Giới thiệu dự án
Trong bối cảnh nền kinh tế Việt Nam hội nhập sâu rộng vào các định chế quốc tế như WTO, APEC, ASEM và tham gia các hiệp định thương mại tự do thế hệ mới (EVFTA), hệ thống Ngân hàng Thương mại (NHTM) giữ vai trò huyết mạch lưu thông dòng vốn và điều tiết vĩ mô. Năm 2020, dù chịu tác động nặng nề từ đại dịch COVID-19, lợi nhuận trước thuế toàn ngành ngân hàng vẫn ghi nhận mức tăng trưởng 15,8% (theo số liệu từ 18 NHTM niêm yết, chiếm khoảng 70% tổng tài sản toàn hệ thống). Tuy nhiên, tốc độ này đã sụt giảm đáng kể so với mức tăng trưởng 25% của năm 2019, đồng thời tiềm ẩn áp lực nợ xấu gia tăng khi các chính sách giãn, hoãn nợ theo Thông tư 01/2020/TT-NHNN dần hết hiệu lực.
Mặc dù hoạt động cấp tín dụng đóng góp trên 70% tổng thu nhập hoạt động của các NHTM Việt Nam, sự đánh đổi giữa tăng trưởng quy mô tín dụng và rủi ro tổn thất do nợ quá hạn luôn là bài toán nan giải. Việc mất cân đối giữa tỷ lệ nợ xấu (NPL) và trích lập chi phí dự phòng rủi ro tín dụng trực tiếp bào mòn biên lợi nhuận ròng, đe dọa an toàn vốn và giảm sút niềm tin của nhà đầu tư trên thị trường chứng khoán (TTCK).
Đề tài khóa luận tập trung giải quyết các mục tiêu trọng tâm:
- Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng và hiệu quả sinh lời của ngân hàng thương mại.
- Xây dựng mô hình kinh tế lượng nhằm đo lường mức độ và chiều hướng tác động của rủi ro tín dụng cùng các nhân tố nội tại, vĩ mô đến tỷ suất sinh lời trên tổng tài sản bình quân (ROAA) và vốn chủ sở hữu bình quân (ROEA).
- Đề xuất các khuyến nghị và hàm ý chính sách thực tiễn nhằm tối ưu hóa danh mục tín dụng, kiểm soát nợ xấu và nâng cao năng lực sinh lời bền vững.
Giải pháp nghiên cứu sử dụng phương pháp định lượng hồi quy dữ liệu bảng (Panel Data Regression) với bộ dữ liệu thứ cấp gồm 91 quan sát từ 14 NHTM niêm yết trên HOSE, HNX và UPCOM trong giai đoạn 11 năm (2010 - 2020). Mô hình kiểm định tuần tự qua phương pháp Bình phương nhỏ nhất (OLS), Mô hình tác động cố định (FEM) và Mô hình tác động ngẫu nhiên (REM), kết hợp kiểm định Hausman để xác định mô hình tối ưu.
Phạm vi nghiên cứu giới hạn ở 14 NHTM cổ phần niêm yết công khai Báo cáo tài chính đã kiểm toán; không bao gồm các ngân hàng thương mại 100% vốn nhà nước chưa niêm yết hoặc ngân hàng liên doanh, ngân hàng nước ngoài tại Việt Nam.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các phương pháp nghiên cứu định lượng tài chính ngân hàng hiện nay thường phân kỳ giữa các mô hình tĩnh và động:
| Phương pháp |
Ưu điểm |
Nhược điểm |
Đánh giá tính phù hợp |
| Hồi quy OLS gộp (Pooled OLS) |
Đơn giản, dễ tính toán, cung cấp góc nhìn tổng quát |
Bỏ qua tính dị biệt (heterogeneity) giữa từng NHTM, dễ chệch hệ số |
Phù hợp làm mốc so sánh ban đầu |
| Mô hình FEM (Fixed Effects) |
Kiểm soát được các đặc tính riêng biệt bất biến theo thời gian của từng ngân hàng |
Mất bậc tự do nếu số lượng đơn vị chéo lớn, loại bỏ biến vĩ mô cố định |
Được đưa vào kiểm định so sánh |
| Mô hình REM (Random Effects) |
Tiết kiệm bậc tự do, cho phép ước lượng biến vĩ mô chung (GDP, Lạm phát) |
Giả định sai số ngẫu nhiên không tương quan với các biến độc lập |
Lựa chọn tối ưu sau kiểm định Hausman ($p > 0.05$) |
| Phương pháp GMM (Arellano-Bond) |
Xử lý triệt để nội sinh và độ trễ của biến phụ thuộc |
Đòi hỏi chuỗi thời gian lớn và cấu trúc công cụ phức tạp |
Hướng mở rộng cho các nghiên cứu tiếp theo |
Nghiên cứu so sánh với các công trình thực nghiệm trước đây:
- Garza (2010) trên nhóm 14 quốc gia phát triển và đang phát triển: Xác định an toàn vốn và rủi ro tín dụng là nhân tố cốt lõi quyết định lợi nhuận tại các thị trường mới nổi.
