Giới thiệu dự án
Trong cấu trúc hiện đại của hệ thống tài chính quốc tế, tỷ trọng thu nhập ngoài lãi (Non-Interest Income - NII) là thước đo quan trọng phản ánh năng lực cạnh tranh, mức độ số hóa và sức chịu đựng rủi ro của các tổ chức tín dụng. Theo thống kê của DeYoung & Rice (2004) và Joaquín Maudos (2017), nguồn thu ngoài lãi chiếm từ 32,4% đến gần 40% tổng thu nhập hoạt động của hệ thống ngân hàng thương mại tại Mỹ và Châu Âu. Ngược lại, tại Việt Nam, theo định hướng từ Quyết định số 986/QĐ-TTg của Thủ tướng Chính phủ về "Chiến lược phát triển ngành Ngân hàng Việt Nam đến năm 2025, định hướng đến năm 2030", mục tiêu đặt ra là nâng tỷ trọng thu nhập dịch vụ phi tín dụng lên 16% – 17% vào cuối năm 2025.
Tuy nhiên, thực tế năm 2022 cho thấy dù tổng thu nhập ngoài lãi của 28 ngân hàng đạt 125.052 tỷ đồng (tăng 11,4% so với năm 2021), tỷ trọng NII trên tổng doanh thu thuần lại sụt giảm 1,7% do sự bất ổn vĩ mô, biến động lãi suất toàn cầu và áp lực gia tăng nợ xấu.
Vấn đề nghiên cứu cụ thể
Hoạt động kinh doanh của các Ngân hàng Thương mại Cổ phần (NHTMCP) Việt Nam đối mặt với 3 điểm nghẽn chính:
- Phụ thuộc quá mức vào tín dụng truyền thống: Rủi ro tập trung tín dụng khiến ngân hàng dễ bị tổn thương khi chu kỳ kinh tế suy giảm và biên thu nhập lãi thuần (Net Interest Margin - NIM) bị thu hẹp.
- Áp lực trích lập dự phòng rủi ro: Khi các cơ chế cơ cấu nợ theo Thông tư 02/2023/TT-NHNN hết hiệu lực, áp lực nợ xấu tăng cao trực tiếp bào mòn lợi nhuận nếu thiếu nguồn đệm từ phí dịch vụ.
- Thiếu vắng mô hình định lượng vi mô - vĩ mô toàn diện: Các nghiên cứu trước đây tại Việt Nam chủ yếu tiếp cận theo trường phái tần suất truyền thống (Frequentist) vốn dễ bị sai lệch khi kích thước mẫu bảng hữu hạn.
Mục tiêu dự án
- Xác định và phân loại các nhân tố nội tại (BSIZE, DEPTA, LTA, ETA, LIQ) và vĩ mô (GDPG, INF) tác động đến tỷ lệ thu nhập ngoài lãi ($NII$).
- Đo lường mức độ và chiều hướng tác động bằng phương pháp hồi quy tuyến tính Bayes (Bayesian Linear Regression) kết hợp thuật toán chuỗi Markov Chain Monte Carlo (MCMC).
- Xây dựng hệ thống khuyến nghị chính sách giúp các nhà quản trị ngân hàng và Ngân hàng Nhà nước (NHNN) thiết lập lộ trình chuyển dịch cơ cấu doanh thu an toàn, bền vững.
Phương pháp tiếp cận và phạm vi nghiên cứu
Đề tài sử dụng phương pháp định lượng thực nghiệm với dữ liệu bảng cân bằng (Balanced Panel Data) gồm 24 NHTMCP niêm yết trên HOSE và HNX trong giai đoạn 12 năm (2011–2022), tạo ra 288 quan sát đã được kiểm toán độc lập. Tiếp cận theo lý thuyết Bayes cho phép kết hợp thông tin tiền nghiệm (Prior Information) với dữ liệu quan sát để tạo ra phân phối xác suất hậu nghiệm (Posterior Distribution) chính xác hơn so với ước lượng OLS/FEM/REM truyền thống.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nhiều nghiên cứu kinh tế lượng về ngân hàng tại Việt Nam (Nguyễn Minh Sáng & Nguyễn Thị Hạnh Hoa, 2013; Vũ Xuân Dũng & Đoàn Việt Hùng, 2018; Nguyễn Thế Bính & Nguyễn Dương Gia Trân, 2021) đã sử dụng các mô hình Pooled OLS, Fixed Effects (FEM), Random Effects (REM) hoặc System GMM.
