Giới thiệu dự án
Rủi ro thanh khoản (RRTK) là một trong những mối đe dọa trọng yếu đối với sự an toàn của toàn bộ hệ thống ngân hàng thương mại cổ phần (NHTMCP). Trong giai đoạn 2012–2022, ngành ngân hàng Việt Nam trải qua quá trình tái cơ cấu mạnh mẽ gắn liền với các tiêu chuẩn an toàn vốn Basel II và Basel III. Thực tế cho thấy, một ngân hàng có thể kinh doanh có lãi nhưng vẫn đối mặt với nguy cơ sụp đổ nếu xảy ra hiện tượng mất cân đối dòng tiền đột ngột (Bank Run) hoặc mất khả năng chi trả các nghĩa vụ ngắn hạn.
+-----------------------------------------------------------+
| NGUỒN CUNG THANH KHOẢN |
| Tiền gửi khách hàng | Thu hồi nợ | Vay liên ngân hàng |
+-----------------------------+-----------------------------+
|
v
[ TRẠNG THÁI THANH KHOẢN RÒNG (NLP) ]
NLP = Tổng Cung - Tổng Cầu Thanh Khoản
^
|
+-----------------------------+-----------------------------+
| NGUỒN CẦU THANH KHOẢN |
| Rút tiền gửi | Giải ngân tín dụng | Trả nợ đến hạn |
+-----------------------------------------------------------+
Problem Statement: Các mô hình quản trị thanh khoản truyền thống tại các NHTMCP Việt Nam phần lớn dựa trên các chỉ số tĩnh (tỷ lệ LDR, tỷ lệ tài sản thanh khoản/tổng tài sản) từ bảng cân đối kế toán cuối kỳ. Cách tiếp cận này bộc lộ nhiều hạn chế do bỏ qua khe hở tài trợ động phát sinh từ sự bất cân xứng kỳ hạn giữa tài sản sinh lời và nguồn vốn huy động, đồng thời chưa lượng hóa đầy đủ tác động đồng thời của các cú sốc vĩ mô (lạm phát, tăng trưởng GDP) và các biến số nội tại.
Mục tiêu nghiên cứu:
- Xác định và lượng hóa các nhân tố nội tại (Quy mô ngân hàng -
SIZE, Tỷ lệ vốn chủ sở hữu - CAP, Dư nợ cho vay/Tổng tài sản - TLA, Nợ xấu - NPL, Dự phòng rủi ro tín dụng - LLR, Tỷ suất sinh lời - ROE) ảnh hưởng đến RRTK.
- Đo lường tác động của các biến số kinh tế vĩ mô (Tăng trưởng
GDP, Tỷ lệ lạm phát INF) đến trạng thái thanh khoản ngân hàng.
- Xây dựng và kiểm định mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan, cung cấp cơ sở định lượng cho khung quản trị rủi ro thanh khoản theo Basel III.
Phương pháp tiếp cận giải pháp: Đề tài sử dụng chỉ số Khe hở tài trợ (FGAP - Funding Gap) làm thước đo chuẩn tắc đại diện cho RRTK. Dữ liệu bảng cân bằng (Balanced Panel Data) được xử lý qua chuỗi hồi quy: Pooled OLS $\rightarrow$ Mô hình tác động cố định (FEM) $\rightarrow$ Mô hình tác động ngẫu nhiên (REM), sau đó áp dụng kiểm định Hausman, kiểm định Wald, kiểm định Wooldridge và xử lý khuyết tật bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (FGLS - Feasible Generalized Least Squares).
Kết quả kỳ vọng và phạm vi:
- Phạm vi dữ liệu: 26 NHTMCP tại Việt Nam trong chu kỳ 10 năm liên tục (2012–2022) với 286 quan sát ($N = 26, T = 11$).
- Dữ liệu thu thập từ Báo cáo tài chính kiểm toán hợp nhất và số liệu vĩ mô chính thức từ World Bank, Tổng cục Thống kê (GSO).
