sản có rủi ro gia quyền ($RWA$), gây xói mòn CAR nếu vốn tự có không được tích lũy tương ứng.
  • Tác động phi tuyến của sở hữu Nhà nước ($STATE$): Vai trò bảo hộ ngầm của Nhà nước có thể dẫn đến hiện tượng ỷ lại (moral hazard), nới lỏng chính sách trích lập dự phòng hoặc ưu tiên cho vay chính sách hơn tối đa hóa an toàn vốn.
  • Xung đột nội sinh và khuyết tật dữ liệu bảng: Hiện tượng tự tương quan, phương sai sai số thay đổi và biến nội sinh giữa tỷ lệ nợ xấu ($NPL$), khả năng sinh lời ($ROA$) với $CAR$ làm sai lệch các ước lượng kinh tế lượng cổ điển (Pooled OLS, FEM, REM).

Mục tiêu nghiên cứu

  1. Định lượng mức độ tác động của 6 nhân tố vi mô ($SIZE, ROA, NPL, LLR, LIQ, STATE$) và 2 nhân tố vĩ mô ($GDP, INF$) đến tỷ lệ an toàn vốn của 26 NHTM Việt Nam giai đoạn 2013 – 2022.
  2. Kiểm định vai trò điều tiết (moderating effect) của biến tương tác sở hữu Nhà nước ($STATE \times SIZE$, $STATE \times ROA$, $STATE \times LIQ$, $STATE \times NPL$, $STATE \times LLR$).
  3. Ứng dụng kỹ thuật ước lượng kinh tế lượng động System GMM (SGMM) hai bước nhằm xử lý triệt để hiện tượng nội sinh và độ trễ phụ thuộc của $CAR_{i,t-1}$.
  4. Xây dựng hàm ý chính sách tài chính cho NHNN và khung chiến lược quản trị rủi ro cho từng nhóm ngân hàng theo chuẩn Basel II/III.

Phạm vi và giới hạn

  • Không gian: 26 NHTM Việt Nam có báo cáo tài chính kiểm toán và báo cáo thường niên công khai, minh bạch.
  • Thời gian: 10 năm (2013 – 2022), bao quát chu kỳ tái cơ cấu ngân hàng theo Quyết định 254/QĐ-TTg và 1058/QĐ-TTg, cùng giai đoạn chịu tác động của đại dịch COVID-19.
  • Mẫu quan sát: Dữ liệu bảng cân đối gồm 260 quan sát (26 ngân hàng $\times$ 10 năm).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu an toàn vốn tại các thị trường mới nổi thường áp dụng các mô hình hồi quy truyền thống nhưng gặp nhiều giới hạn về kỹ thuật:

Phương pháp Ưu điểm Hạn chế kỹ thuật Mức độ phù hợp với dữ liệu ngân hàng
Pooled OLS Đơn giản, dễ tính toán tham số Bỏ qua đặc trưng riêng lẻ của từng ngân hàng, sai số lệch chuẩn bị chệch nghiêm trọng Không phù hợp (vi phạm giả định phân phối độc lập)
Fixed Effects (FEM) Kiểm soát được các yếu tố bất biến theo thời gian không quan sát được Không ước lượng được các biến cố định như $STATE$, bị ảnh hưởng bởi phương sai thay đổi Trung bình (cần kiểm định Hausman)
Random Effects (REM) Cho phép ước lượng biến $STATE$, tiết kiệm bậc tự do Giả định sai số không tương quan với biến giải thích thường bị bác bỏ Trung bình
FGLS Khắc phục hoàn toàn phương sai sai số thay đổi và tự tương quan bậc 1 Không xử lý được biến nội sinh (endogeneity) phát sinh từ quan hệ hai chiều Khá tốt
System GMM (SGMM) Kiểm soát độ trễ động $CAR_{i,t-1}$, nội sinh của $NPL$, heteroskedasticity Đòi hỏi lựa chọn biến công cụ (instruments) chuẩn xác, tránh over-identification Tối ưu nhất 
                       MA TRẬN YÊU CẦU DỰ ÁN (MoSCoW)

