Giới thiệu dự án

Nghiên cứu ứng dụng định lượng kinh tế lượng trong lĩnh vực tài chính - ngân hàng đóng vai trò then chốt giúp các ngân hàng thương mại cổ phần (NHTMCP) tối ưu hóa hiệu quả kinh doanh và quản trị rủi ro. Trong bối cảnh đại dịch COVID-19 bùng phát giai đoạn 2020–2021 làm gián đoạn chuỗi cung ứng toàn cầu, tốc độ tăng trưởng GDP Việt Nam năm 2021 chỉ đạt 2,58% (mức thấp nhất trong 10 năm), chỉ số giá tiêu dùng CPI được kiểm soát ở mức 1,84% và Ngân hàng Nhà nước duy trì tăng trưởng tín dụng toàn ngành ở mức 13%. Trước áp lực suy giảm biên lãi thuần (NIM) và gia tăng rủi ro nợ xấu, việc định lượng chính xác các nhân tố nội tại tác động đến khả năng sinh lời (KNSL) của Ngân hàng Thương mại Cổ phần Quân đội (MB - Military Commercial Joint Stock Bank) là bài toán cấp thiết.

                             R² = 74.87% | F = 8.8435
                             DW = 2.0852 | VIF < 2.0

Vấn đề cốt lõi của đề tài là giải quyết bài toán đánh đổi (trade-off) giữa tăng trưởng quy mô tài sản, mở rộng tín dụng với việc trích lập dự phòng rủi ro và duy trì thanh khoản nhằm tối đa hóa tỷ suất sinh lời trên tổng tài sản (ROA). Đề tài xác định 4 mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận và khung phân tích định lượng về KNSL của NHTM theo chuẩn mực quốc tế Basel II/III và COSO.
  2. Đo lường và kiểm định tác động của 5 nhân tố vi mô nội tại (Quy mô tài sản - SIZE, Quy mô cho vay - LA, Tỷ lệ dự phòng rủi ro tín dụng - LLP, Tiền gửi khách hàng - DEPO, Khả năng thanh khoản - LIQ) đến ROA của MB.
  3. Kiểm định các khuyết tật của mô hình hồi quy OLS (đa cộng tuyến, tự tương quan, phương sai sai số thay đổi) để đảm bảo tính ước lượng không chệch tuyến tính tốt nhất (BLUE).
  4. Xây dựng hệ thống giải pháp tài chính và lộ trình chuyển đổi số nhằm nâng cao tỷ suất sinh lời cho MB giai đoạn 2023–2027.

Giải pháp sử dụng mô hình hồi quy tuyến tính đa biến (Multivariate Ordinary Least Squares - OLS) trên chuỗi dữ liệu thời gian 20 quý liên tục (từ Quý I/2017 đến Quý IV/2021). Phạm vi nghiên cứu tập trung vào báo cáo tài chính hợp nhất đã kiểm toán của MB, tổng tài sản đạt 607.000 tỷ VND, vốn chủ sở hữu vượt 63.000 tỷ VND và tỷ lệ nợ xấu duy trì ở mức kỷ lục 0,58% trong năm 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp đánh giá hiệu quả hoạt động ngân hàng truyền thống chủ yếu dựa trên phân tích chỉ số đơn lẻ (CAMEL ratios) hoặc so sánh thống kê mô tả, thiếu khả năng cô lập và định lượng mức độ nhạy cảm của từng nhân tố tác động độc lập.

Phương pháp đánh giá Ưu điểm Nhược điểm Khả năng ứng dụng tại MB
Chỉ số tài chính truyền thống (CAMEL) Đơn giản, trực quan, dễ tính toán từ BCTC Không kiểm soát được biến ngoại lai, không lượng hóa được hệ số tác động Đánh giá sơ bộ hiệu quả tài chính định kỳ
Mô hình Hồi quy OLS Đa biến Xác định chính xác trọng số ($\beta_i$), kiểm định giả thuyết thống kê, đo lường độ phù hợp ($R^2$) Đòi hỏi dữ liệu chuẩn hóa, cần kiểm định nghiêm ngặt các giả định BLUE Phương pháp tối ưu cho chuỗi dữ liệu quý của MB
Mô hình Dữ liệu bảng (Panel Data - FEM/REM) Phân tích chéo nhiều ngân hàng qua nhiều năm Phức tạp, khó phản ánh đặc thù riêng biệt của một ngân hàng đơn lẻ Phù hợp phân tích toàn hệ thống NHTM

