Giới thiệu dự án
Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong việc cung ứng vốn và duy trì tính thanh khoản cho toàn bộ nền kinh tế Việt Nam. Trong giai đoạn 2014 – 2023, hệ thống tài chính chứng kiến nhiều biến động vĩ mô phức tạp: từ quá trình tái cơ cấu xử lý nợ xấu, việc áp dụng chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN, Thông tư 22/2019/TT-NHNN), đến cú sốc đứt gãy chuỗi cung ứng do đại dịch COVID-19 và biến động lãi suất giai đoạn 2022 – 2023. Đề tài "Các nhân tố ảnh hưởng đến khả năng sinh lời của các ngân hàng thương mại Việt Nam" thực hiện phân tích định lượng chuyên sâu nhằm giải mã các động lực tài chính nội tại và áp lực vĩ mô chi phối hiệu quả sinh lời của 20 NHTM niêm yết hàng đầu.
+-----------------------------------------------------------------------------------+
| BỐI CẢNH NGHIÊN CỨU 2014 - 2023 |
| - 20 NHTM niêm yết (HOSE, HNX, UPCoM) |
| - 200 quan sát bảng cân bằng (Balanced Panel Data: N=20, T=10) |
| - Biến động ROA đỉnh điểm: 1.57% (2022) | ROE đỉnh điểm: 18.00% (2022) |
| - Thách thức: Phương sai sai số thay đổi & Tự tương quan chuỗi bậc 1 AR(1) |
+-----------------------------------------------------------------------------------+
Vấn đề nghiên cứu (Problem Statement)
Tối đa hóa lợi nhuận là mục tiêu sống còn của các định chế tài chính, nhưng việc gia tăng khả năng sinh lời (KNSL) thường xuyên đối mặt với sự đánh đổi rủi ro (Risk-Return Trade-off):
- Áp lực rủi ro tín dụng: Sự gia tăng nợ xấu (NPL) buộc các ngân hàng trích lập dự phòng lớn, làm xói mòn lợi nhuận ròng.
- Rủi ro kỳ hạn và thanh khoản: Mất cân đối tỷ lệ dư nợ tín dụng trên tổng huy động (LDR) đe dọa an toàn thanh khoản khi lãi suất liên ngân hàng biến động mạnh.
- Phụ thuộc vào tín dụng truyền thống: Thu nhập lãi thuần (NIM) dễ bị thu hẹp trong các chu kỳ nới lỏng hoặc thắt chặt tiền tệ, đặt ra yêu cầu cấp thiết về đa dạng hóa nguồn thu nhập ngoài lãi (NII).
- Thiếu hụt chỉ số đo lường hiệu quả vốn con người: Các mô hình tài chính truyền thống thường bỏ qua biến năng suất lao động (PROD) trong việc giải thích biến thiên của tỷ suất sinh lời.
Mục tiêu nghiên cứu
- Hệ thống hóa cơ sở lý luận tài chính - ngân hàng về KNSL và các lý thuyết nền tảng (Lý thuyết Cấu trúc - Hành vi - Hiệu quả SCP, Lý thuyết Nguồn lực RBV, Lý thuyết Đánh đổi Danh mục Đầu tư, Lý thuyết Tín hiệu).
- Đo lường và đánh giá thực trạng tài chính của 20 NHTM Việt Nam giai đoạn 2014 – 2023 thông qua các chỉ số: ROA, ROE, SIZE, CAP, LDR, NPL, NII, PROD.
- Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data), thực hiện các kiểm định chẩn đoán (Diagnostic Tests) và khắc phục triệt để các khuyết tật mô hình (Phương sai thay đổi, Tự tương quan).
- Xác định chiều hướng và mức độ tác động của từng nhân tố nội tại và vĩ mô (GDP, CPI, Dummy COVID-19), từ đó đề xuất hệ thống khuyến nghị thực thi cho các nhà quản trị ngân hàng và Ngân hàng Nhà nước (NHNN).
Phương pháp tiếp cận giải pháp
Nghiên cứu ứng dụng quy trình phân tích kinh tế lượng chuẩn mực trên dữ liệu bảng cân bằng (Balanced Panel Data, $N=20, T=10, N \times T = 200$). Phương pháp tiếp cận đi từ ước lượng bình phương nhỏ nhất gộp (Pooled OLS), kiểm định mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM) thông qua kiểm định Hausman, sau đó áp dụng phương pháp Bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS/GLS) để loại bỏ hoàn toàn các sai số chuẩn bị lệch do hiện tượng phương sai thay đổi và tự tương quan.
QUY TRÌNH PHÂN TÍCH KINH TẾ LƯỢNG
[Dữ liệu BCTC & World Bank]
[Thống kê mô tả & Ma trận tương quan Pearson]
[Kiểm tra Đa cộng tuyến (VIF < 5)]
[Kiểm định Khuyết tật: White Test / Wooldridge Test / LM Test]
Kết quả kỳ vọng và Phạm vi nghiên cứu
- Kết quả kỳ vọng: Xác lập mô hình kinh tế lượng có ý nghĩa thống kê cao ($p < 0.001$), lượng hóa chính xác hệ số co giãn của năng suất lao động, quy mô tài sản, tỷ lệ an toàn vốn, tỷ lệ nợ xấu đến ROA và ROE.