Thiết kế hệ thống mô hình định lượng

Mô hình hồi quy tổng quát dạng tĩnh:

$$CAR_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 ROA_{i,t} + \beta_3 NPL_{i,t} + \beta_4 LLR_{i,t} + \beta_5 LIQ_{i,t} + \beta_6 GDP_t + \beta_7 INF_t + \beta_8 STATE_{i,t} + \varepsilon_{i,t}$$

Mô hình hồi quy động System GMM mở rộng với biến tương tác:

$$CAR_{i,t} = \alpha_0 + \delta CAR_{i,t-1} + \sum_{k=1}^{8} \beta_k X_{k,i,t} + \sum_{m=1}^{5} \gamma_m (STATE_{i,t} \times Z_{m,i,t}) + \mu_i + \nu_{i,t}$$

Trong đó:

  • $CAR_{i,t}$: Tỷ lệ an toàn vốn của ngân hàng $i$ tại năm $t$ = $(Vốn\ Cấp\ 1 + Vốn\ Cấp\ 2) / RWA$.
  • $SIZE_{i,t} = \ln(Tổng\ tài\ sản)$.
  • $ROA_{i,t} = Lợi\ nhuận\ sau\ thuế / Tổng\ tài\ sản$.
  • $NPL_{i,t} = Nợ\ xấu\ (Nhóm\ 3, 4, 5) / Tổng\ dư\ nợ\ cho\ vay$.
  • $LLR_{i,t} = Dự\ phòng\ rủi\ ro\ tín\ dụng / Tổng\ dư\ nợ$.
  • $LIQ_{i,t} = (Tiền\ mặt + Tiền\ gửi\ tại\ NHNN + GTCG) / Tổng\ tài\ sản$.
  • $STATE_{i,t}$: Biến giả (Dummy), nhận giá trị $1$ nếu vốn Nhà nước $> 50%$, ngược lại nhận $0$.
  • $GDP_t, INF_t$: Tốc độ tăng trưởng GDP thực tế và chỉ số lạm phát CPI hàng năm.
  • $STATE \times Z$: Các biến tương tác ($STATE \times SIZE$, $STATE \times ROA$, $STATE \times LIQ$, $STATE \times NPL$, $STATE \times LLR$).
                         LUỒNG XỬ LÝ DỮ LIỆU ĐỊNH LƯỢNG

Phương pháp nghiên cứu và ngăn ngừa rủi ro

  • Quy trình chuẩn hóa: Sử dụng phần mềm thống kê chuyên dụng Stata 16.0.
  • Kiểm định mô hình cơ sở: F-test (chọn giữa Pooled OLS và FEM), Breusch-Pagan Lagrange Multiplier (chọn giữa Pooled OLS và REM), Hausman Test (chọn giữa FEM và REM).
  • Kiểm định chẩn đoán vi phạm: Modified Wald Test (kiểm định phương sai thay đổi nhóm), Wooldridge Test (kiểm định tự tương quan chuỗi bậc 1 trong dữ liệu bảng).
  • Kiểm định tính vững của SGMM: Arellano-Bond AR(1) và AR(2) (xác định tự tương quan phần dư), Hansen/Sargan Test (kiểm định tính hợp lệ của các biến công cụ ngoại sinh).

Implementation và kết quả

Quy trình triển khai trên Stata 16.0

Quy trình phân tích kinh tế lượng được tự động hóa qua tập lệnh Stata (.do file) với việc phân tầng các giai đoạn kiểm thử:

* ==============================================================================
* KHÓA LUẬN TỐT NGHIỆP: AN TOÀN VỐN NHTM & VAI TRÒ SỞ HỮU NHÀ NƯỚC (2013 - 2022)
* Framework: Stata 16.0 SE | Author: Nguyen Hoai Thuong
* ==============================================================================

clear all
set more off

* 1. Khai báo cấu trúc dữ liệu bảng (Panel Data)
insheet using "bank_car_panel_data_2013_2022.csv", comma
xtset bank_id year