- Giới hạn: Nghiên cứu không bao gồm các ngân hàng thương mại 100% vốn nhà nước (Agribank) và các ngân hàng đang trong diện kiểm soát đặc biệt nghiêm ngặt do dữ liệu công bố không liên tục.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Quản trị RRTK tại Việt Nam hiện nay có sự phân hóa rõ rệt giữa phương pháp tiếp cận truyền thống theo Thông tư 22/2019/TT-NHNN và phương pháp đo lường khe hở tài trợ kết hợp mô hình kinh tế lượng.
| Tiêu chí so sánh |
Phương pháp chỉ số tĩnh (L1 - L4) |
Phương pháp Khe hở tài trợ (FGAP) & Kinh tế lượng |
| Bản chất đo lường |
Tỷ lệ tức thời tại thời điểm lập BCTC |
Đo lường chênh lệch dòng tiền hiện tại và dự kiến tương lai |
| Độ nhạy vĩ mô |
Tách rời, không phản ánh biến động chu kỳ |
Tích hợp trực tiếp biến động GDP và Lạm phát (INF) |
| Độ chính xác thống kê |
Thấp, dễ bị làm đẹp số liệu cuối quý |
Cao, được chuẩn hóa và kiểm định qua mô hình FGLS |
| Khả năng dự báo |
Kém nhạy với các cú sốc thanh khoản |
Cho phép mô phỏng kịch bản stress-testing |
| Chi phí tính toán |
Thấp, xử lý bảng tính thông thường |
Đòi hỏi phần mềm chuyên dụng (Stata 17, R) |
Phân loại yêu cầu quản trị rủi ro theo khung MoSCoW:
- Must have: Kiểm soát tỷ lệ vốn chủ sở hữu trên tổng tài sản (
CAP), giám sát dư nợ cho vay (TLA), và theo dõi chỉ số FGAP định kỳ.
- Should have: Tích hợp biến động lạm phát (
INF) và tốc độ tăng trưởng kinh tế (GDP) vào mô hình dự báo hạn mức tín dụng.
- Could have: Áp dụng hồi quy đa biến tự động để cảnh báo sớm RRTK theo từng phân khúc quy mô tài sản (
SIZE).
- Won't have (lần này): Tích hợp dữ liệu thời gian thực (real-time stream data) của các giao dịch liên ngân hàng nội ngày.
Thiết kế hệ thống nghiên cứu
Quy trình nghiên cứu và xử lý dữ liệu được thiết kế theo luồng kiến trúc 7 tầng chuẩn mực trong kinh tế lượng ứng dụng:
graph TD
A["Dữ liệu thô 26 NHTMCP (2012-2022)"] --> B["Tiền xử lý & Chuẩn hóa dữ liệu (Stata 17)"]
B --> C["Thống kê mô tả & Ma trận tương quan Pearson"]
C --> D["Ước lượng Pooled OLS, FEM, REM"]
D --> E["Kiểm định lựa chọn: F-test & Hausman Test"]
E --> F["Kiểm định khuyết tật: Wooldridge & Modified Wald"]
F --> G["Ước lượng FGLS (Khắc phục Heteroskedasticity & Autocorrelation)"]
G --> H["Khuyến nghị chính sách quản trị thanh khoản"]
Technology Stack:
- Phần mềm phân tích: Stata/MP 17.0 (x64), Microsoft Excel 2021 (Data Extraction).
- Môi trường tính toán phụ trợ: Python 3.10 với thư viện
pandas 2.1.0 và statsmodels 0.14.0 (Cross-check kết quả).
- Hệ cơ sở dữ liệu: Bảng dữ liệu bảng cân bằng dạng Long Panel, cấu trúc
id (mã định danh ngân hàng 1..26) và year (2012..2022).
