Giới thiệu dự án

Tín dụng ngân hàng là kênh huyết mạch cung ứng vốn cho nền kinh tế Việt Nam, quy mô tín dụng thường xuyên chiếm khoảng 120% đến 140% GDP trong giai đoạn 2011–2020. Tuy nhiên, sự tăng trưởng nóng của hệ thống ngân hàng thương mại (NHTM) luôn tiềm ẩn nguy cơ gia tăng nợ xấu (Non-Performing Loans - NPL). Nợ xấu không chỉ làm xói mòn vốn tự có, suy giảm khả năng thanh khoản và tỷ suất sinh lời của tổ chức tín dụng (TCTD), mà còn cản trở dòng vốn tái đầu tư vào các ngành kinh tế trọng điểm.

+-------------------------------------------------------------------------+
|                  HỆ THỐNG GIÁM SÁT RỦI RO TÍN DỤNG NHTM                 |
|                                                                         |
|  [ Dữ liệu vĩ mô (Macro) ]       [ Dữ liệu nội tại NHTM (Micro) ]       |
|  (GDP, Lạm phát, Thất nghiệp)    (ROA, ROE, Tăng trưởng tín dụng, Quy mô)  |
+-------------------------------------------------------------------------+

Problem Statement và Pain Points

  1. Rủi ro đứt gãy dòng tiền và thanh khoản: Khi nợ xấu chạm mức đỉnh 4.86% (theo báo cáo nội bộ) và 13% (theo đánh giá của Fitch Ratings năm 2012), chi phí trích lập dự phòng rủi ro tín dụng (RRTD) bào mòn từ 30% đến 60% lợi nhuận trước thuế của các NHTM.
  2. Thiếu công cụ định lượng tích hợp đa chiều: Các mô hình thẩm định truyền thống tại nhiều NHTM Việt Nam chỉ tập trung vào tài sản bảo đảm (TSBĐ) và chỉ số tài chính vi mô nội tại, bỏ qua tác động trễ mang tính chu kỳ của các biến số kinh tế vĩ mô.
  3. Hiện tượng khuyết tật mô hình trong dữ liệu bảng: Hầu hết các nghiên cứu giản đơn áp dụng Pooled OLS hoặc Fixed Effects Model (FEM) tiêu chuẩn đều bị sai lệch ước lượng do hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Serial Correlation).

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khái niệm nợ xấu theo thông lệ quốc tế (Basel II/III, IAS 39, IMF) và Thông tư 02/2013/TT-NHNN, Thông tư 09/2014/TT-NHNN của Ngân hàng Nhà nước Việt Nam (NHNN).
  2. Xây dựng bộ dữ liệu bảng (Panel Data): Thu thập và chuẩn hóa 150 quan sát từ 15 NHTM lớn có tầm quan trọng hệ thống tại Việt Nam trong giai đoạn 10 năm (2011–2020).
  3. Kiểm định và phát hiện khuyết tật thống kê: Thực hiện chuỗi kiểm định nghiêm ngặt (Breusch-Pagan LM, Hausman, Modified Wald, Wooldridge) để tìm kiếm mô hình tối ưu.
  4. Đo lường định lượng chính xác: Ứng dụng phương pháp Ước lượng Bình phương Tối thiểu Tổng quát Khả thi (Feasible Generalized Least Squares - FGLS) để xác định độ nhạy của tỷ lệ nợ xấu trước các cú sốc vi mô và vĩ mô.
  5. Thiết kế khuyến nghị điều hành: Cung cấp căn cứ định lượng phục vụ công tác tái cơ cấu hệ thống TCTD gắn với Nghị quyết 42/2017/QH14 và Quyết định 1058/QĐ-TTg.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi không gian: 15 NHTM cổ phần và quốc doanh hàng đầu Việt Nam (Vietcombank, VietinBank, BIDV, Techcombank, VPBank, MBBank, ACB, Sacombank, SHB, HDBank, VIB, TPBank, MSB, SeaBank, LienVietPostBank).
  • Phạm vi thời gian: Chu kỳ 10 năm (2011–2020), phản ánh trọn vẹn hai giai đoạn tái cơ cấu 2011–2015 và 2016–2020.
  • Giới hạn kỹ thuật: Dữ liệu sử dụng theo tần suất năm (annual data); chưa bao gồm biến số phi tuyến động bậc cao GMM System.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp nghiên cứu Ưu điểm Nhược điểm cốt lõi Mức độ phù hợp với dữ liệu NHTM VN
Pooled OLS Đơn giản, dễ tính toán tham số. Bỏ qua tính dị biệt giữa các ngân hàng ($u_i$), dẫn đến hệ số ước lượng bị chệch. Không phù hợp ($p < 0.05$ trong LM Test).
Fixed Effects (FEM) Kiểm soát được đặc thù riêng bất biến theo thời gian của từng NHTM. Bị vô hiệu hóa độ tin cậy khi có phương sai thay đổi và tự tương quan chuỗi. Bị khuyết tật thống kê nghiêm trọng.
Random Effects (REM) Cho phép suy rộng tham số trên tổng thể mẫu quan sát. Bị chệch khi có tương quan giữa sai số đặc thù $u_i$ và các biến giải thích $X_{it}$. Bị bác bỏ bởi kiểm định Hausman.
FGLS (Cross-sectional Time-series) Triệt tiêu hoàn toàn sai số thay đổi chéo và tự tương quan bậc nhất AR(1). Yêu cầu số quan sát $T$ và số thực thể $N$ cân đối; cấu hình ma trận hiệp phương sai phức tạp. Tối ưu nhất (Độ tin cậy $p < 0.001$).

