Giới thiệu dự án
Trong hệ thống tài chính hiện đại, thanh khoản được ví như dòng máu duy trì sự sống của các ngân hàng thương mại. Theo Ủy ban Giám sát Ngân hàng Basel (BCBS, 2008), các cuộc khủng hoảng tài chính toàn cầu bắt nguồn từ việc đánh giá thấp rủi ro thanh khoản và thiếu hụt tài sản có tính thanh khoản cao (Liquid Assets). Tại Việt Nam, hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) đóng vai trò huyết mạch cung ứng vốn cho nền kinh tế nhưng luôn đối mặt với áp lực mất cân đối kỳ hạn giữa huy động vốn ngắn hạn và cho vay trung - dài hạn. Sự kiện căng thẳng thanh khoản cục bộ giai đoạn 2012, tác động của đại dịch Covid-19 (2019–2022) và các biến động thị trường tài chính năm 2022 đã đặt ra yêu cầu cấp bách về việc xây dựng mô hình định lượng đánh giá các nhân tố tác động đến khả năng thanh khoản.
Vấn đề nghiên cứu (Problem Statement)
Các NHTMCP Việt Nam đối mặt với bài toán đánh đổi cốt lõi (Trade-off): Tối đa hóa tỷ suất sinh lời (NIM/ROE) thông qua mở rộng tín dụng hay duy trì đệm thanh khoản an toàn để phòng ngừa rủi ro rút tiền đột ngột (Bank Run). Việc thiếu các mô hình định lượng chuẩn xác để xác định trọng số tác động của các nhân tố nội tại (nợ xấu, tỷ lệ cho vay/tiền gửi, quy mô tài sản) và ngoại sinh (cung tiền M2, lạm phát, GDP) khiến công tác quản trị tài sản Nợ - Có (ALM) tại nhiều ngân hàng rơi vào thế bị động, dẫn đến chi phí huy động vốn trên thị trường liên ngân hàng tăng vọt khi xảy ra cú sốc thanh khoản.
Mục tiêu nghiên cứu
- Hệ thống hóa cơ sở lý luận: Làm rõ cơ chế hình thành rủi ro thanh khoản và các khung đo lường thanh khoản chuẩn hóa theo thông lệ quốc tế (Basel II/III) và quy định của Ngân hàng Nhà nước Việt Nam (NHNN).
- Xây dựng mô hình kinh tế lượng: Đo lường cụ thể chiều hướng và mức độ tác động của 9 nhân tố (quy mô tài sản, vốn chủ sở hữu, tỷ lệ cho vay trên tiền gửi, lợi nhuận trên vốn chủ sở hữu, nợ xấu, tăng trưởng tiền gửi, cung tiền M2, tăng trưởng GDP, tỷ lệ lạm phát) đến tỷ lệ thanh khoản ($L_1$) của 25 NHTMCP Việt Nam giai đoạn 2014–2022 (225 quan sát bảng).
- Đề xuất hàm ý quản trị: Cung cấp giải pháp định lượng giúp các NHTMCP tối ưu hóa tỷ lệ thanh khoản và hỗ trợ NHNN hoàn thiện khung giám sát vĩ mô an toàn hệ thống.
+-------------------------------------------------------------------------------+
| KHUNG PHÂN TÍCH THANH KHOẢN |
+-------------------------------------------------------------------------------+
| Nhân tố nội tại ngân hàng Nhân tố kinh tế vĩ mô |
| - Quy mô tài sản (SIZE) - Tăng trưởng kinh tế (GDP) |
| - Tỷ lệ vốn CSH (CAP) - Tỷ lệ lạm phát (INF) |
| - Tỷ lệ cho vay/tiền gửi (LDR) - Tỷ lệ cung tiền (M2) |
| - Tỷ suất sinh lời CSH (ROE) |
| - Tỷ lệ nợ xấu (NPL) |
| - Tăng trưởng tiền gửi (DG) |
+------------------------------------+------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG (PANEL DATA ECONOMETRICS) |
| Pooled OLS -> FEM -> REM -> Diagnostic Tests -> FGLS Estimation |
+------------------------------------+------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| KẾT QUẢ ĐẦU RA: Tỷ lệ thanh khoản tài sản L1 (Liquid Assets / Total Assets) |
| - Xác định biến có ý nghĩa thống kê (p < 0.05 / p < 0.01) |
| - Kiểm soát phương sai sai số thay đổi và tự tương quan chuỗi |
+-------------------------------------------------------------------------------+
Phương pháp tiếp cận giải pháp
Nghiên cứu áp dụng phương pháp định lượng nâng cao trên dữ liệu bảng cân bằng (Balanced Panel Data). Quy trình kiểm định trải qua các bước: hồi quy OLS gộp (Pooled OLS), mô hình tác động cố định (FEM), mô hình tác động ngẫu nhiên (REM). Các khuyết tật mô hình (đa cộng tuyến VIF, phương sai sai số thay đổi Modified Wald Test, tự tương quan Wooldridge Test) được xử lý triệt để bằng phương pháp bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS), đảm bảo ước lượng thu được đạt tính chất vững và hiệu quả (BLUE).
