Giới thiệu dự án

Hoạt động của hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong việc cung ứng vốn, luân chuyển tiền tệ và điều tiết kinh tế vĩ mô. Tại Việt Nam, sự hội nhập sâu rộng cùng xu hướng minh bạch hóa thị trường tài chính đặt ra yêu cầu khắt khe đối với chất lượng công bố thông tin trên Báo cáo tài chính (BCTC). Tuy nhiên, thông tin lợi nhuận – chỉ số tài chính được các nhà đầu tư (NĐT) và cơ quan quản lý đặc biệt quan tâm – lại là đối tượng dễ bị thao túng bởi các nhà quản lý (NQL) thông qua hành vi quản trị lợi nhuận (Earnings Management - EM).

Thực trạng thao túng số liệu kế toán tại các tổ chức tín dụng gây ra hệ lụy nghiêm trọng cho tính minh bạch của thị trường vốn. Điển hình như vụ việc cổ phiếu Eximbank (mã: EIB) bị Sở Giao dịch Chứng khoán TP.HCM (HOSE) đưa vào diện cảnh báo sau khi điều chỉnh hồi tố: lợi nhuận chưa phân phối tại ngày 31/12/2014 chuyển từ mức lãi 114,01 tỷ đồng sang mức lỗ thực tế 834,56 tỷ đồng, và năm 2015 tiếp tục chuyển từ lãi 161 tỷ đồng sang lỗ 817,47 tỷ đồng dù đã được kiểm toán bởi các hãng Big 4 (Ernst & Young và KPMG). Sự kiện này minh chứng rõ nét cho thấy các chuẩn mực kiểm toán và cơ chế giám sát hiện hành vẫn tồn tại kẽ hở, tạo điều kiện cho NQL thực hiện quản trị lợi nhuận dồn tích (Accrual Earnings Management - AEM) nhằm che giấu rủi ro và làm đẹp kết quả kinh doanh ngắn hạn.

+-------------------------------------------------------------------------------+
|                            VẤN ĐỀ TRỌNG TÂM & NỖI ĐAU                         |
+-------------------------------------------------------------------------------+
| 1. Bất cân xứng thông tin (Information Asymmetry) giữa NQL và Nhà đầu tư.     |
| 2. Các mô hình đo lường AEM truyền thống (Modified Jones) không áp dụng được  |
|    cho ngành Ngân hàng do đặc thù kinh doanh tiền tệ, không có hàng tồn kho.   |
| 3. Chi phí dự phòng rủi ro tín dụng (LLP) bị lạm dụng như công cụ san bằng    |
|    lợi nhuận (Income Smoothing) hoặc "Dọn dẹp sổ sách" (Big Bath).            |
+-------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định các chỉ số tài chính (CSTC) chủ chốt tác động trực tiếp đến hành vi quản trị lợi nhuận tại các NHTM Cổ phần niêm yết trên sàn HOSE.
  2. Xây dựng mô hình định lượng đặc thù cho ngành ngân hàng dựa trên biến rủi ro có điều chỉnh tỷ lệ chi phí dự phòng rủi ro tín dụng theo Shen (2016).
  3. Đo lường mức độ tác động thực nghiệm thông qua mô hình hồi quy dữ liệu bảng (Panel Data) và xử lý triệt để các khuyết tật mô hình bằng phương pháp Bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
  4. Đề xuất hàm ý quản trị và chính sách cho Ngân hàng Nhà nước (NHNN), Ban Quản trị NHTM và các nhà đầu tư nhằm phát hiện và giảm thiểu hành vi thao túng thông tin tài chính.

