Giới thiệu dự án

Ngành Ngân hàng Thương mại (NHTM) đóng vai trò huyết mạch trong nền kinh tế Việt Nam, đóng góp trên 10% vào tổng mức tăng trưởng kinh tế quốc gia hàng năm và đóng vai trò kênh dẫn vốn chủ lực cho toàn bộ hoạt động sản xuất kinh doanh. Tuy nhiên, sau giai đoạn biến động kinh tế toàn cầu và đại dịch Covid-19, hệ thống các ngân hàng thương mại cổ phần (NHTMCP) tại Việt Nam, đặc biệt là Ngân hàng Thương mại Cổ phần Á Châu (ACB), phải đối mặt với áp lực duy trì biên lợi nhuận và tối ưu hóa hiệu quả sử dụng vốn.

Biên lãi thuần chịu sức ép thu hẹp, chi phí vốn biến động và rủi ro tín dụng tiềm ẩn đặt ra bài toán cấp bách: làm thế nào để xác định chính xác các động lực nội tại và ngoại cảnh chi phối trực tiếp đến hiệu quả sinh lời của ngân hàng? Phần lớn các nghiên cứu trước đây tại Việt Nam chỉ tiếp cận ở cấp độ dữ liệu vĩ mô toàn hệ thống ngân hàng hoặc dữ liệu báo cáo tài chính hợp nhất, bỏ qua sự phân hóa sâu sắc về mặt hiệu quả kinh doanh giữa các chi nhánh đơn vị trực thuộc.

+-------------------------------------------------------------------------------+
|                             ACB OPERATIONAL NEXUS                             |
|                                                                               |
|  [ Branch-Level Dynamics ]      [ Risk & Capital ]       [ Macro Factors ]   |
|   - Deposit/Loan (LDR)           - Overdue Debt (NPL)     - GDP Growth        |
|   - Asset Growth (GROW)          - Equity Ratio (ETA)     - Inflation (INF)   |
|   - Branch Size (SIZE)           - Cost/Revenue (TC/TR)                       |
|          |                               |                      |             |
|          +-------------------------------+----------------------+             |
|                                          |                                    |
|                                          v                                    |
|                       [ Econometric Modeling Engine ]                         |
|                       (Pooled OLS -> FEM/REM -> FGLS)                         |
|                                          |                                    |
|                                          v                                    |
|                       [ Target Profitability Metrics ]                        |
|                       ROA (Mean: 1.24%) | ROE (Mean: 12.23%)                  |
+-------------------------------------------------------------------------------+

Đề tài khóa luận tốt nghiệp "Nhân tố tác động đến lợi nhuận của Ngân hàng Thương mại Cổ phần Á Châu" do sinh viên Văn Mỹ Uyên thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Đặng Hải Yến (Đại học Ngân hàng TP. Hồ Chí Minh, 2024) được triển khai nhằm giải quyết các khoảng trống học thuật và thực tiễn nêu trên.

Mục tiêu của dự án

  1. Xác định các nhân tố trọng yếu: Thiết lập hệ thống biến số phản ánh đặc điểm nội tại của ngân hàng (thanh khoản, quy mô, cấu trúc vốn, rủi ro tín dụng, chi phí vận hành) và các biến số kinh tế vĩ mô ảnh hưởng đến tỷ suất sinh lời.
  2. Lượng hóa mức độ tác động: Đánh giá thực nghiệm chiều hướng và cường độ tác động của từng nhân tố lên Tỷ suất sinh lời trên tổng tài sản (ROA - Return on Assets) và Tỷ suất sinh lời trên vốn chủ sở hữu (ROE - Return on Equity) thông qua dữ liệu bảng cân đối.
  3. Đề xuất hàm ý quản trị thực tiễn: Xây dựng khung chính sách điều hành quản trị danh mục cho vay, kiểm soát nợ quá hạn và tái cấu trúc chi phí vận hành nhằm tối đa hóa lợi nhuận bền vững cho Ngân hàng ACB.

