Giới thiệu dự án

Khả năng thanh khoản là yếu tố sống còn quyết định sự an toàn và ổn định của hệ thống ngân hàng thương mại (NHTM). Sau giai đoạn tái cơ cấu hệ thống tổ chức tín dụng (2011–2015 và 2016–2020), ngành ngân hàng Việt Nam tiếp tục đối mặt với áp lực thanh khoản nghiêm trọng trong giai đoạn 2022–2023. Các biến động từ thị trường bất động sản đóng băng, thị trường trái phiếu doanh nghiệp bị thắt chặt, cùng làn sóng lạm phát toàn cầu đã đẩy mặt bằng lãi suất huy động có thời điểm vượt ngưỡng 10%–12,25%/năm (điển hình tại NHTMCP Quốc Dân với 12,25%/năm cho kỳ hạn trên 12 tháng), kéo theo lãi suất cho vay leo thang lên 15%–17%/năm. Sự chênh lệch kỳ hạn giữa nguồn vốn huy động ngắn hạn và tài sản cho vay trung - dài hạn (Maturity Mismatch) đã tạo ra lỗ hổng thanh khoản tiềm ẩn lớn cho toàn hệ thống.

+-------------------------------------------------------------------------------+
|                            VẤN ĐỀ CỐT LÕI (PAIN POINTS)                       |
+-------------------------------------------------------------------------------+
| 1. Áp lực nợ xấu gia tăng sau đại dịch COVID-19 làm tắc nghẽn dòng tiền hồi lưu |
| 2. Rủi ro kỳ hạn nghiêm trọng khi tỷ lệ vốn ngắn hạn cho vay trung dài hạn cao|
| 3. Chuyển dịch dòng vốn sang hoạt động đầu tư làm giảm dự trữ thanh khoản sơ cấp|
| 4. Biến động kinh tế vĩ mô (Lạm phát, Thất nghiệp, Tăng trưởng cung tiền M2)  |
+-------------------------------------------------------------------------------+

Đề tài khóa luận tập trung giải quyết bài toán định lượng rủi ro thanh khoản thông qua các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận và xác định 9 nhóm yếu tố nội tại và vĩ mô ảnh hưởng trực tiếp đến thanh khoản của các NHTMCP Việt Nam.
  2. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) trên mẫu nghiên cứu gồm 28 NHTMCP niêm yết trong giai đoạn 10 năm (2014–2023).
  3. Đánh giá, đo lường mức độ tác động và kiểm định các khuyết tật mô hình trên phần mềm STATA 17.0, từ đó đề xuất hệ thống hàm ý quản trị thanh khoản bền vững.

Phương pháp tiếp cận dựa trên mô hình hồi quy đa biến dữ liệu bảng, kết hợp kiểm định lựa chọn mô hình Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và áp dụng phương pháp Feasible Generalized Least Squares (FGLS) để loại trừ triệt để hiện tượng tự tương quan và phương sai sai số thay đổi. Phạm vi nghiên cứu bao phủ 28 NHTMCP đại diện cho hơn 80% tổng tài sản toàn hệ thống ngân hàng Việt Nam, đảm bảo tính đại diện và giá trị thực tiễn cao cho các nhà quản trị rủi ro.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp tiếp cận truyền thống trong quản trị thanh khoản thường chỉ xem xét các chỉ tiêu đơn lẻ trên bảng cân đối kế toán hoặc các tỷ lệ an toàn tĩnh theo quy định của Ngân hàng Nhà nước (NHNN).

