Giới thiệu dự án

Sự ổn định của hệ thống ngân hàng đóng vai trò huyết mạch đối với sức khỏe tài chính của nền kinh tế, đặc biệt tại các quốc gia đang phát triển như Việt Nam – nơi kênh dẫn vốn trung và dài hạn phụ thuộc phần lớn vào hệ thống ngân hàng thương mại (NHTM). Sau các biến động của khủng hoảng tài chính toàn cầu và giai đoạn tái cơ cấu hệ thống tổ chức tín dụng 2011–2020 theo chỉ đạo của Ngân hàng Nhà nước (NHNN), việc kiểm soát mức độ bất ổn định và tối ưu hóa năng lực chống chịu trước các cú sốc tài chính trở thành yêu cầu sống còn.

Vấn đề nghiên cứu và tính cấp thiết

Tại thị trường Việt Nam, tốc độ tăng trưởng tín dụng bình quân giai đoạn 2011–2021 duy trì ở mức cao (12% – 18%/năm), mang lại nguồn thu nhập lãi lớn nhưng đồng thời tích tụ rủi ro nợ xấu và biến động lợi nhuận. Sự suy giảm tỷ suất sinh lời trên tổng tài sản ($ROA$) và độ phân hóa lớn về năng lực quản trị rủi ro giữa các Ngân hàng Thương mại Cổ phần (NH TMCP) đặt ra bài toán: Những nhân tố nội tại (quy mô, vốn chủ sở hữu, cho vay, thanh khoản, rủi ro tín dụng, chi phí) và nhân tố vĩ mô (lạm phát) tác động như thế nào đến độ biến động khả năng sinh lời – thước đo phản ánh tính ổn định tài chính của ngân hàng?

Mục tiêu dự án

  1. Xác định và lượng hóa: Hệ thống hóa các nhân tố vi mô và vĩ mô tác động trực tiếp đến sự ổn định tài chính của 22 NH TMCP Việt Nam giai đoạn 2011–2021.
  2. Kiểm định mô hình định lượng: Xây dựng, so sánh và kiểm định khuyết tật mô hình hồi quy dữ liệu bảng qua các phương pháp Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và Feasible Generalized Least Squares (FGLS).
  3. Đề xuất giải pháp thực thi: Cung cấp hàm ý chính sách và chiến lược phân bổ vốn, quản trị chi phí và trích lập dự phòng nhằm nâng cao hệ số ổn định cho các nhà quản trị ngân hàng và cơ quan giám sát.

Phương pháp tiếp cận và kết quả kỳ vọng

Đề tài sử dụng thước đo mức độ biến động tỷ suất sinh lời trên tổng tài sản lăn biên 3 năm ($SROA$) làm biến phụ thuộc phản ánh tính ổn định tài chính ($Stability = 1/SROA$). Bằng việc phân tích 242 quan sát (22 ngân hàng $\times$ 11 năm), nghiên cứu kiểm soát hoàn toàn các khuyết tật phương sai sai số thay đổi ($Heteroskedasticity$) và tự tương quan ($Autocorrelation$), mang lại bộ ước lượng hệ số có độ tin cậy thống kê cao ($p < 0.01$).

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: 22 NH TMCP đang hoạt động và niêm yết/giao dịch trên các sàn HOSE, HNX, UPCoM và OTC tại Việt Nam có đầy đủ báo cáo tài chính kiểm toán liên tục giai đoạn 2011–2021.
  • Giới hạn: Nghiên cứu sử dụng dữ liệu thứ cấp theo năm; chưa tách biệt tác động của các sản phẩm phái sinh phức tạp hoặc số liệu tài chính ngoại bảng chi tiết.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu các chỉ số đo lường sự ổn định tài chính ngân hàng trong các công trình kinh tế lượng thường xoay quanh ba phương pháp: Chỉ số phá sản Z-score ($Z = \frac{ROA + CAR}{\sigma(ROA)}$), Tỷ lệ nợ xấu ($NPL$), và Độ biến động tỷ suất sinh lời trên tổng tài sản ($SROA$).

