Giới thiệu dự án
Rủi ro thanh khoản (Liquidity Risk) là một trong những hiểm họa trọng yếu và mang tính hệ thống đối với hệ thống ngân hàng thương mại (NHTM). Trong cấu trúc trung gian tài chính, NHTM đảm nhận vai trò cung cấp vốn cho nền kinh tế thông qua cơ chế chuyển đổi kỳ hạn (maturity transformation): huy động các nguồn vốn ngắn hạn có tính thanh khoản cao từ người gửi tiền để tài trợ cho các khoản vay trung và dài hạn có tính thanh khoản thấp. Sự bất đối xứng về kỳ hạn này khiến các ngân hàng luôn phải đối mặt với nguy cơ mất khả năng chi trả khi có sự rút vốn đột ngột từ người gửi tiền hoặc khi các dòng tiền vào bị gián đoạn.
Thực tế lịch sử ngành tài chính thế giới và Việt Nam đã ghi nhận nhiều cuộc khủng hoảng bắt nguồn từ rủi ro thanh khoản. Điển hình là vụ rút tiền hàng loạt do tin đồn tại Ngân hàng TMCP Á Châu (ACB) năm 2003, sự sụp đổ của ngân hàng đầu tư Lehman Brothers năm 2008 khởi phát cuộc khủng hoảng tài chính toàn cầu, hay gần đây nhất là sự sụp đổ của Silicon Valley Bank (SVB) vào năm 2023 tại Mỹ và sự cố thanh khoản tại Ngân hàng TMCP Sài Gòn (SCB) năm 2022. Những sự kiện này minh chứng rằng sự sụt giảm thanh khoản của một tổ chức tín dụng đơn lẻ có thể nhanh chóng lan rộng, đe dọa sự ổn định của toàn bộ thị trường tiền tệ.
+-----------------------------------------------------------------------------------+
| BỐI CẢNH NGHIÊN CỨU |
| |
| +-----------------------+ +-----------------------+ +------------------+ |
| | Chuyển đổi kỳ hạn | --> | Rủi ro thanh khoản | --> | Đe dọa an toàn | |
| | Nợ ngắn hạn/Cho vay | | Bất đối xứng dòng | | hệ thống tài | |
| | trung - dài hạn | | tiền & khe hở tài trợ | | chính quốc gia | |
| +-----------------------+ +-----------------------+ +------------------+ |
+-----------------------------------------------------------------------------------+
Vấn đề nghiên cứu và Điểm nghẽn thực tiễn (Problem Statement)
Các NHTM tại Việt Nam đang vận hành trong một môi trường vĩ mô có nhiều biến động về lãi suất, lạm phát và tăng trưởng tín dụng. Việc duy trì một bộ đệm thanh khoản quá lớn sẽ làm gia tăng chi phí cơ hội và suy giảm tỷ suất sinh lời, trong khi thu hẹp dự trữ thanh khoản để tối đa hóa lợi nhuận lại đẩy ngân hàng vào tình trạng dễ bị tổn thương trước các cú sốc thanh khoản. Điểm nghẽn cốt lõi nằm ở việc xác định định lượng các nhân tố nội tại (quy mô, cấu trúc vốn, nợ xấu, hiệu quả hoạt động, sở hữu nước ngoài) và nhân tố vĩ mô (tăng trưởng GDP, lạm phát) tác động như thế nào đến khả năng thanh khoản của ngân hàng, từ đó đưa ra quyết định cân bằng tối ưu giữa khả năng sinh lời và an toàn thanh khoản.
Mục tiêu nghiên cứu (Project Objectives)
- Xác định các nhân tố trọng yếu: Nhận diện và đo lường định lượng các yếu tố nội tại và vĩ mô tác động đến rủi ro thanh khoản tại các NHTM Việt Nam.
- Xây dựng và hiệu chỉnh mô hình kinh tế lượng: Ứng dụng phương pháp hồi quy dữ liệu bảng đa biến (Panel Data Econometrics) từ Pooled OLS, FEM, REM đến mô hình bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) nhằm xử lý triệt để các khuyết tật mô hình (phương sai sai số thay đổi và tự tương quan).
- Đề xuất hàm ý quản trị: Cung cấp cơ sở khoa học và giải pháp thực tiễn cho ban lãnh đạo ngân hàng và các cơ quan điều hành chính sách tiền tệ nhằm tối ưu hóa công tác quản trị rủi ro thanh khoản theo các chuẩn mực quốc tế Basel II/III.
Phương pháp tiếp cận giải pháp (Solution Approach)
Nghiên cứu sử dụng biến phụ thuộc Khe hở tài trợ (Funding Gap - $FGAP$) – một thước đo động phản ánh sự chênh lệch giữa tài sản sinh lời và nguồn vốn huy động trên tổng tài sản. Khung nghiên cứu thu thập dữ liệu bảng cân đối kế toán từ 14 NHTM cổ phần tiêu biểu tại Việt Nam trong giai đoạn 11 năm (2013–2023), kết hợp với số liệu vĩ mô từ Ngân hàng Thế giới (World Bank), tạo nên bộ dữ liệu gồm 154 quan sát (154 bank-year observations) được xử lý trên nền tảng phần mềm Stata 17.0.
Phạm vi và Giới hạn (Scope & Limitations)
- Đối tượng nghiên cứu: Rủi ro thanh khoản đo lường qua khe hở tài trợ ($FGAP$) và các biến đại diện cho quy mô ($SIZE$), tỷ lệ vốn chủ sở hữu ($CAP$), tỷ lệ nợ xấu ($NPL$), tỷ suất sinh lời trên vốn chủ ($ROE$), tỷ lệ sở hữu nước ngoài ($FOWN$), tăng trưởng kinh tế ($GDP$) và lạm phát ($INF$).
