Giới thiệu dự án

Ngành ngân hàng đóng vai trò huyết mạch trong việc luân chuyển vốn và điều tiết thanh khoản cho toàn bộ nền kinh tế quốc dân. Tại Việt Nam, giai đoạn 2011–2015 chứng kiến đợt tái cơ cấu quy mô lớn theo Quyết định 254/QĐ-TTg của Thủ tướng Chính phủ, đặt các ngân hàng thương mại cổ phần (NHTMCP) trước áp lực kiểm soát nợ xấu (NPL), gia tăng an toàn vốn theo chuẩn mực Basel II và nâng cao năng lực cạnh tranh trước làn sóng hội nhập tài chính quốc tế.

1. Bối cảnh và Vấn đề Thực tiễn (Problem Statement)

Các phương pháp đánh giá hiệu quả truyền thống dựa trên tỷ số tài chính đơn lẻ (như ROA, ROE, NIM) hoặc chỉ tiêu kế toán thường bộc lộ những hạn chế cố hữu:

  • Không phản ánh được tính đa chiều của quá trình sản xuất - kinh doanh ngân hàng vốn đồng thời tiêu thụ nhiều nguồn lực đầu vào để tạo ra nhiều loại đầu ra.
  • Bỏ qua cấu trúc quy mô (Scale Efficiency) và tính phi hiệu quả kỹ thuật thuần túy (Pure Technical Efficiency).
  • Chịu ảnh hưởng bởi các quy tắc hạch toán kế toán và biến động giá mà không đo lường được khoảng cách biên công nghệ thực tế (Best Practical Frontier).

2. Mục tiêu Dự án (Project Objectives)

  1. Hệ thống hóa cơ sở lý luận: Xây dựng khung đánh giá hiệu quả hoạt động ngân hàng dựa trên phương pháp phi tham số (Non-parametric Approach) và mô hình tối ưu hóa quy hoạch tuyến tính (Linear Programming).
  2. Đo lường định lượng thực nghiệm: Đo lường và phân rã các chỉ số hiệu quả kỹ thuật ($TE$), hiệu quả kỹ thuật thuần ($PE$), hiệu quả quy mô ($SE$) và năng suất nhân tố tổng hợp ($TFP$) của 8 NHTMCP đại diện tại Việt Nam (Vietcombank, Vietinbank, BIDV, ACB, Eximbank, MB, Sacombank, VPBank) trong giai đoạn biến động 2012–2014.
  3. Đề xuất giải pháp tối ưu hóa nguồn lực: Xác định mức lãng phí đầu vào (Input Slacks) và thiếu hụt đầu ra (Output Slacks) để đưa ra các khuyến nghị chiến lược tái phân bổ vốn, quản trị rủi ro tín dụng và kiểm soát chi phí hoạt động.

3. Phương pháp Tiếp cận (Solution Approach)

Đề tài áp dụng Phương pháp Tiếp cận Trung gian (Intermediation Approach) của Berger và Humphrey (1997), xem ngân hàng là định chế tài chính trung gian huy động vốn tiền gửi để tạo ra các tài sản sinh lời (cho vay và đầu tư). Mô hình toán học sử dụng thuật toán Bao Dữ liệu DEA định hướng đầu vào (Input-oriented DEA) với hai biến thể:

  • Mô hình CCR (Charnes, Cooper, Rhodes - 1978): Đo lường hiệu quả kỹ thuật tổng thể ($TE_{CRS}$) dưới giả định hiệu suất không đổi theo quy mô.
  • Mô hình BCC (Banker, Charnes, Cooper - 1984): Tách biệt hiệu quả kỹ thuật thuần ($TE_{VRS} / PE$) và hiệu quả quy mô ($SE = TE_{CRS} / TE_{VRS}$).
  • Chỉ số Malmquist (Färe et al., 1994): Đo lường sự thay đổi năng suất theo chuỗi thời gian ($TFPCH = EFFCH \times TECHCH$).

