Giới thiệu dự án

Hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) giữ vai trò huyết mạch trong nền kinh tế Việt Nam, đóng góp hơn 70% tổng cung ứng vốn tín dụng cho toàn xã hội. Giai đoạn 2013–2023 ghi nhận những chuyển dịch mang tính bước ngoặt của ngành tài chính: từ quá trình tái cơ cấu sau khủng hoảng nợ xấu, tiến trình áp dụng chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN) và Basel III, cho đến cú sốc đứt gãy kinh tế từ đại dịch COVID-19 (2020–2022). Trong môi trường kinh doanh biến động, việc duy trì và tối ưu hóa khả năng sinh lời (KNSL) không chỉ quyết định sự tồn tại của từng tổ chức tín dụng mà còn bảo đảm sự ổn định của hệ thống tài chính quốc gia.

+-----------------------------------------------------------------------------+
|                           BỐI CẢNH NGHIÊN CỨU                               |
| 26 NHTMCP Niêm Yết | Giai đoạn: 2013 - 2023 | 286 Quan sát (Panel Data)     |
+-----------------------------------------------------------------------------+
+-----------------------------------------------------------------------------+
|                         VẤN ĐỀ CỐT LÕI (PAIN POINTS)                        |
| • Áp lực biên lãi thuần (NIM) sụt giảm do cạnh tranh lãi suất huy động      |
| • Nợ xấu tiềm ẩn (NPL) gia tăng, áp lực trích lập dự phòng rủi ro lớn       |
| • Sự đánh đổi giữa hệ số an toàn vốn (CAR) và tốc độ mở rộng tài sản        |
| • Thiếu mô hình lượng hóa đa chiều (ROA - ROE - NIM) xử lý khuyết tật mẫu   |
+-----------------------------------------------------------------------------+
+-----------------------------------------------------------------------------+
|                        GIẢI PHÁP ĐỊNH LƯỢNG TOÀN DIỆN                       |
|                     Kiểm định Khuyết tật                                    |
|               (VIF, Breusch-Pagan, Modified Wald, Wooldridge)               |
|            Ước lượng Bình phương bé nhất Khả thi (FGLS)                     |
+-----------------------------------------------------------------------------+

Problem Statement

Phần lớn các tổ chức tín dụng hiện nay gặp khó khăn trong việc xác định mức độ tác động đồng thời của các biến số nội tại (vi mô) và ngoại cảnh (vĩ mô) lên các khía cạnh sinh lời khác nhau. Sự suy giảm biên thu nhập lãi thuần (NIM), tỷ lệ nợ xấu gia tăng sau chu kỳ kinh tế suy thoái, cùng với sự phân hóa mạnh mẽ về quy mô tài sản và năng lực số hóa đang tạo ra rủi ro thanh khoản và sụt giảm lợi nhuận nghiêm trọng.

Project Objectives

  1. Hệ thống hóa khung lý thuyết: Tổng hợp và xây dựng hệ thống chỉ tiêu đo lường KNSL đa chiều thông qua 03 biến phụ thuộc: ROA (Return on Assets), ROE (Return on Equity), và NIM (Net Interest Margin).
  2. Thu thập và chuẩn hóa dữ liệu bảng: Xây dựng bộ dữ liệu bảng gồm 286 quan sát từ 26 NHTMCP niêm yết tại Việt Nam giai đoạn 2013–2023 kết hợp chỉ số vĩ mô từ World Bank.
  3. Ước lượng và kiểm định mô hình: Ứng dụng các kỹ thuật kinh tế lượng gồm Pooled OLS, FEM, REM và xử lý triệt để các khuyết tật phương sai sai số thay đổi, tự tương quan bằng mô hình FGLS (Feasible Generalized Least Squares).
  4. Đề xuất hàm ý quản trị: Đưa ra các khuyến nghị khả thi giúp ban điều hành ngân hàng tối ưu hóa cấu trúc chi phí hoạt động, quản lý rủi ro tín dụng và đa dạng hóa nguồn thu ngoài lãi.

Solution Approach & Justification

Nghiên cứu sử dụng phương pháp định lượng hồi quy dữ liệu bảng (Panel Data Regression). Thay vì chỉ đánh giá đơn biến hoặc sử dụng hồi quy cắt ngang (Cross-sectional OLS) dễ gây mất mát thông tin chuỗi thời gian, phương pháp dữ liệu bảng kết hợp hồi quy FGLS giúp kiểm soát các đặc tính riêng biệt không quan sát được của từng ngân hàng, đồng thời triệt tiêu hiện tượng phương sai thay đổi và tự tương quan bậc nhất.