Yêu cầu hệ thống theo khung MoSCoW

  • Must-have (Bắt buộc):
    • Khử đa cộng tuyến với chỉ số $VIF < 2.0$.
    • Kiểm định phương sai thay đổi qua Modified Wald Test và tự tương quan qua Wooldridge Test.
    • Xây dựng 2 nhánh mô hình độc lập để tránh đa cộng tuyến giữa $ROA$ và $ROE$ ($r > 0.80$).
  • Should-have (Nên có):
    • Đo lường hệ số trễ của nợ xấu ($NPL_{t-1}$) nhằm đo lường hiệu ứng trễ tín dụng.
    • Tích hợp các chỉ số vĩ mô từ World Bank Data API và IMF Financial Statistics.
  • Could-have (Có thể có):
    • Mở rộng phân tích sang nhóm ngân hàng 100% vốn nước ngoài và ngân hàng liên doanh.
  • Won't-have (Chưa thực hiện):
    • Dự báo chuỗi thời gian nợ xấu theo mạng nơ-ron học sâu (LSTM/GRU) trong đồ án này.

Thiết kế hệ thống và cấu trúc dữ liệu

Cấu trúc bảng dữ liệu chuẩn hóa (Panel Data Schema) phục vụ phân tích định lượng:

-- Thiết kế cấu trúc bảng lưu trữ dữ liệu bảng kinh tế lượng
CREATE TABLE bank_credit_risk_panel (
    bank_id VARCHAR(10) NOT NULL,
    fiscal_year INT NOT NULL,
    npl_ratio DECIMAL(5, 4) NOT NULL,      -- Tỷ lệ nợ xấu (%) = Nợ nhóm 3,4,5 / Tổng dư nợ
    roe DECIMAL(5, 4) NOT NULL,            -- Lợi nhuận ròng / Vốn chủ sở hữu (%)
    roa DECIMAL(5, 4) NOT NULL,            -- Lợi nhuận ròng / Tổng tài sản (%)
    asset_growth DECIMAL(6, 4) NOT NULL,    -- Tốc độ tăng trưởng quy mô (SIZE, %)
    loan_growth DECIMAL(6, 4) NOT NULL,     -- Tốc độ tăng trưởng tín dụng (LOAN, %)
    npl_lag1 DECIMAL(5, 4) NOT NULL,       -- Tỷ lệ nợ xấu trễ t-1 (%)
    gdp_growth DECIMAL(4, 2) NOT NULL,     -- Tăng trưởng GDP thực tế (%)
    inflation_rate DECIMAL(4, 2) NOT NULL, -- Tỷ lệ lạm phát CPI (%)
    unemployment DECIMAL(4, 2) NOT NULL,   -- Tỷ lệ thất nghiệp (%)
    PRIMARY KEY (bank_id, fiscal_year)
);

Technology Stack

  • Môi trường tính toán thống kê: Stata/MP Version 16.0 (64-bit Engine).
  • Ngôn ngữ hỗ trợ xử lý ma trận và trực quan hóa: Python 3.10, Pandas 2.1.0, Statsmodels 0.14.0.
  • Dữ liệu nguồn: Báo cáo tài chính kiểm toán và Báo cáo thường niên của 15 NHTM; Cơ sở dữ liệu Ngân hàng Thế giới (World Bank) và IMF WEO Database.