- Phạm vi nghiên cứu: 20 NHTM cổ phần niêm yết tại Việt Nam (bao gồm nhóm NHTM gốc quốc doanh: BID, VCB, CTG và các NHTM tư nhân quy mô lớn/vừa: TCB, VPB, MBB, ACB, TPB, VIB, STB, HDB, SHB, SSB, EIB, MSB, LPB, NVB, KLB, SGB, ABB) trong khung thời gian 10 năm liên tục (2014 – 2023).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu KNSL ngân hàng tại các thị trường mới nổi đã được nhiều tác giả tiếp cận, tuy nhiên phần lớn các công trình trước đây còn tồn tại những khoảng trống dữ liệu và phương pháp:
| Tiêu chí phân tích |
Nghiên cứu quốc tế (Alper & Anbar, 2011; Boateng, 2018) |
Nghiên cứu trong nước (Phạm Xuân Quỳnh, 2022; Đỗ Hoài Linh, 2020) |
Đề tài này (Ngô Mỹ Hương, 2024) |
| Mẫu dữ liệu |
10 - 69 ngân hàng (Thổ Nhĩ Kỳ, Ghana, Ấn Độ) |
09 - 25 NHTM Việt Nam (Dữ liệu dừng lại ở năm 2021-2022) |
20 NHTM Việt Nam (Cập nhật liên tục 2014 - 2023, bao gồm giai đoạn hậu COVID-19) |
| Biến năng suất lao động (PROD) |
Rất hiếm khi đưa vào mô hình tổng thể |
Bỏ qua hoặc chỉ đánh giá định tính |
Đưa vào mô hình định lượng trực tiếp ($\text{LNST}/\text{Số nhân viên}$) |
| Xử lý khuyết tật mô hình |
Chủ yếu dừng lại ở FEM/REM tiêu chuẩn |
Đa số dùng OLS hoặc FEM không hiệu chỉnh Robust Standard Errors |
Sử dụng FGLS toàn diện trị triệt để Heteroscedasticity và AR(1) |
| Biến cú sốc ngoại sinh |
Không đo lường đại dịch |
Sử dụng dữ liệu quý giai đoạn đỉnh dịch |
Sử dụng biến Dummy đại dịch ($COD$) kết hợp chuỗi dữ liệu 10 năm |
Phân loại yêu cầu mô hình (MoSCoW)
- Must have (Bắt buộc): Mô hình hóa ROA, ROE theo 6 biến nội tại (SIZE, CAP, LDR, NPL, NII, PROD) và 3 biến vĩ mô/ngoại sinh (GDP, CPI, COD); kiểm tra đa cộng tuyến (VIF).
- Should have (Nên có): Kiểm định Hausman phân biệt FEM/REM; kiểm định Wooldridge cho tự tương quan; kiểm định White/LM cho phương sai sai số thay đổi.
- Could have (Có thể có): Ước lượng FGLS hiệu chỉnh tương quan không đồng nhất theo không gian và thời gian.
- Won't have (Không đưa vào): Phân tích chuỗi thời gian bậc cao ARIMA hay hồi quy phi tuyến tính do đặc tính dữ liệu bảng vĩ mô ngắn hạn ($T=10$).
Thiết kế hệ thống
Kiến trúc Pipeline dữ liệu định lượng
Quy trình trích xuất, xử lý và mô hình hóa dữ liệu được chuẩn hóa theo sơ đồ:
graph TD
A["Nguồn dữ liệu thô: BCTC Hợp nhất 2014-2023 & World Bank API"] --> B["Tiền xử lý dữ liệu: Excel 2021 / Data Cleansing"]
B --> C["Cấu trúc hóa bảng cân bằng: Balanced Panel Dataset (200 obs)"]
C --> D["Nạp dữ liệu vào Stata 17.0: Khai báo xtset Bank_ID Year"]
D --> E["Thống kê mô tả & Ma trận tương quan Pearson"]
E --> F["Kiểm tra VIF: Loại trừ rủi ro đa cộng tuyến"]
F --> G["Hồi quy sơ bộ: Pooled OLS, FEM, REM"]
G --> H["Kiểm định Hausman & Kiểm định chẩn đoán lỗi"]
H --> I["Ước lượng FGLS: Cross-sectional Heteroscedasticity + Panel AR(1)"]
I --> J["Xuất báo cáo kết quả & Khuyến nghị chính sách"]
Ngăn xếp công nghệ và công cụ (Technology Stack)
- Data Engine: Stata/MP 17.0 (Chuyên dụng cho ước lượng dữ liệu bảng, kiểm định khuyết tật mô hình và FGLS).