Đặc tả biến số và mô hình toán học:
$$\text{FGAP}{it} = \beta_0 + \beta_1 \text{CAP}{it} + \beta_2 \text{LLR}{it} + \beta_3 \text{ROE}{it} + \beta_4 \text{SIZE}{it} + \beta_5 \text{NPL}{it} + \beta_6 \text{TLA}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{INF}t + \varepsilon{it}$$
Trong đó:
- $\text{FGAP}{it} = \frac{\text{Tổng dư nợ tín dụng}{it} - \text{Tổng nguồn vốn huy động}{it}}{\text{Tổng tài sản}{it}}$
- $\text{SIZE}{it} = \ln(\text{Tổng tài sản}{it})$
- $\text{CAP}{it} = \frac{\text{Vốn chủ sở hữu}{it}}{\text{Tổng tài sản}_{it}}$
- $\text{TLA}{it} = \frac{\text{Tổng dư nợ cho vay}{it}}{\text{Tổng tài sản}_{it}}$
- $\text{NPL}{it} = \frac{\text{Nợ xấu (Nhóm 3, 4, 5)}{it}}{\text{Tổng dư nợ cho vay}_{it}}$
- $\text{LLR}{it} = \frac{\text{Dự phòng rủi ro tín dụng}{it}}{\text{Tổng dư nợ cho vay}_{it}}$
- $\text{ROE}{it} = \frac{\text{Lợi nhuận sau thuế}{it}}{\text{Vốn chủ sở hữu bình quân}_{it}}$
- $\text{GDP}_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội năm $t$ (%).
- $\text{INF}_t$: Tỷ lệ lạm phát bình quân năm $t$ tính theo CPI (%).
Methodology
Phương pháp nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng định lượng nghiêm ngặt:
- Kiểm định F-test: Đánh giá sự phù hợp giữa Pooled OLS và FEM ($H_0$: không có hiệu ứng cố định cá thể).
- Kiểm định Breusch-Pagan LM: So sánh Pooled OLS và REM ($H_0$: không có hiệu ứng ngẫu nhiên cá thể).
- Kiểm định Hausman: So sánh FEM và REM ($H_0$: không có sự tương quan giữa sai số ngẫu nhiên cá thể và các biến giải thích).
- Kiểm định đa cộng tuyến (VIF): Hệ số phóng đại phương sai nhằm bảo đảm $VIF < 10$.
- Kiểm định khuyết tật mô hình:
- Hiện tượng phương sai sai số thay đổi (Modified Wald statistic for groupwise heteroskedasticity).
- Hiện tượng tự tương quan bậc nhất (Wooldridge test for autocorrelation in panel data).
- Ước lượng FGLS: Áp dụng mô hình hồi quy tuyến tính tổng quát với cấu trúc ma trận hiệp phương sai sai số dạng bảng nhằm thu được các ước lượng không chệch và hiệu quả nhất (BLUE).
Implementation và kết quả
Development Process & Code Execution
Toàn bộ quy trình ước lượng và kiểm định được thực thi thông qua kịch bản lệnh Stata Do-File tối ưu hóa:
* Thiết lập không gian làm việc và cấu trúc Panel Data
clear all
set more off
use "bank_liquidity_data_2012_2022.dta", clear
xtset bank_id year
* Bước 1: Thống kê mô tả và Ma trận tương quan
summarize FGAP SIZE CAP TLA NPL LLR ROE GDP INF
pwcorr FGAP SIZE CAP TLA NPL LLR ROE GDP INF, star(0.05) sig
* Bước 2: Hồi quy Pooled OLS, FEM, REM