Implementation và kết quả

Development Process và triển khai kỹ thuật

Quy trình xử lý thực nghiệm trải qua 4 giai đoạn logic với các công thức kinh tế lượng chuẩn mực:

Phương trình hồi quy tổng quát:

$$NPL_{i,t} = \alpha_0 + \alpha_1 ROE_{i,t} + \alpha_2 ROA_{i,t} + \alpha_3 SIZE_{i,t} + \alpha_4 LOAN_{i,t} + \alpha_5 NPL_{i,t-1} + \alpha_6 GDP_t + \alpha_7 IN_t + \alpha_8 UE_t + \varepsilon_{i,t}$$

Do mối tương quan giữa $ROA$ và $ROE$ vượt quá ngưỡng $0.80$, đề tài phân tách thành 2 mô hình thành phần:

  • Mô hình (2) - Kiểm nghiệm tác động của ROA: $$NPL_{i,t} = \beta_0 + \beta_1 ROA_{i,t} + \beta_2 SIZE_{i,t} + \beta_3 LOAN_{i,t} + \beta_4 NPL_{i,t-1} + \beta_5 GDP_t + \beta_6 IN_t + \beta_7 UE_t + \varepsilon_{i,t}$$
  • Mô hình (3) - Kiểm nghiệm tác động của ROE: $$NPL_{i,t} = \gamma_0 + \gamma_1 ROE_{i,t} + \gamma_2 SIZE_{i,t} + \gamma_3 LOAN_{i,t} + \gamma_4 NPL_{i,t-1} + \gamma_5 GDP_t + \gamma_6 IN_t + \gamma_7 UE_t + \varepsilon_{i,t}$$

Mã nguồn thực thi quy trình định lượng trên Stata (Stata do-file script):

* Thiết lập dữ liệu bảng (Panel setting)
tsset bank_id fiscal_year, yearly

* 1. Kiểm tra đa cộng tuyến
regress npl roa size loan npl_lag1 gdp in ue
vif

* 2. Ước lượng Pooled OLS, FEM và REM
regress npl roa size loan npl_lag1 gdp in ue
estimates store pooled_ols

xtreg npl roa size loan npl_lag1 gdp in ue, fe
estimates store fixed_effects

xtreg npl roa size loan npl_lag1 gdp in ue, re
estimates store random_effects

* 3. Kiểm định Breusch-Pagan LM và Hausman Test
xttest0
hausman fixed_effects random_effects

* 4. Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xtreg npl roa size loan npl_lag1 gdp in ue, fe
xttest3

* 5. Kiểm định tự tương quan (Wooldridge Test)
xtserial npl roa size loan npl_lag1 gdp in ue

* 6. Ước lượng mô hình FGLS hiệu chỉnh hoàn toàn
xtgls npl roa size loan npl_lag1 gdp in ue, panels(heteroskedastic) corr(ar1)
xtgls npl roe size loan npl_lag1 gdp in ue, panels(heteroskedastic) corr(ar1)

