Giới thiệu dự án

Rủi ro thanh khoản (RRTK - Liquidity Risk) được ví như "cơn nhồi máu cơ tim" của hệ thống tài chính: một ngân hàng thương mại (NHTM) có thể sở hữu quy mô tài sản hàng trăm nghìn tỷ đồng và hoạt động kinh doanh có lãi nhưng vẫn đối mặt với nguy cơ sụp đổ chớp nhoáng nếu mất khả năng chi trả các nghĩa vụ ngắn hạn. Bối cảnh thị trường tài chính Việt Nam giai đoạn 2013–2022 ghi nhận những chuyển biến mang tính bước ngoặt, khởi đầu từ sự kiện Ngân hàng Nhà nước (NHNN) phải can thiệp tái cơ cấu khẩn cấp ngân hàng Đông Á năm 2013, tiếp nối bằng việc ban hành Thông tư 33/2014/TT-NHNN và lộ trình áp chuẩn mực an toàn vốn Basel II/Basel III.

Đề tài khóa luận tốt nghiệp ngành Tài chính – Ngân hàng: "Các nhân tố ảnh hưởng đến rủi ro thanh khoản trong các ngân hàng thương mại Việt Nam" do sinh viên Chung Bội Lâm thực hiện dưới sự hướng dẫn khoa học của TS. Triệu Kim Lanh (Trường Đại học Ngân hàng TP. Hồ Chí Minh) đã xây dựng một khung nghiên cứu định lượng chuẩn xác nhằm lượng hóa các tác động nội tại đến thanh khoản hệ thống.

+-----------------------------------------------------------------------------------+
|               KHUNG ĐO LƯỜNG RỦI RO THANH KHOẢN QUA KHE HỞ TÀI TRỢ                |
|                                                                                   |
|                   Dư nợ cho vay khách hàng  -  Tiền gửi của khách hàng            |
|       FGAP   =   ------------------------------------------------------           |
|                                     Tổng tài sản                                  |
|                                                                                   |
|  * FGAP > 0: Thiếu hụt thanh khoản (Áp lực tài trợ bổ sung từ thị trường liên NH) |
|  * FGAP < 0: Thặng dư thanh khoản (Tối ưu hóa nguồn vốn khả dụng đầu tư)          |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Điểm nghẽn thực tiễn (Problem Statement)

Sau giai đoạn tăng trưởng tín dụng nóng, hệ thống NHTM Việt Nam bộc lộ sự mất cân xứng nghiêm trọng về kỳ hạn (Maturity Mismatch) khi sử dụng nguồn vốn ngắn hạn chiếm tỷ trọng lớn để tài trợ cho các khoản vay trung và dài hạn. Các nghiên cứu trước đây tại Việt Nam và quốc tế còn tồn tại nhiều khoảng trống tranh luận và mâu thuẫn về dấu tác động:

  • Mâu thuẫn về vai trò của Vốn chủ sở hữu (CAP): Tác động cùng chiều (Faruque Ahamed, 2021; Lê Thái Triệu Luân, 2022) hay ngược chiều (Vũ Thị Hồng, 2015; Nguyễn Thị Phương Thúy, 2019)?
  • Mâu thuẫn về Quy mô ngân hàng (SIZE): Hiệu ứng "Too Big to Fail" kích thích chấp nhận rủi ro hay lợi thế kinh tế theo quy mô giúp đa dạng hóa nguồn vốn thanh khoản?
  • Khuyết tật mô hình trong dữ liệu bảng: Các nghiên cứu trước thường bỏ qua hiện tượng tự tương quan (Autocorrelation) và phương sai sai số thay đổi (Heteroskedasticity), dẫn đến ước lượng bị chệch và thiếu hiệu quả.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về thanh khoản, giá trị thanh khoản ròng (NLP) và phương pháp khe hở tài trợ (Funding Gap - FGAP).
  2. Đo lường mức độ và chiều hướng tác động của 7 nhân tố nội tại (SIZE, EFL, TLA, CAP, ROA, ROE, NPL) đến FGAP của 20 NHTM Việt Nam.
  3. Kiểm định khuyết tật mô hình và ứng dụng kỹ thuật hồi quy Bình phương Tối thiểu Tổng quát (GLS) để khắc phục sai số, bảo đảm độ vững của ước lượng.
  4. Đề xuất hệ thống giải pháp nâng cao năng lực quản trị thanh khoản theo chuẩn Asset-Liability Management (ALM).

