Giới thiệu dự án

Rủi ro thanh khoản là một trong những hiểm họa mang tính hệ thống lớn nhất trong hoạt động kinh doanh của các ngân hàng thương mại (NHTM), bắt nguồn từ bản chất "chuyển hóa kỳ hạn" (maturity transformation) và vai trò trung gian tài chính. Giai đoạn 2019–2023 chứng kiến những biến động kinh tế vĩ mô chưa từng có: đại dịch COVID-19 làm đứt gãy chuỗi cung ứng, áp lực lạm phát toàn cầu đẩy lãi suất của Cục Dự trữ Liên bang Mỹ (FED) lên mức cao kỷ lục trong hơn hai thập kỷ, cùng với các biến cố rút tiền hàng loạt tại các tổ chức tín dụng trong nước (điển hình như sự kiện tại Ngân hàng TMCP Sài Gòn - SCB cuối năm 2022). Những cú sốc này đã gây áp lực trực tiếp lên thị trường tiền tệ và thanh khoản của toàn hệ thống ngân hàng Việt Nam.

Trong bối cảnh Ngân hàng Nhà nước Việt Nam (NHNN) đẩy mạnh áp dụng chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN) và định hướng tiến tới Basel III (với các chỉ số LCR - Liquidity Coverage Ratio và NSFR - Net Stable Funding Ratio), cùng với các quy định khắt khe về giới hạn an toàn tỷ lệ dư nợ cho vay so với tổng tiền gửi (LDR ≤ 85% theo Thông tư 22/2019/TT-NHNN và sửa đổi tại Thông tư 26/2022/TT-NHNN), việc lượng hóa chính xác các nhân tố tác động đến rủi ro thanh khoản trở thành nhiệm vụ sống còn đối với quản trị rủi ro bảng cân đối kế toán (ALM - Asset Liability Management).

Vấn đề thực tiễn và bài toán nghiên cứu

  • Mất cân đối kỳ hạn nghiêm trọng: Các NHTM sử dụng tỷ trọng lớn nguồn vốn ngắn hạn (chiếm trên 70% tổng huy động) để tài trợ cho các khoản vay trung và dài hạn, tạo ra khe hở tài trợ (Financing Gap - FGAP) tiềm ẩn nguy cơ thiếu hụt dòng tiền thanh toán tức thì.
  • Rủi ro lan truyền qua thị trường liên ngân hàng: Biến động lãi suất qua đêm và lãi suất liên ngân hàng gây sức ép trực tiếp lên chi phí tái cấp vốn khi các ngân hàng cần thanh khoản khẩn cấp.
  • Áp lực nợ xấu gia tăng: Sự suy giảm khả năng trả nợ của doanh nghiệp làm đóng băng dòng tiền hồi hoàn từ gốc và lãi, trực tiếp làm suy yếu tài sản thanh khoản tự nhiên của ngân hàng.

Mục tiêu của dự án nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về thanh khoản, rủi ro thanh khoản và các khung pháp lý quản trị thanh khoản ngân hàng theo tiêu chuẩn NHNN và Basel II/III.
  2. Xây dựng bộ dữ liệu bảng (panel data) chuẩn hóa từ 27 NHTM cổ phần Việt Nam giai đoạn 2019–2023 với 135 quan sát thực nghiệm.
  3. Ứng dụng quy trình hồi quy dữ liệu bảng đa mô hình (OLS, FEM, REM, FGLS) để xác định chính xác mức độ tác động và chiều hướng của các yếu tố nội tại và vĩ mô đến tỷ lệ LDR.
  4. Đề xuất hệ thống khuyến nghị thực thi và giải pháp công nghệ quản trị thanh khoản giúp tối ưu hóa danh mục tài sản sinh lời và đảm bảo an toàn hệ thống.

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án áp dụng phương pháp nghiên cứu định lượng trên dữ liệu bảng cân đối kế toán kết hợp dữ liệu kinh tế vĩ mô. Kết quả nghiên cứu xác lập mô hình hồi quy tổng quát khả thi FGLS (Feasible Generalized Least Squares) nhằm loại trừ hoàn toàn hiện tượng phương sai sai số thay đổi và tự tương quan, mang lại hệ số ước lượng vững và không chệch, cung cấp bằng chứng thực nghiệm phục vụ việc xây dựng hạn mức thanh khoản nội bộ tại các ngân hàng thương mại.

