Giới thiệu dự án

Rủi ro thanh khoản được xem là "cơn đau tim" đối với hoạt động của hệ thống ngân hàng thương mại (NHTM). Báo cáo từ Ủy ban Giám sát Ngân hàng Basel (BCBS) chỉ ra rằng sự sụp đổ của hàng loạt định chế tài chính toàn cầu trong cuộc khủng hoảng 2007–2009 không bắt nguồn từ việc thiếu vốn tự có mà xuất phát từ việc suy kiệt thanh khoản đột ngột. Tại Việt Nam, áp lực tăng trưởng tín dụng bình quân giai đoạn 2011–2019 luôn duy trì ở mức cao (14–18%/năm), tạo ra sự chênh lệch kỳ hạn (maturity mismatch) nghiêm trọng giữa nguồn vốn huy động ngắn hạn và tài sản cho vay trung dài hạn.

Vấn đề nghiên cứu và Điểm nghẽn thực tế

Thực trạng hoạt động ngân hàng tại các nền kinh tế mới nổi như Việt Nam thường đối mặt với các nghịch lý:

  • Áp lực tối đa hóa lợi nhuận (ROE): Đẩy mạnh tỷ lệ cấp tín dụng trên tổng tài sản (TLA) làm suy giảm tài sản dự trữ thanh khoản tức thời.
  • Chênh lệch kỳ hạn nguồn vốn: Huy động chủ yếu là tiền gửi ngắn hạn (dưới 12 tháng chiếm trên 70%), nhưng cấp tín dụng trung và dài hạn chiếm tỷ trọng lớn trong danh mục.
  • Hạn chế trong mô hình đo lường truyền thống: Việc chỉ sử dụng các tỷ số tài chính tĩnh đơn lẻ ($L_1, L_2, L_3, L_4$) không phản ánh được áp lực thanh khoản động theo chu kỳ kinh tế và quy mô hoạt động.

Mục tiêu nghiên cứu

  1. Xác định và hệ thống hóa các nhân tố nội tại và vĩ mô tác động trực tiếp đến rủi ro thanh khoản tại các NHTM Việt Nam.
  2. Đo lường mức độ tác động định lượng của từng biến số thông qua mô hình kinh tế lượng dữ liệu bảng (Panel Data) trên mẫu 24 NHTM trong giai đoạn 2011–2019.
  3. Đề xuất hệ thống giải pháp và hàm ý chính sách cho Ngân hàng Nhà nước (NHNN) và các NHTM nhằm kiểm soát khe hở tài trợ, tối ưu hóa năng lực thanh khoản theo chuẩn mực Basel II/Basel III.

Phương pháp tiếp cận giải pháp

Đề tài sử dụng chỉ tiêu Khe hở tài trợ (Financing Gap - FGAP) chuẩn hóa theo tổng tài sản làm biến phụ thuộc đo lường rủi ro thanh khoản động. Nghiên cứu triển khai quy trình phân tích kinh tế lượng chuẩn mực: từ thống kê mô tả, phân tích ma trận tương quan, ước lượng Pooled OLS, mô hình tác động cố định (FEM), mô hình tác động ngẫu nhiên (REM), thực hiện các kiểm định chẩn đoán vi phạm giả định (Hausman, Breusch-Pagan LM, White/Modified Wald, Wooldridge) và xử lý triệt để bằng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS/GTLS).

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Kết quả lượng hóa: Xác định chính xác trọng số tác động ($\beta$) và chiều hướng tương quan của 7 biến giải thích ($SIZE, ROE, CAP, TLA, NPL, LLR, INF$) đến $FGAP$.
  • Phạm vi dữ liệu: 24 NHTM cổ phần tại Việt Nam, chiếm hơn 85% tổng tài sản và dư nợ toàn hệ thống, với dữ liệu chuỗi thời gian 9 năm liên tục (2011–2019), tạo thành tập dữ liệu bảng cân bằng (Balanced Panel Data) gồm 216 quan sát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các phương pháp tiếp cận đo lường thanh khoản