Phạm vi và Giới hạn nghiên cứu

  • Không gian: 20 NHTM Cổ phần đại diện tại Việt Nam (thuộc nhóm các ngân hàng thương mại hàng đầu, chiếm trên 85% thị phần tài sản toàn hệ thống).
  • Thời gian: Chuỗi dữ liệu bảng 10 năm liên tục từ 2013 đến 2022 (200 quan sát năm-ngân hàng).
  • Giới hạn: Tập trung phân tích chuyên sâu các yếu tố nội tại trên báo cáo tài chính đã kiểm toán; các cú sốc vĩ mô toàn cầu được kiểm soát gián tiếp thông qua hiệu ứng thời gian.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp đo lường Ưu điểm Nhược điểm Đánh giá độ tương thích
Chỉ số thanh khoản truyền thống (L1 - L4) Dễ trích xuất từ bảng cân đối kế toán; công thức đơn giản. Tĩnh, không phản ánh dòng tiền vào/ra tức thời; dễ cho kết quả sai lệch (Poorman & Blake, 2005). Thấp đối với quản trị rủi ro hiện đại.
Giá trị thanh khoản ròng (NLP) Đo lường hiệu số cung - cầu thanh khoản trực tiếp. Đòi hỏi dữ liệu chi tiết ngoại bảng và hợp đồng phái sinh theo thời gian thực. Khó áp dụng cho chuỗi dữ liệu lịch sử dài hạn.
Khe hở tài trợ (Funding Gap - FGAP) Lượng hóa chính xác áp lực tái cấp vốn từ chênh lệch cốt lõi (Cho vay - Tiền gửi)/Tổng tài sản. Yêu cầu chuẩn hóa số liệu kế toán giữa các ngân hàng qua các năm. Tối ưu nhất (Được lựa chọn làm biến phụ thuộc chính).

Ma trận phân loại yêu cầu hệ thống phân tích (MoSCoW Prioritization)

  • Must have (Bắt buộc có): Hồi quy dữ liệu bảng đa biến; kiểm định hiện tượng đa cộng tuyến (VIF); kiểm định lựa chọn mô hình F-test, Breusch-Pagan LM và Hausman test; xử lý triệt để khuyết tật bằng FGLS/GLS.
  • Should have (Nên có): Xây dựng ma trận tương quan ma trận Pearson; biểu đồ xu hướng biến động FGAP qua các giai đoạn kinh tế.
  • Could have (Có thể mở rộng): Mở rộng mô hình Dynamic Panel qua phương pháp GMM để kiểm tra độ trễ của rủi ro thanh khoản.
  • Won't have this time (Chưa thực hiện đợt này): Lượng hóa rủi ro thanh khoản thị trường ngoại bảng phái sinh phức tạp.

Thiết kế hệ thống mô hình kinh tế lượng

[Báo cáo tài chính 20 NHTM (2013-2022)] 
  [Data Cleansing & Extraction (Stata 17 / Python Engine)]
[Biến phụ thuộc: FGAP]            [7 Biến giải thích: SIZE, EFL, TLA, CAP, ROA, ROE, NPL]
       [Hồi quy Pooled OLS, FEM, REM]
    [Chẩn đoán khuyết tật mô hình]
 [Mô hình Ước lượng Cuối cùng: GLS (Generalized Least Squares)]

Technology Stack & Toolchain

  • Phần mềm phân tích chính lượng: Stata v17.0 (SE Standard Edition) / R v4.3.1 (Gói plm, lmtest, sandwich).
  • Tiền xử lý và trích xuất dữ liệu: Python v3.10.12 (Thư viện pandas v2.1.0, numpy v1.24.3, linearmodels v5.3).
  • Quản trị cơ sở dữ liệu: Microsoft Excel 365 chuyên dụng cho xử lý số liệu chuẩn hóa IFRS/VAS.

Methodology & Phương pháp nghiên cứu

Mô hình toán kinh tế lượng tổng quát được xác lập như sau:

$$\text{FGAP}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{EFL}{it} + \beta_3 \text{TLA}{it} + \beta_4 \text{CAP}{it} + \beta_5 \text{ROA}{it} + \beta_6 \text{ROE}{it} + \beta_7 \text{NPL}{it} + \epsilon_{it}$$

Trong đó:

  • $\text{FGAP}_{it}$: Khe hở tài trợ của ngân hàng $i$ tại năm $t$.
  • $\text{SIZE}_{it} = \ln(\text{Tổng tài sản})$.
  • $\text{EFL}_{it} = \frac{\text{Tổng tiền gửi}}{\text{Tổng nợ phải trả}}$.
  • $\text{TLA}_{it} = \frac{\text{Tổng cho vay khách hàng}}{\text{Tổng tài sản}}$.
  • $\text{CAP}_{it} = \frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$.
  • $\text{ROA}{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$, $\text{ROE}{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$.
  • $\text{NPL}_{it} = \frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ cho vay}}$.