Expected Outcomes & Measurable Metrics

  • Đạt độ tin cậy thống kê ở mức ý nghĩa $p < 0.01$ đối với các biến giải thích cốt lõi: Quy mô ngân hàng (SIZE), Chi phí hoạt động (OPE), Tiền gửi khách hàng (DEP), Nợ xấu (NPL), Thu nhập ngoài lãi (NNII), Cung tiền (M2), và Tăng trưởng kinh tế (GDP).
  • Xác định chính xác chiều hướng tác động đa biến: Phân tích sự đối nghịch giữa tác động của NNII lên ROA/ROE (dương) so với NIM (âm).
  • Xây dựng mô hình hồi quy có hệ số phóng đại phương sai $\text{VIF} < 2.0$, loại trừ hoàn toàn rủi ro đa cộng tuyến.

Phạm vi và Giới hạn nghiên cứu

  • Phạm vi không gian: 26 NHTMCP có báo cáo tài chính kiểm toán hoàn chỉnh niêm yết trên HOSE, HNX và UPCoM (loại bỏ 4 ngân hàng do thiếu dữ liệu liên tục).
  • Phạm vi thời gian: Chuỗi thời gian 11 năm (2013–2023).
  • Giới hạn: Chưa tích hợp các yếu tố phi tài chính như điểm số môi trường - xã hội - quản trị (ESG), chỉ số chuyển đổi số nội bộ (Digital Banking Index) do hạn chế công bố thông tin bắt buộc trong giai đoạn nghiên cứu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các hướng tiếp cận định lượng phổ biến trong phân tích hiệu quả tài chính ngân hàng hiện nay:

Tiêu chí Mô hình Pooled OLS truyền thống Mô hình FEM / REM cơ bản Mô hình hồi quy hiệu chỉnh FGLS (Giải pháp đề xuất)
Xử lý đặc tính riêng của từng NHTM Bỏ qua, coi các ngân hàng đồng nhất Kiểm soát qua biến giả/hiệu ứng ngẫu nhiên Kiểm soát hiệu ứng cố định và cấu trúc bảng
Kiểm soát phương sai thay đổi (Heteroskedasticity) Không hỗ trợ, sai số chuẩn bị lệch Không tự khắc phục, làm mất hiệu quả ước lượng Khắc phục hoàn toàn bằng ma trận hiệp phương sai sai số
Kiểm soát tự tương quan chuỗi (Autocorrelation) Không hỗ trợ Dễ vi phạm giả định sai số ngẫu nhiên Tự động hiệu chỉnh sai số tự tương quan $AR(1)$
Độ chính xác tham số ước lượng Thấp (Ước lượng chệch khi có khuyết tật) Trung bình (BLUE chỉ khi không có khuyết tật) Tối ưu (Hiệu quả cao nhất trong mẫu lớn)

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must have: Dữ liệu tài chính 26 NHTMCP kiểm toán giai đoạn 2013–2023; 03 mô hình hồi quy riêng biệt cho ROA, ROE, NIM; kiểm định đa cộng tuyến (VIF), kiểm định Hausman, kiểm định Modified Wald và Wooldridge.
  • Should have: Ước lượng FGLS khắc phục khuyết tật mô hình; phân tích thống kê mô tả phân hóa giữa các nhóm ngân hàng quy mô lớn (Big 4 cổ phần hóa) và nhóm quy mô vừa/nhỏ.
  • Could have: Đánh giá độ trễ của các cú sốc vĩ mô (lạm phát, cung tiền) lên lợi nhuận.
  • Won't have: Mô hình dự báo chuỗi thời gian phi tuyến tính Machine Learning (LSTM/Random Forest) do mục tiêu cốt lõi là kiểm định giả thuyết và giải thích nhân quả kinh tế lượng.

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu kinh tế lượng đa biến được thiết lập dưới dạng hệ 03 phương trình hồi quy tuyến tính:

$$\text{ROA}{i,t} = \alpha + \beta_1 \text{SIZE}{i,t} + \beta_2 \text{CAR}{i,t} + \beta_3 \text{DEP}{i,t} + \beta_4 \text{OPE}{i,t} + \beta_5 \text{NNII}{i,t} + \beta_6 \text{NPL}{i,t} + \beta_7 \text{M2}{t} + \beta_8 \text{GDP}{t} + \varepsilon{i,t}$$

$$\text{ROE}{i,t} = \alpha + \beta_1 \text{SIZE}{i,t} + \beta_2 \text{CAR}{i,t} + \beta_3 \text{DEP}{i,t} + \beta_4 \text{OPE}{i,t} + \beta_5 \text{NNII}{i,t} + \beta_6 \text{NPL}{i,t} + \beta_7 \text{M2}{t} + \beta_8 \text{GDP}{t} + \varepsilon{i,t}$$

$$\text{NIM}{i,t} = \alpha + \beta_1 \text{SIZE}{i,t} + \beta_2 \text{CAR}{i,t} + \beta_3 \text{DEP}{i,t} + \beta_4 \text{OPE}{i,t} + \beta_5 \text{NNII}{i,t} + \beta_6 \text{NPL}{i,t} + \beta_7 \text{M2}{t} + \beta_8 \text{GDP}{t} + \varepsilon{i,t}$$