Phương pháp đánh giá Ưu điểm Nhược điểm Khả năng ứng dụng
Tỷ lệ thanh khoản tĩnh (Current/Quick Ratio) Đơn giản, dễ tính toán từ BCTC Không phản ánh động lực dòng tiền và yếu tố vĩ mô Thấp trong quản trị hiện đại
Khe hở tài trợ (Financing Gap - FGAP) Đo lường độ lệch kỳ hạn tài sản - công nợ Đòi hỏi dữ liệu chi tiết nội bộ, khó so sánh chéo Trung bình
Hồi quy dữ liệu bảng đa biến (Panel Econometrics) Kiểm soát đặc thù ngân hàng và biến động chu kỳ kinh tế Đòi hỏi kỹ thuật xử lý khuyết tật thống kê phức tạp Rất cao, toàn diện 
+--------------------------------------------------------------------------+
|                 PHÂN TÍCH NHU CẦU THEO MÔ HÌNH MoSCoW                    |
+--------------------------------------------------------------------------+
| [M] MUST HAVE  : Xử lý dữ liệu BCTC kiểm toán 28 NHTMCP (2014-2023),     |
|                  kiểm định khuyết tật mô hình (VIF, Hausman, Wooldridge) |
| [S] SHOULD HAVE: Bổ sung các biến mới: Hoạt động đầu tư (INVES),         |
|                  Tỷ lệ thất nghiệp (UNT), Cung tiền M2, Biến giả COVID   |
| [C] COULD HAVE : So sánh chéo tác động giữa các nhóm quy mô ngân hàng     |
| [W] WON'T HAVE : Không phân tích các ngân hàng 100% vốn nước ngoài       |
+--------------------------------------------------------------------------+

Thiết kế hệ thống

Khung phân tích kinh tế lượng được thiết kế theo quy trình xử lý dữ liệu và ước lượng chuẩn mực nhằm đảm bảo tính vững của các hệ số hồi quy:

[Thu thập dữ liệu thứ cấp] (BCTC 28 NHTM + Tổng cục Thống kê 2014-2023)
[Tiền xử lý & Chuẩn hóa dữ liệu] (Microsoft Excel & STATA 17.0 Data Engine)
[Thống kê mô tả & Ma trận tương quan Pearson] (Phát hiện đa cộng tuyến sơ bộ)

Phương trình kinh tế lượng tổng quát:

$$\text{LIQUI}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{CREDIT}{it} + \beta_3 \text{NPL}{it} + \beta_4 \text{CAP}{it} + \beta_5 \text{LDR}{it} + \beta_6 \text{INVES}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{UNT}_t + \beta_9 \text{INF}t + \beta{10} \text{M2}t + \beta{11} \text{COVID}t + \varepsilon{it}$$

Trong đó:

  • Biến phụ thuộc: $\text{LIQUI}_{it} = \frac{\text{Tổng tiền gửi} - \text{Tổng tài sản thanh khoản}}{\text{Tổng tài sản}}$
  • Nhóm biến vi mô nội tại: Quy mô tài sản ($\text{SIZE} = \ln(\text{TTS})$), Tăng trưởng tín dụng ($\text{CREDIT}$), Tỷ lệ nợ xấu ($\text{NPL}$), Tỷ lệ vốn chủ sở hữu ($\text{CAP}$), Tỷ lệ cho vay trên huy động ($\text{LDR}$), Hoạt động đầu tư ($\text{INVES}$).
  • Nhóm biến vĩ mô & ngoại sinh: Tăng trưởng GDP ($\text{GDP}$), Tỷ lệ thất nghiệp ($\text{UNT}$), Tỷ lệ lạm phát ($\text{INF}$), Tăng trưởng cung tiền $\text{M2}$ ($\text{M2}$), Biến giả đại dịch $\text{COVID}$ ($2020-2022 = 1$, các năm khác $= 0$).

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm với chu trình 4 giai đoạn logic:

  • Giai đoạn 1: Data Collection & Auditing: Trích xuất dữ liệu từ 280 báo cáo tài chính kiểm toán hợp nhất của 28 NHTMCP và các niên giám thống kê vĩ mô giai đoạn 2014–2023.
  • Giai đoạn 2: Model Estimation: Thực hiện ước lượng tham số qua 3 mô hình cơ bản: POLS, FEM và REM.
  • Giai đoạn 3: Diagnostic Tests: Sử dụng kiểm định F-test và Breusch-Pagan LM để so sánh POLS với FEM/REM; kiểm định Hausman để lựa chọn giữa FEM và REM. Tiến hành kiểm định tự tương quan (Wooldridge Test) và kiểm định phương sai thay đổi (Modified Wald Test).
  • Giai đoạn 4: Robust Estimation: Áp dụng mô hình FGLS (Feasible Generalized Least Squares) để khắc phục toàn bộ các sai phạm giả định cổ điển.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được tự động hóa bằng hệ thống mã lệnh STATA Do-File tối ưu hóa:

* ==============================================================================
* STATA 17.0 SCRIPT: LIQUIDITY DETERMINANTS OF VIETNAMESE COMMERCIAL BANKS
* ==============================================================================
clear all
set more off