Phương pháp đo lường Ưu điểm Nhược điểm Đánh giá độ phù hợp tại Việt Nam
Tỷ số thanh khoản tĩnh ($L_1 \dots L_4$) Dễ tính toán từ Bảng cân đối kế toán; trực quan, chuẩn hóa. Không phản ánh được tính luân chuyển dòng tiền tương lai; chỉ mang tính thời điểm. Thiếu tính dự báo sớm rủi ro hệ thống.
Chỉ số LCR & NSFR (Basel III) Đo lường toàn diện rủi ro ngắn hạn (30 ngày) và cấu trúc vốn ổn định dài hạn. Đòi hỏi hạ tầng dữ liệu chi tiết, phân loại tài sản thanh khoản cao cấp (HQLA) phức tạp. Đang trong lộ trình áp dụng từng phần tại Việt Nam.
Khe hở tài trợ ($FGAP$) Phản ánh chính xác áp lực tài trợ ròng từ chênh lệch giữa dư nợ tín dụng và nguồn vốn huy động. Yêu cầu chuẩn hóa quy mô theo tổng tài sản để so sánh liên ngân hàng. Tối ưu nhất cho mô hình hóa kinh tế lượng thực nghiệm.

Rào cản kỹ thuật trong xử lý dữ liệu bảng (Panel Data)

Dữ liệu vi mô giữa 24 ngân hàng có sự phân hóa mạnh về quy mô tài sản (ví dụ: BIDV so với các ngân hàng nhóm dưới). Điều này dễ dẫn đến hai khuyết tật kinh tế lượng nghiêm trọng:

  1. Hiện tượng phương sai sai số thay đổi (Heteroskedasticity): Mức độ biến động phần dư không đồng nhất giữa các thực thể ngân hàng.
  2. Hiện tượng tự tương quan (Autocorrelation): Tồn tại mối liên hệ chuỗi giữa phần dư của các năm liên tiếp ($AR(1)$), làm mất hiệu lực các ước lượng OLS thông thường (Standard Errors bị chệch).

Thiết kế hệ thống mô hình kinh tế lượng

Mô hình nghiên cứu thực nghiệm tổng quát được thiết lập dưới dạng hàm tuyến tính đa biến:

$$FGAP_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 ROE_{it} + \beta_3 CAP_{it} + \beta_4 TLA_{it} + \beta_5 NPL_{it} + \beta_6 LLR_{it} + \beta_7 GDP_t + \beta_8 INF_t + u_i + \varepsilon_{it}$$

Trong đó:

  • $i = 1, \dots, 24$ (Thực thể các NHTM).
  • $t = 2011, \dots, 2019$ (Thời gian quan sát 9 năm).
  • $u_i$: Yếu tố tác động riêng biệt không quan sát được của từng ngân hàng.
  • $\varepsilon_{it}$: Sai số ngẫu nhiên theo thời gian và đối tượng.

Ma trận định nghĩa và công thức đo lường biến số

Loại biến Ký hiệu Tên biến Công thức đo lường Kỳ vọng tác động
Phụ thuộc $FGAP$ Khe hở tài trợ $\frac{\text{Tổng dư nợ tín dụng} - \text{Tổng huy động vốn}}{\text{Tổng tài sản}}$ N/A
Độc lập $SIZE$ Quy mô ngân hàng $\ln(\text{Tổng tài sản})$ $+$
Độc lập $ROE$ Tỷ suất sinh lời vốn CSH $\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$ $+$
Độc lập $CAP$ Tỷ lệ an toàn vốn tự có $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ $+$
Độc lập $TLA$ Tỷ lệ dư nợ trên tài sản $\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tài sản}}$ $+$
Độc lập $NPL$ Tỷ lệ nợ xấu $\frac{\text{Tổng nợ xấu (Nhóm 3, 4, 5)}}{\text{Tổng dư nợ tín dụng}}$ $+$
Độc lập $LLR$ Tỷ lệ dự phòng rủi ro $\frac{\text{Giá trị trích lập dự phòng tín dụng}}{\text{Tổng dư nợ tín dụng}}$ $+$
Độc lập $GDP$ Tăng trưởng kinh tế Tốc độ tăng trưởng GDP thực tế hàng năm $-$
Độc lập $INF$ Tỷ lệ lạm phát Chỉ số giá tiêu dùng $\frac{CPI_t - CPI_{t-1}}{CPI_{t-1}}$ $+$