- Kasman và cộng sự (2010) tại các nước EU: Phát hiện quy mô ngân hàng và quy mô tín dụng có quan hệ ngược chiều với tỷ suất lợi nhuận ròng.
- Lê Văn Lễ (2020) tại Việt Nam (giai đoạn 2007 - 2019): Chứng minh quy mô ngân hàng và chi phí hoạt động tác động tích cực đến ROE, trong khi rủi ro tín dụng tác động tiêu cực đến ROA.
Khung yêu cầu phân tích dữ liệu theo chuẩn MoSCoW:
- Must have: Dữ liệu tài chính kiểm toán 11 năm của 14 NHTM niêm yết; tính toán chuẩn xác các chỉ số ROAA, ROEA, CRISK, BSIZE, LOAN, EQUITY, LDR, GDP, INF; kiểm định đa cộng tuyến và Hausman.
- Should have: Biểu đồ hóa xu hướng biến động nợ xấu và tăng trưởng GDP/Lạm phát; so sánh ma trận tương quan Pearson.
- Could have: Ước lượng hồi quy đa biến đồng thời trên 3 mô hình OLS, FEM, REM.
- Won't have: Mô hình hóa rủi ro phi tài chính và rủi ro đạo đức của người vay vốn.
Thách thức kỹ thuật chính là sự chênh lệch quy mô tài sản giữa các ngân hàng (từ 3.000 tỷ VND của PG Bank đến hơn 1,5 triệu tỷ VND của BIDV/VietinBank) và sự thiếu nhất quán trong chuẩn phân loại nợ giữa các thời kỳ. Nghiên cứu giải quyết bằng cách logarit tự nhiên biến tổng tài sản $\ln(BSIZE)$ và chuẩn hóa phân loại nợ nhóm 3, 4, 5 theo Thông tư 02/2013/TT-NHNN.
Thiết kế hệ thống
Quy trình xử lý và mô hình hóa kinh tế lượng được thiết kế theo pipeline chuẩn:
Technology Stack:
- Công cụ phân tích kinh tế lượng: Stata v16.0 / v17.0 MP (Statistical Software for Data Science).
- Xử lý bảng tính và chuẩn hóa biến: Microsoft Excel 365 / 2019.
- Nguồn dữ liệu thứ cấp: Báo cáo tài chính kiểm toán, Cáo bạch thường niên, Nền tảng dữ liệu tài chính FiinPro Platform v2.0, Vietstock, CafeF, Tổng cục Thống kê (GSO).
Đặc tả biến số và mô hình toán học:
ROAA_it = β0 + β1*CRISK_it + β2*BSIZE_it + β3*LOAN_it + β4*EQUITY_it + β5*LDR_it + β6*GDP_it + β7*INF_it + ε_it (Mô hình 1)
ROEA_it = α0 + α1*CRISK_it + α2*BSIZE_it + α3*LOAN_it + α4*EQUITY_it + α5*LDR_it + α6*GDP_it + α7*INF_it + u_it (Mô hình 2)
Trong đó:
- $i$: Đại diện cho 14 NHTM niêm yết ($i = 1 \dots 14$).
- $t$: Chuỗi thời gian từ năm 2010 đến năm 2020 ($t = 1 \dots 11$).
