Giới thiệu dự án

Trong nền kinh tế mở hội nhập sâu rộng sau khi Việt Nam gia nhập Tổ chức Thương mại Thế giới (WTO) năm 2007, việc điều hành chính sách tiền tệ (CSTT) của Ngân hàng Nhà nước Việt Nam (NHNN) đóng vai trò then chốt trong việc duy trì ổn định kinh tế vĩ mô và thúc đẩy tăng trưởng bền vững. Khác với các nền kinh tế phát triển nơi kênh lãi suất giữ vai trò thống trị thông qua thị trường tài chính phát triển cao, các thị trường đang phát triển như Việt Nam phụ thuộc lớn vào hệ thống ngân hàng thương mại (NHTM). Do đó, kênh tín dụng (Credit Channel) và kênh tỷ giá (Exchange Rate Channel) trở thành các con đường dẫn truyền huyết mạch của mọi cú sốc chính sách.

Vấn đề cốt lõi đặt ra cho các nhà hoạch định chính sách là xác định định lượng độ trễ và biên độ tác động của các cú sốc tiền tệ đối với tăng trưởng tổng sản phẩm quốc nội (GDP) và chỉ số giá tiêu dùng (CPIVN). Đồng thời, việc phân tách các cú sốc ngoại sinh từ thị trường quốc tế (như biến động lạm phát Mỹ và chính sách tăng lãi suất của Cục Dự trữ Liên bang Hoa Kỳ - FED) với các cú sốc nội sinh là điều kiện tiên quyết để tránh các phản ứng giật cục hoặc sai lệch trong điều hành.

Đồ án tập trung giải quyết các mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về cơ chế truyền tải chính sách tiền tệ qua kênh tín dụng với hai nhánh chính: kênh bảng cân đối kế toán của người đi vay (Borrower Balance Sheet Channel) và kênh khả năng cấp tín dụng của ngân hàng (Bank Lending Channel).
  2. Xây dựng và ước lượng mô hình cấu trúc tự hồi quy vectơ (Structural Vector Autoregression - SVAR) gồm 7 biến số vĩ mô, thiết lập các ràng buộc đồng thời dựa trên lý thuyết kinh tế để phân tách các cú sốc cấu trúc trực giao.
  3. Đo lường định lượng phản ứng xung lực (Impulse Response Functions - IRF) của GDP và CPIVN trước các cú sốc lãi suất cho vay (LEN) và dư nợ tín dụng (DOC) trong giai đoạn từ Quý 1/2008 đến Quý 3/2022 (59 quan sát).
  4. Kiểm chứng thực nghiệm mức độ khuếch đại (Financial Accelerator Effect) của kênh tín dụng tại Việt Nam thông qua so sánh giữa mô hình chuẩn và mô hình xem tín dụng là biến ngoại sinh.
  5. Đề xuất các giải pháp nâng cao hiệu lực truyền tải chính sách tiền tệ và chuyển dịch mô hình điều hành tín dụng cho Ngân hàng Nhà nước.

Phạm vi nghiên cứu bao quát dữ liệu kinh tế lượng theo chu kỳ quý trong 15 năm (2008–2022), tích hợp các cú sốc kinh tế lớn: Khủng hoảng tài chính toàn cầu 2008, giai đoạn tái cơ cấu nợ xấu 2011–2015, đại dịch COVID-19 (2020–2021) và chu kỳ thắt chặt tiền tệ của FED năm 2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu định lượng truyền thống tại Việt Nam thường sử dụng mô hình VAR dạng rút gọn (Reduced-form VAR) hoặc mô hình hiệu chỉnh sai số (VECM). Tuy nhiên, mỗi phương pháp đều bộc lộ những hạn chế nhất định khi áp dụng vào việc mô phỏng phản ứng chính sách vĩ mô ngắn hạn.