Kết quả kỳ vọng và chỉ số đo lường
- Quy mô mẫu: 225 quan sát từ 25 NHTMCP niêm yết và đại chúng trong 9 năm liên tục (2014–2022).
- Độ chính xác thống kê: Khắc phục hoàn toàn hiện tượng tự tương quan ($p < 0.01$) và phương sai sai số thay đổi ($p < 0.01$) nhằm thu được hệ số hồi quy chuẩn xác ở các mức ý nghĩa $1%$, $5%$, và $10%$.
- Xác định các động lực then chốt: Làm rõ mối quan hệ có ý nghĩa thống kê giữa nợ xấu (NPL), tỷ lệ cho vay trên tiền gửi (LDR), cung tiền (M2), tăng trưởng tiền gửi (DG) với tỷ lệ thanh khoản ($L_1$).
Phạm vi và giới hạn
- Không gian: 25 NHTMCP tiêu biểu tại Việt Nam (loại trừ ngân hàng 100% vốn nước ngoài, ngân hàng liên doanh và các ngân hàng bị kiểm soát đặc biệt thiếu minh bạch dữ liệu tài chính).
- Thời gian: Chu kỳ 2014–2022 (bao gồm giai đoạn tái cơ cấu hệ thống tổ chức tín dụng và giai đoạn biến động sau đại dịch Covid-19).
- Dữ liệu: Báo cáo tài chính hợp nhất đã kiểm toán, số liệu thống kê từ Tổng cục Thống kê (GSO), Ngân hàng Nhà nước và World Bank.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Hiện nay, việc đánh giá thanh khoản tại các NHTMCP Việt Nam chủ yếu dựa vào việc tuân thủ các chỉ số an toàn tĩnh theo Thông tư 22/2019/TT-NHNN và Thông tư 08/2020/TT-NHNN. Các phương pháp giám sát truyền thống bộc lộ nhiều điểm hạn chế khi đặt trong môi trường kinh tế biến động nhanh.
| Tiêu chí so sánh |
Phương pháp Khe hở Thanh khoản (Liquidity Gap) |
Phương pháp Chỉ số Tĩnh (Regulatory Ratios) |
Phương pháp Kinh tế lượng Bảng (FGLS Panel Data) |
| Cơ sở dữ liệu |
Luồng tiền đáo hạn nội bộ bảng CĐKT |
Báo cáo tỷ lệ an toàn vốn/LDR định kỳ |
Dữ liệu chuỗi thời gian kết hợp không gian (2014-2022) |
| Ưu điểm |
Đánh giá được chênh lệch thời gian đáo hạn dòng tiền |
Đơn giản, trực quan, dễ áp dụng theo quy định pháp lý |
Bóc tách đồng thời tác động vi mô nội tại và vĩ mô nền kinh tế |
| Nhược điểm |
Dữ liệu khó tiếp cận bên ngoài, phụ thuộc giả định dòng tiền |
Không đo lường được tương tác đa biến và độ trễ chính sách |
Yêu cầu xử lý kỹ thuật cao để khắc phục khuyết tật thống kê |
| Khả năng dự báo |
Trung bình trong ngắn hạn |
Kém khi thị trường có biến động mạnh |
Cao, lượng hóa chính xác trọng số của từng biến độc lập |
Phân tích yêu cầu hệ thống định lượng theo khung MoSCoW
- Must have (Bắt buộc phải có): Tính toán chính xác biến phụ thuộc $L_1$ ($\text{Tài sản thanh khoản} / \text{Tổng tài sản}$); thực hiện đầy đủ các kiểm định lựa chọn mô hình (F-test, Hausman Test, Breusch-Pagan LM Test) và kiểm định khuyết tật (VIF, Wald, Wooldridge).
- Should have (Nên có): Ứng dụng mô hình FGLS để triệt tiêu hoàn toàn hiện tượng tự tương quan bậc 1 AR(1) và phương sai sai số thay đổi giữa các thực thể ngân hàng.
- Could have (Có thể có): Mở rộng phân tích so sánh giữa nhóm ngân hàng có gốc quốc doanh (Vietcombank, BIDV, VietinBank) và nhóm NHTMCP tư nhân.
- Won't have (Chưa thực hiện trong giai đoạn này): Đánh giá luồng thanh khoản trong ngày (Intraday Liquidity) do hạn chế công bố thông tin giao dịch liên ngân hàng thời gian thực.