+-----------------------------------------------------------------------------+
|                     CẤU TRÚC BIẾN SỐ VÀ CÔNG THỨC TOÁN HỌC                  |
+-----------------------------------------------------------------------------+
| 1. BIẾN PHỤ THUỘC (PROFITABILITY METRICS):                                  |
|    • ROA  = Lợi nhuận sau thuế / Tổng tài sản bình quân                     |
|    • ROE  = Lợi nhuận sau thuế / Vốn chủ sở hữu bình quân                   |
|    • NIM  = Thu nhập lãi thuần / Tổng tài sản sinh lời bình quân            |
+-----------------------------------------------------------------------------+
| 2. BIẾN ĐỘC LẬP NỘI TẠI (VI MÔ NGÂN HÀNG):                                  |
|    • SIZE = ln(Tổng tài sản)                                                |
|    • CAR  = Vốn chủ sở hữu / Tổng tài sản                                   |
|    • DEP  = Tiền gửi khách hàng / Tổng tài sản                              |
|    • OPE  = Chi phí hoạt động / Tổng tài sản                                |
|    • NNII = Tổng thu nhập ngoài lãi thuần / Tổng tài sản                    |
|    • NPL  = Dư nợ xấu (Nhóm 3, 4, 5) / Tổng dư nợ cho vay                   |
+-----------------------------------------------------------------------------+
| 3. BIẾN ĐỘC LẬP NGOẠI TẠI (VĨ MÔ NỀN KINH TẾ):                              |
|    • M2   = Tốc độ tăng trưởng cung tiền M2 hàng năm (%)                    |
|    • GDP  = Tốc độ tăng trưởng tổng sản phẩm quốc nội (%)                   |
+-----------------------------------------------------------------------------+

Technology Stack & Versioning

  • Phần mềm xử lý kinh tế lượng: Stata MP v17.0 (64-bit).
  • Nền tảng trích xuất dữ liệu tài chính: FiinPro Platform Enterprise v2.5 (Dữ liệu chuẩn hóa BCTC kiểm toán).
  • Nguồn dữ liệu kinh tế vĩ mô: World Bank Open Data API & Tổng cục Thống kê (GSO).
  • Phần mềm tiền xử lý và tổng hợp: Microsoft Excel Professional Plus 2021.

Methodology & Testing Framework

Quy trình nghiên cứu định lượng tuân thủ nghiêm ngặt chuẩn mực kinh tế lượng thực nghiệm:

                                           [Thống kê mô tả & Ma trận tương quan]
                                           [Kiểm tra đa cộng tuyến (VIF)]
                                           [Hồi quy Pooled OLS / FEM / REM]
             [F-test: OLS vs FEM]                                            [Hausman Test: FEM vs REM]
                                           [Lựa chọn mô hình tối ưu]
                                           [Kiểm định Khuyết tật mô hình]
                       [Modified Wald Test]                       [Wooldridge Test]
                    (Phương sai sai số thay đổi)                 (Tự tương quan chuỗi)
                                     [Tồn tại ít nhất 1 khuyết tật (p < 0.05)]
                                           [Ước lượng hiệu chỉnh FGLS]
                                           [Thảo luận kết quả & Hàm ý quản trị]

Implementation và kết quả

Development & Data Processing Pipeline

Dữ liệu được làm sạch và chuẩn hóa qua 4 giai đoạn: (1) Trích xuất dữ liệu thô từ FiinPro; (2) Loại bỏ các giá trị dị biệt và chuẩn hóa đơn vị tính; (3) Tính toán các chỉ số tài chính theo công thức định nghĩa; (4) Khai báo cấu trúc dữ liệu bảng trong Stata.

