Giới thiệu dự án

Thị trường tài chính – ngân hàng đóng vai trò huyết mạch trong việc luân chuyển vốn của nền kinh tế quốc gia. Tuy nhiên, các cú sốc vĩ mô từ đại dịch Covid-19, biến động lãi suất toàn cầu và sự cố rút tiền hàng loạt (bank run) tại Ngân hàng TMCP Sài Gòn (SCB) vào cuối năm 2022 đã đặt hệ thống ngân hàng thương mại (NHTM) Việt Nam trước những thách thức thanh khoản chưa từng có. Khi niềm tin thị trường sụt giảm, áp lực nợ xấu tăng cao và khe hở tài trợ mở rộng, nguy cơ mất khả năng thanh toán ngắn hạn có thể đe dọa trực tiếp đến sự tồn vong của từng định chế tài chính và gây rủi ro lan truyền toàn hệ thống.

Vấn đề cốt lõi đặt ra là sự đánh đổi (trade-off) giữa khả năng thanh khoản và hiệu quả sinh lời. Một danh mục tài sản thanh khoản cao giúp bảo vệ ngân hàng trước rủi ro vỡ nợ nhưng làm gia tăng chi phí cơ hội và suy giảm tỷ suất lợi nhuận; ngược lại, việc mở rộng tín dụng quá mức nhằm tối đa hóa thu nhập lãi cận biên (NIM) lại đẩy ngân hàng vào tình trạng căng thẳng nguồn vốn khi xuất hiện biến động tiền gửi.

Đồ án/Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng (Mã số: 7340201) với đề tài "Các yếu tố ảnh hưởng đến khả năng thanh khoản của các Ngân hàng Thương mại Việt Nam" do sinh viên Huỳnh Kim Thoa thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Đặng Hải Yến (Trường Đại học Ngân hàng TP. Hồ Chí Minh, 2024) đã xây dựng mô hình phân tích định lượng chuyên sâu nhằm giải quyết triệt để bài toán này.

Mục tiêu nghiên cứu cụ thể của dự án:

  1. Xác định các yếu tố nội tại và vĩ mô tác động đến tỷ lệ thanh khoản ($L_1$) của hệ thống NHTM Việt Nam.
  2. Đo lường mức độ và chiều hướng tác động của từng biến số thông qua mô hình kinh tế lượng dữ liệu bảng (Panel Data) đã được kiểm định khuyết tật.
  3. Đề xuất hàm ý quản trị và giải pháp ứng dụng giúp ban điều hành các NHTM tối ưu hóa cơ cấu tài sản nợ – tài sản có (ALM) và kiểm soát rủi ro thanh khoản theo chuẩn mực quốc tế.

Phương pháp tiếp cận và phạm vi:

  • Phương pháp luận: Kết hợp nghiên cứu định tính (tổng hợp khung lý thuyết nền tảng) và định lượng thực nghiệm (ước lượng Pooled OLS, Fixed Effects Model - FEM, Random Effects Model - REM và khắc phục khuyết tật bằng mô hình hồi quy Feasible Generalized Least Squares - FGLS).
  • Mẫu dữ liệu: Dữ liệu bảng cân bằng gồm 275 quan sát từ 25 NHTM niêm yết tại Việt Nam trong giai đoạn 11 năm (2013 – 2023).
  • Phạm vi & Giới hạn: Dữ liệu cấp năm thu thập từ báo cáo tài chính kiểm toán và số liệu vĩ mô của World Bank; không bao gồm các ngân hàng thương mại cổ phần chưa niêm yết hoặc bị kiểm soát đặc biệt do thiếu tính minh bạch dữ liệu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị ngân hàng truyền thống, các công cụ đo lường thanh khoản thường dựa trên phương pháp khe hở tài trợ (Funding Gap) hoặc phân tích các chỉ số tài chính đơn lẻ (CAMELS). Tuy nhiên, các phương pháp này bộc lộ nhiều điểm hạn chế khi đặt trong môi trường kinh tế biến động phức tạp:

Tiêu chí Đo lường khe hở thanh khoản truyền thống Phân tích hồi quy OLS gộp (Pooled OLS) Mô hình FGLS trên dữ liệu bảng (Giải pháp đề tài)
Độ nhạy thời gian & không gian Chỉ đánh giá trạng thái tĩnh tại một thời điểm Bỏ qua đặc trưng riêng của từng ngân hàng ($u_i$) Kết hợp cả chiều thời gian (11 năm) và không gian (25 ngân hàng)
Kiểm soát khuyết tật dữ liệu Không có cơ chế xử lý sai số thống kê Bị chệch và không hiệu quả khi có phương sai thay đổi/tự tương quan Triệt tiêu hoàn toàn phương sai sai số thay đổi và tự tương quan bậc 1
Khả năng dự báo đa biến Hạn chế, chỉ theo dõi quan hệ 1-1 giữa nợ và có Dự báo kém chính xác do vi phạm giả định OLS cổ điển Cung cấp hệ số ước lượng vững, không chệch và hiệu quả nhất (BLUE)

Phân loại yêu cầu phân tích theo khung MoSCoW:

  • Must have (Bắt buộc): Đo lường biến phụ thuộc tỷ lệ thanh khoản $L_1$; kiểm định 8 biến độc lập đại diện cho cấu trúc vốn, quy mô, sinh lời và kinh tế vĩ mô; kiểm tra hiện tượng đa cộng tuyến, phương sai sai số thay đổi và tự tương quan.
  • Should have (Nên có): Xử lý triệt để khuyết tật mô hình bằng kỹ thuật ước lượng bình phương tối thiểu tổng quát khả thi (FGLS); phân tích đối chiếu với các nghiên cứu thực nghiệm quốc tế.
  • Could have (Có thể có): Mở rộng các chỉ số đo lường thanh khoản thay thế ($L_2, L_3, L_4$).
  • Won't have (Chưa thực hiện): Hồi quy động System GMM với biến trễ hoặc phân tích dữ liệu tần suất cao (High-frequency intraday liquidity).

Thiết kế hệ thống và mô hình kinh tế lượng

Hệ thống xử lý và ước lượng dữ liệu thực nghiệm được thiết kế theo cấu trúc pipeline tuần tự:

[Audited BCTC 25 Banks (2013-2023) + World Bank API]
           [Data Cleaning & Normalization]
          [Descriptive Statistics & VIF Check]
         [Panel Model Selection: OLS / FEM / REM]
  [F-test: OLS vs FEM]              [Hausman Test: FEM vs REM]
           [Diagnostics for Model Defects]
     [Final FGLS Model Estimation (xtgls, panels(hetero) corr(ar1))]
         [Policy Implications & Strategy Engine]

Mô hình hồi quy tổng quát:

$$LIQ_{it} = \beta_0 + \beta_1 LG_{it} + \beta_2 NIM_{it} + \beta_3 SIZE_{it} + \beta_4 ROE_{it} + \beta_5 NPL_{it} + \beta_6 CAP_{it} + \beta_7 GDP_{it} + \beta_8 INF_{it} + \varepsilon_{it}$$

Từ điển biến số kỹ thuật (Data Dictionary):

  • $LIQ_{it}$ (Biến phụ thuộc): Tỷ lệ tài sản thanh khoản trên tổng tài sản ($\text{Liquid Assets} / \text{Total Assets}$).
  • $LG_{it}$ (Loan Growth): Tốc độ tăng trưởng dư nợ cho vay khách hàng so với đầu năm.
  • $NIM_{it}$ (Net Interest Margin): Thu nhập lãi thuần trên tổng tài sản sinh lãi bình quân.
  • $SIZE_{it}$ (Bank Size): Quy mô ngân hàng, tính bằng $\ln(\text{Tổng tài sản})$.
  • $ROE_{it}$ (Return on Equity): Lợi nhuận sau thuế chia cho Vốn chủ sở hữu (VCSH) bình quân.
  • $NPL_{it}$ (Non-Performing Loan): Tỷ lệ nợ xấu nhóm 3, 4, 5 trên tổng dư nợ cho vay.
  • $CAP_{it}$ (Capital Adequacy Ratio proxy): Tỷ lệ tổng VCSH trên tổng tài sản.
  • $GDP_{it}$: Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm (World Bank).
  • $INF_{it}$: Tỷ lệ lạm phát đo lường bằng chỉ số giá tiêu dùng CPI (World Bank).