- Data Preparation & Tabulation: Microsoft Excel 2021 (Clean dữ liệu BCTC, tính toán các tỷ số tài chính).
- Alternative Benchmark Environment: Python 3.10.12 (
pandas v2.1.4, statsmodels v0.14.0, linearmodels v5.3) dùng kiểm chứng chéo độ chính xác của ma trận hiệp phương sai.
- Data Sources: Báo cáo tài chính kiểm toán, Báo cáo thường niên 20 NHTM niêm yết; World Bank Open Data (Chỉ số tăng trưởng GDP thực tế và CPI Việt Nam).
Đặc tả toán học của mô hình (Model Design)
Phương trình hồi quy tổng quát dạng bảng cho hai biến phụ thuộc $ROA_{it}$ và $ROE_{it}$:
$$\text{ROA}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{CAP}{it} + \beta_3 \text{LDR}{it} + \beta_4 \text{NPL}{it} + \beta_5 \text{NII}{it} + \beta_6 \text{PROD}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{CPI}_t + \beta_9 \text{COD}t + \varepsilon{it}$$
$$\text{ROE}{it} = \alpha_0 + \alpha_1 \text{SIZE}{it} + \alpha_2 \text{CAP}{it} + \alpha_3 \text{LDR}{it} + \alpha_4 \text{NPL}{it} + \alpha_5 \text{NII}{it} + \alpha_6 \text{PROD}_{it} + \alpha_7 \text{GDP}_t + \alpha_8 \text{CPI}_t + \alpha_9 \text{COD}t + u{it}$$
Trong đó:
- $i \in {1, 2, \dots, 20}$ biểu thị NHTM thứ $i$; $t \in {2014, 2015, \dots, 2023}$ biểu thị năm quan sát thứ $t$.
- $\varepsilon_{it} = \mu_i + v_{it}$ là sai số tổ hợp bao gồm tác động riêng biệt không quan sát được của từng ngân hàng ($\mu_i$) và sai số ngẫu nhiên ($v_{it}$).
Bảng định nghĩa biến và kỳ vọng dấu lý thuyết
| Ký hiệu |
Tên biến |
Công thức tính toán |
Đơn vị |
Kỳ vọng tác động (ROA / ROE) |
| ROA |
Tỷ suất sinh lời trên tổng tài sản |
$\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$ |
% |
Biến phụ thuộc |
| ROE |
Tỷ suất sinh lời trên vốn chủ sở hữu |
$\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ |
% |
Biến phụ thuộc |
| SIZE |
Quy mô ngân hàng |
$\ln(\text{Tổng tài sản})$ |
Logarit |
Dương (+) |
| CAP |
Tỷ lệ an toàn vốn tự có |
$\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ |
% |
Dương (+)/Âm (-) |
| LDR |
Tỷ lệ dư nợ trên huy động |
$\text{Tổng dư nợ cho vay khách hàng} / \text{Tổng tiền gửi huy động}$ |
% |
Dương (+) |
| NPL |
Tỷ lệ nợ xấu |
$\text{Nợ nhóm 3, 4, 5} / \text{Tổng dư nợ cho vay}$ |
% |
Âm (-) |
| NII |
Tỷ lệ thu nhập ngoài lãi |
$\text{Thu nhập ngoài lãi thuần} / \text{Tổng tài sản}$ |
% |
Dương (+) |
| PROD |
Năng suất lao động bình quân |
$\text{Lợi nhuận sau thuế} / \text{Tổng số lượng cán bộ nhân viên}$ |
Tỷ VNĐ/người |
Dương (+) |
| GDP |
Tăng trưởng kinh tế |
$\Delta \text{GDP thực tế hàng năm}$ |
% |
Dương (+) |
| CPI |
Tỷ lệ lạm phát |
$\Delta \text{Chỉ số giá tiêu dùng bình quân}$ |
% |
Âm (-) |
| COD |
Biến giả dịch COVID-19 |
Nhận giá trị 1 nếu năm $\in [2020, 2022]$, nhận 0 nếu khác |
Dummy (0/1) |
Âm (-) |
Phương pháp nghiên cứu (Methodology)
Nghiên cứu triển khai theo 6 giai đoạn chuẩn mực kinh tế lượng ứng dụng:
- Thu thập và làm sạch dữ liệu: Chuẩn hóa chỉ tiêu tài chính theo chuẩn mực kế toán Việt Nam (VAS) và các quy định kế toán ngân hàng của NHNN.
- Thống kê mô tả và kiểm định tương quan: Khảo sát phân phối mẫu (Mean, Std. Dev, Min, Max), thiết lập ma trận tương quan Pearson nhằm phát hiện sớm hiện tượng đa cộng tuyến.
- Kiểm tra hiện tượng đa cộng tuyến: Sử dụng hệ số phóng đại phương sai (Variance Inflation Factor - VIF). Ngưỡng chấp nhận $VIF < 5$ (Gujarati, 2004).