Dưới đây là kịch bản Stata do-file hoàn chỉnh được áp dụng trong nghiên cứu:

* ==============================================================================
* KỊCH BẢN PHÂN TÍCH KINH TẾ LƯỢNG: CÁC YẾU TỐ TÁC ĐỘNG ĐẾN KNSL CỦA NHTMCP VN
* Phiên bản phần mềm: Stata MP 17.0 | Tác giả: Nguyễn Kim Ngân (HUB, 2024)
* ==============================================================================

clear all
set more off

* 1. Nhập dữ liệu và khai báo cấu trúc Panel Data
import excel "Data_NHTM_2013_2023.xlsx", sheet("Final_Data") firstrow clear
xtset Bank_ID Year

* 2. Thống kê mô tả toàn bộ các biến trong mô hình
summarize ROA ROE NIM SIZE CAR DEP OPE NNII NPL M2 GDP, detail

* 3. Phân tích tương quan ma trận và kiểm tra đa cộng tuyến
pwcorr ROA ROE NIM SIZE CAR DEP OPE NNII NPL M2 GDP, star(0.05)
regress ROA SIZE CAR DEP OPE NNII NPL M2 GDP
estat vif

* 4. Ước lượng mô hình với biến phụ thuộc ROA
* 4.1. Pooled OLS
regress ROA SIZE CAR DEP OPE NNII NPL M2 GDP
estimates store ols_roa

* 4.2. Fixed Effects Model (FEM)
xtreg ROA SIZE CAR DEP OPE NNII NPL M2 GDP, fe
estimates store fem_roa

* 4.3. Random Effects Model (REM)
xtreg ROA SIZE CAR DEP OPE NNII NPL M2 GDP, re
estimates store rem_roa

* 4.4. Kiểm định lựa chọn mô hình
* F-test kiểm định OLS vs FEM (tích hợp trong output xtreg, fe)
* Hausman Test kiểm định FEM vs REM
hausman fem_roa rem_roa

* 5. Kiểm định khuyết tật mô hình (sau khi chọn FEM hoặc REM)
* Kiểm định phương sai thay đổi (Modified Wald test for groupwise heteroskedasticity)
xtreg ROA SIZE CAR DEP OPE NNII NPL M2 GDP, fe
xttest3

* Kiểm định tự tương quan (Wooldridge test for autocorrelation in panel data)
xtserial ROA SIZE CAR DEP OPE NNII NPL M2 GDP

* 6. Khắc phục khuyết tật bằng ước lượng FGLS (Feasible Generalized Least Squares)
* Xử lý đồng thời phương sai thay đổi giữa các panel và tự tương quan AR(1)
xtgls ROA SIZE CAR DEP OPE NNII NPL M2 GDP, panels(hetero) corr(ar1)
estimates store fgls_roa

xtgls ROE SIZE CAR DEP OPE NNII NPL M2 GDP, panels(hetero) corr(ar1)
estimates store fgls_roe

xtgls NIM SIZE CAR DEP OPE NNII NPL M2 GDP, panels(hetero) corr(ar1)
estimates store fgls_nim

* 7. Xuất kết quả tổng hợp so sánh
estimates table fgls_roa fgls_roe fgls_nim, b(%9.4f) se stats(N Wald chi2 p)

Testing và Diagnostic Validation

Thống kê mô tả mẫu nghiên cứu ($N = 286$)

Kết quả thống kê mô tả các biến trong giai đoạn 2013–2023:

  • ROA: Giá trị trung bình đạt $0.88% \pm 0.68%$; thấp nhất là $-0.70%$ (NVB năm 2023) và cao nhất là $3.24%$ (TCB năm 2021).
  • ROE: Giá trị trung bình đạt $10.31% \pm 6.96%$; thấp nhất là $-13.14%$ (NVB năm 2023) và cao nhất là $26.39%$ (VIB năm 2021).
  • NIM: Giá trị trung bình đạt $3.14% \pm 1.27%$; dao động từ $0.58%$ (HDB năm 2013) đến $9.33%$ (VPB năm 2019).
  • SIZE: Trung bình đạt $18.885 \pm 1.141$ (tương đương quy mô tài sản trung bình $\approx 159,000$ tỷ VND); nhỏ nhất là $16.502$ (SGB năm 2013) và lớn nhất là $21.557$ (BID năm 2023, tương đương hơn 2.3 triệu tỷ VND).
  • CAR: Trung bình đạt $9.76% \pm 5.98%$.
  • DEP: Tỷ lệ tiền gửi khách hàng chiếm tỷ trọng lớn trong cơ cấu nguồn vốn với giá trị trung bình $67.42% \pm 10.12%$.
  • OPE: Chi phí hoạt động trung bình là $1.63% \pm 0.46%$.
  • NNII: Thu nhập ngoài lãi trung bình đạt $0.51% \pm 0.39%$.
  • NPL: Tỷ lệ nợ xấu trung bình là $2.14% \pm 2.24%$, cao nhất lên tới $30.35%$ (NVB năm 2023 do phân loại lại nợ đặc thù).
  • M2 và GDP: Mức tăng trưởng cung tiền và kinh tế trung bình lần lượt là $14.41% \pm 2.47%$ và $5.99% \pm 1.74%$.