Phạm vi nghiên cứu: 14 NHTM Cổ phần niêm yết trên HOSE trong giai đoạn 5 năm liên tục từ 2015 đến 2019 (70 quan sát dữ liệu bảng cân bằng).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình đo lường hành vi quản trị lợi nhuận truyền thống trong kế toán doanh nghiệp chủ yếu phân tách tổng biến tích dồn (Total Accruals - TA) thành biến tích dồn không thể điều chỉnh (Non-Discretionary Accruals - NDA) và biến tích dồn có thể điều chỉnh (Discretionary Accruals - DA). Tuy nhiên, việc áp dụng nguyên bản các mô hình này cho lĩnh vực ngân hàng gặp phải các giới hạn kỹ thuật lớn.

Tiêu chí so sánh Mô hình Modified Jones (Dechow et al., 1995) Mô hình Kothari et al. (2005) Mô hình Shen (2016) (Được lựa chọn)
Đối tượng áp dụng Doanh nghiệp sản xuất, thương mại Doanh nghiệp phi tài chính tổng quát Ngân hàng thương mại & Tổ chức tín dụng
Cơ sở đo lường Doanh thu, các khoản phải thu, TSCĐ ($PPE$) Bổ sung thêm biến hiệu quả hoạt động ($ROA$) Tỷ lệ chi phí dự phòng rủi ro tín dụng ($LLP$)
Ưu điểm Phổ biến, chuẩn hóa cho khối phi tài chính Kiểm soát tốt biến động kết quả kinh doanh Phản ánh đúng nghiệp vụ cốt lõi (tín dụng, nợ xấu)
Nhược điểm Sai lệch lớn khi áp dụng cho ngân hàng Không tính đến chi phí trích lập dự phòng Cần dữ liệu chuỗi thời gian để tính độ lệch chuẩn

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must-have: Chuẩn hóa chỉ số $RISK$ đại diện cho EM ngân hàng; xây dựng bộ dữ liệu 6 biến tài chính độc lập ($BSZ, LEV, ROE, LIQ, OCF, LLP$); thực hiện kiểm định đa cộng tuyến ($VIF$), phương sai sai số thay đổi (Modified Wald test), tự tương quan (Wooldridge test); ước lượng hiệu chỉnh bằng FGLS.
  • Should-have: So sánh tương quan đa biến và kiểm định lựa chọn mô hình OLS, FEM (Fixed Effects Model), REM (Random Effects Model) qua $F\text{-test}$, Hausman test và Breusch-Pagan LM test.
  • Could-have: Mở rộng tương tác với các biến quản trị công ty (Corporate Governance) như tỷ lệ sở hữu nước ngoài, quy mô HĐQT.
  • Won't-have: Không khảo sát các tổ chức tài chính phi ngân hàng, công ty bảo hiểm và các NHTM chưa niêm yết.

Thiết kế hệ thống

Quy trình phân tích dữ liệu kinh tế lượng được thiết kế thành một đường ống tích hợp (Econometric Processing Pipeline):

Technology Stack và công cụ phân tích:

  • Phần mềm phân tích kinh tế lượng: Stata 14.0 (các module xtreg, xttest0, xtserial, xtgls).
  • Công cụ xử lý & kiểm toán dữ liệu thô: Microsoft Excel 2019 / Office 365.
  • Cấu trúc dữ liệu: Dữ liệu bảng cân bằng (Balanced Panel Data) với định danh thực thể bank_id (1 đến 14) và thời gian year (2015 đến 2019).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu kết hợp phương pháp nghiên cứu định tính (tổng hợp lý thuyết đại diện - Agency Theory, lý thuyết bất cân xứng thông tin - Information Asymmetry Theory, và lý thuyết kế toán thực chứng - Positive Accounting Theory) cùng phương pháp định lượng hồi quy bảng.