- Không gian: 14 NHTM cổ phần đại diện chiếm tỷ trọng tài sản lớn trong hệ thống ngân hàng Việt Nam.
- Thời gian: Giai đoạn 2013–2023, bao quát chu kỳ kinh tế từ giai đoạn tái cơ cấu nợ sau khủng hoảng 2011–2012, đại dịch COVID-19 cho đến giai đoạn biến động thanh khoản 2022–2023.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Phân tích phương pháp đo lường thanh khoản hiện hành
Trong quản trị ngân hàng truyền thống, rủi ro thanh khoản thường được tiếp cận qua các chỉ số tĩnh hoặc qua phân tích dòng tiền động:
| Phương pháp đo lường |
Công thức xác định |
Ưu điểm |
Hạn chế / Rủi ro |
| Hệ số khả năng thanh toán tức thời ($L_1$) |
$\frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$ |
Đơn giản, dễ theo dõi trên bảng cân đối kế toán. |
Tĩnh, không phản ánh được kỳ hạn của các dòng tiền đến hạn trong tương lai. |
| Tỷ lệ cho vay trên huy động ($LDR / L_4$) |
$\frac{\text{Tổng dư nợ tín dụng}}{\text{Tổng vốn huy động}}$ |
Đánh giá trực tiếp mức độ hấp thụ vốn huy động vào hoạt động tín dụng. |
Bỏ qua các nguồn tài trợ khác ngoài tiền gửi (như vốn tự có, thị trường liên ngân hàng). |
| Khe hở tài trợ ($FGAP$) |
$\frac{\text{Tổng dư nợ} - \text{Tổng huy động}}{\text{Tổng tài sản}}$ |
Đo lường toàn diện mức thâm hụt/thặng dư vốn cần tài trợ lại, mang tính động cao. |
Yêu cầu chuẩn hóa dữ liệu chặt chẽ và theo dõi danh mục tài sản chi tiết. |
Phân loại yêu cầu phân tích dữ liệu theo mô hình MoSCoW
+-----------------------------------------------------------------------------------+
| MA TRẬN YÊU CẦU PHÂN TÍCH (MoSCoW) |
| |
| [MUST HAVE] [SHOULD HAVE] |
| - Xử lý dữ liệu bảng 14 NHTM (2013-2023) - Kiểm định đa cộng tuyến (VIF) |
| - Tính toán chính xác biến FGAP, SIZE, NPL - Kiểm định Hausman (FEM vs REM) |
| - Ước lượng FGLS khắc phục khuyết tật - Phân tích tương quan Pearson |
| |
| [COULD HAVE] [WON'T HAVE (THIS PHASE)] |
| - So sánh đối chiếu với chuẩn Basel III - Mô hình hóa System GMM động |
| - Kiểm tra độ nhạy theo quy mô ngân hàng - Dữ liệu thanh khoản tần suất ngày |
+-----------------------------------------------------------------------------------+
- Must Have (Bắt buộc): Dữ liệu bảng chuẩn hóa của 14 ngân hàng qua 11 năm; xác định chính xác các biến số tài chính; thực hiện ước lượng mô hình hồi quy đa biến OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và kiểm soát hoàn toàn hiện tượng phương sai thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation) bằng FGLS.
- Should Have (Nên có): Ma trận tương quan Pearson, hệ số phóng đại phương sai (VIF < 10), kiểm định Modified Wald và kiểm định Wooldridge.
- Could Have (Có thể mở rộng): Đánh giá tác động cận biên của tỷ lệ sở hữu nước ngoài theo từng ngưỡng tỷ lệ sở hữu.
- Won't Have (Chưa thực hiện đợt này): Áp dụng các mô hình chuỗi thời gian bậc cao (VAR/VECM) hoặc dữ liệu vi mô thời gian thực từng ngày.
Thiết kế hệ thống và Mô hình kinh tế lượng
Cấu trúc mô hình nghiên cứu
Hệ thống xử lý và phân tích hồi quy được thiết kế theo cấu trúc luồng dữ liệu 4 giai đoạn chuẩn mực kinh tế lượng:
graph TD
A["Dữ liệu BCTC 14 NHTM & World Bank (2013-2023)"] --> B["Tiền xử lý & Tính toán các biến chỉ số (Stata 17)"]
B --> C["Thống kê mô tả & Ma trận tương quan Pearson"]
C --> D["Ước lượng OLS / FEM / REM"]
D --> E["Kiểm định F-test & Hausman Test"]
E --> F{"Phát hiện khuyết tật?"}
F -- "Phương sai sai số thay đổi / Tự tương quan" --> G["Ước lượng mô hình FGLS (xtgls)"]
F -- "Không có khuyết tật" --> H["Kết luận từ FEM/REM"]
G --> I["Báo cáo kết quả hồi quy & Hàm ý chính sách"]
Phương trình kinh tế lượng tổng quát
Mô hình nghiên cứu dạng đa biến được xác lập như sau:
$$FGAP_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 CAP_{i,t} + \beta_3 NPL_{i,t} + \beta_4 ROE_{i,t} + \beta_5 FOWN_{i,t} + \beta_6 GDP_t + \beta_7 INF_t + \varepsilon_{i,t}$$
Trong đó:
- $i$: Đại diện cho 14 NHTM cổ phần ($i = 1, 2, \dots, 14$).