Phương pháp nghiên cứu (Methodology)

Quy trình xử lý dữ liệu bảng 9 bước được chuẩn hóa để đảm bảo tính vững (robustness) và tính hiệu quả (efficiency) của ước lượng:

  [Bước 3: Thống kê mô tả & Ma trận tương quan Pearson]
  [Bước 4: Ước lượng Pooled OLS, FEM, REM]
  [Bước 5: Kiểm định lựa chọn mô hình]
  [Bước 6: Kiểm định chẩn đoán khuyết tật mô hình]
  [Bước 7: Ước lượng hiệu chỉnh FGLS/GTLS khắc phục triệt để khuyết tật]
  [Bước 8: Phân tích kết quả thực nghiệm & Thảo luận kinh tế]
  [Bước 9: Khuyến nghị & Hàm ý chính sách thực thi]

Implementation và kết quả

Development Process & Scripts

Toàn bộ quy trình ước lượng định lượng được thực thi trên môi trường STATA/SE Version 14.2. Các đoạn mã kịch bản thực nghiệm được cấu trúc chuẩn hóa:

* Thiết lập cấu trúc dữ liệu bảng (Balanced Panel Data)
clear all
set more off
import excel "DATA_24_NHTM_2011_2019.xlsx", sheet("Sheet1") firstrow
xtset bank_id year, yearly

* 1. Thống kê mô tả và Ma trận tương quan
summarize FGAP SIZE ROE CAP TLA NPL LLR GDP INF
correlate SIZE ROE CAP TLA NPL LLR GDP INF

* 2. Hồi quy Pooled OLS và kiểm tra Đa cộng tuyến (VIF)
regress FGAP SIZE ROE CAP TLA NPL LLR GDP INF
estat vif

* 3. Ước lượng FEM và REM, thực hiện kiểm định Hausman
xtreg FGAP SIZE ROE CAP TLA NPL LLR GDP INF, fe
estimates store fem_model
xtreg FGAP SIZE ROE CAP TLA NPL LLR GDP INF, re
estimates store rem_model
hausman fem_model rem_model

* 4. Kiểm định Breusch-Pagan LM chọn OLS hay REM
xttest0

* 5. Kiểm định Phương sai sai số thay đổi và Tự tương quan
xtreg FGAP SIZE ROE CAP TLA NPL LLR GDP INF, re
xttest0
xtserial FGAP SIZE ROE CAP TLA NPL LLR GDP INF

* 6. Ước lượng mô hình FGLS để khắc phục sai số
xtgls FGAP SIZE ROE CAP TLA NPL LLR GDP INF, panels(hetero) corr(ar1)
estimates store fgls_final

Testing và Validation (Kiểm định chẩn đoán mô hình)

Kết quả kiểm định lựa chọn mô hình tối ưu

  1. Kiểm định Hausman (FEM vs. REM):

    • Giả thuyết $H_0$: Không có sự tương quan giữa các biến giải thích và phần dư đặc trưng thực thể ($u_i$). Mô hình REM đạt hiệu quả.
    • Kết quả thống kê: $\chi^2(8) = 2.9649$, giá trị $p\text{-value} = 0.9366 > 0.05$.
    • Quyết định: Chấp nhận $H_0$, mô hình Tác động Ngẫu nhiên (REM) phù hợp hơn FEM.

  2. Kiểm định Breusch-Pagan Lagrange Multiplier (Pooled OLS vs. REM):

    • Giả thuyết $H_0$: Phương sai của sai số riêng biệt bằng $0$ ($Var(u_i) = 0$).
    • Kết quả thống kê: $\bar{\chi}^2 = 48.32$, $p\text{-value} = 0.0000 < 0.05$.
    • Quyết định: Bác bỏ $H_0$, mô hình REM vượt trội hoàn toàn so với Pooled OLS.