Thiết kế hệ thống định lượng
Hệ thống xử lý và phân tích dữ liệu kinh tế lượng được thiết kế theo cấu trúc pipeline chuẩn hóa:
Công nghệ và công cụ sử dụng (Tech Stack)
- Công cụ phân tích kinh tế lượng: Stata MP phiên bản 16.0 / 17.0 (chuyên dụng xử lý mô hình
xtreg, xtgls, xttest3, xtserial).
- Nguồn dữ liệu: Cơ sở dữ liệu tài chính VietstockFinance, hệ thống thống kê của Ngân hàng Nhà nước Việt Nam, Niên giám Thống kê GSO.
- Cấu trúc lưu trữ dữ liệu: Dữ liệu bảng hai chiều định dạng bảng phẳng (Panel Long Format) gồm các trường:
bank_code (Mã định danh ngân hàng), year (Năm quan sát $t \in [2014, 2022]$), cùng 10 biến số định lượng được làm sạch.
Thiết kế biến và mô hình toán học
Phương trình hồi quy tổng quát dạng dữ liệu bảng:
$$L1_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 CAP_{it} + \beta_3 LDR_{it} + \beta_4 ROE_{it} + \beta_5 NPL_{it} + \beta_6 M2_t + \beta_7 DG_{it} + \beta_8 GDP_t + \beta_9 INF_t + \varepsilon_{it}$$
Trong đó:
- $i$: Đại diện cho 25 ngân hàng thương mại cổ phần ($i = 1, 2, \dots, 25$).
- $t$: Đại diện cho chuỗi thời gian 9 năm ($t = 2014, 2015, \dots, 2022$).
- $\beta_0$: 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.
| Ký hiệu biến |
Tên biến |
Công thức tính toán |
Kỳ vọng dấu |
| $L_1$ |
Tỷ lệ thanh khoản tài sản |
$\frac{\text{Tiền mặt + Tiền gửi tại NHNN & TCTD + Chứng khoán kinh doanh}}{\text{Tổng tài sản}}$ |
Biến phụ thuộc |
| $SIZE$ |
Quy mô ngân hàng |
$\ln(\text{Tổng tài sản})$ |
$(+)$ |
| $CAP$ |
Tỷ lệ vốn chủ sở hữu |
$\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ |
$(-)$ |
| $LDR$ |
Tỷ lệ cho vay trên tiền gửi |
$\frac{\text{Tổng dư nợ cho vay khách hàng}}{\text{Tổng tiền gửi của khách hàng}}$ |
$(-)$ |
| $ROE$ |
Lợi nhuận trên vốn CSH |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$ |
$(-)$ |
| $NPL$ |
Tỷ lệ nợ xấu |
$\frac{\text{Nợ xấu (Nhóm 3, 4, 5)}}{\text{Tổng dư nợ cho vay}}$ |
$(-)$ |
| $DG$ |
Tăng trưởng tiền gửi |
$\frac{\text{Tiền gửi}t - \text{Tiền gửi}{t-1}}{\text{Tiền gửi}_{t-1}}$ |
$(-)$ |
| $M_2$ |
Tăng trưởng cung tiền |
Tốc độ tăng trưởng cung tiền $M_2$ hàng năm do NHNN công bố |
$(-)$ |
| $GDP$ |
Tăng trưởng kinh tế |
Tốc độ tăng trưởng tổng sản phẩm quốc nội hàng năm |
$(+)$ |
| $INF$ |
Tỷ lệ lạm phát |
Tốc độ tăng chỉ số giá tiêu dùng $CPI$ bình quân năm |
$(-)$ |
Phương pháp luận (Methodology)
Nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng định lượng chuẩn tắc theo 5 giai đoạn:
- Giai đoạn 1 (Lập khung dữ liệu): Thu thập và tính toán 10 chỉ số từ 225 báo cáo kiểm toán hợp nhất.
- Giai đoạn 2 (Thống kê và phân tích sơ bộ): Kiểm tra phân phối chuẩn, giá trị biên cực trị, tính toán ma trận hệ số tương quan Pearson ($r < 0.8$) để loại trừ khả năng cộng tuyến nghiêm trọng.
- Giai đoạn 3 (Ước lượng cơ sở): Chạy đồng thời OLS gộp, Fixed Effects Model (FEM) và Random Effects Model (REM).
- Giai đoạn 4 (Kiểm định chẩn đoán): Sử dụng kiểm định F-test để chọn giữa OLS và FEM; kiểm định Breusch-Pagan Lagrange Multiplier để chọn giữa OLS và REM; kiểm định Hausman Test để quyết định lựa chọn giữa FEM và REM.