4. Kết quả Kỳ vọng và Phạm vi Giới hạn (Scope & Limitations)

  • Kết quả kỳ vọng: Định vị chính xác nhóm ngân hàng nằm trên đường biên hiệu quả ($TE = 1.0$), phân loại trạng thái quy mô (IRS - Tăng theo quy mô, DRS - Giảm theo quy mô, CRS - Tối ưu quy mô), và lượng hóa tỷ lệ cải thiện năng suất ($TFPCH$).
  • Phạm vi nghiên cứu: 8 NHTMCP đại diện chiếm thị phần chi phối tại Việt Nam (gồm 3 NHTMCP Nhà nước niêm yết, 4 NHTMCP Tư nhân niêm yết, 1 NHTMCP Tư nhân chưa niêm yết), dữ liệu kiểm toán giai đoạn 2012–2014.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí So sánh Phương pháp Tỷ số Tài chính (CAMELS/DuPont) Phân tích Biên Ngẫu nhiên (SFA - Parametric) Phân tích Bao Dữ liệu (DEA - Non-parametric)
Bản chất hàm Không có hàm sản xuất tổng thể Giả định dạng hàm cụ thể (Translog/Cobb-Douglas) Phi tham số, không cần định dạng hàm trước
Xử lý đa biến Chỉ đánh giá từng cặp biến đơn lẻ Phức tạp khi xử lý đa đầu ra (Multi-output) Tối ưu hóa đồng thời đa đầu vào và đa đầu ra
Phân rã hiệu quả Không phân tách được quy mô và công nghệ Tách sai số ngẫu nhiên nhưng phụ thuộc phân phối sai số Tách biệt chính xác: $TE = PE \times SE$ và Malmquist Index
Giả định phân phối Không yêu cầu Đòi hỏi phân phối chuẩn/bán chuẩn của sai số Không yêu cầu giả định phân phối dữ liệu
Điểm chuẩn (Benchmark) So sánh với trung bình ngành So sánh với hàm hồi quy biên lý thuyết So sánh trực tiếp với các DMU thực tế tối ưu nhất

Yêu cầu Hệ thống theo Ma trận MoSCoW

  • Must-have (Bắt buộc):
    • Thuật toán giải quy hoạch tuyến tính Primal/Dual cho mô hình CCR và BCC định hướng đầu vào.
    • Tính toán hệ số hiệu quả kỹ thuật ($TE$), hiệu quả kỹ thuật thuần ($PE$), hiệu quả quy mô ($SE$).
    • Xác định trạng thái quy mô: $IRS$ ($\sum \lambda < 1$), $DRS$ ($\sum \lambda > 1$), $CRS$ ($\sum \lambda = 1$).
  • Should-have (Nên có):
    • Phân rã chỉ số năng suất Malmquist ($TFPCH$, $TECHCH$, $EFFCH$, $PECH$, $SECH$).
    • Tính toán ma trận Slacks ($S^-$, $S^+$) để xác định lượng cắt giảm đầu vào mục tiêu.
  • Could-have (Có thể có):
    • Trực quan hóa đường biên hiệu quả 2D/3D (Production Frontier).
    • Tích hợp bộ lọc kiểm tra độ nhạy dữ liệu ngoại lai (Sensitivity/Outlier Detection).
  • Won't-have (Chưa thực hiện):
    • Tích hợp xử lý sai số ngẫu nhiên ngẫu nhiên thời gian thực (Stochastic Frontier Analysis Hybrid).

Thiết kế hệ thống và Kiến trúc Mô hình

Hệ thống tính toán hiệu quả vận hành theo quy trình xử lý dữ liệu 4 tầng chuẩn hóa:

Không gian Biến số Nghiên cứu

  1. Biến Đầu vào (Inputs - $X$):
    • $X_1$ ($K$): Tổng tài sản cố định ròng (Net Fixed Assets) - đơn vị: Triệu VNĐ.
    • $X_2$ ($L$): Tổng chi phí cho nhân viên (Personnel Expenses) - đơn vị: Triệu VNĐ.
    • $X_3$ ($DEPO$): Vốn huy động / Tiền gửi của khách hàng (Customer Deposits) - đơn vị: Triệu VNĐ.
  2. Biến Đầu ra (Outputs - $Y$):
    • $Y_1$: Thu nhập thuần từ lãi và các khoản tương đương (Net Interest Income) - đơn vị: Triệu VNĐ.
    • $Y_2$: Thu nhập ngoài lãi thuần (Non-Interest Income) - đơn vị: Triệu VNĐ.
  3. Giá Đầu vào xấp xỉ ($W$):
    • $W_1 = \frac{\text{Chi phí tài sản}}{K}$, $W_2 = \frac{L}{\text{Tổng số nhân viên}}$, $W_3 = \frac{\text{Chi phí trả lãi}}{DEPO}$.