| Tiêu chí so sánh | Phương pháp Tần suất truyền thống (OLS/FEM/REM/GMM) | Phương pháp Hồi quy Tuyến tính Bayes (MCMC) |
|---|---|---|
| Bản chất tham số | Coi hệ số $\beta$ là hằng số cố định chưa biết. | Coi hệ số $\beta$ là biến ngẫu nhiên tuân theo phân phối xác suất. |
| Xử lý cỡ mẫu nhỏ | Dựa trên giả định mẫu lớn tiệm cận ($N \to \infty$). Dễ chệch khi $N=24$. | Ước lượng chính xác mà không bị phụ thuộc vào giả định mẫu lớn tiệm cận. |
| Sử dụng tri thức chuyên gia | Bỏ qua hoàn toàn các nghiên cứu thực nghiệm trong quá khứ. | Tích hợp phân phối tiên nghiệm (Informative Prior) từ bằng chứng lịch sử. |
| Khoảng tin cậy | Khoảng tin cậy 95% thường bị hiểu sai là xác suất tham số rơi vào khoảng đó. | Khoảng tin cậy hậu nghiệm (95% Credible Interval) thể hiện trực tiếp xác suất. |
Yêu cầu nghiên cứu theo mô hình MoSCoW
- Must have: Làm sạch dữ liệu kiểm toán 24 ngân hàng giai đoạn 2011–2022; thiết lập mô hình hồi quy tuyến tính Bayes; kiểm định hội tụ chuỗi MCMC qua biểu đồ vết (Trace plots) và chỉ số cỡ mẫu hiệu quả (ESS).
- Should have: So sánh 3 cấu trúc tiên nghiệm (Phi thông tin, Chuẩn thông tin, Đa thức); thực hiện kiểm định Bayes Factor và Posterior Model Probability.
- Could have: Đánh giá độ nhạy khoảng tin cậy hậu nghiệm (Interval Testing) tại ngưỡng kiểm định $\beta = 0$.
- Won't have (lần này): Phân tích phi tuyến tính Machine Learning (Random Forest/XGBoost) do yêu cầu tập trung vào suy diễn nhân quả kinh tế lượng chuẩn mực.
Thiết kế hệ thống mô hình và ngăn xếp công nghệ
+-----------------------------------------------------------------------------------+
| MÔ HÌNH HỒI QUY TOÁN HỌC |
| NII_it = β0 + β1*BSIZE_it + β2*DEPTA_it + β3*LTA_it + β4*ETA_it + β5*LIQ_it |
| + β6*GDPG_t + β7*INF_t + ε_it |
+-----------------------------------------------------------------------------------+
| - Biến phụ thuộc: |
| * NII: Thu nhập ngoài lãi thuần / Tổng tài sản bình quân (%) |
| - Biến giải thích nội tại: |
| * BSIZE: Ln(Tổng tài sản) - Quy mô ngân hàng |
| * DEPTA: Tổng tiền gửi khách hàng / Tổng tài sản (%) |
| * LTA: Tổng dư nợ cho vay / Tổng tài sản (%) |
| * ETA: Vốn chủ sở hữu / Tổng tài sản (%) |
| * LIQ: Ln(Tiền mặt + Tiền gửi tại NHNN và TCTD khác) - Thanh khoản |
| - Biến giải thích vĩ mô: |
| * GDPG: Tốc độ tăng trưởng GDP thực tế hàng năm (%) |
| * INF: Tỷ lệ lạm phát CPI hàng năm (%) |
+-----------------------------------------------------------------------------------+
Ngăn xếp công nghệ sử dụng
- Phần mềm tính toán chính: Stata 17.0 (Bayes Suite, MCMC Engine).
- Thuật toán lấy mẫu: Metropolis-Hastings kết hợp Gibbs Sampler (Chuỗi lấy mẫu 10.000 bước, Burn-in 2.500 bước loại bỏ nhiễu ban đầu).
- Hệ thống dữ liệu: Panel Data 24 ngân hàng $\times$ 12 năm ($N=24, T=12, N \times T = 288$).
- Nguồn dữ liệu: Báo cáo tài chính hợp nhất kiểm toán (Vietstock/FiinPro), Niên giám Thống kê (GSO), World Development Indicators (World Bank).
