Giới thiệu dự án

Ngành ngân hàng đóng vai trò là "huyết mạch" của nền kinh tế Việt Nam, chiếm tới 29,08% tổng giá trị vốn hóa toàn thị trường chứng khoán (HOSE và HNX). Trong giai đoạn 2016–2020, hệ thống Ngân hàng Thương mại (NHTM) Việt Nam trải qua quá trình tái cơ cấu mạnh mẽ, triển khai chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN) và đối mặt với các biến động vĩ mô phức tạp từ đại dịch COVID-19. Mặc dù tổng phương tiện thanh toán ($M_2$) duy trì mức tăng trưởng bình quân trên 12,5%/năm và tăng trưởng tín dụng toàn hệ thống đạt 10,14%–12,14%, bài toán tối ưu hóa khả năng sinh lời (KNSL) đi đôi với quản trị rủi ro an toàn vốn vẫn là thách thức sống còn đối với các nhà quản trị ngân hàng và giới đầu tư tài chính.

Vấn đề cốt lõi đặt ra là sự phân hóa rõ rệt về hiệu quả sinh lời giữa các nhóm ngân hàng (ngân hàng thương mại cổ phần có vốn Nhà nước chi phối và NHTMCP tư nhân), sự đánh đổi giữa mở rộng biên lãi ròng ($NIM$), đa dạng hóa thu nhập phi tín dụng ($DIA$) và áp lực trích lập chi phí dự phòng rủi ro tín dụng ($LPCLR$). Khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến khả năng sinh lời của các ngân hàng thương mại được niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2016-2020" của tác giả Cù Mỹ Duyên (Khoa Tài chính, Học viện Ngân hàng) giải quyết trực tiếp bài toán định lượng này.

+-------------------------------------------------------------------------------+
|                             MÔ HÌNH HỆ THỐNG                                  |
|                                                                               |
|  [DỮ LIỆU ĐẦU VÀO]                                                           |
|  + 24 NHTM Niêm yết (HOSE & HNX)                                              |
|  + Báo cáo Tài chính Đã Kiểm toán 2016-2020 (120 Quan sát Bảng Cân bằng)      |
|  + Dữ liệu Vĩ mô (Tổng cục Thống kê, World Bank)                             |
|          |                                                                    |
|          v                                                                    |
|  [BỘ BIẾN ĐỊNH LƯỢNG]                                                         |
|  + Biến phụ thuộc: ROA (Lợi nhuận ròng / Tổng tài sản bình quân)              |
|  + 7 Biến Nội sinh: Size, CA, LDR, NIM, DIA, LPCLR, OEAR                      |
|  + 3 Biến Ngoại sinh: MSG (M2), GDPG, INF                                     |
|          |                                                                    |
|          v                                                                    |
|  [QUY TRÌNH KINH TẾ LƯỢNG (Stata 14)]                                         |
|  Pooled OLS ---> FEM / REM (Hausman Test) ---> Kiểm định Khuyết tật          |
|  (Modified Wald: PSSSTĐ, Wooldridge: Tự tương quan, VIF: Đa cộng tuyến)       |
|          |                                                                    |
|          v                                                                    |
|  [KHẮC PHỤC & ĐẦU RA MÔ HÌNH]                                                 |
|  Mô hình Hiệu chỉnh Sai số chuẩn Robust / Feasible GLS (FGLS)                 |
|  => Khuyến nghị Chiến lược Quản trị Tài sản - Nợ (ALM) & Đầu tư              |
+-------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về KNSL và xác định hệ thống các chỉ tiêu phản ánh hiệu quả kinh doanh của NHTM.
  2. Xây dựng mô hình kinh tế lượng đo lường chính xác mức độ và chiều hướng tác động của 10 nhân tố (7 nội sinh, 3 ngoại sinh) đến tỷ suất sinh lời trên tổng tài sản ($ROA$).
  3. Kiểm định, phát hiện và khắc phục toàn diện các khuyết tật mô hình (phương sai sai số thay đổi, tự tương quan, đa cộng tuyến) nhằm đảm bảo ước lượng không chệch và hiệu quả kinh tế lượng.
  4. Đề xuất hệ thống giải pháp nâng cao hiệu quả quản trị tài chính, cơ cấu nguồn thu và kiểm soát chi phí cho 24 NHTM niêm yết.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 24 NHTM cổ phần đang niêm yết trên HOSE và HNX (chiếm hơn 90% tổng tài sản và dư nợ toàn hệ thống NHTM niêm yết).
  • Thời gian: Giai đoạn 5 năm (2016–2020), cấu thành bộ dữ liệu bảng cân bằng (Balanced Panel Data) gồm $N = 24$, $T = 5$, tổng số $N \times T = 120$ quan sát.
  • Giới hạn: Nghiên cứu tập trung vào mô hình tĩnh trên số liệu báo cáo tài chính đã kiểm toán; không bao gồm các ngân hàng chưa niêm yết hoặc đang trong diện tái cơ cấu đặc biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu trước đây tại thị trường Việt Nam và quốc tế còn tồn tại những khoảng trống nhất định về phạm vi mẫu và phương pháp xử lý khuyết tật mô hình.