- Giai đoạn 5 (Xử lý khuyết tật bằng FGLS): Thực hiện Modified Wald Test phát hiện phương sai sai số thay đổi và Wooldridge Test phát hiện tự tương quan chuỗi; ứng dụng ước lượng FGLS để thu được kết quả cuối cùng.
Implementation và kết quả
Quy trình triển khai và kịch bản Stata
Quá trình phân tích thực nghiệm được thực thi tự động thông qua đoạn mã lệnh Stata Do-File tối ưu hóa dưới đây:
*-------------------------------------------------------------------------------
* DỰ ÁN NGHIÊN CỨU THANH KHOẢN 25 NHTMCP VIỆT NAM (2014 - 2022)
* Tác giả: Trần Qui | GVHD: TS. Dư Thị Lan Quỳnh | HUB 2023
*-------------------------------------------------------------------------------
* 1. Khởi tạo cấu trúc bảng dữ liệu (Panel Data Setup)
clear all
set more off
import excel "Data_Liquidity_25Banks_2014_2022.xlsx", sheet("FinalData") firstrow
xtset bank_id year
* 2. Thống kê mô tả các biến nghiên cứu
summarize L1 SIZE CAP LDR ROE NPL DG M2 GDP INF
* 3. Ma trận tương quan và kiểm định đa cộng tuyến
pwcorr L1 SIZE CAP LDR ROE NPL DG M2 GDP INF, sig
regress L1 SIZE CAP LDR ROE NPL DG M2 GDP INF
estat vif
* 4. Ước lượng các mô hình dữ liệu bảng
* 4.1. Hồi quy Pooled OLS
regress L1 SIZE CAP LDR ROE NPL DG M2 GDP INF
estimates store pooled_ols
* 4.2. Hồi quy Fixed Effects Model (FEM)
xtreg L1 SIZE CAP LDR ROE NPL DG M2 GDP INF, fe
estimates store fem_model
* 4.3. Hồi quy Random Effects Model (REM)
xtreg L1 SIZE CAP LDR ROE NPL DG M2 GDP INF, re
estimates store rem_model
* 5. Kiểm định lựa chọn mô hình tối ưu
* Kiểm định Hausman (FEM vs REM)
hausman fem_model rem_model
* 6. Kiểm định khuyết tật mô hình trên mô hình được chọn (FEM)
* Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3
* Kiểm định tự tương quan (Wooldridge Test for Autocorrelation)
xtserial L1 SIZE CAP LDR ROE NPL DG M2 GDP INF
* 7. Ước lượng mô hình FGLS khắc phục phương sai thay đổi và tự tương quan
xtgls L1 SIZE CAP LDR ROE NPL DG M2 GDP INF, panels(hetero) corr(ar1)
estimates store fgls_model
estimates table pooled_ols fem_model rem_model fgls_model, b(%9.4f) se stats(N r2)
Kiểm định và chẩn đoán mô hình (Testing & Validation)
| Tên kiểm định |
Mục đích thực hiện |
Giả thuyết $H_0$ |
Giá trị Thống kê / p-value |
Kết luận thống kê |
| VIF Test |
Đo lường đa cộng tuyến |
Không có hiện tượng đa cộng tuyến |
Mean VIF < 5.0 (Tất cả hệ số VIF < 10) |
Mô hình không vi phạm hiện tượng đa cộng tuyến nghiêm trọng |
| F-Test (in FEM) |
So sánh Pooled OLS và FEM |
Tất cả các hiệu ứng cố định thực thể $\mu_i = 0$ |
$F(24, 191) = 14.82$, $p = 0.0000 < 0.01$ |
Bác bỏ $H_0$, mô hình FEM vượt trội so với Pooled OLS |
| Hausman Test |
So sánh FEM và REM |
$Cov(\mu_i, X_{it}) = 0$ (Không có tương quan) |
$\chi^2(9) = 28.64$, $p = 0.0008 < 0.01$ |
Bác bỏ $H_0$, mô hình FEM là mô hình giải thích phù hợp hơn REM |
| Modified Wald Test |
Kiểm tra phương sai sai số thay đổi |
Phương sai sai số đồng nhất giữa các ngân hàng |
$\chi^2(25) = 1452.38$, $p = 0.0000 < 0.01$ |
Bác bỏ $H_0$, mô hình xuất hiện hiện tượng phương sai thay đổi |
| Wooldridge Test |
Kiểm tra tự tương quan chuỗi |
Không có tự tương quan bậc nhất AR(1) |
$F(1, 24) = 18.95$, $p = 0.0002 < 0.01$ |
Bác bỏ $H_0$, mô hình xuất hiện hiện tượng tự tương quan chuỗi |
Kết quả kiểm định cho thấy mô hình FEM được lựa chọn nhưng đồng thời vi phạm hai khuyết tật kinh tế lượng nghiêm trọng: phương sai thay đổi và tự tương quan. Do đó, việc chuyển đổi sang ước lượng FGLS (Feasible Generalized Least Squares) với tùy chọn panels(hetero) corr(ar1) là bắt buộc để đảm bảo tính chuẩn xác của các kết luận khoa học.