- Biến phụ thuộc:
- $\text{ROAA} = \frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}}$
- $\text{ROEA} = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$
- Biến độc lập cốt lõi:
- $\text{CRISK} = \frac{\text{Nợ xấu (Nhóm 3 + Nhóm 4 + Nhóm 5)}}{\text{Tổng dư nợ cho vay}}$
- Biến kiểm soát nội tại và vĩ mô:
- $\text{BSIZE} = \ln(\text{Tổng tài sản bình quân})$
- $\text{LOAN} = \frac{\text{Dư nợ cho vay bình quân}}{\text{Tổng tài sản bình quân}}$
- $\text{EQUITY} = \frac{\text{Vốn chủ sở hữu bình quân}}{\text{Tổng tài sản bình quân}}$
- $\text{LDR} = \frac{\text{Dư nợ cho vay bình quân}}{\text{Tiền gửi khách hàng bình quân}}$
- $\text{GDP}$: Tốc độ tăng trưởng GDP hàng năm của Việt Nam.
- $\text{INF}$: Tỷ lệ lạm phát hàng năm tính theo chỉ số giá tiêu dùng CPI.
Methodology
Phương pháp luận nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng thực nghiệm:
- Lập bảng cân đối dữ liệu bảng: Thu thập chuỗi dữ liệu 11 năm liên tục, kiểm tra tính toàn vẹn và loại trừ các giá trị ngoại lai dị biệt.
- Kiểm tra đa cộng tuyến: Sử dụng ma trận hệ số tương quan tuyến tính Pearson (
pwcorr), ngưỡng loại trừ rủi ro đa cộng tuyến nghiêm trọng được xác định là $|r| < 0.8$.
- Ước lượng đa mô hình: Chạy song song OLS, FEM (
xtreg, fe), REM (xtreg, re).
- Kiểm định lựa chọn mô hình: Thực hiện kiểm định Hausman với giả thuyết $H_0$ (chọn REM) và $H_1$ (chọn FEM). Khi $p\text{-value} > 0.05$, chấp nhận $H_0$.
Implementation và kết quả
Development process
Quá trình triển khai phân tích thực nghiệm trên phần mềm Stata được tự động hóa thông qua kịch bản mã nguồn:
*-------------------------------------------------------------------------------
* STATA DO-FILE: EMPIRICAL ANALYSIS ON CREDIT RISK AND BANK PROFITABILITY
* Project: Graduating Thesis - Banking Academy of Vietnam
* Author: Nguyen Ngoc Anh (K20TCM)
*-------------------------------------------------------------------------------
* 1. Thiết lập cấu trúc dữ liệu bảng (Panel Data Setting)
clear all
import excel "Bank_Panel_Data_2010_2020.xlsx", sheet("Data") firstrow
iis bank_id
tis year
xtset bank_id year
* 2. Thống kê mô tả các biến trong mô hình
summarize ROAA ROEA CRISK BSIZE LOAN EQUITY LDR GDP INF
* 3. Ma trận tương quan Pearson kiểm tra đa cộng tuyến
pwcorr ROAA ROEA CRISK BSIZE LOAN EQUITY LDR GDP INF, sig star(0.05)
* 4. Ước lượng Mô hình 1 (Biến phụ thuộc ROAA)
regress ROAA CRISK BSIZE LOAN EQUITY LDR GDP INF
estimates store ols_roaa
xtreg ROAA CRISK BSIZE LOAN EQUITY LDR GDP INF, fe
estimates store fem_roaa
xtreg ROAA CRISK BSIZE LOAN EQUITY LDR GDP INF, re
estimates store rem_roaa
* Kiểm định Hausman cho Mô hình 1
hausman fem_roaa rem_roaa
* 5. Ước lượng Mô hình 2 (Biến phụ thuộc ROEA)
regress ROEA CRISK BSIZE LOAN EQUITY LDR GDP INF
estimates store ols_roea
xtreg ROEA CRISK BSIZE LOAN EQUITY LDR GDP INF, fe
estimates store fem_roea
xtreg ROEA CRISK BSIZE LOAN EQUITY LDR GDP INF, re
estimates store rem_roea
* Kiểm định Hausman cho Mô hình 2
hausman fem_roea rem_roea
Testing và validation
1. Thống kê mô tả bộ mẫu nghiên cứu (N = 91):
- ROAA: Trung bình đạt $1,09%$ ($\text{SD} = 0,67%$), biên độ dao động từ $0,03%$ đến $3,05%$.
- ROEA: Trung bình đạt $13,61%$ ($\text{SD} = 7,39%$), biên độ từ $0,30%$ đến $33,77%$.