Ma trận quản lý rủi ro mô hình kinh tế lượng:

  1. Hiện tượng Đa cộng tuyến (Multicollinearity): Đánh giá qua ma trận hệ số tương quan Pearson và hệ số phóng đại phương sai $VIF$. Ngưỡng chấp nhận: $VIF < 10$ (thực tế trung bình $< 2.0$).
  2. Phương sai sai số thay đổi (Heteroskedasticity): Kiểm định Modified Wald ($p < 0.05$).
  3. Tự tương quan chuỗi bậc 1 (Autocorrelation): Kiểm định Wooldridge ($p < 0.05$).
  4. Biện pháp xử lý triệt để: Áp dụng ước lượng FGLS (xtgls với cấu trúc panels(hetero) corr(ar1)), đảm bảo các ước lượng thu được là không chệch, hiệu quả và có ý nghĩa thống kê cao nhất.

Implementation và kết quả

Quy trình triển khai kỹ thuật và mô hình toán học

Biến phụ thuộc $RISK$ biểu thị mức độ quản trị lợi nhuận tại ngân hàng $i$ năm $t$, được tính toán dựa trên rủi ro có điều chỉnh tỷ lệ chi phí dự phòng rủi ro tín dụng theo công thức của Shen (2016):

$$RISK_{it} = \frac{LLP_{it} / LOAN_{i,t-1}}{\sigma(LLP_i / LOAN_{i,t-1})}$$

Trong đó:

  • $LLP_{it}$: Chi phí dự phòng rủi ro tín dụng chia cho Thu nhập lãi thuần của ngân hàng $i$ tại năm $t$.
  • $LOAN_{i,t-1}$: Tổng dư nợ cho vay khách hàng của ngân hàng $i$ tại năm $t-1$.
  • $\sigma(LLP_i / LOAN_{i,t-1})$: Độ lệch chuẩn của tỷ số $LLP/LOAN_{t-1}$ của ngân hàng $i$ trong giai đoạn 2015–2019.

Mô hình hồi quy tổng quát được thiết lập:

$$RISK_{it} = \beta_0 + \beta_1 BSZ_{it} + \beta_2 LEV_{it} + \beta_3 ROE_{it} + \beta_4 LIQ_{it} + \beta_5 OCF_{it} + \beta_6 LLP_{it} + \varepsilon_{it}$$

Bảng mã hóa các biến độc lập:

  • $BSZ_{it}$ (Bank Size): $\ln(\text{Tổng tài sản})$.
  • $LEV_{it}$ (Leverage): $\text{Tổng nợ phải trả} / \text{Vốn chủ sở hữu}$.
  • $ROE_{it}$ (Profitability): $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$.
  • $LIQ_{it}$ (Liquidity): $\text{Tài sản thanh khoản} / \text{Tổng tài sản}$.
  • $OCF_{it}$ (Operating Cash Flow): $\text{Lưu chuyển tiền thuần từ HĐKD} / \text{Tổng tài sản}$.
  • $LLP_{it}$ (Loan Loss Provision): $\ln(\text{Chi phí dự phòng rủi ro tín dụng})$.
* ==============================================================================
* STATA SCRIPT: ECONOMETRIC ESTIMATION & DIAGNOSTIC PIPELINE
* ==============================================================================
clear all
set more off

* 1. Khai bao cau truc Panel Data
tsset bank_id year

* 2. Thong ke mo ta va ma tran tuong quan
summarize RISK BSZ LEV ROE LIQ OCF LLP
pwcorr RISK BSZ LEV ROE LIQ OCF LLP, star(0.05) sig

* 3. Uoc luong mo hinh OLS, FEM, REM
regress RISK BSZ LEV ROE LIQ OCF LLP
estimates store OLS_model
vif

xtreg RISK BSZ LEV ROE LIQ OCF LLP, fe
estimates store FEM_model

xtreg RISK BSZ LEV ROE LIQ OCF LLP, re
estimates store REM_model

* 4. Kiem dinh lua chon mo hinh
hausman FEM_model REM_model
xttest0

* 5. Kiem dinh khuyet tat mo hinh tren FEM
xttest3
xtserial RISK BSZ LEV ROE LIQ OCF LLP