Phương pháp tiếp cận và kết quả kỳ vọng

Đề tài sử dụng phương pháp nghiên cứu định lượng với dữ liệu bảng (Panel Data), kiểm định tuần tự các mô hình Hồi quy gộp (Pooled OLS - Pooled Ordinary Least Squares), Mô hình tác động cố định (FEM - Fixed Effects Model), Mô hình tác động ngẫu nhiên (REM - Random Effects Model), và khắc phục hoàn toàn hiện tượng phương sai sai số thay đổi cùng tự tương quan bằng phương pháp Ước lượng bình phương tối thiểu tổng quát khả thi (FGLS - Feasible Generalized Least Squares).

Kết quả kỳ vọng của mô hình là giải trình được sự biến thiên của ROA (trung bình đạt 1.24%, dao động từ 0.1% đến 5.5%) và ROE (trung bình đạt 12.23%, dao động từ 0.1% đến 44.5%), tạo tiền đề cho các quyết định phân bổ nguồn vốn tối ưu.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 30 chi nhánh trực thuộc hệ thống Ngân hàng TMCP Á Châu hoạt động trên địa bàn TP. Hồ Chí Minh.
  • Thời gian: Chuỗi thời gian 10 năm liên tục từ 2014 đến 2023, tạo ra bộ dữ liệu bảng cân đối gồm 300 quan sát ($N = 30$, $T = 10$).
  • Giới hạn: Dữ liệu thứ cấp trích xuất từ báo cáo tài chính đã kiểm toán của các chi nhánh; không bao gồm các chi nhánh ngoài khu vực TP.HCM.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu khả năng sinh lời ngân hàng thường áp dụng dữ liệu toàn ngành nhưng bộc lộ nhiều hạn chế khi áp dụng vào việc quản trị chi tiết từng đơn vị thành viên:

Tiêu chí phân tích Phương pháp truyền thống (Dữ liệu toàn ngành) Phương pháp tiếp cận vi mô (Dữ liệu chi nhánh ACB)
Độ chi tiết dữ liệu Tổng hợp từ báo cáo tài chính hợp nhất của nhiều NHTM Dữ liệu bảng vi mô của 30 chi nhánh độc lập trong cùng một hệ sinh thái quản trị
Đặc thù tổ chức Bị nhiễu bởi sự khác biệt về văn hóa doanh nghiệp, công nghệ, khẩu vị rủi ro giữa các ngân hàng Loại bỏ sai số do đồng nhất về quy trình tín dụng, công nghệ core-banking và chính sách chung của ACB
Mô hình ước lượng Thường chỉ dừng lại ở Pooled OLS hoặc FEM/REM cơ bản Kết hợp kiểm định Lagrange Multiplier, Hausman và hiệu chỉnh FGLS để loại trừ khuyết tật chuỗi
Tính ứng dụng Khuyến nghị mang tính vĩ mô cho Ngân hàng Nhà nước hoặc toàn ngành Hàm ý quản trị ứng dụng trực tiếp cho Hội đồng Quản trị và Giám đốc chi nhánh ACB

Phân loại yêu cầu phân tích dữ liệu theo phương pháp MoSCoW:

  • Must have (Bắt buộc phải có): Khắc phục hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation); kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF - Variance Inflation Factor).
  • Should have (Nên có): Phân tách rõ ràng tác động của các nhân tố lên 2 thước đo lợi nhuận riêng biệt là ROA và ROE.
  • Could have (Có thể có): Đo lường tác động trễ của tăng trưởng GDP và lạm phát (INF).
  • Won't have this time (Chưa thực hiện đợt này): Áp dụng mô hình hồi quy động System GMM do chuỗi thời gian của từng chi nhánh là 10 năm ($T=10, N=30$).