Implementation và kết quả

Development Process & Kỹ thuật lập trình phân tích

Toàn bộ quy trình ước lượng và chẩn đoán được tự động hóa bằng Stata Script (do-file) và mô phỏng trên Python linearmodels:

import pandas as pd
from linearmodels.panel import PanelData, RandomEffects, FixedEffects
import statsmodels.api as sm

# 1. Load và thiết lập chỉ mục Panel Data (20 Banks x 10 Years)
df = pd.read_excel("vietnam_banks_liquidity_2013_2022.xlsx")
df = df.set_index(['bank_id', 'year'])
panel_data = PanelData(df)

# 2. Ước lượng mô hình Fixed Effects Model (FEM)
exog_vars = ['SIZE', 'EFL', 'TLA', 'CAP', 'ROA', 'ROE', 'NPL']
exog = sm.add_constant(df[exog_vars])
fem_mod = FixedEffects(df['FGAP'], exog)
fem_res = fem_mod.fit(cov_type='robust')

# 3. Chạy FGLS (Cross-Sectional Time-Series GLS) để khắc phục sai số
# Tương đương lệnh Stata: xtgls FGAP SIZE EFL TLA CAP ROA ROE NPL, panels(hetero) corr(ar1)
print(fem_res.summary)

* STATA SCRIPT: PIPELINE CHẨN ĐOÁN VÀ ƯỚC LƯỢNG MÔ HÌNH GLS
xtset bank_id year

* 1. Hồi quy FEM và Pooled OLS
xtreg FGAP SIZE EFL TLA CAP ROA ROE NPL, fe
estimates store fixed_model
regress FGAP SIZE EFL TLA CAP ROA ROE NPL
estimates store pooled_ols

* 2. Lựa chọn FEM vs REM bằng Hausman Test
xtreg FGAP SIZE EFL TLA CAP ROA ROE NPL, re
estimates store random_model
hausman fixed_model random_model

* 3. Kiểm định khuyết tật trên FEM
xtreg FGAP SIZE EFL TLA CAP ROA ROE NPL, fe
xttest3          /* Modified Wald test for Groupwise Heteroskedasticity */
xtserial FGAP SIZE EFL TLA CAP ROA ROE NPL   /* Wooldridge test for Autocorrelation */

* 4. Ước lượng mô hình chuẩn xác bằng GLS
xtgls FGAP SIZE EFL TLA CAP ROA ROE NPL, panels(hetero) corr(ar1)

Testing và Validation: Kết quả kiểm định thống kê

  1. Kiểm định Đa cộng tuyến (Multicollinearity): Hệ số VIF của tất cả các biến độc lập đều $< 5.0$ (trung bình VIF đạt $1.82$), chứng minh không có hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Lựa chọn mô hình:
    • F-test (FEM vs. Pooled OLS): $F\text{-statistic} = 14.82$, $p\text{-value} = 0.0000 < 0.01 \rightarrow$ Bác bỏ $H_0$, mô hình FEM vượt trội so với Pooled OLS.
    • Hausman Test (FEM vs. REM): $\chi^2 = 28.45$, $p\text{-value} = 0.0002 < 0.05 \rightarrow$ Bác bỏ $H_0$, khẳng định FEM là mô hình thích hợp hơn REM.
  3. Kiểm định Khuyết tật mô hình trên FEM:
    • Kiểm định Tự tương quan Wooldridge: $F = 18.234$, $p = 0.0004 < 0.05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1.
    • Kiểm định Phương sai sai số thay đổi Modified Wald: $\chi^2(20) = 432.18$, $p = 0.0000 < 0.05 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
  4. Hiệu chỉnh mô hình: Chuyển đổi sang mô hình Cross-sectional Time-Series GLS nhằm triệt tiêu hoàn toàn độ chệch của sai số chuẩn.

