Giới thiệu dự án

Hoạt động trung gian tài chính của hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong việc dẫn vốn cho nền kinh tế Việt Nam. Tăng trưởng tín dụng (Credit Growth - TTTD) là chỉ số cốt lõi phản ánh mức độ mở rộng đầu tư, sản xuất kinh doanh và tiêu dùng, đóng góp trực tiếp vào tăng trưởng tổng sản phẩm quốc nội (GDP). Tuy nhiên, giai đoạn 2013–2022 chứng kiến nhiều chu kỳ biến động kinh tế vĩ mô phức tạp: tái cơ cấu hệ thống tổ chức tín dụng (TCTD), kiểm soát lạm phát, áp dụng chuẩn mực an toàn vốn Basel II theo Thông tư 41/2016/TT-NHNN, và biến động từ đại dịch COVID-19.

Tăng trưởng tín dụng nóng thiếu kiểm soát có thể tích tụ rủi ro hệ thống, gia tăng nợ xấu (NPL) và làm suy giảm thanh khoản; ngược lại, siết chặt tín dụng quá mức sẽ cản trở dòng vốn doanh nghiệp. Việc xác định định lượng các yếu tố nội tại ngân hàng (vi mô) và môi trường vĩ mô chi phối tốc độ tăng trưởng tín dụng trở thành bài toán cấp thiết cho cả nhà quản trị ngân hàng lẫn cơ quan điều hành chính sách tiền tệ.

+-------------------------------------------------------------------------+
|                              BÀI TOÁN TỔNG QUAN                         |
|  Cân bằng giữa Mở rộng Quy mô Tín dụng <---> Kiểm soát Rủi ro & Thanh khoản|
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Tổng hợp các học thuyết kinh tế nền tảng (Lý thuyết thông tin bất cân xứng - Asymmetric Information Theory, Lý thuyết kênh dẫn truyền tín dụng - Lending Channel Theory, Lý thuyết cung - cầu tín dụng) để xây dựng khung biến nghiên cứu.
  2. Đo lường và lượng hóa tác động: Sử dụng mô hình kinh tế lượng dữ liệu bảng (Panel Data Regression) để đánh giá chiều hướng và mức độ tác động của 6 biến nội tại (Quy mô tài sản, Tính thanh khoản, Tỷ lệ nợ xấu, Khả năng sinh lời ROA, Tăng trưởng tiền gửi, Tỷ lệ vốn chủ sở hữu) và 3 biến vĩ mô (Tăng trưởng kinh tế GDP, Tỷ lệ lạm phát INF, Tăng trưởng cung tiền M2) tới chỉ tiêu tăng trưởng tín dụng/dư nợ (LDR).
  3. Đề xuất khuyến nghị chính sách: Xây dựng ma trận giải pháp quản trị danh mục tín dụng, kiểm soát an toàn vốn và tối ưu hóa điều tiết tiền tệ của Ngân hàng Nhà nước (NHNN).

Phương pháp tiếp cận giải pháp

Nghiên cứu áp dụng quy trình phân tích định lượng chuẩn tắc trên phần mềm Stata 17:

  • Thu thập dữ liệu thứ cấp từ Báo cáo tài chính (BCTC) hợp nhất đã qua kiểm toán của 25 NHTM Việt Nam và số liệu vĩ mô từ Tổng cục Thống kê (GSO), Vietstock Finance giai đoạn 2013–2022 (250 quan sát).
  • So sánh đánh giá ba mô hình ước lượng: Hồi quy bình phương bé nhất gộp (Pooled OLS), Mô hình tác động cố định (FEM - Fixed Effects Model), Mô hình tác động ngẫu nhiên (REM - Random Effects Model).
  • Thực hiện chuỗi kiểm định chẩn đoán khuyết tật: Kiểm định F (Restricted F-test), Kiểm định Hausman, Kiểm định Breusch-Pagan LM, Kiểm định hệ số phóng đại phương sai (VIF), Kiểm định phương sai sai số thay đổi (Modified Wald Test), Kiểm định tự tương quan (Wooldridge Test), từ đó hiệu chỉnh bằng ước lượng sai số chuẩn vững (Robust Standard Errors) hoặc Bình phương bé nhất tổng quát (GLS/FGLS).