Thiết kế hệ thống xử lý và mô hình hóa

Cấu trúc luồng xử lý dữ liệu và kiểm định kinh tế lượng được thiết kế chuẩn hóa:

[ Raw Financial Statements (30 Branches / 2014-2023) ]
                       |
                       v
[ Data Cleansing & Financial Ratio Engineering (Excel 365) ]
                       |
                       v
[ Descriptive Statistics & Correlation Matrix Analysis ]
                       |
                       v
[ Multicollinearity Diagnosis (VIF < 10 Verification) ]
                       |
                       v
[ Model Estimation: Pooled OLS vs. FEM vs. REM (Stata 15) ]
                       |
            +----------+----------+
            |                     |
            v                     v
[ Breusch-Pagan LM Test ]   [ Hausman Test ]
(Pooled OLS vs. REM)        (FEM vs. REM)
            |                     |
            +----------+----------+
                       |
                       v
[ Diagnostic Tests: Heteroskedasticity & Autocorrelation ]
                       |
                       v
[ Final Robust Estimation: FGLS (Parks-Kmenta Method) ]
  • Technology Stack:
    • Xử lý bảng tính & chuẩn hóa chuỗi thời gian: Microsoft Excel 365 (Version 2402).
    • Xử lý kinh tế lượng, ma trận tương quan & hồi quy đa biến: Stata SE Version 15.1.
  • Cấu trúc dữ liệu bảng (Panel Schema):
    • Khóa chính kết hợp: Branch_ID (1 đến 30) $\times$ Year (2014 đến 2023).
    • Biến phụ thuộc: ROA ($\text{LNST} / \text{Tổng tài sản}$), ROE ($\text{LNST} / \text{Vốn chủ sở hữu}$).
    • Biến độc lập nội tại: LDR (Tiền gửi / Tiền cho vay), ETA (Vốn chủ sở hữu / Tổng tài sản), SIZE ($\ln(\text{Tổng tài sản})$), GROW (Tốc độ tăng trưởng tài sản), NPL (Nợ quá hạn / Tổng dư nợ), NII (Thu nhập ngoài lãi / Tổng thu nhập), TC/TR (Tổng chi phí / Tổng thu nhập).
    • Biến độc lập vĩ mô: GDP (Tăng trưởng kinh tế hàng năm), INF (Tỷ lệ lạm phát hàng năm).

Methodology

Quy trình nghiên cứu định lượng được xây dựng gồm 5 mốc chính:

  1. Giai đoạn 1 (Milestone 1 - Tuần 1-4): Thu thập, đối chiếu dữ liệu báo cáo tài chính đã kiểm toán của 30 chi nhánh ACB tại TP.HCM và số liệu Tổng cục Thống kê (GSO).
  2. Giai đoạn 2 (Milestone 2 - Tuần 5-7): Tính toán hệ số tài chính, chạy thống kê mô tả (Mean, Min, Max, Standard Deviation), phân tích ma trận tương quan Pearson.
  3. Giai đoạn 3 (Milestone 3 - Tuần 8-10): Kiểm định hiện tượng đa cộng tuyến (VIF); hồi quy thử nghiệm Pooled OLS, FEM, REM.
  4. Giai đoạn 4 (Milestone 4 - Tuần 11-13): Thực hiện kiểm định Breusch-Pagan và Hausman; kiểm định phương sai sai số thay đổi và tự tương quan; chạy mô hình FGLS hiệu chỉnh toàn diện.
  5. Giai đoạn 5 (Milestone 5 - Tuần 14-16): Phân tích kết quả thực nghiệm, thảo luận tương quan lý thuyết và xây dựng hàm ý quản trị.

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát dạng bảng được thiết lập như sau:

$$\text{LN}{it} = \alpha_0 + \theta_1 \text{LDR}{it} + \theta_2 \text{ETA}{it} + \theta_3 \text{SIZE}{it} + \theta_4 \text{GROW}{it} + \theta_5 \text{NPL}{it} + \theta_6 \text{NII}{it} + \theta_7 (\text{TC/TR}){it} + \beta_1 \text{GDP}_t + \beta_2 \text{INF}t + \epsilon{it}$$

Trong đó $i = 1, \dots, 30$ đại diện cho từng chi nhánh, $t = 2014, \dots, 2023$ đại diện cho năm tài chính, và $\text{LN}{it}$ nhận giá trị lần lượt là $\text{ROA}{it}$ hoặc $\text{ROE}_{it}$.