* 2. Thống kê mô tả và Ma trận tương quan Pearson
summarize CAR SIZE ROA NPL LLR LIQ STATE GDP INF
pwcorr CAR SIZE ROA NPL LLR LIQ STATE GDP INF, sig star(0.05)

* 3. Kiểm định Đa cộng tuyến (Multicollinearity) qua hệ số VIF
regress CAR SIZE ROA NPL LLR LIQ STATE GDP INF
vif

* 4. Ước lượng mô hình cơ sở: Pooled OLS, FEM, REM
regress CAR SIZE ROA NPL LLR LIQ STATE GDP INF
estimates store OLS_MODEL

xtreg CAR SIZE ROA NPL LLR LIQ STATE GDP INF, fe
estimates store FEM_MODEL

xtreg CAR SIZE ROA NPL LLR LIQ STATE GDP INF, re
estimates store REM_MODEL

* 5. Kiểm định lựa chọn mô hình
* 5.1 F-test: Pooled OLS vs FEM (Kiểm tra trong output xtreg, fe)
* 5.2 Breusch and Pagan LM test: Pooled OLS vs REM
xttest0
* 5.3 Hausman test: FEM vs REM
hausman FEM_MODEL REM_MODEL

* 6. Kiểm định khuyết tật mô hình trên FEM được chọn
xttest3          // Kiểm định phương sai thay đổi (Modified Wald test)
xtserial CAR SIZE ROA NPL LLR LIQ STATE GDP INF // Kiểm định tự tương quan (Wooldridge test)

* 7. Xử lý khuyết tật bằng mô hình FGLS (Feasible Generalized Least Squares)
xtgls CAR SIZE ROA NPL LLR LIQ STATE GDP INF, panels(hetero) corr(ar1)
estimates store FGLS_MODEL

* 8. Xử lý biến nội sinh bằng mô hình hồi quy động System GMM (xtabond2)
* Sử dụng 2-step SGMM với hiệu chỉnh sai số Windmeijer robust standard errors
xtabond2 CAR L.CAR SIZE ROA NPL LLR LIQ GDP INF STATE, ///
    gmm(L.CAR NPL ROA, lag(2 3) collapse) ///
    iv(SIZE LLR LIQ GDP INF STATE) ///
    twostep robust small
estimates store SGMM_BASELINE

* 9. Đánh giá biến tương tác sở hữu Nhà nước (Interaction Effects)
xtabond2 CAR L.CAR SIZE ROA NPL LLR LIQ GDP INF STATE ///
    c.STATE#c.SIZE c.STATE#c.ROA c.STATE#c.LIQ c.STATE#c.NPL c.STATE#c.LLR, ///
    gmm(L.CAR NPL ROA, lag(2 3) collapse) ///
    iv(SIZE LLR LIQ GDP INF STATE) ///
    twostep robust small
estimates store SGMM_INTERACTION

Kết quả kiểm định và lựa chọn mô hình

  1. Thống kê mô tả (N = 260):

    • $CAR$: Giá trị trung bình đạt $11,2%$, thấp nhất là $8,35%$ (LPB năm 2019) và cao nhất đạt $20,15%$ (tất cả các ngân hàng đều thỏa mãn ngưỡng Basel II tối thiểu 8%).
    • $SIZE$: Logarit tự nhiên tổng tài sản có trung bình $8,1421$ (nhỏ nhất là SGB năm 2013 với $7,1845$; lớn nhất thuộc nhóm Big 4 vượt $9,45$).
    • $ROA$: Trung bình đạt $0,79%$, dao động từ $0,00%$ (NVB 2021-2022) đến $2,85%$.
    • $NPL$: Tỷ lệ nợ xấu trung bình toàn hệ thống là $2,24%$, mức thấp nhất đạt $0,19%$ (KLB 2021).
    • $STATE$: Tỷ lệ quan sát thuộc nhóm NHTM có sở hữu Nhà nước chiếm $45,38%$.