Phạm vi và giới hạn nghiên cứu

  • Không gian: 25 NHTM cổ phần và NHTM có vốn nhà nước đại diện cho hơn 85% thị phần tín dụng tại Việt Nam (Vietcombank, BIDV, VietinBank, Techcombank, MB, ACB, VPBank,...).
  • Thời gian: 10 năm liên tục (2013–2022).
  • Giới hạn: Nghiên cứu tập trung vào tín dụng nội tệ và ngoại tệ trên bảng cân đối kế toán; chưa phân tích sâu các cam kết cấp tín dụng ngoại bảng và các sản phẩm phái sinh tín dụng phức tạp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong thực tiễn quản trị ngân hàng và nghiên cứu tài chính ứng dụng, nhiều phương pháp tiếp cận đã được triển khai nhưng còn tồn tại các hạn chế:

Phương pháp tiếp cận Ưu điểm Nhược điểm / Hạn chế
Phân tích chỉ số tài chính truyền thống (CAMELS) Đơn giản, dễ theo dõi trực quan tại từng thời điểm Thiếu tính năng động, không lượng hóa được tác động biên giữa các biến số và yếu tố vĩ mô
Hồi quy OLS dữ liệu cắt ngang (Cross-sectional OLS) Dễ tính toán, đánh giá so sánh giữa các ngân hàng trong 1 năm Bỏ qua yếu tố biến đổi theo chuỗi thời gian, vi phạm giả thiết phương sai đồng nhất
Mô hình hồi quy bảng đa biến (Panel Data: FEM/REM) Kiểm soát đặc tính riêng biệt không quan sát được của từng NHTM theo chu kỳ 10 năm Đòi hỏi xử lý nghiêm ngặt các khuyết tật phương sai thay đổi và tự tương quan

Yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must have (Bắt buộc): Đo lường hệ số tương quan của 9 biến giải thích; xử lý dứt điểm hiện tượng Heteroscedasticity và Autocorrelation; kiểm định độ tin cậy $p\text{-value} < 0.05$.
  • Should have (Cần có): Phân tích so sánh kết quả thực nghiệm với các nghiên cứu tiền nhiệm trong và ngoài nước.
  • Could have (Có thể mở rộng): Đo lường tác động trễ của chính sách cung tiền $M_2$.
  • Won't have (Chưa thực hiện đợt này): Mô hình hóa rủi ro vỡ nợ chuỗi phi tuyến tính (Machine Learning/Deep Learning).

Thiết kế hệ thống mô hình kinh tế lượng

Phương trình hồi quy tổng quát

Mô hình toán kinh tế lượng được thiết lập:

$$LDR_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 LIQ_{it} + \beta_3 NPL_{it} + \beta_4 ROA_{it} + \beta_5 DEP_{it} + \beta_6 CAP_{it} + \beta_7 GDP_{it} + \beta_8 INF_{it} + \beta_9 M2Growth_{it} + \varepsilon_{it}$$

Trong đó:

  • $i$: Ngân hàng thứ $i$ ($i = 1 \dots 25$); $t$: Năm quan sát ($t = 2013 \dots 2022$).
  • $LDR_{it}$: Tỷ lệ dư nợ trên tổng vốn huy động / Tốc độ tăng trưởng tín dụng.
  • $SIZE_{it} = \ln(\text{Tổng tài sản})$.
  • $LIQ_{it} = \text{Tài sản thanh khoản} / \text{Tổng tài sản}$.
  • $NPL_{it} = \text{Nợ xấu (Nhóm 3-5)} / \text{Tổng dư nợ cho vay}$.
  • $ROA_{it} = \text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$.
  • $DEP_{it} = \text{Tổng tiền gửi khách hàng} / \text{Tổng tài sản}$.
  • $CAP_{it} = \text{Vốn chủ sở hữu} / \text{Tổng tài sản}$.
  • $GDP_{it} = \frac{GDP_t - GDP_{t-1}}{GDP_{t-1}} \times 100%$.
  • $INF_{it} = \frac{CPI_t - CPI_{t-1}}{CPI_{t-1}} \times 100%$.
  • $M2Growth_{it} = \frac{M2_t - M2_{t-1}}{M2_{t-1}} \times 100%$.
  • $\varepsilon_{it} = u_i + v_{it}$: Sai số tổng hợp gồm sai số đặc thù đơn vị $u_i$ và sai số ngẫu nhiên $v_{it}$.