* 6. Uoc luong FGLS khac phuc phuong sai thay doi va tu tuong quan
xtgls RISK BSZ LEV ROE LIQ OCF LLP, panels(heteroskedastic) corr(ar1)
estimates store FGLS_model

Kết quả kiểm định và phân tích hồi quy

Kết quả kiểm định lựa chọn mô hình:

  1. Kiểm định $F$ (Chặn riêng của FEM): $p < 0.05 \rightarrow$ Mô hình FEM vượt trội so với Pooled OLS.
  2. Kiểm định Breusch-Pagan LM: $p < 0.05 \rightarrow$ Mô hình REM vượt trội so với Pooled OLS.
  3. Kiểm định Hausman: $p > 0.05 \rightarrow$ Mô hình REM được ưu tiên hơn FEM.
  4. Kiểm định khuyết tật:
    • Kiểm định Modified Wald xác nhận sự tồn tại của hiện tượng phương sai sai số thay đổi giữa các thực thể ($p = 0.0000 < 0.05$).
    • Kiểm định Wooldridge xác nhận sự tồn tại của tự tương quan chuỗi bậc 1 ($p = 0.0021 < 0.05$).
    • Kiểm định $VIF$ cho thấy giá trị $VIF$ cực đại $< 3.12$, trung bình $1.78 \rightarrow$ Không có đa cộng tuyến nghiêm trọng.

Do mô hình vi phạm các giả định cổ điển, phương pháp FGLS được áp dụng nhằm đảm bảo tính chuẩn xác của các hệ số hồi quy:

Biến độc lập Giả thuyết Kỳ vọng dấu Hệ số FGLS ($\beta$) $z\text{-value}$ Giá trị $p\text{-value}$ Kết luận thống kê
Hằng số ($\beta_0$) - +/- $2.4150$ $1.98$ $0.048^{**}$ Có ý nghĩa ($p < 0.05$)
$BSZ$ (Quy mô) $H_1$ $-$ $-0.0842$ $-0.62$ $0.534$ Không có ý nghĩa
$LEV$ (Đòn bẩy) $H_2$ $+$ $0.0125$ $0.45$ $0.652$ Không có ý nghĩa
$ROE$ (Sinh lời) $H_3$ $-$ $-0.0412$ $-2.85$ $0.004^{***}$ Chấp nhận $H_3$ ($p < 0.01$)
$LIQ$ (Thanh khoản) $H_4$ $-$ $-0.0831$ $-3.12$ $0.002^{***}$ Chấp nhận $H_4$ ($p < 0.01$)
$OCF$ (Dòng tiền) $H_5$ $-$ $-0.0019$ $-0.18$ $0.857$ Không có ý nghĩa
$LLP$ (Dự phòng) $H_6$ $+$ $0.3421$ $4.56$ $0.000^{***}$ Chấp nhận $H_6$ ($p < 0.001$)

Ghi chú: $^{}$, $^{}$ lần lượt tương ứng với mức ý nghĩa thống kê 1% và 5%.*

Đánh giá kết quả đạt được

  • Tỷ suất sinh lời ($ROE$): Tác động ngược chiều có ý nghĩa thống kê cao ($\beta = -0.0412, p = 0.004$). Các ngân hàng có hiệu quả kinh doanh cao và ổn định ít chịu áp lực điều chỉnh lợi nhuận để đáp ứng kỳ vọng thị trường; ngược lại, khi $ROE$ suy giảm, NQL có xu hướng can thiệp vào các ước tính kế toán để làm đẹp chỉ số.
  • Tính thanh khoản ($LIQ$): Tác động ngược chiều rõ nét ($\beta = -0.0831, p = 0.002$). Ngân hàng có năng lực thanh khoản dồi dào duy trì hệ thống quản trị an toàn, giảm thiểu động cơ thao túng lợi nhuận nhằm che đậy rủi ro dòng tiền.
  • Chi phí dự phòng rủi ro tín dụng ($LLP$): Tác động cùng chiều mạnh mẽ nhất trong mô hình ($\beta = 0.3421, p = 0.000$). Khoản mục $LLP$ chính là công cụ chủ chốt được các NQL ngân hàng sử dụng để thực hiện hành vi "san bằng lợi nhuận" hoặc "để dành lợi nhuận" (Cookie Jar Reserve).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể so với các công trình trước đây:

+-----------------------------------------------------------------------------------+
|                        MA TRẬN ĐỔI MỚI VÀ ĐÓNG GÓP KỸ THUẬT                       |
+-----------------------------------------------------------------------------------+
| 1. ĐỔI MỚI ĐO LƯỜNG: Thay thế mô hình tích dồn tổng quát (Modified Jones 1995)   |
|    bằng biến rủi ro trích lập dự phòng tín dụng đặc thù (Shen 2016).               |
| 2. HOÀN THIỆN KINH TẾ LƯỢNG: Triệt tiêu 100% hiện tượng tự tương quan và phương  |
|    sai thay đổi bằng thuật toán FGLS, khắc phục nhược điểm của OLS/FEM truyền thống.|
| 3. KHẮC PHỤC KHE HỔNG THỰC NGHIỆM: Đóng góp bằng chứng thực nghiệm cụ thể tại     |
|    thị trường chứng khoán Việt Nam giai đoạn 2015-2019 với 14 NHTM niêm yết.      |
+-----------------------------------------------------------------------------------+
  • So sánh với nghiên cứu của Trần Quốc Thịnh & Nguyễn Đức Phước (2018): Nghiên cứu trước chỉ tập trung vào góc độ cơ cấu sở hữu; nghiên cứu này mở rộng phân tích toàn diện 6 chỉ số tài chính cốt lõi phản ánh cấu trúc vận hành của ngân hàng.
  • So sánh với nghiên cứu quốc tế (Gombola et al., 2016; Alhadab & Al-Own, 2017): Kết quả xác nhận tính tương đồng về tác động tiêu cực của $LIQ$ và $ROE$, đồng thời chứng minh vai trò đòn bẩy của $LLP$ trong môi trường thể chế tài chính đang phát triển như Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng nghiệp vụ

Lộ trình triển khai khuyến nghị

Giai đoạn Đơn vị thực hiện Nhiệm vụ trọng tâm Mục tiêu / Chỉ số đo lường
Q1 - Q2 Ngân hàng Nhà nước Hoàn thiện khung pháp lý về phân loại nợ và trích lập dự phòng theo chuẩn mực IFRS 9 / Basel II. Giảm thiểu độ trễ và tính chủ quan trong ước tính $LLP$.
Q2 - Q3 NHTM Cổ phần Tăng cường tính độc lập của Ủy ban Kiểm toán và bộ phận Kiểm toán nội bộ; chuẩn hóa tiêu chí đánh giá hiệu quả ($KPI$). Giảm 30-40% sự phụ thuộc thù lao quản lý vào chỉ số lợi nhuận sổ sách.
Q3 - Q4 CTCK & Nhà đầu tư Ứng dụng bộ chỉ số cảnh báo QTLN ($LLP/LOAN_{t-1}, ROE, LIQ$) vào mô hình định giá và khuyến nghị đầu tư. Hạn chế rủi ro chọn lựa đối nghịch (Adverse Selection).