Kết quả đạt được từ Mô hình Hồi quy GLS

+---------------------------------------------------------------------------------------------+
| BẢNG KẾT QUẢ HỒI QUY GLS VỀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KHE HỞ TÀI TRỢ (FGAP)                 |
+------------+--------------------+------------------+---------------+------------------------+
| Biến số    | Hệ số hồi quy (β)  | Sai số chuẩn     | Trị số z      | Mức ý nghĩa (P>|z|)    |
+------------+--------------------+------------------+---------------+------------------------+
| TLA        |  +0.9969           | 0.0214           | 46.58         | 0.000 *** (Mạnh nhất +)|
| EFL        |  -0.9145           | 0.0248           | -36.87        | 0.000 *** (Mạnh nhất -)|
| CAP        |  +0.6913           | 0.0712           | 9.71          | 0.000 *** (Tác động +) |
| SIZE       |  -0.0008           | 0.0003           | -2.67         | 0.008 *** (Yếu -)      |
| ROE        |  +0.0048           | 0.0021           | 2.28          | 0.022 **  (Yếu +)      |
| ROA        |  -0.0124           | 0.0185           | -0.67         | 0.503 (Không ý nghĩa)  |
| NPL        |  +0.0312           | 0.0245           | 1.27          | 0.204 (Không ý nghĩa)  |
| _cons      |  +0.1250           | 0.0410           | 3.05          | 0.002 ***              |
+------------+--------------------+------------------+---------------+------------------------+
| Ghi chú: *** p < 0.01; ** p < 0.05; Số lượng quan sát: N = 200 (20 NHTM x 10 năm)            |
+---------------------------------------------------------------------------------------------+
  • TLA (Tỷ lệ cho vay/Tổng tài sản): $\beta = +0.9969$ ($p < 0.01$). Khi TLA tăng 1%, rủi ro thanh khoản FGAP tăng $0.9969%$. Đây là nhân tố thúc đẩy rủi ro mạnh nhất, phản ánh đặc thù mở rộng danh mục tín dụng làm co hẹp tài sản đệm thanh khoản.
  • EFL (Tiền gửi/Tổng nợ phải trả): $\beta = -0.9145$ ($p < 0.01$). Khi tỷ lệ tiền gửi tăng 1%, FGAP giảm $0.9145%$. Tiền gửi khách hàng đóng vai trò là "mỏ neo" thanh khoản vững chắc nhất giúp giảm thiểu thâm hụt nguồn tài trợ.
  • CAP (Vốn chủ sở hữu/Tổng tài sản): $\beta = +0.6913$ ($p < 0.01$). Vốn chủ sở hữu tăng 1% làm tăng FGAP $0.6913%$. Điều này minh chứng cho giả thuyết: Ngân hàng có đệm vốn lớn thường tự tin theo đuổi chiến lược cho vay rủi ro cao hơn, nới rộng khoảng cách giữa dư nợ và tiền gửi.
  • SIZE (Quy mô tài sản): $\beta = -0.0008$ ($p < 0.01$). Tác động ngược chiều nhẹ; các ngân hàng quy mô lớn có khả năng phân tán rủi ro tốt hơn nhờ uy tín và mạng lưới huy động đa kênh.
  • ROE (Tỷ suất sinh lời/Vốn CSH): $\beta = +0.0048$ ($p < 0.05$). Tác động cùng chiều yếu; các ngân hàng chạy theo áp lực tối đa hóa ROE có xu hướng nới lỏng tiêu chuẩn tài trợ thanh khoản.

Đổi mới và đóng góp

Điểm mới trong phương pháp luận và phát hiện học thuật

  1. Giải quyết triệt để mâu thuẫn học thuật về biến CAP: Trái ngược với quan điểm truyền thống cho rằng vốn tự có cao sẽ làm giảm rủi ro, nghiên cứu chứng minh tại Việt Nam giai đoạn 2013–2022, hệ số $\beta_{\text{CAP}} = +0.6913$ phản ánh rõ nét hiệu ứng chấp nhận rủi ro (Risk-shifting behavior).
  2. Lượng hóa chính xác "Cặp đối trọng cốt lõi" TLA - EFL: Đóng góp thực nghiệm chỉ ra rằng biến động rủi ro thanh khoản của hệ thống ngân hàng Việt Nam chịu chi phối tới hơn $90%$ bởi tương quan giữa tốc độ tăng trưởng tín dụng (TLA, $+0.9969$) và khả năng giữ chân nguồn tiền gửi (EFL, $-0.9145$).