Toàn bộ quy trình ước lượng và kiểm định được lập trình và thực thi thông qua kịch bản mã lệnh Stata 15.1:

*-------------------------------------------------------------------------------
* STATA DO-FILE: PANEL DATA REGRESSION FOR ACB BRANCH PROFITABILITY
* Input: 300 observations (30 branches across 2014-2023)
* Stata Version: 15.1 SE
*-------------------------------------------------------------------------------

* 1. Declare balanced panel data structure
xtset branch_id year

* 2. Descriptive Statistics & Correlation Matrix
summarize ROA ROE LDR ETA SIZE GROW NPL NII TCTR GDP INF
corr ROA ROE LDR ETA SIZE GROW NPL NII TCTR GDP INF

* 3. Multicollinearity Test (OLS-based VIF)
regress ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF
estat vif

* 4. Stepwise Estimations (Pooled OLS, FEM, REM)
* 4.1. ROA Model Estimations
regress ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF
estimates store OLS_ROA

xtreg ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF, fe
estimates store FEM_ROA

xtreg ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF, re
estimates store REM_ROA

* 4.2. Statistical Selection Tests for Model Specification
xttest0                                // Breusch-Pagan LM Test (OLS vs REM)
hausman FEM_ROA REM_ROA                // Hausman Specification Test (FEM vs REM)

* 4.3. Diagnostic Tests for Econometric Defects
xttest3                                // Modified Wald test for groupwise heteroskedasticity
xtserial ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF // Wooldridge test for autocorrelation

* 5. Optimal Feasible Generalized Least Squares (FGLS) Correction
xtgls ROA LDR ETA SIZE GROW NPL NII TCTR GDP INF, panels(hetero) corr(ar1)
xtgls ROE LDR ETA SIZE GROW NPL NII TCTR GDP INF, panels(hetero) corr(ar1)

Testing và validation

Kết quả kiểm định chất lượng mô hình:

  • Kiểm định đa cộng tuyến (VIF): Chỉ số VIF của tất cả các biến giải thích dao động trong khoảng từ $1.12$ đến $1.32$ (thấp hơn rất nhiều so với ngưỡng cảnh báo $10.0$). Ma trận tương quan giữa các biến độc lập đều có hệ số nhỏ hơn $0.8$, khẳng định mô hình không bị vi phạm hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định lựa chọn mô hình:
    • Kiểm định Breusch-Pagan Lagrangian Multiplier cho $p\text{-value} < 0.001$, bác bỏ $H_0$ (mô hình REM vượt trội hoàn toàn so với Pooled OLS).
    • Kiểm định Hausman cho kết quả $p\text{-value} < 0.05$, chỉ ra sự tương quan giữa các biến giải thích và sai số ngẫu nhiên đặc thù chi nhánh, từ đó mô hình FEM được ưu tiên hơn REM.
  • Hiệu chỉnh khuyết tật bằng FGLS: Kiểm định phương sai sai số thay đổi (Modified Wald Test) và kiểm định tự tương quan (Wooldridge Test) phát hiện mô hình tồn tại hiện tượng phương sai thay đổi giữa các chi nhánh và tự tương quan bậc nhất AR(1). Do đó, mô hình FGLS được lựa chọn làm kết quả ước lượng cuối cùng đạt tính chất BLUE (Best Linear Unbiased Estimator).