- Lựa chọn mô hình cơ sở: Chạy hồi quy Pooled OLS, FEM, REM. Thực hiện kiểm định Hausman ($H_0$: REM tối ưu hơn FEM).
- Kiểm định chẩn đoán khuyết tật:
- Kiểm định White / Breusch-Pagan Lagrange Multiplier (LM) để kiểm tra hiện tượng phương sai sai số thay đổi ($H_0$: Phương sai đồng nhất).
- Kiểm định Wooldridge để kiểm tra hiện tượng tự tương quan chuỗi bậc 1 trong dữ liệu bảng ($H_0$: Không có tự tương quan).
- Khắc phục và ước lượng mô hình tối ưu: Áp dụng phương pháp ước lượng FGLS (
xtgls trong Stata) kiểm soát đồng thời cấu trúc phương sai thay đổi giữa các thực thể và tự tương quan trong nội bộ từng thực thể.
Implementation và kết quả
Quy trình phát triển và xử lý dữ liệu
Mã nguồn thực thi phân tích kinh tế lượng được viết trên Stata 17.0 Do-File:
* ==============================================================================
* STATA DO-FILE: PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KNSL CỦA NHTM VIỆT NAM
* Tác giả: Ngô Mỹ Hương - K23CLC Học viện Ngân hàng
* Mẫu dữ liệu: 20 NHTM, giai đoạn 2014-2023 (N=20, T=10, Obs=200)
* ==============================================================================
clear all
set more off
* 1. Nhập dữ liệu và khai báo cấu trúc Panel Data
import excel "NHTM_Data_2014_2023.xlsx", sheet("Data") firstrow clear
xtset bank_id year
* 2. Thống kê mô tả và Ma trận tương quan
summarize ROA ROE SIZE CAP LDR NPL NII PROD GDP CPI COD
pwcorr ROA ROE SIZE CAP LDR NPL NII PROD GDP CPI COD, star(0.05) sig
* 3. Kiểm định Đa cộng tuyến (VIF)
regress ROA SIZE CAP LDR NPL NII PROD GDP CPI COD
estat vif
* 4. Hồi quy Pooled OLS và kiểm định khuyết tật ban đầu
regress ROA SIZE CAP LDR NPL NII PROD GDP CPI COD
estat imtest, white
xtserial ROA SIZE CAP LDR NPL NII PROD GDP CPI COD
* 5. Lựa chọn mô hình FEM vs REM qua Hausman Test
xtreg ROA SIZE CAP LDR NPL NII PROD GDP CPI COD, fe
estimates store fixed_model
xtreg ROA SIZE CAP LDR NPL NII PROD GDP CPI COD, re
estimates store random_model
hausman fixed_model random_model
* 6. Kiểm định phương sai thay đổi trên mô hình REM (Breusch-Pagan LM Test)
xttest0
* 7. Ước lượng tối ưu FGLS khắc phục phương sai thay đổi và tự tương quan AR(1)
* --- Mô hình ROA ---
xtgls ROA SIZE CAP LDR NPL NII PROD GDP CPI COD, panels(hetero) corr(ar1)
estimates store fgls_roa
* --- Mô hình ROE ---
xtgls ROE SIZE CAP LDR NPL NII PROD GDP CPI COD, panels(hetero) corr(ar1)
estimates store fgls_roe
* 8. Xuất bảng kết quả tổng hợp
estimates table fgls_roa fgls_roe, b(%9.4f) se(%9.4f) p(%9.4f)
Kiểm định và chẩn đoán mô hình
Kết quả kiểm định đa cộng tuyến (VIF Test)
Kết quả kiểm tra hệ số phóng đại phương sai cho thấy mô hình hoàn toàn không gặp hiện tượng đa cộng tuyến:
| Biến độc lập |
VIF |
1/VIF (Tolerance) |
Kết luận |
| SIZE |
3.92 |
0.2551 |
Chấp nhận ($VIF < 5$) |
| PROD |
2.85 |
0.3508 |
Chấp nhận ($VIF < 5$) |
| CAP |
1.84 |
0.5434 |
Chấp nhận ($VIF < 5$) |
| LDR |
1.45 |
0.6896 |
Chấp nhận ($VIF < 5$) |
| NII |
1.39 |
0.7194 |
Chấp nhận ($VIF < 5$) |
| NPL |
1.32 |
0.7575 |
Chấp nhận ($VIF < 5$) |
| GDP |
1.28 |
0.7812 |
Chấp nhận ($VIF < 5$) |
| CPI |
1.15 |
0.8695 |
Chấp nhận ($VIF < 5$) |
| COD |
1.12 |
0.8928 |
Chấp nhận ($VIF < 5$) |
| Mean VIF |
1.92 |
- |
Không có hiện tượng đa cộng tuyến |
Kết quả kiểm định lựa chọn mô hình và phát hiện khuyết tật
+---------------------------------------------------------------------------------------+
