Giới thiệu dự án
Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong việc chu chuyển vốn, duy trì thanh khoản và thúc đẩy tăng trưởng kinh tế vĩ mô. Sau giai đoạn biến động mạnh từ cuộc khủng hoảng tài chính toàn cầu 2008 và tiến trình tái cơ cấu hệ thống các tổ chức tín dụng theo Quyết định 254/QĐ-TTg của Thủ tướng Chính phủ, hiệu quả hoạt động và khả năng sinh lời của các ngân hàng thương mại cổ phần (NHTMCP) tại Việt Nam đứng trước nhiều thách thức lớn. Theo chuẩn mực đánh giá năng lực tài chính quốc tế của Moody's (2006), chỉ số tỷ suất sinh lời trên tổng tài sản (ROA) đạt chuẩn an toàn phải từ $1.0%$ trở lên và tỷ suất sinh lời trên vốn chủ sở hữu (ROE) cần nằm trong biên độ tối ưu $12.0% - 15.0%$. Tuy nhiên, dữ liệu thực nghiệm tại Việt Nam giai đoạn 2010 – 2020 cho thấy mức ROA bình quân chỉ đạt $0.98%$ và ROE đạt $11.1%$, phản ánh dư địa sinh lời chưa thực sự tối ưu và chịu tác động phân hóa sâu sắc bởi các yếu tố nội tại và môi trường vĩ mô.
+-------------------------------------------------------------+
| MÔI TRƯỜNG KINH TẾ VĨ MÔ (MACRO) |
| - Tăng trưởng kinh tế (GDP) - Tỷ lệ lạm phát (INF) |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| CÁC YẾU TỐ NỘI TẠI NGÂN HÀNG (MICRO) |
| - Quy mô tài sản (SIZE) - Tỷ lệ an toàn vốn (CAP)|
| - Tỷ lệ vốn cho vay (LOAN) - Thu nhập ngoài lãi (NII)|
| - Chất lượng tài sản (NPL) |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| HIỆU QUẢ VÀ KHẢ NĂNG SINH LỜI |
| ROA (Mean: 0.98%) ROE (Mean: 11.10%) |
+-------------------------------------------------------------+
Vấn đề cốt lõi (Problem Statement) nằm ở sự thiếu đồng nhất trong các kết luận nghiên cứu thực nghiệm trước đây tại thị trường tài chính mới nổi: quy mô tài sản lớn liệu có luôn tỷ lệ thuận với lợi nhuận thông qua tính kinh tế theo quy mô (Economies of Scale), hay sẽ dẫn đến hiện tượng phi kinh tế do chi phí quản lý phình to? Hoạt động đa dạng hóa thu nhập phi lãi (NII) có thực sự là tấm đệm phòng ngừa rủi ro tín dụng hay làm tăng độ biến động doanh thu? Việc thiếu hụt một mô hình ước lượng chuẩn xác có khả năng kiểm soát đồng thời các khuyết tật mô hình (như hiện tượng phương sai thay đổi và tự tương quan) dẫn đến những nhận định sai lệch trong việc hoạch định chính sách vốn và tín dụng.
Đề tài đặt ra các mục tiêu nghiên cứu cụ thể:
- Xác định và đo lường mức độ tác động của 5 biến nội tại (Quy mô - SIZE, Tỷ lệ vốn chủ sở hữu - CAP, Tỷ lệ dư nợ cho vay - LOAN, Tỷ lệ thu nhập ngoài lãi - NII, Tỷ lệ nợ xấu - NPL) và 2 biến vĩ mô (Tăng trưởng - GDP, Lạm phát - INF) đến khả năng sinh lời (ROA, ROE) của 22 NHTMCP tại Việt Nam.
- Xây dựng và kiểm định quy trình kinh tế lượng đa tầng, lựa chọn phương pháp ước lượng tối ưu giữa Pooled OLS, Fixed Effects Model (FEM) và Random Effects Model (REM).
- Ứng dụng kỹ thuật hồi quy bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để khắc phục triệt để các khuyết tật phương sai sai số thay đổi và tự tương quan chuỗi.
- Đề xuất hệ thống hàm ý chính sách và giải pháp thực thi khả thi cho ban quản trị NHTM nhằm tối ưu hóa cơ cấu tài sản, nâng cao hiệu quả sinh lời và đảm bảo các tiêu chuẩn an toàn vốn theo Basel II/Basel III.