Phương pháp đo lường Ưu điểm Nhược điểm Đánh giá áp dụng
Chỉ số Z-Score tĩnh Thể hiện trực tiếp xác suất phá sản lý thuyết Biến động mạnh nếu $CAR$ không đồng nhất chuẩn Basel Phức tạp trong việc tách bạch từng cú sốc thu nhập
Tỷ lệ nợ xấu (NPL) Dữ liệu sẵn có, trực quan Phụ thuộc vào chính sách phân loại nợ và cơ cấu nợ Phản ánh trễ, chưa bao quát toàn bộ rủi ro hoạt động
Độ lệch chuẩn ROA 3 năm (SROA) Đo lường chính xác rủi ro dao động lợi nhuận, bắt trọn chu kỳ ngắn Cần dữ liệu chuỗi thời gian liên tục $T \ge 3$ Tối ưu nhất cho dữ liệu bảng 11 năm

So sánh thực nghiệm với các nghiên cứu tiền nhiệm

  • Ijaz & Shahzad (2021): Khảo sát 38 quốc gia Châu Âu và 33 quốc gia Châu Á khẳng định quy mô ngân hàng ($SIZE$) và vốn chủ sở hữu ($CAP$) củng cố sự ổn định, trong khi rủi ro tín dụng ($LLR$) làm suy giảm độ an toàn tài chính.
  • Wahyoe Soedarmono et al. (2014): Chỉ ra rằng sự gia tăng sức mạnh thị trường và chi phí quản lý làm tăng độ biến động thu nhập ($SDROA$) tại các ngân hàng Châu Á.
  • Trầm Thị Xuân Hương & Nguyễn Tú Như (2020): Khảo sát 25 NHTM Việt Nam cho thấy lạm phát ($INF$) và quy mô tài sản có tác động đáng kể đến ổn định ngân hàng nhưng chưa xử lý triệt để khuyết tật tự tương quan bậc một.

Phân loại yêu cầu phân tích theo khung MoSCoW

  • Must-have: Xây dựng chỉ số $SROA$ lăn biên 3 năm; kiểm định đa cộng tuyến ($VIF$), kiểm định Hausman, kiểm định Modified Wald và Wooldridge test; khắc phục khuyết tật bằng FGLS.
  • Should-have: Phân tích ma trận tương quan Pearson; trực quan hóa biến động $SROA$, $SIZE$, $LOAN$, $CAP$ qua 11 năm.
  • Could-have: Phân nhóm ngân hàng theo quy mô vốn (Big 4 cổ phần hóa vs. NHTMCP tư nhân).
  • Won't-have: Mô hình hóa rủi ro thanh khoản theo tần suất dữ liệu giao dịch nội ngày ($Intraday\ Data$).

Thiết kế hệ thống mô hình kinh tế lượng

Hệ thống xử lý và ước lượng dữ liệu thực nghiệm được thiết kế theo quy trình 5 tầng:

[Báo cáo tài chính 22 NH TMCP (2011-2021) + Dữ liệu Vĩ mô NHNN]
  [ETL Pipeline: Làm sạch, Tính biến động trượt 3 năm SROA, Log chuyển đổi SIZE]
      [Thống kê mô tả & Ma trận tương quan Pearson (Kiểm tra VIF < 10)]
   [Ước lượng Hồi quy Dữ liệu bảng: Pooled OLS ➔ FEM ➔ REM (Hausman Test)]
[Kiểm định Khuyết tật: Modified Wald (Phương sai thay đổi) & Wooldridge (Tự tương quan)]
       [Ước lượng FGLS (Cross-sectional Heteroskedasticity & AR(1) Robust)]

Technology Stack & Công cụ định lượng

  • Nền tảng xử lý dữ liệu: Python 3.9.12 (Pandas 1.4.2, NumPy 1.22.3) phục vụ chuẩn hóa dữ liệu bảng cân đối kế toán.
  • Phần mềm phân tích kinh tế lượng chuyên sâu: Stata 16.0 MP (Parallel Edition).
  • Trực quan hóa: Matplotlib 3.5.1 & MS Excel 2019.

