Giới thiệu dự án

Khả năng sinh lời (KNSL) của hệ thống ngân hàng thương mại (NHTM) là chỉ số cốt lõi phản ánh sức khỏe tài chính và năng lực phân bổ nguồn lực của một nền kinh tế. Trong giai đoạn 2011–2021, ngành ngân hàng Việt Nam trải qua nhiều chu kỳ tái cấu trúc sâu rộng theo các đề án của Ngân hàng Nhà nước (NHNN), từ giai đoạn xử lý nợ xấu sau khủng hoảng tài chính toàn cầu (Thông tư 21/2012/TT-NHNN, Đề án 254/QĐ-TTg) đến áp dụng chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN) và các cú sốc vĩ mô từ đại dịch COVID-19 (World Bank ghi nhận tăng trưởng GDP toàn cầu giảm 5,2% năm 2020).

Vấn đề đặt ra là việc xác định tương quan đánh đổi giữa lợi nhuận và rủi ro: Duy trì thanh khoản và vốn chủ sở hữu cao giúp tăng hệ số an toàn nhưng lại làm tăng chi phí cơ hội, trong khi tăng trưởng tín dụng nóng tiềm ẩn rủi ro nợ xấu. Đồng thời, các mô hình kinh tế lượng tĩnh truyền thống thường bỏ qua tính nội sinh (endogeneity) và tính trễ động của lợi nhuận, dẫn đến sai lệch trong kết luận thực nghiệm.

Khóa luận tốt nghiệp chuyên ngành Tài chính - Ngân hàng (Mã số: 7 34 02 01) của tác giả Lê Nguyễn Anh Thư, dưới sự hướng dẫn của TS. Hồ Công Hưởng tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (2023), được triển khai nhằm giải quyết triệt để các khoảng trống nghiên cứu trên.

Mục tiêu nghiên cứu

  1. Xác định các nhân tố tác động: Định danh hệ thống các biến vi mô nội tại của ngân hàng và biến vĩ mô nền kinh tế ảnh hưởng đến KNSL của các NHTM Việt Nam.
  2. Đo lường mức độ và chiều hướng tác động: Lượng hóa các hệ số co giãn của từng nhân tố lên hai chỉ tiêu đại diện KNSL là tỷ suất sinh lời trên tổng tài sản bình quân (ROA) và tỷ suất sinh lời trên vốn chủ sở hữu bình quân (ROE).
  3. Khắc phục các khuyết tật mô hình: Ứng dụng phương pháp hồi quy moment tổng quát (System GMM) để giải quyết hiện tượng nội sinh, tự tương quan và phương sai sai số thay đổi trong dữ liệu bảng.
  4. Đề xuất hàm ý chính sách: Xây dựng khung khuyến nghị thực tiễn cho các nhà quản trị ngân hàng và cơ quan quản lý (NHNN) nhằm tối ưu hóa hiệu quả hoạt động và phòng ngừa rủi ro.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Nghiên cứu kết hợp phân tích định tính (tổng quan cơ sở lý thuyết tài chính trung gian, lý thuyết cấu trúc thị trường - hiệu quả) và phương pháp định lượng thực nghiệm trên bộ dữ liệu bảng cân bằng (Balanced Panel Data). Mô hình sử dụng phương pháp GMM hai bước (Two-step System GMM) với hiệu chỉnh sai số chuẩn mẫu nhỏ Windmeijer trên phần mềm Stata 17.
  • Kết quả đo lường kỳ vọng: Cung cấp các hệ số ước lượng có ý nghĩa thống kê ($p < 0,05$), vượt qua các kiểm định chẩn đoán công cụ ngoại sinh (Hansen J-test) và kiểm định tự tương quan sai số (Arellano-Bond AR(1), AR(2)).
  • Phạm vi và giới hạn: Bộ dữ liệu bao gồm 27 NHTM cổ phần tại Việt Nam có báo cáo tài chính kiểm toán liên tục trong 11 năm (2011–2021), tạo thành 297 quan sát. Dữ liệu vĩ mô được trích xuất từ cơ sở dữ liệu chính thức của Ngân hàng Thế giới (World Bank). Giới hạn nghiên cứu không bao gồm các ngân hàng thương mại 100% vốn nước ngoài hoặc ngân hàng bị kiểm soát đặc biệt do thiếu tính đồng nhất về chuỗi số liệu tài chính.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu KNSL ngân hàng đòi hỏi phải đối chiếu các phương pháp ước lượng kinh tế lượng để làm rõ ưu và nhược điểm:

Phương pháp hồi quy Ưu điểm Nhược điểm / Hạn chế kỹ thuật Tính phù hợp với đề tài
Pooled OLS (Bình phương nhỏ nhất thông thường) Đơn giản, trực quan, dễ tính toán hệ số góc toàn cục. Giả định sai số hoàn toàn ngẫu nhiên; bỏ qua đặc trưng riêng lẻ bất biến theo thời gian của từng ngân hàng ($\alpha_i$). Bị bác bỏ qua kiểm định $F$-test và Breusch-Pagan LM test ($p < 0,001$).
FEM (Fixed Effects Model - Tác động cố định) Kiểm soát được các đặc tính riêng biệt không quan sát được của từng ngân hàng. Không xử lý được hiện tượng nội sinh phát sinh từ biến trễ phụ thuộc ($Y_{i,t-1}$) và biến độc lập; sai số chuẩn bị lệch khi có tự tương quan. Chưa tối ưu, tồn tại khuyết tật phương sai sai số thay đổi qua kiểm định Wald ($p < 0,001$).
REM (Random Effects Model - Tác động ngẫu nhiên) Tiết kiệm bậc tự do, cho phép ước lượng các biến không đổi theo thời gian. Giả định nghiêm ngặt $\text{Cov}(\alpha_i, X_{it}) = 0$. Thường bị vi phạm trong tài chính ngân hàng. Bị bác bỏ bởi kiểm định Hausman ($p < 0,05$) khi so sánh với FEM.
Two-step System GMM (Moment tổng quát hai bước) Kiểm soát hoàn toàn tính nội sinh, biến trễ $Y_{i,t-1}$, phương sai sai số thay đổi và tự tương quan sai số bậc 1. Yêu cầu số lượng ngân hàng ($N$) đủ lớn so với thời gian ($T$) để tránh bùng nổ biến công cụ (instrument proliferation). Lựa chọn tối ưu nhất, được kiểm chứng qua kiểm định Hansen và Arellano-Bond.

So sánh với các nghiên cứu tiền nhiệm tại thị trường Việt Nam và quốc tế:

  • Lê Đồng Duy Trung (2020): Sử dụng GMM cho 30 NHTM giai đoạn 2009–2017 nhưng chưa cập nhật chu kỳ biến động của đại dịch COVID-19.
  • Hồ Thị Lam & Nguyễn Ngọc Hoàng Anh (2022): Sử dụng phương pháp FGLS trên 25 NHTM niêm yết (2010–2020), giải quyết được phương sai thay đổi nhưng chưa xử lý triệt để tính nội sinh động của biến KNSL trễ.
  • Connell (2022), Trujillo-Ponce (2012): Thiết lập chuẩn mực thực nghiệm GMM tại thị trường phát triển (Anh, Tây Ban Nha), tạo cơ sở đối sánh cho thị trường mới nổi như Việt Nam.

Ưu tiên yêu cầu thực nghiệm (MoSCoW)

  • Must-have (Bắt buộc): Kiểm định đa cộng tuyến (VIF < 10), kiểm định tương quan ma trận Pearson, kiểm định Breusch-Pagan LM, Hausman, Modified Wald test và Wooldridge test; khắc phục khuyết tật bằng System GMM.
  • Should-have (Nên có): Phân tích so sánh song song giữa hai biến phụ thuộc ROA và ROE để đánh giá tác động của đòn bẩy tài chính.
  • Could-have (Có thể có): Mở rộng đánh giá chỉ số NIM (Net Interest Margin) và các tương tác phi tuyến.
  • Won't-have (Không thực hiện): Không áp dụng mô hình tĩnh không hiệu chỉnh cho các kết luận chính sách cuối cùng.

Thiết kế hệ thống nghiên cứu kinh tế lượng

Technology Stack & Công cụ sử dụng

  • Stata/SE 17.0: Nền tảng cốt lõi thực hiện hồi quy dữ liệu bảng, phân tích ma trận tương quan, kiểm định chẩn đoán và chạy gói lệnh xtabond2 (Roodman, 2009).
  • Python 3.10 (Pandas, NumPy): Công cụ hỗ trợ tiền xử lý, định dạng bảng cân bằng và kiểm tra tính toàn vẹn dữ liệu.
  • Microsoft Excel 365: Trích xuất, chuẩn hóa bảng cân đối kế toán và báo cáo kết quả kinh doanh của 27 NHTM.
  • LaTeX / BibTeX: Soạn thảo công thức toán học và quản lý tài liệu tham khảo học thuật.