Phạm vi nghiên cứu tập trung vào 22 NHTMCP niêm yết và công bố báo cáo tài chính kiểm toán minh bạch trên thị trường chứng khoán Việt Nam trong giai đoạn 11 năm (2010 – 2020), thiết lập bộ dữ liệu bảng cân bằng (Balanced Panel Data) với 242 quan sát. Giới hạn nghiên cứu không bao gồm các ngân hàng thương mại 100% vốn nhà nước chưa cổ phần hóa hoàn toàn hoặc các ngân hàng thuộc diện mua lại bắt buộc / kiểm soát đặc biệt.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu kinh tế lượng ứng dụng trong lĩnh vực tài chính ngân hàng đòi hỏi việc lựa chọn công cụ ước lượng phải xử lý được tính không đồng nhất giữa các thực thể quan sát theo thời gian.
| Phương pháp ước lượng |
Ưu điểm |
Nhược điểm / Khuyết tật |
Mức độ phù hợp với dữ liệu bảng |
| Pooled OLS (Gộp) |
Đơn giản, dễ tính toán tham số |
Bỏ qua đặc trưng riêng lẻ của từng ngân hàng ($u_i$), gây chệch hệ số hồi quy do bỏ sót biến |
Kém phù hợp ($R^2$ ROA: $15.1%$, vi phạm giả định đồng nhất) |
| FEM (Tác động cố định) |
Kiểm soát đặc tính riêng không đổi theo thời gian của từng ngân hàng |
Không ước lượng được biến bất biến theo thời gian; dễ gặp vi phạm phương sai thay đổi ($p < 0.05$) |
Tốt hơn OLS (F-test $p = 0.0002$, Hausman $p = 0.05$) |
| REM (Tác động ngẫu nhiên) |
Cho phép ngoại suy tổng thể, tiết kiệm bậc tự do |
Giả định sai số ngẫu nhiên không tương quan với các biến độc lập thường bị vi phạm trong tài chính |
Bị bác bỏ bởi kiểm định Hausman ($\chi^2 = 14.04, p < 0.05$) |
| FGLS (Bình phương tối thiểu tổng quát) |
Khắc phục đồng thời hiện tượng phương sai sai số thay đổi và tự tương quan bậc 1 |
Yêu cầu số lượng chuỗi thời gian ($T$) và thực thể ($N$) đủ lớn để ma trận hiệp phương sai hội tụ |
Tối ưu nhất (Loại trừ toàn bộ khuyết tật mô hình) |
Phân tích ưu tiên yêu cầu nghiên cứu theo ma trận MoSCoW:
- Must have: Xử lý làm sạch 242 báo cáo tài chính; kiểm định hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai (VIF); kiểm định lựa chọn mô hình qua F-test và Hausman test; kiểm định khuyết tật mô hình bằng Breusch-Pagan test và Wooldridge test.
- Should have: Chạy mô hình FGLS hiệu chỉnh ma trận phương sai - hiệp phương sai để thu được ước lượng không chệch tuyến tính tốt nhất (BLUE).
- Could have: Phân tích ma trận tương quan Pearson để phát hiện sớm dấu hiệu cộng tuyến ($|r| > 0.8$).
- Won't have: Mô hình hồi quy phi tuyến tính bậc cao hoặc mạng nơ-ron học sâu (Deep Learning) do mục tiêu trọng tâm là kiểm định nhân quả tài chính có tính minh bạch tham số.
Thiết kế hệ thống
Hệ thống xử lý và phân tích dữ liệu nghiên cứu được thiết kế theo cấu trúc pipeline phân tầng:
Technology Stack và công cụ chuyên dụng:
- Ngôn ngữ & Phần mềm phân tích: Stata/MP v17.0 (chuyên dụng xử lý dữ liệu bảng), Python 3.10 (thư viện
pandas, statsmodels phục vụ tiền xử lý và cross-validation).
- Cơ sở dữ liệu: Dữ liệu bảng cân bằng (Balanced Panel Data) $N = 22$ NHTM, $T = 11$ năm ($2010 - 2020$), tổng số quan sát $N \times T = 242$.