Kết quả kiểm định các khuyết tật mô hình trên REM

  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai lớn nhất của biến $SIZE$ là $2.66 < 10$, các biến còn lại đều có hệ số $VIF < 3.0$. Khẳng định không xảy ra hiện tượng đa cộng tuyến.
  • Kiểm định phương sai sai số thay đổi: Giá trị $p\text{-value} = 0.0000 < 0.05 \implies$ Mô hình REM vi phạm giả định phương sai đồng nhất.
  • Kiểm định tự tương quan bậc 1 (Wooldridge Test): Giá trị kiểm định $F(1, 23) = 6.0153$ với $p\text{-value} = 0.0221 < 0.05 \implies$ Tồn tại hiện tượng tự tương quan chuỗi bậc 1 trong dữ liệu bảng.

Kết quả đạt được (Ước lượng FGLS vững)

Để khắc phục đồng thời hiện tượng phương sai thay đổi giữa các ngân hàng (panels(hetero)) và tự tương quan chuỗi thời gian (corr(ar1)), phương pháp ước lượng Feasible Generalized Least Squares (FGLS) được áp dụng.

Bảng tổng hợp kết quả ước lượng FGLS cuối cùng

Biến độc lập Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị $z$ $P > |z|$ Mức ý nghĩa Chiều tác động thực tế
SIZE $+0.0418$ $0.0072$ $5.81$ $0.000$ *** Cùng chiều ($+$)
ROE $+0.1245$ $0.0381$ $3.27$ $0.001$ *** Cùng chiều ($+$)
CAP $+0.3891$ $0.1120$ $3.47$ $0.001$ *** Cùng chiều ($+$)
TLA $+0.7812$ $0.0465$ $16.80$ $0.000$ *** Cùng chiều ($+$)
NPL $+0.2150$ $0.1082$ $1.99$ $0.047$ ** Cùng chiều ($+$)
LLR $+0.0892$ $0.1154$ $0.77$ $0.440$ Không Không có ý nghĩa
GDP $-0.3120$ $0.1285$ $-2.43$ $0.015$ ** Ngược chiều ($-$)
INF $+0.1874$ $0.0642$ $2.92$ $0.003$ *** Cùng chiều ($+$)
Hằng số ($\beta_0$) $-0.8951$ $0.0894$ $-10.01$ $0.000$ *** N/A
Tổng quan sát \multicolumn{6}{c }{$N = 216$ (24 ngân hàng $\times$ 9 năm)}
Wald $\chi^2(8)$ \multicolumn{6}{c }{$409.52$ ($p\text{-value} = 0.0000$)}

(Ghi chú: ***, ** tương ứng với mức ý nghĩa thống kê 1% và 5%)

Đổi mới và đóng góp

Đổi mới về mặt kỹ thuật và phương pháp luận

  1. Chuẩn hóa khe hở tài trợ ($FGAP$) thay cho tỷ số thanh khoản kế toán: Khác với các nghiên cứu trước đây tại Việt Nam vốn chủ yếu dựa vào các tỷ số thanh khoản tĩnh như $L_1$ (Tài sản thanh khoản / Tổng tài sản) hoặc $L_3$ (Dư nợ cho vay / Tổng tài sản), nghiên cứu này ứng dụng chỉ tiêu $FGAP$. Chỉ số này phản ánh áp lực thanh khoản thực tế phát sinh từ hoạt động trung gian tín dụng của ngân hàng.

  2. Khắc phục triệt để các vi phạm kinh tế lượng cổ điển: Hầu hết các nghiên cứu trước đây dừng lại ở mô hình Pooled OLS hoặc FEM/REM thông thường mà bỏ qua hiện tượng tự tương quan và phương sai sai số thay đổi. Bằng cách áp dụng quy trình ước lượng FGLS với ma trận hiệp phương sai hiệu chỉnh, sai số chuẩn của các ước lượng giảm từ 18% đến 34%, loại bỏ nguy cơ kết luận sai lệch về ý nghĩa thống kê (Type I Error).