Cấu trúc bảng dữ liệu (Data Schema)

Tên biến Ký hiệu Loại biến Công thức / Đo lường Nguồn dữ liệu
Lợi nhuận trên tài sản $ROA_{it}$ Phụ thuộc $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$ BCTC kiểm toán
Lợi nhuận trên vốn chủ $ROE_{it}$ Phụ thuộc $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ BCTC kiểm toán
Tỷ lệ thanh khoản $LIQ_{it}$ Độc lập (Vi mô) $\text{Tài sản thanh khoản} / \text{Tổng tài sản}$ BCTC kiểm toán
Dư nợ cho vay $LOAN_{it}$ Độc lập (Vi mô) $\text{Tổng dư nợ cho vay khách hàng} / \text{Tổng tài sản}$ BCTC kiểm toán
Tỷ lệ chi phí hoạt động $COST_{it}$ Độc lập (Vi mô) $\text{Tổng chi phí hoạt động} / \text{Tổng tài sản}$ BCTC kiểm toán
Tỷ lệ an toàn vốn $CAP_{it}$ Độc lập (Vi mô) $\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ BCTC kiểm toán
Quy mô ngân hàng $SIZE_{it}$ Độc lập (Vi mô) $\ln(\text{Tổng tài sản})$ BCTC kiểm toán
Thu nhập ngoài lãi $DIA_{it}$ Độc lập (Vi mô) $\text{Thu nhập ngoài lãi thuần} / \text{Tổng tài sản}$ BCTC kiểm toán
Tăng trưởng kinh tế $GDP_t$ Độc lập (Vĩ mô) $\text{Tốc độ tăng trưởng GDP thực tế hàng năm (%)} $ World Bank
Tỷ lệ lạm phát $INF_t$ Độc lập (Vĩ mô) $\text{Tỷ lệ thay đổi chỉ số giá tiêu dùng CPI (%)} $ World Bank

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình kinh tế lượng ứng dụng chuẩn hóa qua 5 giai đoạn:

  1. Thu thập & Tiền xử lý dữ liệu: Lọc chọn 27 NHTM đáp ứng tiêu chí hoạt động liên tục 2011–2021; chuyển đổi dữ liệu thô sang dạng panel cân bằng ($N=27, T=11, N \times T = 297$).
  2. Thống kê mô tả & Phân tích ma trận tương quan: Tính toán các giá trị Mean, Std. Dev., Min, Max; kiểm tra đa cộng tuyến bằng hệ số tương quan Pearson và Variance Inflation Factor (VIF).
  3. Ước lượng tĩnh & Kiểm định chọn mô hình:
    • Chạy Pooled OLS, FEM, REM.
    • Kiểm định $F$-test: Kiểm tra hiệu ứng cố định của từng ngân hàng.
    • Kiểm định Breusch-Pagan LM: So sánh Pooled OLS với REM.
    • Kiểm định Hausman: Xác định tính thích hợp giữa FEM và REM.
  4. Kiểm định chẩn đoán khuyết tật:
    • Kiểm định Modified Wald: Phát hiện hiện tượng phương sai sai số thay đổi giữa các thực thể (Groupwise Heteroskedasticity).
    • Kiểm định Wooldridge: Phát hiện hiện tượng tự tương quan bậc nhất (First-order Autocorrelation).
  5. Ước lượng động System GMM & Kiểm định hậu nghiệm:
    • Sử dụng biến trễ bậc 1 ($ROA_{i,t-1}, ROE_{i,t-1}$) làm biến giải thích.
    • Kiểm định Arellano-Bond: Đảm bảo có tự tương quan bậc 1 ($AR(1) < 0,05$) nhưng không có tự tương quan bậc 2 ($AR(2) > 0,05$).
    • Kiểm định Hansen: Kiểm tra tính hợp lệ của toàn bộ biến công cụ (Overidentifying restrictions, $p > 0,10$).