Quy trình nghiên cứu và quản trị rủi ro
| Rủi ro tiềm ẩn | Mức độ | Biện pháp giảm thiểu |
|---|---|---|
| Chuỗi MCMC không hội tụ | Cao | Tăng số vòng lặp lên $12.500$, điều chỉnh bước nhảy (tuning parameter) và áp dụng tiên nghiệm liên hợp nhiều chiều. |
| Hiện tượng đa cộng tuyến | Trung bình | Kiểm tra hệ số phóng đại phương sai (VIF < 5) và ma trận hệ số tương quan Pearson trước khi hồi quy. |
| Dữ liệu BCTC không nhất quán | Trung bình | Sử dụng duy nhất BCTC hợp nhất đã được kiểm toán bởi các đơn vị Big 4 và tuân thủ chuẩn mực VAS. |
Implementation và kết quả
Quy trình thực hiện trên Stata 17
Quá trình ước lượng được thực hiện thông qua module Bayesian Analysis của Stata 17. Đoạn mã dưới đây minh họa cú pháp thiết lập phân phối tiên nghiệm thông tin và thực hiện thuật toán MCMC:
* Thiết lập dữ liệu bảng
clear all
use "nii_bank_vietnam_2011_2022.dta", clear
xtset bank_id year
* Thống kê mô tả dữ liệu bảng
summarize NII BSIZE DEPTA LTA ETA LIQ GDPG INF
* Hồi quy Bayes với tiên nghiệm phân phối chuẩn nhiều chiều hiệu chỉnh
bayes, rseed(12345) ///
mcmcsize(10000) ///
burnin(2500) ///
saving(mcmc_samples.dta, replace) ///
prior({NII:BSIZE}, normal(0.15, 0.05)) ///
prior({NII:DEPTA}, normal(-0.02, 0.01)) ///
prior({NII:LTA}, normal(-0.03, 0.01)) ///
prior({NII:ETA}, normal(0.08, 0.02)) ///
prior({NII:LIQ}, normal(-0.10, 0.03)) ///
prior({NII:GDPG}, normal(-0.01, 0.005)) ///
prior({NII:INF}, normal(-0.02, 0.005)): ///
regress NII BSIZE DEPTA LTA ETA LIQ GDPG INF
* Kiểm tra hội tụ và độ hiệu quả của chuỗi MCMC
bayesstats ess
bayesstats summary, credint
bayesgraph diagnostics {NII:BSIZE} {NII:ETA} {NII:LTA}
bayesgraph diagnostics {NII:DEPTA} {NII:LIQ} {NII:GDPG} {NII:INF}
Kiểm định và đánh giá độ hội tụ MCMC
Để đảm bảo độ tin cậy của phân phối hậu nghiệm, chuỗi MCMC của mô hình hiệu chỉnh đã trải qua 5 kiểm định nghiêm ngặt:
- Biểu đồ vết (Trace Plots): Đường dao động di chuyển ổn định trong dải ngang cố định, không có xu hướng trôi dạt (no drift), chứng minh chuỗi đã ổn định sau giai đoạn Burn-in 2.500 bước.
- Biểu đồ tự tương quan (Autocorrelation Plots): Hệ số tự tương quan giảm nhanh về 0 chỉ sau một vài độ trễ (lag < 10), loại bỏ hoàn toàn sự phụ thuộc chuỗi.
- Biểu đồ phân phối & Mật độ hạt nhân (Histogram & Kernel Density): Phân phối hậu nghiệm của các tham số có dạng chuông đối xứng chuẩn mực, khớp hoàn hảo giữa nửa đầu và nửa sau của chuỗi mẫu.
- Cỡ mẫu hiệu quả (Effective Sample Size - ESS): Toàn bộ các tham số đều đạt $ESS > 1.200$ (vượt xa ngưỡng tối thiểu 500), với tỷ lệ hiệu quả (Efficiency) $> 0,12$.
- Sai số chuẩn Monte Carlo (MCSE): Tỷ lệ $MCSE / \text{Posterior SD} < 0,02$ cho tất cả các biến, chứng minh độ chính xác tính toán đạt mức tiệm cận tuyệt đối.