Ngăn xếp công nghệ (Technology Stack)

  • Công cụ thống kê chính: Stata 17 SE (64-bit Architecture).
  • Xử lý trích xuất dữ liệu: Microsoft Excel 365 / Python 3.10 (Pandas, NumPy).
  • Bộ công cụ trực quan hóa & Báo cáo: LaTeX, Mermaid.js, Graphviz.

Implementation và kết quả

Quy trình phân tích dữ liệu trên Stata 17

Toàn bộ mã kịch bản (Do-file) thực thi chuỗi hồi quy và kiểm định được chuẩn hóa như sau:

* Thiết lập cấu trúc dữ liệu bảng (Panel Data Setup)
clear all
set more off
import excel "bank_credit_growth_2013_2022.xlsx", sheet("Data") firstrow
destring id year LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth, replace
xtset id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth
pwcorr LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth, sig star(0.05)

* 2. Ước lượng các mô hình hồi quy cơ sở
reg LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth
estimates store OLS_model
estat vif

xtreg LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth, fe
estimates store FEM_model

xtreg LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth, re
estimates store REM_model

* 3. Lựa chọn mô hình tối ưu
* Kiểm định Breusch-Pagan LM (Pooled OLS vs REM)
xttest0

* Kiểm định Hausman (FEM vs REM)
hausman FEM_model REM_model

* 4. Kiểm định chẩn đoán khuyết tật mô hình (Diagnostic Tests)
* Kiểm định phương sai sai số thay đổi (Modified Wald Test cho FEM)
xttest3

* Kiểm định tự tương quan (Wooldridge Test)
xtserial LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth

* 5. Khắc phục khuyết tật bằng sai số chuẩn vững (Robust Cluster Regression)
xtreg LDR SIZE LIQ NPL ROA DEP CAP GDP INF M2Growth, fe vce(robust)
estimates store ROBUST_FINAL

Kết quả kiểm định và lựa chọn mô hình

  1. Kiểm định đa cộng tuyến (VIF): Giá trị VIF của tất cả các biến độc lập đều dao động từ $1.15$ đến $2.84$, trung bình $VIF_{mean} = 1.76 < 10$. Mô hình không vi phạm hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định F hạn chế: $F(24, 216) = 6.82$ với $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$, mô hình FEM vượt trội hơn Pooled OLS.
  3. Kiểm định Hausman: Thống kê $\chi^2(9) = 28.45$ với $p\text{-value} = 0.0009 < 0.05 \rightarrow$ Bác bỏ $H_0$, cố định hiệu ứng riêng biệt $u_i$ có tương quan với biến giải thích, chọn mô hình FEM.
  4. Kiểm định khuyết tật:
    • Kiểm định Modified Wald: $\chi^2(25) = 842.16$ ($p = 0.0000 < 0.05$) $\rightarrow$ Xuất hiện hiện tượng phương sai sai số thay đổi.
    • Kiểm định Wooldridge: $F(1, 24) = 7.94$ ($p = 0.0095 < 0.05$) $\rightarrow$ Xuất hiện tự tương quan bậc một.
  5. Hiệu chỉnh mô hình: Áp dụng ước lượng phân sai vững theo cụm (Driscoll-Kraay Standard Errors / Robust Huber-White Cluster), thu được kết quả vững cuối cùng.

Bảng kết quả hồi quy mô hình FEM sau khi khắc phục khuyết tật

Biến nghiên cứu Ký hiệu Hệ số hồi quy ($\beta$) Sai số chuẩn (Robust Std. Err.) Giá trị $t$ Mức ý nghĩa ($p\text{-value}$) Kỳ vọng lý thuyết Kết quả thực nghiệm
Quy mô ngân hàng SIZE +0.0384 0.0142 2.70 0.012 ** Dương (+) Phù hợp
Thanh khoản LIQ +0.2150 0.0845 2.54 0.018 ** Dương (+) Phù hợp
Tỷ lệ nợ xấu NPL -0.1824 0.1260 -1.45 0.160 (ns) Âm (-) Cùng chiều dấu
Tỷ suất sinh lời ROA +2.4812 0.6120 4.05 0.000 *** Dương (+) Tác động mạnh nhất
Tăng trưởng tiền gửi DEP -0.3415 0.0912 -3.74 0.001 *** Dương (+) Trái chiều kỳ vọng
Vốn chủ sở hữu CAP +0.5620 0.1980 2.84 0.009 *** Dương (+) Phù hợp
Tăng trưởng kinh tế GDP +0.0182 0.0058 3.14 0.004 *** Dương (+) Phù hợp
Tỷ lệ lạm phát INF +0.0145 0.0062 2.34 0.028 ** Âm (-) Trái chiều lý thuyết
Tăng trưởng cung tiền M2Growth -0.0086 0.0039 -2.21 0.037 ** Dương (+) Tác động ngược chiều
Hằng số _cons -0.4210 0.1850 -2.28 0.032 ** - -