| KIỂM ĐỊNH KINH TẾ LƯỢNG GIÁ TRỊ THỐNG KÊ P-VALUE KẾT LUẬN |
+---------------------------------------------------------------------------------------+
| 1. Hausman Test (ROA) chi2(9) = 11.81 0.1805 Chấp nhận REM |
| 2. Hausman Test (ROE) chi2(9) = 12.04 0.1780 Chấp nhận REM |
| 3. White Test (ROA - Pooled OLS) chi2 = 95.00 0.0003 Phương sai thay đổi|
| 4. LM Test (ROA - REM) chibar2 = 237.00 0.0000 Phương sai thay đổi|
| 5. LM Test (ROE - REM) chibar2 = 194.00 0.0000 Phương sai thay đổi|
| 6. Wooldridge Test (ROA) F(1, 19) = 13.00 0.0018 Có tự tương quan |
| 7. Wooldridge Test (ROE) F(1, 19) = 29.00 0.0000 Có tự tương quan |
+---------------------------------------------------------------------------------------+
Do mô hình REM xuất hiện đồng thời hai khuyết tật nghiêm trọng: Phương sai sai số thay đổi (Heteroscedasticity) và Tự tương quan (Serial Autocorrelation), các ước lượng Pooled OLS hay REM thông thường sẽ cho sai số chuẩn thiếu hiệu quả (inefficient standard errors) và các giá trị kiểm định $t$, $F$ mất độ tin cậy. Do đó, việc chuyển sang phương pháp ước lượng FGLS là lựa chọn khoa học và bắt buộc.
Kết quả đạt được
Bảng kết quả hồi quy tổng hợp theo phương pháp FGLS (Khắc phục hoàn toàn phương sai thay đổi và tự tương quan):
| Biến độc lập |
Mô hình ROA (FGLS) |
|
Mô hình ROE (FGLS) |
|
Ý nghĩa thực tiễn |
|
Hệ số ($\beta$) |
P-value |
Hệ số ($\alpha$) |
P-value |
|
| SIZE |
0.0018*** |
0.0000 |
0.0125*** |
0.0012 |
Quy mô tài sản càng lớn, lợi thế kinh tế theo quy mô càng rõ nét. |
| CAP |
0.0421*** |
0.0000 |
-0.1842*** |
0.0000 |
Tăng vốn giúp tăng độ an toàn và ROA, nhưng làm giảm đòn bẩy tài chính khiến ROE giảm. |
| LDR |
0.0054*** |
0.0021 |
0.0485** |
0.0142 |
Mở rộng tín dụng hợp lý thúc đẩy KNSL nhưng cần kiểm soát trần thanh khoản. |
| NPL |
-0.1124*** |
0.0000 |
-1.2450*** |
0.0000 |
Nợ xấu là nhân tố bào mòn mạnh nhất đến lợi nhuận ròng của ngân hàng. |
| NII |
0.2845*** |
0.0000 |
2.1540*** |
0.0000 |
Đa dạng hóa nguồn thu ngoài lãi (bancassurance, phí dịch vụ) tạo đòn bẩy sinh lời vượt trội. |
| PROD |
0.0089*** |
0.0000 |
0.0642*** |
0.0000 |
Năng suất lao động đóng góp tích cực và trực tiếp vào hiệu quả kinh doanh. |
| GDP |
0.0245*** |
0.0041 |
0.1852*** |
0.0015 |
Tăng trưởng kinh tế vĩ mô kích thích nhu cầu tín dụng và dịch vụ tài chính. |
| CPI |
-0.0182** |
0.0312 |
-0.1120* |
0.0741 |
Lạm phát gia tăng làm tăng chi phí huy động vốn đầu vào. |
| COD |
0.0012 |
0.4510 |
0.0105 |
0.3890 |
Không có bằng chứng thống kê cho thấy đại dịch làm suy giảm KNSL toàn ngành (nhờ chính sách linh hoạt). |
| Hệ số chặn |
-0.0385*** |
0.0000 |
-0.1520** |
0.0210 |
- |
| Số quan sát |
200 |
|
200 |
|
Balanced Panel Data (20 ngân hàng $\times$ 10 năm) |
| Wald chi2(9) |
842.50* |
0.0000 |
615.80* |
0.0000 |
Mô hình có ý nghĩa thống kê toàn phần ở mức 1% |
(Ghi chú: *** $p < 0.01$, ** $p < 0.05$, * $p < 0.1$)
Đổi mới và đóng góp
Đổi mới phương pháp và dữ liệu
- Tích hợp biến Năng suất lao động (PROD): Khác biệt hoàn toàn với các nghiên cứu kinh tế lượng tài chính thuần túy vốn chỉ tập trung vào các tỷ số kế toán tài sản, đề tài đã định lượng hóa thành công năng suất lao động ($\text{LNST}/\text{Số cán bộ nhân viên}$) như một biến nội tại then chốt. Kết quả chứng minh mỗi khi năng suất lao động tăng 1 tỷ đồng/người, ROA tăng tương ứng 0.0089% và ROE tăng 0.0642% ($p < 0.001$).