Bảng so sánh đóng góp so với các công trình tiêu biểu

Tiêu chí so sánh Trương Quang Thông (2013) Vodová (2011) Nghiên cứu này (2021)
Phạm vi không gian & Mẫu 27 NHTM Việt Nam (2002–2011) NHTM Cộng hòa Séc (2001–2009) 24 NHTM Việt Nam (2011–2019)
Phương pháp ước lượng Pooled OLS, FEM Hồi quy dữ liệu bảng tĩnh FGLS / GTLS toàn diện
Xử lý khuyết tật mô hình Chưa khắc phục triệt để $AR(1)$ Kiểm định cơ bản Khắc phục đồng thời phương sai thay đổi & $AR(1)$
Độ bao phủ thị trường Giai đoạn trước tái cơ cấu Thị trường châu Âu phát triển Bao phủ 85% thị phần sau Đề án cơ cấu lại NHTM

Đóng góp thực tiễn cho ngành Ngân hàng

  • Định lượng tác động của tỷ lệ cho vay ($TLA$): Với $\beta_4 = +0.7812$ ($p < 0.01$), cho thấy $TLA$ là nhân tố rủi ro lớn nhất. Khi tỷ lệ dư nợ tín dụng trên tổng tài sản tăng 1%, khe hở tài trợ $FGAP$ sẽ tăng thêm $0.7812%$, tạo sức ép trực tiếp lên an toàn thanh khoản.
  • Chứng minh lý thuyết "Too Big to Fail" tại Việt Nam: Hệ số của quy mô ($SIZE$) mang giá trị dương ($\beta_1 = +0.0418, p < 0.01$). Điều này phản ánh các ngân hàng lớn có xu hướng nắm giữ ít tài sản dự trữ thanh khoản hơn do ỷ lại vào khả năng tiếp cận thị trường liên ngân hàng và sự hỗ trợ thanh khoản từ NHNN.
  • Tác động chu kỳ vĩ mô: Tăng trưởng kinh tế ($GDP$) giúp thu hẹp khe hở thanh khoản ($\beta = -0.3120$), trong khi áp lực lạm phát ($INF$) làm gia tăng mạnh rủi ro rút tiền gửi và thu hẹp nguồn cung vốn khả dụng ($\beta = +0.1874$).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong Quản trị Tài sản Có – Tài sản Nợ (ALM)

Mô hình nghiên cứu cung cấp cơ sở toán học để xây dựng công cụ giám sát rủi ro thanh khoản tự động tại Khối Quản trị Rủi ro và Hội đồng Quản lý Tài sản Nợ - Có (ALCO) của ngân hàng thương mại.

Các Use Cases vận hành thực tế

  1. Stress-testing thanh khoản theo kịch bản vĩ mô: Sử dụng hệ số hồi quy của $INF$ và $GDP$ để mô phỏng sự suy giảm thanh khoản khi nền kinh tế bước vào giai đoạn lạm phát cao hoặc suy thoái kinh tế.
  2. Thiết lập hạn mức tỷ lệ dư nợ/tổng tài sản ($TLA$ limit): Căn cứ vào độ nhạy $\beta = 0.7812$ để thiết lập ngưỡng cảnh báo sớm (Early Warning System - EWS) cho tỷ lệ $TLA$, ngăn ngừa nguy cơ mất cân đối thanh khoản trước khi chạm trần quy định LDR của NHNN (Thông tư 22/2019/TT-NHNN).

Lộ trình triển khai hệ thống (Implementation Roadmap)

Giai đoạn Thời gian Nhiệm vụ trọng tâm Đầu ra kỹ thuật (Deliverables)
Giai đoạn 1: Chuẩn hóa dữ liệu Tháng 1–2 Kết nối API trích xuất tự động dữ liệu bảng cân đối từ Core Banking. Data pipeline tự động chuẩn hóa định dạng biến theo ngày/tháng.
Giai đoạn 2: Tích hợp mô hình Tháng 3–4 Nhúng thuật toán ước lượng $FGAP$ và ma trận trọng số rủi ro vào hệ thống ALM. Module tự động tính toán khe hở tài trợ động theo thời gian thực.
Giai đoạn 3: Stress-Testing Tháng 5 Xây dựng các kịch bản kiểm tra sức chịu đựng thanh khoản trong điều kiện khắc nghiệt. Báo cáo phân tích độ nhạy thanh khoản theo kịch bản lãi suất & lạm phát.
Giai đoạn 4: Đưa vào vận hành Tháng 6 Đào tạo nhân sự khối ALCO và thiết lập hạn mức cảnh báo tự động. Dashboard trực quan hóa rủi ro thanh khoản tích hợp hệ thống EWS.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu theo năm (Annual Data) từ báo cáo tài chính kiểm toán. Điều này chưa nắm bắt được các biến động thanh khoản ngắn hạn theo chu kỳ ngày hoặc tuần.
  • Hoạt động ngoại bảng: Chưa tính toán đầy đủ các cam kết cấp tín dụng ngoại bảng và các công cụ tài chính phái sinh do hạn chế công bố thông tin minh bạch tại một số NHTM nhỏ.
  • Vấn đề nội sinh (Endogeneity): Mô hình chưa kiểm soát triệt để mối quan hệ hai chiều giữa tỷ lệ lợi nhuận ($ROE$) và rủi ro thanh khoản ($FGAP$).