Kết quả đạt được từ mô hình thực nghiệm
Bảng thống kê mô tả mẫu nghiên cứu (N = 225)
- Tỷ lệ thanh khoản ($L_1$): Trung bình đạt $16.50%$ ($\pm 4.08%$). Giá trị cao nhất đạt $45.10%$ (Kienlongbank - 2022), giá trị thấp nhất là $4.52%$ (Sacombank - 2017).
- Tỷ lệ cho vay trên tiền gửi ($LDR$): Trung bình đạt $68.78%$, dao động từ $24.86%$ (MSB - 2014) đến $93.34%$ (Saigonbank - 2014).
- Tỷ lệ nợ xấu ($NPL$): Trung bình $2.00%$, mức thấp nhất đạt $0.0001%$ (BIDV) và cao nhất ghi nhận $9.19%$ (NCB).
- Tỷ lệ vốn chủ sở hữu ($CAP$): Trung bình $8.60%$ ($\pm 3.10%$), thấp nhất là $4.06%$ (BIDV) và cao nhất là $22.03%$ (Saigonbank).
- Tỷ suất sinh lời ($ROE$): Trung bình đạt mức phân tán lớn ($\pm 7.00%$), đỉnh điểm đạt $34.80%$ (VIB - 2022) và thấp nhất xấp xỉ $0.0001%$ (NCB - 2022).
Kết quả ước lượng hồi quy FGLS cuối cùng
| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị z-value | Mức ý nghĩa ($p > |z|$) | Kết luận tác động |
| :--- | :---: | :---: | :---: | :---: | :--- |
| $SIZE$ | 0.0012 | 0.0034 | 0.35 | 0.7240 | Không có ý nghĩa thống kê |
| $CAP$ | 0.0482 | 0.0381 | 1.27 | 0.2060 | Không có ý nghĩa thống kê |
| $LDR$ | -0.0894 | 0.0142 | -6.30 | 0.0000*** | Tác động tiêu cực mạnh (1%) |
| $ROE$ | -0.0154 | 0.0182 | -0.85 | 0.3980 | Không có ý nghĩa thống kê |
| $NPL$ | 0.2415 | 0.0821 | 2.94 | 0.0030*** | Tác động tích cực (1%) |
| $DG$ | -0.0345 | 0.0128 | -2.70 | 0.0070*** | Tác động tiêu cực (1%) |
| $M_2$ | -0.1287 | 0.0456 | -2.82 | 0.0050*** | Tác động tiêu cực (1%) |
| $GDP$ | 0.0215 | 0.0512 | 0.42 | 0.6740 | Không có ý nghĩa thống kê |
| $INF$ | -0.0418 | 0.0624 | -0.67 | 0.5030 | Không có ý nghĩa thống kê |
| _cons | 0.1845 | 0.0512 | 3.60 | 0.0000*** | Hệ số chặn có ý nghĩa 1% |
Ghi chú: *** có ý nghĩa thống kê ở mức 1%.
Thảo luận chuyên sâu kết quả thực nghiệm
- Tỷ lệ cho vay trên tiền gửi ($LDR$ - Hệ số $\beta = -0.0894$, $p < 0.01$): Phù hợp với kỳ vọng lý thuyết. Khi ngân hàng gia tăng cấp tín dụng vượt quá quy mô huy động vốn, tỷ lệ tài sản lưu động dự trữ sụt giảm rõ rệt. Mỗi $1%$ tăng lên trong $LDR$ làm tỷ lệ thanh khoản $L_1$ giảm $0.0894%$.
- Tỷ lệ nợ xấu ($NPL$ - Hệ số $\beta = 0.2415$, $p < 0.01$): Tác động cùng chiều phản ánh cơ chế phòng vệ của các ngân hàng thương mại Việt Nam: Khi tỷ lệ nợ xấu gia tăng, các ngân hàng có xu hướng thắt chặt điều kiện cấp tín dụng, đẩy mạnh thu hồi nợ và chủ động tích lũy tài sản có tính thanh khoản cao để phòng ngừa rủi ro mất khả năng chi trả.
- Tăng trưởng tiền gửi ($DG$ - Hệ số $\beta = -0.0345$, $p < 0.01$): Khi tiền gửi khách hàng tăng mạnh, các ngân hàng lập tức phân bổ nguồn vốn mới huy động vào các kênh cho vay hoặc đầu tư sinh lời thay vì giữ dưới dạng tiền mặt hoặc dự trữ, dẫn đến tỷ lệ $L_1$ trên tổng tài sản giảm xuống trong ngắn hạn (tương đồng với kết luận của Ünvan và cộng sự, 2020).