Implementation và kết quả

Quy trình thực thi mô hình (Development Process)

Phương trình hồi quy động tổng quát có dạng:

$$Y_{it} = \alpha_0 + \delta Y_{i,t-1} + \beta_1 LIQ_{it} + \beta_2 LOAN_{it} + \beta_3 COST_{it} + \beta_4 CAP_{it} + \beta_5 SIZE_{it} + \beta_6 DIA_{it} + \beta_7 GDP_t + \beta_8 INF_t + \eta_i + \varepsilon_{it}$$

Trong đó $Y_{it}$ lần lượt là $ROA_{it}$ (Mô hình 1) hoặc $ROE_{it}$ (Mô hình 2); $Y_{i,t-1}$ là độ trễ bậc 1 của KNSL; $\eta_i$ là sai số đặc trưng riêng bất biến của ngân hàng $i$; $\varepsilon_{it}$ là sai số ngẫu nhiên.

Đoạn mã thực thi trên Stata 17 (.do script):

*-------------------------------------------------------------------------------
* KHÓA LUẬN: PHÂN TÍCH NHÂN TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG SINH LỜI CỦA 27 NHTM VN
* PHẦN MỀM: STATA 17 | PHƯƠNG PHÁP: TWO-STEP SYSTEM GMM VỚI WINDMEIJER CORRECTION
*-------------------------------------------------------------------------------

* 1. Khai báo cấu trúc dữ liệu bảng
clear all
use "D:\Research_Data\NHTM_Vietnam_2011_2021.dta", clear
xtset bank_id year

* 2. Thống kê mô tả và Ma trận tương quan
summarize ROA ROE LIQ LOAN COST CAP SIZE DIA GDP INF
pwcorr ROA ROE LIQ LOAN COST CAP SIZE DIA GDP INF, sig star(0.05)

* 3. Kiểm định đa cộng tuyến (VIF) qua hồi quy OLS phụ trợ
regress ROA LIQ LOAN COST CAP SIZE DIA GDP INF
vif

* 4. Kiểm định chẩn đoán mô hình tĩnh (FEM vs REM)
xtreg ROA LIQ LOAN COST CAP SIZE DIA GDP INF, fe
estimates store fe_model
xtreg ROA LIQ LOAN COST CAP SIZE DIA GDP INF, re
estimates store re_model
hausman fe_model re_model

* Kiểm định phương sai thay đổi và tự tương quan trên mô hình FEM
xttest3
xtserial ROA LIQ LOAN COST CAP SIZE DIA GDP INF

* 5. Ước lượng Two-step System GMM (Mô hình 1: ROA)
xtabond2 ROA L.ROA LIQ LOAN COST CAP SIZE DIA GDP INF, ///
    gmm(L.ROA LIQ LOAN COST CAP, laglimits(2 4) collapse) ///
    iv(SIZE DIA GDP INF) ///
    twostep robust small orthogonal

* 6. Ước lượng Two-step System GMM (Mô hình 2: ROE)
xtabond2 ROE L.ROE LIQ LOAN COST CAP SIZE DIA GDP INF, ///
    gmm(L.ROE LIQ LOAN COST CAP, laglimits(2 4) collapse) ///
    iv(SIZE DIA GDP INF) ///
    twostep robust small orthogonal

Kết quả kiểm định và chẩn đoán mô hình

Các bước kiểm định chẩn đoán được thực hiện tuần tự để chứng minh tính tất yếu của việc sử dụng System GMM:

Kết quả ước lượng thực nghiệm

Tổng hợp kết quả hồi quy Two-step System GMM của 2 mô hình KNSL:

Biến độc lập Kỳ vọng dấu Mô hình 1: ROA (Hệ số $\beta$) Mô hình 2: ROE (Hệ số $\beta$) Ý nghĩa thống kê & Tác động thực tế
Biến trễ ($Y_{t-1}$) $+$ $+0,342^{***}$ ($p=0,000$) $+0,285^{***}$ ($p=0,001$) KNSL mang tính bền vững qua các năm.
LIQ (Thanh khoản) $+$ $+0,018^{**}$ ($p=0,024$) $+0,145^{**}$ ($p=0,018$) Tăng thanh khoản giúp giảm chi phí tài trợ khẩn cấp, tăng KNSL.
LOAN (Dư nợ) $+$ $+0,022^{***}$ ($p=0,004$) $+0,186^{***}$ ($p=0,002$) Tín dụng là nguồn tạo thu nhập lãi biên chính của NHTM.
COST (Chi phí HĐ) $-$ $-0,075^{***}$ ($p=0,001$) $+0,214^{**}$ ($p=0,035$) Giảm ROA do đội chi phí tài sản, nhưng tăng ROE ở các ngân hàng có hiệu quả sử dụng đòn bẩy lớn.
CAP (Vốn CSH) $-$ $-0,031^{**}$ ($p=0,032$) $-0,412^{***}$ ($p=0,000$) Tỷ lệ vốn CSH quá cao làm giảm tác động tích cực của đòn bẩy tài chính và lá chắn thuế.
SIZE (Quy mô) $-$ $-0,008^{**}$ ($p=0,041$) $-0,012$ ($p=0,450$) Quy mô tài sản phình to dẫn đến chi phí quản trị tăng (tính phi kinh tế theo quy mô đối với ROA).
DIA (Thu nhập ngoài) $+$ $+0,124^{***}$ ($p=0,000$) $+0,892^{***}$ ($p=0,000$) Tác động dương mạnh nhất; đa dạng hóa dịch vụ thúc đẩy KNSL vượt bậc.
GDP (Tăng trưởng) $+$ $+0,004$ ($p=0,210$) $+0,018$ ($p=0,320$) Chưa ghi nhận ý nghĩa thống kê rõ nét trong giai đoạn 2011–2021.
INF (Lạm phát) $-$ $+0,012^{*}$ ($p=0,085$) $-0,045^{**}$ ($p=0,042$) Lạm phát bào mòn KNSL trên vốn chủ (ROE) do chi phí vốn tăng nhanh hơn lãi vay.
AR(1) test ($p$-value) $p = 0,0012$ $p = 0,0025$ Thỏa mãn điều kiện có AR(1).
AR(2) test ($p$-value) $p = 0,3842$ $p = 0,4120$ Thỏa mãn điều kiện không có AR(2).
Hansen J-test ($p$-val) $p = 0,2415$ $p = 0,1980$ Thỏa mãn tính hợp lệ của biến công cụ ngoại sinh.

Ghi chú: $^{}$, $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê tại $1%$, $5%$ và $10%$.

Đổi mới và đóng góp

Đổi mới phương pháp luận và kỹ thuật xử lý

Nghiên cứu mang lại 4 đóng góp kỹ thuật chính:

  1. Khắc phục triệt để tính nội sinh: Việc ứng dụng System GMM giúp kiểm soát hiện tượng nội sinh phát sinh từ quan hệ hai chiều giữa KNSL và tỷ lệ vốn chủ sở hữu (CAP), cũng như mối liên hệ giữa chi phí hoạt động và quy mô tài sản.
  2. Kỹ thuật nén biến công cụ (Instrument Collapse): Áp dụng kỹ thuật collapse trong Stata 17 để giới hạn số lượng ma trận công cụ, ngăn chặn hiện tượng làm sai lệch kiểm định Hansen J-test do số lượng công cụ vượt quá số lượng quan sát thực thể ($N=27$).
  3. Hiệu chỉnh sai số chuẩn Windmeijer (2005): Khắc phục nhược điểm đánh giá thấp sai số chuẩn hữu hạn mẫu trong ước lượng Two-step GMM tiêu chuẩn, giúp các giá trị $t$-statistic và $p$-value đạt độ chính xác cao.

So sánh định lượng với các công trình nghiên cứu trước

  • Mức độ cải thiện hiệu quả phân tích: Phương pháp System GMM giúp loại bỏ sai lệch ước lượng trung bình từ $18% - 25%$ so với các mô hình tĩnh OLS/FEM trong điều kiện mẫu dữ liệu bảng ngân hàng có độ trễ KNSL lớn ($\delta_{ROA} = 0,342$).

Ứng dụng thực tế và triển khai

Trường hợp ứng dụng thực tế (Real-world Use Cases)

  1. Ủy ban Quản lý Tài sản - Nợ (ALCO) tại NHTM:
    • Sử dụng phương trình co giãn của mô hình để định lượng cấu trúc phân bổ tài sản tối ưu. Dựa trên phát hiện biến DIA có tác động tích cực lớn nhất ($\beta = +0,892$), ALCO có thể xây dựng chiến lược chuyển dịch cơ cấu doanh thu từ hoạt động tín dụng thuần sang ngân hàng số, dịch vụ bảo hiểm liên kết (bancassurance), quản lý tài sản và thanh toán quốc tế.
  2. Khối Quản trị Rủi ro:
    • Thiết lập ngưỡng đệm thanh khoản ($LIQ$) và vốn tự có ($CAP$) cân bằng giữa yêu cầu tuân thủ Thông tư 41/2016/TT-NHNN (Basel II) và mục tiêu tối đa hóa ROE.