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy mô hình FGLS cho biến phụ thuộc ROA và ROE:

Biến giải thích Ký hiệu Hệ số hồi quy với ROA ($\beta$) Mức ý nghĩa (ROA) Hệ số hồi quy với ROE ($\beta$) Mức ý nghĩa (ROE) Trạng thái giả thuyết
Hệ số chặn (Constant) $\alpha_0$ -0.0039 $p < 0.01$ -0.1542 $p < 0.01$ -
Tỷ lệ tiền gửi / cho vay LDR +0.0142 $\alpha = 1%^{***}$ +0.1285 $\alpha = 1%^{***}$ Chấp nhận $H_1$
Vốn chủ sở hữu / Tổng tài sản ETA +0.0018 Không có ý nghĩa +0.2841 $\alpha = 1%^{***}$ Chấp nhận $H_2$ với ROE
Quy mô chi nhánh ($\ln(\text{TTS})$) SIZE +0.0004 Không có ý nghĩa +0.0163 $\alpha = 1%^{***}$ Chấp nhận $H_3$ với ROE
Tăng trưởng tổng tài sản GROW +0.0021 Không có ý nghĩa +0.0954 $\alpha = 1%^{***}$ Chấp nhận $H_4$ với ROE
Tỷ lệ nợ quá hạn / Tổng dư nợ NPL -0.0892 $\alpha = 1%^{***}$ -0.6412 $\alpha = 1%^{***}$ Chấp nhận $H_5$
Tỷ lệ thu nhập ngoài lãi NII +0.0009 Không có ý nghĩa +0.0087 Không có ý nghĩa Bác bỏ $H_6$
Chi phí / Doanh thu TC/TR -0.0015 $\alpha = 1%^{***}$ -0.0024 Không có ý nghĩa Chấp nhận $H_7$ với ROA
Tăng trưởng kinh tế vĩ mô GDP +0.0003 Không có ý nghĩa +0.0019 Không có ý nghĩa Bác bỏ $H_8$
Tỷ lệ lạm phát INF -0.0002 Không có ý nghĩa -0.0011 Không có ý nghĩa Bác bỏ $H_9$

Ghi chú: $^{*}$ có ý nghĩa thống kê ở mức $\alpha = 1%$.

Phân tích chi tiết:

  • Biến LDR (Tỷ lệ tiền gửi trên tiền cho vay) tác động dương mạnh mẽ tới cả ROA và ROE ở mức ý nghĩa 1%. Điều này chứng minh tại mạng lưới chi nhánh ACB, năng lực huy động tiền gửi dồi dào là bệ đỡ thanh khoản vững chắc, giảm chi phí vốn liên ngân hàng và tối đa hóa biên sinh lời.
  • Biến NPL (Tỷ lệ nợ quá hạn) có hệ số âm rất lớn lên ROA (-0.0892) và ROE (-0.6412) với độ tin cậy 99%. Khi nợ quá hạn tăng 1%, ROE của chi nhánh sụt giảm đến 0.6412% do áp lực trích lập dự phòng rủi ro tín dụng và mất nguồn thu lãi dồn tích.
  • Biến TC/TR tác động âm đến ROA (-0.0015, $\alpha = 1%$), cho thấy chi phí vận hành chi nhánh cần được tối ưu hóa theo quy mô.

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:

Công trình nghiên cứu Phạm vi mẫu & Phương pháp Điểm nhấn phát hiện Khác biệt & Đổi mới của nghiên cứu này
Chowdhury và cs. (2017) Các NHTM Vùng Vịnh (2005-2013), GMM Quy mô, vốn (+) ; Rủi ro tín dụng, thanh khoản (-) Nghiên cứu này chứng minh LDR tác động (+) tại ACB do đặc thù thanh khoản bán lẻ
Lê Đồng Duy Trung (2020) 30 NHTM Việt Nam (2009-2017), System GMM Chi phí hoạt động tác động âm mạnh nhất lên ROA Khóa luận bóc tách chi tiết tác động của TC/TR ở cấp độ chi nhánh và chứng minh NPL là nhân tố cản trở ROE lớn nhất
Nguyễn Quốc Anh (2023) 26 NHTMCP Việt Nam (2009-2021), OLS/FEM/REM Thu nhập lãi thuần, CAR (+) ; Chi phí (-) Nghiên cứu này bổ sung mô hình FGLS kiểm soát hoàn toàn khuyết tật chuỗi thời gian 10 năm tại ACB
Đề tài hiện tại (Văn Mỹ Uyên, 2024) 30 chi nhánh ACB tại TP.HCM (2014-2023), FGLS LDR (+), NPL (-), TC/TR (-) tác động đến ROA; LDR, ETA, SIZE, GROW (+), NPL (-) tác động đến ROE Bộ dữ liệu độc quyền cấp độ chi nhánh (Branch-level); giải quyết xung đột lý thuyết về thanh khoản nội bộ