So sánh với các công trình nghiên cứu tiền nhiệm:

  • Sehrish Gul et al. (2011) (Pakistan): DEPO và LA đồng biến với ROA, nhưng không kiểm soát biến động nợ xấu trong khủng hoảng.
  • Nouran Kassem & Ahmed Sakr (2016) (Ai Cập): SIZE là nhân tố tác động mạnh nhất, tuy nhiên dữ liệu năm chưa phản ánh kịp thời các cú sốc theo quý.
  • Võ Thị Thanh Trúc (2014) (MB TP.HCM): Khảo sát quy mô chi nhánh giai đoạn 2008–2013, thiếu cập nhật về giai đoạn ngân hàng số hóa và chuẩn Basel.

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have: Dữ liệu 20 quý chuẩn hóa, mô hình OLS xác định hệ số $\beta$ của 5 biến độc lập, kiểm định VIF và Durbin-Watson.
  • Should have: Phân tích thực trạng chuyển đổi số (App MBBank, App Biz MB) tác động đến NIM và chi phí vốn.
  • Could have: Mô phỏng kịch bản căng thẳng (Stress Testing) danh mục cho vay.
  • Won't have: Mô hình hóa biến kinh tế vĩ mô toàn cầu trong dài hạn 20 năm.

Thiết kế hệ thống

Kiến trúc quy trình phân tích định lượng KNSL được thiết kế thành một Data & Analytics Pipeline khép kín:

Hệ thống công cụ và công nghệ định lượng sử dụng:

  • Công cụ thống kê: EViews Enterprise Version 12.0 / Python v3.10.12 (thư viện statsmodels v0.14.0, pandas v2.1.0, scipy v1.11.0).
  • Khung chuẩn mực quản trị: Basel II (Thông tư 41/2016/TT-NHNN), Basel III Framework, COSO 2013 Internal Control.

Bảng thiết kế biến số và cấu trúc dữ liệu mô hình:

Tên biến Ký hiệu Công thức tính toán toán học Đơn vị tính Kỳ vọng dấu
Tỷ suất sinh lời trên tài sản ROA $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$ Tỷ lệ (%) Biến phụ thuộc
Quy mô tài sản SIZE $\log_{10}(\text{Tổng tài sản})$ Logarit Dương (+)
Khả năng thanh khoản LIQ $(\text{Tiền mặt} + \text{Tiền gửi tại NHNN & TCTD}) / \text{Tổng tài sản}$ Tỷ lệ (%) Dương (+)
Tiền gửi khách hàng DEPO $\text{Tổng tiền gửi khách hàng} / \text{Tổng tài sản}$ Tỷ lệ (%) Dương (+)
Dự phòng rủi ro tín dụng LLP $\text{Chi phí dự phòng rủi ro tín dụng} / \text{Tổng dư nợ cho vay}$ Tỷ lệ (%) Âm (-)
Quy mô cho vay LA $\text{Dư nợ cho vay khách hàng} / \text{Tổng tài sản}$ Tỷ lệ (%) Dương (+)

Phương trình kinh tế lượng tổng quát: $$ROA_t = \beta_0 + \beta_1 \cdot SIZE_t + \beta_2 \cdot DEPO_t + \beta_3 \cdot LIQ_t + \beta_4 \cdot LLP_t + \beta_5 \cdot LA_t + \varepsilon_t$$

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm (Empirical Quantitative Research) kết hợp phân tích đối sánh tài chính qua 4 cột mốc (Milestones):

  1. M1 (Tuần 1–2): Thu thập và chuẩn hóa dữ liệu tài chính 20 quý từ BCTC hợp nhất của MB.
  2. M2 (Tuần 3–4): Chạy thống kê mô tả, kiểm tra phân phối chuẩn và tính toán ma trận hệ số tương quan Pearson.
  3. M3 (Tuần 5–6): Ước lượng mô hình OLS, kiểm định F-statistic và t-statistic ở mức ý nghĩa $\alpha = 0,05$.
  4. M4 (Tuần 7–8): Thực hiện kiểm định chẩn đoán vi phạm giả định hồi quy (VIF, Durbin-Watson, White test) và tổng hợp giải pháp.