Nghiên cứu Phương pháp Cỡ mẫu & Thời gian Ưu điểm Nhược điểm / Khoảng trống
Việt Hùng (2008) Biên ngẫu nhiên (SFA) & Tobit 32 NHTM (2001–2005) Đo lường hiệu quả phi tham số tốt Chỉ tập trung biến nội sinh, bỏ qua biến vĩ mô
Hằng Nga (2011) Pooled OLS cơ bản 6 NHTM (2005–2010) Dễ ước lượng, trực quan Mẫu quá nhỏ (6 NH), không kiểm định khuyết tật dữ liệu bảng
Alper & Anbar (2011) Dữ liệu bảng tĩnh (Thổ Nhĩ Kỳ) 10 NHTM (2002–2010) Phân tích chi tiết biến vĩ mô Mẫu nhỏ, kết quả NIM chưa có ý nghĩa thống kê
Đề tài nghiên cứu này FEM/REM + Robust Standard Errors 24 NHTM (2016–2020) Mẫu đại diện 100% NH niêm yết, tích hợp 10 biến vi mô & vĩ mô Kiểm soát hoàn toàn tác động cố định từng ngân hàng

Phân loại yêu cầu biến số theo phương pháp MoSCoW

  • Must-have (Bắt buộc): $ROA$ (Biến phụ thuộc); $NIM$ (Biên lãi ròng), $CA$ (Tỷ lệ an toàn vốn), $OEAR$ (Chi phí hoạt động), $LPCLR$ (Dự phòng rủi ro tín dụng).
  • Should-have (Quan trọng): $DIA$ (Thu nhập ngoài lãi), $LDR$ (Tỷ lệ cho vay/huy động), $Size$ (Quy mô logarit tổng tài sản).
  • Could-have (Mở rộng): $GDPG$ (Tăng trưởng GDP), $INF$ (Lạm phát), $MSG$ (Tăng trưởng cung tiền $M_2$).
  • Won't-have (Tạm hoãn): $ROE$ (Do chịu biến dạng lớn từ đòn bẩy tài chính, được dùng làm chỉ tiêu đối chứng).

Thiết kế hệ thống mô hình kinh tế lượng

Mô hình hồi quy tuyến tính đa biến dạng bảng tổng quát:

$$ROA_{it} = \beta_0 + \beta_1 S_{it} + \beta_2 CA_{it} + \beta_3 LDR_{it} + \beta_4 NIM_{it} + \beta_5 DIA_{it} + \beta_6 LPCLR_{it} + \beta_7 OEAR_{it} + \beta_8 MSG_{it} + \beta_9 GDPG_{it} + \beta_{10} INF_{it} + \varepsilon_{it}$$

Trong đó:

  • $i$: Ngân hàng thứ $i$ ($i = 1, 2, \dots, 24$).
  • $t$: Năm quan sát ($t = 2016, 2017, \dots, 2020$).
  • $\varepsilon_{it} = \alpha_i + u_{it}$: Sai số ngẫu nhiên gồm tác động cố định riêng từng ngân hàng ($\alpha_i$) và phần dư ngẫu nhiên ($u_{it}$).
+----------------------------------------------------------------------------------------------+
|                              DANH MỤC BIẾN SỐ KINH TẾ LƯỢNG                                   |
+----------+---------------------------------+---------------------------------+---------------+
| Ký hiệu  | Tên biến                        | Công thức đo lường              | Kỳ vọng dấu   |
+----------+---------------------------------+---------------------------------+---------------+
| ROA      | Tỷ suất sinh lời trên tổng TS   | Lợi nhuận sau thuế / TTS bình quân | Phụ thuộc    |
| S        | Quy mô tài sản (Size)           | Logarit tự nhiên Tổng tài sản   | Dương (+)     |
| CA       | Tỷ lệ an toàn vốn               | Vốn chủ sở hữu / Tổng tài sản   | Dương (+)     |
| LDR      | Tỷ lệ cấp tín dụng / Huy động   | Dư nợ cho vay / Số dư tiền gửi  | Hỗn hợp (+/-) |
| NIM      | Biên thu nhập lãi thuần         | Thu nhập lãi thuần / Tổng TS    | Dương (+)     |
| DIA      | Mức độ đa dạng hóa thu nhập     | Thu nhập ngoài lãi / Tổng TS    | Dương (+)     |
| LPCLR    | Dự phòng rủi ro cho vay         | Chi phí dự phòng / Tổng dư nợ   | Âm (-)        |
| OEAR     | Tỷ lệ chi phí hoạt động         | Chi phí hoạt động / Tổng TS     | Âm (-)        |
| MSG      | Tốc độ tăng trưởng cung tiền M2 | Tốc độ tăng trưởng M2 hàng năm  | Dương (+)     |
| GDPG     | Tăng trưởng GDP thực tế         | Tốc độ tăng trưởng GDP hàng năm | Dương (+)     |
| INF      | Tỷ lệ lạm phát hàng năm         | Chỉ số giá tiêu dùng CPI        | Hỗn hợp (+/-) |
+----------+---------------------------------+---------------------------------+---------------+

Methodology

Quy trình nghiên cứu định lượng tuân thủ 5 giai đoạn tiêu chuẩn trong phân tích kinh tế lượng tài chính:

[BƯỚC 1: Thu thập & Chuẩn hóa Dữ liệu]
  - Thu thập BCTC kiểm toán 24 NHTM + Dữ liệu vĩ mô GSO/WB (120 quan sát bảng)
  - Tính toán các chỉ số tài chính theo công thức chuẩn hóa
       |
       v
[BƯỚC 2: Thống kê mô tả & Ma trận tương quan]
  - Đánh giá phân phối biến (Mean, Std. Dev, Min, Max)
  - Phân tích tương quan Pearson nhằm sơ bộ phát hiện đa cộng tuyến
       |
       v
[BƯỚC 3: Ước lượng Mô hình Dữ liệu Bảng]
  - Ước lượng Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM)
  - Kiểm định F-test / Likelihood Ratio (Chọn Pooled OLS hay FEM)
  - Kiểm định Hausman Specification Test (Chọn FEM hay REM)
       |
       v
[BƯỚC 4: Kiểm định Khuyết tật Mô hình (Diagnostics)]
  - Kiểm định phương sai sai số thay đổi (Modified Wald Test cho FEM)
  - Kiểm định tự tương quan chuỗi bậc 1 (Wooldridge Test)
  - Kiểm định nhân tử phóng đại phương sai (Variance Inflation Factor - VIF)
       |
       v
[BƯỚC 5: Xử lý Khuyết tật & Phân tích Kết quả]
  - Hiệu chỉnh sai số chuẩn bằng phương pháp Robust Standard Errors / FGLS
  - Đánh giá ý nghĩa thống kê (P-value < 0.01, 0.05, 0.1) & hàm ý quản trị

Implementation và kết quả

Development process & Code execution

Nghiên cứu sử dụng phần mềm kinh tế lượng chuyên dụng Stata 14 (kết hợp với thư viện linearmodels và statsmodels trên Python 3.9 để đối chứng).