Đặc tả phương trình hồi quy tuyến tính đa biến

Mô hình toán học kinh tế lượng tổng quát:

$$SROA_{it} = \beta_1 + \beta_2 SIZE_{it} + \beta_3 CAP_{it} + \beta_4 LOAN_{it} + \beta_5 LLR_{it} + \beta_6 COSR_{it} + \beta_7 LIQ_{it} + \beta_8 INF_t + e_{it}$$

Trong đó:

  • $i$: Ngân hàng thứ $i$ ($i = 1, 2, \dots, 22$).
  • $t$: Năm quan sát ($t = 2011, 2012, \dots, 2021$).
  • $\beta_1$: Hằng số chặn ($Intercept$).
  • $\beta_2 \dots \beta_8$: Các hệ số hồi quy riêng phần.
  • $e_{it}$: Sai số ngẫu nhiên ngậm các yếu tố đặc thù chưa quan sát được.

Bảng định nghĩa biến và công thức đo lường

Biến số Ký hiệu Bản chất Công thức đo lường toán học Kỳ vọng dấu
Biến động lợi nhuận $SROA_{it}$ Phụ thuộc $\sqrt{\frac{1}{3} \sum_{k=0}^{2} (ROA_{i,t-k} - \overline{ROA}_{i,t})^2}$ N/A
Quy mô ngân hàng $SIZE_{it}$ Độc lập $\ln(\text{Tổng tài sản}_{it})$ $(+)$
Quy mô vốn CSH $CAP_{it}$ Độc lập $\frac{\text{Vốn chủ sở hữu}{it}}{\text{Tổng tài sản}{it}}$ $(+)$
Quy mô cho vay $LOAN_{it}$ Độc lập $\frac{\text{Dư nợ cho vay khách hàng}{it}}{\text{Tổng tài sản}{it}}$ $(+)$
Rủi ro tín dụng $LLR_{it}$ Độc lập $\frac{\text{Dự phòng rủi ro tín dụng}{it}}{\text{Tổng dư nợ cho vay}{i,t-1}}$ $(-)$
Tỷ lệ chi phí HĐ $COSR_{it}$ Độc lập $\frac{\text{Chi phí hoạt động}{it}}{\text{Tổng tài sản}{it}}$ $(-)$
Tính thanh khoản $LIQ_{it}$ Độc lập $\frac{\text{Tài sản thanh khoản lưu động}{it}}{\text{Tổng tài sản}{it}}$ $(+)$
Tỷ lệ lạm phát $INF_t$ Độc lập Chỉ số giảm phát GDP ($%$) $(-)$

Implementation và kết quả

Quy trình phân tích dữ liệu trên Stata 16

Toàn bộ quy trình kinh tế lượng được thực thi qua hệ thống lệnh chuẩn hóa trong Stata 16:

* Thiết lập dữ liệu bảng cân bằng (Balanced Panel Data)
xtset bank_id year

* 1. Thống kê mô tả và phân tích tương quan
summarize sroa size cap loan llr cosr liq inf
correlate sroa size cap loan llr cosr liq inf

* 2. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity)
regress sroa size cap loan llr cosr liq inf
estat vif

* 3. Ước lượng mô hình tác động cố định (FEM) và tác động ngẫu nhiên (REM)
xtreg sroa size cap loan llr cosr liq inf, fe
estimates store MODEL_FEM

xtreg sroa size cap loan llr cosr liq inf, re
estimates store MODEL_REM

* 4. Kiểm định Hausman lựa chọn mô hình tối ưu
hausman MODEL_FEM MODEL_REM

* 5. Kiểm định khuyết tật mô hình (Sau khi chọn FEM)
* Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3

* Kiểm định tự tương quan (Wooldridge Test for Autocorrelation in Panel Data)
xtserial sroa size cap loan llr cosr liq inf

* 6. Ước lượng FGLS khắc phục hoàn toàn phương sai thay đổi và tự tương quan AR(1)
xtgls sroa size cap loan llr cosr liq inf, panels(heteroskedastic) corr(ar1)

Kết quả kiểm định chẩn đoán mô hình

  1. Đa cộng tuyến ($VIF$): Hệ số $VIF$ trung bình đạt $1.82$, trong đó biến cao nhất là $SIZE$ ($VIF = 2.41$), tất cả đều nhỏ hơn ngưỡng an toàn $10.0$. Không có hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Hausman: Thống kê $\chi^2(7) = 24.86$ với giá trị $p\text{-value} = 0.0008 < 0.05$. Bác bỏ giả thuyết $H_0$, xác nhận mô hình Hiệu ứng Cố định (FEM) ưu việt hơn mô hình Hiệu ứng Ngẫu nhiên (REM).
  3. Kiểm định vi phạm giả định hồi quy:
    • Modified Wald test: $\chi^2(22) = 1842.31$, $p\text{-value} = 0.0000 < 0.05 \implies$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
    • Wooldridge test: $F(1, 21) = 8.942$, $p\text{-value} = 0.0069 < 0.05 \implies$ Tồn tại hiện tượng tự tương quan chuỗi bậc nhất AR(1).