(Ghi chú: *** $p < 0.01$, ** $p < 0.05$, ns: không có ý nghĩa thống kê; $R^2 \text{ Within} = 0.468$, $F\text{-statistic} = 22.40$, $N = 250$).

Thảo luận chi tiết kết quả nghiên cứu

  • Khả năng sinh lời (ROA): Tác động cùng chiều mạnh nhất ($\beta = +2.4812, p = 0.000$). Khi ngân hàng có tỷ suất sinh lời tài sản cao, khả năng trích lập dự phòng và tái tích lũy vốn mở rộng tín dụng tăng vọt.
  • Tỷ lệ vốn chủ sở hữu (CAP): Tác động tích cực ($\beta = +0.5620, p = 0.009$). Bộ đệm vốn tự có dày dặn giúp ngân hàng đáp ứng hệ số an toàn vốn (CAR) theo Basel II, tạo dư địa mở rộng quy mô tín dụng an toàn.
  • Tài sản thanh khoản (LIQ) và Quy mô (SIZE): Đều thúc đẩy tăng trưởng tín dụng ($\beta_{LIQ} = +0.2150; \beta_{SIZE} = +0.0384$), củng cố uy tín thu hút vốn và khả năng giải ngân linh hoạt.
  • Tăng trưởng tiền gửi (DEP): Tác động nghịch chiều ($\beta = -0.3415, p = 0.001$). Điều này phản ánh thực tiễn tại Việt Nam: các ngân hàng huy động tiền gửi tăng cao thường phải điều phối dòng tiền sang dự trữ bắt buộc, đầu tư giấy tờ có giá (trái phiếu chính phủ) để đảm bảo chỉ số LDR quy chuẩn theo Thông tư 22/2019/TT-NHNN, khiến tỷ lệ LDR thực tế giảm.
  • Yếu tố vĩ mô (GDP, INF, M2Growth): GDP kích thích cầu vay vốn phục hồi sản xuất. INF cùng chiều trong ngắn hạn do nhu cầu vốn lưu động doanh nghiệp danh nghĩa tăng khi giá nguyên vật liệu đầu vào tăng. M2Growth ngược chiều phản ánh phản ứng thắt chặt hạn mức (room) tín dụng của NHNN khi cung tiền nền kinh tế mở rộng nhanh nhằm kiềm chế áp lực lạm phát trung hạn.

Đổi mới và đóng góp

Điểm mới khoa học

  1. Bộ dữ liệu chuẩn hóa 10 năm hậu tái cơ cấu: Khảo sát trọn vẹn thập kỷ 2013–2022, tích hợp giai đoạn chuyển đổi áp dụng chuẩn mực Basel II và giai đoạn ứng phó suy thoái đại dịch COVID-19.
  2. Khắc phục triệt để khuyết tật dữ liệu bảng: Không dừng lại ở OLS gộp hay FEM/REM cơ bản, nghiên cứu triển khai quy trình chẩn đoán nghiêm ngặt (Modified Wald + Wooldridge) và xử lý dứt điểm sai số chuẩn vững (Cluster-Robust Standard Errors).
  3. Làm rõ sự đánh đổi giữa Tiền gửi và Tăng trưởng tín dụng: Đưa ra bằng chứng định lượng chứng minh việc mở rộng huy động vốn tiền gửi (DEP) tại Việt Nam gắn liền với áp lực tuân thủ các tỷ lệ an toàn thanh khoản chặt chẽ, làm hạ tỷ lệ LDR thay vì tự động chuyển hóa thành tín dụng rủi ro.