* 1. Khai báo cấu trúc Dữ liệu bảng (Panel Data)
insheet using "bank_liquidity_data_2014_2023.csv", clear
xtset bank_id year

* 2. Thống kê mô tả & Ma trận hệ số tương quan
summarize LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID
pwcorr LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID, star(0.05) sig

* 3. Ước lượng mô hình OLS, FEM, REM
reg LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID
estimates store POLS

xtreg LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID, fe
estimates store FEM

xtreg LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID, re
estimates store REM

* 4. Kiểm định lựa chọn mô hình
hausman FEM REM

* 5. Kiểm định khuyết tật: Tự tương quan & Phương sai sai số thay đổi
xtserial LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID
xttest3

* 6. Khắc phục khuyết tật bằng mô hình FGLS (Cross-sectional heteroskedasticity & AR1)
xtgls LIQUI SIZE CREDIT NPL CAP LDR INVES GDP UNT INF M2 COVID, ///
      panels(heteroskedastic) corr(ar1)

Testing và validation

Kết quả chẩn đoán mô hình qua các bài kiểm định thống kê:

  • Đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} < 10$ đối với tất cả các biến độc lập (Mean $\text{VIF} = 2,14$), xác nhận không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  • Ma trận tương quan: Biến $\text{LDR}$ có hệ số tương quan dương mạnh nhất với $\text{LIQUI}$ ($r = 0,8844$), trong khi biến $\text{INVES}$ có mối quan hệ âm đáng kể ($r = -0,4683$).
  • Kiểm định Hausman: Giá trị $\text{Prob} > \chi^2 < 0,05$, chỉ ra mô hình FEM phù hợp hơn REM.
  • Kiểm định khuyết tật: Kiểm định Wooldridge ghi nhận sự tồn tại của tự tương quan bậc 1 ($p < 0,05$), và kiểm định Modified Wald xác nhận hiện tượng phương sai sai số thay đổi giữa các thực thể ngân hàng ($p < 0,001$). Do đó, ước lượng FGLS là lựa chọn bắt buộc để đảm bảo tính không chệch và hiệu quả (BLUE).
+-------------------------------------------------------------------------------+
|                      KẾT QUẢ HỒI QUY THEO MÔ HÌNH FGLS                        |
+------------+-------------+----------------+-------------+---------------------+
| Biến       | Hệ số hồi quy| Sai số chuẩn   | Giá trị z   | Mức ý nghĩa (P>|z|) |
+------------+-------------+----------------+-------------+---------------------+
| SIZE       |   -0.0142   |     0.0051     |    -2.78    | 0.005 *** (Âm)      |
| CREDIT     |    0.0089   |     0.0112     |     0.79    | 0.427 (Ký hiệu KYN) |
| NPL        |   -0.4215   |     0.1834     |    -2.30    | 0.021 ** (Âm)       |
| CAP        |   -0.3120   |     0.0915     |    -3.41    | 0.001 *** (Âm)      |
| LDR        |    0.6482   |     0.0318     |    20.38    | 0.000 *** (Dương)   |
| INVES      |   -0.1845   |     0.0891     |    -2.07    | 0.038 ** (Âm)       |
| GDP        |    0.0012   |     0.0028     |     0.43    | 0.668 (Ký hiệu KYN) |
| UNT        |   -0.0385   |     0.0172     |    -2.24    | 0.025 ** (Âm)       |
| INF        |   -0.0021   |     0.0035     |    -0.60    | 0.548 (Ký hiệu KYN) |
| M2         |    0.0874   |     0.0361     |     2.42    | 0.016 ** (Dương)    |
| COVID      |   -0.0278   |     0.0094     |    -2.96    | 0.003 *** (Âm)      |
| _cons      |    0.2841   |     0.0924     |     3.07    | 0.002 ***           |
+------------+-------------+----------------+-------------+---------------------+
Ghi chú: *** p < 0.01, ** p < 0.05, * p < 0.1.