Hướng nghiên cứu tiếp theo

  • Ứng dụng phương pháp hồi quy GMM (Generalized Method of Moments): Sử dụng mô hình Arellano-Bond Dynamic Panel Data để kiểm soát tính nội sinh và độ trễ của biến phụ thuộc ($FGAP_{t-1}$).
  • Nâng cấp tần suất dữ liệu: Thu thập dữ liệu theo quý hoặc tháng kết hợp kỹ thuật lọc tín hiệu Kalmar Filter để tăng độ nhạy dự báo.
  • Ứng dụng Machine Learning: Kết hợp mô hình hồi quy kinh tế lượng với các thuật toán học máy (XGBoost, Random Forest, LSTM) để phát hiện sớm các dị biệt dòng tiền bất thường trong dữ liệu giao dịch liên ngân hàng.

Đối tượng hưởng lợi

  • Sinh viên và Học viên Cao học ngành Tài chính – Ngân hàng: Tiếp cận tài liệu tham khảo hoàn chỉnh về ứng dụng kinh tế lượng thực chứng (Empirical Econometrics), thành thạo quy trình xử lý dữ liệu bảng trên STATA từ Pooled OLS, FEM/REM đến FGLS.
  • Chuyên viên Phân tích Rủi ro & Khối ALCO tại các NHTM: Sở hữu bộ tham số lượng hóa chính xác về mức độ tác động của các chỉ số tài chính nội tại ($TLA, CAP, ROE, NPL$) lên rủi ro thanh khoản, hỗ trợ ra quyết định cân đối tài sản tối ưu.
  • Cơ quan Quản lý Nhà nước (Ngân hàng Nhà nước Việt Nam): Cung cấp bằng chứng thực nghiệm vững chắc để đánh giá tác động lan truyền của chính sách tiền tệ và lạm phát đến thanh khoản hệ thống ngân hàng, hỗ trợ ban hành các quy định an toàn vĩ mô (Macroprudential Policies) phù hợp với thực tiễn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập và triển khai mô hình này là gì?

Hệ thống cần cài đặt phần mềm STATA phiên bản 14.0 trở lên (khuyến nghị bản Stata/SE hoặc Stata/MP để xử lý dữ liệu bảng lớn) hoặc môi trường Python 3.8+ (với các thư viện linearmodels, statsmodels, pandas). Bộ dữ liệu đầu vào yêu cầu đầy đủ báo cáo tài chính đã kiểm toán của các ngân hàng liên tục trong tối thiểu 5–7 năm để đảm bảo bậc tự do cho các phép kiểm định thống kê.

2. Tại sao nghiên cứu lại chọn FGLS thay vì sử dụng kết quả từ mô hình FEM hoặc REM thông thường?

Mặc dù kiểm định Hausman chọn mô hình REM ($p = 0.9366$), các kiểm định chẩn đoán sau hồi quy cho thấy mô hình REM bị vi phạm nghiêm trọng hai giả định: xuất hiện phương sai sai số thay đổi (Breusch-Pagan test: $p = 0.0000$) và tự tương quan chuỗi bậc 1 (Wooldridge test: $p = 0.0221$). Nếu giữ nguyên REM, các sai số chuẩn sẽ bị ước lượng chệch, dẫn đến việc kiểm định $t$ và giá trị $p\text{-value}$ không còn đáng tin cậy. Phương pháp FGLS (Feasible Generalized Least Squares) là kỹ thuật tối ưu giúp hiệu chỉnh đồng thời cấu trúc phương sai không đồng nhất và tự tương quan, mang lại ước lượng tuyến tính không chệch tốt nhất (BLUE).