Đóng góp thực tiễn và tính mới

  1. Dữ liệu bảng vi mô độc quyền: Cung cấp bức tranh thực nghiệm chân thực về hiệu quả hoạt động của 30 chi nhánh ACB trên địa bàn trọng điểm TP.HCM suốt một thập kỷ (2014–2023).
  2. Khắc phục triệt để sai số kinh tế lượng: Việc sử dụng FGLS giải quyết dứt điểm hiện tượng phương sai thay đổi chéo giữa các chi nhánh, đem lại ước lượng chính xác hơn so với OLS truyền thống.
  3. Phát hiện tính phi ý nghĩa của yếu tố vĩ mô tại cấp chi nhánh: Các biến vĩ mô như GDP và INF không có ý nghĩa thống kê đối với ROA/ROE tại từng chi nhánh riêng lẻ, khẳng định hiệu quả hoạt động chi nhánh phụ thuộc chủ yếu vào năng lực quản trị vi mô nội bộ (chất lượng tín dụng, tỷ lệ huy động, kiểm soát chi phí).

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở định lượng để Ban Điều hành Ngân hàng ACB và Giám đốc các khối kinh doanh triển khai vào thực tế quản trị:

+---------------------------------------------------------------------------------+
|                        ACB 4-PHASE IMPLEMENTATION ROADMAP                       |
+---------------------------------------------------------------------------------+
| Phase 1 (Q1-Q2) : [ Branch Health Diagnosis & Risk Auditing ]                   |
|                   - Re-evaluate 30 branches using NPL & TC/TR benchmarks        |
|                   - Standardize LDR data pipelines                              |
+---------------------------------------------------------------------------------+
| Phase 2 (Q3-Q4) : [ Credit Approval Engine Optimization ]                       |
|                   - Tighten collateral valuation                                |
|                   - Implement early warning system for overdue loans            |
+---------------------------------------------------------------------------------+
| Phase 3 (Year 2): [ ALM & Dynamic Capital Allocation ]                          |
|                   - Rebalance retail deposit vs. loan ratios (LDR ~ 70-75%)     |
|                   - Expand branch scale (SIZE) through digital channels         |
+---------------------------------------------------------------------------------+
| Phase 4 (Year 3): [ Operational Automation & Cost Optimization ]                |
|                   - Digitize counter operations to suppress TC/TR               |
|                   - Continuous econometric model re-estimation                  |
+---------------------------------------------------------------------------------+

