Giới thiệu dự án
Trong hệ thống tài chính - ngân hàng hiện đại, rủi ro thanh khoản luôn được xem là nguyên nhân trực tiếp dẫn đến sự đổ vỡ mang tính dây chuyền của toàn hệ thống. Theo thống kê từ Ủy ban Giám sát Ngân hàng Basel (BCBS), sự sụp đổ của hệ thống ngân hàng đầu tư trong cuộc khủng hoảng tài chính toàn cầu 2007–2008 cũng như các biến cố thanh khoản gần đây tại Mỹ và Thụy Sĩ (2023) bắt nguồn sâu xa từ việc thiếu hụt bộ đệm thanh khoản và mất cân đối kỳ hạn nghiêm trọng giữa tài sản Có và tài sản Nợ. Tại Việt Nam, sau đề án cơ cấu lại hệ thống các tổ chức tín dụng (TCTD) giai đoạn 2011–2015 và định hướng đến 2025 theo các tiêu chuẩn Basel II/Basel III và Thông tư 41/2016/TT-NHNN, Thông tư 22/2019/TT-NHNN của Ngân hàng Nhà nước (NHNN), vấn đề quản trị thanh khoản trở thành ưu tiên sống còn đối với mọi ngân hàng thương mại cổ phần (NHTMCP).
Khóa luận tốt nghiệp của tác giả Nguyễn Thị Mỹ Duyên (Mã số sinh viên: 050608200039, Khoa Tài chính – Ngân hàng, Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB, dưới sự hướng dẫn của PGS.TS. Đặng Văn Dân) tập trung giải quyết bài toán: Xác định và lượng hóa các yếu tố vi mô nội tại và vĩ mô nền kinh tế tác động đến khả năng thanh khoản của các NHTMCP Việt Nam trong chu kỳ 11 năm (2012–2022).
+---------------------------------------------------------------------------------------+
| BÀI TOÁN NGHIÊN CỨU |
| |
| Nguồn dữ liệu: 23 NHTMCP (253 quan sát, 2012-2022) |
| Mô hình thực nghiệm: Panel Data (Pooled OLS -> FEM/REM -> FGLS) |
| Mục tiêu: Đo lường tác động của 9 biến độc lập (SIZE, CAP, ROA, NPL, CEA, LLR, |
| GDP, INF, UNEM) đến Khả năng thanh khoản (LIQT) |
+---------------------------------------------------------------------------------------+
Mục tiêu dự án
- Mục tiêu 1: Hệ thống hóa cơ sở lý thuyết về cung - cầu thanh khoản, khe hở thanh khoản và các chỉ số đo lường tỷ lệ thanh khoản theo chuẩn mực quốc tế và NHNN.
- Mục tiêu 2: Thu thập, xử lý bộ dữ liệu bảng cân bằng (Balanced Panel Data) gồm 253 quan sát từ 23 NHTMCP Việt Nam niêm yết và công bố báo cáo tài chính kiểm toán trong giai đoạn 2012–2022.
- Mục tiêu 3: Xây dựng mô hình kinh tế lượng vi mô – vĩ mô, thực hiện các kiểm định chẩn đoán (Đa cộng tuyến, Tự tương quan, Phương sai sai số thay đổi) và áp dụng mô hình Bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để ước lượng không chệch.
- Mục tiêu 4: Đề xuất hệ thống hàm ý chính sách và giải pháp kỹ thuật quản trị rủi ro thanh khoản cho ban điều hành ngân hàng và cơ quan thanh tra giám sát ngân hàng.
Phương pháp tiếp cận và phạm vi
- Phương pháp tiếp cận: Kết hợp phân tích định tính (nghiên cứu văn bản quy phạm, lược khảo tổng quan nghiên cứu quốc tế/trong nước) và định lượng thực nghiệm (ước lượng kinh tế lượng dữ liệu bảng đa biến trên nền tảng Stata 14.0 và Excel).
- Phạm vi không gian: 23 NHTMCP tại Việt Nam thỏa mãn điều kiện hoạt động liên tục, có dữ liệu báo cáo tài chính hợp nhất kiểm toán minh bạch (Vietcombank, BIDV, ACB, MBBank, Techcombank, VPBank, Sacombank, SHB, MSB, NVB, SGB,...).
- Phạm vi thời gian: Giai đoạn 2012–2022 (11 năm), bao quát từ giai đoạn tái cơ cấu nợ xấu 2012–2015, làn sóng tăng trưởng tín dụng 2016–2019, cú sốc dịch bệnh COVID-19 (2020–2021) đến giai đoạn hồi phục kinh tế 2022.