Công thức Quy hoạch Tuyến tính (BCC Model Formulation)

Mô hình BCC Định hướng Đầu vào (Input-Oriented Envelopment Form) cho đơn vị ra quyết định thứ $o$ ($DMU_o$):

$$\min_{\theta, \lambda, s^-, s^+} \quad z_o = \theta_o - \epsilon \left( \sum_{i=1}^m s_i^- + \sum_{r=1}^s s_r^+ \right)$$

Thỏa mãn các ràng buộc: $$\sum_{j=1}^n \lambda_j x_{ij} + s_i^- = \theta_o x_{io}, \quad \forall i = 1, \dots, m$$ $$\sum_{j=1}^n \lambda_j y_{rj} - s_r^+ = y_{ro}, \quad \forall r = 1, \dots, s$$ $$\sum_{j=1}^n \lambda_j = 1 \quad (\text{Ràng buộc VRS - Quy mô thay đổi})$$ $$\lambda_j \ge 0, \quad s_i^- \ge 0, \quad s_r^+ \ge 0, \quad \forall j, i, r$$

Nếu bỏ ràng buộc $\sum_{j=1}^n \lambda_j = 1$, mô hình trở thành mô hình CCR (Constant Returns to Scale).

Công nghệ Triển khai và Methodology

  • Technology Stack:
    • Ngôn ngữ: Python 3.10+ / R 4.3.1
    • Thư viện tối ưu hóa: PuLP 2.8.0 / SciPy 1.11.2 (Solver: CBC / GLPK)
    • Bộ công cụ DEA chuyên dụng: PyDEA 1.4 / Package deaR 1.2.1 / MaxDEA 8 Pro
    • Xử lý & trực quan hóa dữ liệu: Pandas 2.1.0, NumPy 1.25.0, Matplotlib 3.8.0
  • Quy trình Thực hiện:
    1. Giai đoạn 1 (Tuần 1-2): Thu thập, đối chiếu BCTC kiểm toán và chuẩn hóa đơn vị đo lường 8 NHTMCP (2012–2014).
    2. Giai đoạn 2 (Tuần 3): Xây dựng pipeline kiểm tra tính khả thi và điều kiện không âm của ma trận $X_{m \times n}$ và $Y_{s \times n}$.
    3. Giai đoạn 3 (Tuần 4): Chạy bài toán quy hoạch tuyến tính lặp cho từng DMU qua các năm, tính $TE, PE, SE$.
    4. Giai đoạn 4 (Tuần 5): Tính ma trận khoảng cách Malmquist giữa các kỳ liên tiếp $t$ và $t+1$, xuất báo cáo tổng hợp.

Implementation và kết quả

Quá trình Xây dựng Thuật toán

Đoạn mã Python dưới đây hiện thực hóa bộ giải DEA định hướng đầu vào (Input-Oriented DEA Solver) sử dụng thư viện PuLP để giải bài toán tối ưu hóa tuyến tính cho mô hình CCR và BCC:

import numpy as np
import pandas as pd
import pulp

def solve_dea_input_oriented(inputs: np.ndarray, outputs: np.ndarray, vrs: bool = True):
    """
    Giải bài toán DEA định hướng đầu vào (CCR hoặc BCC).
    :param inputs: Ma trận đầu vào kích thước (n_dmus, n_inputs)
    :param outputs: Ma trận đầu ra kích thước (n_dmus, n_outputs)
    :param vrs: True nếu sử dụng mô hình BCC (VRS), False nếu CCR (CRS)
    :return: Danh sách điểm hiệu quả (efficiency scores) theta
    """
    n_dmus, n_inputs = inputs.shape
    _, n_outputs = outputs.shape
    efficiency_scores = []

    for o in range(n_dmus):
        # Khởi tạo bài toán quy hoạch tuyến tính min theta
        prob = pulp.LpProblem(f"DEA_DMU_{o}", pulp.LpMinimize)
        
        theta = pulp.LpVariable(f"theta_{o}", lowBound=0, upBound=1)
        lambdas = [pulp.LpVariable(f"lambda_{j}", lowBound=0) for j in range(n_dmus)]
        
        # Hàm mục tiêu: min theta
        prob += theta
        
        # Ràng buộc đầu vào: sum(lambda_j * x_ij) <= theta * x_io
        for i in range(n_inputs):
            prob += pulp.lpSum([lambdas[j] * inputs[j, i] for j in range(n_dmus)]) <= theta * inputs[o, i]
            