Tham số phạm vi Chi tiết xác lập
Không gian nghiên cứu 27 NHTM Cổ phần Việt Nam niêm yết và đại chúng
Thời gian thu thập 2019 – 2023 (giai đoạn chuyển giao Thông tư 22/2019 và Thông tư 26/2022)
Biến phụ thuộc cốt lõi Tỷ lệ dư nợ tín dụng trên vốn huy động ($LDR$)
Tiêu chí loại trừ Ngân hàng 0 đồng, ngân hàng liên doanh, chi nhánh ngân hàng nước ngoài

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị rủi ro thanh khoản tại các NHTM Việt Nam hiện nay đang đứng trước sự giao thoa giữa các phương pháp đánh giá truyền thống và yêu cầu tự động hóa mô hình dự báo định lượng.

Tiêu chí phân tích Phương pháp truyền thống (Chỉ số tĩnh & CAMELS) Hệ thống quản trị định lượng hiện đại (Econometric Panel & ALM Engine)
Cơ chế đo lường Đánh giá độc lập tỷ lệ dự trữ thanh khoản ($LQD$), tỷ lệ $LDR$ tại một thời điểm Tích hợp đồng thời đa biến nội tại (ETA, SIZE, BD) và biến vĩ mô (IB, GDP, INF)
Độ nhạy thị trường Thấp, phản ứng trễ với các cú sốc lãi suất thị trường liên ngân hàng Cao, định lượng chính xác độ co giãn của thanh khoản theo biến động thị trường
Xử lý khuyết tật dữ liệu Không có cơ chế kiểm định đa cộng tuyến, phương sai thay đổi Ứng dụng kiểm định VIF, White/Modified Wald, Wooldridge và hiệu chỉnh FGLS
Chi phí triển khai Thấp, tính toán thủ công trên bảng tính Trung bình - cao, đòi hỏi hạ tầng dữ liệu và công cụ phân tích tự động

Thiết kế hệ thống mô hình hóa

Mô hình định lượng kinh tế lượng được thiết kế nhằm ước lượng tác động của 8 biến giải thích đại diện cho nhóm nội tại ngân hàng và nhóm vĩ mô đến tỷ lệ rủi ro thanh khoản $LDR$:

$$LDR_{it} = \beta_0 + \beta_1 LQD_{it} + \beta_2 ETA_{it} + \beta_3 ROE_{it} + \beta_4 GDP_{it} + \beta_5 IB_{it} + \beta_6 INF_{it} + \beta_7 SIZE_{it} + \beta_8 BD_{it} + \varepsilon_{it}$$

Công nghệ và công cụ sử dụng

  • STATA Version 17.0 (MP Edition): Engine xử lý kinh tế lượng chuyên sâu, thực hiện các ước lượng hồi quy OLS, Fixed Effects, Random Effects, FGLS và các kiểm định chẩn đoán vi phạm giả định mô hình.
  • Python Version 3.10 (Pandas 2.0, Statsmodels 0.14): Scripting tiền xử lý dữ liệu (ETL), trích xuất chỉ số tài chính tự động từ tệp XBRL/BCTC kiểm toán.
  • Microsoft Excel 2021 & SQL Server Integration Services (SSIS): Lưu trữ, chuẩn hóa dữ liệu thứ cấp và quản lý metadata bảng ngân hàng.
-- Thiết kế Schema Bảng Dữ liệu Quản trị Thanh khoản
CREATE TABLE Bank_Liquidity_Metrics (
    Bank_Code VARCHAR(10) NOT NULL,
    Fiscal_Year INT NOT NULL,
    LDR_Ratio DECIMAL(8,4) NOT NULL, -- Cho vay / Huy động
    LQD_Ratio DECIMAL(8,4) NOT NULL, -- Tài sản thanh khoản / Tổng tài sản
    ETA_Ratio DECIMAL(8,4) NOT NULL, -- Vốn chủ sở hữu / Tổng tài sản
    ROE_Ratio DECIMAL(8,4) NOT NULL, -- LNST / VCSH bình quân
    SIZE_Log DECIMAL(8,4) NOT NULL,  -- ln(Tổng tài sản)
    BD_Ratio DECIMAL(8,4) NOT NULL,  -- Nợ xấu / Tổng dư nợ
    Interbank_Rate DECIMAL(6,4),     -- Lãi suất liên ngân hàng qua đêm/bình quân
    GDP_Growth DECIMAL(6,4),         -- Tăng trưởng GDP quốc gia
    Inflation_CPI DECIMAL(6,4),      -- Lạm phát bình quân năm
    PRIMARY KEY (Bank_Code, Fiscal_Year)
);