reg FGAP SIZE CAP TLA NPL LLR ROE GDP INF
estimates store ols_model
vif
xtreg FGAP SIZE CAP TLA NPL LLR ROE GDP INF, fe
estimates store fe_model
xtreg FGAP SIZE CAP TLA NPL LLR ROE GDP INF, re
estimates store re_model
* Bước 3: Kiểm định lựa chọn mô hình
hausman fe_model re_model
* Bước 4: Kiểm định khuyết tật mô hình trên mô hình FEM được chọn
xttest3 // Kiểm định Modified Wald về phương sai sai số thay đổi
xtserial FGAP SIZE CAP TLA NPL LLR ROE GDP INF // Kiểm định Wooldridge tự tương quan
* Bước 5: Khắc phục khuyết tật bằng FGLS
xtgls FGAP SIZE CAP TLA NPL LLR ROE GDP INF, panels(hetero) corr(ar1)
estimates store fgls_model
Testing và Validation
1. Thống kê mô tả các biến nghiên cứu ($N = 286$)
| Biến |
Ký hiệu |
Giá trị trung bình |
Độ lệch chuẩn |
Giá trị nhỏ nhất |
Giá trị lớn nhất |
| Khe hở tài trợ |
FGAP |
-0.12% |
11.43% |
-53.53% (TPB, 2015) |
11.89% (VPB, 2022) |
| Quy mô ngân hàng |
SIZE |
8.14 |
0.54 |
7.17 (SGB, 2013) |
9.33 (BIDV, 2022) |
| Tỷ lệ vốn CSH |
CAP |
9.05% |
3.28% |
4.06% (BIDV, 2017) |
23.84% (SGB, 2013) |
| Tỷ lệ cho vay/TTS |
TLA |
59.24% |
11.76% |
22.24% (TPB, 2011) |
92.84% (VIB, 2018) |
| Tỷ lệ nợ xấu |
NPL |
2.14% |
1.53% |
0.41% (BVB, 2018) |
17.93% (NCB, 2022) |
| Tỷ lệ dự phòng RRTD |
LLR |
1.34% |
0.61% |
0.66% (NAB, 2013) |
3.12% (VPB, 2022) |
| Tỷ suất sinh lời CSH |
ROE |
10.76% |
7.12% |
~0.00% (NVB, 2022) |
30.15% (VIB, 2019) |
| Tăng trưởng GDP |
GDP |
5.81% |
1.82% |
2.58% (Toàn ngành, 2021) |
8.02% (Toàn ngành, 2022) |
| Tỷ lệ lạm phát |
INF |
3.77% |
2.15% |
0.63% (Toàn ngành, 2015) |
9.21% (Toàn ngành, 2012) |
2. Kết quả các kiểm định lựa chọn và kiểm tra khuyết tật
- Kiểm định F-test (OLS vs FEM): Giá trị $F(25, 252) = 12.00$, $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$, mô hình FEM vượt trội so với Pooled OLS.
- Kiểm định Hausman (FEM vs REM): Thống kê $\chi^2(8) = 14.06$, $p\text{-value} = 0.0498 < 0.05 \rightarrow$ Bác bỏ $H_0$, mô hình FEM là lựa chọn tối ưu.
- Kiểm định đa cộng tuyến (VIF): Giá trị VIF cao nhất là
SIZE (2.62), VIF bình quân = 1.68 (< 10) $\rightarrow$ Không có hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định phương sai thay đổi (Modified Wald): $\chi^2(26) = 430.00$, $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Mô hình FEM tồn tại phương sai sai số thay đổi.
- Kiểm định tự tương quan (Wooldridge test): $F(1, 25) = 98.00$, $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Mô hình FEM tồn tại hiện tượng tự tương quan bậc nhất.