Kết quả kiểm định chẩn đoán mô hình

Tất cả các kiểm định thống kê đều khẳng định sự cần thiết phải áp dụng mô hình FGLS:

Kiểm định thống kê Mục đích kiểm định Giá trị thống kê thu được Kết luận
VIF Test Đa cộng tuyến $\text{Mean VIF} = 1.38 < 2.0$ (Tất cả $\text{VIF}_j < 1.85$) Không có hiện tượng đa cộng tuyến
F-Test (ROA) Pooled OLS vs FEM $F(25, 252) = 8.74$ ($p = 0.0000$) Bác bỏ Pooled OLS, chọn FEM
Hausman Test (ROA) FEM vs REM $\chi^2(8) = 28.45$ ($p = 0.0004$) Bác bỏ REM, chọn mô hình FEM
Modified Wald Test Phương sai thay đổi $\chi^2(26) = 1482.31$ ($p = 0.0000$) Hiện tượng phương sai sai số thay đổi nghiêm trọng
Wooldridge Test Tự tương quan chuỗi $F(1, 25) = 19.83$ ($p = 0.0001$) Tồn tại tự tương quan bậc nhất $AR(1)$

Kết quả đạt được từ mô hình FGLS

Tổng hợp chiều hướng và mức độ tác động của các yếu tố đến 03 thước đo khả năng sinh lời theo ước lượng FGLS:

Biến độc lập Ký hiệu Tác động tới ROA Tác động tới ROE Tác động tới NIM Ý nghĩa kinh tế
Quy mô ngân hàng SIZE + (Cùng chiều) + (Cùng chiều) + (Cùng chiều) Khai thác lợi thế kinh tế theo quy mô (Economies of Scale), giảm chi phí cận biên.
Hệ số an toàn vốn CAR + (Cùng chiều) + (Cùng chiều) Không có ý nghĩa Đệm vốn an toàn cao nâng cao uy tín, hạ chi phí rủi ro thanh khoản.
Tiền gửi khách hàng DEP - (Ngược chiều) - (Ngược chiều) - (Ngược chiều) Chi phí trả lãi tiền gửi lớn; áp lực huy động vốn giá cao làm hẹp biên lãi ròng.
Chi phí hoạt động OPE + (Cùng chiều) + (Cùng chiều) + (Cùng chiều mạnh nhất) Chi phí vận hành đầu tư vào số hóa, nhân sự chất lượng cao giúp tăng doanh thu vượt trội.
Thu nhập ngoài lãi NNII + (Tác động mạnh nhất) + (Tác động mạnh nhất) - (Ngược chiều) Đa dạng hóa dịch vụ bảo hiểm, thanh toán giúp tăng mạnh ROA/ROE nhưng giảm tỷ trọng tài sản lãi.
Tỷ lệ nợ xấu NPL - (Ngược chiều) - (Ngược chiều) - (Ngược chiều) Làm tăng trích lập dự phòng rủi ro tín dụng và làm đóng băng dòng vốn sinh lời.
Cung tiền M2 + (Cùng chiều) + (Cùng chiều) Không có ý nghĩa Thanh khoản hệ thống dồi dào thúc đẩy tăng trưởng tín dụng toàn ngành.
Tăng trưởng kinh tế GDP + (Cùng chiều) + (Cùng chiều) Không có ý nghĩa Kinh tế mở rộng kích thích nhu cầu vay vốn và sử dụng dịch vụ ngân hàng.

Đổi mới và đóng góp

Technical Innovations & Empirical Contributions

  1. Đánh giá toàn diện bộ ba chỉ tiêu tài chính (ROA, ROE, NIM): Khác biệt với đa số nghiên cứu trước đây vốn chỉ tập trung vào một chỉ tiêu đơn lẻ (thường là ROA hoặc ROE), nghiên cứu này phân tích đồng thời cơ chế hình thành lợi nhuận tổng thể và lợi nhuận từ hoạt động kinh doanh cốt lõi (NIM).
  2. Làm rõ sự đánh đổi giữa hoạt động truyền thống và phi tín dụng: Phát hiện hiện tượng đối nghịch của biến NNII: gia tăng thu nhập ngoài lãi có tác động thúc đẩy mạnh mẽ ROA và ROE, nhưng lại tác động ngược chiều lên NIM. Điều này phản ánh sự dịch chuyển nguồn lực từ nghiệp vụ tín dụng truyền thống sang dịch vụ số và ngân hàng đầu tư.
  3. Giải mã nghịch lý chi phí hoạt động (OPE) tại Việt Nam: Thay vì tác động tiêu cực như các lý thuyết quản trị truyền thống, OPE tại các NHTMCP Việt Nam giai đoạn 2013–2023 tác động tích cực đến cả 3 thước đo lợi nhuận. Điều này chứng minh các khoản đầu tư cho công nghệ ngân hàng lõi (Core Banking), hạ tầng số và chuyển đổi mạng lưới chi nhánh đang phát huy hiệu quả kinh tế cao hơn tốc độ gia tăng chi phí.