- $t$: Đại diện cho năm quan sát ($t = 2013, 2014, \dots, 2023$).
- $\beta_0$: Hằng số chặn (Intercept).
- $\beta_1, \beta_2, \dots, \beta_7$: Các hệ số hồi quy riêng phần (Regression coefficients).
- $\varepsilon_{i,t}$: Sai số ngẫu nhiên của mô hình.
Bảng định nghĩa và phương pháp đo lường các biến
| Ký hiệu biến |
Tên biến |
Công thức / Phương pháp tính |
Dấu kỳ vọng |
Cơ sở lý thuyết |
| $FGAP$ |
Khe hở tài trợ (Biến phụ thuộc) |
$\frac{\text{Dư nợ tín dụng} - \text{Nguồn vốn huy động}}{\text{Tổng tài sản}}$ |
N/A |
Saunders & Cornett (2006), Shen et al. (2009) |
| $SIZE$ |
Quy mô ngân hàng |
$\ln(\text{Tổng tài sản})$ |
$-$ / $+$ |
Thuyết "Too Big To Fail", Spence (1973), Vodova (2013) |
| $CAP$ |
Tỷ lệ vốn chủ sở hữu |
$\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ |
$+$ |
Bộ đệm an toàn vốn, Berger & Bouwman (2009) |
| $NPL$ |
Tỷ lệ nợ xấu |
$\frac{\text{Nợ xấu (Nhóm 3-5)}}{\text{Tổng dư nợ cho vay}}$ |
$+$ |
Ahmad & Rasool (2017), Arif & Anees (2012) |
| $ROE$ |
Tỷ suất sinh lời trên VCSH |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$ |
$+$ |
Desquilbet & Bunda (2008) |
| $FOWN$ |
Tỷ lệ sở hữu nước ngoài |
$\frac{\text{Cổ phần của NĐT nước ngoài}}{\text{Tổng số cổ phần lưu hành}}$ |
$-$ |
Thuyết đại diện (Agency Theory), Jensen & Meckling (1976) |
| $GDP$ |
Tăng trưởng kinh tế |
$\frac{GDP_t - GDP_{t-1}}{GDP_{t-1}}$ |
$+$ |
Tính chu kỳ kinh tế, Shen et al. (2009) |
| $INF$ |
Tỷ lệ lạm phát |
$\frac{CPI_t - CPI_{t-1}}{CPI_{t-1}}$ |
$+$ |
Chính sách tiền tệ thắt chặt, Vodova (2011) |
Phương pháp nghiên cứu (Methodology)
Nghiên cứu tuân thủ quy trình phân tích dữ liệu bảng thực nghiệm chuẩn mực qua 5 bước:
- Thu thập và làm sạch dữ liệu: Tổng hợp báo cáo tài chính kiểm toán bởi các tổ chức Big 4 (PwC, KPMG, EY, Deloitte) của 14 NHTM tại Việt Nam; truy xuất dữ liệu vĩ mô từ World Bank Data Indicator.
- Kiểm tra thống kê mô tả và tương quan: Xác định giá trị trung bình (Mean), độ lệch chuẩn (Standard Deviation), giá trị cực trị (Min, Max) và kiểm tra tương quan ma trận Pearson nhằm phát hiện sớm nguy cơ cộng tuyến ($|r| > 0.8$).
- Ước lượng hồi quy sơ bộ: Chạy mô hình Pooled OLS, mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM).
- Kiểm định lựa chọn mô hình và phát hiện khuyết tật:
- Kiểm định F-test: So sánh Pooled OLS với FEM ($H_0$: Các hiệu ứng cố định bằng 0).
- Kiểm định Hausman: So sánh FEM với REM ($H_0$: Không có tương quan giữa sai số ngẫu nhiên và các biến giải thích).
- Kiểm định đa cộng tuyến: Hệ số Variance Inflation Factor (VIF).
- Kiểm định phương sai sai số thay đổi: Modified Wald Test cho mô hình FEM.
- Kiểm định tự tương quan chuỗi: Wooldridge Test cho dữ liệu bảng.
- Hiệu chỉnh mô hình với FGLS: Khi xuất hiện đồng thời phương sai sai số thay đổi và tự tương quan bậc 1 [AR(1)], áp dụng phương pháp Feasible Generalized Least Squares (FGLS) để thu được các ước lượng vững, không chệch và có hiệu quả tiệm cận (BLUE).
Implementation và kết quả
Quy trình triển khai và Cú pháp Stata (Stata Implementation Code)
Toàn bộ quy trình ước lượng và kiểm định được thực hiện bằng phần mềm kinh tế lượng Stata 17.0 với các câu lệnh chuẩn hóa:
* Thiết lập cấu trúc dữ liệu bảng (Panel Data Setup)
clear all
import excel "bank_liquidity_data_2013_2023.xlsx", sheet("Data") firstrow
encode bank_id, gen(id)
xtset id year
* 1. Thống kê mô tả và Ma trận hệ số tương quan
summarize FGAP SIZE CAP NPL ROE FOWN GDP INF
pwcorr FGAP SIZE CAP NPL ROE FOWN GDP INF, sig star(0.05)
* 2. Ước lượng Pooled OLS và kiểm định đa cộng tuyến (VIF)
regress FGAP SIZE CAP NPL ROE FOWN GDP INF
vif
* 3. Ước lượng mô hình FEM và REM
xtreg FGAP SIZE CAP NPL ROE FOWN GDP INF, fe
estimates store fixed_effects
xtreg FGAP SIZE CAP NPL ROE FOWN GDP INF, re
estimates store random_effects
* 4. Kiểm định lựa chọn mô hình: Hausman Test
hausman fixed_effects random_effects
* 5. Kiểm định khuyết tật mô hình (FEM)
* Kiểm định phương sai thay đổi (Modified Wald Test)
xttest3
* Kiểm định tự tương quan (Wooldridge Test)
xtserial FGAP SIZE CAP NPL ROE FOWN GDP INF
* 6. Khắc phục khuyết tật bằng Feasible Generalized Least Squares (FGLS)
xtgls FGAP SIZE CAP NPL ROE FOWN GDP INF, panels(heteroskedastic) corr(ar1)
Thống kê mô tả và Kiểm định chẩn đoán (Diagnostic Benchmarks)
Dữ liệu được thu thập từ 14 NHTM cổ phần qua 11 năm tạo thành 154 quan sát hoàn chỉnh không bị khuyết thiếu (Balanced Panel Data).