Hạn chế và hướng phát triển

  • Quy mô mẫu và chuỗi thời gian: Nghiên cứu giới hạn ở 14 NHTM niêm yết trên HOSE trong giai đoạn 2015–2019 (70 quan sát). Mặc dù dữ liệu mang tính đại diện cao cho hệ thống niêm yết thời điểm đó, các nghiên cứu tiếp theo có thể mở rộng tập mẫu sang sàn HNX, UPCoM và cập nhật dữ liệu sau năm 2020.
  • Biến số quản trị: Đề tài tập trung chủ yếu vào các chỉ số tài chính, chưa tích hợp các biến phi tài chính như tỷ lệ sở hữu của nhà đầu tư nước ngoài, quy mô Hội đồng quản trị, trình độ chuyên môn của Ban Kiểm soát.
  • Hướng phát triển kỹ thuật:
    • Ứng dụng mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) của Arellano-Bond/Blundell-Bond để kiểm soát hiện tượng nội sinh (Endogeneity) tiềm ẩn giữa $ROE$ và $RISK$.
    • Ứng dụng các thuật toán Học máy (Machine Learning: Random Forest, XGBoost) để phát hiện các mẫu hình bất thường trong báo cáo tài chính ngân hàng.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                       GIÁ TRỊ TẠO RA CHO CÁC NHÓM ĐỐI TƯỢNG                   |
+-------------------------------------------------------------------------------+
| 1. SINH VIÊN & HỌC VIÊN KẾ TOÁN - TÀI CHÍNH:                                  |
|    - Cung cấp khung phương pháp luận chuẩn xác về kinh tế lượng tài chính.    |
|    - Nắm vững quy trình xử lý dữ liệu bảng từ OLS, FEM, REM đến FGLS.        |
|                                                                               |
| 2. CHUYÊN VIÊN PHÂN TÍCH ĐỊNH LƯỢNG (QUANT ANALYSTS):                         |
|    - Sở hữu script Stata hoàn chỉnh, tái lập được cho các bộ dữ liệu khác.    |
|    - Tích hợp mô hình đo lường Shen (2016) vào hệ thống chấm điểm tín dụng.   |
|                                                                               |
| 3. HỘI ĐỒNG QUẢN TRỊ & BAN ĐIỀU HÀNH NGÂN HÀNG:                               |
|    - Nhận diện các điểm mù trong chính sách trích lập dự phòng tín dụng.      |
|    - Thiết kế hệ thống kiểm soát nội bộ và quản trị rủi ro đạo đức.           |
|                                                                               |
| 4. CƠ QUAN QUẢN LÝ NHÀ NƯỚC (NHNN, UBCKNN):                                   |
|    - Cung cấp bằng chứng thực nghiệm vững chắc để ban hành chính sách giám sát.|
|    - Nâng cao tính minh bạch và ổn định của toàn hệ thống tài chính quốc gia. |
+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nghiên cứu không sử dụng mô hình Jones sửa đổi (Modified Jones 1995) để tính toán EM?

Ngân hàng thương mại kinh doanh tiền tệ, doanh thu chủ yếu từ lãi cho vay và phí dịch vụ. Ngân hàng không có hàng tồn kho và tỷ trọng TSCĐ rất nhỏ so với tổng tài sản. Do đó, các biến số trong mô hình Modified Jones như doanh thu bán hàng, khoản phải thu khách hàng và nguyên giá TSCĐ ($PPE$) không phản ánh đúng bản chất dồn tích của ngân hàng. Mô hình Shen (2016) sử dụng chi phí dự phòng rủi ro tín dụng ($LLP$) – khoản mục ước tính kế toán lớn nhất và nhạy cảm nhất của ngân hàng – là giải pháp thay thế chính xác nhất.

2. Ước lượng FGLS có ưu thế gì vượt trội so với Pooled OLS, FEM và REM trong nghiên cứu này?

Dữ liệu bảng tài chính ngân hàng thường xuyên gặp hiện tượng phương sai sai số thay đổi giữa các ngân hàng (do chênh lệch quy mô lớn) và hiện tượng tự tương quan chuỗi thời gian (do số liệu năm trước ảnh hưởng năm sau). Phương pháp OLS, FEM, REM thông thường sẽ cho sai số chuẩn bị chệch, dẫn đến suy diễn thống kê sai lầm (bác bỏ nhầm giả thuyết). Phương pháp FGLS biến đổi ma trận hiệp phương sai sai số, triệt tiêu cả hai khuyết tật trên, mang lại ước lượng vững và hiệu quả nhất.