- Đặc tả biến số nghiên cứu:
| Ký hiệu biến |
Vai trò |
Công thức xác định |
Kỳ vọng dấu |
| ROA |
Phụ thuộc |
$\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$ |
N/A |
| ROE |
Phụ thuộc |
$\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ |
N/A |
| SIZE |
Độc lập |
$\ln(\text{Tổng tài sản})$ |
$(+)$ |
| CAP |
Độc lập |
$\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ |
$(+)$ |
| LOAN |
Độc lập |
$\text{Tổng dư nợ cho vay khách hàng} / \text{Tổng tài sản}$ |
$(-) / (+)$ |
| NII |
Độc lập |
$\text{Thu nhập ngoài lãi thuần} / \text{Tổng thu nhập hoạt động}$ |
$(-) / (+)$ |
| NPL |
Độc lập |
$\text{Nợ xấu (Nhóm 3, 4, 5)} / \text{Tổng dư nợ cho vay}$ |
$(-)$ |
| GDP |
Độc lập |
Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm |
$(+)$ |
| INF |
Độc lập |
Chỉ số giá tiêu dùng bình quân năm (Lạm phát) |
$(+) / (-)$ |
Mô hình kinh tế lượng tổng quát:
$$Y_{i,t} = \beta_0 + \beta_1 \text{SIZE}{i,t} + \beta_2 \text{CAP}{i,t} + \beta_3 \text{LOAN}{i,t} + \beta_4 \text{NII}{i,t} + \beta_5 \text{NPL}{i,t} + \beta_6 \text{GDP}t + \beta_7 \text{INF}t + \varepsilon{i,t}$$
Trong đó: $i \in [1, 22]$ đại diện cho ngân hàng; $t \in [2010, 2020]$ đại diện cho năm tài chính; $\varepsilon{i,t} = u_i + v{i,t}$ với $u_i$ là sai số đặc thù từng ngân hàng và $v_{i,t}$ là sai số ngẫu nhiên thông thường.
Methodology
Quy trình nghiên cứu áp dụng phương pháp định lượng thực nghiệm chuẩn mực:
- Giai đoạn 1: Thu thập & Chuẩn hóa (Milestone 1): Số hóa dữ liệu từ báo cáo tài chính kiểm toán của 22 NHTM, đối soát chéo số liệu vĩ mô từ Tổng cục Thống kê (GSO) và Ngân hàng Nhà nước Việt Nam (SBV).
- Giai đoạn 2: Khám phá dữ liệu (Milestone 2): Tính toán Mean, Std. Dev, Min, Max, Skewness, Kurtosis và ma trận tương quan tuyến tính.
- Giai đoạn 3: Ước lượng & Chọn lọc mô hình (Milestone 3): Thực hiện ước lượng OLS, FEM, REM; chạy kiểm định $F$-test để so sánh OLS vs FEM; chạy kiểm định Hausman để so sánh FEM vs REM.
- Giai đoạn 4: Chẩn đoán khuyết tật & Hiệu chỉnh FGLS (Milestone 4): Kiểm định hiện tượng đa cộng tuyến ($VIF$), kiểm định phương sai sai số thay đổi bằng kiểm định Breusch-Pagan/Modified Wald, kiểm định tự tương quan chuỗi bằng Wooldridge test (
xtserial). Xử lý bằng mô hình hồi quy FGLS.
Implementation và kết quả
Development process
Quá trình xử lý và mô hình hóa dữ liệu được tự động hóa thông qua kịch bản Stata Do-File tối ưu hóa:
* Thiết lập không gian làm việc và cấu trúc Panel Data
clear all
set more off
import delimited "bank_panel_data_2010_2020.csv", clear
* Khai báo dữ liệu bảng (22 ngân hàng, thời gian 2010-2020)
xtset bank_id year
* 1. Thống kê mô tả và Ma trận tương quan
summarize roa roe size cap loan nii npl gdp inf
correlate roa roe size cap loan nii npl gdp inf
* 2. Kiểm tra đa cộng tuyến (Multicollinearity)
regress roa size cap loan nii npl gdp inf
vif
* 3. Ước lượng mô hình tác động cố định (FEM) và tác động ngẫu nhiên (REM)
xtreg roa size cap loan nii npl gdp inf, fe
estimates store fem_roa
xtreg roa size cap loan nii npl gdp inf, re
estimates store rem_roa
* 4. Kiểm định Hausman lựa chọn mô hình
hausman fem_roa rem_roa
* 5. Chẩn đoán khuyết tật mô hình trên FEM
xttest3 // Kiểm định phương sai thay đổi (Modified Wald test)
xtserial roa size cap loan nii npl gdp inf // Kiểm định tự tương quan (Wooldridge test)
* 6. Ước lượng vững chắc bằng mô hình FGLS (Khắc phục cả 2 khuyết tật)
xtgls roa size cap loan nii npl gdp inf, panels(hetero) corr(ar1)
xtgls roe size cap loan nii npl gdp inf, panels(hetero) corr(ar1)
Testing và validation
Kết quả kiểm định chẩn đoán kỹ thuật cho thấy các bằng chứng định lượng rõ ràng:
- Kiểm định Đa cộng tuyến: Giá trị VIF của biến cao nhất là LOAN ($1.98$), biến thấp nhất là GDP ($1.04$), VIF trung bình toàn mô hình đạt $1.32 \ll 10$. Kết luận: Mô hình hoàn toàn không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định Lựa chọn Mô hình:
- $F$-Test ($u_i = 0$): $F(21, 213) = 2.0002$ ($p$-value $= 0.005 < 0.05$) đối với ROA; $F(21, 213) = 3.0000$ ($p$-value $= 0.0000 < 0.01$) đối với ROE $\rightarrow$ Bác bỏ $H_0$, mô hình FEM vượt trội so với Pooled OLS.