Bảng thống kê mô tả mẫu nghiên cứu
| Biến |
Số quan sát ($N$) |
Trung bình (Mean) |
Độ lệch chuẩn (Std. Dev.) |
Nhỏ nhất (Min) |
Lớn nhất (Max) |
Đơn vị / Ghi chú |
| $FGAP$ |
154 |
-0.1443 |
0.1256 |
-0.5335 |
0.1133 |
TPBank (2015) thấp nhất, VPBank (2023) cao nhất |
| $SIZE$ |
154 |
8.1245 |
0.5821 |
7.1120 |
9.3619 |
SGB (2013) nhỏ nhất, BIDV (2023) lớn nhất |
| $CAP$ |
154 |
0.0824 |
0.0345 |
0.0412 |
0.2383 |
SGB (2013) cao nhất, BIDV (2017) thấp nhất |
| $NPL$ |
154 |
0.0186 |
0.0094 |
0.0047 |
0.0691 |
Techcombank (2020) thấp nhất, Sacombank (2016) cao nhất |
| $ROE$ |
154 |
0.1420 |
0.0678 |
0.0089 |
0.3033 |
Eximbank (2015) thấp nhất, VIB (2021) cao nhất |
| $FOWN$ |
154 |
0.1342 |
0.1085 |
0.0000 |
0.3553 |
VietinBank (2013) cao nhất |
| $GDP$ |
154 |
0.0585 |
0.0176 |
0.0256 |
0.0812 |
Năm 2022 cao nhất (8.12%), 2021 thấp nhất (2.56%) |
| $INF$ |
154 |
0.0321 |
0.0128 |
0.0063 |
0.0659 |
Năm 2013 cao nhất (6.59%), 2015 thấp nhất (0.63%) |
+-----------------------------------------------------------------------------------+
| PHÂN BỐ GIÁ TRỊ KHE HỞ TÀI TRỢ (FGAP) |
| |
| Min: -53.35% (TPB 2015) Mean: -14.43% Max: +11.33% (VPB 2023) |
| [ Thặng dư vốn huy động ] <--- [ Cân bằng ] ---> [ Thâm hụt vốn / Vay mượn ngoài ]|
| <-----------------------------------|------------------------------------------->|
| Thanh khoản dồi dào/An toàn Rủi ro thanh khoản tiềm ẩn tăng |
+-----------------------------------------------------------------------------------+
Kết quả các kiểm định chẩn đoán kỹ thuật
- Kiểm định đa cộng tuyến: Hệ số VIF của tất cả các biến độc lập đều nằm trong khoảng $1.15 \le \text{VIF} \le 2.68$, với giá trị trung bình $\text{Mean VIF} = 1.84 < 10$, chứng minh mô hình hoàn toàn không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định F-test (Pooled OLS vs FEM): $F(13, 133) = 18.42$ ($p\text{-value} = 0.0000 < 0.05$), bác bỏ giả thuyết $H_0$, cho thấy mô hình FEM vượt trội so với Pooled OLS.
- Kiểm định Hausman (FEM vs REM): Giá trị $\chi^2(7) = 24.89$ ($p\text{-value} = 0.0008 < 0.05$), bác bỏ giả thuyết $H_0$, xác nhận mô hình tác động cố định (FEM) là phù hợp nhất.
- Kiểm định Modified Wald Test (Phương sai thay đổi): $\chi^2(14) = 452.17$ ($p\text{-value} = 0.0000 < 0.05$), chấp nhận giả thuyết có hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
- Kiểm định Wooldridge Test (Tự tương quan): $F(1, 13) = 14.362$ ($p\text{-value} = 0.0022 < 0.05$), xác nhận sự tồn tại của hiện tượng tự tương quan bậc nhất.
Do sự xuất hiện đồng thời của phương sai sai số thay đổi và tự tương quan chuỗi, ước lượng FEM bị suy giảm hiệu quả thống kê. Do đó, mô hình FGLS được lựa chọn làm kết quả ước lượng cuối cùng.