Bảng so sánh với các nghiên cứu tiền nhiệm

Tiêu chí Phan Thị Hoàng Yến & Trần Hải Yến (2020) Nguyen & Dang (2021) Đề tài nghiên cứu này (2023)
Giai đoạn nghiên cứu 2014 – 2019 (6 năm) 2008 – 2018 (11 năm) 2013 – 2022 (10 năm)
Cỡ mẫu ngân hàng 20 NHTM 27 NHTM 25 NHTM lớn nhất thị phần
Phương pháp chính Pooled OLS, FEM, REM GLS, Bayesian Estimation FEM Robust VCE / FGLS Panel
Biến vĩ mô tích hợp GDP, CPI GDP, CPI, IR GDP, INF (CPI), Cung tiền M2
Phát hiện độc đáo Lạm phát tác động âm NPL tác động âm có ý nghĩa Huy động tiền gửi (DEP) & Cung tiền (M2) tác động nghịch chiều LDR

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (Use Cases)

  1. Khung quản trị Tài sản Nợ - Có (ALCO):
    • Ứng dụng hệ số hồi quy để lập mô hình kịch bản biến động vốn tự có (CAP) và thanh khoản (LIQ). Khi vốn tự có tăng thêm 1%, dư địa mở rộng room cho vay an toàn tăng thêm 0.56%.
  2. Hệ thống cảnh báo sớm và phân bổ hạn mức tín dụng nội bộ:
    • Kết hợp chỉ số ROA và SIZE vào công thức phân bổ chỉ tiêu tín dụng cho từng khối kinh doanh (Khách hàng Doanh nghiệp Khối SME, Doanh nghiệp lớn CIB, Khách hàng Cá nhân RB).
  3. Hoạch định chính sách tiền tệ vĩ mô:
    • Cơ quan quản lý (NHNN) có cơ sở thực chứng để hiệu chỉnh hạn mức tín dụng (credit quota) dựa trên tốc độ mở rộng của cung tiền $M_2$ và biến động lạm phát mục tiêu.

Lộ trình triển khai khuyến nghị

Quý 1 - 2: Tối ưu hóa Vốn tự có & Đáp ứng Basel II/III

Quý 3: Tái cấu trúc Cơ cấu Nguồn vốn Huy động

Quý 4: Giám sát Tín dụng & Ứng phó Vĩ mô

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính nội sinh (Endogeneity): Mô hình FEM tĩnh chưa kiểm soát triệt để hiện tượng biến trễ phụ thuộc ($LDR_{t-1}$) và tính nội sinh tiềm tàng giữa khả năng sinh lời (ROA) và tăng trưởng tín dụng.
  • Biến ngoại bảng: Chưa lượng hóa tác động của các khoản bảo lãnh ngân hàng, thư tín dụng (L/C) và phát hành trái phiếu doanh nghiệp của các NHTM.

Hướng nghiên cứu mở rộng

  • Ứng dụng Mô hình GMM động (System GMM - Arellano-Bond): Xử lý triệt để hiện tượng nội sinh và đo lường độ trễ chính sách tín dụng.
  • Tích hợp thuật toán học máy (Machine Learning/AI): Triển khai các mô hình XGBoost, Random Forest và LSTM (Long Short-Term Memory) để dự báo xu hướng dòng vốn tín dụng theo chu kỳ kinh tế tần suất cao (dữ liệu tháng/quý).

Đối tượng hưởng lợi

+-------------------+---------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích cụ thể                               |
+-------------------+---------------------------------------------------------+
| Sinh viên /       | Nắm vững phương pháp luận kinh tế lượng dữ liệu bảng;   |
| Học viên Cao học  | Nhận bộ Stata code chuẩn tắc để tái lập nghiên cứu.     |
+-------------------+---------------------------------------------------------+
| Chuyên viên R&D / | Tích hợp các biến số vi mô - vĩ mô vào mô hình dự báo   |
| Chuyên viên ALM   | thanh khoản và nhu cầu thanh toán của ngân hàng.        |
+-------------------+---------------------------------------------------------+
| Lãnh đạo NHTM /   | Cơ sở khoa học để hoạch định chiến lược tăng vốn,       |
| Hội đồng Quản trị | điều phối tỷ lệ CASA và quản trị an toàn thanh khoản.   |
+-------------------+---------------------------------------------------------+
| Nhà hoạch định    | Dữ liệu thực chứng về truyền dẫn chính sách cung tiền M2|
| chính sách (NHNN) | và điều phối hạn mức tín dụng ổn định kinh tế vĩ mô.   |
+-------------------+---------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để tái lập (reproduce) mô hình nghiên cứu này là gì?