Kết quả đạt được

  • Tác động tích cực (Cùng chiều):
    • $\text{LDR}$ ($\beta = 0,6482, p < 0,01$): Tỷ lệ cho vay trên huy động tăng làm nới rộng khe hở thanh khoản, gia tăng rủi ro thanh khoản của ngân hàng.
    • $\text{M2}$ ($\beta = 0,0874, p < 0,05$): Cung tiền mở rộng hỗ trợ thanh khoản hệ thống dồi dào, nâng cao khả năng tiếp cận vốn huy động.
  • Tác động tiêu cực (Ngược chiều):
    • $\text{SIZE}$ ($\beta = -0,0142, p < 0,01$): Các ngân hàng có quy mô tài sản lớn quản trị thanh khoản tốt hơn nhờ khả năng tiếp cận thị trường liên ngân hàng linh hoạt và danh mục tài sản đa dạng ("Too big to fail").
    • $\text{CAP}$ ($\beta = -0,3120, p < 0,01$): Vốn chủ sở hữu dày tạo tấm đệm phòng thủ vững chắc, giảm phụ thuộc vào nguồn vốn vay ngắn hạn rủi ro.
    • $\text{NPL}$ ($\beta = -0,4215, p < 0,05$): Nợ xấu bào mòn dòng tiền vào, tăng trích lập dự phòng và đóng băng nguồn vốn khả dụng.
    • $\text{INVES}$ ($\beta = -0,1845, p < 0,05$): Tỷ trọng tài sản phân bổ vào hoạt động đầu tư dài hạn làm giảm tỷ trọng dự trữ thanh khoản sơ cấp.
    • $\text{UNT}$ ($\beta = -0,0385, p < 0,05$) & $\text{COVID}$ ($\beta = -0,0278, p < 0,01$): Gia tăng tỷ lệ thất nghiệp và cú sốc đại dịch gây đứt gãy dòng tiền trả nợ từ khách hàng cá nhân và doanh nghiệp.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến học thuật và thực tiễn rõ rệt so với các công trình trước đây tại thị trường Việt Nam:

+-----------------------------------------------------------------------------------+
|               BẢNG SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ TÍNH MỚI CỦA ĐỀ TÀI              |
+--------------------------+-----------------------+--------------------------------+
| Nghiên cứu trước         | Phạm vi & Giới hạn    | Đóng góp cải tiến của Khóa luận|
+--------------------------+-----------------------+--------------------------------+
| Vũ Cẩm Nhung et al.      | 24 NHTM (2010–2022),  | Mở rộng 28 NHTM (2014–2023),   |
| (2023)                   | Chưa xét biến Đầu tư  | bổ sung biến INVES và COVID-19 |
+--------------------------+-----------------------+--------------------------------+
| Nguyễn Thị Thu Trang     | 28 NHTM (2012–2021),  | Cập nhật giai đoạn khủng hoảng |
| et al. (2023)            | Dừng ở mô hình OLS/FEM| thanh khoản 2022–2023, FGLS    |
+--------------------------+-----------------------+--------------------------------+
| Olga Golubeva et al.     | 45 Ngân hàng Châu Âu  | Bản địa hóa mô hình theo đặc thù|
| (2019)                   | Quy định Basel III    | thị trường mới nổi Việt Nam   |
+--------------------------+-----------------------+--------------------------------+
  1. Bổ sung biến thực nghiệm mới: Lần đầu tiên đưa biến Hoạt động đầu tư ($\text{INVES}$) và Tỷ lệ thất nghiệp ($\text{UNT}$) vào mô hình thanh khoản ngân hàng tại Việt Nam, lấp đầy khoảng trống nghiên cứu về vai trò của tài sản đầu tư như một hình thức dự trữ thứ cấp.
  2. Xử lý triệt để khuyết tật dữ liệu bảng: Không dừng lại ở mô hình FEM/REM thông thường, nghiên cứu sử dụng thuật toán ước lượng FGLS hiệu chỉnh tự tương quan $AR(1)$ và phương sai không đồng nhất đa phần tử, tăng độ tin cậy của ước lượng lên trên 95%.
  3. Bộ dữ liệu 10 năm liền mạch: Bao phủ trọn vẹn chu kỳ tái cơ cấu ngân hàng, giai đoạn bùng phát đại dịch COVID-19 và biến động thanh khoản mạnh mẽ của thị trường tài chính năm 2022–2023.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (ALM Framework)

Kết quả thực nghiệm là cơ sở khoa học để Ủy ban Quản lý Tài sản Nợ - Tài sản Có (ALCO) tại các NHTMCP tái thiết lập khung quản trị rủi ro thanh khoản:

[Kiểm soát Tỷ lệ LDR]          [Tối ưu hóa Danh mục INVES]     [Tăng cường Đệm Vốn CAP]
- Giới hạn trần LDR <= 85%     - Tăng tỷ trọng TPCP thanh      - Nâng hệ số CAR >= 10.5%
- Giám sát khe hở kỳ hạn       khoản cao (HQLA)                theo Basel II/III
- Đa dạng hóa nguồn huy động   - Hạn chế tài sản kém thanh khoản
  1. Tái cơ cấu tỷ lệ cho vay trên huy động (LDR): Duy trì tỷ lệ LDR dưới mức trần 85% theo Thông tư 22/2019/TT-NHNN, chủ động điều tiết tốc độ tăng trưởng tín dụng tương xứng với tốc độ tăng trưởng tiền gửi bền vững.
  2. Cân đối danh mục dự trữ thứ cấp (INVES): Tối ưu hóa cơ cấu danh mục đầu tư bằng cách tăng tỷ trọng các tài sản có tính thanh khoản cao (High-Quality Liquid Assets - HQLA) như Trái phiếu Chính phủ, Tín phiếu Kho bạc có thể chiết khấu ngay tại NHNN qua nghiệp vụ thị trường mở (OMO).
  3. Củng cố nền tảng vốn tự có (CAP): Tăng vốn điều lệ và lợi nhuận giữ lại để cải thiện tỷ lệ an toàn vốn (CAR), xây dựng vùng đệm vốn dự phòng hấp thụ các cú sốc nợ xấu bất ngờ.

Hạn chế và hướng phát triển

  • Hạn chế về dữ liệu: Mẫu nghiên cứu chỉ bao gồm 28 NHTMCP niêm yết có đầy đủ báo cáo tài chính kiểm toán và thuyết minh giai đoạn 2014–2023; chưa bao gồm các NHTM Nhà nước chưa niêm yết (Agribank) hoặc các ngân hàng thuộc diện chuyển giao bắt buộc do thiếu hụt số liệu công khai.
  • Hạn chế về chỉ tiêu đo lường: Nghiên cứu sử dụng dữ liệu tần suất năm ($Annual$), chưa phản ánh được các biến động thanh khoản ngắn hạn nội bảng theo ngày hoặc tháng.
  • Hướng phát triển tương lai:
    1. Ứng dụng mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) để kiểm soát nội sinh tiềm tàng giữa thanh khoản và nợ xấu.
    2. Khai thác dữ liệu quý kết hợp kỹ thuật Stress Testing đa kịch bản theo chuẩn mực Basel III (LCR, NSFR).
    3. Xây dựng mô hình Machine Learning (Random Forest, XGBoost) trên dữ liệu chuỗi thời gian để dự báo sớm nguy cơ mất thanh khoản tức thời.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                       GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN                  |
+--------------------------+----------------------------------------------------+
| Đối tượng                | Giá trị và Ứng dụng thực tiễn                      |
+--------------------------+----------------------------------------------------+
| Sinh viên & Học viên     | Tài liệu tham khảo chuẩn mực về phương pháp luận   |
|                          | kinh tế lượng dữ liệu bảng và script STATA 17.0    |
+--------------------------+----------------------------------------------------+
| Chuyên viên ALM & Risk   | Bộ tham số trọng yếu để thiết lập ngưỡng cảnh báo  |
| Managers tại NHTM        | sớm và quản trị tỷ lệ LDR, CAP, NPL tối ưu         |
+--------------------------+----------------------------------------------------+
| Cơ quan Quản lý (NHNN)   | Căn cứ thực nghiệm để điều hành cung tiền M2, lãi  |
|                          | suất tái chiết khấu và giám sát an toàn hệ thống   |
+--------------------------+----------------------------------------------------+
| Nhà đầu tư & Doanh nghiệp| Tiêu chí định lượng đánh giá sức khỏe tài chính và |
|                          | độ an toàn của từng ngân hàng trước khi gửi tiền   |
+--------------------------+----------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để tái lập (reproduce) mô hình nghiên cứu?