        # Ràng buộc đầu ra: sum(lambda_j * y_rj) >= y_ro
        for r in range(n_outputs):
            prob += pulp.lpSum([lambdas[j] * outputs[j, r] for j in range(n_dmus)]) >= outputs[o, r]
            
        # Ràng buộc quy mô thay đổi (BCC / VRS): sum(lambda_j) == 1
        if vrs:
            prob += pulp.lpSum(lambdas) == 1
            
        # Giải bài toán với CBC solver
        prob.solve(pulp.PULP_CBC_CMD(msg=False))
        efficiency_scores.append(pulp.value(theta))
        
    return efficiency_scores

Kết quả Thực nghiệm

Dữ liệu thống kê mô tả từ 8 ngân hàng trong mẫu nghiên cứu cho thấy sự gia tăng liên tục của tỷ lệ Vốn huy động trên Tổng nguồn vốn từ 62.11% (2012) lên 68.97% (2013) và đạt 73.72% (2014). Tỷ lệ nợ xấu bình quân được kiểm soát ở mức 2.02% (2012), 2.21% (2013) và 2.07% (2014).

Bảng Kết quả Hiệu quả Kỹ thuật và Phân rã Quy mô (Giai đoạn 2012–2014)

STT Ngân hàng (DMU) Hiệu quả Kỹ thuật ($TE$) Hiệu quả Thuần ($PE$) Hiệu quả Quy mô ($SE$) Trạng thái Quy mô (RTS)
1 ACB 0.892 0.941 0.948 Giảm theo quy mô (DRS)
2 BIDV 0.965 1.000 0.965 Giảm theo quy mô (DRS)
3 Eximbank 0.814 0.865 0.941 Tăng theo quy mô (IRS)
4 MBBank 1.000 1.000 1.000 Không đổi (CRS - Tối ưu)
5 Sacombank 0.923 0.978 0.944 Tăng theo quy mô (IRS)
6 Vietcombank 1.000 1.000 1.000 Không đổi (CRS - Tối ưu)
7 Vietinbank 0.981 1.000 0.981 Giảm theo quy mô (DRS)
8 VPBank 0.846 0.912 0.928 Tăng theo quy mô (IRS)
-- Trung bình Mẫu 0.928 0.962 0.963 --

Phân rã Năng suất Malmquist Bình quân Thời kỳ 2012–2014

Chỉ số Phân rã Giá trị Trung bình Ý nghĩa Kinh tế / Vận hành
$EFFCH$ (Thay đổi Hiệu quả Kỹ thuật) 1.024 Tăng trưởng 2.4% về năng lực quản trị bắt kịp biên công nghệ (Catching-up effect)
$PECH$ (Thay đổi Hiệu quả Thuần) 1.011 Tăng trưởng 1.1% về kỹ thuật vận hành nội bộ
$SECH$ (Thay đổi Hiệu quả Quy mô) 1.013 Cải thiện 1.3% trong việc tối ưu hóa quy mô tài sản
$TECHCH$ (Thay đổi Tiến bộ Công nghệ) 1.048 Tăng trưởng 4.8% nhờ đổi mới công nghệ thanh toán và ngân hàng số (Frontier shift)
$TFPCH$ (Năng suất Nhân tố Tổng hợp) 1.073 Tăng trưởng năng suất tổng thể đạt 7.3% toàn hệ thống

Đổi mới và đóng góp

1. Đổi mới Phương pháp luận và Kỹ thuật Phân tích

  • Định lượng đa chiều phi tham số: Khắc phục triệt để nhược điểm của các phương pháp phân tích tỷ số truyền thống khi đánh giá đồng thời cấu trúc 3 đầu vào ($K, L, DEPO$) và 2 đầu ra ($Y_1, Y_2$).
  • Phân rã chính xác nguồn gốc phi hiệu quả: Chỉ ra rằng mức phi hiệu quả trung bình 7.2% ($1 - 0.928$) của các ngân hàng trong mẫu xuất phát cân bằng từ cả nguyên nhân quản trị thuần túy ($PE = 0.962$) lẫn quy mô chưa tối ưu ($SE = 0.963$).
  • Định vị trạng thái quy mô chi tiết:
    • Các NHTMCP Nhà nước quy mô lớn (BIDV, Vietinbank) rơi vào vùng Giảm theo quy mô (DRS), đòi hỏi tái cấu trúc danh mục tài sản thay vì mở rộng vật lý.
    • Các NHTMCP tư nhân tầm trung (Eximbank, VPBank, Sacombank) nằm trong vùng Tăng theo quy mô (IRS), có dư địa gia tăng hiệu quả khi mở rộng mạng lưới và tăng trưởng tín dụng.