  2. Kiểm định đa cộng tuyến & Khuyết tật thống kê:

    • Hệ số phóng đại phương sai $VIF$ của tất cả các biến đều $< 3,0$ (trung bình $VIF = 1,48$), bác bỏ sự tồn tại của đa cộng tuyến nghiêm trọng.
    • Kiểm định Hausman cho giá trị $P\text{-value} = 0,0012 < 0,05 \implies$ Mô hình Fixed Effects (FEM) vượt trội so với Random Effects (REM).
    • Kiểm định Modified Wald Test ($P\text{-value} = 0,0000 < 0,01$) xác nhận hiện tượng phương sai sai số thay đổi.
    • Kiểm định Wooldridge ($P\text{-value} = 0,0041 < 0,05$) xác nhận tồn tại tự tương quan bậc 1.
    • $\implies$ Cần thiết phải sử dụng FGLS và tiến tới System GMM.
                   KẾT QUẢ KIỂM ĐỊNH LỰA CHỌN MÔ HÌNH

Kết quả đạt được từ hồi quy System GMM

Tổng hợp chiều hướng tác động và mức ý nghĩa thực nghiệm từ mô hình System GMM:

Biến số Dấu kỳ vọng Hệ số ước lượng SGMM P-value Ý nghĩa thống kê Tác động thực tế đến tỷ lệ CAR
$CAR_{t-1}$ (+) +0.4812 0.000 Ý nghĩa 1% Hệ số an toàn vốn có tính quán tính động rất cao
$SIZE$ (-) -0.0185 0.008 Ý nghĩa 1% Tăng trưởng quy mô tài sản làm suy giảm hệ số CAR
$ROA$ (+) +0.8924 0.002 Ý nghĩa 1% Lợi nhuận bổ sung trực tiếp vào vốn tự có Cấp 1
$LLR$ (-) -0.3415 0.034 Ý nghĩa 5% Trích lập dự phòng bào mòn vốn chủ sở hữu ngắn hạn
$LIQ$ (+) +0.1245 0.015 Ý nghĩa 5% Thanh khoản cao giúp giảm thiểu tài sản rủi ro cao
$NPL$ (-) -0.0412 0.320 Không ý nghĩa Chưa đủ bằng chứng tác động trực tiếp trong mẫu
$GDP$ (+) +0.0784 0.041 Ý nghĩa 5% Kinh tế tăng trưởng tạo môi trường tích lũy vốn tốt
$INF$ (-) -0.0562 0.028 Ý nghĩa 5% Lạm phát làm suy giảm tỷ lệ an toàn vốn thực tế
$STATE$ (-) -0.0045 0.412 Không ý nghĩa Biến độc lập đơn lẻ không tạo khác biệt có ý nghĩa
$STATE \times SIZE$ (-) -0.0124 0.045 Ý nghĩa 5% Ngân hàng Nhà nước càng lớn thì CAR càng giảm nhanh
$STATE \times ROA$ (-) -0.4215 0.038 Ý nghĩa 5% Khả năng chuyển hóa ROA thành vốn tại NHTM Nhà nước thấp hơn tư nhân
$STATE \times LIQ$ (-) -0.0892 0.049 Ý nghĩa 5% Tương tác thanh khoản làm suy giảm đòn bẩy an toàn

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính đột phá so với các công trình trước đây:

                  SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ PHƯƠNG PHÁP

Điểm mới nổi bật

  1. Phát hiện "Nghịch lý chuyển hóa lợi nhuận" tại NHTM có sở hữu Nhà nước: Hệ số tương tác $STATE \times ROA$ mang dấu âm ($-0,4215$) có ý nghĩa thống kê $5%$. Điều này chứng minh rằng dù có lợi nhuận cao, các NHTM Nhà nước gặp khó khăn trong việc giữ lại lợi nhuận để tăng vốn Cấp 1 do phải thực hiện nghĩa vụ nộp cổ tức bằng tiền mặt vào Ngân sách Nhà nước.
  2. Hiện tượng "Quá lớn để sụp đổ" (Too Big To Fail) tại nhóm $STATE \times SIZE$: Biến tương tác âm thể hiện các ngân hàng quốc doanh quy mô tài sản siêu lớn chịu áp lực gia tăng mẫu số $RWA$ cực mạnh nhưng lại bị bó buộc bởi trần vốn điều lệ theo quy định ngân sách, khiến biên độ an toàn vốn bị thu hẹp đáng kể so với NHTMCP tư nhân.
  3. Tính quán tính của an toàn vốn: Hệ số trễ $CAR_{t-1} = 0,4812$ ($p < 0,001$) khẳng định việc duy trì an toàn vốn là một quá trình liên tục, có tính tích lũy dài hạn và chịu ảnh hưởng trực tiếp từ cấu trúc quản trị rủi ro các năm trước đó.

Ứng dụng thực tế và triển khai

Chiến lược ứng dụng cho hệ thống ngân hàng

                    KHUNG TRIỂN KHAI NÂNG CAO CAR CHO NHTM

Lộ trình triển khai khuyến nghị chính sách

  • Giai đoạn 1 (Ngắn hạn 2024 - 2025):
    • Cho phép 100% các NHTM có vốn Nhà nước chi phối được giữ lại toàn bộ lợi nhuận hàng năm hoặc chi trả cổ tức hoàn toàn bằng cổ phiếu để tăng vốn điều lệ.
    • Tăng cường xử lý nợ xấu thực chất, giảm áp lực trích lập dự phòng $LLR$ đột biến gây sụt giảm CAR trong ngắn hạn.
  • Giai đoạn 2 (Trung hạn 2025 - 2027):
    • Áp dụng phương pháp nâng cao (Internal Ratings-Based - IRB) theo chuẩn Basel II để tính toán $RWA$ chính xác hơn thay cho phương pháp tiêu chuẩn hóa (Standardized Approach - SA), giúp tiết kiệm 15% - 20% yêu cầu vốn tự có cho danh mục khách hàng chuẩn.
  • Giai đoạn 3 (Dài hạn 2027 - 2030):
    • Triển khai toàn diện Basel III: Áp dụng Tỷ lệ đòn bẩy (Leverage Ratio $\ge 3%$), Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu: Nghiên cứu chỉ khảo sát 26 NHTM có số liệu công khai liên tục; chưa bao quát toàn bộ các ngân hàng thương mại 100% vốn nước ngoài hoặc ngân hàng đang trong diện kiểm soát đặc biệt do hạn chế công bố thông tin.
  • Hạn chế về cách thức phân loại tài sản rủi ro: Chỉ số $RWA$ trong giai đoạn 2013 – 2018 được tính toán chủ yếu theo Thông tư 02/2013/TT-NHNN và Thông tư 36/2014/TT-NHNN, trước khi chuyển giao hoàn toàn sang Thông tư 41/2016/TT-NHNN từ năm 2020, tạo ra độ trễ kỹ thuật nhất định trong chuỗi thời gian.
  • Hướng phát triển:
    1. Ứng dụng mô hình hồi quy ngưỡng phi tuyến (Threshold Regression) để tìm điểm gãy tối ưu của biến $SIZE$ và $ROA$ đối với $CAR$.
    2. Ứng dụng thuật toán học máy (Machine Learning: Random Forest, XGBoost) trong dự báo sớm nguy cơ vi phạm tỷ lệ an toàn vốn tối thiểu tại từng ngân hàng.
    3. Mở rộng mô hình nghiên cứu sang các trụ cột của Basel III và các biến số quản trị ESG (Môi trường - Xã hội - Quản trị).

Đối tượng hưởng lợi

                      BẢN ĐỒ GIÁ TRỊ CÁC BÊN THỤ HƯỞNG

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập mô hình hồi quy System GMM trong nghiên cứu này là gì?

Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 16.0 SE hoặc MP) và cài đặt gói lệnh mở rộng xtabond2 (cú pháp: ssc install xtabond2, replace). Dữ liệu cần được định dạng dưới dạng panel data cân đối hoặc không cân đối với cấu trúc xtset bank_id year.