Kết quả ước lượng thực nghiệm
Sau khi so sánh 3 cấu trúc mô hình qua chỉ số Log Marginal Likelihood và Bayes Factor, mô hình Bayes với tiên nghiệm hiệu chỉnh đa thức được chọn là mô hình tối ưu nhất.
| Biến số | Dấu kỳ vọng | Trung bình Hậu nghiệm (Mean) | Độ lệch chuẩn (Std. Dev.) | Khoảng tin cậy 95% (Equal-Tailed) | Kết luận giả thuyết |
|---|---|---|---|---|---|
| BSIZE | $(+)$ | $+0,1842$ | $0,0312$ | $[+0,1230 ; +0,2454]$ | Chấp nhận $H_1$ ($P(\beta > 0) = 1,00$) |
| DEPTA | $(+)$ | $-0,0284$ | $0,0071$ | $[-0,0423 ; -0,0145]$ | Bác bỏ $H_2$, Ngược chiều ($P(\beta < 0) = 1,00$) |
| LTA | $(-)$ | $-0,0341$ | $0,0085$ | $[-0,0508 ; -0,0174]$ | Chấp nhận $H_3$ ($P(\beta < 0) = 1,00$) |
| ETA | $(+)$ | $+0,0925$ | $0,0214$ | $[+0,0505 ; +0,1345]$ | Chấp nhận $H_4$ ($P(\beta > 0) = 1,00$) |
| LIQ | $(-)$ | $-0,1128$ | $0,0246$ | $[-0,1610 ; -0,0646]$ | Chấp nhận $H_5$ ($P(\beta < 0) = 1,00$) |
| GDPG | $(+)$ | $-0,0147$ | $0,0042$ | $[-0,0229 ; -0,0065]$ | Bác bỏ $H_6$, Ngược chiều ($P(\beta < 0) = 0,99$) |
| INF | $(-)$ | $-0,0263$ | $0,0061$ | $[-0,0382 ; -0,0144]$ | Chấp nhận $H_7$ ($P(\beta < 0) = 1,00$) |
Đổi mới và đóng góp
Đổi mới về mặt học thuật và phương pháp luận
- Tiên phong ứng dụng suy diễn Bayes: Thay vì chấp nhận các hạn chế của giá trị p-value trong phương pháp tần suất truyền thống, nghiên cứu thiết lập phân phối hậu nghiệm đầy đủ, cho phép kết luận chính xác về xác suất thực tế của các tham số kinh tế.
- Giải quyết tranh luận thực nghiệm: Kết quả giải thích rõ nguyên nhân vì sao tỷ lệ tiền gửi (DEPTA) và tăng trưởng kinh tế (GDPG) lại tác động ngược chiều với TNNL tại thị trường tài chính mới nổi như Việt Nam:
- Hiệu ứng thay thế tiền gửi: Tiền gửi tăng mạnh khiến các ngân hàng thương mại tập trung nguồn vốn giá rẻ để mở rộng cho vay lấy lãi, lơ là việc mở rộng sản phẩm thu phí.
- Hiệu ứng chu kỳ kinh tế thuận: Khi GDP tăng trưởng nóng, các doanh nghiệp gia tăng nhu cầu vay vốn tín dụng, dẫn đến việc các ngân hàng dồn toàn lực phục vụ mảng cho vay thay vì đầu tư chiều sâu vào mảng dịch vụ.
| Nghiên cứu so sánh | Phương pháp tiếp cận | Mẫu & Thời gian | Hạn chế chính | Khắc phục trong đề tài này |
|---|---|---|---|---|
| Nguyễn Minh Sáng & cộng sự (2013) | Pooled OLS | 29 NHTM (2006–2012) | Bỏ qua yếu tố vĩ mô và sai số chuỗi bảng. | Kết hợp 2 biến vĩ mô và xử lý tự tương quan bằng MCMC. |
| Vũ Xuân Dũng & Đoàn Việt Hùng (2018) | Fixed Effects (FEM) | 27 NHTM (2005–2016) | Biến quy mô không có ý nghĩa thống kê do chệch mẫu. | Khẳng định BSIZE có tác động tích cực cực mạnh với xác suất 100%. |
| Nguyễn Thế Bính & Gia Trân (2021) | SGMM | 25 NHTM (2009–2020) | GDPG không có ý nghĩa thống kê; chưa cập nhật biến động hậu COVID. | Dữ liệu đến hết 2022; xác định rõ tác động ngược chiều của GDPG. |
Ứng dụng thực tế và triển khai
Dựa trên kết quả thực nghiệm, đề tài xây dựng lộ trình giải pháp có thể triển khai trực tiếp vào chiến lược kinh doanh của các NHTMCP:
1. Dành cho các nhà hoạch định chiến lược tại Ngân hàng Thương mại
- Tận dụng tính kinh tế theo quy mô (BSIZE: $+0,1842$): Các ngân hàng quy mô lớn cần khai thác mạng lưới khách hàng sẵn có để bán chéo (cross-selling) các gói sản phẩm giá trị gia tăng cao: ngân hàng số (Digital Banking), tư vấn tài chính, bảo lãnh phát hành chứng khoán và tài trợ thương mại.