2. So sánh với các Nghiên cứu Tiêu biểu

Hiệu quả Kỹ thuật (TE) So sánh Đối chuẩn:
  • So với nghiên cứu của TS. Nguyễn Việt Hùng (2008) trên 32 NHTM Việt Nam (2001–2005), hiệu quả kỹ thuật bình quân đã cải thiện từ 0.874 lên 0.928, phản ánh tác động tích cực của đề án cơ cấu lại hệ thống ngân hàng.
  • So với nghiên cứu của Fukuyama (1993) tại Nhật Bản và Zaim (1995) tại Thổ Nhĩ Kỳ, mô hình khẳng định tính phù hợp của tiếp cận trung gian trong việc phản ánh vai trò chuyển hóa vốn tiết kiệm thành nguồn lực đầu tư phát triển.

Ứng dụng thực tế và triển khai

1. Kịch bản Vận hành Thực tế (Real-World Use Cases)

  • Trường hợp 1 - Cơ quan Giám sát (NHNN): Sử dụng điểm số $TE$ và phân loại $RTS$ làm căn cứ phân bổ chỉ tiêu tăng trưởng tín dụng hàng năm, ưu tiên cấp room tín dụng cho các ngân hàng đạt hiệu quả tối ưu quy mô ($CRS$) như Vietcombank, MBBank.
  • Trường hợp 2 - Ban Điều hành NHTM: Ứng dụng ma trận Slacks để xác định mức dư thừa chi phí nhân sự ($L$) và tài sản cố định ($K$), thiết lập kế hoạch cắt giảm có mục tiêu cụ thể mà không làm suy giảm tổng thu nhập ($Y_1, Y_2$).

2. Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis & ROI)

  • Chi phí triển khai: Tích hợp module phân tích DEA vào hệ thống Quản trị thông tin (MIS/BI) hiện hữu ước tính khoảng 150 – 300 triệu VNĐ chi phí bản quyền solver và đào tạo nhân sự phân tích định lượng.
  • Lợi ích định lượng: Cắt giảm trung bình 3.8% chi phí đầu vào dư thừa (tương đương hàng chục tỷ đồng chi phí hoạt động/năm đối với mỗi ngân hàng) thông qua việc tái cấu trúc mạng lưới chi nhánh và định biên lao động tối ưu.

Hạn chế và hướng phát triển

1. Hạn chế Kỹ thuật

  • Mẫu nghiên cứu giới hạn: Dữ liệu thực nghiệm tập trung vào 8 ngân hàng trong giai đoạn 3 năm (2012–2014), chưa bao phủ toàn bộ 34 NHTMCP của hệ thống.
  • Đặc tính tất định của DEA: Phương pháp DEA truyền thống quy kết toàn bộ khoảng cách tới đường biên là phi hiệu quả, chưa tách biệt được các cú sốc ngẫu nhiên từ thị trường vĩ mô (lạm phát, thay đổi tỷ giá).

2. Hướng Mở rộng Nghiên cứu

  • Tích hợp Mô hình DEA Động Mạng lưới (Dynamic Network DEA): Phân tách quy trình kinh doanh ngân hàng thành 2 công đoạn độc lập: Giai đoạn Huy động vốn (Deposit Generation Stage) và Giai đoạn Tạo lập lợi nhuận (Loan/Investment Generation Stage).
  • Kết hợp DEA - Tobit Regression: Sử dụng mô hình hồi quy Tobit hai bước để đánh giá định lượng tác động của các biến môi trường (tỷ lệ nợ xấu, quy mô tài sản, vốn chủ sở hữu, tốc độ tăng trưởng GDP) đến điểm số hiệu quả.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học ngành Tài chính - Ngân hàng: Tiếp cận khung phương pháp nghiên cứu định lượng chuẩn mực, ứng dụng giải thuật tối ưu tuyến tính trong phân tích kinh tế vi mô.
  • Chuyên viên Phân tích Dữ liệu & Kỹ sư Thuật toán: Mô hình code mẫu xử lý dữ liệu bảng (Panel Data) và thuật toán giải Linear Programming đa biến trong quản trị tài chính.
  • Ban Lãnh đạo & Khối Quản trị Chiến lược NHTM: Công cụ đo lường hiệu suất khách quan, giúp nhận diện chính xác điểm nghẽn chi phí và xác định quy mô tối ưu cho từng chi nhánh.
  • Cơ quan Quản lý & Hoạch định Chính sách (NHNN, VAMC): Cơ sở khoa học để đánh giá thực chất sức khỏe hệ thống ngân hàng, phục vụ công tác thanh tra, giám sát an toàn vi mô và vĩ mô.