Kết quả hồi quy cuối cùng (Final Econometric Findings)
Bảng kết quả ước lượng mô hình FGLS
| Biến độc lập |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn (Std. Err.) |
Giá trị kiểm định $z$ |
$p\text{-value}$ |
Mức ý nghĩa |
Kết luận giả thuyết |
| $SIZE$ |
+0.0742 |
0.0158 |
4.70 |
0.0000 |
*** ($p < 0.01$) |
Tác động cùng chiều đến FGAP |
| $CAP$ |
+0.4821 |
0.1624 |
2.97 |
0.0030 |
*** ($p < 0.01$) |
Tác động cùng chiều đến FGAP |
| $NPL$ |
-1.1450 |
0.4532 |
-2.53 |
0.0115 |
** ($p < 0.05$) |
Tác động ngược chiều đến FGAP |
| $ROE$ |
+0.0612 |
0.0589 |
1.04 |
0.2988 |
Không có ý nghĩa |
Không có tác động |
| $FOWN$ |
-0.0415 |
0.0463 |
-0.90 |
0.3702 |
Không có ý nghĩa |
Không có tác động |
| $GDP$ |
+0.5834 |
0.1876 |
3.11 |
0.0019 |
*** ($p < 0.01$) |
Tác động cùng chiều đến FGAP |
| $INF$ |
+0.4128 |
0.2014 |
2.05 |
0.0404 |
** ($p < 0.05$) |
Tác động cùng chiều đến FGAP |
| _cons |
-0.7632 |
0.1345 |
-5.67 |
0.0000 |
*** ($p < 0.01$) |
Hằng số mô hình |
Ghi chú: *** $p < 0.01$, ** $p < 0.05$, * $p < 0.1$. Số quan sát = 154, Số ngân hàng = 14.
+-----------------------------------------------------------------------------------+
| TÁC ĐỘNG CỦA CÁC BIẾN ĐẾN KHE HỞ TÀI TRỢ (FGAP) |
| |
| Tăng rủi ro thanh khoản (+) Giảm khe hở / Thu hẹp tín dụng |
| --------------------------- ------------------------------ |
| - SIZE (+0.0742) [Too Big To Fail] - NPL (-1.1450) |
| - CAP (+0.4821) [Bộ đệm tự tin] (Thắt chặt cho vay khi nợ xấu) |
| - GDP (+0.5834) [Mở rộng chu kỳ] |
| - INF (+0.4128) [Chi phí vốn tăng] |
+-----------------------------------------------------------------------------------+
Phân tích chi tiết ý nghĩa kinh tế từ kết quả hồi quy
- Quy mô ngân hàng ($SIZE$, $\beta = +0.0742, p = 0.0000$): Khi quy mô tài sản tăng 1%, khe hở tài trợ tăng 0.0742 điểm phần trăm. Kết quả ủng hộ thuyết "Quá lớn để sụp đổ" (Too Big To Fail), theo đó các NHTM quy mô lớn tại Việt Nam có xu hướng ỷ lại vào vị thế thanh khoản thị trường và sự hỗ trợ của Ngân hàng Nhà nước (NHNN), từ đó tích cực mở rộng tín dụng dài hạn hơn so với tốc độ huy động vốn, dẫn đến khe hở tài trợ mở rộng và tiềm ẩn rủi ro thanh khoản cao hơn.
- Tỷ lệ vốn chủ sở hữu trên tổng tài sản ($CAP$, $\beta = +0.4821, p = 0.0030$): Tỷ lệ vốn chủ sở hữu tăng 1% làm khe hở tài trợ tăng 0.4821 điểm phần trăm. Ngân hàng có tỷ lệ vốn tự có cao thường có tâm lý tự tin hơn trong việc tài trợ các tài sản sinh lời có rủi ro cao và kỳ hạn dài, tạo ra khe hở tài trợ lớn hơn.
- Tỷ lệ nợ xấu ($NPL$, $\beta = -1.1450, p = 0.0115$): Khi nợ xấu tăng 1%, khe hở tài trợ giảm 1.1450 điểm phần trăm. Khi tỷ lệ nợ xấu gia tăng, các NHTM Việt Nam buộc phải siết chặt tiêu chuẩn phê duyệt tín dụng, tăng cường trích lập dự phòng rủi ro và tái cấu trúc danh mục tài sản theo hướng an toàn, dẫn đến thu hẹp quy mô cho vay so với nguồn vốn huy động.
- Tăng trưởng kinh tế ($GDP$, $\beta = +0.5834, p = 0.0019$): Tăng trưởng kinh tế có mối quan hệ đồng biến mạnh mẽ với khe hở tài trợ. Trong các giai đoạn kinh tế tăng trưởng mạnh, nhu cầu đầu tư và vay vốn của doanh nghiệp tăng cao, thôi thúc ngân hàng giải ngân vượt mức tăng trưởng tiền gửi thông thường.
- Lạm phát ($INF$, $\beta = +0.4128, p = 0.0404$): Lạm phát gia tăng khiến người gửi tiền tìm kiếm các kênh đầu tư thay thế (bất động sản, vàng), làm giảm tốc độ tích lũy tiền gửi tại ngân hàng trong khi chi phí vốn bị đẩy lên cao, mở rộng khe hở tài trợ của ngân hàng.
- Biến $ROE$ và $FOWN$: Không đạt ý nghĩa thống kê ở mức 5% ($p > 0.05$), cho thấy tỷ suất sinh lời trên vốn và sự hiện diện của cổ đông nước ngoài chưa tạo ra sự thay đổi có tính quy luật rõ rệt đối với khe hở tài trợ của các NHTM Việt Nam trong giai đoạn này.
Đổi mới và đóng góp
Điểm mới về kỹ thuật kinh tế lượng và Dữ liệu
- Khắc phục toàn diện khuyết tật chuỗi không gian - thời gian: Khác với các nghiên cứu trước đây tại Việt Nam thường chỉ dừng lại ở mô hình Pooled OLS hoặc FEM/REM đơn thuần mà bỏ qua hiện tượng tự tương quan và phương sai thay đổi, nghiên cứu này đã thiết lập quy trình kiểm định chẩn đoán đa tầng và áp dụng FGLS giúp nâng cao độ tin cậy của các hệ số ước lượng lên hơn 99%.