So sánh đối chiếu với các công trình thực nghiệm trước

+----------------------------------------------------------------------------------------------------+
|                                SO SÁNH VỚI CÁC CÔNG TRÌNH TRƯỚC                                    |
+--------------------------+-----------------------+-------------------------+-----------------------+
| Yếu tố phân tích         | Phạm Hải Nam (2020)   | Lê Đồng Duy Trung (2020)| Khóa luận này (2024)  |
+--------------------------+-----------------------+-------------------------+-----------------------+
| Mẫu nghiên cứu           | 30 NHTM (2007-2018)   | 30 NHTM (2009-2017)     | 26 NHTMCP (2013-2023) |
| Phương pháp kinh tế lượng| Bayes & Gibbs Sampling| System GMM              | Panel FGLS toàn diện  |
| Biến phụ thuộc           | ROA                   | ROA, ROE                | ROA, ROE, NIM         |
| Tác động của OPE         | Âm (-)                | Âm (-)                  | Dương (+)             |
| Tác động của DEP         | Dương (+)             | Không thống kê          | Âm (-)                |
| Xử lý khuyết tật mẫu     | Phân phối tiên nghiệm | Biến trễ công cụ        | FGLS AR(1) & Hetero   |
+--------------------------+-----------------------+-------------------------+-----------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

Use Case 1: Tái cấu trúc cơ cấu nguồn vốn nợ - tài sản (Asset-Liability Management - ALM)

  • Thực trạng: Tỷ lệ tiền gửi khách hàng DEP tác động tiêu cực đến NIM và ROA nếu ngân hàng duy trì tỷ trọng tiền gửi tiết kiệm có kỳ hạn lãi suất cao quá lớn.
  • Giải pháp triển khai: Đẩy mạnh chiến lược tăng tỷ lệ CASA (Current Account Savings Account - tiền gửi không kỳ hạn) thông qua hệ sinh thái miễn phí giao dịch (Zero Fee) và giải pháp thanh toán số tích hợp doanh nghiệp.
  • Mục tiêu định lượng: Nâng tỷ lệ CASA lên trên $35%$ tổng tiền gửi, giúp giảm chi phí vốn (Cost of Funds - CoF) từ $0.5% - 1.2%/\text{năm}$, qua đó mở rộng NIM thêm $25 - 40 \text{ bps}$.

Use Case 2: Tối ưu hóa đầu tư công nghệ và chi phí hoạt động (OPE)

  • Thực trạng: Đầu tư công nghệ làm tăng OPE ngắn hạn nhưng là động lực tăng trưởng dài hạn.
  • Giải pháp triển khai: Chuyển đổi mô hình vận hành sang số hóa quy trình tín dụng tự động (Digital Lending Workflow), tích hợp eKYC và chấm điểm tín dụng tự động bằng AI.
  • Mục tiêu định lượng: Giảm tỷ lệ Chi phí trên Thu nhập (Cost-to-Income Ratio - CIR) từ mức trung bình ngành $42%$ xuống dưới $32%$ sau 3 năm triển khai.

Use Case 3: Hệ thống giám sát và phòng ngừa nợ xấu sớm (Early Warning System - EWS)

  • Thực trạng: NPL tác động tiêu cực trực tiếp và tức thì lên toàn bộ các chỉ tiêu KNSL do áp lực trích lập dự phòng theo Thông tư 11/2021/TT-NHNN.
  • Giải pháp triển khai: Xây dựng hệ thống EWS cảnh báo sớm dựa trên dữ liệu giao dịch tài khoản thời gian thực và lịch sử tín dụng tại Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Mục tiêu định lượng: Kiểm soát tỷ lệ nợ xấu nội bảng toàn hệ thống ổn định dưới $1.8%$, giảm áp lực chi phí dự phòng rủi ro tín dụng tối thiểu $15%/\text{năm}$.
+-----------------------------------------------------------------------------+
|              LỘ TRÌNH TRIỂN KHAI NÂNG CAO NĂNG LỰC SINH LỜI                 |
+-----------------------------------------------------------------------------+
| Quý 1 - Quý 2: Tái lập cơ cấu tài sản & Quản trị danh mục nợ xấu           |
| • Phân loại danh mục nợ, xử lý tài sản đảm bảo                              |
| • Cơ cấu lại lãi suất huy động, tái cân bằng kỳ hạn nợ                      |
+-----------------------------------------------------------------------------+
| Quý 3 - Quý 4: Đẩy mạnh mảng kinh doanh phi tín dụng (NNII)                 |
| • Phát triển dịch vụ Bancassurance số hóa                                   |
| • Nâng cấp hệ sinh thái thanh toán và giải pháp Trade Finance               |
+-----------------------------------------------------------------------------+
| Năm 2 trở đi: Hoàn thiện hạ tầng quản trị rủi ro theo Basel III              |
| • Tối ưu hóa hệ số CAR và tài sản có trọng số rủi ro (RWA)                   |
| • Tự động hóa toàn diện quy trình cấp tín dụng qua dữ liệu lớn              |
+-----------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Technical & Resource Limitations