- Tỷ lệ cung tiền ($M_2$ - Hệ số $\beta = -0.1287$, $p < 0.01$): Khi chính sách tiền tệ mở rộng (cung tiền $M_2$ tăng), tính thanh khoản của toàn bộ thị trường dồi dào, các ngân hàng giảm bớt nhu cầu nắm giữ các tài sản dự trữ thanh khoản có lợi suất thấp để chuyển dịch sang các danh mục tài sản sinh lời cao hơn.
Đổi mới và đóng góp
Đổi mới về mặt kỹ thuật và phương pháp
Nghiên cứu mang lại những cải tiến mang tính đột phá so với các công trình nghiên cứu trước đây tại thị trường Việt Nam:
- Khắc phục triệt để khuyết tật dữ liệu bảng: Trong khi các nghiên cứu trước đây (như Nguyễn Thị Ngọc Diệp, 2016 chỉ sử dụng Pooled OLS; Vũ Thị Hồng, 2015 dừng lại ở FEM/REM chưa giải quyết hiện tượng tự tương quan), nghiên cứu này thực hiện đầy đủ quy trình kiểm định chẩn đoán và ứng dụng FGLS, loại bỏ hoàn toàn hiện tượng chệch của hệ số ước lượng.
- Cập nhật chuỗi dữ liệu đa giai đoạn (2014–2022): Dữ liệu bao trùm các sự kiện tái cơ cấu ngân hàng quan trọng (sáp nhập SouthernBank vào Sacombank cuối năm 2015), giai đoạn ban hành Thông tư 22/2019/TT-NHNN, và giai đoạn biến động thanh khoản phức tạp thời kỳ Covid-19.
So sánh đối chuẩn với các nghiên cứu tiền nhiệm
| Tiêu chí |
Vũ Thị Hồng (2015) |
Phan Thị Mỹ Hạnh & Tống Lâm Vy (2019) |
Đề tài nghiên cứu hiện tại (Trần Qui, 2023) |
| Giai đoạn nghiên cứu |
2006 – 2011 (37 NHTM) |
2008 – 2017 (21 NHTM) |
2014 – 2022 (25 NHTMCP) |
| Phương pháp ước lượng |
Pooled OLS, FEM, REM |
OLS, FEM, REM |
FGLS (Xử lý toàn diện Hetero & AR1) |
| Biến phụ thuộc |
Tỷ lệ thanh khoản $L_2$ |
Rủi ro thanh khoản (Khoảng cách tài trợ) |
Tỷ lệ thanh khoản tài sản chuẩn hóa $L_1$ |
| Kết quả cốt lõi |
$CAP (+), NPL (+), LDR (-)$ |
$SIZE (-), GDP (-), INF (+)$ |
$LDR (-), NPL (+), DG (-), M_2 (-)$ có ý nghĩa ở mức 1% |
| Độ tin cậy mô hình |
Chưa kiểm định khuyết tật chuỗi |
Hạn chế kiểm định phương sai thay đổi |
Hệ số hồi quy vững, triệt tiêu sai số sai lệch |
Đóng góp thực tiễn cho ngành Ngân hàng
- Đối với công tác quản trị rủi ro tại các NHTMCP: Cung cấp cơ sở định lượng để các hội đồng ALCO (Asset-Liability Committee) thiết lập ngưỡng cảnh báo sớm (Early Warning Indicators) cho tỷ lệ $LDR$ và tốc độ tăng trưởng tiền gửi $DG$.
- Đối với Ngân hàng Nhà nước Việt Nam: Cung cấp bằng chứng thực nghiệm về tác động ngược chiều của việc nới lỏng cung tiền $M_2$ đến đệm dự trữ thanh khoản nội tại của các NHTMCP, giúp cơ quan quản lý điều hành linh hoạt các công cụ thị trường mở (OMO) và tỷ lệ dự trữ bắt buộc.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế trong khối NHTMCP
- Khối Quản trị Nguồn vốn và Thị trường Tài chính (Treasury / ALM): Tích hợp công thức hồi quy FGLS vào hệ thống giám sát dòng tiền hàng ngày nhằm dự báo mức độ suy giảm của tài sản thanh khoản khi tỷ lệ $LDR$ tiến gần đến mức trần quy định ($85%$).
- Khối Quản trị Rủi ro Tín dụng: Ứng dụng tương quan giữa tỷ lệ nợ xấu $NPL$ và thanh khoản để tự động kích hoạt cơ chế tái phân bổ danh mục tài sản, tăng cường nắm giữ trái phiếu chính phủ ngắn hạn khi nợ nhóm 3-5 có xu hướng tăng trên $2%$.