Stata Do-File Script

*----------------------------------------------------------------------
* QUY TRÌNH HỒI QUY DỮ LIỆU BẢNG - 24 NHTM NIÊM YẾT (2016-2020)
*----------------------------------------------------------------------

* 1. Khai báo cấu trúc dữ liệu bảng
clear all
import excel "Data_NHTM_2016_2020.xlsx", sheet("PanelData") firstrow
xtset BankID Year

* 2. Thống kê mô tả và tương quan
summarize ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF
pwcorr ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF, star(0.05)

* 3. Ước lượng các mô hình cơ sở
regress ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF
estimates store POLS

xtreg ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF, fe
estimates store FEM

xtreg ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF, re
estimates store REM

* 4. Kiểm định lựa chọn mô hình: Hausman Test
hausman FEM REM

* 5. Kiểm định khuyết tật trên mô hình FEM
xtreg ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF, fe
xttest3                                    // Modified Wald test cho PSSSTĐ
xtserial ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF // Wooldridge test cho Tự tương quan
vif                                        // Kiểm tra đa cộng tuyến

* 6. Khắc phục khuyết tật bằng sai số chuẩn vững (Robust / Driscoll-Kraay)
xtreg ROA S CA LDR NIM DIA LPCLR OEAR MSG GDPG INF, fe vce(robust)

Python Implementation Code

import numpy as np
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Load và chuẩn bị dữ liệu
df = pd.read_excel('Data_NHTM_2016_2020.xlsx')
df = df.set_index(['BankID', 'Year'])

exog_vars = ['S', 'CA', 'LDR', 'NIM', 'DIA', 'LPCLR', 'OEAR', 'MSG', 'GDPG', 'INF']
X = df[exog_vars]
X_const = sm.add_constant(X)
y = df['ROA']

# 2. Ước lượng Fixed Effects Model với Robust Covariance
fe_model = PanelOLS(y, X_const, entity_effects=True)
fe_res = fe_model.fit(cov_type='robust')

# 3. Tính toán Variance Inflation Factor (VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("=== KẾT QUẢ VIF ===")
print(vif_data)
print(fe_res.summary)

Testing và validation

Các kiểm định kinh tế lượng nghiêm ngặt được thực hiện nhằm xác định đúng dạng mô hình và khuyết tật:

  1. Kiểm định Hausman: Giá trị Prob > $\chi^2 = 0.0021 < 0.05$. Giả thuyết $H_0$ (Hiệu ứng ngẫu nhiên là phù hợp) bị bác bỏ ở mức ý nghĩa 1%. Mô hình Tác động cố định (FEM) được lựa chọn thay thế cho REM.
  2. Kiểm định Đa cộng tuyến (VIF): Hệ số VIF của tất cả các biến độc lập đều dao động từ $1.15$ đến $2.84$ (Mean VIF = $1.76 < 5.0$). Kết luận mô hình không gặp hiện tượng đa cộng tuyến nghiêm trọng.
  3. Kiểm định Phương sai sai số thay đổi (Modified Wald Test): Giá trị $p\text{-value} = 0.0000 < 0.01$. Bác bỏ giả thuyết phương sai đồng nhất; mô hình có hiện tượng phương sai thay đổi giữa các ngân hàng.
  4. Kiểm định Tự tương quan (Wooldridge Test): Giá trị $F(1, 23) = 6.421$, $p\text{-value} = 0.018 < 0.05$. Bác bỏ giả thuyết không có tự tương quan bậc nhất.
  5. Khắc phục: Ứng dụng kỹ thuật ước lượng hiệp phương sai vững Huber-White (Robust Standard Errors Cluster by Entity) để triệt tiêu ảnh hưởng của phương sai thay đổi và tự tương quan.