- CRISK: Tỷ lệ nợ xấu trung bình ở mức an toàn $1,73%$ ($\text{SD} = 1,27%$), thấp nhất là $0,17%$ (BIDV năm 2015) và cao nhất là $8,81%$ (SHB năm 2012).
- BSIZE: Giá trị $\ln(\text{Tổng tài sản})$ trung bình đạt 8,4292 (tối thiểu 7,5301 tại KLB 2017; tối đa 9,1771 tại BIDV 2020).
- LOAN: Trung bình dư nợ chiếm $61,24%$ tổng tài sản (biến thiên từ $39,09%$ đến $79,70%$).
- LDR: Tỷ lệ cho vay trên vốn huy động trung bình đạt $91,06%$ ($\text{SD} = 14,93%$), cao nhất đạt $132,93%$.
- Vĩ mô: Tăng trưởng GDP bình quân đạt $6,45%$ ($5,25% - 7,08%$); lạm phát INF bình quân $5,39%$ ($0,60% - 18,70%$).
2. Kiểm tra tương quan và kiểm định Hausman:
- Ma trận tương quan xác nhận không có cặp biến giải thích nào có hệ số tương quan vượt quá 0,8 (ngoại trừ mối tương quan nội tại giữa hai biến phụ thuộc ROAA và ROEA đạt $0,7677$, không vi phạm giả định mô hình). Hiện tượng đa cộng tuyến hoàn toàn bị loại trừ.
- Kiểm định Hausman cho Mô hình 1 đạt giá trị $\text{Prob} > \text{chi2} = 0,1020 > 0,05$. Do đó, chấp nhận giả thiết $H_0$, mô hình Tác động ngẫu nhiên (REM) được chứng minh là lựa chọn tối ưu, nhất quán và hiệu quả nhất.
Kết quả đạt được
Bảng tổng hợp kết quả hồi quy Mô hình 1 (ROAA) và Mô hình 2 (ROEA) qua 3 phương pháp OLS, FEM, REM:
| Biến số |
Mô hình 1 (ROAA) - OLS |
Mô hình 1 (ROAA) - FEM |
Mô hình 1 (ROAA) - REM (Tối ưu) |
Mô hình 2 (ROEA) - OLS |
Mô hình 2 (ROEA) - FEM |
Mô hình 2 (ROEA) - REM (Tối ưu) |
| CRISK |
0,0139 ($p=0,881$) |
0,0119 ($p=0,768$) |
0,0139 ($p=0,728$) |
0,0024 ($p=0,997$) |
0,0372 ($p=0,950$) |
0,0024 ($p=0,997$) |
| BSIZE |
0,0064 ($p=0,000^{***}$) |
0,0067 ($p=0,000^{***}$) |
0,0064 ($p=0,000^{***}$) |
0,0516 ($p=0,019^{**}$) |
0,0598 ($p=0,011^{**}$) |
0,0542 ($p=0,017^{**}$) |
| LOAN |
-0,0312 ($p=0,000^{***}$) |
-0,0283 ($p=0,001^{***}$) |
-0,0312 ($p=0,000^{***}$) |
-0,2655 ($p=0,023^{**}$) |
-0,1988 ($p=0,105$) |
-0,2655 ($p=0,020^{**}$) |
| EQUITY |
0,1481 ($p=0,000^{***}$) |
0,1459 ($p=0,000^{***}$) |
0,1481 ($p=0,000^{***}$) |
-0,0195 ($p=0,959$) |
-0,0039 ($p=0,992$) |
-0,0195 ($p=0,958$) |
| LDR |
0,0096 ($p=0,007^{***}$) |
0,0075 ($p=0,045^{**}$) |
0,0096 ($p=0,010^{**}$) |
0,1401 ($p=0,011^{**}$) |
0,1059 ($p=0,060^{*}$) |
0,1401 ($p=0,009^{***}$) |
| GDP |
0,3679 ($p=0,000^{***}$) |
— (Bị triệt tiêu) |
0,3679 ($p=0,000^{***}$) |
3,0805 ($p=0,027^{**}$) |
— (Bị triệt tiêu) |
3,0805 ($p=0,024^{**}$) |
| INF |
0,0289 ($p=0,030^{**}$) |
— (Bị triệt tiêu) |
0,0289 ($p=0,046^{**}$) |
0,5227 ($p=0,014^{**}$) |
— (Bị triệt tiêu) |
0,5227 ($p=0,012^{**}$) |
| _cons |
-0,0702 ($p=0,000^{***}$) |
-0,0467 ($p=0,001^{***}$) |
-0,0702 ($p=0,000^{***}$) |