Bảng so sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí so sánh Trương Quang Thông (2013) Đặng Văn Dân (2015) Faruque Ahamed (2021) Đề tài nghiên cứu này (2024)
Giai đoạn dữ liệu 2002–2011 (10 năm) 2007–2014 (8 năm) 2005–2018 (14 năm) 2013–2022 (10 năm toàn diện)
Số lượng ngân hàng 27 NHTM 15 NHTM 23 NHTM (Bangladesh) 20 NHTM hàng đầu Việt Nam
Phương pháp xử lý Mô hình FEM Hồi quy OLS cơ bản Pooled OLS / FEM / REM GLS hiệu chỉnh tự tương quan & phương sai thay đổi
Tác động của Vốn (CAP) Ngược chiều (-) Ngược chiều (-) Cùng chiều (+, không ý nghĩa) Cùng chiều (+0.6913, p < 0.01)
Biến chi phối mạnh nhất Tỷ trọng đầu tư ngoài Cho vay/Tổng tài sản Quy mô tài sản (SIZE) TLA (+0.9969) & EFL (-0.9145)

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Real-world Use Cases)

  1. Ủy ban Quản lý Tài sản - Nợ (ALCO - Asset-Liability Committee): Ứng dụng trọng số tác động của mô hình để thiết lập hệ thống hạn mức thanh khoản nội bộ (Liquidity Limits). Ví dụ: Duy trì tỷ lệ $EFL \ge 75%$ nhằm tạo lớp đệm hấp thụ độ trễ khi $TLA$ tăng vượt ngưỡng $70%$.
  2. Hệ thống Cảnh báo Sớm (Early Warning System - EWS): Xây dựng dashboard giám sát tự động chỉ số khe hở tài trợ (FGAP) theo tháng dựa trên các tham số đã ước lượng:
[Hệ thống Core Banking / Data Warehouse]
 [Data Transformation Layer (ETL)]
  [EWS Engine: Tính toán FGAP dự báo]

Yêu cầu kỹ thuật và Lộ trình triển khai

+-----------------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI HỆ THỐNG QUẢN TRỊ RỦI RO THANH KHOẢN (ALM - BASEL III)        |
+-----------------------------------------------------------------------------------+
| Tháng 1-3: Chuẩn hóa cơ sở dữ liệu FTP (Funds Transfer Pricing) và Core Banking.  |
| Tháng 4-6: Cấu hình tham số mô hình kinh tế lượng GLS vào Data Analytics Engine.  |
| Tháng 7-9: Tích hợp kịch bản Stress-testing dòng tiền và kiểm tra áp lực vốn.     |
| Tháng 10-12: Go-live toàn hàng hệ thống Dashboard EWS và báo cáo NHNN tự động.     |
+-----------------------------------------------------------------------------------+
  • Phân tích Hiệu quả Đầu tư (Cost-Benefit Analysis): Chi phí triển khai module dự báo thanh khoản khoảng $50,000 - $120,000; giúp ngân hàng giảm thiểu chi phí phải vay mượn nóng trên thị trường liên ngân hàng với lãi suất qua đêm cao điểm (tiết kiệm ước tính hàng chục tỷ đồng/năm trong các chu kỳ căng thẳng thanh khoản).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật (Limitations)

  • Thiếu vắng biến kinh tế vĩ mô: Chưa đưa trực tiếp các biến động về Lãi suất tái cấp vốn của NHNN, Tỷ giá USD/VND và Tăng trưởng GDP vào mô hình đồng thời.
  • Tính chất tĩnh của mô hình tĩnh: Mô hình GLS giải quyết tốt khuyết tật sai số nhưng chưa kiểm soát được tính nội sinh sinh ra do độ trễ của biến phụ thuộc ($FGAP_{t-1}$).

Hướng nghiên cứu mở rộng

  • Ứng dụng Mô hình GMM hai bước (Two-step System GMM): Nhằm xử lý triệt để tính nội sinh động và các yếu tố quán tính rủi ro thanh khoản qua các năm.
  • Tích hợp Machine Learning: Thử nghiệm các thuật toán XGBoost và LSTM (Long Short-Term Memory) để dự báo khe hở thanh khoản theo chu kỳ ngày/tuần thay vì dữ liệu năm.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu mẫu mực về phương pháp nghiên cứu định lượng tài chính ngân hàng, từ khâu xây dựng giả thuyết đến quy trình kiểm định và khắc phục khuyết tật mô hình trên Stata/Python.
  • Chuyên viên Quản trị rủi ro & ALM: Nắm bắt được độ nhạy cảm của rủi ro thanh khoản trước từng tỷ lệ tài chính để cấu trúc lại danh mục tài sản Có và tài sản Nợ tối ưu.
  • Ban Lãnh đạo NHTM & Nhà điều hành chính sách (NHNN): Có cơ sở dữ liệu thực nghiệm vững chắc để đánh giá mức độ an toàn thanh khoản hệ thống, hoàn thiện khung pháp lý tiệm cận chuẩn mực quốc tế Basel III.