Kết quả đạt được

Biến độc lập Hệ số hồi quy ($\beta$) Sai số chuẩn vững (Robust Std. Err) t-statistic P-value Mức ý nghĩa & Chiều hướng
C (Hệ số chặn) -0.0182 0.0084 -2.17 0.041 Có ý nghĩa ở mức 5%
S (Size) 0.0014 0.0006 2.33 0.029 Dương (+) - Ý nghĩa 5%
CA (Vốn/TTS) 0.0482 0.0125 3.86 0.001 Dương (+) - Ý nghĩa 1%
LDR (Cho vay/Huy động) 0.0031 0.0018 1.72 0.098 Dương (+) - Ý nghĩa 10%
NIM (Biên lãi thuần) 0.4120 0.0531 7.76 0.000 Dương (+) - Ý nghĩa 1%
DIA (Thu nhập ngoài lãi) 0.1845 0.0422 4.37 0.000 Dương (+) - Ý nghĩa 1%
LPCLR (Dự phòng rủi ro) -0.1628 0.0410 -3.97 0.001 Âm (-) - Ý nghĩa 1%
OEAR (Chi phí HĐ/TTS) -0.2854 0.0612 -4.66 0.000 Âm (-) - Ý nghĩa 1%
MSG (Tăng trưởng M2) 0.0152 0.0071 2.14 0.043 Dương (+) - Ý nghĩa 5%
GDPG (Tăng trưởng GDP) 0.0284 0.0108 2.63 0.015 Dương (+) - Ý nghĩa 5%
INF (Lạm phát) -0.0086 0.0054 -1.59 0.125 Âm (-) - Không có ý nghĩa
Thống kê mô hình $R^2 = 0.684$ $F(10, 23) = 38.72$ Prob > F = 0.0000 N = 120 (24 NH $\times$ 5 năm)

Phân tích định lượng chuyên sâu

  • Biên lãi thuần ($NIM$, $\beta = +0.4120$, $p < 0.001$): Là yếu tố chi phối mạnh mẽ nhất đến KNSL. Khi ngân hàng tối ưu hóa cấu trúc tài sản sinh lời và hạ chi phí huy động đầu vào để nâng $NIM$ thêm 1%, tỷ suất $ROA$ tăng trung bình 0,412%.
  • Chi phí hoạt động ($OEAR$, $\beta = -0.2854$, $p < 0.001$): Cắt giảm chi phí vận hành thông qua số hóa có tác động ngay lập tức; khi $OEAR$ giảm 1%, $ROA$ tăng thêm 0,2854%.
  • Đa dạng hóa thu nhập ($DIA$, $\beta = +0.1845$, $p < 0.001$): Khẳng định sự dịch chuyển thành công từ nghiệp vụ tín dụng truyền thống sang dịch vụ thanh toán số, kinh doanh ngoại hối và bảo hiểm (Bancassurance).
  • Dự phòng rủi ro tín dụng ($LPCLR$, $\beta = -0.1628$, $p = 0.001$): Rủi ro nợ xấu gia tăng buộc trích lập dự phòng lớn, trực tiếp làm xói mòn lợi nhuận ròng.
  • Tỷ lệ an toàn vốn ($CA$, $\beta = +0.0482$, $p = 0.001$): Ngân hàng có tỷ lệ vốn tự có cao hoạt động an toàn hơn, chi phí huy động vốn thấp hơn và có KNSL cao hơn.
  • Biến vĩ mô ($GDPG$, $MSG$): Tăng trưởng kinh tế và cung tiền thúc đẩy khả năng thanh toán của khách hàng vay, cải thiện chất lượng tín dụng và tăng biên lợi nhuận của toàn hệ thống.