-0,5127 ($p=0,023^{**}$) |
-0,3446 ($p=0,096^{*}$) |
-0,5227 ($p=0,020^{**}$) |
| $R^2$ |
0,5236 |
0,4452 |
0,4432 |
0,2992 |
0,1419 |
0,1363 |
| Prob > F |
0,0000 |
0,0000 |
0,0000 |
0,0001 |
0,0368 |
0,0000 |
(Ghi chú: $^{}$, $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê tại $1%$, $5%$ và $10%$)
Phân tích phát hiện định lượng:
- Rủi ro tín dụng (CRISK): Có hệ số dương nhưng $p\text{-value} = 0,728$ (Mô hình 1) và $0,997$ (Mô hình 2) đều $> 0,05$. Điều này chứng minh trong giai đoạn 2010 - 2020, rủi ro tín dụng không có tác động mang ý nghĩa thống kê đến lợi nhuận niêm yết. Thực tế này phản ánh việc các NHTM đã kiểm soát tốt tỷ lệ nợ xấu dưới ngưỡng an toàn $3%$ của NHNN hoặc đã bù đắp rủi ro thông qua biên lãi thuần (NIM) cao và việc tái cơ cấu nợ theo cơ chế chính sách.
- Quy mô ngân hàng (BSIZE): Tác động cùng chiều mạnh mẽ ($\text{coef} = 0,0064$ lên ROAA và $0,0542$ lên ROEA, $p < 0,05$), khẳng định lý thuyết Lợi thế kinh tế theo quy mô (Economies of Scale): Ngân hàng lớn tiếp cận nguồn vốn rẻ hơn và tối ưu hóa chi phí vận hành.
- Quy mô cho vay (LOAN): Tác động ngược chiều có ý nghĩa cao ($\text{coef} = -0,0312$ lên ROAA và $-0,2655$ lên ROEA, $p < 0,05$). Việc mở rộng dư nợ cho vay ồ ạt nhưng cạnh tranh bằng hạ lãi suất biên đã làm xói mòn khả năng sinh lời trên một đồng tài sản.
- Quy mô vốn chủ sở hữu (EQUITY): Tác động tích cực vượt trội lên ROAA ($\text{coef} = 0,1481, p < 0,001$), chứng minh bộ đệm vốn tự có dày giúp giảm chi phí huy động nợ.
- Chỉ số vĩ mô (GDP, INF, LDR): Đều có tác động cùng chiều có ý nghĩa thống kê ở mức $1%$ và $5%$, cho thấy sức khỏe nền kinh tế vĩ mô là đòn bẩy trực tiếp cho hiệu quả ngành ngân hàng.
Đổi mới và đóng góp
Nghiên cứu mang lại các đóng góp học thuật và thực tiễn mang tính đột phá:
- Khám phá nghịch lý tăng trưởng quy mô cho vay: Trái với giả định trực quan cho rằng tăng cho vay sẽ tăng lợi nhuận, mô hình chứng minh thực nghiệm rằng tại TTCK Việt Nam, gia tăng tỷ trọng LOAN/Tổng tài sản làm giảm $3,12%$ ROAA và $26,55%$ ROEA. Phát hiện này cảnh báo chiến lược tăng trưởng tín dụng dựa trên "cuộc đua hạ lãi suất" để tranh giành thị phần.
- Độ bao phủ chu kỳ 11 năm: Bộ dữ liệu bao quát toàn diện chu kỳ kinh tế đầy đủ từ giai đoạn hậu khủng hoảng tài chính, tái cấu trúc hệ thống ngân hàng (2011 - 2015), áp dụng Thông tư 02 đến cú sốc ngoại sinh đại dịch COVID-19 (2020).
- So sánh hiệu năng giải thích với các công trình đi trước:
- So với Lê Văn Lễ (2020) ($R^2 = 0,38$), mô hình nghiên cứu này đạt $R^2 = 0,5236$ (OLS) và $0,4432$ (REM) cho biến ROAA, tăng hơn $16%$ độ chính xác giải thích phương sai.