Để chạy lại toàn bộ mô hình kinh tế lượng, người dùng cần chuẩn bị phần mềm STATA phiên bản 16.0 trở lên (khuyến nghị STATA 17.0 MP) hoặc Python (thư viện linearmodels, statsmodels). Dữ liệu đầu vào cần cấu trúc dạng bảng chuẩn (Long format) gồm 2 biến định danh: bank_id (1 đến 28) và year (2014 đến 2023).

2. Vì sao mô hình FGLS được ưu tiên hơn Fixed Effects Model (FEM) trong nghiên cứu này?

Mặc dù kiểm định Hausman chỉ ra FEM là mô hình phù hợp hơn REM, nhưng các kiểm định chẩn đoán sau hồi quy cho thấy mô hình xuất hiện đồng thời hai khuyết tật nghiêm trọng: Phương sai sai số thay đổi giữa các ngân hàng (Modified Wald Test có $p < 0,001$) và Tự tương quan chuỗi bậc 1 (Wooldridge Test có $p < 0,05$). Mô hình FGLS với tùy chọn panels(hetero) corr(ar1) là giải pháp chuẩn xác nhất để khắc phục triệt để hai khuyết tật này, cho ra sai số chuẩn vững và ước lượng hiệu quả nhất.

3. Kết quả biến Quy mô tài sản (SIZE) mang dấu âm có ý nghĩa gì đối với các NHTMCP Việt Nam?

Hệ số hồi quy âm của biến $\text{SIZE}$ mang ý nghĩa kinh tế lượng: khi ngân hàng có quy mô tài sản càng lớn thì khe hở rủi ro thanh khoản càng thu hẹp, tức khả năng thanh khoản tốt hơn. Điều này giải thích bởi các NHTMCP lớn sở hữu mạng lưới huy động rộng khắp, mức độ uy tín cao, danh mục tài sản đa dạng và dễ dàng tiếp cận nguồn vốn tái cấp vốn từ NHNN hoặc vay mượn qua thị trường liên ngân hàng (Thị trường 2).

4. Chi phí duy trì hệ thống dữ liệu và cập nhật mô hình định kỳ là bao nhiêu?

Chi phí vận hành mô hình rất thấp do toàn bộ dữ liệu BCTC của các ngân hàng niêm yết đều được công bố công khai định kỳ hàng quý/năm theo quy định của Ủy ban Chứng khoán Nhà nước và NHNN. Ngân hàng chỉ cần phân bổ nhân sự phân tích dữ liệu cập nhật Do-File vào cuối mỗi kỳ báo cáo tài chính.

5. Làm thế nào để NHTM kiểm soát tỷ lệ LDR mà vẫn duy trì tăng trưởng lợi nhuận?

Ngân hàng cần chuyển dịch cơ cấu thu nhập từ hoạt động tín dụng truyền thống sang tăng thu nhập ngoài lãi (Non-Interest Income) từ dịch vụ thanh toán, ngân hàng số, bảo hiểm (Bancassurance) và tư vấn tài chính. Đồng thời, áp dụng chính sách lãi suất huy động linh hoạt theo kỳ hạn để tối ưu hóa nguồn vốn giá rẻ (CASA), giảm thiểu chi phí vốn huy động.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện mục tiêu nghiên cứu thông qua việc phân tích thực nghiệm tác động của 9 nhóm yếu tố nội tại và vĩ mô đến tính thanh khoản của 28 NHTMCP Việt Nam trong giai đoạn 2014–2023. Bằng việc ứng dụng phương pháp hồi quy dữ liệu bảng nâng cao và mô hình FGLS, nghiên cứu chứng minh rõ rệt vai trò quyết định của tỷ lệ cho vay trên huy động ($\text{LDR}$), cung tiền $\text{M2}$, quy mô tài sản ($\text{SIZE}$), tỷ lệ vốn chủ sở hữu ($\text{CAP}$), tỷ lệ nợ xấu ($\text{NPL}$), tỷ lệ thất nghiệp ($\text{UNT}$) và cú sốc đại dịch $\text{COVID-19}$. Các kết quả nghiên cứu không chỉ đóng góp thêm bằng chứng thực nghiệm giá trị cho học thuật tài chính ngân hàng tại các thị trường mới nổi, mà còn là công cụ định lượng hỗ trợ các nhà hoạch định chính sách và ban điều hành NHTMCP xây dựng chiến lược quản trị thanh khoản chủ động, an toàn và bền vững trong tương lai.