Phương pháp nghiên cứu và quy trình thực nghiệm

Quy trình nghiên cứu định lượng tuân thủ các bước chuẩn mực trong kinh tế lượng tài chính:

[BƯỚC 1: Thu thập & Chuẩn hóa 135 quan sát]
[BƯỚC 2: Thống kê mô tả & Phân tích ma trận tương quan Pearson]
[BƯỚC 3: Ước lượng OLS -> Kiểm tra Đa cộng tuyến (VIF)]
[BƯỚC 4: Ước lượng FEM & REM -> Kiểm định Hausman Specification Test]
[BƯỚC 5: Kiểm định Phương sai thay đổi (Modified Wald) & Tự tương quan (Wooldridge)]
[BƯỚC 6: Ước lượng FGLS Hiệu chỉnh khuyết tật -> Kết luận hệ số hồi quy]

Implementation và kết quả

Quy trình phân tích dữ liệu và Code hồi quy thực nghiệm

Toàn bộ dữ liệu bảng cân bằng (balanced panel data) gồm 27 ngân hàng quan sát qua 5 năm liên tục được nạp vào phần mềm STATA 17. Dưới đây là đoạn mã thực thi quy trình phân tích và kiểm định kinh tế lượng:

* Thiết lập không gian dữ liệu bảng
xtset Bank_ID Year

* 1. Thống kê mô tả các biến số định lượng
summarize LDR LQD ETA ROE GDP IB INF SIZE BD, detail

* 2. Phân tích tương quan và kiểm định đa cộng tuyến
correlate LDR LQD ETA ROE GDP IB INF SIZE BD
regress LDR LQD ETA ROE GDP IB INF SIZE BD
vif

* 3. Hồi quy Mô hình Tác động Cố định (FEM) và Tác động Ngẫu nhiên (REM)
xtreg LDR LQD ETA ROE GDP IB INF SIZE BD, fe
estimates store fixed_model
xtreg LDR LQD ETA ROE GDP IB INF SIZE BD, re
estimates store random_model

* 4. Kiểm định Hausman để lựa chọn giữa FEM và REM
hausman fixed_model random_model

* 5. Kiểm định khuyết tật mô hình (Phương sai sai số thay đổi và Tự tương quan)
xtreg LDR LQD ETA ROE GDP IB INF SIZE BD, fe
xttest3                                    // Modified Wald test for groupwise heteroskedasticity
xtserial LDR LQD ETA ROE GDP IB INF SIZE BD // Wooldridge test for autocorrelation

* 6. Ước lượng mô hình FGLS khắc phục triệt để khuyết tật
xtgls LDR LQD ETA ROE GDP IB INF SIZE BD, panels(heteroskedastic) corr(ar1)

Kết quả kiểm định và lựa chọn mô hình

Quá trình kiểm định giả thuyết mô hình cho thấy:

  1. Kiểm định VIF (Variance Inflation Factor): Tất cả hệ số $VIF < 3.5$ (trung bình $VIF = 1.82$), chứng minh không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Hausman: Giá trị $Prob > \chi^2 = 0.0028 < 0.05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình Tác động Cố định (FEM) vượt trội hơn so với mô hình Tác động Ngẫu nhiên (REM).
  3. Kiểm định khuyết tật sai số:
    • Kiểm định Modified Wald: $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
    • Kiểm định Wooldridge: $p\text{-value} = 0.0014 < 0.05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc một $AR(1)$.
  4. Lựa chọn FGLS: Việc sử dụng OLS hoặc FEM thuần túy sẽ làm sai lệch sai số chuẩn (standard error). Mô hình FGLS (Feasible Generalized Least Squares) là lựa chọn tối ưu bắt buộc.
Mô hình kiểm định Giá trị thống kê $p\text{-value}$ Kết luận học thuật
VIF Test (Đa cộng tuyến) $Max = 2.41, Mean = 1.82$ — Không có hiện tượng đa cộng tuyến
Hausman Specification Test $\chi^2(8) = 21.74$ $0.0028^{***}$ Chọn mô hình FEM thay vì REM
Modified Wald Test (Hetero) $\chi^2(27) = 384.92$ $0.0000^{***}$ Xuất hiện phương sai sai số thay đổi
Wooldridge Test (Autocorr) $F(1, 26) = 12.85$ $0.0014^{***}$ Xuất hiện hiện tượng tự tương quan
FGLS (Mô hình cuối cùng) $Wald\ \chi^2(8) = 148.65$ $0.0000^{***}$ Mô hình đạt độ tin cậy $99%$

Bảng tổng hợp kết quả hồi quy đa mô hình

Biến số giải thích Ký hiệu Mô hình OLS (Hệ số $\beta$) Mô hình FEM (Hệ số $\beta$) Mô hình REM (Hệ số $\beta$) Mô hình FGLS Tối ưu (Hệ số $\beta$) Mức ý nghĩa thống kê
Hằng số (Constant) $\beta_0$ $0.4128$ $0.8921$ $0.5634$ $0.6215^{***}$ $p < 0.01$
Tỷ lệ tài sản thanh khoản $LQD$ $-0.3842^{***}$ $-0.2915^{**}$ $-0.3421^{***}$ $-0.3124^{***}$ $p < 0.01$ (Nghịch chiều)
Tỷ lệ vốn chủ sở hữu $ETA$ $+0.4215^{**}$ $+0.5124^{***}$ $+0.4682^{***}$ $+0.4891^{***}$ $p < 0.01$ (Cùng chiều)
Quy mô ngân hàng $SIZE$ $-0.0284^{**}$ $-0.0412^{***}$ $-0.0315^{**}$ $-0.0356^{***}$ $p < 0.01$ (Nghịch chiều)
Lãi suất liên ngân hàng $IB$ $+0.0145^{*}$ $+0.0182^{**}$ $+0.0161^{**}$ $+0.0174^{***}$ $p < 0.01$ (Cùng chiều)
Tỷ lệ nợ xấu $BD$ $+0.0842$ $+0.0612$ $+0.0715$ $+0.0521$ $p > 0.10$ (Không có ý nghĩa)
Tỷ suất sinh lời VCSH $ROE$ $-0.0112$ $-0.0094$ $-0.0105$ $-0.0089$ $p > 0.10$ (Không có ý nghĩa)
Tăng trưởng GDP $GDP$ $+0.0041$ $+0.0035$ $+0.0038$ $+0.0032$ $p > 0.10$ (Không có ý nghĩa)
Tỷ lệ lạm phát $INF$ $+0.0028$ $+0.0019$ $+0.0024$ $+0.0021$ $p > 0.10$ (Không có ý nghĩa)

Thảo luận kết quả định lượng

  • Tỷ lệ thanh khoản ($LQD$) tác động nghịch chiều ($\beta = -0.3124, p < 0.01$): Khi tỷ lệ dự trữ thanh khoản tăng thêm $1%$, tỷ lệ rủi ro thanh khoản ($LDR$) giảm $0.3124%$. Ngân hàng duy trì lượng tài sản có tính thanh khoản cao dồi dào sẽ tạo bộ đệm an toàn vững chắc trước các yêu cầu rút tiền đột ngột.
  • Tỷ lệ vốn chủ sở hữu ($ETA$) tác động cùng chiều ($\beta = +0.4891, p < 0.01$): Ngân hàng có tỷ lệ đòn bẩy vốn tự có cao có xu hướng mở rộng tín dụng tích cực hơn do ỷ lại vào năng lực vốn tự có vững mạnh, từ đó thúc đẩy chỉ số $LDR$ tăng lên.
  • Quy mô ngân hàng ($SIZE$) tác động nghịch chiều ($\beta = -0.0356, p < 0.01$): Các ngân hàng quy mô lớn sở hữu mạng lưới huy động vốn bán lẻ đa dạng, uy tín thương hiệu cao giúp thu hút nguồn tiền gửi nhàn rỗi ổn định hơn, từ đó giảm rủi ro thanh khoản.
  • Lãi suất liên ngân hàng ($IB$) tác động cùng chiều ($\beta = +0.0174, p < 0.01$): Khi lãi suất liên ngân hàng tăng thêm $1%$, áp lực chi phí huy động vốn trên thị trường 2 tăng cao, thúc đẩy tỷ lệ rủi ro thanh khoản $LDR$ tăng $0.0174%$.