- Khắc phục độ trễ dữ liệu của Nguyễn Thị Diễm Hiền & Nguyễn Hồng Hạt (2016) (chỉ nghiên cứu đến 2013), cung cấp góc nhìn cập nhật trong kỷ nguyên áp dụng chuẩn an toàn vốn Basel II.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tiễn
- Ứng dụng tại NHTM: Tái cấu trúc cơ cấu tài sản, chuyển dịch từ mở rộng quy mô tín dụng thô sang phát triển dịch vụ phi tín dụng (bancassurance, thanh toán số, quản lý tài sản) nhằm tối ưu hóa ROAA mà không làm phình to tỷ trọng LOAN.
- Ứng dụng cho Nhà đầu tư cổ phiếu: Bộ tham số hồi quy cung cấp trọng số định giá: Ưu tiên các ngân hàng có quy mô vốn chủ sở hữu lớn ($\text{EQUITY} > 10%$), tỷ lệ $\text{LDR}$ kiểm soát tốt quanh mức $85% - 90%$ và khả năng duy trì ROEA $> 15%$.
- Lộ trình triển khai quản trị rủi ro tích hợp tại ngân hàng (Roadmap 4 quý):
- Quý 1: Số hóa toàn bộ hồ sơ tín dụng, làm sạch dữ liệu danh mục nợ theo chuẩn IFRS 9.
- Quý 2: Xây dựng mô hình định lượng rủi ro tín dụng nội bộ (Internal Ratings-Based - IRB) theo Basel II/III.
- Quý 3: Tích hợp chỉ số lợi nhuận điều chỉnh theo rủi ro (Risk-Adjusted Return on Capital - RAROC) vào định giá khoản vay.
- Quý 4: Hoàn thiện khung kiểm thử sức chịu tải (Stress Testing) định kỳ với các kịch bản suy thoái GDP và biến động lạm phát.
Ước tính hiệu quả kinh tế (ROI): Việc kiểm soát tỷ lệ nợ xấu dưới $1,5%$ kết hợp tối ưu đệm vốn $\text{EQUITY}$ giúp một ngân hàng quy mô trung bình (tổng tài sản 200.000 tỷ VND) tiết kiệm 300 - 500 tỷ VND chi phí dự phòng hàng năm, cải thiện $0,15% - 0,25%$ ROAA ròng.
Hạn chế và hướng phát triển
- Hạn chế mẫu nghiên cứu: Cỡ mẫu gồm 91 quan sát từ 14 NHTM niêm yết do các rào cản về dữ liệu BCTC công khai đồng nhất trong giai đoạn 2010 - 2012 của một số ngân hàng mới lên sàn.
- Ràng buộc nội sinh (Endogeneity): Mô hình REM chưa kiểm soát triệt để hiện tượng tự tương quan chuỗi bậc cao và biến nội sinh tiềm ẩn của các chỉ số tài chính.
- Định hướng nghiên cứu tiếp theo:
- Mở rộng bộ dữ liệu lên toàn bộ 31 NHTM Việt Nam và cập nhật giai đoạn hậu COVID-19 (2021 - 2025).
- Ứng dụng kỹ thuật ước lượng GMM sai phân hoặc GMM hệ thống (System GMM) để xử lý hoàn toàn biến trễ nội sinh $ROAA_{t-1}$.
- Bổ sung các biến kiểm soát hiện đại: Tỷ lệ bao phủ nợ xấu (LLR), Tỷ lệ an toàn vốn (CAR theo Basel II/III), Tỷ lệ thu nhập ngoài lãi (Non-Interest Income).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu định lượng chuẩn mực từ thu thập dữ liệu bảng, viết do-file Stata chuyên nghiệp đến phân tích kinh tế lượng tài chính.
- Chuyên viên phân tích dữ liệu & Lập trình viên FinTech: Tham khảo cấu trúc đường ống xử lý dữ liệu tài chính (Financial Data Pipeline) và thuật toán phân tích hồi quy thực tế.
- Ban lãnh đạo NHTM & Cán bộ Quản trị rủi ro: Sở hữu bằng chứng thực nghiệm để cân đối chính sách lãi suất, kiểm soát dư nợ và thiết lập bộ đệm vốn an toàn.
- Cơ quan quản lý (NHNN): Có thêm cơ sở thực tiễn để ban hành các hạn mức tăng trưởng tín dụng (room tín dụng) phù hợp với chu kỳ vĩ mô.