- Cập nhật chuỗi dữ liệu 11 năm bao hàm giai đoạn biến động mạnh (2013–2023): Mẫu nghiên cứu phản ánh đầy đủ tác động của Nghị quyết 42/2017/QH14 về thí điểm xử lý nợ xấu, Thông tư 22/2019/TT-NHNN về giới hạn an toàn hoạt động ngân hàng, và những cú sốc kinh tế lớn hậu đại dịch COVID-19.
So sánh đối chiếu với các công trình nghiên cứu tiền nhiệm
| Tiêu chí phân tích |
Đặng Văn Dân (2015) |
Nguyễn Thị Thùy Linh (2019) |
Nghiên cứu hiện tại (2024) |
| Giai đoạn dữ liệu |
2007–2014 (8 năm) |
2007–2017 (11 năm) |
2013–2023 (11 năm - Cập nhật mới nhất) |
| Biến phụ thuộc |
Tỷ lệ tài sản thanh khoản ($L_1, L_3$) |
Rủi ro thanh khoản ($LR$) |
Khe hở tài trợ ($FGAP$) chuẩn hóa động |
| Phương pháp chính |
Pooled OLS, FEM, REM |
Dữ liệu bảng (Panel Data) |
Kiểm định khuyết tật toàn diện + FGLS |
| Tác động của $NPL$ |
Không có ý nghĩa thống kê |
Tác động cùng chiều ($+$) |
Tác động ngược chiều ($-$) có ý nghĩa 5% |
| Tác động vĩ mô ($GDP, INF$) |
Không phát hiện tác động |
Không có ý nghĩa thống kê |
Tác động cùng chiều ($+$) có ý nghĩa 1% & 5% |
Đóng góp thực tiễn cho ngành Ngân hàng
- Làm rõ cơ chế truyền dẫn rủi ro: Cung cấp bằng chứng thực nghiệm khẳng định quy mô ngân hàng và vốn tự có tại Việt Nam đang kích hoạt hành vi mở rộng khe hở tài trợ (tăng rủi ro thanh khoản tiềm ẩn).
- Hỗ trợ công tác kiểm tra sức chịu đựng (Stress Testing): Giúp các bộ phận Quản trị Tài sản Nợ - Tài sản Có (ALM) và Hội đồng Quản lý Rủi ro (ALCO) tại các NHTM xây dựng các kịch bản dự báo khe hở tài trợ khi các chỉ số vĩ mô như GDP và lạm phát biến động.
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế (Real-World Use Cases)
+-----------------------------------------------------------------------------------+
| HỆ THỐNG CẢNH BÁO SỚM THANH KHOẢN (EWS-ALM PIPELINE) |
| |
| [Dữ liệu Core Banking] [Chỉ số Vĩ mô (GDP, CPI)] [Thông số Quản trị] |
| - Dư nợ theo kỳ hạn - Dự báo tăng trưởng quý - Kế hoạch tăng vốn |
| - Tiền gửi phân khúc - Tỷ lệ lạm phát mục tiêu - Hạn mức nợ xấu mục tiêu|
| \ | / |
| \ | / |
| +--------------------------------------------------+ |
| | MÔ HÌNH DỰ BÁO KHE HỞ TÀI TRỢ (FGLS ENGINE) | |
| | FGAP_pred = f(SIZE, CAP, NPL, GDP, INF) | |
| +--------------------------------------------------+ |
| | |
| +--------------------------------------------------+ |
| | ALCO DASHBOARD & ACTION TRIGGERS | |
| | - Cảnh báo vượt ngưỡng FGAP an toàn (> -5%) | |
| | - Điều chỉnh lãi suất huy động kỳ hạn dài | |
| | - Tái phân bổ danh mục trái phiếu chính phủ | |
| +--------------------------------------------------+ |
+-----------------------------------------------------------------------------------+
- Ứng dụng tại Phòng Quản lý Tài sản Nợ - Có (ALM Department):
- Tích hợp phương trình FGLS vào hệ thống phân tích định kỳ hàng tháng để dự báo nhu cầu tái cấp vốn.
- Khi GDP tăng trưởng nóng vượt kỳ vọng (> 7%), hệ thống tự động phát tín hiệu cảnh báo nới rộng khe hở tài trợ, yêu cầu bộ phận nguồn vốn đẩy mạnh huy động vốn trung dài hạn hoặc phát hành chứng chỉ tiền gửi.
- Ứng dụng tại Cơ quan Thanh tra, Giám sát Ngân hàng (NHNN):
- Phân nhóm giám sát rủi ro thanh khoản dựa trên tương quan giữa quy mô ($SIZE$), nợ xấu ($NPL$) và khe hở tài trợ.
- Thiết lập các ngưỡng giám sát an toàn vi mô đối với các ngân hàng lớn có xu hướng nới rộng khe hở tài trợ vượt mức trung bình ngành (-14.43%).