- Cập nhật chuỗi dữ liệu 10 năm hoàn chỉnh (2014 – 2023): Bao quát đầy đủ các chu kỳ kinh tế: giai đoạn tái cơ cấu 2014–2019, giai đoạn đại dịch 2020–2021, giai đoạn tăng trưởng bùng nổ 2022 và giai đoạn hấp thụ nợ xấu/lãi suất biến động 2023.
- Quy trình xử lý khuyết tật chuẩn mực: Chứng minh rằng mô hình dữ liệu bảng tài chính ngân hàng tại Việt Nam luôn tiềm ẩn hiện tượng phương sai thay đổi và tự tương quan chuỗi, từ đó thiết lập chuẩn mực ứng dụng ước lượng FGLS thay vì chấp nhận kết quả sai lệch từ OLS/FEM/REM.
SO SÁNH ĐÓNG GÓP KHOA HỌC
+--------------------------------------------------------------------------------+
| CÔNG TRÌNH TRƯỚC ĐÂY (2018-2022) | ĐỀ TÀI NÀY (2024) |
| - Mẫu dữ liệu cũ (dừng ở 2020-2021) | - Dữ liệu cập nhật 2014 - 2023 |
| - Bỏ qua biến nhân lực (PROD) | - Định lượng hóa PROD (p < 0.001) |
| - Dùng OLS/FEM dễ bị chệch tiêu chuẩn | - Ứng dụng FGLS triệt tiêu sai số |
| - Kết luận đại dịch làm giảm ROA | - Chứng minh khả năng thích ứng cao |
+--------------------------------------------------------------------------------+
Đóng góp thực tiễn cho ngành ngân hàng
- Định hướng chuyển dịch cơ cấu thu nhập: Hệ số hồi quy của biến NII rất cao ($\beta = 0.2845$), cho thấy việc tăng 1% tỷ trọng thu nhập ngoài lãi trên tổng tài sản giúp cải thiện ROA thêm gần 0.285%. Đây là căn cứ khoa học vững chắc để các NHTM đẩy mạnh phát triển ngân hàng số, dịch vụ thanh toán không dùng tiền mặt và tư vấn đầu tư.
- Lời giải cho bài toán quản trị vốn chủ sở hữu (CAP): Đề tài chỉ ra sự mâu thuẫn giữa hai mục tiêu: Tăng tỷ lệ vốn chủ sở hữu ($CAP$) giúp tăng $ROA$ ($\beta = +0.0421$) nhờ giảm chi phí tài trợ và rủi ro phá sản, nhưng lại làm suy giảm $ROE$ ($\alpha = -0.1842$) do hiệu ứng pha loãng đòn bẩy tài chính. Nhà quản trị ngân hàng cần thiết lập cấu trúc vốn tối ưu để cân bằng giữa an toàn hệ thống và lợi ích cổ đông.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng tại các Ngân hàng Thương mại
KHUNG THỰC THI CHIẾN LƯỢC TẠI NHTM
[Ủy ban Quản lý Tài sản Nợ - Có (ALCO)]
[Khối Bán lẻ & Khối Ngân hàng Số]
[Khối Quản trị Nguồn nhân lực & Vận hành]
- Ứng dụng trong phân bổ vốn và điều hành ALCO (Asset-Liability Committee):
- Giữ tỷ lệ LDR trong vùng an toàn từ $75% - 80%$ (tuân thủ Thông tư 22/2019/TT-NHNN ở mức tối đa 85%), tránh mở rộng tín dụng quá mức khi chi phí vốn huy động tăng cao.
- Kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL) dưới ngưỡng $1.5%$ bằng cách nâng cấp hệ thống chấm điểm tín dụng nội bộ dựa trên Machine Learning.
- Đẩy mạnh chiến lược ngân hàng số nhằm tối ưu hóa Năng suất lao động:
- Tự động hóa quy trình nghiệp vụ (Robotic Process Automation - RPA) tại các chi nhánh giúp cắt giảm thời gian xử lý hồ sơ từ 24h xuống dưới 2h, trực tiếp nâng cao chỉ số PROD mà không làm phình to bộ máy nhân sự.
Lộ trình triển khai chiến lược nâng cao KNSL (Roadmap)
gantt
title LỘ TRÌNH THỰC THI NÂNG CAO KNSL TẠI NHTM
dateFormat YYYY-QQ
section Tái cấu trúc danh mục
Tái cơ cấu nợ xấu & Trích lập dự phòng :2024-Q1, 2024-Q3
Kiểm soát LDR & Cơ cấu nguồn vốn huy động :2024-Q2, 2025-Q1
section Đa dạng hóa doanh thu
Mở rộng sản phẩm dịch vụ số & Thu phí NII :2024-Q3, 2025-Q4
Hợp tác đối tác sinh thái & Thanh toán quốc tế :2025-Q1, 2026-Q2
section Tối ưu hóa vận hành
Triển khai Core Banking mới & RPA :2024-Q4, 2025-Q4
Đào tạo chuyên môn & KPI theo năng suất PROD :2025-Q1, 2026-Q4
Hạn chế và hướng phát triển
Hạn chế kỹ thuật và dữ liệu
- Kích thước mẫu: Mẫu nghiên cứu giới hạn ở 20 NHTM niêm yết do các ngân hàng chưa niêm yết (ngân hàng yếu kém, ngân hàng 0 đồng) không công bố đầy đủ BCTC kiểm toán minh bạch trong 10 năm liên tục.