Kịch bản ứng dụng chuyên biệt

  • Quản trị rủi ro nợ quá hạn (NPL Target $< 1.5%$): Tái cấu trúc quy trình thẩm định tín dụng phân cấp tại chi nhánh. Thiết lập hệ thống cảnh báo sớm dòng tiền của khách hàng vay vốn nhằm ngăn chặn nợ nhóm 2 chuyển hóa thành nợ xấu nhóm 3-5.
  • Tối ưu hóa cơ cấu vốn và thanh khoản (LDR Target $70% - 75%$): Khuyến khích các chi nhánh đẩy mạnh các sản phẩm tiền gửi tiết kiệm bán lẻ và tiền gửi không kỳ hạn (CASA) chi phí thấp để giữ vững chỉ số LDR lành mạnh, tạo nguồn vốn giá rẻ phục vụ cho vay.
  • Kiểm soát chi phí hoạt động trên doanh thu (TC/TR Target $\le 8.5$): Triển khai số hóa quy trình giao dịch tại quầy (ACB ONE Biz, ACB ONE), cắt giảm chi phí giấy tờ và nhân sự thủ công, qua đó hạ tỷ lệ TC/TR để nâng cao chỉ số ROA.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí triển khai: Dự toán chi phí nâng cấp hệ thống cảnh báo sớm rủi ro tín dụng và đào tạo quy trình quản trị tài sản Nợ - Có (ALM) tại chi nhánh ước tính khoảng 1.5 - 2.0 tỷ VND.
  • Lợi ích định lượng: Khi tỷ lệ nợ quá hạn toàn hệ thống chi nhánh giảm $0.5%$, theo mô hình hồi quy, ROE trung bình có thể tăng tương ứng khoảng $0.32%$, tương đương gia tăng hàng chục tỷ đồng lợi nhuận ròng sau thuế cho ngân hàng hàng năm.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  1. Phạm vi không gian cục bộ: Nghiên cứu mới chỉ tập trung vào 30 chi nhánh tại khu vực đô thị đặc thù là TP. Hồ Chí Minh, chưa phản ánh đầy đủ đặc điểm kinh doanh tại các chi nhánh thuộc khu vực nông thôn hoặc các tỉnh phía Bắc.
  2. Cấu trúc tuyến tính: Mô hình FGLS xem xét mối quan hệ tuyến tính cố định giữa các biến, chưa tính đến tác động ngưỡng (Panel Threshold Regression) hoặc các biến phi tuyến tính.
  3. Chưa tính toán độ trễ động: Mô hình dữ liệu bảng tĩnh chưa đưa vào biến trễ của lợi nhuận ($\text{ROA}{t-1}, \text{ROE}{t-1}$) để phân tích quán tính lợi nhuận.

Hướng nghiên cứu tiếp theo

  • Mở rộng mẫu nghiên cứu: Mở rộng phạm vi thu thập dữ liệu lên toàn bộ hơn 380 chi nhánh và phòng giao dịch của ACB trên toàn quốc trong giai đoạn 2014–2025.
  • Nâng cấp phương pháp ước lượng: Áp dụng mô hình hồi quy dữ liệu bảng động System GMM (Generalized Method of Moments) hai bước theo chuẩn Arellano-Bond để kiểm soát hoàn toàn hiện tượng biến nội sinh tiềm ẩn.
  • Ứng dụng Machine Learning: Kết hợp các mô hình học máy (Random Forest, XGBoost) trong việc dự báo xác suất phát sinh nợ quá hạn tại từng phòng giao dịch.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung nghiên cứu mẫu mực về kinh tế lượng tài chính ứng dụng, phương pháp xử lý dữ liệu bảng và kỹ năng vận hành Stata 15 chuyên sâu.
  • Chuyên viên Phân tích Dữ liệu (Data Analysts) & Lập trình viên FinTech: Nắm bắt logic xây dựng các chỉ số tài chính, phương pháp kiểm định mô hình định lượng và cấu trúc dữ liệu bảng phục vụ xây dựng hệ thống hỗ trợ ra quyết định (DSS - Decision Support Systems).
  • Ban Điều hành & Quản lý Chi nhánh Ngân hàng TMCP: Nhận diện chính xác 5 đòn bẩy quản trị trọng tâm (LDR, NPL, TC/TR, ETA, SIZE) để phân bổ chỉ tiêu KPI kinh doanh cho các quý và năm tài chính.
  • Giảng viên & Nhà nghiên cứu kinh tế lượng: Cung cấp tài liệu tham khảo thực nghiệm có giá trị với bộ kiểm định đầy đủ từ Pooled OLS, FEM, REM đến FGLS.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn FGLS thay vì sử dụng kết quả từ mô hình FEM hay REM?

Mặc dù kiểm định Hausman chọn mô hình FEM ($p < 0.05$), nhưng các kiểm định chẩn đoán sau hồi quy (Modified Wald test và Wooldridge test) cho thấy mô hình tồn tại hiện tượng phương sai sai số thay đổi và tự tương quan bậc nhất. Phương pháp FGLS (Feasible Generalized Least Squares) là kỹ thuật tối ưu giúp biến đổi ma trận hiệp phương sai sai số, loại bỏ triệt để hai khuyết tật trên để cho ra ước lượng không chệch và có phương sai nhỏ nhất (BLUE).