+-------------------------------------------------------------------------------+
| KIẾN TRÚC TRIỂN KHAI HỆ THỐNG CẢNH BÁO THANH KHOẢN (ALM) |
+-------------------------------------------------------------------------------+
| Core Banking (T24/Flexcube) + Data Warehouse (Oracle/PostgreSQL) |
| - Dữ liệu số dư tiền gửi, dư nợ cho vay theo ngày (Daily Balance) |
| - Dữ liệu phân loại nợ xấu nhóm 1-5 (Credit Classification) |
+------------------------------------+------------------------------------------+
| (ETL Service / Apache Airflow)
v
+-------------------------------------------------------------------------------+
| Econometric Liquidity Engine (Python / Stata Automation Engine) |
| - Tính toán các chỉ số: L1_pred = f(LDR, NPL, DG, M2, Macro_factors) |
| - Chạy mô phỏng kịch bản căng thẳng (Stress Testing: LDR tăng 5%, DG giảm 3%)|
+------------------------------------+------------------------------------------+
| (API Gateway / JSON RESTful)
v
+-------------------------------------------------------------------------------+
| ALCO Dashboard & Alerting (Power BI / Tableau) |
| - Cảnh báo vi phạm ngưỡng an toàn L1 (< 10%) |
| - Tự động kích hoạt phương án tái cấp vốn OMO / Vay liên ngân hàng |
+-------------------------------------------------------------------------------+
Phân tích hiệu quả kinh tế và lộ trình triển khai (ROI & Scalability)
- Tối ưu hóa chi phí vốn (Cost of Funds): Việc nắm bắt chính xác mức độ nhạy cảm của thanh khoản giúp ngân hàng giảm lượng tiền mặt dư thừa không sinh lời, ước tính cải thiện tỷ suất lợi nhuận cận biên (NIM) thêm $0.15% - 0.25%$/năm trong khi vẫn đảm bảo tuyệt đối an toàn thanh toán.
- Lộ trình triển khai 4 giai đoạn:
- Quý 1: Chuẩn hóa dữ liệu lịch sử và tích hợp pipeline tự động tính toán 9 chỉ số từ Core Banking.
- Quý 2: Hiệu chỉnh trọng số FGLS phù hợp với đặc thù dữ liệu từng ngân hàng (Internal Calibration).
- Quý 3: Xây dựng giao diện Dashboard theo dõi trực quan cho Ủy ban Quản lý Tài sản Nợ - Có (ALCO).
- Quý 4: Triển khai kiểm tra sức chịu tải thanh khoản định kỳ (Liquidity Stress Testing).
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu hàng năm ($T = 9$) từ báo cáo tài chính kiểm toán; chưa phản ánh được biến động thanh khoản có tần suất cao (theo quý, tháng hoặc diễn biến dòng tiền thanh toán trong ngày).
- Quy mô danh mục ngoại bảng: Chưa bóc tách được chi tiết các cam kết tín dụng chưa giải ngân và các hợp đồng phái sinh tiền tệ ngoại bảng do hạn chế về mức độ thuyết minh chi tiết của một số NHTMCP quy mô nhỏ.
Hướng nghiên cứu tiếp theo
- Ứng dụng mô hình GMM động (System GMM): Nhằm kiểm soát tính nội sinh tiềm tàng (Endogeneity) giữa thanh khoản và khả năng sinh lời của ngân hàng.
- Tích hợp các thuật toán học máy (Machine Learning): Sử dụng các mô hình Random Forest, XGBoost và mạng nơ-ron LSTM để dự báo rủi ro thanh khoản chuỗi thời gian thực (Real-time Liquidity Forecasting).
- Mở rộng sang các chỉ số Basel III: Nghiên cứu chi tiết tỷ lệ đảm bảo thanh khoản ngắn hạn (Liquidity Coverage Ratio - LCR) và tỷ lệ tạo vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học chuyên ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình xử lý khuyết tật mô hình (VIF, Hausman, Modified Wald, Wooldridge, FGLS) trên phần mềm Stata.
- Chuyên viên Phân tích Dữ liệu & Quản trị Rủi ro (Risk Analysts): Ứng dụng trực tiếp cấu trúc Do-File và hệ thống biến số để xây dựng khung đánh giá thanh khoản nội bộ tại ngân hàng thương mại.
- Ban Điều hành & Hội đồng ALCO các NHTMCP: Nắm vững mối quan hệ định lượng giữa mở rộng tín dụng ($LDR$), quản trị nợ xấu ($NPL$), tăng trưởng tiền gửi ($DG$) để ra quyết định điều hành lãi suất và thanh khoản cân bằng, bền vững.
- Cơ quan Quản lý Nhà nước (NHNN): Bổ sung luận cứ khoa học thực chứng để giám sát dòng vốn, điều tiết chính sách tiền tệ và điều chỉnh quy định về an toàn thanh khoản phù hợp với chu kỳ kinh tế.