2. Vì sao nghiên cứu phải dùng System GMM thay vì OLS hay FEM truyền thống?

Vì tỷ lệ an toàn vốn $CAR$ có tính trễ phụ thuộc ($CAR_{t-1}$ ảnh hưởng đến $CAR_t$) và tồn tại mối quan hệ nội sinh hai chiều (endogeneity) giữa các biến độc lập như nợ xấu ($NPL$), lợi nhuận ($ROA$) với $CAR$. OLS và FEM sẽ cho ước lượng bị chệch và không vững, trong khi System GMM sử dụng các độ trễ của biến làm biến công cụ nội sinh để triệt tiêu hoàn toàn sai số này.

3. Biến tương tác $STATE \times ROA$ mang dấu âm có ý nghĩa gì đối với việc điều hành ngân hàng?

Hệ số âm cho thấy hiệu quả chuyển đổi từ lợi nhuận ($ROA$) thành vốn tự có của các ngân hàng có sở hữu Nhà nước kém hơn so với các ngân hàng tư nhân. Nguyên nhân chính là do các ngân hàng quốc doanh chịu ràng buộc phải chi trả cổ tức bằng tiền mặt về Kho bạc Nhà nước, khiến tốc độ tăng trưởng vốn tự có Cấp 1 không tương xứng với lợi nhuận kiếm được.

4. Kết quả nghiên cứu có thể tích hợp vào quy trình đánh giá nội bộ mức đủ vốn (ICAAP) như thế nào?

Ngân hàng có thể sử dụng các hệ số hồi quy của mô hình làm trọng số trong mô hình dự báo áp lực vốn (Capital Stress Testing). Khi lập kế hoạch kinh doanh, phòng Quản trị Rủi ro có thể đưa các kịch bản suy giảm tăng trưởng $GDP$, gia tăng $INF$ hoặc nợ xấu $NPL$ vào mô hình để tính toán trước mức độ sụt giảm $CAR$, từ đó chủ động phương án phát hành trái phiếu Cấp 2 hoặc tăng vốn điều lệ.

5. Chi phí và lợi ích kinh tế (ROI) khi nâng cấp từ Basel II lên Basel III đối với các NHTM Việt Nam?

Chi phí đầu tư nâng cấp hệ thống công nghệ thông tin, kho dữ liệu rủi ro (Risk Data Warehouse) và hạ tầng tính toán Basel III ước tính từ 3 – 8 triệu USD cho một ngân hàng tầm trung. Tuy nhiên, lợi ích kinh tế mang lại là giảm thiểu chi phí huy động vốn quốc tế (tín nhiệm xếp hạng tín dụng cao hơn giúp giảm lãi suất đi vay từ 0,3% – 0,5%/năm), đồng thời giảm tổn thất vốn dự phòng khi xảy ra khủng hoảng chu kỳ.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán xác định các nhân tố tác động đến tỷ lệ an toàn vốn tại 26 NHTM Việt Nam trong giai đoạn 10 năm (2013 – 2022). Bằng phương pháp kinh tế lượng hiện đại System GMM hai bước, nghiên cứu đã chứng minh vững chắc vai trò tích cực của tỷ suất sinh lời ($ROA$), khả năng thanh khoản ($LIQ$) và tăng trưởng kinh tế ($GDP$) đối với an toàn vốn; đồng thời chỉ rõ áp lực bào mòn hệ số CAR đến từ quy mô tổng tài sản ($SIZE$), tỷ lệ dự phòng rủi ro tín dụng ($LLR$) và lạm phát ($INF$).

Đặc biệt, việc đưa vào hệ biến tương tác sở hữu Nhà nước đã mang lại phát hiện mang tính đột phá về sự kìm hãm tích lũy vốn tại nhóm ngân hàng quốc doanh, cung cấp cơ sở thực nghiệm vững chắc để Ngân hàng Nhà nước và Chính phủ ban hành các cơ chế tài chính đặc thù nhằm nâng cao năng lực cạnh tranh quốc tế cho các trụ cột tài chính quốc gia.