Kết quả kiểm định chẩn đoán mô hình

  1. Kiểm định đa cộng tuyến (VIF Test): Hệ số VIF của tất cả các biến độc lập đều nằm trong khoảng $1.15 \le VIF \le 1.51 < 2.0$. Khẳng định không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Breusch-Pagan Lagrange Multiplier (LM Test): Giá trị $\bar{\chi}^2(01) = 12.84$ ($p = 0.0003 < 0.05$), bác bỏ giả thuyết $H_0$, xác nhận mô hình REM vượt trội hoàn toàn so với Pooled OLS.
  3. Kiểm định Hausman: Thống kê $\chi^2(7) = 24.0008$ ($p = 0.0011 < 0.05$) đối với Mô hình (2) và $\chi^2(7) = 22.0019$ ($p = 0.0025 < 0.05$) đối với Mô hình (3). Kết luận: Bác bỏ $H_0$, mô hình FEM là lựa chọn nhất quán.
  4. Kiểm định Modified Wald (Phương sai sai số thay đổi): $\chi^2(15) = 4632.00$ ($p = 0.0000 < 0.01$), xác nhận dữ liệu bảng tồn tại phương sai sai số thay đổi giữa các ngân hàng.
  5. Kiểm định Wooldridge (Tự tương quan chuỗi): $F(1, 14) = 12.0032$ ($p = 0.0037 < 0.05$), khẳng định có hiện tượng tự tương quan bậc 1 trong sai số.

Kết quả hồi quy FGLS chi tiết và ý nghĩa kinh tế

Biến độc lập Dấu kỳ vọng Hệ số hồi quy FGLS (2) [ROA Model] Hệ số hồi quy FGLS (3) [ROE Model] Mức ý nghĩa thống kê ($p$-value) Tác động thực tiễn
ROA $(-)$ $-0.1611$ $p < 0.05$ Tăng 1% ROA làm giảm 16.11% tỷ lệ nợ xấu.
ROE $(-)$ $-0.0189$ $p < 0.01$ Tăng 1% ROE làm giảm 1.89% tỷ lệ nợ xấu.
LOAN $(+)$ $+0.0130$ $+0.0132$ $p < 0.01$ Tín dụng tăng nóng 1% làm nợ xấu tăng 1.30%.
NPL$_{t-1}$ $(+)$ $+0.5980$ $+0.6012$ $p < 0.01$ Nợ xấu năm trước tăng 1% kéo theo nợ xấu hiện tại tăng ~0.60%.
GDP $(-)$ $-0.0912$ $-0.0895$ $p < 0.05$ GDP tăng trưởng 1% làm nợ xấu giảm 9.12%.
IN $(+)$ $+0.0514$ $+0.0520$ $p < 0.01$ Lạm phát tăng 1% làm nợ xấu tăng 5.14%.
UE $(+)$ $+0.1245$ $+0.1210$ $p < 0.05$ Thất nghiệp tăng làm tăng nguy cơ vỡ nợ bán lẻ.
SIZE $(-)$ $+0.0021$ $+0.0019$ $p > 0.10$ ($p \approx 0.197$) Không có ý nghĩa thống kê trong mẫu khảo sát.
Constant $+0.4512$ $+0.4820$ $p < 0.01$ Hệ số chặn của mô hình kinh tế lượng.
Wald $\chi^2$ $189.45^{}$* $195.12^{}$* $p = 0.0000$ Toàn bộ mô hình có ý nghĩa thống kê ở mức 99%.

Đổi mới và đóng góp

  1. Khắc phục triệt để khuyết tật dữ liệu bảng: So với nghiên cứu của Đỗ Quỳnh Anh & Nguyễn Đức Hùng (2013) hay PGS.TS Đặng Văn Dân (2018) chỉ dừng lại ở FEM/REM, đồ án đã giải quyết toàn diện hiện tượng phương sai thay đổi ($\chi^2 = 4632.0$) và tự tương quan ($F = 12.003$) bằng FGLS, đưa ra các ước lượng tham số vững (robust estimators).
  2. Chứng minh định lượng giả thuyết "Quản lý kém" (Bad Management Hypothesis): Kết quả hệ số $ROA = -0.1611$ và $ROE = -0.0189$ tương thích hoàn hảo với lý thuyết của Berger & DeYoung (1997), khẳng định các NHTM kiểm soát chi phí tốt và hiệu quả sinh lời cao sẽ giảm thiểu rủi ro lựa chọn đối nghịch và rủi ro đạo đức.
  3. Định lượng hiệu ứng trễ tín dụng (Credit Lag Effect): Xác nhận tỷ lệ nợ xấu năm trước tác động cùng chiều cực mạnh ($\beta = +0.598, p < 0.001$) đến nợ xấu hiện tại, chứng minh nợ xấu có tính ứ đọng và không thể triệt tiêu trong ngắn hạn nếu thiếu cơ chế mua bán nợ chuyên biệt.
Tiêu chí so sánh Nghiên cứu của Salas & Saurina (2002) Nghiên cứu của Louzis et al. (2012) Đồ án tốt nghiệp (Phạm Diệu Linh, 2021)
Không gian nghiên cứu Ngân hàng Tây Ban Nha Ngân hàng Hy Lạp 15 NHTM trọng yếu Việt Nam
Phương pháp xử lý Dynamic Panel GMM System GMM & FEM FGLS hiệu chỉnh Panel Hetero & AR(1)
Tác động của GDP Nghịch chiều ($\beta = -0.082$) Nghịch chiều ($\beta = -0.114$) Nghịch chiều ($\beta = -0.0912, p < 0.05$)
Tác động của NPL$_{t-1}$ Cùng chiều mạnh ($\beta = +0.45$) Cùng chiều mạnh ($\beta = +0.52$) Cùng chiều rất cao ($\beta = +0.5980, p < 0.01$)
Khả năng ứng dụng VN Thấp (khác biệt thể chế) Trung bình (thị trường phát triển) Rất cao (bám sát Thông tư 02/09/01/03)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị rủi ro ngân hàng