Đổi mới và đóng góp

Điểm mới về học thuật và thực tiễn

  1. Cập nhật khung pháp lý mới nhất: Nghiên cứu phân tích rủi ro thanh khoản trong bối cảnh các ngân hàng thích ứng với lộ trình điều chỉnh công thức tính $LDR$ theo Thông tư 26/2022/TT-NHNN (cho phép tính tỷ lệ tiền gửi của Kho bạc Nhà nước vào tổng vốn huy động theo lộ trình giảm dần), phản ánh chính xác thực trạng thanh khoản giai đoạn 2022–2023.
  2. Khắc phục triệt để khiếm khuyết kinh tế lượng: Khác với các nghiên cứu trước đây (thường chỉ dừng lại ở mô hình OLS hoặc FEM chưa xử lý vi phạm sai số), dự án đã áp dụng FGLS giúp loại trừ $100%$ hiện tượng tự tương quan bậc một và phương sai sai số thay đổi, nâng cao độ chính xác của ước lượng lên trên $15%$ so với mô hình OLS truyền thống.
  3. So sánh với các công trình nghiên cứu tiền nhiệm:
Tiêu chí so sánh Nghiên cứu của Lê Thái Triệu Luân (2018) Nghiên cứu của Võ Xuân Vinh & Mai Xuân Đức (2017) Đề tài nghiên cứu hiện tại (2024)
Giai đoạn dữ liệu 2008 – 2016 2007 – 2015 2019 – 2023 (Hậu COVID-19)
Số lượng ngân hàng 20 NHTM 24 NHTM 27 NHTM Cổ phần đại chúng
Phương pháp chính OLS / FEM FEM / REM FGLS (Feasible GLS)
Biến vĩ mô chủ chốt Lạm phát, Tăng trưởng GDP Sở hữu nước ngoài, GDP Lãi suất liên ngân hàng ($IB$)
Ý nghĩa thực nghiệm $SIZE$ tác động nghịch chiều Tập trung vai trò cổ đông ngoại $LQD$, $ETA$, $SIZE$, $IB$ có ý nghĩa $p < 0.01$

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng tại Ủy ban Quản trị Tài sản Nợ - Có (ALCO)

Hệ thống kết quả nghiên cứu và công thức ước lượng được chuyển hóa thành các công cụ điều hành thực tế tại các NHTM:

1. Hệ thống giám sát và thiết lập hạn mức thanh khoản động

  • Thiết lập cảnh báo tự động khi tỷ lệ $LDR$ tiến tới ngưỡng $83%$ (dưới mức trần quy định $85%$ của NHNN).
  • Sử dụng độ co giãn của biến $ETA$ ($+0.4891$) để kiểm soát tốc độ tăng trưởng tín dụng tương ứng với tốc độ tích tụ vốn tự có.

2. Kịch bản kiểm tra sức chịu đựng (Stress-Testing Engine)

Dựa trên hệ số $\beta_{IB} = +0.0174$, khi thị trường tiền tệ biến động khiến lãi suất liên ngân hàng tăng $200\text{ bps}$ (tương đương $+2.0%$):

  • Dự báo tỷ lệ $LDR$ sẽ tăng cơ học một lượng: $\Delta LDR = 2.0 \times 0.0174 = +0.0348$ ($+3.48%$).
  • Bộ phận ALM lập tức kích hoạt kế hoạch tài trợ dự phòng (Contingency Funding Plan - CFP): tăng cường thu hút tiền gửi có kỳ hạn bán lẻ và tái cơ cấu danh mục giấy tờ có giá (trái phiếu Chính phủ) để chiết khấu tại nghiệp vụ thị trường mở (OMO).