Tiêu chí Mô hình VAR rút gọn Mô hình VECM Mô hình Cấu trúc SVAR
Xác định cú sốc cấu trúc Yếu (Dựa hoàn toàn vào trực giao hóa Cholesky cơ học) Trung bình (Tập trung vào liên kết đồng tích hợp dài hạn) Mạnh (Áp đặt ràng buộc lý thuyết kinh tế lên ma trận quan hệ tức thời)
Tính kinh tế học Thấp (Chủ yếu là kỹ thuật thống kê thuần túy) Cao về dài hạn, hạn chế trong mô tả tức thời Rất cao (Cho phép mô hình hóa các phản ứng chính sách đồng thời)
Độ phức tạp tính toán Thấp ($O(k \cdot p)$ tham số qua OLS thông thường) Trung bình (Yêu cầu kiểm định Johansen và ma trận cointegration) Cao (Yêu cầu ước lượng Maximum Likelihood với hệ phương trình phi tuyến)
Phù hợp phân tích chính sách Dễ gặp hiện tượng nghịch lý giá cả (Price Puzzle) Phù hợp dự báo cân bằng dài hạn Tối ưu cho mô phỏng độ trễ và tác động xung lực chính sách

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have: Xử lý tính dừng chuỗi thời gian $I(1)$, cấu trúc ma trận đồng thời $7 \times 7$, ước lượng mô hình SVAR với 59 quan sát quý, tạo đồ thị IRF với khoảng tin cậy Bootstrap 95%.
  • Should have: So sánh cấu trúc mô hình SVAR 1 (tín dụng nội sinh) và SVAR 2 (tín dụng ngoại sinh) để đo lường hiệu ứng khuếch đại kênh tín dụng.
  • Could have: Phân rã phương sai sai số dự báo (FEVD) để xác định mức độ giải thích biến động của từng cú sốc.
  • Won't have: Mô phỏng vi mô từng ngân hàng thương mại riêng lẻ (tập trung vào dữ liệu cấp độ vĩ mô toàn ngành).

Thiết kế hệ thống

Mô hình kinh tế lượng SVAR được thiết kế bao gồm 7 biến số chia làm hai khối:

  1. Khối quốc tế (Ngoại sinh cấu trúc đối với Việt Nam):
    • $\text{CPIUS}_t$: Chỉ số giá tiêu dùng Hoa Kỳ (đo lường áp lực lạm phát thế giới).
    • $\text{FFR}_t$: Lãi suất quỹ liên bang của Cục Dự trữ Liên bang Hoa Kỳ (FED).
  2. Khối nội địa (Mục tiêu và công cụ chính sách Việt Nam):
    • $\text{GDP}_t$: Tổng sản phẩm trong nước thực tế (mục tiêu tăng trưởng).
    • $\text{CPIVN}_t$: Chỉ số giá tiêu dùng Việt Nam (mục tiêu lạm phát).
    • $\text{DOC}_t$: Tín dụng đối với nền kinh tế (công cụ/mục tiêu trung gian).
    • $\text{LEN}_t$: Lãi suất cho vay bình quân của các TCTD (công cụ điều hành).
    • $\text{EXE}_t$: Tỷ giá giao dịch USD/VND tại các TCTD vào cuối kỳ.
                      HỆ THỐNG MÔ HÌNH HÓA ĐỊNH LƯỢNG SVAR

Công thức tổng quát của mô hình SVAR dạng cấu trúc: $$A y_t = \alpha + \sum_{i=1}^{p} \Psi_i y_{t-i} + B \epsilon_t$$

Trong đó:

  • $y_t = [\text{CPIUS}_t, \text{FFR}_t, \text{GDP}_t, \text{CPIVN}_t, \text{DOC}_t, \text{LEN}_t, \text{EXE}_t]^T$
  • $\epsilon_t \sim \text{iid}(0, I_m)$ là véc-tơ các cú sốc cấu trúc trực giao.
  • Dạng rút gọn: $y_t = \Gamma_0 + \sum_{i=1}^p \Phi_i y_{t-i} + u_t$ với $u_t = A^{-1} B \epsilon_t$.