Câu hỏi thường gặp
-
Yêu cầu kỹ thuật và dữ liệu để nhân rộng mô hình kinh tế lượng này là gì?
Hệ thống cần tối thiểu Stata v15 trở lên (hoặc R / Python với thư viện statsmodels, linearmodels), bộ dữ liệu bảng thu thập từ BCTC kiểm toán tối thiểu 5 - 10 năm liên tục và số liệu vĩ mô chính thức từ GSO/IMF.
-
Giới hạn quy mô mẫu (14 NHTM, 91 quan sát) có ảnh hưởng đến tính đại diện không?
14 ngân hàng trong mẫu đại diện cho hơn $70%$ tổng tài sản và dư nợ của toàn hệ thống NHTM Việt Nam. Về mặt kinh tế lượng, 91 quan sát dữ liệu bảng cân bằng/bán cân bằng đảm bảo bậc tự do tin cậy cho mô hình 7 biến giải thích ($Prob > F = 0,0000$).
-
Làm thế nào để tích hợp mô hình này vào hệ thống Quản trị rủi ro doanh nghiệp (ERM) của ngân hàng?
Kết quả hồi quy được cấu hình thành các hệ số trọng số trong hệ thống Dashboard cảnh báo sớm rủi ro (Early Warning System - EWS). Khi các chỉ báo vĩ mô (Lạm phát, GDP) hoặc vi mô (LDR, LOAN) biến động vượt ngưỡng, hệ thống sẽ tự động tính toán lại mức ROAA kỳ vọng và đưa ra khuyến nghị tái cơ cấu danh mục cho vay.
-
Chi phí bảo trì và chu kỳ cập nhật dữ liệu mô hình diễn ra như thế nào?
Mô hình cần được tái ước lượng (re-calibration) theo chu kỳ quý/năm khi có BCTC soát xét hoặc kiểm toán mới. Chi phí bảo trì gần như bằng 0 nếu ngân hàng đã sở hữu hạ tầng phần mềm thống kê nội bộ.
-
Tại sao rủi ro tín dụng (CRISK) trong kết quả hồi quy lại không có ý nghĩa thống kê?
Điều này xuất phát từ hai nguyên nhân thực tiễn: Thứ nhất, tỷ lệ nợ xấu công bố trên BCTC đã được làm phẳng thông qua hoạt động trích lập dự phòng và bán nợ cho VAMC trong giai đoạn 2013 - 2019; thứ hai, chính sách cơ cấu nợ giữ nguyên nhóm nợ theo Thông tư 01/2020/TT-NHNN đã tạm thời ngăn chặn nợ xấu phản ánh trực tiếp vào báo cáo kết quả kinh doanh.
Kết luận
Công trình nghiên cứu đã giải quyết thành công bài toán đo lường thực nghiệm mối quan hệ giữa rủi ro tín dụng, đặc tính nội tại ngân hàng và môi trường kinh tế vĩ mô đến năng lực sinh lời của các NHTM niêm yết trên TTCK Việt Nam giai đoạn 2010 - 2020.
Bằng phương pháp ước lượng Tác động ngẫu nhiên (REM) được kiểm định nghiêm ngặt qua phép thử Hausman, nghiên cứu đã chứng minh vai trò đòn bẩy quyết định của Quy mô vốn chủ sở hữu ($\text{EQUITY}$), Quy mô tổng tài sản ($\text{BSIZE}$), Tỷ lệ cho vay trên vốn huy động ($\text{LDR}$) và Tăng trưởng kinh tế ($\text{GDP}$). Đồng thời, kết quả chỉ ra tác động tiêu cực của việc mở rộng quy mô tín dụng thuần túy ($\text{LOAN}$) lên hiệu quả sinh lời tổng tài sản.
Đây là cơ sở khoa học xác đáng để các ngân hàng thương mại chuyển dịch mô hình kinh doanh sang chiều sâu, củng cố đệm vốn theo chuẩn mực Basel III và tối ưu hóa danh mục đầu tư hướng đến phát triển bền vững. Quý độc giả, các nhà nghiên cứu và tổ chức tài chính quan tâm có thể khai thác bộ khung phân tích này để tiếp tục phát triển các mô hình định giá và quản trị rủi ro chuyên sâu.