2. Vì sao các biến vĩ mô như tăng trưởng GDP và lạm phát lại không có ý nghĩa thống kê trong mô hình?

Trong nghiên cứu này, dữ liệu được thu thập ở cấp độ 30 chi nhánh trong cùng một địa bàn TP.HCM. Các yếu tố vĩ mô (GDP, INF) tác động đồng nhất lên tất cả các chi nhánh trong cùng một năm tài chính, do đó mức độ biến thiên xuyên tâm giữa các đơn vị không đủ lớn để tạo ra sự khác biệt có ý nghĩa thống kê so với các biến nội tại đặc thù của từng chi nhánh như NPL hay TC/TR.

3. Tỷ lệ LDR trong nghiên cứu tác động cùng chiều (+) tới lợi nhuận phản ánh điều gì?

Theo lý thuyết quản lý nợ phải trả (Liability Management Theory), tỷ lệ tiền gửi trên cho vay phản ánh khả năng tự chủ thanh khoản của chi nhánh. Tại ACB, chi nhánh có tỷ lệ huy động vốn tiền gửi cao sẽ tạo ra nguồn vốn dồi dào với chi phí rẻ, giảm bớt sự phụ thuộc vào vốn vay liên ngân hàng liên chi nhánh, từ đó gia tăng biên lãi thuần (NIM) và cải thiện ROA, ROE.

4. Làm thế nào để áp dụng kết quả nghiên cứu vào việc giao chỉ tiêu KPI cho các chi nhánh ACB?

Ban điều hành ACB có thể gắn trọng số đánh giá hiệu quả chi nhánh dựa trên mô hình: ưu tiên hạ tỷ lệ nợ quá hạn $NPL < 1.5%$ (trọng số cao nhất do hệ số tác động âm lớn lên ROE là -0.6412), duy trì tỷ lệ $LDR \approx 70-75%$, và áp dụng chỉ tiêu trần tỷ lệ chi phí trên doanh thu $TC/TR \le 8.5$.

5. Chi phí và thời gian cần thiết để cập nhật lại mô hình này hàng năm là bao nhiêu?

Với bộ mã lệnh do-file chuẩn hóa trên Stata 15 đã được xây dựng, thời gian cập nhật dữ liệu tài chính hàng năm chỉ mất từ 3-5 ngày làm việc của một chuyên viên dữ liệu tài chính với chi phí vận hành phần mềm gần như bằng 0 (tận dụng hạ tầng phân tích nội bộ).

Kết luận

Khóa luận tốt nghiệp "Nhân tố tác động đến lợi nhuận của Ngân hàng Thương mại Cổ phần Á Châu" đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc phân tích định lượng 300 quan sát từ 30 chi nhánh ACB tại TP.HCM giai đoạn 2014–2023. Bằng phương pháp ước lượng FGLS chuẩn mực, nghiên cứu đã chứng minh:

  • Đối với ROE: Các biến LDR, ETA, SIZE, GROW có tác động cùng chiều (+), trong khi NPL tác động ngược chiều (-) cực kỳ mạnh mẽ ở mức ý nghĩa 1%.
  • Đối với ROA: LDR tác động cùng chiều (+), NPL và TC/TR tác động ngược chiều (-) ở mức ý nghĩa 1%.

Các phát hiện thực nghiệm này khẳng định chất lượng tín dụng và thanh khoản nội bộ là hai trụ cột sống còn quyết định năng lực sinh lời của hệ thống chi nhánh ngân hàng. Đề tài mở ra cơ sở khoa học vững chắc để các nhà hoạch định chiến lược tại ACB tái cấu trúc danh mục tín dụng, kiểm soát chi phí hoạt động và nâng cao vị thế cạnh tranh trên thị trường tài chính ngân hàng Việt Nam.