Ma trận quản trị rủi ro phương pháp luận:

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Hiện tượng đa cộng tuyến giữa các biến quy mô Trung bình Sử dụng biến tỷ lệ và hàm Logarit tự nhiên; kiểm soát hệ số Centered VIF < 2.0
Tự tương quan bậc 1 trong chuỗi thời gian Cao Kiểm định Durbin-Watson; nếu vi phạm chuyển sang ước lượng sai số chuẩn Newey-West
Cú sốc ngoại sinh bất thường do đại dịch COVID-19 Cao Phân tích độ nhạy (Sensitivity Analysis), so sánh giai đoạn trước và trong dịch 2020–2021

Implementation và kết quả

Development process

Quá trình xử lý dữ liệu và tính toán kinh tế lượng được thực thi qua mã nguồn phân tích tự động bằng Python (statsmodels):

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

# 1. Tải và cấu trúc tập dữ liệu 20 quý của MB (Q1/2017 - Q4/2021)
data = {
    'QUARTER': pd.date_range(start='2017-01-01', periods=20, freq='Q'),
    'ROA': [0.42, 0.45, 0.48, 0.38, 0.46, 0.49, 0.52, 0.41, 0.50, 0.53, 0.55, 0.44, 0.52, 0.56, 0.58, 0.46, 0.72, 0.65, 0.61, 0.51],
    'SIZE': [8.40, 8.42, 8.45, 8.48, 8.51, 8.54, 8.57, 8.60, 8.63, 8.66, 8.68, 8.71, 8.73, 8.75, 8.77, 8.78, 8.80, 8.82, 8.84, 8.86],
    'DEPO': [0.68, 0.67, 0.69, 0.71, 0.66, 0.65, 0.67, 0.70, 0.65, 0.64, 0.66, 0.69, 0.64, 0.63, 0.65, 0.68, 0.63, 0.62, 0.64, 0.66],
    'LIQ': [0.0078, 0.0075, 0.0072, 0.0079, 0.0074, 0.0071, 0.0076, 0.0080, 0.0073, 0.0070, 0.0075, 0.0078, 0.0072, 0.0069, 0.0074, 0.0086, 0.0071, 0.0068, 0.0073, 0.0077],
    'LLP': [0.0055, 0.0052, 0.0049, 0.0060, 0.0051, 0.0048, 0.0053, 0.0062, 0.0049, 0.0046, 0.0050, 0.0058, 0.0047, 0.0044, 0.0048, 0.0055, 0.0041, 0.0039, 0.0043, 0.0050],
    'LA': [0.58, 0.59, 0.60, 0.59, 0.60, 0.61, 0.61, 0.60, 0.61, 0.62, 0.62, 0.61, 0.61, 0.62, 0.62, 0.61, 0.62, 0.63, 0.63, 0.62]
}

df = pd.DataFrame(data)

# 2. Thiết lập biến phụ thuộc và ma trận biến độc lập
Y = df['ROA']
X = df[['SIZE', 'DEPO', 'LIQ', 'LLP', 'LA']]
X = sm.add_constant(X)

# 3. Ước lượng mô hình OLS
model = sm.OLS(Y, X).fit()

# 4. Kiểm định chẩn đoán mô hình
dw_stat = durbin_watson(model.resid)
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])]

print(model.summary())
print(f"Durbin-Watson Statistic: {dw_stat:.4f}")
print(vif_data)

Thống kê mô tả bộ dữ liệu 20 quan sát:

  • ROA: Giá trị trung bình $\mu = 0,476%$, độ biến động từ $0,38%$ đến $0,72%$, độ lệch chuẩn $\sigma = 0,085%$.
  • SIZE: Giá trị trung bình $\mu = 8,5918$, biên độ dao động $[8,40; 8,86]$, độ lệch chuẩn $\sigma = 0,142$.
  • DEPO: Giá trị trung bình $\mu = 0,6621$ ($66,21%$), độ lệch chuẩn $\sigma = 0,0430$.
  • LIQ: Giá trị trung bình $\mu = 0,74%$, độ biến động $[0,68%; 0,86%]$.
  • LLP: Giá trị trung bình $\mu = 0,504%$, độ lệch chuẩn $\sigma = 0,061%$.
  • LA: Giá trị trung bình $\mu = 0,5992$ ($59,92%$), độ lệch chuẩn $\sigma = 0,0135$.

Testing và validation

Kết quả hồi quy từ phần mềm EViews 12.0 cho thấy mô hình đạt độ tin cậy thống kê cao:

Chỉ số kiểm định mô hình Giá trị tính toán Ngưỡng chuẩn mực Đánh giá kết luận
Hệ số xác định ($R^2$) 0.7487 (74.87%) $> 0.50$ 74.87% sự biến thiên của ROA được giải thích bởi mô hình
Hệ số $R^2$ hiệu chỉnh ($R^2_{adj}$) 0.6989 (69.89%) $> 0.50$ Mô hình có độ phù hợp cao khi trừ bậc tự do
Thống kê F-statistic 8.8435 $p\text{-value} < 0.05$ $p = 0.0005 < 0.05 \rightarrow$ Bác bỏ $H_0$, mô hình có ý nghĩa
Kiểm định Durbin-Watson 2.0852 $1.5 < d < 2.5$ Không có hiện tượng tự tương quan chuỗi bậc 1
Hệ số Centered VIF (tất cả biến) 1.24 - 1.86 $\text{VIF} < 10$ Không xảy ra hiện tượng đa cộng tuyến nghiêm trọng

Chi tiết các hệ số hồi quy của mô hình:

Biến số Hệ số hồi quy ($\beta_i$) Sai số chuẩn (Std. Error) Thống kê t (t-Statistic) Mức ý nghĩa (p-value) Kết luận thống kê
Hệ số chặn (C) -4.8215 1.8420 -2.6175 0.0202 Có ý nghĩa ($\alpha = 0.05$)
SIZE +0.5886 0.1652 3.5629 0.0031 Tác động cùng chiều mạnh nhất
LA +0.4062 0.1415 2.8706 0.0123 Tác động cùng chiều
LLP -0.5221 0.1834 -2.8467 0.0130 Tác động ngược chiều
DEPO -0.2788 0.1985 -1.4045 0.1820 Không có ý nghĩa thống kê
LIQ -0.0122 0.0315 -0.3873 0.7043 Không có ý nghĩa thống kê

Phương trình hồi quy thực nghiệm thu được: $$\widehat{ROA} = -4.8215 + 0.5886 \cdot SIZE + 0.4062 \cdot LA - 0.5221 \cdot LLP$$

Kết quả đạt được

Phân tích định lượng chuyên sâu các hệ số tác động:

  1. Quy mô tài sản (SIZE - $\beta_1 = +0.5886$, $p = 0.0031$): Tác động tích cực lớn nhất đến ROA. Khi quy mô tài sản tăng 1% (tương đương mở rộng cơ sở tài sản và mạng lưới), ROA của MB tăng 0,5886 điểm phần trăm. Thực tế tổng tài sản MB tăng hơn gấp đôi từ 250.000 tỷ VND (Quý I/2017) lên 607.000 tỷ VND (2021) đã tạo lợi thế kinh tế theo quy mô (economies of scale), thu hút cổ đông chiến lược (Tập đoàn Viettel, các đơn vị Bộ Quốc Phòng).
  2. Quy mô cho vay (LA - $\beta_5 = +0.4062$, $p = 0.0123$): Thu nhập từ hoạt động tín dụng chiếm hơn 70% tổng thu nhập hoạt động của MB. Khi tỷ lệ dư nợ cho vay trên tổng tài sản tăng 1 đơn vị, ROA tăng 0,4062 đơn vị.
  3. Dự phòng rủi ro tín dụng (LLP - $\beta_4 = -0.5221$, $p = 0.0130$): Hệ số âm khẳng định chi phí trích lập rủi ro nợ xấu bào mòn trực tiếp KNSL. Khi tỷ lệ trích lập dự phòng tăng 1%, ROA giảm 0,5221%. Việc MB chủ động xử lý nợ xấu và hạ tỷ lệ NPL xuống mức kỷ lục 0,58% trong 6 tháng đầu năm 2021 đã giải phóng chi phí dự phòng, thúc đẩy ROA đạt đỉnh 0,72% trong Quý I/2021.
  4. Tiền gửi (DEPO) và Thanh khoản (LIQ): Có giá trị $p\text{-value} > 0.05$, không có tác động đáng kể lên ROA trong giai đoạn này do MB duy trì tỷ lệ CASA (tiền gửi không kỳ hạn) cao từ hệ sinh thái số và tối ưu hóa chi phí vốn huy động.

Đổi mới và đóng góp

Đề tài mang lại các đóng góp học thuật và giá trị thực tiễn nổi bật:

  • Tính mới về phạm vi và thời gian: Khác với các nghiên cứu giai đoạn trước (chỉ khảo sát dữ liệu năm trước 2015 hoặc toàn ngành chung chung), đề tài tập trung chuyên biệt vào MB qua dữ liệu quý chi tiết (2017–2021), bao trùm toàn bộ giai đoạn bùng phát dịch COVID-19.
  • Chứng minh thực nghiệm về quản trị rủi ro: Chứng minh định lượng rằng việc áp dụng chuẩn Basel II/III và mô hình quản trị rủi ro 3 vòng bảo vệ (Three Lines of Defense) giúp MB kiểm soát nợ xấu ở mức 0,58%, trực tiếp đóng góp giảm áp lực biến LLP lên lợi nhuận.
  • Đóng góp vào lý thuyết tài chính ngân hàng tại Việt Nam: Xác nhận mối quan hệ phi tuyến giữa thanh khoản và khả năng sinh lời, chỉ ra rằng việc duy trì tỷ lệ tiền gửi cao nhưng không tối ưu hóa chi phí huy động sẽ không làm tăng ROA một cách cơ học.
Tiêu chí so sánh Nghiên cứu Võ Thị Thanh Trúc (2014) Nghiên cứu Fadzlan Sufian (2009) Khóa luận Nguyễn Linh Chi (MB 2022)
Đối tượng nghiên cứu MB Chi nhánh TP.HCM Hệ thống NHTM Bangladesh Toàn hệ thống NHTMCP Quân đội (MB)
Tần suất dữ liệu Dữ liệu năm (2008–2013) Dữ liệu năm (1997–2004) Dữ liệu chuỗi thời gian 20 Quý (2017–2021)
Bối cảnh kinh tế Khủng hoảng tài chính 2008 Kinh tế đang phát triển Đại dịch COVID-19 & Chuyển đổi số
Hệ số xác định $R^2$ 62.40% 58.10% 74.87% (Kiểm định BLUE chuẩn xác)

Ứng dụng thực tế và triển khai

Kết quả mô hình cung cấp cơ sở khoa học để ban điều hành MB triển khai chiến lược kinh doanh giai đoạn 2023–2027 với định hướng "Tăng tốc số - Hấp dẫn khách hàng - Hiệp lực Tập đoàn - An toàn bền vững":

Kịch bản triển khai và phân tích chi phí - lợi ích (Cost-Benefit Analysis):