- Tần suất quan sát: Dữ liệu sử dụng theo năm ($T=10$), chưa phản ánh được các biến động mang tính mùa vụ (Seasonality) như dữ liệu quý.
- Mô hình tĩnh: Mô hình FGLS là mô hình tĩnh, chưa phản ánh được tính trễ (Persistence) của lợi nhuận ngân hàng từ các năm trước đó.
Hướng nghiên cứu mở rộng
- Ứng dụng Mô hình GMM động (System GMM): Đưa biến trễ của khả năng sinh lời ($ROA_{it-1}$, $ROE_{it-1}$) vào phương trình nhằm kiểm soát hiện tượng nội sinh (Endogeneity).
- Mở rộng các biến số quản trị rủi ro chuyên sâu: Bổ sung tỷ lệ an toàn vốn CAR theo Basel III, tỷ lệ dự phòng rủi ro tín dụng (LLR), và chi phí trên thu nhập (CIR).
- Ứng dụng AI/Machine Learning: Xây dựng mô hình Random Forest hoặc XGBoost để dự báo khả năng sinh lời và xác suất vỡ nợ của từng danh mục cho vay.
Đối tượng hưởng lợi
ĐỐI TƯỢNG HƯỞNG LỢI
+---------------------------------------------------------------------------------------+
| HỌC VIÊN & SINH VIÊN CHUYÊN VIÊN TÀI CHÍNH BAN ĐIỀU HÀNH NHTM |
| - Khung phương pháp chuẩn - Code Stata mẫu & Data - Cơ sở hoạch định chiến |
| - Tài liệu tham khảo luận - Benchmark định giá cổ lược cấu trúc vốn, quản |
| văn đạt chuẩn kiểm định. phiếu ngân hàng niêm yết. trị LDR và nợ xấu NPL. |
+---------------------------------------------------------------------------------------+
- Sinh viên và Học viên Cao học Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo hoàn chỉnh về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình thực hiện các kiểm định chẩn đoán lỗi mô hình và kỹ thuật viết luận văn khoa học.
- Chuyên viên Phân tích và Quản trị Rủi ro (Data/Financial Analysts): Sử dụng hệ thống câu lệnh Stata Do-File mẫu và khung phân tích tỷ số tài chính để xây dựng báo cáo phân tích ngành ngân hàng và định giá cổ phiếu.
- Ban Điều hành và Hội đồng Quản trị các NHTM: Nhận được các bằng chứng định lượng chuẩn xác để ra quyết định về: cân đối tăng trưởng tín dụng (LDR), trần tỷ lệ nợ xấu chấp nhận được, chiến lược đa dạng hóa thu ngoài lãi và phân bổ chỉ tiêu năng suất lao động (KPI).
- Cơ quan Quản lý Nhà nước (NHNN): Có thêm cơ sở thực nghiệm để đánh giá tác động lan tỏa của chính sách tiền tệ (lãi suất điều hành, hạn mức tăng trưởng tín dụng) đến sức khỏe tài chính của hệ thống ngân hàng.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và môi trường để tái hiện (replicate) mô hình kinh tế lượng này là gì?
Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata/MP 17.0 để tối ưu tốc độ xử lý ma trận). Dữ liệu đầu vào cần cấu trúc dưới định dạng Excel (.xlsx) hoặc Stata Data (.dta) với 3 cột định danh bắt buộc: bank_id (mã định danh thực thể từ 1 đến 20), year (năm quan sát từ 2014 đến 2023), và các cột giá trị biến số tương ứng. Khai báo bảng bằng lệnh xtset bank_id year.
2. Vì sao nghiên cứu không sử dụng mô hình Pooled OLS, FEM hoặc REM mà phải dùng FGLS?
Mặc dù kiểm định Hausman cho kết quả $p = 0.1805 > 0.05$ ủng hộ mô hình REM, nhưng các kiểm định chẩn đoán sau đó phát hiện hai khuyết tật nghiêm trọng:
- Kiểm định White ($p = 0.0003$) và Breusch-Pagan LM ($p = 0.0000$) chứng minh sai số mô hình bị phương sai thay đổi.
- Kiểm định Wooldridge ($p = 0.0018$ cho ROA, $p = 0.0000$ cho ROE) chứng minh tồn tại hiện tượng tự tương quan chuỗi bậc 1.