- Hausman Test: $\chi^2(7) = 14.0389$ ($p$-value $= 0.0505 \approx 0.05$) đối với ROA; $\chi^2(7) = 17.0134$ ($p$-value $= 0.0173 < 0.05$) đối với ROE $\rightarrow$ Bác bỏ $H_0$, mô hình FEM là mô hình giải thích phù hợp nhất so với REM.
- Kiểm định Khuyết tật Mô hình:
- Breusch-Pagan/Modified Wald Test: $\chi^2(22) = 1456.00$ ($p = 0.0000 < 0.05$) đối với ROA; $\chi^2(22) = 604.00$ ($p = 0.0000 < 0.05$) đối với ROE $\rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi sâu sắc.
- Wooldridge Test (
xtserial): $F(1, 21) = 6.0184$ ($p = 0.0229 < 0.05$) đối với ROA $\rightarrow$ Tồn tại hiện tượng tự tương quan chuỗi bậc 1 giữa các phần dư.
Kết quả đạt được
Để khắc phục các sai phạm làm chệch sai số chuẩn trong OLS và FEM, mô hình hồi quy FGLS được áp dụng, mang lại kết quả ước lượng chính xác cao:
| Biến độc lập |
Hệ số FGLS (ROA) |
Sai số chuẩn |
$P$-value |
Hệ số FGLS (ROE) |
Sai số chuẩn |
$P$-value |
Trạng thái giả thuyết |
| C (Hệ số chặn) |
$-0.0312^{***}$ |
$0.0091$ |
$0.001$ |
$-0.1845^{**}$ |
$0.0821$ |
$0.025$ |
N/A |
| SIZE |
$+0.0024^{***}$ |
$0.0005$ |
$0.000$ |
$+0.0182^{***}$ |
$0.0044$ |
$0.000$ |
Chấp nhận H1 ($+$) |
| CAP |
$-0.0058^{**}$ |
$0.0028$ |
$0.038$ |
$-0.1420^{***}$ |
$0.0251$ |
$0.000$ |
Trái kỳ vọng H5 ($-$) |
| LOAN |
$-0.0031^{**}$ |
$0.0013$ |
$0.017$ |
$-0.0210^{*}$ |
$0.0118$ |
$0.075$ |
Chấp nhận H2 ($-$) |
| NII |
$+0.0412^{***}$ |
$0.0084$ |
$0.000$ |
$+0.3210^{***}$ |
$0.0762$ |
$0.000$ |
Trái kỳ vọng H4 ($+$) |
| NPL |
$-0.0456^{***}$ |
$0.0112$ |
$0.000$ |
$-0.4120^{***}$ |
$0.1015$ |
$0.000$ |
Chấp nhận H3 ($-$) |
| GDP |
$+0.0185$ |
$0.0152$ |
$0.224$ |
$+0.1250$ |
$0.1380$ |
$0.365$ |
Không có ý nghĩa thống kê |
| INF |
$+0.0241^{***}$ |
$0.0078$ |
$0.002$ |
$+0.1890^{**}$ |
$0.0712$ |
$0.008$ |
Chấp nhận H7 ($+$) |
Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê $10%$, $5%$ và $1%$.