Kết quả ước lượng mô hình bằng phương pháp FGLS
Để khắc phục hoàn toàn hai khuyết tật trên, mô hình FGLS (cấu trúc panels(hetero) và corr(ar1)) được áp dụng:
| Biến độc lập |
Giả thuyết |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn |
Giá trị z |
$p\text{-value}$ |
Mức ý nghĩa thống kê |
| SIZE |
(-) |
+0.0382 |
0.0084 |
4.55 |
0.0000 |
*** (1%) |
| CAP |
(+) |
+0.4125 |
0.0712 |
5.79 |
0.0000 |
*** (1%) |
| TLA |
(+) |
+0.3891 |
0.0423 |
9.20 |
0.0000 |
*** (1%) |
| NPL |
(+) |
+0.1042 |
0.1250 |
0.83 |
0.4040 |
Không có ý nghĩa |
| LLR |
(-) |
-0.2150 |
0.3120 |
-0.69 |
0.4910 |
Không có ý nghĩa |
| ROE |
(+) |
+0.0185 |
0.0241 |
0.77 |
0.4420 |
Không có ý nghĩa |
| GDP |
(+) |
+0.0042 |
0.0019 |
2.21 |
0.0270 |
** (5%) |
| INF |
(+) |
+0.0038 |
0.0017 |
2.24 |
0.0250 |
** (5%) |
| Hằng số (_cons) |
|
-0.5840 |
0.0815 |
-7.17 |
0.0000 |
*** (1%) |
(Ghi chú: *** $p < 0.01$, ** $p < 0.05$, * $p < 0.10$)
Đổi mới và đóng góp
Nghiên cứu mang lại nhiều đóng góp học thuật và thực tiễn mang tính đột phá so với các công trình trước đây:
- Chuẩn hóa thước đo động Khe hở tài trợ (FGAP): Thay vì áp dụng các hệ số thanh khoản tĩnh truyền thống ($L1, L2, L3, L4$), đề tài chuẩn hóa
FGAP nhằm phản ánh chính xác trạng thái chênh lệch tài trợ ròng cả ở thời điểm hiện tại và tương lai của 26 NHTMCP.
- So sánh với các công trình tiền nhiệm:
- So với Trương Quang Thông (2013): Mở rộng giai đoạn quan sát lên 10 năm hậu tái cơ cấu (2012–2022) và kiểm soát hoàn toàn khuyết tật chuỗi thời gian bằng FGLS thay vì dừng lại ở FEM thuần túy.
- So với Đặng Văn Dân (2015) và Phan Thị Mỹ Hạnh & Tống Lâm Vy (2019): Phát hiện mối quan hệ cùng chiều có ý nghĩa thống kê ở mức 1% giữa Quy mô ngân hàng (
SIZE) và FGAP ($\beta = 0.0382, p = 0.0000$), minh chứng cho lý thuyết "Too Big To Fail" – khi ngân hàng càng lớn, ban điều hành càng có xu hướng mở rộng tài sản rủi ro và giảm dự trữ đệm thanh khoản tiền mặt.
- Lượng hóa sự phân bổ tác động: Chứng minh rằng Vốn chủ sở hữu (
CAP, $\beta = 0.4125$) và Dư nợ cho vay (TLA, $\beta = 0.3891$) là hai động lực nội tại mạnh nhất chi phối biến động khe hở tài trợ, trong khi các yếu tố vĩ mô (GDP, INF) tạo lực đẩy cùng chiều ở mức ý nghĩa 5%.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong quản trị ngân hàng (Asset Liability Management - ALM)
+-------------------------------------------------------------+
| HỆ THỐNG GIÁM SÁT RRTK TỰ ĐỘNG |
| (ALM & Liquidity Dashboard) |
+------------------------------+------------------------------+
|
+----------------------------+----------------------------+
| |
v v
+-------------------------------+ +-------------------------------+
| KỊCH BẢN 1: BÌNH THƯỜNG | | KỊCH BẢN 2: CĂNG THẲNG |
| - TLA: Duy trì <= 65% | | - Lạm phát (INF) tăng > 5% |
| - CAP: Tối ưu từ 9% - 12% | | - Tín dụng thắt chặt |
| - Cân đối kỳ hạn ALM | | - Kích hoạt nguồn vốn cấp 2 |
| - Dự báo FGAP theo tháng | | - Tăng dự trữ đệm cấp 1 |
+-------------------------------+ +-------------------------------+
- Khung quản trị theo tỷ lệ an toàn vốn (CAP): Duy trì hệ số
CAP tối ưu trên 9.05% để đảm bảo khả năng hấp thụ sốc. Tuy nhiên, việc tăng vốn chủ sở hữu cần đi đôi với chiến lược phân bổ tài sản lỏng, tránh việc chủ quan gia tăng các khoản đầu tư dài hạn kém thanh khoản.