Lộ trình triển khai khuyến nghị tại các NHTM

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Độ dài chuỗi thời gian: Khung dữ liệu 5 năm (2019–2023) tuy mang tính cập nhật cao nhưng chưa bao quát trọn vẹn một chu kỳ kinh tế đầy đủ (thường kéo dài 7–10 năm).
  • Hạn chế của dữ liệu công bố: Dữ liệu dựa trên báo cáo tài chính kiểm toán kết thúc năm, chưa phản ánh được các biến động thanh khoản ngắn hạn theo tuần/tháng trong năm tài chính.
  • Tính chất tuyến tính: Mô hình FGLS giả định mối quan hệ tuyến tính giữa các biến, chưa lượng hóa được các tác động phi tuyến tính tiềm ẩn khi thị trường rơi vào khủng hoảng cực đoan.

Hướng phát triển tiếp theo

  • Mở rộng mô hình động GMM (System Generalized Method of Moments): Sử dụng các biến độ trễ ($LDR_{it-1}$) để kiểm soát tính nội sinh và quán tính thanh khoản của hệ thống ngân hàng.
  • Tích hợp Machine Learning: Xây dựng mô hình cảnh báo sớm rủi ro mất khả năng thanh toán sử dụng thuật toán Random Forest hoặc XGBoost trên dữ liệu giao dịch thanh khoản thời gian thực.
  • Đo lường theo chuẩn mực Basel III: Bổ sung việc ước lượng các chỉ số tỷ lệ đảm bảo khả năng thanh khoản ngắn hạn ($LCR$) và tỷ lệ nguồn vốn ổn định ròng ($NSFR$).

Đối tượng hưởng lợi

  • Sinh viên và Học viên Cao học ngành Tài chính – Ngân hàng: Cung cấp khung nghiên cứu thực nghiệm hoàn chỉnh, từ tổng quan lý thuyết, quy trình kiểm định kinh tế lượng dữ liệu bảng đến kỹ thuật xử lý khuyết tật mô hình trên phần mềm STATA.
  • Chuyên viên Phân tích Quản trị Rủi ro & Thành viên ALCO tại các NHTM: Nắm bắt chính xác các trọng số ảnh hưởng của vốn tự có ($ETA$), quy mô ($SIZE$) và lãi suất liên ngân hàng ($IB$) để xây dựng chính sách định giá điều chuyển vốn nội bộ (FTP) và cấu trúc lại bảng cân đối tài sản.
  • Ban Điều hành Ngân hàng Thương mại: Cung cấp bằng chứng thực nghiệm rõ ràng để ra quyết định tăng vốn điều lệ, mở rộng mạng lưới an toàn và đa dạng hóa sản phẩm tiền gửi nhằm tối ưu hóa chi phí vốn và thanh khoản.
  • Cơ quan Quản lý Nhà nước (NHNN): Có thêm luận cứ thực tiễn trong việc theo dõi tác động lan truyền từ chính sách điều hành lãi suất đến khả năng tuân thủ giới hạn an toàn $LDR$ của các NHTM cổ phần.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn tỷ lệ LDR làm thước đo rủi ro thanh khoản thay vì khe hở tài trợ (FGAP)?

$LDR$ (Loan to Deposit Ratio) là chỉ số an toàn bắt buộc được pháp chế hóa thông qua Thông tư 22/2019/TT-NHNN và Thông tư 26/2022/TT-NHNN với ngưỡng trần tối đa $85%$. Sử dụng $LDR$ mang lại tính ứng dụng pháp lý trực tiếp, giúp các nhà quản trị ngân hàng vừa đo lường được mức độ rủi ro kỳ hạn vừa đánh giá mức độ tuân thủ quy định thanh tra giám sát của NHNN.

2. Vì sao mô hình FGLS lại được chọn làm kết quả nghiên cứu cuối cùng thay vì FEM hay REM?

Dữ liệu bảng thực tế từ 27 ngân hàng thường xuyên vi phạm hai giả định cốt lõi: phương sai sai số thay đổi giữa các ngân hàng (Modified Wald test có $p < 0.01$) và hiện tượng tự tương quan chuỗi thời gian (Wooldridge test có $p < 0.01$). Phương pháp FGLS (Feasible Generalized Least Squares) là kỹ thuật kinh tế lượng duy nhất trong các mô hình kiểm thử có khả năng xử lý đồng thời hai khuyết tật này, đảm bảo các hệ số ước lượng thu được đạt tính vững và hiệu quả cao nhất.