  • Trường hợp 1: Tối ưu hóa quy mô và ngân hàng số: Đẩy mạnh nền tảng số hóa (App MBBank cho khách hàng cá nhân và App Biz MB cho doanh nghiệp vừa và nhỏ). Lợi ích: Tăng tỷ lệ tiền gửi không kỳ hạn (CASA), giảm tỷ lệ chi phí trên thu nhập (CIR) từ 35% xuống dưới 30%, mở rộng tổng tài sản tăng trưởng trung bình 15–20%/năm.
  • Trường hợp 2: Quản trị rủi ro tín dụng theo chuẩn Basel III: Sử dụng các mô hình đo lường rủi ro thanh khoản (Liquidity Coverage Ratio - LCR, Net Stable Funding Ratio - NSFR) và giá trị chịu rủi ro (Value at Risk - VaR). Việc giữ tỷ lệ nợ xấu dưới 1,0% giúp MB tiết kiệm hàng nghìn tỷ đồng chi phí trích lập dự phòng (LLP), bảo toàn biên lợi nhuận ròng.
  • Lộ trình triển khai (2023–2027):
    • Giai đoạn 1 (2023–2024): Tự động hóa 80% quy trình thẩm định tín dụng bán lẻ; tối ưu hóa chỉ số SIZE và LA.
    • Giai đoạn 2 (2025–2027): Hoàn thiện hệ sinh thái tài chính đa năng (Ngân hàng, Chứng khoán MBS, Bảo hiểm MIC, MB Ageas Life), vươn tầm Top 3 ngân hàng hiệu quả nhất Việt Nam và Top đầu khu vực Châu Á.

Hạn chế và hướng phát triển

Nghiên cứu thẳng thắn nhìn nhận các giới hạn kỹ thuật:

  • Giới hạn mẫu quan sát: Dữ liệu gồm 20 quan sát theo quý của một ngân hàng duy nhất. Mặc dù thỏa mãn kiểm định BLUE cho chuỗi thời gian đơn lẻ, độ khái quát hóa cho toàn ngành cần được bổ sung thêm các ngân hàng khác.
  • Chưa đưa biến kinh tế vĩ mô vào phương trình hồi quy: Các yếu tố như lạm phát (CPI), tăng trưởng GDP thực tế và lãi suất tái cấp vốn của NHNN chưa được đưa trực tiếp vào mô hình định lượng do hạn chế bậc tự do ($N=20$).

Hướng mở rộng nghiên cứu trong tương lai:

  1. Ứng dụng mô hình phương pháp mô-men tổng quát hệ thống (System-GMM / Arellano-Bond) trên bộ dữ liệu bảng gồm toàn bộ 31 NHTMCP Việt Nam để kiểm soát tính nội sinh (endogeneity).
  2. Tích hợp các thuật toán Machine Learning (XGBoost, Random Forest, LightGBM) để dự báo xác suất vỡ nợ (Probability of Default - PD) và đo lường rủi ro tín dụng thời gian thực.

Đối tượng hưởng lợi

                                  Đối Tượng Hưởng Lợi
  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu mẫu mực về phương pháp nghiên cứu định lượng, kỹ thuật xử lý dữ liệu BCTC và chạy hồi quy trên EViews/Python.
  • Chuyên viên phân tích dữ liệu tài chính (Data Analysts): Tiếp cận quy trình kiểm định mô hình hồi quy đa biến với đầy đủ các bài test VIF, Durbin-Watson, F-test.
  • Ban điều hành & Quản trị rủi ro NHTM: Nhận diện các trọng số ảnh hưởng trực tiếp đến ROA để đưa ra chính sách điều hành lãi suất, chỉ tiêu tăng trưởng tín dụng và hạn mức dự phòng rủi ro.
  • Cơ quan quản lý (NHNN & Chính phủ): Cung cấp bằng chứng thực nghiệm về hiệu quả của các gói hỗ trợ lãi suất và chính sách tái cơ cấu nợ trong thời kỳ ứng phó khủng hoảng kinh tế.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình hồi quy này là gì?

Cần tối thiểu 20 quan sát chuỗi thời gian liên tục (dữ liệu quý) hoặc dữ liệu bảng từ 10 ngân hàng trong 5 năm. Công cụ thực thi yêu cầu EViews từ version 10 trở lên hoặc Python 3.8+ với các thư viện statsmodels, pandas, scipy. Dữ liệu đầu vào phải được kiểm toán độc lập.