- Tối ưu hóa đệm vốn chủ sở hữu (ETA: $+0,0925$): Tăng cường tích lũy vốn tự có để mở rộng hạn mức đầu tư vào thị trường ngoại hối (FX Trading), công cụ phái sinh và dịch vụ lưu ký tài sản.
- Kiểm soát chi phí cơ hội thanh khoản (LIQ: $-0,1128$): Ứng dụng công nghệ dự báo dòng tiền bằng AI/Machine Learning để giảm lượng tiền mặt nhàn rỗi tại két, điều chuyển vốn sang các tài sản phi tín dụng có khả năng sinh lời cao hơn.
- Đa dạng hóa nguồn thu phí dịch vụ thuần: Đẩy mạnh phát triển mảng bảo hiểm liên kết ngân hàng (Bancassurance) minh bạch, ngân hàng thanh toán qua cổng Open API và dịch vụ quản lý gia sản (Wealth Management).
2. Dành cho Ngân hàng Nhà nước và Cơ quan Quản lý Vĩ mô
- Hoàn thiện khung pháp lý ngân hàng số: Ban hành các quy chuẩn kỹ thuật mở (Open Banking Framework) nhằm tạo điều kiện cho các NHTMCP kết nối với hệ sinh thái Fintech, thương mại điện tử, gia tăng thu phí thanh toán.
- Kiểm soát rủi ro hệ thống: Điều hành chính sách tiền tệ ổn định lạm phát (INF: $-0,0263$), khuyến khích các ngân hàng giảm tỷ trọng tín dụng truyền thống (LTA: $-0,0341$) để bảo đảm an toàn hệ thống theo chuẩn Basel III.
Hạn chế và hướng phát triển
Hạn chế của đề tài
- Phạm vi dữ liệu: Mẫu nghiên cứu mới dừng lại ở 24 NHTMCP niêm yết do yêu cầu về tính minh bạch của báo cáo kiểm toán, chưa bao quát được các ngân hàng thương mại 100% vốn nhà nước (Agribank) hoặc ngân hàng liên doanh/nước ngoài.
- Chi tiết cơ cấu TNNL: Do hạn chế thuyết minh BCTC theo chuẩn VAS, nghiên cứu chưa bóc tách sâu tỷ trọng từng cấu phần nhỏ (phí dịch vụ thẻ, phí bancassurance, lãi thuần từ kinh doanh trái phiếu chính phủ).
Hướng nghiên cứu tiếp theo
- Mở rộng mô hình kinh tế lượng: Ứng dụng mô hình Vector Autoregression Bayes (BVAR) hoặc mô hình Hồi quy Thứ bậc Bayes (Bayesian Hierarchical Modeling) để đánh giá tác động trễ và độ biến động theo thời gian (Time-Varying Parameters).
- Tích hợp các nhân tố phi tài chính: Đưa vào mô hình các chỉ số về mức độ số hóa (Digital Index), chi tiêu cho hạ tầng công nghệ thông tin (IT Expenditure) và chỉ số quản trị ESG (Environmental, Social, Governance).
Đối tượng hưởng lợi
+-------------------+-----------------------------------------------------------------------+
| ĐỐI TƯỢNG | GIÁ TRỊ VÀ LỢI ÍCH ĐỊNH LƯỢNG |
+-------------------+-----------------------------------------------------------------------+
| Sinh viên & Học viên| - Bộ tài liệu mẫu mực về phương pháp kinh tế lượng Bayes trên Stata |
| Sau đại học | - Mã nguồn và quy trình kiểm định chuỗi MCMC hoàn chỉnh |
+-------------------+-----------------------------------------------------------------------+
| Lãnh đạo Ngân hàng| - Cơ sở thực nghiệm định lượng để tái cơ cấu danh mục tài sản |
| & Chuyên viên ALM | - Giảm phụ thuộc vào NIM, hướng tới tăng trưởng 16-17% tỷ trọng NII |
+-------------------+-----------------------------------------------------------------------+
| Kỹ sư Dữ liệu | - Khung kiến trúc tích hợp dữ liệu tài chính vĩ mô và vi mô |
| Fintech & Quant | - Phương pháp luận xây dựng các thuật toán phân bổ vốn Bayesian |
+-------------------+-----------------------------------------------------------------------+
| Nhà nghiên cứu | - Bằng chứng thực nghiệm đa biến giải quyết các tranh luận học thuật |
| Kinh tế lượng | - Cầu nối kết hợp phân phối tiên nghiệm vào phân tích tài chính VN |
+-------------------+-----------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật phần cứng và phần mềm để tái lập mô hình hồi quy Bayes này?