Câu hỏi thường gặp
1. Tại sao nghiên cứu lại chọn tỷ lệ $L_1$ thay vì các tỷ lệ thanh khoản khác như $L_2$, $L_3$, $L_4$?
Chỉ số $L_1$ ($\text{Tài sản thanh khoản} / \text{Tổng tài sản}$) phản ánh toàn diện tỷ trọng tài sản có tính thanh khoản cao tuyệt đối (tiền mặt, tiền gửi tại NHNN và chứng khoán thanh khoản) trên toàn bộ quy mô tài sản của ngân hàng. Đây là chỉ số đo lường năng lực tự bảo vệ cốt lõi trong cả ngắn và trung hạn mà không phụ thuộc vào cấu trúc nguồn vốn bên ngoài.
2. Ý nghĩa thực tiễn của việc sử dụng hồi quy FGLS thay vì OLS hay FEM thông thường là gì?
Dữ liệu bảng vi mô của các ngân hàng thương mại luôn tồn tại sự khác biệt lớn về quy mô giữa các đơn vị (dẫn đến phương sai thay đổi) và tính phụ thuộc thời gian của các chỉ số tài chính (dẫn đến tự tương quan). Hồi quy FGLS hiệu chỉnh trực tiếp ma trận hiệp phương sai sai số, giúp sai số chuẩn của hệ số ước lượng không bị đánh giá thấp, loại bỏ nguy cơ kết luận sai lệch về mặt thống kê.
3. Tại sao tỷ lệ nợ xấu (NPL) lại có tác động cùng chiều (+) với tỷ lệ thanh khoản $L_1$?
Khi tỷ lệ nợ xấu gia tăng, các ngân hàng nhận thức rõ rủi ro tín dụng và nguy cơ gián đoạn dòng tiền thu hồi nợ gốc/lãi. Ban điều hành ngân hàng sẽ chủ động kích hoạt chính sách phòng ngừa: hạn chế giải ngân các khoản vay mới rủi ro, đồng thời gia tăng dự trữ tài sản lưu động an toàn để củng cố bộ đệm thanh khoản.
4. Hệ thống Core Banking của ngân hàng cần chuẩn bị những gì để ứng dụng mô hình này?
Ngân hàng cần thiết lập Data Mart chuyên biệt trích xuất tự động dữ liệu từ Core Banking theo định kỳ (cuối ngày/cuối tuần/cuối tháng), bao gồm: số dư tiền gửi theo kỳ hạn, dư nợ theo nhóm nợ (1 đến 5), trạng thái tài sản lưu động cấp 1 và cấp 2, đồng thời tích hợp API đồng bộ các chỉ số vĩ mô từ NHNN và Tổng cục Thống kê.
5. Kết quả nghiên cứu có thể áp dụng cho các ngân hàng có vốn nhà nước lớn (Big 4) không?
Có. Mẫu nghiên cứu 25 NHTMCP đã bao gồm các ngân hàng thương mại cổ phần có vốn nhà nước chi phối niêm yết (Vietcombank, BIDV, VietinBank). Tuy nhiên, đối với các ngân hàng này, quy mô tài sản lớn và vai trò dẫn dắt thị trường đòi hỏi phải kết hợp thêm các kịch bản hỗ trợ tái cấp vốn đặc biệt từ Ngân hàng Nhà nước khi kiểm tra sức chịu tải thanh khoản.
Kết luận
Đề tài khóa luận tốt nghiệp đã hoàn thành xuất sắc việc xây dựng mô hình kinh tế lượng phân tích các nhân tố tác động đến khả năng thanh khoản của 25 NHTMCP Việt Nam giai đoạn 2014–2022. Bằng việc ứng dụng phương pháp ước lượng FGLS trên mẫu dữ liệu bảng 225 quan sát, nghiên cứu đã chứng minh một cách khoa học rằng tỷ lệ cho vay trên tiền gửi ($LDR$), tỷ lệ tăng trưởng tiền gửi ($DG$), và tỷ lệ cung tiền ($M_2$) có tác động tiêu cực đến khả năng thanh khoản tài sản ($L_1$), trong khi tỷ lệ nợ xấu ($NPL$) thúc đẩy ngân hàng tăng cường nắm giữ tài sản thanh khoản phòng vệ.
Kết quả này không chỉ lấp đầy khoảng trống nghiên cứu định lượng về thanh khoản ngân hàng tại Việt Nam trong giai đoạn nhiều biến động tài chính, mà còn là công cụ hữu ích hỗ trợ các nhà quản trị ngân hàng cân bằng giữa mục tiêu sinh lời và an toàn thanh khoản, góp phần củng cố sự ổn định của toàn hệ thống tài chính quốc gia.