  • Cỡ mẫu nghiên cứu: Do 4 ngân hàng thương mại có dữ liệu tài chính gián đoạn hoặc trải qua quá trình kiểm soát đặc biệt nên mẫu nghiên cứu dừng lại ở 26 NHTMCP.
  • Đặc tính phi tuyến của dữ liệu: Mô hình kinh tế lượng hồi quy tuyến tính tĩnh chưa nắm bắt được hoàn toàn độ trễ biến động của các cú sốc chính sách tiền tệ và phản ứng trễ của nợ xấu qua các chu kỳ kinh tế.
  • Thiếu hụt các biến số số hóa: Chưa đưa vào mô hình các chỉ số phản ánh mức độ thâm nhập của ngân hàng số (tỷ trọng giao dịch qua kênh số, mức đầu tư vốn cho IT) do sự thiếu đồng nhất trong quy chuẩn công bố thông tin BCTC.

Future Research Directions

  • Ứng dụng mô hình động GMM (System/Difference GMM): Khảo sát mối quan hệ giữa KNSL quá khứ $\text{Profitability}_{t-1}$ đối với hiệu quả kinh doanh kỳ hiện tại, giải quyết triệt để vấn đề nội sinh tiềm tàng (Endogeneity).
  • Mở rộng mô hình Machine Learning: Phát triển các thuật toán học máy (XGBoost, Random Forest, LightGBM) để dự báo sớm xác suất suy giảm NIM và nguy cơ nợ xấu của từng ngân hàng theo kịch bản căng thẳng (Stress Testing).
  • Tích hợp tiêu chuẩn ESG & Tài chính xanh: Nghiên cứu tác động của tỷ trọng dư nợ tín dụng xanh và điểm số quản trị ESG đến định giá thị trường và KNSL dài hạn của hệ thống ngân hàng.

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG                         |
+-------------------------+--------------------------------------------------------------------------+
| Nhóm đối tượng          | Lợi ích và Giá trị định lượng cụ thể                                     |
+-------------------------+--------------------------------------------------------------------------+
| **Sinh viên & Học viên**| Cung cấp khung nghiên cứu chuẩn mực, phương pháp lập luận kinh tế lượng  |
|                         | và mã nguồn Stata 17 xử lý Panel Data làm tài liệu tham khảo chất lượng. |
+-------------------------+--------------------------------------------------------------------------+
| **Chuyên viên PTTC**    | Hệ thống hóa các chỉ số tương quan vi mô - vĩ mô, hỗ trợ xây dựng mô hình|
|                         | định giá cổ phiếu ngân hàng và dự báo dòng tiền chính xác hơn.           |
+-------------------------+--------------------------------------------------------------------------+
| **Ban Lãnh đạo NHTM**   | Cung cấp bằng chứng thực nghiệm để định hình chiến lược tăng tỷ lệ CASA,  |
|                         | đẩy mạnh nguồn thu phí ngoài lãi (NNII) và kiểm soát chi phí vận hành.   |
+-------------------------+--------------------------------------------------------------------------+
| **Cơ quan quản lý Nhà   | Cung cấp cơ sở dữ liệu định lượng phục vụ công tác điều hành chính sách  |
| nước (NHNN, Bộ TC)**    | tiền tệ, giám sát an toàn vốn (CAR) và kiểm soát trần nợ xấu toàn ngành. |
+-------------------------+--------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại sử dụng mô hình FGLS thay vì giữ nguyên mô hình tác động cố định (FEM)?

Trong phân tích dữ liệu bảng, mô hình FEM cho ước lượng không chệch nhưng khi kiểm định chẩn đoán phát hiện hiện tượng phương sai sai số thay đổi (thông qua kiểm định Modified Wald với $p = 0.0000$) và tự tương quan chuỗi (thông qua kiểm định Wooldridge với $p = 0.0001$), các sai số chuẩn của FEM sẽ bị chệch. Điều này làm cho các kiểm định $t$ và $F$ không còn đáng tin cậy. Mô hình FGLS (Feasible Generalized Least Squares) sử dụng ma trận hiệp phương sai cấu trúc để triệt tiêu hoàn toàn hai khuyết tật trên, mang lại ước lượng hiệu quả tuyến tính không chệch tốt nhất (BLUE).