- Kết quả kỳ vọng: Xác định mức độ giải thích của các biến đại diện; kiểm soát đa cộng tuyến với hệ số phóng đại phương sai $\text{Mean VIF} < 2.0$; loại bỏ hoàn toàn hiện tượng phương sai thay đổi và tự tương quan chuỗi bậc 1 $\text{AR}(1)$.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trong quản trị ngân hàng, việc đo lường trạng thái thanh khoản thường sử dụng hai trường phái chính: Phương pháp tỷ số thanh khoản (Liquidity Ratios) và Phương pháp khe hở tài trợ (Financing Gap - FGAP).
| Phương pháp đo lường |
Công thức xác định |
Ưu điểm |
Nhược điểm |
| Tỷ số trạng thái tiền mặt ($L_1$) |
$\frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$ |
Đo lường trực tiếp tấm đệm thanh khoản khả dụng tức thời; chuẩn hóa dễ so sánh. |
Chưa phản ánh cấu trúc kỳ hạn của dòng tiền vào và dòng tiền ra. |
| Tỷ số cơ cấu tiền gửi ($L_2$) |
$\frac{\text{Tiền gửi khách hàng}}{\text{Tổng tài sản}}$ |
Đánh giá tính ổn định của nguồn vốn huy động nợ. |
Không phân tách rõ tiền gửi thanh toán ngắn hạn và tiền gửi có kỳ hạn. |
| Năng lực cho vay ($L_3$) |
$\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tài sản}}$ |
Phản ánh mức độ phân bổ vốn vào tài sản kém thanh khoản sinh lời. |
Chưa tính đến các khoản đầu tư chứng khoán và cam kết ngoại bảng. |
| Tỷ lệ dư nợ / Tiền gửi ($L_4$ - LDR) |
$\frac{\text{Tổng cho vay}}{\text{Huy động tiền gửi}}$ |
Trực quan, phản ánh mức độ phụ thuộc tín dụng vào nguồn vốn tự huy động. |
Dễ bị sai lệch nếu ngân hàng huy động lớn từ thị trường liên ngân hàng (thị trường 2). |
| Khe hở tài trợ (FGAP) |
$\frac{\text{Dư nợ BQ} - \text{Tiền gửi BQ}}{\text{Tổng tài sản}}$ |
Xác định rõ quy mô thâm hụt hoặc thặng dư thanh khoản theo thời gian. |
Yêu cầu số liệu nội bộ chi tiết, khó thu thập từ dữ liệu công khai. |
Nghiên cứu lựa chọn chỉ số $L_1$ (Ký hiệu: $\text{LIQT}$) làm biến phụ thuộc chính nhằm đo lường tỷ lệ tài sản thanh khoản cao (tiền mặt, tiền gửi tại NHNN, tiền gửi tại các TCTD khác và chứng khoán chính phủ thanh khoản cao) trên tổng tài sản.
+---------------------------------------------------------------------------------------+
| MA TRẬN ƯU TIÊN YÊU CẦU NGHIÊN CỨU (MoSCoW) |
| |
| [M] MUST HAVE: |
| - 23 NHTMCP với đầy đủ 11 năm số liệu kiểm toán (253 quan sát). |
| - Bộ 9 biến độc lập (6 vi mô: SIZE, CAP, ROA, NPL, CEA, LLR; 3 vĩ mô: GDP, INF, |
| UNEM). |
| - Kiểm định F, Hausman, Modified Wald, Wooldridge và khắc phục bằng FGLS. |
| |
| [S] SHOULD HAVE: |
| - Phân tích tương quan Pearson ma trận đa biến. |
| - Phân tích thống kê mô tả Min/Max/Mean/Std.Dev chuẩn hóa. |
| |
| [C] COULD HAVE: |
| - So sánh đa chiều với các mô hình quốc tế (Vodová 2012, Ahmad 2017). |
| |
| [W] WON'T HAVE: |
| - Dự báo chuỗi thời gian bằng học máy phi tham số (dành cho nghiên cứu tiếp theo). |
+---------------------------------------------------------------------------------------+
Thiết kế hệ thống xử lý và mô hình kinh tế lượng
Quy trình phân tích dữ liệu và kiến trúc xử lý định lượng được thiết kế gồm 4 tầng logic:
graph TD
A["Tầng Nguồn Dữ Liệu<br/>(BCTC 23 NHTMCP + GSO + World Bank 2012-2022)"] --> B["Tầng Tiền Xử Lý & Trích Xuất Biến<br/>(Excel 365: Làm sạch, Tính toán 10 chỉ tiêu tài chính)"]
B --> C["Tầng Kiểm Định Chẩn Đoán Kinh Tế Lượng<br/>(Stata 14.0: VIF, Breusch-Pagan, Hausman, Wooldridge)"]
C --> D{"Lựa Chọn Mô Hình"}
D -->|"Vi phạm P/S thay đổi & Tự tương quan"| E["Mô Hình FGLS / GLS Robust<br/>(Ước lượng vững & Hiệu chỉnh sai số chuẩn)"]
E --> F["Tầng Báo Cáo & Hàm Ý Quản Trị<br/>(Hệ số beta, p-value, Ma trận khuyến nghị Basel)"]
Tech Stack và Công cụ nghiên cứu
- Phần mềm xử lý dữ liệu và kinh tế lượng: Stata v14.0 (StataCorp LLC) – chuyên dụng cho phân tích Panel Data và FGLS.