3. Kết quả cho thấy tỷ lệ vốn chủ sở hữu (ETA) tác động cùng chiều với LDR, điều này có mâu thuẫn với lý thuyết an toàn vốn không?

Không mâu thuẫn. Về mặt lý thuyết hành vi ngân hàng (moral hazard / risk-taking channel), khi tỷ lệ vốn chủ sở hữu ($ETA$) cao, ngân hàng sở hữu tấm đệm đòn bẩy vững chắc và có mức độ an toàn vốn cao, tạo tâm lý tự tin mở rộng hoạt động cấp tín dụng để gia tăng lợi nhuận, dẫn đến tỷ lệ $LDR$ tăng lên.

4. Các ngân hàng quy mô nhỏ cần làm gì để hạn chế rủi ro thanh khoản dựa trên kết quả nghiên cứu?

Hệ số biến $SIZE$ mang dấu âm ($\beta = -0.0356$) cho thấy ngân hàng nhỏ chịu rủi ro thanh khoản cao hơn. Do đó, các ngân hàng quy mô nhỏ cần: (1) Nâng cao chất lượng dịch vụ ngân hàng số để thu hút dòng tiền gửi thanh toán không kỳ hạn (CASA); (2) Duy trì tỷ lệ tài sản thanh khoản ($LQD$) cao hơn mức bình quân ngành (khuyến nghị $\ge 18%$); (3) Hạn chế việc phụ thuộc quá lớn vào việc vay mượn vốn ngắn hạn trên thị trường liên ngân hàng.

5. Biến động của lãi suất liên ngân hàng ảnh hưởng thế nào đến thanh khoản của các ngân hàng thương mại?

Hệ số $\beta_{IB} = +0.0174$ ($p < 0.01$) chứng minh rằng khi lãi suất liên ngân hàng tăng, chi phí tiếp cận nguồn vốn bù đắp thanh khoản tức thì trở nên đắt đỏ. Ngân hàng buộc phải giảm nhu cầu vay mượn thị trường 2 và chịu áp lực lớn hơn trên thị trường huy động dân cư, làm gia tăng nguy cơ căng thẳng thanh khoản cục bộ.

Kết luận

Dự án nghiên cứu "Các yếu tố ảnh hưởng đến rủi ro thanh khoản của các ngân hàng thương mại cổ phần Việt Nam" đã giải quyết trọn vẹn bài toán định lượng rủi ro thanh khoản trong giai đoạn biến động kinh tế 2019–2023. Bằng việc thiết lập quy trình kiểm định kinh tế lượng đa bước và áp dụng mô hình FGLS trên 135 quan sát thực nghiệm từ 27 NHTM cổ phần, nghiên cứu đã chứng minh một cách khoa học:

  • Khả năng thanh khoản được củng cố vững chắc khi ngân hàng chủ động gia tăng tỷ lệ tài sản thanh khoản an toàn ($LQD$) và mở rộng quy mô hoạt động ($SIZE$).
  • Tỷ lệ vốn chủ sở hữu ($ETA$) và lãi suất liên ngân hàng ($IB$) là hai nhân tố kích thích sự gia tăng của tỷ lệ rủi ro thanh khoản ($LDR$), đòi hỏi cơ chế giám sát chặt chẽ từ hội đồng quản trị và ủy ban ALCO.
  • Các biến vĩ mô như lạm phát, tăng trưởng GDP và các chỉ tiêu hiệu quả kinh doanh (ROE, nợ xấu) trong ngắn hạn chưa cho thấy tác động mang ý nghĩa thống kê lên $LDR$ trong giai đoạn thực nghiệm.

Kết quả của đề tài là tài liệu tham khảo có giá trị học thuật và thực tiễn cao, đóng góp cơ sở dữ liệu quan trọng phục vụ công tác hoạch định chính sách, hoàn thiện hệ thống quản trị rủi ro thanh khoản tự động và nâng cao năng lực cạnh tranh lành mạnh cho hệ thống ngân hàng thương mại Việt Nam.