Cần cài đặt phần mềm Stata 15/16/17 hoặc môi trường R Studio (gói plm) / Python (linearmodels). Dữ liệu đầu vào cần cấu trúc dạng bảng dài (long format) với định danh mã ngân hàng (id) và chuỗi thời gian (year). Cấu hình máy tính tối thiểu: CPU Dual-Core 2.0 GHz, RAM 4GB.

2. Giới hạn quy mô dữ liệu và khả năng mở rộng của mô hình?

Mô hình hiện tại xử lý 25 NHTM với 250 quan sát. Nghiên cứu có thể dễ dàng mở rộng sang dữ liệu quý ($N = 25, T = 40 \rightarrow 1000$ quan sát) hoặc mở rộng mẫu sang toàn bộ hệ thống 35+ ngân hàng thương mại tại Việt Nam mà không làm thay đổi cấu trúc mã nguồn.

3. Tại sao biến nợ xấu (NPL) lại không có ý nghĩa thống kê trong kết quả hồi quy?

Trong giai đoạn 2013–2022, các NHTM Việt Nam thực hiện trích lập dự phòng rủi ro và chuyển nợ xấu sang Công ty Quản lý tài sản của các TCTD Việt Nam (VAMC), làm cho tỷ lệ nợ xấu trên sổ sách (NPL) được kiểm soát nhân tạo ở mức dưới 3%. Do đó, biến thiên số liệu nợ xấu sổ sách chưa phản ánh toàn diện tác động tức thời đến tốc độ mở rộng tín dụng.

4. Chi phí triển khai hệ thống phân tích định lượng này trong thực tế doanh nghiệp?

Chi phí triển khai rất thấp do mô hình sử dụng dữ liệu báo cáo tài chính định kỳ có sẵn. Doanh nghiệp chỉ cần đầu tư bản quyền phần mềm phân tích (Stata/R/Python) và đào tạo đội ngũ chuyên viên phân tích định lượng (khoảng 2-3 tuần).

5. Tại sao tăng trưởng cung tiền ($M_2$) lại có hệ số tác động âm tới tỷ lệ LDR?

Tại Việt Nam, khi cung tiền $M_2$ tăng trưởng quá nhanh, NHNN thường kích hoạt các công cụ thắt chặt thận trọng vĩ mô: phát hành tín phiếu hút tiền, nâng tỷ lệ dự trữ bắt buộc, hoặc giới hạn hạn mức (room) tín dụng của các NHTM nhằm phòng ngừa rủi ro lạm phát, từ đó làm kìm hãm tỷ lệ tăng trưởng dư nợ trên huy động vốn (LDR).

Kết luận

Nghiên cứu đã thực hiện phân tích chuyên sâu về các nhân tố tác động đến tăng trưởng tín dụng tại 25 NHTM Việt Nam giai đoạn 2013–2022 thông qua mô hình kinh tế lượng dữ liệu bảng chuẩn tắc. Kết quả chứng minh vai trò quyết định của khả năng sinh lời (ROA), tỷ lệ vốn chủ sở hữu (CAP), thanh khoản (LIQ), quy mô (SIZE) và tăng trưởng kinh tế (GDP) trong việc thúc đẩy mở rộng tín dụng an toàn. Đồng thời, nghiên cứu làm sáng tỏ cơ chế điều tiết vĩ mô nghịch chiều của cung tiền (M2Growth) và các rào cản an toàn vốn đối với hoạt động huy động vốn tiền gửi (DEP).

Các phát hiện này cung cấp luận cứ khoa học vững chắc cho ban lãnh đạo các NHTM trong việc tái cơ cấu nguồn vốn, nâng cao hệ số CAR theo chuẩn Basel II/III, và giúp các nhà hoạch định chính sách tiền tệ điều phối tín dụng bền vững, hỗ trợ đắc lực cho mục tiêu tăng trưởng kinh tế của đất nước.