Đổi mới và đóng góp

Đổi mới phương pháp và kỹ thuật thực nghiệm

  1. Khắc phục toàn diện khuyết tật chuỗi thời gian & dữ liệu bảng: Không dừng lại ở mô hình OLS gộp đơn giản như các nghiên cứu giai đoạn trước, đề tài đã kết hợp kiểm định Modified Wald và Wooldridge, áp dụng ma trận hiệp phương sai sai số chuẩn vững (Robust Standard Errors) đảm bảo chặn đứng sai lệch thống kê loại I và loại II.
  2. Bộ dữ liệu chuẩn hóa giai đoạn bước ngoặt số hóa: Bao phủ toàn bộ 24 ngân hàng niêm yết trong giai đoạn tái cơ cấu 2016–2020 – thời điểm ngành ngân hàng chứng kiến sự bùng nổ của thanh toán di động (tăng 123,9% về số lượng và 125,4% về giá trị giao dịch năm 2020) và chuyển dịch sang chuẩn Basel II.
  3. Phát hiện định lượng về vai trò của thu nhập ngoài lãi ($DIA$): Cung cấp bằng chứng thực nghiệm rõ nét rằng thu nhập phi tín dụng không chỉ giảm thiểu rủi ro biến động chu kỳ kinh doanh mà còn đóng góp tỷ trọng biên lợi nhuận ròng cao hơn so với tín dụng thuần túy.
+-----------------------------------------------------------------------------------------------+
|                            SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ THỰC TIỄN                            |
+--------------------------+----------------------------+---------------------------------------+
| Tiêu chí                 | Nghiên cứu trước đây       | Đề tài hiện tại (Cù Mỹ Duyên, 2021)   |
+--------------------------+----------------------------+---------------------------------------+
| Cỡ mẫu & Đại diện        | 6-10 ngân hàng             | 24 NHTM niêm yết (Đại diện >90% TT)   |
| Xử lý khuyết tật mô hình | Không kiểm định chuyên sâu | Kiểm soát triệt để PSSSTĐ & Tự tương quan |
| Số lượng nhân tố         | 4 - 6 biến nội sinh        | 10 biến (7 nội sinh + 3 vĩ mô)        |
| Hệ số giải thích ($R^2$) | Thường dưới 50%            | Đạt 68,4% (Mức độ thích hợp cao)      |
+--------------------------+----------------------------+---------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (ALM Framework)

[BÁO CÁO TÀI CHÍNH ĐỊNH KỲ]
            |
            v
[ENGINE DỰ BÁO KNSL - KINH TẾ LƯỢNG]
(Tính toán độ nhạy: NIM, DIA, OEAR, LPCLR, Macro)
            |
            +---> Kịch bản 1: Tối ưu Biên lãi ròng (NIM)
            |     => Tăng tỷ lệ tiền gửi không kỳ hạn (CASA) để giảm CoF (Cost of Funds)
            |
            +---> Kịch bản 2: Đẩy mạnh Số hóa quy trình
            |     => Giảm chỉ số CIR (Cost to Income), hạ tỷ lệ OEAR xuống dưới 1,5% TTS
            |
            +---> Kịch bản 3: Quản trị Rủi ro & Dự phòng (LPCLR)
                  => Nâng chuẩn phê duyệt tự động, kiểm soát nợ xấu NPL < 1,5%
  1. Chiến lược Quản trị Chi phí Vốn (Cost of Funds): Nâng cao tỷ lệ tiền gửi không kỳ hạn ($CASA$) qua trải nghiệm ngân hàng số (Digital Onboarding, eKYC) để nới rộng $NIM$ mà không cần tăng lãi suất cho vay đầu ra.
  2. Chiến lược Đa dạng hóa Nguồn thu: Mở rộng hệ sinh thái số, dịch vụ ngân hàng đầu tư (IB), thanh toán quốc tế và phân phối bảo hiểm liên kết, hướng mục tiêu nâng tỷ trọng thu nhập ngoài lãi ($DIA$) lên trên 25%–30% tổng thu nhập hoạt động.
  3. Lộ trình triển khai hệ thống phân tích định lượng:
+-------------------------------------------------------------------------------+
|                      LỘ TRÌNH TRIỂN KHAI ỨNG DỤNG 12 THÁNG                    |
+-------------------+-----------------------------------------------------------+
| Quý 1 (Tháng 1-3) | Tích hợp Data Pipeline từ Core Banking & ERP vào CSDL tập |
|                   | trung; tự động hóa trích xuất 10 chỉ số tài chính vi mô.   |
| Quý 2 (Tháng 4-6) | Triển khai Dashboard giám sát thời gian thực $ROA, NIM,   |
|                   | $OEAR$; cảnh báo sớm vượt ngưỡng rủi ro tín dụng $LPCLR$. |
| Quý 3 (Tháng 7-9) | Chạy mô hình Stress-testing KNSL dưới các kịch bản vĩ mô |
|                   | khác nhau ($GDP$ giảm tốc, $M_2$ thắt chặt, Lạm phát tăng)|
| Quý 4 (Tháng 10-12)| Chuẩn hóa quy trình ra quyết định định giá tín dụng và    |
|                   | phân bổ hạn mức tài sản - nợ cho toàn hệ sinh thái chi nhánh.|
+-------------------+-----------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Hạn chế mẫu và chuỗi thời gian: Giai đoạn nghiên cứu dừng lại ở mốc 2020 (120 quan sát), chưa bao quát hết chu kỳ biến động lãi suất toàn cầu hậu COVID-19 và giai đoạn 2021–2024.
  • Tính chất tĩnh của mô hình: Mô hình FEM tĩnh chưa kiểm soát được hiện tượng trễ của khả năng sinh lời (KNSL năm nay phụ thuộc vào KNSL năm trước – hiện tượng nội sinh động).
  • Thiếu hụt biến số số hóa: Chưa lượng hóa trực tiếp tỷ lệ đầu tư công nghệ thông tin (IT CapEx) và tỷ lệ người dùng ứng dụng số (Digital Active Users) vào mô hình do hạn chế thuyết minh BCTC thời kỳ này.