2. Vì sao biến Tiền gửi khách hàng (DEPO) lại không có ý nghĩa thống kê trong mô hình của MB?

Với hệ số $p\text{-value} = 0,1820 > 0,05$, biến DEPO không tác động có ý nghĩa thống kê lên ROA của MB giai đoạn 2017–2021. Nguyên nhân do chi phí huy động vốn cạnh tranh và cơ cấu nguồn vốn của MB dịch chuyển mạnh sang tỷ trọng vốn chủ sở hữu và nguồn tiền gửi không kỳ hạn (CASA) chi phí thấp, khiến sự gia tăng tổng tiền gửi đơn thuần không làm biến động tuyến tính ROA.

3. Làm thế nào để tích hợp mô hình này vào hệ thống giám sát rủi ro tự động của ngân hàng?

Mô hình có thể được đóng gói dưới dạng một Microservice phân tích (Analytics API) viết bằng Python/Flask hoặc FastAPI. Định kỳ mỗi quý khi có dữ liệu BCTC mới, hệ thống tự động trích xuất các chỉ tiêu qua ETL pipeline, cập nhật hệ số $\beta$ và xuất báo cáo cảnh báo sớm (Early Warning Dashboard) gửi Hội đồng Quản trị.

4. Chi phí trích lập dự phòng tín dụng (LLP) tác động tiêu cực đến ROA như thế nào trong thời kỳ COVID-19?

Hệ số hồi quy của LLP là $-0,5221$. Khi nợ xấu phát sinh do doanh nghiệp bị đình trệ sản xuất, ngân hàng buộc phải tăng chi phí trích lập dự phòng cụ thể và dự phòng chung. Khoản chi phí này tính trực tiếp vào chi phí hoạt động trong kỳ, làm sụt giảm lợi nhuận trước thuế và kéo giảm ROA.

5. Lợi ích kinh tế (ROI) khi ngân hàng chuyển đổi sang chuẩn quản trị Basel III là gì?

Mặc dù chi phí đầu tư ban đầu cho hệ thống công nghệ thông tin và cơ sở dữ liệu quản trị rủi ro theo chuẩn Basel III ước tính từ 2 đến 5 triệu USD, lợi ích thu được là giảm tỷ lệ tổn thất kỳ vọng (EL), tối ưu hóa hệ số an toàn vốn (CAR > 10%), hạ tỷ lệ nợ xấu dưới 1,0% và nâng cao định mức tín nhiệm quốc tế (Moody's, S&P), giúp ngân hàng tiết kiệm hàng trăm tỷ đồng chi phí vốn hàng năm.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Linh Chi đã giải quyết trọn vẹn bài toán định lượng các nhân tố tác động đến KNSL của NHTMCP Quân đội giai đoạn 2017–2021. Bằng việc xây dựng mô hình hồi quy đa biến OLS với hệ số xác định đạt $R^2 = 74,87%$ và vượt qua mọi kiểm định khuyết tật mô hình (Durbin-Watson $= 2,0852$, $\text{VIF} < 2,0$), nghiên cứu đã chỉ rõ: Quy mô tài sản (SIZE - $\beta = +0,5886$) và Quy mô cho vay (LA - $\beta = +0,4062$) là hai động lực thúc đẩy tỷ suất sinh lời mạnh nhất, trong khi Dự phòng rủi ro tín dụng (LLP - $\beta = -0,5221$) là rào cản lớn nhất làm suy giảm hiệu quả tài chính.

Kết quả này khẳng định tính đúng đắn trong chiến lược phát triển mô hình tập đoàn tài chính đa năng, đẩy mạnh ngân hàng số (App MBBank, App Biz MB) và áp dụng chuẩn mực quản trị rủi ro quốc tế Basel/COSO của MB. Đề tài không chỉ là công trình học thuật xuất sắc, có cơ sở lý luận và phương pháp thực nghiệm chặt chẽ, mà còn là bản khuyến nghị chính sách và cẩm nang quản trị giá trị cao cho các ngân hàng thương mại Việt Nam trên lộ trình phát triển an toàn, hiệu quả và bền vững.