Ma trận nhận dạng đồng thời $A$ (với ma trận $B = I_7$) được thiết lập dựa trên các giả định kinh tế:

$$A = \begin{bmatrix} 1 & 0 & 0 & 0 & 0 & 0 & 0 \ a_{21} & 1 & 0 & 0 & 0 & 0 & 0 \ a_{31} & 0 & 1 & a_{34} & a_{35} & 0 & 0 \ a_{41} & 0 & a_{43} & 1 & 0 & 0 & 0 \ a_{51} & a_{52} & a_{53} & a_{54} & 1 & a_{56} & 0 \ a_{61} & a_{62} & 0 & 0 & 0 & 1 & a_{67} \ a_{71} & a_{72} & a_{73} & a_{74} & a_{75} & a_{76} & 1 \end{bmatrix}$$

Lý giải cấu trúc ràng buộc:

  • Khối quốc tế không chịu tác động tức thời từ các biến nội địa Việt Nam. Lãi suất FFR phản ứng ngay với lạm phát Mỹ $\text{CPIUS}$ ($a_{21}$).
  • GDP phản ứng đồng thời với lạm phát nội địa ($a_{34}$) và dư nợ tín dụng ($a_{35}$) do vốn giải ngân lập tức đi vào chu kỳ mua sắm, đầu tư.
  • Lạm phát nội địa phản ứng đồng thời với GDP thực tế ($a_{43}$).
  • Tín dụng $\text{DOC}$ phản ứng đồng thời với tăng trưởng GDP ($a_{53}$), lạm phát ($a_{54}$) và lãi suất vay vốn ($a_{56}$).
  • Lãi suất cho vay $\text{LEN}$ chịu tác động tức thời từ tỷ giá $\text{EXE}$ ($a_{67}$) và lãi suất thế giới $\text{FFR}$ ($a_{62}$).

Methodology

Quy trình nghiên cứu kinh tế lượng thực nghiệm gồm 5 bước tiêu chuẩn:

  1. Kiểm định tính dừng (Unit Root Test): Sử dụng kiểm định Augmented Dickey-Fuller (ADF) với tiêu chuẩn Akaike (AIC) tự động lựa chọn độ trễ để tránh hiện tượng hồi quy giả mạo (Spurious Regression).
  2. Xác định độ trễ tối ưu ($p$): Kiểm tra các tiêu chuẩn thống kê AIC, HQIC, SC.
  3. Ước lượng VAR rút gọn và kiểm định độ ổn định: Đảm bảo tất cả các nghiệm của đa thức đặc trưng nằm bên trong đường tròn đơn vị ($|\lambda_i| < 1$).
  4. Áp đặt ràng buộc và ước lượng SVAR: Tối đa hóa hàm Hợp lý (Full Information Maximum Likelihood - FIML).
  5. Mô phỏng Phản ứng Xung lực (IRF): Tính toán hàm phản ứng xung động trong 10 quý với 100 lần lặp Bootstrap để thiết lập khoảng tin cậy 95%.

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được triển khai trên nền tảng R (phiên bản $\ge 4.2.0$) và RStudio. Toàn bộ chuỗi dữ liệu được chuẩn hóa theo quý. Biến thiếu (missing value) của chuỗi tín dụng được đồng bộ hóa qua tỷ giá kỳ chuyển đổi.