- Công cụ trích xuất và tiền xử lý: Microsoft Excel 365 / 2019 – tổng hợp ma trận 253 hàng $\times$ 11 cột biến.
- Chuẩn mực kế toán & Quy định áp dụng: VAS/IFRS (Báo cáo tài chính hợp nhất kiểm toán), Hiệp ước Basel II/III, Thông tư 41/2016/TT-NHNN.
Đặc tả phương trình hồi quy nghiên cứu
$$\text{LIQT}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{CAP}{it} + \beta_3 \text{ROA}{it} + \beta_4 \text{NPL}{it} + \beta_5 \text{CEA}{it} + \beta_6 \text{LLR}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{INF}_t + \beta_9 \text{UNEM}t + \varepsilon{it}$$
Trong đó:
- $i \in [1, 23]$: Đại diện cho 23 NHTMCP khảo sát.
- $t \in [2012, 2022]$: Đại diện cho chuỗi 11 năm quan sát.
- $\beta_0$: Hệ số chặn (Intercept).
- $\beta_1 \dots \beta_9$: Hệ số hồi quy riêng phần của các biến độc lập.
- $\varepsilon_{it}$: Sai số ngẫu nhiên của mô hình.
+---------------------------------------------------------------------------------------------------+
| ĐẶC TẢ TẬP BIẾN TRONG MÔ HÌNH |
+-----------+-----------------------------------+---------------------------------------+-----------+
| Biến số | Diễn giải chỉ tiêu | Cách tính toán / Nguồn dữ liệu | Kỳ vọng |
+-----------+-----------------------------------+---------------------------------------+-----------+
| LIQT | Tỷ lệ khả năng thanh khoản (Phụ) | Tài sản thanh khoản / Tổng tài sản | N/A |
| SIZE | Quy mô ngân hàng | Logarit tự nhiên Tổng tài sản: ln(TS) | (+) / (-) |
| CAP | Tỷ lệ an toàn vốn chủ sở hữu | Vốn chủ sở hữu / Tổng tài sản | (+) |
| ROA | Tỷ suất sinh lời trên tài sản | Lợi nhuận sau thuế / Tổng tài sản BQ | (+) |
| NPL | Tỷ lệ nợ xấu | Nợ xấu (Nhóm 3+4+5) / Tổng dư nợ | (-) |
| CEA | Hiệu quả chi phí hoạt động | Tổng chi phí hoạt động / Tổng tài sản | (-) |
| LLR | Tỷ lệ trích lập dự phòng RRTD | Dự phòng RRTD / Tổng dư nợ cho vay | (-) |
| GDP | Tốc độ tăng trưởng kinh tế vĩ mô | Tốc độ tăng trưởng GDP thực (%) | (+) |
| INF | Tỷ lệ lạm phát | Tỷ lệ biến động CPI hàng năm (%) | (-) |
| UNEM | Tỷ lệ thất nghiệp | Tỷ lệ thất nghiệp lao động (%) | (-) |
+-----------+-----------------------------------+---------------------------------------+-----------+
Phương pháp luận nghiên cứu (Methodology)
Nghiên cứu áp dụng quy trình kiểm định kinh tế lượng 7 bước khép kín:
- Thu thập dữ liệu thứ cấp: Thu thập BCTC kiểm toán từ website 23 NHTMCP, Ủy ban Chứng khoán Nhà nước và Tổng cục Thống kê (GSO).
- Thống kê mô tả & Kiểm tra đơn biến: Đánh giá độ xiên (Skewness), độ nhọn (Kurtosis), giá trị ngoại lai (Outliers).
- Phân tích tương quan Pearson & Kiểm định VIF: Loại bỏ rủi ro đa cộng tuyến nếu $VIF > 10$ hoặc tương quan cặp $|r| > 0.8$.
- Ước lượng OLS tổng thể (Pooled OLS): Xem xét tương quan cơ sở nhưng chưa kiểm soát hiệu ứng cố định/ngẫu nhiên của từng ngân hàng.
- Ước lượng mô hình FEM & REM: Sử dụng kiểm định F-test và Breusch-Pagan LM test để so sánh Pooled OLS với FEM/REM.