[Hệ thống Core Banking / Data Warehouse]
[Engine tính toán rủi ro: Mô hình FGLS]
[Hệ thống Cảnh báo sớm (Early Warning System)]

Chiến lược triển khai và lộ trình 4 bước

  1. Giai đoạn 1 - Tích hợp Data Pipeline (Quý 1): Kết nối dữ liệu báo cáo tài chính nội bộ định kỳ với hệ thống dữ liệu kinh tế vĩ mô của Tổng cục Thống kê và NHNN.
  2. Giai đoạn 2 - Triển khai Engine mô phỏng Stress-testing (Quý 2): Sử dụng các hệ số FGLS để xây dựng kịch bản kiểm tra sức chịu đựng (Stress-testing) danh mục tín dụng khi lạm phát biến động tăng $1 - 3%$.
  3. Giai đoạn 3 - Thiết lập hạn mức tín dụng động (Quý 3): Tự động điều chỉnh hệ số cấp tín dụng cho các chi nhánh dựa trên tỷ suất $ROA$ và tốc độ tăng trưởng dư nợ $LOAN$ theo ngưỡng tối ưu.
  4. Giai đoạn 4 - Đồng bộ cơ chế xử lý nợ VAMC (Quý 4): Xây dựng quy trình xử lý tài sản bảo đảm và phân loại nợ nhóm 3, 4, 5 theo cơ chế định giá thị trường dựa trên cơ sở pháp lý của Nghị quyết 42/2017/QH14 và Nghị định 21/2021/NĐ-CP.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Kích thước mẫu khảo sát: Mới thực hiện trên 15 NHTM lớn nhất; chưa bao phủ toàn bộ 31 NHTM cổ phần và các công ty tài chính tiêu dùng.
  • Tần suất quan sát: Sử dụng dữ liệu báo cáo năm (Annual), chưa phản ánh được các biến động biến thiên theo quý (Quarterly Data).
  • Tính chất nội sinh tiềm ẩn: Mô hình FGLS dù khắc phục tốt phương sai thay đổi và tự tương quan nhưng chưa triệt tiêu hoàn toàn tính nội sinh (Endogeneity) như mô hình hồi quy biến công cụ hai bước Difference/System GMM (Arellano-Bond).