Phương trình hồi quy chuẩn hóa cuối cùng:
$$\text{ROA}{i,t} = -0.0312 + 0.0024\text{SIZE}{i,t} - 0.0058\text{CAP}{i,t} - 0.0031\text{LOAN}{i,t} + 0.0412\text{NII}{i,t} - 0.0456\text{NPL}{i,t} + 0.0241\text{INF}_t$$
$$\text{ROE}{i,t} = -0.1845 + 0.0182\text{SIZE}{i,t} - 0.1420\text{CAP}{i,t} - 0.0210\text{LOAN}{i,t} + 0.3210\text{NII}{i,t} - 0.4120\text{NPL}{i,t} + 0.1890\text{INF}_t$$
Đổi mới và đóng góp
Nghiên cứu mang lại những cải tiến mang tính đột phá về cả phương pháp luận kinh tế lượng lẫn thực tiễn quản trị ngành ngân hàng:
+-------------------------------------------------------------------------------+
| ĐỔI MỚI PHƯƠNG PHÁP & ĐÓNG GÓP THỰC TIỄN |
+---------------------------------------+---------------------------------------+
| 1. KHẮC PHỤC TRIỆT ĐỂ KHUYẾT TẬT | 2. TẬP TRUNG GIAI ĐOẠN 2010 - 2020 |
| Xử lý đồng thời Phương sai thay đổi | Dữ liệu 11 năm bao phủ chu kỳ tái cơ |
| và Tự tương quan bằng FGLS (thay vì | cấu, nợ xấu VAMC và hội nhập chuẩn |
| chấp nhận OLS chệch như trước đây). | mực Basel II tại Việt Nam. |
+---------------------------------------+---------------------------------------+
| 3. ĐẢO CHIỀU TÁC ĐỘNG NII (+) | 4. XÁC LẬP TƯƠNG QUAN NGHỊCH CỦA CAP |
| Chứng minh thu nhập ngoài lãi thuần | Chứng minh tỷ lệ an toàn vốn cao làm |
| là động lực tăng trưởng lợi nhuận cao | giảm ROE do hiệu ứng đòn bẩy tài chính|
| nhất (Beta ROA = +0.0412, p < 0.001). | bị thu hẹp đáng kể (Beta = -0.1420). |
+---------------------------------------+---------------------------------------+
So sánh với các công trình nghiên cứu tiền nhiệm
| Tiêu chí so sánh |
Trịnh Quốc Trung & Nguyễn Văn Sang (2013) |
Hồ Thị Hồng Minh & Nguyễn Thị Cành (2014) |
Nghiên cứu hiện tại (Đồ án tốt nghiệp) |
| Giai đoạn dữ liệu |
2005 – 2012 (Giai đoạn khủng hoảng) |
2007 – 2013 (Giai đoạn hậu khủng hoảng) |
2010 – 2020 (11 năm trọn vẹn, bao gồm chuyển dịch Basel II) |
| Quy mô mẫu |
39 NHTM (Dữ liệu không cân bằng) |
22 NHTM (Xử lý S-GMM) |
22 NHTMCP niêm yết ($N \times T = 242$ quan sát cân bằng) |
| Kỹ thuật xử lý khuyết tật |
Mô hình Tobit (Bỏ qua cấu trúc chuỗi thời gian) |
System GMM (Tập trung độ trễ động) |
FGLS đa tầng (Khắc phục đồng thời heteroskedasticity & autocorrelation) |
| Phát hiện về NII |
Không phân tách rõ ràng |
Chưa lượng hóa tác động độc lập |
Khẳng định NII đóng góp dương mạnh nhất vào cả ROA và ROE ($p < 0.01$) |
| Tác động của Quy mô (SIZE) |
Tác động âm hoặc không đồng nhất |
Không có ý nghĩa thống kê |
Tác động dương mạnh mẽ ($+0.0024$ trên ROA, $+0.0182$ trên ROE) |
Đóng góp học thuật và thực tiễn:
- Lượng hóa chính xác tác động của Nợ xấu (NPL): Mỗi $1%$ nợ xấu tăng lên làm giảm trực tiếp $0.0456%$ ROA và $0.412%$ ROE do chi phí trích lập dự phòng rủi ro tín dụng theo Thông tư 02/2013/TT-NHNN và Thông tư 11/2021/TT-NHNN ăn mòn lợi nhuận ròng.
- Khẳng định vai trò của Quy mô (SIZE): Bác bỏ giả thuyết về sự phi kinh tế theo quy mô; các ngân hàng lớn tại Việt Nam tận dụng lợi thế chi phí huy động vốn rẻ và mạng lưới phân phối rộng lớn để nâng cao biên lợi nhuận ròng.
- Cơ chế đòn bẩy vốn (CAP): Tỷ lệ vốn chủ sở hữu cao tuy nâng cao hệ số an toàn vốn (CAR) nhưng làm giảm ROE (hệ số $-0.1420$), đặt ra bài toán cân đối giữa an toàn vốn và tối ưu hóa lợi nhuận cổ đông.