- Kiểm định Hausman: Lựa chọn giữa mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM) với giả thuyết $H_0$: Lựa chọn REM.
- Kiểm định khuyết tật mô hình & Ước lượng FGLS: Kiểm định phương sai sai số thay đổi bằng Modified Wald Test / Breusch-Pagan, kiểm định tự tương quan chuỗi bằng Wooldridge Test. Nếu phát hiện vi phạm, tiến hành ước lượng FGLS (
xtgls) để thu được kết quả vững và hiệu quả nhất.
Implementation và kết quả
Quy trình phân tích và mã lệnh kinh tế lượng
Dưới đây là kịch bản câu lệnh Stata (.do file) được thực thi trong quá trình tính toán và kiểm định mô hình dữ liệu bảng:
* ==============================================================================
* KỊCH BẢN PHÂN TÍCH KINH TẾ LƯỢNG: THANH KHOẢN 23 NHTMCP VIỆT NAM (2012-2022)
* Tác giả: Nguyễn Thị Mỹ Duyên | Hướng dẫn: PGS.TS. Đặng Văn Dân
* ==============================================================================
* 1. Khai báo cấu trúc dữ liệu bảng (Panel Data Setup)
insheet using "bank_liquidity_data_2012_2022.csv", clear
encode bank_name, gen(bank_id)
xtset bank_id year
* 2. Thống kê mô tả và Ma trận tương quan
summarize liqt size cap roa npl cea llr gdp inf unem
pwcorr liqt size cap roa npl cea llr gdp inf unem, sig star(0.05)
* 3. Ước lượng mô hình Pooled OLS và kiểm tra Đa cộng tuyến
regress liqt size cap roa npl cea llr gdp inf unem
vif
* 4. Ước lượng mô hình Tác động cố định (FEM) & Tác động ngẫu nhiên (REM)
xtreg liqt size cap roa npl cea llr gdp inf unem, fe
estimates store fixed_model
xtreg liqt size cap roa npl cea llr gdp inf unem, re
estimates store random_model
* 5. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fixed_model random_model
* 6. Kiểm định Khuyết tật mô hình trên mô hình được chọn (REM/FEM)
* Kiểm định phương sai thay đổi (Modified Wald / Breusch-Pagan LM test)
xttest0
* Kiểm định tự tương quan (Wooldridge test for autocorrelation in panel data)
xtserial liqt size cap roa npl cea llr gdp inf unem
* 7. Khắc phục khuyết tật bằng Mô hình Bình phương tối thiểu tổng quát (FGLS)
xtgls liqt size cap roa npl cea llr gdp inf unem, panels(hetero) corr(ar1)
Kết quả phân tích thống kê mô tả và kiểm định đa cộng tuyến
Dữ liệu bảng gồm 253 quan sát cho thấy bức tranh chi tiết về cấu trúc tài chính của hệ thống NHTMCP Việt Nam:
| Biến số |
Số quan sát ($N$) |
Trung bình (Mean) |
Độ lệch chuẩn (Std. Dev.) |
Nhỏ nhất (Min) |
Lớn nhất (Max) |
| $\text{LIQT}$ |
253 |
0.585 (58.50%) |
0.110 (11.00%) |
0.362 (MSB) |
0.730 (BIDV) |
| $\text{SIZE}$ |
253 |
8.250 |
0.520 |
7.170 (SGB) |
9.330 (BIDV) |
| $\text{CAP}$ |
253 |
0.090 (9.00%) |
0.036 (3.60%) |
0.031 |
0.228 |
| $\text{ROA}$ |
253 |
0.0099 (0.99%) |
0.0082 (0.82%) |
0.0001 (NVB 2012) |
0.2719 (MBB 2022) |
| $\text{NPL}$ |
253 |
0.0210 (2.10%) |
0.0570 (5.70%) |
0.0040 (VCB 2022) |
0.8806 (SHB 2012) |
| $\text{CEA}$ |
253 |
0.0188 (1.88%) |
0.0064 (0.64%) |
0.0062 |
0.0480 (ACB 2012) |
| $\text{LLR}$ |
253 |
0.0136 (1.36%) |
0.0045 (0.45%) |
0.0028 |
0.0321 |
| $\text{GDP}$ |
253 |
0.0603 (6.03%) |
0.0173 (1.73%) |
0.0256 (2021) |
0.0802 (2022) |
| $\text{INF}$ |
253 |
0.0374 (3.74%) |
0.0219 (2.19%) |
0.0063 |
0.0921 |
| $\text{UNEM}$ |
253 |
0.0215 (2.15%) |
0.0042 (0.42%) |
0.0190 |
0.0230 (2022) |
Kết quả kiểm định đa cộng tuyến (VIF)
Hệ số phóng đại phương sai (Variance Inflation Factor - VIF) của toàn bộ các biến độc lập đều nằm trong khoảng $1.08 \le \text{VIF} \le 2.34$. Giá trị trung bình $\text{Mean VIF} = 1.51 \ll 10.0$, khẳng định không tồn tại hiện tượng đa cộng tuyến nghiêm trọng trong mô hình thực nghiệm.