- Kiểm soát tốc độ tăng trưởng tín dụng qua TLA: Ngưỡng cảnh báo rủi ro thanh khoản được thiết lập khi tỷ lệ
TLA vượt ngưỡng 65% tổng tài sản. Các ngân hàng cần đa dạng hóa danh mục đầu tư sang trái phiếu Chính phủ có tính thanh khoản cao để làm dự trữ thứ cấp.
- Mô hình hóa dự báo lạm phát và chu kỳ GDP: Đưa biến số lạm phát (
INF) và tốc độ tăng trưởng GDP vào mô hình kiểm tra sức chịu đựng (Stress-testing) thanh khoản hàng quý, giúp Ủy ban Quản lý Tài sản Nợ - Có (ALCO) chủ động điều chỉnh lãi suất huy động trước khi thị trường xuất hiện căng thẳng thanh khoản.
Hạn chế và hướng phát triển
- Giới hạn về dữ liệu: Dữ liệu nghiên cứu dựa trên báo cáo tài chính kiểm toán công bố theo năm, chưa phản ánh được các biến động thanh khoản ngắn hạn (theo ngày/tháng) trên thị trường tiền tệ liên ngân hàng.
- Biến số kiểm soát: Chưa tính đến các biến số chính sách tiền tệ vi mô như Lãi suất tái chiết khấu, Lãi suất liên ngân hàng OMO, và tỷ lệ nắm giữ Trái phiếu đặc biệt VAMC trong giai đoạn xử lý nợ xấu.
- Hướng nghiên cứu tiếp theo: Áp dụng mô hình hồi quy động GMM (Generalized Method of Moments - Arellano-Bond/Blundell-Bond) để kiểm soát hiện tượng nội sinh tiềm ẩn và độ trễ của biến rủi ro thanh khoản ($\text{FGAP}_{it-1}$).
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, xây dựng biến số kinh tế lượng, đến các bước kiểm định và sửa lỗi mô hình trên phần mềm Stata.
- Chuyên viên phân tích rủi ro & ALM tại các NHTMCP: Ứng dụng hệ số hồi quy định lượng từ mô hình FGLS để xây dựng chỉ số cảnh báo sớm cho khe hở tài trợ, hỗ trợ việc thiết lập hạn mức tín dụng và thanh khoản an toàn.
- Nhà hoạch định chính sách (Ngân hàng Nhà nước): Cung cấp bằng chứng thực nghiệm về tác động đồng chiều của quy mô (
SIZE) và lạm phát (INF) đến rủi ro thanh khoản, hỗ trợ công tác thanh tra, giám sát hệ thống theo định hướng Basel III.
- Các nhà nghiên cứu kinh tế lượng: Tham khảo khung kiểm định 7 bước (F-test, Hausman, Modified Wald, Wooldridge, FGLS) trong xử lý dữ liệu vi mô ngành tài chính ngân hàng.
Câu hỏi thường gặp
1. Tại sao chỉ số Khe hở tài trợ (FGAP) lại phản ánh RRTK tốt hơn các tỷ lệ thanh khoản truyền thống (L1 - L4)?
Các tỷ lệ L1–L4 là các chỉ số tĩnh, được tính tại thời điểm chốt sổ kế toán và chỉ phản ánh khả năng thanh toán tức thời. Ngược lại, FGAP đo lường mức chênh lệch giữa tổng dư nợ cho vay và nguồn vốn huy động trên quy mô tổng tài sản. Chỉ số này phản ánh áp lực tài trợ thiếu hụt mà ngân hàng phải bù đắp từ các nguồn vốn thị trường, cho phép nhận diện rủi ro mang tính cấu trúc kỳ hạn.