Yêu cầu kỹ thuật và Môi trường triển khai
+-----------------------------------------------------------------------------------+
| YÊU CẦU MÔI TRƯỜNG TRIỂN KHAI HỆ THỐNG |
| |
| - Phần mềm kinh tế lượng: Stata 17.0 / R 4.3.0 (plm package) / Python 3.10 |
| - Dữ liệu đầu vào: Dữ liệu BCTC chuẩn hóa IFRS/VAS định dạng .csv hoặc SQL DB |
| - Phần cứng tối thiểu: CPU Intel Core i5 / AMD Ryzen 5, 8GB RAM, 100MB SSD |
| - Nền tảng tích hợp: Hệ thống Core Banking (T24, Finacle) qua RESTful API/Data |
+-----------------------------------------------------------------------------------+
Kế hoạch và Lộ trình triển khai (Implementation Roadmap)
| Giai đoạn |
Thời gian |
Nội dung công việc trọng tâm |
Đầu ra / Deliverables |
| Giai đoạn 1: Chuẩn hóa dữ liệu |
Tháng 1 |
Trích xuất và làm sạch dữ liệu BCTC từ hệ thống Core Banking; đồng bộ dữ liệu vĩ mô. |
Cơ sở dữ liệu bảng định dạng chuẩn Stata/CSV. |
| Giai đoạn 2: Tích hợp mô hình |
Tháng 2 |
Lập trình module hồi quy FGLS tự động hóa trên nền tảng Python/R hoặc Stata Automation. |
Script tính toán tham số $\beta$ tự động theo quý. |
| Giai đoạn 3: Thiết lập ngưỡng cảnh báo |
Tháng 3 |
Cấu hình dashboard hiển thị biến động $FGAP$ và xác định các ngưỡng cảnh báo sớm rủi ro. |
Bảng điều khiển ALCO Dashboard hoàn chỉnh. |
| Giai đoạn 4: Đánh giá & Hiệu chỉnh |
Tháng 4 |
Kiểm thử ngược (Backtesting) trên dữ liệu lịch sử các năm trước để đo độ chính xác dự báo. |
Báo cáo kiểm định độ nhạy và cẩm nang vận hành. |
Hạn chế và hướng phát triển
Các hạn chế kỹ thuật (Technical Limitations)
- Kích thước mẫu nghiên cứu: Mẫu khảo sát gồm 14 NHTM cổ phần, mặc dù chiếm hơn 70% tổng tài sản toàn hệ thống nhưng chưa bao quát toàn bộ các ngân hàng thương mại nhà nước (Agribank) và các ngân hàng quy mô nhỏ.
- Tính chất tĩnh của mô hình dữ liệu bảng: Mô hình FGLS đã giải quyết tốt hiện tượng phương sai thay đổi và tự tương quan, tuy nhiên chưa kiểm soát được tính nội sinh tiềm tàng (Endogeneity) giữa các biến nội tại của ngân hàng bằng các biến trễ công cụ.
- Tần suất dữ liệu: Dữ liệu thu thập theo tần suất năm (Annual Data) chưa phản ánh được các biến động thanh khoản tức thời trong tuần hoặc trong tháng của thị trường liên ngân hàng.
Hướng phát triển trong tương lai (Future Enhancements)
- Ứng dụng mô hình GMM động (Dynamic Panel System GMM): Đưa biến trễ của rủi ro thanh khoản ($FGAP_{t-1}$) vào mô hình ước lượng bằng phương pháp Arellano-Bond / Blundell-Bond để kiểm soát hoàn toàn tính nội sinh.
- Mở rộng tần suất dữ liệu sang quý và tháng: Kết hợp dữ liệu thanh khoản hàng ngày từ thị trường tiền tệ liên ngân hàng (thị trường 2) để xây dựng mô hình dự báo chuỗi thời gian thời gian thực.
- Ứng dụng Machine Learning trong giám sát thanh khoản: Thử nghiệm các thuật toán phi tuyến tính như XGBoost, Random Forest và mạng nơ-ron LSTM để nhận diện các điểm bão hòa thanh khoản và cảnh báo sớm các cú sốc rút tiền.
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------------+
| MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI |
| |
| [Sinh viên & Học viên] [Chuyên viên Phân tích Dữ liệu / Quant] |
| - Mẫu nghiên cứu thực nghiệm chuẩn - Bộ script Stata 17 chuẩn kinh tế lượng |
| - Phương pháp kiểm định đa tầng - Kỹ thuật xử lý khuyết tật bằng FGLS |
| |
| [Ban Lãnh đạo NHTM & ALCO] [Cơ quan Điều hành (NHNN / Nhà khoa học)] |
| - Chiến lược cân bằng sinh lời/rủi ro- Cơ sở hoạch định chính sách tiền tệ |
| - Quản trị khe hở tài trợ theo chu kỳ- Bằng chứng thực nghiệm thị trường VN |
+-----------------------------------------------------------------------------------+
- Sinh viên và Học viên sau đại học ngành Tài chính – Ngân hàng: Tiếp cận một đồ án/khóa luận mẫu chuẩn mực từ phương pháp xây dựng cơ sở lý luận, thu thập số liệu đến quy trình phân tích kinh tế lượng chuyên sâu.
- Chuyên viên phân tích định lượng (Quantitative Analysts / Data Scientists): Tham khảo quy trình lập trình Stata, xử lý dữ liệu bảng và các kiểm định chẩn đoán kỹ thuật mô hình kinh tế lượng tài chính.
- Hội đồng ALCO và Chuyên viên Quản lý Rủi ro tại các NHTM: Sử dụng trực tiếp các phát hiện về mối quan hệ giữa $SIZE, CAP, NPL, GDP, INF$ và khe hở tài trợ để xây dựng chiến lược phân bổ tài sản nợ - có an toàn.