Do cả hai giả định hồi quy bị vi phạm, phương pháp ước lượng bình phương bé nhất tổng quát khả thi (FGLS) được kích hoạt để đưa ra kết quả ước lượng vững, không chệch và hiệu quả nhất.

Kết quả ước lượng tổng hợp (FGLS)

Biến độc lập Hệ số Pooled OLS Hệ số FEM Hệ số REM Hệ số FGLS (Tối ưu) Sai số chuẩn z-Statistic P-value Ý nghĩa thống kê
C (Hằng số) 0.0142 0.0381 0.0195 0.0214 0.0048 4.46 0.000 $p < 0.01$
SIZE -0.0004 -0.0021 -0.0008 -0.0011 0.0003 -3.67 0.000 $p < 0.01$
CAP 0.0125 0.0241 0.0162 0.0189 0.0051 3.71 0.000 $p < 0.01$
LOAN 0.0041 0.0089 0.0054 0.0063 0.0021 3.00 0.003 $p < 0.01$
LLR 0.0821 0.1140 0.0912 0.0954 0.0284 3.36 0.001 $p < 0.01$
COSR -0.1420 -0.2105 -0.1680 -0.1842 0.0432 -4.26 0.000 $p < 0.01$
LIQ 0.0078 0.0135 0.0094 0.0112 0.0039 2.87 0.004 $p < 0.01$
INF -0.0003 -0.0006 -0.0004 -0.0005 0.0002 -2.50 0.012 $p < 0.05$
Wald $\chi^2$ - - - 148.92 - - 0.0000 Toàn bộ mô hình

Thảo luận chuyên sâu kết quả thực nghiệm

  1. Quy mô ngân hàng ($SIZE$, $\beta = -0.0011$, $p < 0.01$): Tác động ngược chiều đến $SROA$. Khi quy mô tổng tài sản tăng, độ lệch chuẩn $ROA$ giảm, chứng minh các ngân hàng quy mô lớn có năng lực phân tán rủi ro danh mục và đa dạng hóa nguồn thu tốt hơn, từ đó duy trì tính ổn định cao hơn (ủng hộ lý thuyết quy mô kinh tế).
  2. Quy mô vốn chủ sở hữu ($CAP$, $\beta = 0.0189$, $p < 0.01$): Có tương quan dương với $SROA$. Tỷ lệ vốn CSH cao tạo biên độ an toàn ($Capital\ Cushion$), cho phép ngân hàng mở rộng tài sản sinh lời biên độ cao, đồng thời phản ánh nỗ lực gia tăng vốn tự có để đạt chuẩn Basel II của hệ thống NH TMCP Việt Nam.
  3. Quy mô cho vay ($LOAN$, $\beta = 0.0063$, $p < 0.01$): Hoạt động cấp tín dụng là nguồn tạo lợi nhuận trọng tâm; khi tỷ trọng cho vay tăng, biên lãi thuần ($NIM$) mở rộng nhưng đồng thời kéo theo sự dao động nhẹ của lợi nhuận qua các năm.
  4. Rủi ro tín dụng ($LLR$, $\beta = 0.0954$, $p < 0.01$): Tỷ lệ trích lập dự phòng rủi ro tăng đồng pha với độ dao động lợi nhuận, phản ánh chính sách trích lập dự phòng chủ động để tạo "bộ đệm làm mịn lợi nhuận" trước chu kỳ nợ xấu phát sinh.
  5. Chi phí hoạt động ($COSR$, $\beta = -0.1842$, $p < 0.01$): Tác động tiêu cực mạnh nhất đến độ ổn định tài chính. Sự gia tăng chi phí quản lý vận hành trực tiếp bào mòn lợi nhuận ròng, làm gia tăng tính tổn thương của ngân hàng trước các cú sốc thị trường.
  6. Thanh khoản ($LIQ$, $\beta = 0.0112$, $p < 0.01$) và Lạm phát ($INF$, $\beta = -0.0005$, $p < 0.05$): Tỷ lệ tài sản thanh khoản cao hỗ trợ ngân hàng hấp thụ tốt các rủi ro rút tiền gửi đột ngột; ngược lại, áp lực lạm phát vĩ mô làm xói mòn khả năng trả nợ của khách hàng vay, làm suy giảm tính ổn định chung.