3. Làm thế nào để phân biệt giữa trích lập dự phòng rủi ro hợp lý và trích lập để quản trị lợi nhuận?

Trích lập hợp lý dựa trên chất lượng dư nợ thực tế và phân loại nhóm nợ khách quan theo quy định của NHNN (Thông tư 02/2013/TT-NHNN, Thông tư 11/2021/TT-NHNN). Quản trị lợi nhuận xảy ra khi NQL sử dụng quyền xét đoán chủ quan để chủ động tăng trích lập trong các năm lãi đột biến (kỹ thuật Cookie Jar) hoặc giảm trích lập trong các năm kết quả kinh doanh kém để hoàn thành chỉ tiêu lợi nhuận kế hoạch.

4. Các nhà đầu tư cá nhân có thể nhận diện hành vi quản trị lợi nhuận tại NHTM bằng cách nào?

Nhà đầu tư cần theo dõi tỷ số $LLP$ trên thu nhập lãi thuần và tỷ lệ bao phủ nợ xấu ($LLR$). Nếu lợi nhuận của ngân hàng tăng trưởng mạnh nhưng tỷ lệ trích lập dự phòng giảm bất thường so với tốc độ tăng trưởng của nợ xấu nhóm 3–5, hoặc dòng tiền thuần từ HĐKD ($OCF$) âm liên tục trong khi lợi nhuận kế toán dương lớn, đây là dấu hiệu cảnh báo chất lượng lợi nhuận thấp.

5. Nghiên cứu này có thể mở rộng áp dụng cho các năm sau 2020 khi Thông tư 11/2021 và IFRS 9 được triển khai không?

Hoàn toàn có thể. Quy trình kinh tế lượng và mô hình Shen (2016) giữ nguyên giá trị phương pháp luận. Khi chuẩn mực kế toán quốc tế IFRS 9 (với mô hình tổn thất tín dụng dự kiến - ECL) được áp dụng rộng rãi, mức độ ước tính kế toán trong $LLP$ sẽ càng lớn, khiến việc lượng hóa và kiểm soát hành vi quản trị lợi nhuận trở nên cấp thiết hơn bao giờ hết.

Kết luận

Khóa luận tốt nghiệp đã giải quyết trọn vẹn câu hỏi nghiên cứu về các nhân tố chỉ số tài chính tác động đến hành vi quản trị lợi nhuận tại 14 NHTM Cổ phần niêm yết trên HOSE giai đoạn 2015–2019. Bằng việc ứng dụng mô hình đo lường đặc thù của Shen (2016) kết hợp với kỹ thuật hồi quy FGLS trên Stata 14.0, nghiên cứu đã chứng minh thực nghiệm:

  • Tỷ suất sinh lời ($ROE$) và Tính thanh khoản ($LIQ$) có tác động nghịch biến có ý nghĩa thống kê ở mức 1% ($p < 0.01$) đến hành vi quản trị lợi nhuận.
  • Chi phí dự phòng rủi ro tín dụng ($LLP$) có tác động đồng biến mạnh mẽ ở mức 1% ($p < 0.001$), khẳng định vai trò then chốt của công cụ dự phòng trong các quyết định can thiệp số liệu của NQL.
  • Các biến Quy mô ngân hàng ($BSZ$), Đòn bẩy tài chính ($LEV$), và Lưu chuyển tiền thuần ($OCF$) không có ý nghĩa thống kê trong mẫu khảo sát.

Kết quả nghiên cứu cung cấp cơ sở khoa học xác thực cho các cơ quan thanh tra giám sát tài chính trong việc hoàn thiện thể chế kiểm soát rủi ro thông tin, hỗ trợ các nhà quản trị ngân hàng thiết lập cơ chế kiểm toán nội bộ hiệu quả, đồng thời trang bị công cụ định lượng đắc lực cho các nhà đầu tư trên thị trường chứng khoán Việt Nam.