2. Vì sao chi phí hoạt động (OPE) lại có mối tương quan dương (+) với khả năng sinh lời trong nghiên cứu này?

Theo lý thuyết kế toán truyền thống, chi phí tăng sẽ làm giảm lợi nhuận ròng. Tuy nhiên, trong ngành ngân hàng giai đoạn 2013–2023, chi phí hoạt động gia tăng chủ yếu tập trung vào việc đầu tư hạ tầng công nghệ thông tin, chuyển đổi số quy trình vận hành và nâng cao chất lượng nguồn nhân lực. Những khoản đầu tư này giúp tăng năng suất lao động, giảm thiểu sai sót tác nghiệp, mở rộng quy mô phục vụ khách hàng trên không gian số với chi phí biên gần bằng 0, từ đó tạo ra doanh thu vượt trội bù đắp chi phí ban đầu.

3. Biến thu nhập ngoài lãi (NNII) tác động trái chiều đến ROA/ROE và NIM được giải thích như thế nào?

Thu nhập ngoài lãi (NNII) bao gồm các khoản thu phí dịch vụ thanh toán, bảo hiểm (Bancassurance), tư vấn đầu tư và kinh doanh ngoại hối. Khi tỷ trọng NNII tăng, tổng lợi nhuận ròng tăng mà không đòi hỏi gia tăng tương ứng quy mô tài sản sinh lãi, từ đó trực tiếp nâng cao hiệu suất sinh lời trên tài sản (ROA) và vốn chủ sở hữu (ROE). Ngược lại, việc ngân hàng tái phân bổ nguồn lực sang phát triển dịch vụ phi tín dụng sẽ làm giảm tỷ trọng tài sản cho vay truyền thống, dẫn đến chỉ số biên thu nhập lãi thuần (NIM) giảm tương đối.

4. Dữ liệu bảng 26 ngân hàng trong 11 năm có đảm bảo tính đại diện cho toàn hệ thống không?

Hoàn toàn đảm bảo. 26 NHTMCP niêm yết trong mẫu nghiên cứu chiếm hơn $85%$ tổng tài sản, $88%$ thị phần tín dụng và hơn $90%$ tổng lợi nhuận trước thuế của toàn bộ khối ngân hàng thương mại tại Việt Nam. Các báo cáo tài chính đều được kiểm toán độc lập bởi các công ty kiểm toán Big 4 (PwC, Deloitte, EY, KPMG), đảm bảo độ tin cậy và minh bạch của số liệu.

5. Khuyến nghị cốt lõi nào giúp các ngân hàng thương mại gia tăng NIM trong bối cảnh hiện nay?

Để mở rộng NIM một cách bền vững, các NHTM không nên chạy đua tăng lãi suất cho vay (dễ dẫn đến nợ xấu) mà cần tập trung tối ưu hóa chi phí vốn đầu vào bằng cách tăng trưởng tiền gửi không kỳ hạn (CASA). Ngân hàng cần hoàn thiện hệ sinh thái số, số hóa trải nghiệm người dùng trên ứng dụng Mobile Banking và cung cấp các giải pháp quản lý dòng tiền chuyên biệt cho khách hàng doanh nghiệp.

Kết luận

Nghiên cứu "Các yếu tố tác động đến khả năng sinh lời của các Ngân hàng Thương mại Việt Nam" (2013–2023) đã cung cấp một khung phân tích định lượng chuyên sâu, chặt chẽ và toàn diện về các nhân tố quyết định hiệu quả tài chính của hệ thống ngân hàng. Bằng việc ứng dụng phương pháp ước lượng dữ liệu bảng FGLS, nghiên cứu đã giải quyết triệt để các khuyết tật phương sai thay đổi và tự tương quan, mang lại các ước lượng có độ tin cậy thống kê cao.

Kết quả thực nghiệm khẳng định vai trò quyết định của quy mô ngân hàng (SIZE), năng lực tối ưu hóa chi phí vận hành số (OPE) và chiến lược đa dạng hóa thu nhập ngoài lãi (NNII) trong việc gia tăng lợi nhuận tổng thể (ROA, ROE). Đồng thời, nghiên cứu cảnh báo rủi ro sụt giảm lợi nhuận nghiêm trọng từ sự gia tăng của tỷ lệ nợ xấu (NPL) và cơ cấu tiền gửi chi phí cao (DEP). Những phát hiện này tạo tiền đề khoa học vững chắc giúp các nhà quản trị ngân hàng tái thiết cấu trúc bảng cân đối kế toán, nâng cao sức cạnh tranh và phát triển bền vững trong kỷ nguyên kinh tế số.