Đoạn mã R chuẩn hóa quy trình ước lượng SVAR và mô phỏng phản ứng xung lực:

# Load required econometric libraries
library(vars)
library(urca)
library(tseries)
library(ggplot2)

# 1. Định nghĩa dữ liệu sai phân bậc 1 đảm bảo tính dừng I(0)
# Dataframe: df_svar (dCPIUS, dFFR, dGDP, dCPIVN, dDOC, dLEN, EXE)
data_ts <- ts(df_svar, start = c(2008, 1), frequency = 4)

# 2. Lựa chọn độ trễ tối ưu cho mô hình VAR
lag_select <- VARselect(data_ts, lag.max = 8, type = "const")
optimal_p <- lag_select$selection["AIC(n)"] # p = 6 cho SVAR 1

# 3. Ước lượng mô hình VAR rút gọn
var_model <- VAR(data_ts, p = 6, type = "const")

# 4. Thiết lập ma trận nhận dạng cấu trúc A (7x7)
Amat <- diag(7)
Amat[2, 1] <- NA # FFR <- CPIUS
Amat[3, 1] <- NA # GDP <- CPIUS
Amat[3, 4] <- NA # GDP <- CPIVN
Amat[3, 5] <- NA # GDP <- DOC
Amat[4, 1] <- NA # CPIVN <- CPIUS
Amat[4, 3] <- NA # CPIVN <- GDP
Amat[5, 1] <- NA # DOC <- CPIUS
Amat[5, 2] <- NA # DOC <- FFR
Amat[5, 3] <- NA # DOC <- GDP
Amat[5, 4] <- NA # DOC <- CPIVN
Amat[5, 6] <- NA # DOC <- LEN
Amat[6, 1] <- NA # LEN <- CPIUS
Amat[6, 2] <- NA # LEN <- FFR
Amat[6, 7] <- NA # LEN <- EXE
Amat[7, 1:6] <- NA # EXE phản ứng với tất cả các biến

# Ma trận B là ma trận đường chéo đơn vị
Bmat <- diag(7)

# 5. Ước lượng mô hình cấu trúc SVAR bằng Maximum Likelihood
svar_est <- SVAR(x = var_model, Amat = Amat, Bmat = Bmat, 
                 estmethod = "direct", max.iter = 1000)

# 6. Tính toán hàm phản ứng xung động (IRF) với Bootstrap 100 runs
irf_len_gdp <- irf(svar_est, impulse = "dLEN", response = "dGDP", 
                   n.ahead = 10, boot = TRUE, runs = 100, ci = 0.95)
irf_len_cpi <- irf(svar_est, impulse = "dLEN", response = "dCPIVN", 
                   n.ahead = 10, boot = TRUE, runs = 100, ci = 0.95)
irf_doc_gdp <- irf(svar_est, impulse = "dDOC", response = "dGDP", 
                   n.ahead = 10, boot = TRUE, runs = 100, ci = 0.95)

Testing và validation

Kiểm định nghiệm đơn vị (ADF Test)

Kết quả kiểm định nghiệm đơn vị ADF ở các mức ý nghĩa 1%, 5% và 10% xác nhận tính dừng của chuỗi dữ liệu:

Tên biến Chuỗi mức $I(0)$ Chuỗi sai phân bậc 1 $I(1)$ Kết luận bậc tích hợp
$\text{CPIUS}$ Không dừng ($t = -1.84$) Dừng ở mức 5% ($t = -3.42$) $I(1)$
$\text{FFR}$ Không dừng ($t = -1.62$) Dừng ở mức 10% ($t = -2.71$) $I(1)$
$\text{GDP}$ Không dừng, có xu thế Dừng ở mức 5% ($t = -4.15$) $I(1)$
$\text{CPIVN}$ Không dừng ($t = -2.11$) Dừng ở mức 5% ($t = -3.88$) $I(1)$
$\text{LEN}$ Không dừng ($t = -2.05$) Dừng ở mức 5% ($t = -3.95$) $I(1)$
$\text{EXE}$ Dừng ở mức 5% ($t = -3.12$) Không cần sai phân $I(0)$
$\text{DOC}$ Không dừng, có xu thế Dừng ở mức 5% ($t = -4.30$) $I(1)$

Tất cả các biến không dừng đều chuyển thành chuỗi dừng sau khi lấy sai phân bậc nhất ($\Delta$), đáp ứng điều kiện tiên quyết để đưa vào mô hình SVAR.