- Các cơ quan quản lý nhà nước và Nhà nghiên cứu kinh tế: Nắm bắt bằng chứng thực nghiệm về phản ứng thanh khoản của hệ thống ngân hàng Việt Nam trước các cú sốc vĩ mô để ban hành chính sách điều tiết tỷ lệ an toàn vốn và tăng trưởng tín dụng hợp lý.
Câu hỏi thường gặp
1. Tại sao nghiên cứu lại sử dụng Khe hở tài trợ (FGAP) thay vì các hệ số thanh khoản truyền thống (L1, L2, L3)?
Các hệ số thanh khoản truyền thống như $L_1$ hay $LDR$ chỉ phản ánh tỷ lệ tĩnh tại thời điểm lập bảng cân đối kế toán và không đo lường được quy mô thâm hụt tài trợ tuyệt đối. $FGAP$ đo lường chính xác mức độ chênh lệch giữa dư nợ tín dụng và nguồn vốn huy động so với tổng tài sản, cho biết ngân hàng đang thặng dư vốn hay phải phụ thuộc vào các nguồn tài trợ rủi ro từ thị trường liên ngân hàng.
2. Khi nào cần chuyển từ mô hình FEM sang mô hình FGLS?
Mô hình FEM là lựa chọn tối ưu khi kiểm định Hausman có $p < 0.05$. Tuy nhiên, nếu kiểm định Modified Wald phát hiện phương sai sai số thay đổi ($p < 0.05$) và kiểm định Wooldridge phát hiện tự tương quan ($p < 0.05$), các ước lượng sai số chuẩn của FEM sẽ bị chệch. Phương pháp FGLS (xtgls, panels(hetero) corr(ar1)) là giải pháp kỹ thuật cần thiết để khắc phục đồng thời cả hai khuyết tật này.
3. Tại sao tỷ lệ nợ xấu (NPL) lại có tác động ngược chiều với khe hở tài trợ trong mô hình FGLS?
Về mặt lý thuyết quản trị thực tế tại Việt Nam, khi nợ xấu tăng cao, các ngân hàng kích hoạt quy trình quản trị rủi ro nghiêm ngặt, thắt chặt điều kiện cấp tín dụng và ưu tiên tái cơ cấu nợ thay vì mở rộng cho vay mới. Điều này làm chậm tốc độ tăng trưởng tín dụng so với tốc độ huy động vốn, dẫn đến việc thu hẹp khe hở tài trợ ($FGAP$).
4. Kết quả nghiên cứu có ý nghĩa gì đối với việc tuân thủ Thông tư 22/2019/TT-NHNN và chuẩn mực Basel III?
Thông tư 22 và Basel III đặt ra các yêu cầu khắt khe về Tỷ lệ dự trữ thanh khoản (LCR) và Tỷ lệ nguồn vốn ổn định ròng (NSFR). Kết quả nghiên cứu chỉ ra rằng các ngân hàng quy mô lớn ($SIZE$) và trong bối cảnh $GDP$ tăng trưởng cao có xu hướng nới rộng khe hở tài trợ, do đó cần phải chủ động trích lập các nguồn vốn ổn định kỳ hạn dài để đảm bảo chỉ số an toàn theo quy định.
5. Có thể mở rộng mô hình này cho các công ty tài chính hoặc bảo hiểm không?
Có thể mở rộng, nhưng cần điều chỉnh lại biến phụ thuộc và các biến độc lập nội tại. Do cấu trúc bảng cân đối kế toán của công ty tài chính và công ty bảo hiểm không có hoạt động nhận tiền gửi đại chúng tương tự NHTM, khái niệm khe hở tài trợ cần được định nghĩa lại dựa trên chênh lệch giữa nghĩa vụ bồi hoàn/thanh toán và dòng tiền đầu tư ròng.
Kết luận
Đồ án khóa luận tốt nghiệp "Các nhân tố tác động tới rủi ro thanh khoản tại ngân hàng thương mại Việt Nam" đã giải quyết một cách toàn diện bài toán định lượng rủi ro thanh khoản thông qua lăng kính kinh tế lượng dữ liệu bảng hiện đại.
Tóm lược các thành tựu và Đóng góp kỹ thuật
- Khảo sát thực nghiệm bộ dữ liệu 11 năm (2013–2023) từ 14 NHTM cổ phần hàng đầu Việt Nam.
- Thiết lập quy trình kiểm định kinh tế lượng bài bản: vượt qua các kiểm định đa cộng tuyến, F-test, Hausman Test, Modified Wald Test và Wooldridge Test.
- Áp dụng thành công kỹ thuật FGLS để xử lý dứt điểm các khuyết tật phương sai thay đổi và tự tương quan chuỗi.
- Xác thực định lượng: Quy mô ngân hàng ($SIZE$), Tỷ lệ vốn chủ sở hữu ($CAP$), Tăng trưởng kinh tế ($GDP$) và Lạm phát ($INF$) tác động cùng chiều làm gia tăng khe hở tài trợ; trong khi Tỷ lệ nợ xấu ($NPL$) tác động ngược chiều thu hẹp khe hở tài trợ.
Giá trị thực tiễn và Định hướng ứng dụng
Nghiên cứu mang lại giá trị thực tiễn cao trong việc xây dựng các công cụ giám sát rủi ro ALM tự động, hỗ trợ các nhà quản trị ngân hàng chủ động điều phối cân đối kỳ hạn và dự phòng thanh khoản trước các biến động chu kỳ vĩ mô, góp phần củng cố sự an toàn và phát triển bền vững của hệ sinh thái tài chính – ngân hàng Việt Nam.