Công nghệ & Công cụ triển khai:

  • Phần mềm tính toán kinh tế lượng: Stata 15.1 Special Edition (SE).
  • Tiền xử lý và kiểm chuẩn dữ liệu: Microsoft Excel 2021 & Python 3.10 (thư viện pandas, numpy).
  • Nguồn dữ liệu: Báo cáo tài chính hợp nhất kiểm toán của 25 NHTM và World Development Indicators (WDI).

Methodology

Nghiên cứu áp dụng quy trình 7 giai đoạn nghiêm ngặt:

  1. Thu thập dữ liệu: Trích xuất 275 báo cáo tài chính kiểm toán và chỉ số vĩ mô giai đoạn 2013 – 2023.
  2. Thống kê mô tả: Phân tích mean, standard deviation, min, max để nhận diện phân phối dữ liệu.
  3. Phân tích tương quan & Đa cộng tuyến: Xây dựng ma trận tương quan Pearson và tính toán hệ số phóng đại phương sai (Variance Inflation Factor - VIF).
  4. Ước lượng mô hình cơ sở: Chạy hồi quy Pooled OLS, FEM và REM.
  5. Kiểm định lựa chọn mô hình tối ưu:
    • F-test: So sánh Pooled OLS với FEM ($H_0$: Pooled OLS phù hợp).
    • Hausman Test: So sánh FEM với REM ($H_0$: REM phù hợp, các hiệu ứng ngẫu nhiên không tương quan với biến giải thích).
    • Breusch-Pagan Lagrange Multiplier Test: So sánh Pooled OLS với REM.
  6. Kiểm định khuyết tật:
    • Kiểm định Wooldridge: Phát hiện hiện tượng tự tương quan chuỗi bậc 1 (AR(1)) trong dữ liệu bảng.
    • Kiểm định Modified Wald / White Test: Phát hiện hiện tượng phương sai sai số thay đổi giữa các thực thể ngân hàng.
  7. Khắc phục và ước lượng chính xác: Ứng dụng mô hình FGLS cho phép kiểm soát đồng thời cấu trúc phương sai không đồng nhất và tự tương quan.

Implementation và kết quả

Development process & Code execution

Toàn bộ quy trình phân tích được tự động hóa bằng mã lệnh Stata Do-file nhằm đảm bảo tính tái lập (reproducibility):

* ==============================================================================
* STATA SCRIPT: PHAN TICH THANH KHOAN NHTM VIET NAM (2013-2023)
* ==============================================================================
clear all
set more off

* 1. Nhap du lieu va thiet lap cau truc Panel Data
import excel "bank_liquidity_data_2013_2023.xlsx", sheet("Data") firstrow
xtset bank_id year

* 2. Thong ke mo ta va kiem dinh da cong tuyen
summarize LIQ LG NIM SIZE ROE NPL CAP GDP INF
regress LIQ LG NIM SIZE ROE NPL CAP GDP INF
vif

* 3. Uoc luong cac mo hinh co so
regress LIQ LG NIM SIZE ROE NPL CAP GDP INF                   // Pooled OLS
estimates store pooled_ols

xtreg LIQ LG NIM SIZE ROE NPL CAP GDP INF, fe                 // Fixed Effects Model
estimates store fem

xtreg LIQ LG NIM SIZE ROE NPL CAP GDP INF, re                 // Random Effects Model
estimates store rem

* 4. Kiem dinh lua chon mo hinh
hausman fem rem                                               // Kiem dinh Hausman

* 5. Kiem dinh khuyet tat tren mo hinh duoc lua chon
xtreg LIQ LG NIM SIZE ROE NPL CAP GDP INF, fe
xttest3                                                       // Kiem tra phuong sai thay doi
xtserial LIQ LG NIM SIZE ROE NPL CAP GDP INF                  // Kiem tra tu tuong quan Wooldridge

* 6. Uoc luong mo hinh FGLS khac phuc toan dien khuyet tat
xtgls LIQ LG NIM SIZE ROE NPL CAP GDP INF, panels(hetero) corr(ar1)
estimates store fgls_model

Testing và validation

Kết quả thực hiện các kiểm định kỹ thuật trên mẫu 275 quan sát ghi nhận các thông số cụ thể:

  1. Kiểm định đa cộng tuyến (Multicollinearity): Hệ số VIF trung bình của tất cả các biến độc lập đều $< 3.0$ (thấp hơn nhiều so với ngưỡng cảnh báo 10.0). Hiện tượng đa cộng tuyến hoàn toàn bị loại trừ.
  2. Kiểm định lựa chọn mô hình:
    • F-test ($F = 8.42, p\text{-value} < 0.001$): Bác bỏ $H_0$, mô hình FEM vượt trội hoàn toàn so với Pooled OLS.
    • Kiểm định Hausman ($\chi^2 = 18.75, p\text{-value} = 0.0163 < 0.05$): Bác bỏ giả thuyết $H_0$, kết luận mô hình FEM phù hợp hơn REM.
  3. Kiểm định khuyết tật:
    • Modified Wald Test ($p\text{-value} < 0.0001$): Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
    • Wooldridge Test ($p\text{-value} = 0.0034 < 0.05$): Tồn tại hiện tượng tự tương quan bậc 1 qua các năm.

Do mô hình FEM vi phạm đồng thời 2 giả định hồi quy cổ điển, việc sử dụng phương pháp FGLS là bắt buộc để khôi phục tính hiệu quả của các ước lượng.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng cuối cùng từ mô hình FGLS:

Tên biến Ký hiệu Hệ số hồi quy ($\beta$) Mức ý nghĩa thống kê ($p$-value) Chiều hướng tác động thực nghiệm Trạng thái giả thuyết
Quy mô ngân hàng SIZE $-0.0142$ $< 0.01^{***}$ Ngược chiều (-) Chấp nhận $H_3$
Thu nhập lãi cận biên NIM $-0.8541$ $< 0.05^{**}$ Ngược chiều (-) Chấp nhận $H_2$
Tỷ lệ vốn CSH / Tổng tài sản CAP $+0.4128$ $< 0.01^{***}$ Thuận chiều (+) Chấp nhận $H_6$
Tỷ suất sinh lời trên VCSH ROE $+0.1264$ $< 0.05^{**}$ Thuận chiều (+) Chấp nhận $H_4$
Tỷ lệ lạm phát INF $+0.0078$ $< 0.05^{**}$ Thuận chiều (+) Chấp nhận $H_8$
Tăng trưởng tín dụng LG $-0.0215$ $> 0.10$ (K.ý.n) Không có ý nghĩa thống kê Bác bỏ $H_1$
Tỷ lệ nợ xấu NPL $-0.1042$ $> 0.10$ (K.ý.n) Không có ý nghĩa thống kê Bác bỏ $H_5$
Tăng trưởng kinh tế GDP $+0.0031$ $> 0.10$ (K.ý.n) Không có ý nghĩa thống kê Bác bỏ $H_7$

(Ghi chú: $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê 1% và 5%).*

Thảo luận chuyên sâu kết quả thực nghiệm:

  • Quy mô ngân hàng (SIZE, $\beta = -0.0142$): Tác động tiêu cực có ý nghĩa thống kê đến thanh khoản. Kết quả này củng cố Lý thuyết Quá lớn để sụp đổ (Too-Big-To-Fail) của Greg (2009). Các ngân hàng lớn có xu hướng ỷ lại vào khả năng cứu trợ của Ngân hàng Nhà nước (NHNN) và khả năng tiếp cận thị trường liên ngân hàng dễ dàng hơn, từ đó duy trì tỷ lệ đệm thanh khoản thấp để tối đa hóa tài sản sinh lời.
  • Thu nhập lãi cận biên (NIM, $\beta = -0.8541$): Tác động ngược chiều mạnh mẽ đến thanh khoản. Khi ngân hàng tập trung tối ưu hóa NIM thông qua mở rộng cho vay trung và dài hạn, tài sản chuyển hóa thành các khoản nợ kém thanh khoản, làm giảm trực tiếp tỷ lệ tài sản có tính lỏng cao.
  • Tỷ lệ an toàn vốn (CAP, $\beta = +0.4128$): Tác động tích cực có ý nghĩa thống kê cao nhất. Kết quả ủng hộ Lý thuyết Mong manh – Lấn át tài chính (Financial Fragility - Crowding Out) của Berger & Bouwman (2008). Nguồn vốn tự có dày dặn tạo lá chắn bảo vệ ngân hàng trước các cú sốc rút tiền đột ngột.
  • Hiệu quả sinh lời (ROE, $\beta = +0.1264$): Tác động thuận chiều, phù hợp với Lý thuyết Chi phí phá sản kỳ vọng (Expected Bankruptcy Costs) của Berger (1995). Ngân hàng có năng lực sinh lời cao có nguồn lợi nhuận giữ lại dồi dào, giúp chủ động tăng cường dự trữ thanh khoản mà không chịu áp lực tìm kiếm lợi nhuận rủi ro.
  • Lạm phát (INF, $\beta = +0.0078$): Tác động thuận chiều, giải thích bởi Hiệu ứng Fisher (Fisher Effect). Khi lạm phát tăng, các NHTM thận trọng thắt chặt các điều kiện cấp tín dụng và chủ động tăng tích trữ tài sản có tính thanh khoản cao để phòng ngừa biến động thị trường.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể khi so sánh với các công trình trước đây:

Tiêu chí so sánh Moussa (2015) Lê Hoàng Vinh & Trần Phi Dũng (2020) Vũ Cẩm Nhung & cs (2023) Khóa luận Huỳnh Kim Thoa (2024)
Không gian & Thời gian 18 ngân hàng Tunisia (2000-2010) 23 NHTM Việt Nam (2009-2018) 24 NHTM Việt Nam (2010-2022) 25 NHTM Việt Nam (2013-2023)
Giai đoạn đại dịch & Post-Covid Không có Không có Chưa phản ánh đầy đủ khủng hoảng cuối 2022 Bao quát toàn diện khủng hoảng Covid-19 và biến động SCB 2022-2023
Phương pháp ước lượng Bảng tĩnh & GMM FGLS Pooled OLS, FEM, REM, FGLS Quy trình chuẩn tắc: Kiểm định Hausman $\rightarrow$ Wooldridge $\rightarrow$ FGLS
Xử lý khuyết tật GMM xử lý nội sinh Khắc phục tự tương quan Khắc phục phương sai thay đổi Kiểm soát triệt để cả Heteroskedasticity và AR(1) Correlation

Những điểm cải tiến chính:

  • Tính cập nhật của chuỗi dữ liệu: Kéo dài giai đoạn quan sát đến hết năm 2023 với 275 quan sát, nắm bắt chính xác hành vi ứng phó thanh khoản của hệ thống ngân hàng trong giai đoạn áp lực nợ xấu gia tăng và lãi suất biến động mạnh.
  • Độ chuẩn xác trong ước lượng: Việc áp dụng kỹ thuật FGLS đã loại trừ hoàn toàn sai số ước lượng do vi phạm các giả định OLS cổ điển, mang lại hệ số hồi quy có độ tin cậy cao cho việc hoạch định chính sách.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

  1. Hệ thống cảnh báo sớm rủi ro thanh khoản (Liquidity Early Warning System - EWS): Tích hợp các hệ số hồi quy thực nghiệm vào mô hình chấm điểm rủi ro nội bộ. Khi các chỉ số $NIM$ tăng nóng hoặc tỷ lệ đệm $CAP$ suy giảm vượt ngưỡng kiểm soát, hệ thống sẽ tự động kích hoạt cảnh báo tái cân bằng danh mục.
  2. Quản trị Tài sản Nợ - Tài sản Có (ALM Dashboard): Giúp bộ phận Treasury và ALM điều tiết kỳ hạn nguồn vốn huy động tương thích với danh mục cho vay, tránh hiện tượng lệch pha kỳ hạn nghiêm trọng.
  3. Tuân thủ chuẩn mực Basel II / Basel III: Hỗ trợ các ngân hàng thương mại xây dựng lộ trình duy trì Tỷ lệ an toàn vốn (CAR) và chuẩn bị đáp ứng các chỉ số thanh khoản khắt khe như Tỷ lệ bảo đảm khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).