Đánh giá Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Tăng trưởng tỷ trọng thu nhập ngoài lãi: Tăng $1%$ tỷ lệ thu nhập ngoài lãi thuần trên tổng tài sản ($DIA$) ước tính đóng góp tăng $0,892%$ ROE mà không làm gia tăng tài sản có trọng số rủi ro (RWA), từ đó giảm áp lực phải tăng vốn điều lệ tốn kém.
  • Tiết giảm chi phí quản lý vận hành (CIR): Việc chuyển đổi tự động hóa quy trình nghiệp vụ giúp giảm tỷ lệ $COST$, tác động tích cực trực tiếp lên $ROA$ thêm $+0,075%$ với mỗi đơn vị chi phí tiết giảm.

Lộ trình thực thi cho các NHTM

  2023 - Q4/2023         2024 - Q2/2024         2024 - Q4/2024         2025 Trở đi
  & BCTC theo IFRS       vào hệ thống ALM       doanh thu phi tín      bền vững theo chuẩn
                         & Stress Testing       dụng (> 25% DIA)       Basel III

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu dữ liệu: Số lượng quan sát bị giới hạn ở 27 NHTM cổ phần do tiêu chí chọn mẫu phải có dữ liệu kiểm toán minh bạch, liên tục suốt 11 năm. Một số NHTM quy mô nhỏ hoặc ngân hàng đang tái cơ cấu bắt buộc bị loại khỏi mẫu.
  2. Chưa xét đến tác động phi tuyến: Mô hình giả định mối quan hệ tuyến tính giữa các biến độc lập và KNSL, chưa đo lường các ngưỡng chuyển dịch (threshold effect) của tỷ lệ an toàn vốn hoặc thanh khoản.
  3. Biến số FinTech và Ngân hàng số: Chưa đưa vào mô hình các chỉ số phản ánh trực tiếp mức độ đầu tư công nghệ số hóa do hạn chế trong thuyết minh BCTC của các NHTM Việt Nam giai đoạn 2011–2018.

Hướng nghiên cứu tiếp theo

  • Mở rộng giai đoạn nghiên cứu đến năm 2025 để đánh giá trọn vẹn chu kỳ phục hồi kinh tế hậu COVID-19 và biến động lãi suất toàn cầu.
  • Ứng dụng mô hình ARDL dạng bảng (Panel Autoregressive Distributed Lag) hoặc mô hình hồi quy ngưỡng (Panel Threshold Regression) để xác định điểm tới hạn của hệ số vốn chủ sở hữu ($CAP$).
  • Bổ sung các biến kiểm soát vi mô mới như tỷ lệ nợ xấu (NPL), tỷ lệ bao phủ nợ xấu (LLR) và các chỉ số ESG trong ngân hàng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học Tài chính: Tiếp cận tài liệu tham khảo hoàn chỉnh về quy trình nghiên cứu định lượng dữ liệu bảng, từ thống kê mô tả, kiểm định khuyết tật đến ước lượng System GMM trên Stata 17.
  • Chuyên viên Phân tích & Data Analyst ngành Tài chính: Ứng dụng các phương trình hồi quy để xây dựng mô hình dự báo KNSL và kiểm tra sức chịu tải (Stress Testing) cho danh mục tài sản ngân hàng.
  • Ban điều hành NHTM & Cơ quan Quản lý: Có cơ sở dữ liệu định lượng tin cậy để ban hành các quy định về giới hạn an toàn vốn và định hướng chiến lược kinh doanh dịch vụ phi tín dụng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập (reproduce) kết quả nghiên cứu trên phần mềm Stata là gì?

Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata/SE 17.0 hoặc Stata/MP). Trước khi chạy mô hình System GMM, người dùng cần cài đặt gói lệnh xtabond2 từ kho SSC bằng lệnh:

ssc install xtabond2, replace

Đồng thời, cấu trúc dữ liệu phải được khai báo chính xác dạng dữ liệu bảng thông qua lệnh xtset bank_id year.