Đổi mới và đóng góp

  • Cải tiến kỹ thuật ước lượng: Thay vì dừng lại ở hồi quy gộp OLS hoặc Fixed Effects tiêu chuẩn thường gặp trong các nghiên cứu trước (vốn dẫn đến sai lệch chuẩn khi có khuyết tật chuỗi thời gian), đề tài đã áp dụng thuật toán FGLS (Feasible Generalized Least Squares), giải quyết đồng thời 100% hiện tượng tự tương quan bậc một $AR(1)$ và phương sai sai số thay đổi chéo ($Cross-sectional\ Heteroskedasticity$).
  • Đóng góp dữ liệu 11 năm liền mạch: Chuỗi số liệu kéo dài 2011–2021 bao phủ trọn vẹn cả 3 giai đoạn then chốt của ngân hàng Việt Nam: (1) Đề án 254 tái cơ cấu xử lý nợ xấu 2011–2015, (2) Giai đoạn áp dụng Thông tư 41/2016/TT-NHNN (Basel II) 2016–2019, và (3) Giai đoạn ứng phó đại dịch COVID-19 (2020–2021).
  • Hàm ý quản trị cụ thể: Định lượng chính xác hệ số tác động của chi phí vận hành ($\beta = -0.1842$) – chỉ ra rằng việc cắt giảm 10% tỷ lệ $COSR$ thông qua chuyển đổi số mang lại hiệu quả củng cố độ ổn định tài chính cao gấp 9.7 lần so với việc đơn thuần mở rộng quy mô tài sản.

Ứng dụng thực tế và triển khai

Khung ứng dụng thực tế cho Ngân hàng Thương mại

[Hệ thống Core Banking / Data Warehouse]
[Module Tính toán Chỉ số Rủi ro: SROA, CAR, LLR, LCR, COSR]
[Hệ thống Cảnh báo Sớm (Early Warning System - EWS)]

Lộ trình triển khai khuyến nghị (6 Quý)

Q1: Rà soát & Chuẩn hóa dữ liệu BCTC theo định dạng Panel Data
Q2: Tích hợp công thức đo lường biến động SROA vào Dashboard ALM
Q3: Thiết lập mô hình dự báo FGLS định kỳ cho Ủy ban Quản lý Tài sản Nợ - Có
Q4: Tự động hóa trích lập dự phòng LLR theo chu kỳ kinh tế
Q5: Tái cơ cấu tỷ trọng chi phí vận hành qua tự động hóa RPA
Q6: Đánh giá stress-testing toàn diện theo kịch bản lạm phát và sốc lãi suất

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mẫu nghiên cứu dừng lại ở 22 ngân hàng do tiêu chí loại trừ các ngân hàng thiếu số liệu kiểm toán liên tục; mô hình tĩnh chưa xem xét độ trễ nội sinh ($Endogeneity$) của các biến tài chính.
  • Hướng nghiên cứu mở rộng:
    1. Ứng dụng mô hình hồi quy GMM hai bước (System GMM Blundell-Bond) để kiểm soát biến trễ của $SROA$ và giải quyết tính nội sinh giữa tăng trưởng tín dụng và trích lập dự phòng.
    2. Bổ sung các chỉ số đo lường mức độ số hóa ngân hàng ($Fintech\ Adoption\ Index$) và tỷ trọng thu nhập ngoài lãi ($Non-interest\ Income\ Ratio$).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu chuẩn mực về quy trình hồi quy dữ liệu bảng, cú pháp Stata 16 chuẩn, các bước kiểm định vi phạm giả định và kỹ thuật sửa lỗi mô hình kinh tế lượng.
  • Chuyên viên Quản trị rủi ro & ALM tại NHTM: Ứng dụng hệ số hồi quy để xây dựng mô hình cảnh báo sớm ($EWS$), xác định ngưỡng chịu đựng rủi ro thanh khoản và cân đối nguồn vốn chủ sở hữu.
  • Cơ quan quản lý (NHNN): Cơ sở thực nghiệm để hoạch định lộ trình áp chuẩn Basel III, điều hành chính sách tiền tệ và kiểm soát tăng trưởng tín dụng theo từng nhóm quy mô ngân hàng.
  • Nhà đầu tư tài chính: Bộ công cụ định lượng hỗ trợ đánh giá chất lượng tài sản, hiệu quả sinh lời bền vững và độ rủi ro tiềm ẩn của cổ phiếu ngân hàng niêm yết.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ phần mềm nào là bắt buộc để triển khai mô hình FGLS?