Kết quả hồi quy tổng hợp và kiểm định mô hình
Sau khi thực hiện kiểm định Hausman ($p > 0.05$, chấp nhận mô hình REM thay vì FEM) và tiến hành kiểm định chẩn đoán khuyết tật mô hình:
- Kiểm định phương sai sai số thay đổi (Breusch-Pagan/Modified Wald): Kết quả $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Mô hình xuất hiện hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
- Kiểm định tự tương quan (Wooldridge Test): Kết quả $p\text{-value} = 0.0021 < 0.05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1 giữa các năm quan sát.
- Phương pháp khắc phục: Áp dụng mô hình hồi quy FGLS (
xtgls, panels(hetero) corr(ar1)).
| Biến độc lập |
Giả thuyết kỳ vọng |
Hệ số hồi quy FGLS ($\beta$) |
Sai số chuẩn (Std. Err.) |
Giá trị kiểm định ($z$) |
Mức ý nghĩa ($p$-value) |
Kết luận thực nghiệm |
| $\text{SIZE}$ |
$(+)$ |
$+0.0482$ |
$0.0115$ |
$4.19$ |
$0.000^{***}$ |
Tác động dương, có ý nghĩa thống kê 1% |
| $\text{CAP}$ |
$(+)$ |
$-0.3214$ |
$0.0892$ |
$-3.60$ |
$0.000^{***}$ |
Tác động âm, có ý nghĩa thống kê 1% |
| $\text{ROA}$ |
$(+)$ |
$+0.4120$ |
$0.5180$ |
$0.80$ |
$0.426$ |
Không có ý nghĩa thống kê |
| $\text{NPL}$ |
$(-)$ |
$-0.0315$ |
$0.0421$ |
$-0.75$ |
$0.454$ |
Không có ý nghĩa thống kê |
| $\text{CEA}$ |
$(-)$ |
$+1.8942$ |
$0.4510$ |
$4.20$ |
$0.000^{***}$ |
Tác động dương, có ý nghĩa thống kê 1% |
| $\text{LLR}$ |
$(-)$ |
$-0.5210$ |
$0.6230$ |
$-0.84$ |
$0.403$ |
Không có ý nghĩa thống kê |
| $\text{GDP}$ |
$(+)$ |
$+0.0812$ |
$0.0915$ |
$0.89$ |
$0.375$ |
Không có ý nghĩa thống kê |
| $\text{INF}$ |
$(-)$ |
$-0.2850$ |
$0.0714$ |
$-3.99$ |
$0.000^{***}$ |
Tác động âm, có ý nghĩa thống kê 1% |
| $\text{UNEM}$ |
$(-)$ |
$-1.1520$ |
$0.3840$ |
$-3.00$ |
$0.003^{***}$ |
Tác động âm, có ý nghĩa thống kê 1% |
| $\text{Hằng số}$ |
N/A |
$+0.1985$ |
$0.0845$ |
$2.35$ |
$0.019^{**}$ |
Có ý nghĩa thống kê 5% |
(Ghi chú: $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê 1% và 5%).*
Đổi mới và đóng góp
- Ứng dụng phương pháp ước lượng vững FGLS để khắc phục triệt để khuyết tật dữ liệu bảng: Nghiên cứu không dừng lại ở mô hình Pooled OLS, FEM hoặc REM tiêu chuẩn mà đi sâu vào việc phát hiện và xử lý đồng thời hai khuyết tật kinh tế lượng phổ biến trong dữ liệu tài chính ngân hàng Việt Nam: phương sai sai số thay đổi giữa các thực thể và tự tương quan chuỗi theo thời gian.
- Cập nhật chuỗi dữ liệu dài 11 năm bao hàm các cú sốc vĩ mô lớn: Dữ liệu kéo dài từ 2012 đến 2022 phản ánh trọn vẹn chu kỳ tái cơ cấu sau khủng hoảng nợ xấu (2012), sự bùng nổ chuyển đổi số ngân hàng (2017–2019) và tác động của đại dịch COVID-19 (2020–2021), mang lại giá trị thực chứng vượt trội so với các nghiên cứu trước đây vốn chỉ khảo sát chu kỳ ngắn (5–7 năm).