2. Tại sao mô hình System GMM lại vượt trội hơn các mô hình Pooled OLS, FEM và REM trong nghiên cứu này?

Dữ liệu tài chính ngân hàng có tính chất nội sinh cao (ví dụ: KNSL kỳ trước ảnh hưởng đến KNSL kỳ này, hoặc vốn chủ sở hữu và KNSL có quan hệ nhân quả hai chiều). Pooled OLS và REM không thể loại bỏ hiệu ứng cố định của từng ngân hàng, trong khi FEM bị chệch hệ số khi xuất hiện biến trễ $Y_{i,t-1}$ (Nickell bias). System GMM sử dụng các biến trễ làm biến công cụ nội tại, kết hợp phương trình sai phân bậc 1 và phương trình mức để triệt tiêu hoàn toàn các sai số này.

3. Ý nghĩa của việc kiểm định Arellano-Bond và kiểm định Hansen trong mô hình GMM là gì?

  • Kiểm định Arellano-Bond: Dùng để kiểm tra hiện tượng tự tương quan của sai số. Điều kiện thỏa mãn là có tự tương quan bậc 1 ($AR(1) < 0,05$) do sai phân bậc 1, nhưng bắt buộc không có tự tương quan bậc 2 ($AR(2) > 0,05$) để đảm bảo các biến trễ bậc 2 trở đi là biến công cụ hợp lệ.
  • Kiểm định Hansen J-test: Kiểm tra tính xác định thừa của biến công cụ (Overidentifying restrictions). Giá trị $p > 0,10$ chứng minh toàn bộ biến công cụ được sử dụng trong mô hình là ngoại sinh và không tương quan với sai số.

4. Tại sao tỷ lệ vốn chủ sở hữu (CAP) lại có tác động ngược chiều lên KNSL (đặc biệt là ROE)?

Khi tỷ lệ vốn chủ sở hữu trên tổng tài sản tăng, ngân hàng giảm mức độ sử dụng đòn bẩy tài chính ($Assets / Equity$). Mặc dù việc này làm giảm thiểu rủi ro phá sản, nhưng lại làm giảm tỷ suất sinh lời trên mỗi đồng vốn của cổ đông (ROE) và giảm thiểu tác dụng của "lá chắn thuế" từ chi phí trả lãi tiền gửi và vốn vay.

5. Dựa vào kết quả nghiên cứu, giải pháp trọng tâm nào giúp NHTM gia tăng lợi nhuận bền vững nhất?

Giải pháp trọng tâm nhất là đẩy mạnh thu nhập ngoài lãi ($DIA$, hệ số $\beta = +0,892$ ở mô hình ROE). Các ngân hàng cần mở rộng dịch vụ ngân hàng số, dịch vụ thanh toán quốc tế, tư vấn tài chính doanh nghiệp và dịch vụ thẻ để đa dạng hóa nguồn thu, giảm sự phụ thuộc rủi ro vào tăng trưởng tín dụng truyền thống.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Lê Nguyễn Anh Thư đã phân tích toàn diện và định lượng chuẩn xác các nhân tố tác động đến khả năng sinh lời của 27 NHTM Việt Nam giai đoạn 2011–2021. Bằng việc ứng dụng phương pháp ước lượng hiện đại Two-step System GMM trên Stata 17, nghiên cứu đã xử lý triệt để các khuyết tật mô hình và chứng minh thực nghiệm:

  • Thu nhập ngoài lãi ($DIA$), thanh khoản ($LIQ$) và dư nợ tín dụng ($LOAN$) là các động lực thúc đẩy khả năng sinh lời mạnh mẽ nhất.
  • Tỷ lệ vốn chủ sở hữu ($CAP$) và quy mô tài sản quá lớn ($SIZE$) có xu hướng làm suy giảm KNSL nếu không được tối ưu hóa cơ cấu quản trị.

Kết quả nghiên cứu cung cấp cơ sở khoa học và thực tiễn vững chắc, đóng góp tài liệu tham khảo cho các nhà hoạch định chính sách tiền tệ tại Ngân hàng Nhà nước cũng như ban lãnh đạo các tổ chức tín dụng tại Việt Nam trong tiến trình nâng cao năng lực cạnh tranh và phát triển an toàn, bền vững.