Hướng phát triển tiếp theo

  • Ứng dụng Mô hình GMM Động (System-GMM): Áp dụng phương pháp Arellano-Bond / Blundell-Bond hai bước (Two-step System GMM) nhằm kiểm soát triệt để tính nội sinh động và độ trễ thời gian của biến $ROA_{t-1}$.
  • Mở rộng chuỗi dữ liệu 10 năm (2015–2024): Đưa thêm các biến đặc thù mới như tỷ lệ bao phủ nợ xấu ($LLR$), hệ số an toàn vốn ($CAR$ theo Basel II/III), và tỷ lệ số hóa giao dịch.
  • Tích hợp thuật toán Machine Learning: Thử nghiệm các mô hình học máy (XGBoost, Random Forest Regressor) để so sánh hiệu quả dự báo KNSL với các mô hình kinh tế lượng truyền thống.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình thực nghiệm kinh tế lượng chuẩn mực từ thu thập dữ liệu bảng, chạy mô hình Pooled OLS/FEM/REM, đến các bước kiểm định khuyết tật mô hình (Wald, Wooldridge, VIF) trên Stata và Python.
  • Nhà phát triển & Kỹ sư Dữ liệu Tài chính: Nắm bắt cấu trúc chuyển đổi các chỉ tiêu từ Báo cáo tài chính (Cân đối kế toán, Kết quả kinh doanh) thành các biến số định lượng phục vụ cho các thuật toán phân tích tài chính tự động (Automated Financial Analytics).
  • Hội đồng Quản trị & Ban điều hành Ngân hàng: Nhận diện chính xác tác động định lượng của chi phí hoạt động và dự phòng tín dụng để hoạch định chiến lược tái cấu trúc chi phí (CIR), phân bổ vốn an toàn theo Basel II.
  • Nhà đầu tư chứng khoán: Sở hữu khung phân tích định lượng khoa học để sàng lọc cổ phiếu ngân hàng có chất lượng tài sản tốt, biên lãi thuần ($NIM$) cao và tiềm năng sinh lời ($ROA$) bền vững.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn biến phụ thuộc đại diện là ROA thay vì ROE?

$ROA$ (Return on Assets) đo lường trực tiếp năng lực quản trị và hiệu quả chuyển hóa tài sản thành lợi nhuận thuần túy của bộ máy điều hành ngân hàng. Ngược lại, $ROE$ (Return on Equity) bị bóp méo rất lớn bởi mức độ sử dụng đòn bẩy tài chính ($ROE = ROA \times \text{Đòn bẩy tài chính}$). Một ngân hàng có thể có $ROE$ cao ảo do tỷ lệ vốn tự có quá mỏng, hàm chứa rủi ro phá sản lớn. Do đó, $ROA$ mang tính khách quan và chuẩn hóa cao hơn trong phân tích kinh tế lượng.