- Phát hiện thực nghiệm mang tính đặc thù của hệ thống ngân hàng Việt Nam:
- Quy mô ngân hàng ($\text{SIZE}$) tác động dương (+): Các ngân hàng quy mô lớn (BIDV, Vietcombank, VietinBank) có lợi thế vượt trội trong việc tiếp cận thị trường liên ngân hàng và duy trì danh mục tài sản thanh khoản cao đa dạng.
- Vốn chủ sở hữu ($\text{CAP}$) tác động âm (-): Tỷ lệ vốn chủ sở hữu cao thúc đẩy các ngân hàng mở rộng tài sản sinh lời dài hạn thay vì nắm giữ tài sản thanh khoản thấp sinh lời, tạo sự đánh đổi (trade-off) giữa khả năng thanh khoản và tỷ suất sinh lời.
- Hiệu quả chi phí ($\text{CEA}$) tác động dương (+): Ngân hàng chi tiêu nhiều hơn cho công nghệ thông tin, quản trị rủi ro số và mở rộng mạng lưới giao dịch có khả năng thu hút tiền gửi thanh toán (CASA) tốt hơn, gián tiếp nâng cao đệm thanh khoản.
- Lạm phát ($\text{INF}$) và Thất nghiệp ($\text{UNEM}$) tác động âm (-): Khi lạm phát và thất nghiệp tăng, người dân rút tiền gửi để chi tiêu hoặc dịch chuyển dòng tiền sang kênh trú ẩn khác, làm sụt giảm nguồn cung thanh khoản của ngân hàng.
| Tiêu chí so sánh |
Nghiên cứu của Vodová (2012) |
Nghiên cứu của Đoàn Thanh Hà (2021) |
Nghiên cứu này (Nguyễn Thị Mỹ Duyên, 2024) |
| Không gian nghiên cứu |
Cộng hòa Séc (NHTM Séc) |
28 NHTM Việt Nam |
23 NHTMCP Việt Nam |
| Giai đoạn quan sát |
2001 – 2009 (9 năm) |
2009 – 2020 (12 năm) |
2012 – 2022 (11 năm) |
| Phương pháp chính |
Panel OLS / Fixed Effects |
OLS / FEM / REM |
Pooled OLS, FEM, REM, kiểm định khuyết tật & FGLS |
| Xử lý khuyết tật |
Không chi tiết FGLS |
Chưa tối ưu tự tương quan |
Khắc phục hoàn toàn phương sai thay đổi & AR(1) |
| Biến vĩ mô xem xét |
GDP, Lạm phát, Thất nghiệp |
GDP, Lạm phát |
GDP, Lạm phát (CPI), Tỷ lệ thất nghiệp (UNEM) |
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế (Real-World Use Cases)
graph LR
A["Dự Báo Lạm Phát & Thất Nghiệp Tăng"] --> B["Khối Quản Lý Rủi Ro (ALM)"]
B --> C["Tăng Tỷ Lệ Dự Trữ Thanh Khoản Bắt Buộc"]
B --> D["Thắt Chặt Tỷ Lệ LDR < 85%"]
B --> E["Tối Ưu Hóa Chi Phí Công Nghệ CEA"]
C & D & E --> F["Đảm Bảo Tỷ Lệ LCR/NSFR Chuẩn Basel III"]
- Quản trị Tài sản Nợ - Tài sản Có (ALM) tại các NHTMCP:
- Sử dụng kết quả mô hình để thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS). Khi chỉ số lạm phát vĩ mô (CPI) có xu hướng tăng vượt mốc 4.0% hoặc tỷ lệ thất nghiệp tăng, Ủy ban Quản lý Tài sản Nợ - Có (ALCO) cần chủ động nâng trần tỷ lệ dự trữ tài sản thanh khoản thêm 2.5%–4.0% để bù đắp nguy cơ rút ròng tiền gửi.
- Tuân thủ quy định Basel III và Ngân hàng Nhà nước:
- Giúp các NHTMCP tối ưu hóa tỷ lệ an toàn thanh khoản ngắn hạn (Liquidity Coverage Ratio - LCR) và tỷ lệ tạo vốn ổn định ròng (Net Stable Funding Ratio - NSFR) theo Thông tư 22/2019/TT-NHNN với chi phí cơ hội thấp nhất.
- Chiến lược tối ưu hóa cấu trúc vốn chủ sở hữu:
- Các ngân hàng có hệ số CAR cao cần chủ động điều phối dòng vốn tự có sang các công cụ thị trường tiền tệ kỳ hạn linh hoạt thay vì tập trung toàn bộ vào tín dụng trung - dài hạn, tránh hiện tượng thâm hụt thanh khoản cục bộ.