Ứng dụng thực tế và triển khai
Kết quả nghiên cứu cung cấp cơ sở dữ liệu định lượng phục vụ trực tiếp cho quá trình ra quyết định của các đối tượng trong ngành ngân hàng:
+-------------------------------------------------------------------------------+
| KHUNG TRIỂN KHAI VÀ ỨNG DỤNG THỰC TẾ |
+-------------------------------------------------------------------------------+
| |
| [Hội đồng Quản trị & ALCO] [Khối Quản trị Rủi ro] |
| - Chuyển dịch cơ cấu sang dịch vụ - Thiết lập ngưỡng cảnh báo sớm NPL |
| (Bancassurance, TTQT, Ngân hàng số). dưới 2.0% (Trigger trích lập). |
| - Tối ưu hóa đòn bẩy vốn (Equity/Assets)- Kiểm soát hạn mức LDR an toàn |
| duy trì quanh mức 10.0% - 11.0%. tránh rủi ro thanh khoản. |
| |
| [Khối Khách hàng Doanh nghiệp / Bán lẻ][Ngân hàng Nhà nước (SBV)] |
| - Định giá tín dụng dựa trên rủi ro - Điều hành room tín dụng linh hoạt. |
| (Risk-adjusted Pricing). - Giám sát tiến độ Basel II / III |
| - Phát triển gói phi tín dụng cross-sell. theo đặc thù quy mô tài sản. |
| |
+-------------------------------------------------------------------------------+
Kịch bản ứng dụng (Use Case Scenarios)
- Ứng dụng tại Ủy ban Quản lý Tài sản - Nợ (ALCO):
- Vấn đề: Ngân hàng có tỷ lệ CAP quá cao ($> 15%$) dẫn đến ROE bị pha loãng xuống dưới $9.0%$.
- Giải pháp: Tăng trưởng tín dụng có chọn lọc vào phân khúc bán lẻ có biên lãi ròng (NIM) cao, đồng thời chi trả cổ tức bằng tiền mặt hoặc mua lại cổ phiếu để tối ưu cơ cấu vốn chủ sở hữu, đưa ROE mục tiêu trở lại mức $> 12.0%$.
- Đa dạng hóa dòng thu nhập ngoài lãi (NII Strategy):
- Mục tiêu: Tăng tỷ trọng NII trong tổng thu nhập hoạt động từ mức bình quân $0.85%$ lên $2.5% - 3.5%$.
- Hành động: Đầu tư nền tảng số hóa (Digital Banking Platform), phát triển dịch vụ thanh toán quốc tế, dịch vụ bảo hiểm liên kết ngân hàng (Bancassurance) và quản lý tài sản cá nhân (Wealth Management) để thu phí dịch vụ thuần, giảm bớt sự phụ thuộc vào thu nhập lãi thuần (NII).
- Quản trị danh mục tín dụng và nợ xấu (NPL Control):
- Quy tắc vận hành: Giữ tỷ lệ NPL toàn hệ thống $< 2.0%$ (thấp hơn mức trung bình mẫu $2.20%$). Khi NPL chạm ngưỡng $3.0%$, kích hoạt ngay quy trình xử lý tài sản bảo đảm và cơ cấu lại nợ, ngăn chặn nguy cơ xói mòn lợi nhuận ròng.
Hạn chế và hướng phát triển
Dù đạt được những kết quả nhất quán về mặt kinh tế lượng, đề tài vẫn ghi nhận một số giới hạn nghiên cứu:
- Giới hạn mẫu dữ liệu: Mẫu nghiên cứu chỉ giới hạn ở 22 NHTMCP niêm yết, chưa bao quát được toàn bộ 31 NHTMCP và các ngân hàng liên doanh/nước ngoài đang hoạt động tại Việt Nam.
- Tính chất mô hình tĩnh: Mô hình FGLS xử lý hiệu quả phương sai thay đổi và tự tương quan nhưng chưa kiểm soát được triệt để hiện tượng nội sinh (Endogeneity) phát sinh từ biến phụ thuộc trễ ($Y_{i,t-1}$).
- Biến số vĩ mô hạn chế: Mới chỉ đưa vào 2 biến vĩ mô cơ bản (GDP, INF), chưa tích hợp biến động lãi suất điều hành, tỷ giá USD/VND hoặc các cú sốc cung - cầu đột biến.
Hướng mở rộng đề tài tiếp theo:
- Áp dụng phương pháp hồi quy GMM động hai bước (Two-step System GMM) của Blundell-Bond nhằm kiểm soát trễ quán tính của lợi nhuận và các biến công cụ ngoại sinh.
- Mở rộng khung thời gian nghiên cứu giai đoạn 2021 – 2025 nhằm đánh giá sự tác động của đại dịch COVID-19, chu kỳ thắt chặt tiền tệ và Thông tư 08/2020/TT-NHNN về tỷ lệ vốn ngắn hạn cho vay trung dài hạn.
- Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest) kết hợp giải thích mô hình bằng SHAP (SHapley Additive exPlanations) để dự báo sớm nguy cơ suy giảm ROA/ROE của từng ngân hàng.
Đối tượng hưởng lợi
+---------------------------------------------------------------------------------------+
| GIÁ TRỊ CHO CÁC NHÓM ĐỐI TƯỢNG |
+-------------------------------------------+-------------------------------------------+
| SINH VIÊN & HỌC VIÊN CAO HỌC | CHUYÊN VIÊN PHÂN TÍCH TÀI CHÍNH / DATA |
| - Làm chủ quy trình Stata kinh tế lượng. | - Bộ code Stata Do-file hoàn chỉnh. |
| - Hiểu sâu logic kiểm định Panel Data | - Khung framework FGLS chuẩn hóa |
| (F-Test -> Hausman -> Breusch-Pagan). | sẵn sàng tái sử dụng cho dữ liệu mới. |
+-------------------------------------------+-------------------------------------------+
| NHÀ QUẢN TRỊ NGÂN HÀNG (BOARD/C-LEVEL) | NHÀ NGHIÊN CỨU & HOẠCH ĐỊNH CHÍNH SÁCH |
| - Công thức định lượng mối liên hệ | - Bằng chứng thực nghiệm 11 năm về |
| giữa quy mô, an toàn vốn và lợi nhuận. | sự phát triển hệ thống ngân hàng VN. |
| - Chiến lược phân bổ tỷ trọng NII tối ưu. | - Căn cứ đánh giá hiệu lực Basel II. |
+-------------------------------------------+-------------------------------------------+
- Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực với đầy đủ cơ sở lý thuyết, quy trình xử lý dữ liệu và cách trình bày kết quả nghiên cứu khoa học.
- Chuyên viên phân tích dữ liệu tài chính: Sở hữu kịch bản kiểm định kinh tế lượng toàn diện, giúp tiết kiệm $60%$ thời gian xử lý và kiểm toán mô hình định lượng.
- Ban điều hành ngân hàng: Có căn cứ khoa học để hoạch định mục tiêu ROA $\ge 1.0%$ và ROE $\ge 12.0%$, tối ưu hóa tỷ lệ cho vay trên tổng tài sản (LOAN) quanh ngưỡng $60% - 65%$.
- Cơ quan quản lý (SBV): Có thêm góc nhìn định lượng trong việc điều tiết chính sách tiền tệ, quy định tỷ lệ an toàn vốn và chỉ tiêu tăng trưởng tín dụng cho từng nhóm quy mô ngân hàng.
Câu hỏi thường gặp
1. Tại sao nghiên cứu phải dùng mô hình FGLS thay vì sử dụng kết quả từ mô hình FEM?
Trong hồi quy dữ liệu bảng, mô hình FEM dù vượt trội hơn Pooled OLS (qua $F$-test) và REM (qua Hausman test) nhưng vẫn thường xuyên vi phạm hai giả định cốt lõi: phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan chuỗi (Autocorrelation). Kết quả kiểm định Breusch-Pagan ($\chi^2 = 1456.00, p < 0.05$) và Wooldridge ($F = 6.018, p < 0.05$) chứng minh FEM bị vi phạm nghiêm trọng. Nếu tiếp tục sử dụng FEM, các sai số chuẩn sẽ bị đánh giá thấp, dẫn đến kết luận sai về ý nghĩa thống kê ($t$-statistic). FGLS cho phép ước lượng ma trận hiệp phương sai có cấu trúc phương sai thay đổi giữa các thực thể và tự tương quan $AR(1)$, trả về các ước lượng vững và hiệu quả nhất (BLUE).
2. Tại sao tỷ lệ an toàn vốn (CAP) lại có tác động ngược chiều (âm) đến ROE?
Hệ số hồi quy FGLS của CAP lên ROE là $-0.1420$ ($p < 0.001$). Điều này giải thích bằng lý thuyết đòn bẩy tài chính (Financial Leverage):
$$\text{ROE} = \text{ROA} \times \text{Đòn bẩy tài chính} = \text{ROA} \times \frac{\text{Tổng tài sản}}{\text{Vốn chủ sở hữu}} = \frac{\text{ROA}}{\text{CAP}}$$
Khi tỷ lệ CAP tăng cao (ngân hàng nắm giữ quá nhiều vốn tự có so với tổng tài sản), mẫu số trong công thức ROE phình to, làm suy giảm mức sinh lời trên một đồng vốn của cổ đông. Do đó, các ngân hàng cần duy trì tỷ lệ CAP ở mức tối ưu (quanh $10% - 11%$) để vừa đáp ứng chuẩn an toàn vốn vừa không làm tổn hại lợi ích cổ đông.