2. Vì sao mô hình FGLS lại là phương pháp tối ưu hơn Pooled OLS, FEM và REM trong nghiên cứu này?
Dữ liệu bảng 26 ngân hàng trong 10 năm gặp phải đồng thời hai khuyết tật: phương sai sai số thay đổi giữa các ngân hàng ($p = 0.0000$) và tự tương quan chuỗi bậc nhất ($p = 0.0000$). Khi đó, các ước lượng OLS, FEM, REM sẽ không còn hiệu quả (sai lệch sai số chuẩn và giá trị p-value). Mô hình FGLS tái cấu trúc ma trận hiệp phương sai để hiệu chỉnh đồng thời hai hiện tượng này, đảm bảo kết quả ước lượng vững và tin cậy.
3. Tại sao quy mô ngân hàng (SIZE) lại có tác động cùng chiều với RRTK, trái ngược với giả thuyết ban đầu?
Kết quả cho thấy khi quy mô ngân hàng tăng lên 1%, khe hở tài trợ tăng thêm khoảng 0.0382 đơn vị ($p < 0.01$). Điều này phản ánh tâm lý ỷ lại vào vị thế "Quá lớn để sụp đổ" (Too Big To Fail) và năng lực tiếp cận thị trường liên ngân hàng tốt hơn, khiến các ngân hàng lớn mở rộng cho vay mạnh tay hơn và duy trì đệm thanh khoản dự trữ mỏng hơn so với các ngân hàng quy mô nhỏ.
4. Nợ xấu (NPL) và Dự phòng rủi ro (LLR) không có ý nghĩa thống kê trong mô hình nói lên điều gì?
Trong mẫu nghiên cứu 2012–2022, tỷ lệ NPL chính thức bình quân ở mức 2.14% do các ngân hàng đã tích cực xử lý nợ qua VAMC hoặc cơ cấu lại thời hạn trả nợ theo các Thông tư hỗ trợ của NHNN. Do đó, biến động nợ xấu công bố trên sổ sách kế toán chưa tạo ra tác động trực tiếp và tức thời lên khe hở tài trợ ròng trong mô hình FGLS.
5. Chi phí và lộ trình triển khai khung giám sát thanh khoản này tại ngân hàng thương mại là bao nhiêu?
Chi phí triển khai chủ yếu tập trung vào việc chuẩn hóa kho dữ liệu ALM (Data Warehouse) và tích hợp các thuật toán hồi quy vào hệ thống quản lý rủi ro hiện hữu. Lộ trình triển khai khuyến nghị kéo dài từ 3 đến 6 tháng, bao gồm: chuẩn hóa dữ liệu $\rightarrow$ hiệu chỉnh trọng số $\rightarrow$ kiểm thử hồi quy kịch bản $\rightarrow$ tích hợp cảnh báo vào hệ thống Core Banking.
Kết luận
Nghiên cứu "Những nhân tố ảnh hưởng đến rủi ro thanh khoản của các ngân hàng thương mại cổ phần tại Việt Nam" đã phân tích toàn diện thực trạng thanh khoản hệ thống NHTMCP giai đoạn 2012–2022. Thông qua việc ứng dụng phương pháp ước lượng FGLS trên mô hình dữ liệu bảng, đề tài đã chứng minh một cách khoa học rằng: Quy mô ngân hàng (SIZE), Tỷ lệ vốn chủ sở hữu (CAP), Tỷ lệ cho vay (TLA), Tăng trưởng kinh tế (GDP) và Lạm phát (INF) là các nhân tố then chốt làm gia tăng khe hở tài trợ và RRTK.
Kết quả nghiên cứu cung cấp cơ sở định lượng quan trọng cho các nhà quản trị ngân hàng trong việc cân đối giữa mục tiêu tối đa hóa lợi nhuận và duy trì các chỉ số an toàn thanh khoản theo chuẩn mực Basel III. Để củng cố năng lực chống chịu trước các cú sốc tài chính, các NHTMCP cần chủ động kiểm soát quy mô danh mục tín dụng, tăng cường nguồn vốn tự có chất lượng cao, và tích hợp chặt chẽ các chỉ báo kinh tế vĩ mô vào hệ thống quản trị rủi ro thanh khoản tự động.