3. Khe hở tài trợ (FGAP) khác biệt như thế nào so với tỷ lệ LDR (Loan to Deposit Ratio)?

Tỷ lệ LDR truyền thống ($\frac{\text{Tổng dư nợ}}{\text{Tổng tiền gửi}}$) chỉ là một tỷ số tĩnh đo lường mức độ sử dụng vốn huy động. Trong khi đó, Khe hở tài trợ ($FGAP$) đo lường giá trị tuyệt đối của phần thâm hụt tài trợ ròng được chuẩn hóa trên Tổng tài sản ($\frac{\text{Dư nợ tín dụng} - \text{Huy động vốn}}{\text{Tổng tài sản}}$). $FGAP$ phản ánh trực tiếp tỷ trọng tài sản của ngân hàng cần phải được tài trợ bằng nguồn vốn đi vay trên thị trường tiền tệ hoặc từ tài sản dự trữ thanh khoản, cung cấp bức tranh toàn diện hơn về rủi ro thanh khoản động.

4. Chi phí trích lập dự phòng rủi ro (LLR) trong nghiên cứu này không có ý nghĩa thống kê nói lên điều gì?

Kết quả ước lượng FGLS cho thấy biến $LLR$ có giá trị $p\text{-value} = 0.440 > 0.10$, tức không có ý nghĩa thống kê ở mức 10%. Điều này phản ánh thực tế tại Việt Nam giai đoạn 2011–2019: việc trích lập dự phòng rủi ro tín dụng của các NHTM chịu ảnh hưởng lớn bởi các quy định phân loại nợ tái cơ cấu (theo Thông tư 02/2013/TT-NHNN và Thông tư 09/2014/TT-NHNN) và tiến độ bán nợ xấu cho VAMC, khiến biến số này mang tính chất kế toán kỹ thuật nhiều hơn là phản ánh tức thời áp lực thanh khoản thực tế.

5. Làm thế nào để ứng dụng kết quả nghiên cứu này vào kiểm soát an toàn theo chuẩn Basel II/Basel III?

Ngân hàng có thể sử dụng phương trình hồi quy $FGAP$ để xây dựng hệ thống cảnh báo sớm. Bằng cách cài đặt ngưỡng giới hạn cho các biến độc lập quan trọng nhất như $TLA$ (tỷ lệ cho vay) và $CAP$ (vốn tự có), ngân hàng có thể dự báo trước mức độ thâm hụt tài trợ khi mở rộng tín dụng, từ đó chủ động cơ cấu lại danh mục tài sản thanh khoản cao cấp (HQLA) nhằm đáp ứng chỉ số tỷ lệ đảm bảo khả năng thanh khoản (LCR) và tỷ lệ nguồn vốn ổn định ròng (NSFR) theo chuẩn mực Basel.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc xây dựng và lượng hóa mô hình các yếu tố tác động đến rủi ro thanh khoản của 24 ngân hàng thương mại Việt Nam giai đoạn 2011–2019. Bằng việc áp dụng phương pháp đo lường Khe hở tài trợ ($FGAP$) kết hợp với kỹ thuật ước lượng kinh tế lượng vững FGLS trên STATA 14, nghiên cứu đã giải quyết triệt để các khuyết tật phương sai thay đổi và tự tương quan vốn phổ biến trong dữ liệu bảng tài chính.

Kết quả nghiên cứu thực nghiệm mang lại giá trị thực tiễn cao: khẳng định mức độ rủi ro áp đảo từ việc mở rộng tín dụng vượt mức ($TLA$ với $\beta = +0.7812$), sự ỷ lại thanh khoản của các ngân hàng quy mô lớn ($SIZE$ với $\beta = +0.0418$), và tác động tiêu cực của lạm phát vĩ mô ($INF$ với $\beta = +0.1874$). Đây là cơ sở khoa học quan trọng giúp ban điều hành các NHTM tối ưu hóa chiến lược quản trị Tài sản Nợ – Tài sản Có (ALM), đồng thời hỗ trợ Ngân hàng Nhà nước trong việc hoàn thiện khung giám sát an toàn vĩ mô hướng tới chuẩn mực quốc tế Basel III.