Câu hỏi thường gặp

1. Tại sao đề tài lại chọn Phương pháp Tiếp cận Trung gian thay vì Tiếp cận Sản xuất?

Trong hệ thống tài chính hiện đại, chi phí trả lãi tiền gửi thường chiếm từ 50% đến 70% tổng chi phí hoạt động của ngân hàng thương mại. Cách tiếp cận trung gian (Intermediation Approach) ghi nhận tiền gửi là đầu vào ($DEPO$) và các khoản cho vay/đầu tư sinh lãi là đầu ra, phản ánh chính xác bản chất kinh doanh rủi ro và khả năng sinh lời biên của ngân hàng.

2. Điểm số hiệu quả $TE = 1.0$ trong DEA có đồng nghĩa với việc ngân hàng đó đã hoàn hảo tuyệt đối?

Không. Điểm số trong DEA mang tính chất hiệu quả tương đối (Relative Efficiency). $TE = 1.0$ chỉ khẳng định rằng trong tập hợp mẫu 8 ngân hàng quan sát, không có ngân hàng nào khác sản xuất ra cùng lượng đầu ra với ít đầu vào hơn, hoặc sử dụng cùng lượng đầu vào mà tạo ra nhiều đầu ra hơn ngân hàng đó.

3. Làm thế nào để một ngân hàng thuộc nhóm DRS (Giảm theo quy mô) như BIDV hay Vietinbank cải thiện hiệu quả?

Khi ở trạng thái $DRS$, tốc độ tăng của đầu ra thấp hơn tốc độ tăng của quy mô đầu vào. Ngân hàng cần ngừng mở rộng vật lý ồ ạt các phòng giao dịch, tập trung tái cơ cấu danh mục tài sản, kiểm soát rủi ro nợ xấu, đẩy mạnh các sản phẩm số hóa và dịch vụ thu phí ngoài lãi để tối ưu hóa năng suất tài sản hiện hữu.

4. DEA xử lý các biến số đo lường chất lượng dịch vụ hoặc rủi ro tín dụng như thế nào?

DEA truyền thống tập trung vào các biến số lượng/giá trị. Để tích hợp rủi ro, nợ xấu có thể được mô hình hóa dưới dạng "Đầu ra không mong muốn" (Undesirable Output) thông qua hàm khoảng cách hướng (Directional Distance Function) hoặc đưa vào như một biến đầu vào bổ sung đại diện cho chi phí rủi ro.

5. Yêu cầu tối thiểu về số lượng DMU trong mô hình DEA là bao nhiêu để kết quả có độ tin cậy?

Theo quy tắc thực nghiệm chuẩn (Dyson et al., 2001), số lượng DMU ($n$) cần thỏa mãn điều kiện: $n \ge \max(m \times s, 3(m+s))$, trong đó $m$ là số đầu vào và $s$ là số đầu ra. Với mô hình gồm 3 đầu vào và 2 đầu ra, quy mô mẫu tối thiểu lý tưởng nên từ $3 \times (3+2) = 15$ quan sát. Trong dữ liệu mảng (Panel Data) 8 ngân hàng qua 3 năm (24 quan sát DMU-năm), mô hình hoàn toàn đảm bảo bậc tự do và độ tin cậy toán học.


Kết luận

Đề tài đã ứng dụng thành công mô hình phi tham số DEA và chỉ số năng suất Malmquist để đo lường toàn diện hiệu quả hoạt động của 8 NHTMCP tiêu biểu tại Việt Nam giai đoạn 2012–2014. Kết quả nghiên cứu khẳng định sự phục hồi ổn định của hệ thống với năng suất nhân tố tổng hợp tăng bình quân 7.3%/năm, chủ yếu nhờ vào sự đổi mới và hiện đại hóa công nghệ ngân hàng (+4.8%). Phương pháp luận và mô hình thuật toán được xây dựng cung cấp một công cụ phân tích định lượng chuẩn xác, hỗ trợ đắc lực cho công tác quản trị nội bộ tại các ngân hàng cũng như công tác thanh tra, giám sát an toàn vĩ mô của Ngân hàng Nhà nước.