Ước lượng FGLS (
panels(hetero) corr(ar1)) là phương pháp tối ưu nhất để hiệu chỉnh ma trận hiệp phương sai sai số, đảm bảo các ước lượng hệ số hồi quy đạt tính chất BLUE (Best Linear Unbiased Estimator).
3. Tại sao tỷ lệ vốn chủ sở hữu (CAP) lại tác động cùng chiều với ROA nhưng ngược chiều với ROE?
Điều này hoàn toàn phù hợp với lý thuyết cấu trúc vốn và phương trình phân tích DuPont:
$$\text{ROE} = \text{ROA} \times \text{Đòn bẩy tài chính} \left(\frac{\text{Tổng tài sản}}{\text{Vốn chủ sở hữu}}\right) = \text{ROA} \times \frac{1}{\text{CAP}}$$
- Khi $CAP$ tăng: Ngân hàng có năng lực tài chính mạnh, giảm thiểu chi phí huy động vốn rủi ro và tăng an toàn thanh khoản, giúp lợi nhuận ròng trên tổng tài sản ($ROA$) tăng lên ($\beta = +0.0421$).
- Tuy nhiên, việc tăng vốn chủ sở hữu làm giảm hệ số đòn bẩy tài chính ($1/CAP$). Khi tốc độ tăng vốn nhanh hơn tốc độ tăng lợi nhuận sau thuế, tỷ suất sinh lời trên mỗi đồng vốn của cổ đông ($ROE$) sẽ bị pha loãng ($\alpha = -0.1842$).
4. Chi phí triển khai và khả năng tích hợp mô hình này vào hệ thống Business Intelligence (BI) của ngân hàng?
Mô hình có chi phí triển khai phần mềm gần như bằng 0 nếu tận dụng hạ tầng mã nguồn mở (Python statsmodels hoặc R plm). Các ngân hàng có thể nhúng trực tiếp thuật toán FGLS vào Data Warehouse/Data Lake hiện có để tự động cập nhật hệ số rủi ro định kỳ hàng quý, phục vụ trực tiếp cho báo cáo của Ủy ban ALCO và Hội đồng Quản trị.
5. Kết quả nghiên cứu có ý nghĩa gì đối với việc điều hành lãi suất của Ngân hàng Nhà nước?
Biến lạm phát (CPI) có tác động ngược chiều có ý nghĩa thống kê đến ROA ($\beta = -0.0182$). Khi lạm phát tăng, các NHTM phải tăng lãi suất huy động để giữ chân người gửi tiền, làm tăng chi phí vốn đầu vào. Kết quả này khuyến nghị NHNN cần tiếp tục kiên định mục tiêu kiểm soát lạm phát dưới 4%, duy trì mặt bằng lãi suất điều hành ổn định nhằm tạo dư địa cho các NHTM hạ lãi suất cho vay, hỗ trợ nền kinh tế phục hồi bền vững.
Kết luận
Đề tài "Các nhân tố ảnh hưởng đến khả năng sinh lời của các ngân hàng thương mại Việt Nam" do sinh viên Ngô Mỹ Hương thực hiện đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, mang lại nhiều giá trị cả về mặt học thuật kinh tế lượng lẫn ứng dụng quản trị ngân hàng thực tế:
TỔNG KẾT THÀNH TỰU ĐỀ TÀI
+---------------------------------------------------------------------------------------+
| 1. DỮ LIỆU CHUẨN XÁC 20 NHTM niêm yết, 10 năm (2014-2023), 200 quan sát cân bằng.|
| 2. PHƯƠNG PHÁP CHẶT CHẼ Ứng dụng FGLS giải quyết triệt để khuyết tật dữ liệu bảng. |
| 3. PHÁT HIỆN ĐỘT PHÁ Lượng hóa vai trò của Năng suất lao động (PROD) & NII. |
| 4. GIẢI PHÁP THỰC TIỄN Khung hành động rõ ràng cho quản trị LDR, NPL và cơ cấu vốn.|
+---------------------------------------------------------------------------------------+
- Khẳng định tính ưu việt của phương pháp: Đề tài đã thiết lập một quy trình phân tích kinh tế lượng mẫu mực, giải quyết toàn diện các khuyết tật cố hữu của dữ liệu bảng ngành tài chính thông qua ước lượng FGLS.
- Xác định các động lực then chốt: Khả năng sinh lời của hệ thống NHTM Việt Nam phụ thuộc chủ yếu vào việc: (1) Nâng cao năng suất lao động (PROD), (2) Đa dạng hóa nguồn thu nhập ngoài lãi (NII), (3) Tận dụng quy mô kinh tế (SIZE), và (4) Kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL).
- Giá trị định hướng tương lai: Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách tiền tệ tại NHNN và ban lãnh đạo các ngân hàng trong hành trình chuyển đổi số, tối ưu hóa danh mục tài sản và đáp ứng toàn diện các chuẩn mực an toàn vốn quốc tế Basel III trong kỷ nguyên mới.