Lộ trình triển khai khuyến nghị cho NHTM (Implementation Roadmap)

Phân tích chi phí - lợi ích (Cost-Benefit Analysis & ROI)

  • Chi phí dự phòng: Chi phí cơ hội khi nắm giữ từ 5% – 10% tài sản thanh khoản cao (trái phiếu chính phủ, tiền gửi tại NHNN với lãi suất thấp hơn cho vay).
  • Lợi ích kinh tế (ROI):
    • Triệt tiêu nguy cơ bị phạt do vi phạm tỷ lệ an toàn thanh khoản của NHNN (Thông tư 22/2019/TT-NHNN).
    • Giảm thiểu chi phí huy động vốn khẩn cấp trên thị trường liên ngân hàng trong các đợt căng thẳng dòng tiền.
    • Ngăn ngừa tổn thất phá sản hoặc chi phí can thiệp xử lý sự cố thanh khoản ước tính hàng nghìn tỷ đồng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật được thừa nhận

  • Tần suất dữ liệu: Mẫu nghiên cứu sử dụng dữ liệu năm (Annual data) theo báo cáo tài chính kiểm toán, chưa phản ánh được các biến động thanh khoản ngắn hạn trong năm (theo quý hoặc theo tháng).
  • Mẫu khảo sát: Mới dừng lại ở 25 NHTM niêm yết có số liệu liên tục; chưa bao gồm các tổ chức tín dụng phi ngân hàng, ngân hàng liên doanh hoặc các ngân hàng thuộc diện kiểm soát đặc biệt.
  • Tính nội sinh (Endogeneity): Mô hình FGLS đã giải quyết tốt phương sai thay đổi và tự tương quan nhưng chưa kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa thanh khoản và lợi nhuận/nợ xấu.

Định hướng mở rộng nghiên cứu

  • Ứng dụng mô hình động System GMM (Generalized Method of Moments): Sử dụng các biến trễ của chính biến thanh khoản ($LIQ_{it-1}$) để kiểm soát tính trễ trong hành vi tích lũy thanh khoản của ngân hàng.
  • Mở rộng bộ chỉ số đo lường: Tích hợp thêm các chỉ số theo khung Basel III như LCR và NSFR khi hệ thống ngân hàng Việt Nam công bố đầy đủ dữ liệu định lượng.
  • Ứng dụng Machine Learning: Triển khai các thuật toán học máy (Random Forest, XGBoost) trong việc dự báo xác suất khủng hoảng thanh khoản theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng tài chính ngân hàng, quy trình xử lý dữ liệu bảng và kỹ thuật lập trình Stata Do-file hoàn chỉnh.
  • Chuyên viên phân tích dữ liệu kinh tế lượng: Nắm vững quy trình kiểm định khuyết tật mô hình (Hausman, Modified Wald, Wooldridge) và kỹ thuật khắc phục bằng hồi quy FGLS.
  • Ban điều hành & Khối Quản lý rủi ro NHTM: Sở hữu cơ sở khoa học định lượng vững chắc để hoạch định chính sách cân đối giữa tăng trưởng tín dụng, tối ưu hóa NIM và đảm bảo an toàn thanh khoản.
  • Cơ quan quản lý (Ngân hàng Nhà nước): Bằng chứng thực nghiệm giúp hoàn thiện khung pháp lý giám sát an toàn vi mô và vĩ mô, đặc biệt là cơ chế cảnh báo sớm đối với các ngân hàng quy mô lớn có xu hướng lạm dụng vị thế "Too-Big-To-Fail".

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để triển khai lại mô hình phân tích này là gì?

Cần cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 15.1 SE hoặc Stata 17 MP) cùng bộ dữ liệu bảng gồm 275 quan sát đã được làm sạch và chuẩn hóa biến số. Hệ thống yêu cầu máy tính cấu hình tối thiểu 4GB RAM, cài đặt các package bổ trợ của Stata như xttest3 (kiểm tra phương sai thay đổi) và xtserial (kiểm tra tự tương quan chuỗi).

2. Tại sao nghiên cứu lại lựa chọn mô hình FGLS thay vì giữ nguyên mô hình FEM?

Mặc dù kiểm định Hausman chỉ ra rằng Fixed Effects Model (FEM) phù hợp hơn Random Effects Model (REM), các kiểm định chẩn đoán sau hồi quy cho thấy mô hình FEM vi phạm nghiêm trọng 2 giả định: phương sai sai số thay đổi giữa các ngân hàng ($p < 0.0001$) và tự tương quan bậc 1 qua thời gian ($p = 0.0034$). Trong điều kiện này, các ước lượng OLS/FEM không còn đạt hiệu quả (mất tính Best Linear Unbiased Estimator - BLUE). Mô hình Feasible Generalized Least Squares (FGLS) sử dụng ma trận hiệp phương sai sai số được ước lượng để hiệu chỉnh đồng thời cả hai khuyết tật trên, mang lại các hệ số ước lượng vững và chính xác.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống ALM hiện hữu của ngân hàng?