Câu hỏi thường gặp (FAQ)

1. Tại sao đề tài lại lựa chọn chỉ số Khe hở tài trợ (FGAP) thay vì các chỉ số thanh khoản L1–L4?

Chỉ số FGAP phản ánh trực tiếp bản chất chênh lệch giữa hai hoạt động cốt lõi của ngân hàng: cung cấp tín dụng (sử dụng vốn dài hạn) và huy động tiền gửi (nguồn vốn ngắn hạn). Các chỉ số L1–L4 mang tính thời điểm và dễ bị bóp méo bởi các thủ thuật điều hòa dòng tiền cuối kỳ kế toán.

2. Vì sao tỷ lệ Vốn chủ sở hữu (CAP) lại có tương quan cùng chiều (+0.6913) với rủi ro thanh khoản?

Đây là hiện tượng "Chấp nhận rủi ro khi có đệm an toàn vốn dày" (Moral Hazard / Risk-taking). Các ngân hàng có vốn tự có cao thường tự tin mở rộng hoạt động tài trợ dài hạn và đầu tư sinh lời cao, dẫn đến khe hở tài trợ nới rộng nhanh hơn tốc độ tích lũy thanh khoản thuần túy.

3. Phương pháp hồi quy GLS đã giải quyết những khuyết tật cụ thể nào của mô hình FEM?

Kiểm định Wooldridge ($p = 0.0004$) và Modified Wald ($p = 0.0000$) cho thấy mô hình FEM ban đầu bị vi phạm giả định về tự tương quan chuỗi và phương sai sai số đồng nhất. Phương pháp GLS sử dụng ma trận hiệp phương sai ước lượng trọng số giúp triệt tiêu hiện tượng này, đưa sai số chuẩn về mức tin cậy cao nhất.

4. Hệ thống Core Banking nào có thể tích hợp trực tiếp mô hình này?

Các hệ thống Core Banking phổ biến tại Việt Nam như Temenos T24, Oracle Flexcube, Finastra Fusion hoặc hệ thống Data Warehouse nội bộ đều có thể trích xuất dữ liệu tự động vào mô hình phân tích qua các giao thức API/ETL chuẩn.

5. Kết quả nghiên cứu có ý nghĩa như thế nào đối với việc đáp ứng chuẩn Basel III?

Kết quả nhấn mạnh vai trò sống còn của biến EFL (Tiền gửi), hoàn toàn tương thích với yêu cầu của Basel III về chỉ số Tỷ lệ Nguồn vốn Ổn định Ròng (Net Stable Funding Ratio - NSFR) và Tỷ lệ Đảm bảo Khả năng Thanh khoản (Liquidity Coverage Ratio - LCR).

Kết luận

Công trình nghiên cứu "Các nhân tố ảnh hưởng đến rủi ro thanh khoản trong các ngân hàng thương mại Việt Nam" đã hoàn thành xuất sắc mục tiêu nhận diện và lượng hóa các động lực tác động đến thanh khoản hệ thống trong thập kỷ 2013–2022. Bằng phương pháp kinh tế lượng chặt chẽ (FGLS/GLS), nghiên cứu đã xác lập hai nhân tố then chốt chi phối rủi ro thanh khoản là Tỷ lệ cho vay trên tổng tài sản ($TLA$, tác động cùng chiều mạnh nhất $+0.9969$) và Tỷ lệ tiền gửi trên tổng nợ ($EFL$, tác động ngược chiều mạnh nhất $-0.9145$). Kết quả này không chỉ bổ sung bằng chứng thực nghiệm giá trị cho bức tranh ngân hàng Việt Nam sau tái cơ cấu, mà còn mở ra cẩm nang hành động thiết thực cho các nhà quản trị rủi ro trên hành trình hiện đại hóa hệ thống tài chính bền vững.