Lộ trình triển khai khuyến nghị cho NHTMCP
+---------------------------------------------------------------------------------------+
| LỘ TRÌNH QUẢN TRỊ THANH KHOẢN GIAI ĐOẠN 2024-2026 |
| |
| Giai đoạn 1 (Q1-Q2/2024): Chuẩn hóa dữ liệu & Tích hợp mô hình |
| - Thiết lập Data Mart tập trung dữ liệu thanh khoản hàng ngày. |
| - Tự động hóa tính toán các chỉ tiêu SIZE, CAP, CEA, LLR trên core banking. |
| |
| Giai đoạn 2 (Q3-Q4/2024): Xây dựng khung kiểm thử sức căng (Stress-Testing) |
| - Mô phỏng các kịch bản vĩ mô bất lợi (Lạm phát > 5%, Thất nghiệp > 3%). |
| - Đánh giá khả năng chống chịu của đệm tài sản thanh khoản L1. |
| |
| Giai đoạn 3 (2025-2026): Tối ưu hóa danh mục theo chuẩn Basel III |
| - Điều chỉnh cơ cấu chi phí hoạt động hướng vào chuyển đổi số để tối ưu hóa CASA. |
| - Duy trì tỷ lệ LDR dưới mức trần 85% theo quy định của NHNN. |
+---------------------------------------------------------------------------------------+
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Đặc tính dữ liệu thứ cấp hàng năm (Annual Data): Dữ liệu thu thập theo chu kỳ năm từ BCTC kiểm toán không phản ánh được các biến động thanh khoản vi mô diễn ra trong phiên giao dịch hoặc theo từng tuần/tháng.
- Mẫu khảo sát: Nghiên cứu chỉ tập trung vào 23 NHTMCP, chưa bao gồm khối ngân hàng thương mại 100% vốn nhà nước (Agribank), ngân hàng liên doanh và các chi nhánh ngân hàng nước ngoài tại Việt Nam.
- Mô hình kinh tế lượng tĩnh: Mô hình FGLS đã giải quyết tốt hiện tượng phương sai thay đổi và tự tương quan, tuy nhiên chưa kiểm soát triệt để hiện tượng nội sinh động (Dynamic Endogeneity) tiềm ẩn giữa lợi nhuận ($\text{ROA}$) và thanh khoản ($\text{LIQT}$).
Hướng phát triển tiếp theo
- Ứng dụng phương pháp GMM sai phân/hệ thống (System GMM - Blundell & Bond): Bổ sung biến trễ của thanh khoản ($\text{LIQT}_{it-1}$) để kiểm định tính trễ và quán tính thanh khoản của hệ thống ngân hàng.
- Mở rộng tần suất dữ liệu sang quý/tháng: Thu thập dữ liệu báo cáo tài chính hàng quý kết hợp với dữ liệu thanh khoản thị trường liên ngân hàng (Interbank Interest Rates - OMO) để nâng cao độ nhạy thời gian thực.
- Tích hợp các mô hình Machine Learning: Phát triển các mô hình học sâu (LSTM, XGBoost) trong việc dự báo nguy cơ thâm hụt khe hở thanh khoản ngắn hạn của từng ngân hàng.
Đối tượng hưởng lợi
+---------------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN |
+-----------------------------------+---------------------------------------------------+
| Nhóm đối tượng | Giá trị ứng dụng định lượng cụ thể |
+-----------------------------------+---------------------------------------------------+
| Sinh viên & Học viên cao học | Cung cấp khung nghiên cứu mẫu chuẩn mực về |
| ngành Tài chính - Ngân hàng | Panel Data, kiểm định Stata và xử lý FGLS. |
+-----------------------------------+---------------------------------------------------+
| Chuyên viên Quản lý rủi ro & ALM | Bộ hệ số hồi quy thực nghiệm làm căn cứ hiệu chỉnh|
| tại các NHTMCP | trọng số trong mô hình Stress-Testing nội bộ. |
+-----------------------------------+---------------------------------------------------+
| Cơ quan Giám sát (NHNN, Cơ quan | Căn cứ khoa học để điều hành chính sách tiền tệ, |
| Thanh tra giám sát ngân hàng) | lãi suất tái cấp vốn và kiểm soát trần LDR. |
+-----------------------------------+---------------------------------------------------+
| Các nhà nghiên cứu kinh tế lượng | Nguồn tham khảo dữ liệu 11 năm (2012-2022) của |
| ứng dụng | 23 NHTMCP với độ tin cậy kiểm toán cao. |
+-----------------------------------+---------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và môi trường để tái lập (reproduce) kết quả nghiên cứu là gì?
Cần cài đặt phần mềm Stata phiên bản 14.0 trở lên (hoặc module linearmodels / statsmodels trên Python 3.10+). Bộ dữ liệu đầu vào phải được định dạng theo cấu trúc bảng cân bằng (Balanced Panel), gồm 253 quan sát được gắn mã định danh bank_id (1–23) và year (2012–2022) với lệnh thiết lập xtset bank_id year.