Các tham số hồi quy thực nghiệm của mô hình FGLS có thể được nạp trực tiếp vào động cơ tính toán rủi ro (Risk Engine) của hệ thống Quản trị Tài sản Nợ - Có (ALM). Hệ thống sẽ thiết lập các ngưỡng chặn động (dynamic thresholds) cho tỷ lệ $CAP$ và $NIM$. Khi tỷ lệ $NIM$ tăng cao bất thường do mở rộng dư nợ trung dài hạn, hệ thống ALM sẽ tự động phát tín hiệu yêu cầu bộ phận Treasury tăng cường dự trữ các tài sản thanh khoản loại 1 (tiền mặt, trái phiếu chính phủ) để bù đắp thâm hụt thanh khoản dự kiến.

4. Tại sao các biến như Tăng trưởng tín dụng (LG) và Nợ xấu (NPL) lại không có ý nghĩa thống kê trong mô hình FGLS?

Trong mẫu nghiên cứu 25 NHTM giai đoạn 2013 – 2023, ảnh hưởng của tăng trưởng tín dụng và nợ xấu đối với tỷ lệ thanh khoản tổng thể ($L_1$) có thể đã bị triệt tiêu hoặc hấp thụ thông qua cơ chế trích lập dự phòng rủi ro và các can thiệp tái cơ cấu nợ theo chỉ đạo của NHNN (ví dụ: Thông tư 02/2023/TT-NHNN). Ngoài ra, các ngân hàng có thể đã chủ động bù đắp sự thiếu hụt thanh khoản từ nợ xấu thông qua các kênh thị trường mở (OMO) và thị trường liên ngân hàng, khiến tác động trực tiếp của $LG$ và $NPL$ lên tỷ lệ thanh khoản tĩnh trong cùng kỳ không thể hiện rõ ở mức ý nghĩa 5%.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) của hệ thống cảnh báo sớm thanh khoản là bao nhiêu?

Chi phí triển khai một phân hệ EWS dựa trên mô hình định lượng ước tính dao động từ 500 triệu đến 1.5 tỷ VNĐ tùy thuộc vào hạ tầng dữ liệu của ngân hàng. Lợi ích thu hồi vốn (ROI) thể hiện ngay trong năm đầu tiên thông qua việc tránh được các khoản phí phạt do vi phạm tỷ lệ an toàn của NHNN, tiết kiệm chi phí huy động vốn ngắn hạn khẩn cấp và tối ưu hóa từ 15% – 20% lượng tiền mặt nhàn rỗi dự trữ dư thừa không cần thiết.

Kết luận

Khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến khả năng thanh khoản của các Ngân hàng Thương mại Việt Nam" đã thực hiện thành công việc lượng hóa mối quan hệ phức tạp giữa các đặc trưng nội tại ngân hàng, biến số kinh tế vĩ mô và tính thanh khoản trên mẫu dữ liệu 25 NHTM Việt Nam trong giai đoạn 11 năm (2013 – 2023).

Những kết luận khoa học và đóng góp then chốt:

  • Đóng góp học thuật: Chứng minh thực nghiệm rằng quy mô ngân hàng (SIZE) và thu nhập lãi cận biên (NIM) có tác động tiêu cực đến thanh khoản, trong khi năng lực an toàn vốn (CAP), tỷ suất sinh lời (ROE) và lạm phát (INF) đóng vai trò củng cố đệm thanh khoản.
  • Giá trị phương pháp luận: Xây dựng quy trình kinh tế lượng dữ liệu bảng chuẩn mực, kết hợp linh hoạt giữa các kiểm định Hausman, Wooldridge, Modified Wald và xử lý triệt để khuyết tật bằng kỹ thuật FGLS.
  • Giá trị thực tiễn: Cung cấp cơ sở khoa học định lượng giúp các nhà quản trị ngân hàng chủ động giải quyết bài toán đánh đổi giữa tối đa hóa lợi nhuận và kiểm soát rủi ro thanh khoản, hướng tới sự phát triển an toàn và bền vững của toàn hệ thống tài chính.