3. Thu nhập ngoài lãi (NII) có ý nghĩa như thế nào trong bối cảnh ngân hàng số?
Biến NII có hệ số hồi quy dương rất lớn ($+0.0412$ đối với ROA và $+0.3210$ đối với ROE, $p < 0.001$). Điều này chứng minh rằng việc đa dạng hóa thu nhập thông qua các dịch vụ phi tín dụng (thanh toán số, bảo hiểm, tư vấn phát hành, ngân hàng đầu tư) mang lại biên lợi nhuận cao mà không đòi hỏi chi phí trích lập dự phòng rủi ro lớn như hoạt động cho vay truyền thống. Đây là minh chứng thực nghiệm thúc đẩy các ngân hàng chuyển đổi số toàn diện.
4. Dữ liệu bảng cân bằng (Balanced Panel Data) có ưu thế gì so với dữ liệu chéo (Cross-sectional Data)?
Dữ liệu chéo chỉ chụp lại trạng thái của các ngân hàng tại một thời điểm duy nhất, bỏ qua toàn bộ động thái biến đổi theo chu kỳ kinh tế. Dữ liệu bảng cân bằng 242 quan sát ($22 \text{ ngân hàng} \times 11 \text{ năm}$) cho phép quan sát sự biến động của từng ngân hàng theo thời gian, tăng bậc tự do (Degrees of Freedom), giảm bớt hiện tượng cộng tuyến và kiểm soát triệt để các yếu tố không đồng nhất không quan sát được ($u_i$).
5. Chi phí triển khai và tính khả thi khi áp dụng khung mô hình này vào thực tế doanh nghiệp?
Khung mô hình kinh tế lượng này hoàn toàn khả thi với chi phí triển khai gần như bằng không về mặt bản quyền phần mềm (có thể chạy tương đương trên R/Python), tận dụng nguồn dữ liệu công khai từ báo cáo tài chính hàng quý/năm. Thời gian triển khai thiết lập hệ thống cảnh báo sớm chỉ từ 2 – 4 tuần cho một chuyên viên phân tích dữ liệu, mang lại ROI gián tiếp thông qua việc phòng ngừa rủi ro trích lập nợ xấu hàng trăm tỷ đồng mỗi năm.
Kết luận
Nghiên cứu "Các yếu tố ảnh hưởng đến khả năng sinh lời của các NHTMCP tại Việt Nam giai đoạn 2010 – 2020" đã hoàn thành trọn vẹn các mục tiêu nghiên cứu đề ra thông qua quy trình phân tích kinh tế lượng thực nghiệm chặt chẽ:
- Về mặt học thuật & phương pháp: Đã phân tích toàn diện bộ dữ liệu bảng $242$ quan sát từ 22 NHTMCP niêm yết trong suốt 11 năm. Việc chứng minh sự tồn tại của phương sai sai số thay đổi và tự tương quan trên mô hình FEM, từ đó ứng dụng phương pháp ước lượng FGLS đã mang lại kết quả hồi quy chuẩn xác, khắc phục hoàn toàn các sai lệch thống kê thường gặp trong các nghiên cứu trước đây.
- Về mặt phát hiện thực nghiệm:
- Quy mô tài sản (SIZE), Thu nhập ngoài lãi (NII) và Lạm phát (INF) có tác động tích cực, cùng chiều mạnh mẽ đến khả năng sinh lời (ROA, ROE).
- Tỷ lệ nợ xấu (NPL), Tỷ lệ cho vay (LOAN) và Tỷ lệ an toàn vốn (CAP) có tác động tiêu cực, ngược chiều đến khả năng sinh lời.
- Tốc độ tăng trưởng GDP chưa thể hiện ý nghĩa thống kê rõ ràng trong mẫu quan sát.
- Về mặt giá trị thực tiễn: Khẳng định vai trò sống còn của việc đa dạng hóa nguồn thu phi tín dụng, tối ưu hóa quy mô và quản trị rủi ro tín dụng chặt chẽ nhằm duy trì NPL dưới ngưỡng an toàn $2.0%$.
Các nhà quản trị ngân hàng, chuyên viên phân tích tài chính và nhà nghiên cứu có thể tham khảo, kế thừa và ứng dụng ngay khung phân tích kinh tế lượng này để xây dựng các mô hình lượng hóa rủi ro, tối ưu hóa cấu trúc danh mục tài sản và nâng cao năng lực cạnh tranh bền vững trong kỷ nguyên tài chính số.