2. Tại sao nghiên cứu lựa chọn mô hình FGLS thay vì giữ nguyên mô hình FEM hoặc REM?
Mặc dù kiểm định Hausman chỉ ra mô hình REM là phù hợp ($p > 0.05$), các kiểm định chẩn đoán sau hồi quy (Breusch-Pagan Test và Wooldridge Test) đều phát hiện vi phạm nghiêm trọng: tồn tại hiện tượng phương sai sai số thay đổi ($p = 0.0000$) và tự tương quan chuỗi bậc 1 ($p = 0.0021$). Ước lượng OLS/FEM/REM trong điều kiện này sẽ dẫn đến sai số chuẩn bị chệch và các suy diễn thống kê mất độ tin cậy. Mô hình FGLS (xtgls) là phương pháp tối ưu để hiệu chỉnh đồng thời cả hai khuyết tật trên, mang lại ước lượng vững và hiệu quả.
3. Quy mô ngân hàng (SIZE) lớn giúp cải thiện khả năng thanh khoản như thế nào?
Hệ số hồi quy FGLS của $\text{SIZE}$ mang dấu dương ($\beta = +0.0482, p < 0.01$). Các ngân hàng quy mô lớn sở hữu mạng lưới huy động vốn rộng, danh mục tài sản thế chấp chất lượng cao (Trái phiếu Chính phủ, tín phiếu NHNN) và uy tín tín nhiệm cao trên thị trường liên ngân hàng, từ đó có khả năng huy động vốn thanh khoản nhanh chóng với chi phí thấp hơn nhiều so với các ngân hàng nhỏ.
4. Tại sao tỷ lệ vốn chủ sở hữu (CAP) lại có tác động ngược chiều (-) đến khả năng thanh khoản?
Thực nghiệm cho thấy $\beta_{\text{CAP}} = -0.3214$ ($p < 0.01$). Điều này phản ánh tâm lý quản trị của các NHTMCP Việt Nam: khi ngân hàng sở hữu tấm đệm vốn chủ sở hữu dày (an toàn vốn cao), ban điều hành có xu hướng mở rộng đầu tư vào các tài sản sinh lời dài hạn có rủi ro cao hơn để tối đa hóa tỷ suất sinh lời trên vốn (ROE), dẫn đến việc chủ động giảm tỷ lệ nắm giữ tiền mặt và tài sản thanh khoản ngắn hạn sinh lời thấp.
5. Chi phí triển khai và hiệu quả đầu tư (ROI) của khung quản trị thanh khoản này đối với ngân hàng?
Việc triển khai hệ thống quản trị thanh khoản dựa trên dữ liệu định lượng chỉ yêu cầu tích hợp các thuật toán kinh tế lượng vào hệ thống Core Banking / Data Warehouse sẵn có với chi phí đầu tư ban đầu ước tính từ 300 - 500 triệu VNĐ. Lợi ích mang lại giúp ngân hàng giảm thiểu rủi ro phải vay khẩn cấp trên thị trường liên ngân hàng với lãi suất phạt, tiết kiệm từ 15 đến 25 điểm cơ bản (bps) chi phí vốn huy động hàng năm, tương đương hàng chục tỷ đồng cho mỗi chu kỳ tài chính.
Kết luận
Nghiên cứu của tác giả Nguyễn Thị Mỹ Duyên đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, cung cấp một hệ thống thực chứng định lượng toàn diện về các yếu tố vi mô và vĩ mô chi phối khả năng thanh khoản của 23 NHTMCP Việt Nam giai đoạn 2012–2022:
- Đóng góp học thuật: Làm sáng tỏ cơ chế tác động của quy mô ngân hàng ($\text{SIZE}$), tỷ lệ vốn chủ sở hữu ($\text{CAP}$), chi phí hoạt động ($\text{CEA}$), tỷ lệ lạm phát ($\text{INF}$) và tỷ lệ thất nghiệp ($\text{UNEM}$) lên khả năng thanh khoản $\text{LIQT}$ thông qua mô hình FGLS vững.
- Giá trị thực tiễn: Khẳng định tầm quan trọng của việc duy trì cân bằng giữa tăng trưởng tín dụng, hiệu quả chi phí hoạt động số và xây dựng bộ đệm thanh khoản thích ứng linh hoạt với các biến động vĩ mô (lạm phát và việc làm).
Nghiên cứu là tài liệu tham khảo giá trị cao cho các nhà quản trị ngân hàng, chuyên viên phân tích rủi ro tài chính và các nhà hoạch định chính sách tiền tệ tại Việt Nam trong kỷ nguyên chuẩn hóa an toàn vốn Basel III.