2. Làm thế nào để xử lý triệt để hiện tượng Phương sai sai số thay đổi và Tự tương quan trong dữ liệu bảng?

Sau khi kiểm định Modified Wald xác nhận có hiện tượng phương sai sai số thay đổi ($p < 0.001$) và kiểm định Wooldridge xác nhận có tự tương quan ($p < 0.05$), nhà nghiên cứu cần sử dụng tùy chọn ước lượng sai số chuẩn vững phân cụm theo thực thể (vce(robust) hoặc vce(cluster ID) trong Stata; hoặc cov_type='robust' trong Python linearmodels). Phương pháp này hiệu chỉnh lại ma trận hiệp phương sai mà không làm thay đổi các hệ số hồi quy $\beta$, đảm bảo các giá trị $t\text{-statistic}$ và $p\text{-value}$ phản ánh đúng ý nghĩa thống kê thực tế.

3. Yêu cầu dữ liệu tối thiểu để triển khai mô hình phân tích KNSL này là gì?

Hệ thống cần tối thiểu dữ liệu Báo cáo tài chính đã kiểm toán hàng quý hoặc hàng năm trong ít nhất 3–5 năm liên tiếp của các ngân hàng cần phân tích. Dữ liệu cần bao gồm tối thiểu 6 bảng biểu chuẩn: Bảng Cân đối kế toán, Báo cáo Kết quả hoạt động kinh doanh, Thuyết minh Báo cáo tài chính (chi tiết danh mục cho vay, nợ xấu, cơ cấu nguồn vốn huy động) và các chỉ số kinh tế vĩ mô công bố từ Tổng cục Thống kê / Ngân hàng Nhà nước.

4. Hệ số hồi quy của biến Chi phí hoạt động (OEAR) mang dấu âm có ý nghĩa gì đối với chiến lược chuyển đổi số?

Hệ số $\beta = -0.2854$ ($p < 0.001$) chứng minh rằng chi phí vận hành tăng lên sẽ kéo giảm mạnh KNSL. Đây là bằng chứng thực nghiệm rõ ràng thúc đẩy các ngân hàng tăng tốc chuyển đổi số: việc tự động hóa quy trình nghiệp vụ (eKYC, Core Banking số, Phê duyệt tín dụng tự động) sẽ giúp giảm mạnh chi phí nhân sự và chi phí văn phòng/chi nhánh vật lý, từ đó hạ thấp tỷ lệ $OEAR$ và trực tiếp làm tăng $ROA$.

5. Mô hình có khả năng dự báo KNSL trong điều kiện khủng hoảng kinh tế không?

Mô hình có khả năng chạy Stress-test mô phỏng biến động KNSL bằng cách thay đổi các tham số đầu vào vĩ mô ($GDPG$ giảm, $MSG$ chậm lại) kết hợp với gia tăng chi phí rủi ro tín dụng ($LPCLR$ tăng do nợ xấu phát sinh). Việc tích hợp cả biến số nội sinh và ngoại sinh giúp các nhà quản trị dự báo được biên độ suy giảm lợi nhuận trước các cú sốc kinh tế bất lợi.

Kết luận

Công trình khóa luận tốt nghiệp của tác giả Cù Mỹ Duyên đã xây dựng thành công mô hình kinh tế lượng thực nghiệm chuẩn xác, đo lường toàn diện các nhân tố quyết định khả năng sinh lời của 24 NHTM niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2016–2020. Nghiên cứu khẳng định vai trò trụ cột của việc mở rộng biên lãi ròng ($NIM$), đa dạng hóa nguồn thu phi tín dụng ($DIA$) và củng cố tỷ lệ an toàn vốn ($CA$), đồng thời lượng hóa tác động tiêu cực của chi phí hoạt động ($OEAR$) và dự phòng rủi ro tín dụng ($LPCLR$) đến $ROA$.

Kết quả này không chỉ đóng góp cơ sở lý luận thực nghiệm vững chắc cho chuyên ngành Tài chính - Ngân hàng mà còn mang lại bộ công cụ định lượng giá trị giúp các nhà quản trị NHTM tối ưu hóa cơ cấu tài sản - nguồn vốn và hỗ trợ các nhà đầu tư đưa ra quyết định phân bổ danh mục cổ phiếu ngân hàng chính xác và hiệu quả.