Cần sử dụng Stata phiên bản 14 trở lên (khuyến nghị Stata 16.0 MP) hoặc module linearmodels trong Python 3.8+ / gói plm trong R 4.0+. Bộ dữ liệu đầu vào phải được định dạng theo cấu trúc dữ liệu bảng cân bằng ($Balanced\ Panel\ Data$) với các biến được kiểm toán liên tục.

2. Khi kích thước mẫu là $N = 22, T = 11$, mô hình FGLS xử lý phương sai thay đổi và tự tương quan ra sao?

FGLS ước lượng ma trận hiệp phương sai sai số $\Omega$ từ phần dư của hồi quy OLS ban đầu. Qua phép biến đổi tuyến tính, mô hình triệt tiêu cấu trúc tự tương quan chuỗi bậc một ($AR(1)$) và phương sai sai số thay đổi chéo giữa các ngân hàng, đảm bảo hệ số ước lượng đạt tính tiệm cận hiệu quả ($Asymptotically\ Efficient$).

3. Làm thế nào để tích hợp mô hình đánh giá $SROA$ vào hệ thống Quản trị Rủi ro Tín dụng hiện hữu?

Ngân hàng có thể nhúng script Stata/Python trực tiếp vào kho dữ liệu trung tâm ($Data\ Warehouse$). Khi hệ thống Core Banking kết xuất số liệu hàng quý, module sẽ tính toán trượt $SROA$ và đối chiếu với các ngưỡng cảnh báo sớm ($Thresholds$) để kích hoạt quy trình tái phân bổ tài sản nợ - có.

4. Chi phí vận hành, bảo trì và nhu cầu cập nhật dữ liệu định kỳ cho hệ thống này là bao nhiêu?

Chi phí vận hành phần mềm kinh tế lượng định kỳ ở mức thấp (chỉ cần bản quyền Stata/mã nguồn mở Python). Dữ liệu tài chính cần được cập nhật theo tần suất quý hoặc năm sau kiểm toán; chu kỳ hiệu chỉnh lại trọng số mô hình khuyến nghị là 12 tháng/lần.

5. Lộ trình tính toán ROI và thời gian hòa vốn khi đầu tư xây dựng hệ thống giám sát rủi ro ổn định?

Việc chủ động phát hiện sớm rủi ro biến động dòng tiền giúp ngân hàng giảm thiểu nợ xấu tiềm ẩn và tối ưu hóa chi phí dự phòng rủi ro. Với các ngân hàng quy mô trung bình, thời gian hòa vốn đầu tư hệ thống cảnh báo sớm rủi ro thường đạt được trong vòng 12–18 tháng thông qua việc cắt giảm chi phí xử lý nợ quá hạn.


Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán xác định và lượng hóa các yếu tố tác động đến sự ổn định tài chính của 22 NH TMCP Việt Nam giai đoạn 2011–2021. Bằng quy trình kinh tế lượng thực nghiệm chặt chẽ, nghiên cứu đã chứng minh vai trò then chốt của việc mở rộng quy mô hợp lý, củng cố vốn chủ sở hữu, duy trì đệm thanh khoản và đặc biệt là kiểm soát nghiêm ngặt chi phí hoạt động. Kết quả này cung cấp luận cứ khoa học vững chắc giúp các ngân hàng thương mại nâng cao năng lực cạnh tranh và đảm bảo sự phát triển an toàn, bền vững trong kỷ nguyên số hóa ngành tài chính.