Hệ thống cần tối thiểu 8GB RAM, CPU đa nhân (Intel Core i5/AMD Ryzen 5 trở lên) và cài đặt phần mềm Stata phiên bản 17.0 trở lên. Quá trình lấy mẫu MCMC 12.500 bước trên bộ dữ liệu bảng 288 quan sát mất khoảng 15–30 giây tính toán.
2. Vì sao biến thanh khoản (LIQ) và tiền gửi (DEPTA) lại có hệ số âm đối với thu nhập ngoài lãi?
Hệ số âm của biến $LIQ$ ($-0,1128$) phản ánh chi phí cơ hội: ngân hàng giữ quá nhiều tiền mặt tại quỹ sẽ mất cơ hội đầu tư sinh lời từ các hoạt động phi tín dụng. Đối với biến $DEPTA$ ($-0,0284$), lượng tiền gửi dồi dào kích thích các ngân hàng ưu tiên mở rộng quy mô tín dụng truyền thống để tối đa hóa thu nhập từ lãi, dẫn đến suy giảm tương đối tỷ trọng các hoạt động tạo thu nhập ngoài lãi.
3. Phương pháp Bayes có gặp phải hiện tượng quá khớp (Overfitting) khi mẫu nhỏ không?
Không. Phương pháp Bayes kết hợp phân phối tiên nghiệm (Prior Regularization) đóng vai trò như một cơ chế phạt tự nhiên (tương tự như kỹ thuật Ridge/Lasso trong học máy), giúp kiểm soát độ phức tạp của mô hình và ngăn chặn hiện tượng quá khớp cực kỳ hiệu quả trên các mẫu dữ liệu bảng hữu hạn.
4. Các ngân hàng có thể triển khai kết quả nghiên cứu này vào hệ thống ALM (Quản trị Tài sản Nợ - Có) như thế nào?
Bộ phận ALM có thể tích hợp các hệ số hồi quy hậu nghiệm vào mô hình phân bổ vốn kinh tế (Economic Capital Allocation), từ đó thiết lập tỷ lệ đệm vốn $ETA$ tối ưu và giới hạn thanh khoản $LIQ$ mục tiêu nhằm cân bằng giữa khả năng sinh lời ngoài lãi và an toàn thanh khoản.
5. Tại sao nghiên cứu sử dụng thuật toán Metropolis-Hastings thay vì Gibbs Sampling thuần túy?
Trong các mô hình hồi quy tuyến tính có nhiều biến giải thích và cấu trúc tiên nghiệm liên hợp phức tạp, thuật toán lai Metropolis-Hastings kết hợp Gibbs Sampling đảm bảo khả năng duyệt toàn bộ không gian tham số nhanh chóng, giảm thiểu độ trễ tự tương quan và tối đa hóa cỡ mẫu hiệu quả ($ESS$).
Kết luận
Đồ án khóa luận đã giải quyết bài toán cấp bách của hệ thống NHTMCP Việt Nam trong quá trình chuyển dịch mô hình kinh doanh từ phụ thuộc tín dụng sang đa dạng hóa nguồn thu. Bằng việc ứng dụng phương pháp kinh tế lượng Hồi quy tuyến tính Bayes qua chuỗi MCMC trên phần mềm Stata 17, nghiên cứu đã chứng minh một cách nhất quán rằng:
- Quy mô ngân hàng ($BSIZE$) và Quy mô vốn chủ sở hữu ($ETA$) là hai động lực thúc đẩy mạnh mẽ sự gia tăng của thu nhập ngoài lãi.
- Quy mô tiền gửi ($DEPTA$), Quy mô tín dụng ($LTA$), Thanh khoản ($LIQ$), Tăng trưởng kinh tế ($GDPG$) và Lạm phát ($INF$) có mối tương quan nghịch chiều với tỷ lệ $NII$.
Công trình không chỉ đóng góp một phương pháp tiếp cận định lượng chuẩn mực cho lĩnh vực tài chính - ngân hàng tại Việt Nam mà còn là bản chỉ dẫn chiến lược thực tế giúp các tổ chức tín dụng tái cấu trúc danh mục, quản trị rủi ro nợ xấu và hiện thực hóa mục tiêu tăng trưởng bền vững theo chỉ đạo của Ngân hàng Nhà nước.