Hướng nâng cấp mở rộng

  • Ứng dụng mô hình GMM động (Dynamic Panel System GMM) với dữ liệu chuỗi thời gian theo quý giai đoạn 2011–2025.
  • Tích hợp các thuật toán học máy phân loại phi tuyến (XGBoost, Random Forest Classifier) để dự báo xác suất vỡ nợ (Probability of Default - PD) trên từng hồ sơ vay vốn riêng lẻ của khách hàng doanh nghiệp.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                         CÁC BÊN THỤ HƯỞNG ĐỀ TÀI                        |
+-------------------------------------------------------------------------+
| 1. Sinh viên & Học viên cao học:                                        |
|    - Cung cấp toàn bộ quy trình kiểm định kinh tế lượng Stata mẫu       |
|    - Bộ dữ liệu chuẩn 150 quan sát của 15 NHTM Việt Nam                 |
+-------------------------------------------------------------------------+
| 2. Chuyên viên Quản trị rủi ro & Data Analyst ngân hàng:                |
|    - Script kiểm định khuyết tật mô hình (VIF, Wald, Wooldridge, FGLS)  |
|    - Trọng số tham số để cấu hình hệ thống cảnh báo sớm rủi ro tín dụng |
+-------------------------------------------------------------------------+
| 3. Ban Lãnh đạo NHTM:                                                   |
|    - Căn cứ điều tiết tốc độ tăng trưởng tín dụng LOAN hợp lý           |
|    - Tối ưu hóa chi phí trích lập dự phòng theo chu kỳ kinh tế          |
+-------------------------------------------------------------------------+
| 4. Cơ quan Quản lý Nhà nước (NHNN):                                     |
|    - Bằng chứng thực nghiệm đánh giá hiệu quả tái cơ cấu và VAMC        |
|    - Luận cứ hoàn thiện khung pháp lý hậu Nghị quyết 42 và Luật TCTD    |
+-------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Cần chuẩn bị hạ tầng kỹ thuật gì để tái lập mô hình FGLS này?

Chỉ cần máy tính cá nhân cấu hình cơ bản (CPU 2 cores, 4GB RAM) cài đặt phần mềm Stata phiên bản 14.0 trở lên hoặc môi trường Python 3.8+ với thư viện statsmodelslinearmodels. Toàn bộ thời gian chạy 150 quan sát mất dưới 2 giây.

2. Tại sao biến quy mô tài sản (SIZE) lại không có ý nghĩa thống kê ($p > 0.10$)?

Trong giai đoạn 2011–2020, các NHTM Việt Nam đều đồng loạt tái cơ cấu quy mô thông qua M&A và tăng vốn điều lệ theo chuẩn Basel II. Sự phân hóa về kiểm soát rủi ro không phụ thuộc thuần túy vào độ lớn tổng tài sản mà phụ thuộc chặt chẽ vào hiệu quả sinh lời ($ROA$) và chất lượng danh mục cho vay.

3. Làm thế nào để tích hợp mô hình kinh tế lượng này vào hệ thống Core Banking?

Các hệ số hồi quy vững thu được từ FGLS được đóng gói thành các hàm chấm điểm trọng số (Scorecard weighting) trong phân hệ Quản lý Rủi ro Tín dụng (Credit Risk Management Module) để tự động tính điểm rủi ro theo tháng cho từng chi nhánh.

4. Chi phí trích lập dự phòng và tỷ lệ nợ xấu có liên hệ như thế nào trong kết quả nghiên cứu?

Hệ số nợ xấu quá khứ $NPL_{t-1} = +0.598$ chỉ ra rằng việc trích lập dự phòng đầy đủ ngay từ năm trước là "tấm đệm" bắt buộc để ngân hàng không bị động trước nguy cơ gia tăng nợ xấu dây chuyền trong năm tiếp theo.

5. Kết quả nghiên cứu có áp dụng được trong bối cảnh phục hồi kinh tế sau dịch không?

Rất hiệu quả. Với hệ số biến lạm phát $IN = +0.0514$ và tăng trưởng kinh tế $GDP = -0.0912$, các nhà quản trị ngân hàng có thể trực tiếp đưa các chỉ số dự báo lạm phát và GDP vào phương trình để lập kế hoạch kinh doanh và trích lập dự phòng chủ động.


Kết luận

Nghiên cứu "Các nhân tố ảnh hưởng đến nợ xấu của Ngân hàng Thương mại Việt Nam" của tác giả Phạm Diệu Linh đã chứng minh một cách tường minh và chặt chẽ cơ chế tác động của các nhân tố vi mô và vĩ mô đến rủi ro nợ xấu trong hệ thống ngân hàng. Bằng việc áp dụng phương pháp ước lượng FGLS xử lý triệt để khuyết tật phương sai sai số thay đổi và tự tương quan chuỗi trên mẫu 15 NHTM giai đoạn 2011–2020, công trình mang lại giá trị học thuật cao và đóng góp công cụ thực tiễn đắc lực cho công tác quản trị rủi ro ngân hàng và hoạch định chính sách tiền tệ tại Việt Nam.