Kết quả đạt được

                      TỔNG HỢP HIỆU ỨNG TRUYỀN TẢI CÚ SỐC CSTT

  1. Phản ứng của GDP trước cú sốc Lãi suất ($\text{LEN}$):

    • Ngay trong Quý 1 sau khi xảy ra cú sốc tăng lãi suất cho vay, tốc độ tăng trưởng GDP thực tế suy giảm tức thì.
    • Tác động thắt chặt đạt đỉnh tiêu cực lớn nhất vào Quý thứ 3 (mức giảm độ lệch chuẩn ước tính đạt $-4 \times 10^5$ tỷ VNĐ quy đổi).
    • Tác động tiêu cực giảm dần và triệt tiêu từ Quý thứ 9 trở đi.

  2. Phản ứng của Lạm phát ($\text{CPIVN}$) trước cú sốc Lãi suất ($\text{LEN}$):

    • Trong 3 quý đầu tiên, chỉ số CPIVN phản ứng mờ nhạt trước sự thay đổi của lãi suất.
    • Tác động kiềm chế lạm phát thể hiện rõ nét nhất vào Quý thứ 6 và kéo dài hiệu lực đến Quý thứ 8 trước khi mờ nhạt dần.
    • Hàm ý chính sách: Chính sách thắt chặt tiền tệ cần thời gian trễ tới 1.5 năm để phát huy tối đa hiệu lực kiểm soát lạm phát, nhưng lại gây tổn thương đến tăng trưởng sản lượng ngay trong ngắn hạn (đỉnh điểm tại 9 tháng đầu).

  3. Phản ứng của GDP trước cú sốc Dư nợ tín dụng ($\text{DOC}$):

    • Sự gia tăng tín dụng kích thích sản lượng tăng trưởng ngay từ Quý 1. Tác động tích lũy dài hạn luôn mang dấu dương rõ rệt, chứng minh tín dụng ngân hàng vẫn là động lực cung ứng vốn hàng đầu cho khu vực sản xuất kinh doanh tại Việt Nam.

Đổi mới và đóng góp

Đồ án mang lại nhiều điểm đổi mới về mặt kỹ thuật kinh tế lượng và giá trị thực tiễn:

  1. Cập nhật khung thời gian toàn diện (2008–2022): Bao gồm cả các giai đoạn dị biệt như khủng hoảng ngân hàng 2011–2012 và giai đoạn điều hành nới lỏng ứng phó đại dịch COVID-19 (với 3 lần cắt giảm lãi suất điều hành 1.5–2.0%/năm trong năm 2020).
  2. Tích hợp kênh tương tác quốc tế: Mô hình hóa độc lập các cú sốc CPIUS và FFR vào hệ thống SVAR, giúp loại trừ các biến động giả mạo khi phân tích chính sách tiền tệ nội địa của một nền kinh tế nhỏ có độ mở thương mại lớn.
  3. Kiểm chứng thực nghiệm kênh truyền tải tín dụng: So sánh định lượng giữa mô hình SVAR 1 và SVAR 2, xác nhận rằng kênh tín dụng đóng vai trò là "cơ chế tăng cường và khuếch đại tài chính" (Financial Accelerator) chứ không đơn thuần là một kênh truyền dẫn tĩnh.
Nghiên cứu Giai đoạn Phương pháp Số biến Phát hiện chính
Nguyễn Phi Lân (2015) 1998 – 2009 SVAR cơ bản 5 biến Kênh lãi suất bắt đầu có tác dụng, kênh tỷ giá chiếm ưu thế.
Chu Khánh Lân & Trần Thị Hương Giang (2016) 1998 – 2012 VAR / VECM 5 biến Tồn tại kênh tín dụng nhưng độ trễ truyền tải chưa được lượng hóa chi tiết theo từng quý.
Đồ án này (2022) 2008 – 2022 SVAR nhận dạng ma trận A/B 7 biến Lượng hóa chính xác: Đỉnh suy giảm GDP tại Q3, đỉnh kiềm chế lạm phát tại Q6; xác nhận vai trò khuếch đại của kênh tín dụng.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp căn cứ định lượng phục vụ công tác điều hành vĩ mô và quản trị rủi ro tại các định chế tài chính:

                          KHUYẾN NGHỊ ĐIỀU HÀNH THỰC TIỄN

Kịch bản ứng dụng tại Ngân hàng Nhà nước

  • Hoạch định thời điểm can thiệp lãi suất: Khi nền kinh tế đối mặt với áp lực lạm phát ngoại nhập, NHNN cần điều chỉnh lãi suất trước ít nhất 4–6 quý để đạt hiệu quả kiểm soát giá cả kỳ vọng tại thời điểm lạm phát chạm đỉnh.
  • Lộ trình dỡ bỏ hạn mức tăng trưởng tín dụng (Room tín dụng): Nghiên cứu chỉ ra rằng kiểm soát hành chính về hạn mức tín dụng giúp giảm sốc tăng nóng (từ mức >30% trước 2011 xuống 12–14% giai đoạn 2012–2021). Tuy nhiên, về dài hạn cần chuyển sang kiểm soát an toàn vốn (chuẩn Basel II/III) kết hợp điều tiết gián tiếp qua nghiệp vụ thị trường mở (OMO) và lãi suất tái cấp vốn.

Kịch bản ứng dụng tại Ngân hàng Thương mại

  • Quản trị rủi ro thanh khoản và kỳ hạn: Hệ thống NHTM Việt Nam có đặc thù nguồn vốn huy động chủ yếu là ngắn hạn nhưng dư nợ cho vay trung dài hạn chiếm tỷ trọng đáng kể. Kết quả SVAR cho thấy các cú sốc lãi suất làm gia tăng chi phí vốn nhanh hơn tốc độ điều chỉnh của danh mục cho vay, đòi hỏi các ngân hàng phải nâng cao tỷ lệ an toàn vốn (CAR) và đa dạng hóa nguồn thu từ dịch vụ phi tín dụng (Non-interest Income).

Hạn chế và hướng phát triển

Mặc dù đã đạt được những kết quả định lượng chặt chẽ, đồ án vẫn có một số hạn chế mở ra hướng nghiên cứu tiếp theo:

  • Hạn chế về cỡ mẫu dữ liệu: Chuỗi dữ liệu quý gồm 59 quan sát là vừa đủ cho mô hình SVAR 7 biến với độ trễ 6, nhưng việc ước lượng nhiều tham số đồng thời có thể làm giảm bậc tự do của mô hình.
  • Giả định tham số bất biến theo thời gian (Time-invariant parameters): Mô hình SVAR truyền thống giả định các hệ số cấu trúc không đổi trong suốt 15 năm, chưa phản ánh được sự dịch chuyển chế độ chính sách (Regime shifts) trong các giai đoạn khủng hoảng.
  • Hướng phát triển tương lai:
    1. Ứng dụng mô hình SVAR với tham số biến đổi theo thời gian (Time-Varying Parameter SVAR - TVP-SVAR) kết hợp chuỗi Markov (Markov-switching SVAR) để nắm bắt các bước ngoặt cấu trúc.
    2. Bổ sung kênh giá tài sản (Asset Price Channel) bao gồm thị trường chứng khoán (VN-Index) và thị trường bất động sản vào hệ thống biến số vĩ mô.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế lượng / Toán Kinh tế: Cung cấp tài liệu tham khảo hoàn chỉnh từ lý thuyết cấu trúc, phương pháp thiết lập ma trận nhận dạng đồng thời đến mã nguồn R thực thi mô hình SVAR chuẩn tắc.
  • Chuyên viên phân tích vĩ mô & Data Scientist tại các định chế tài chính: Nắm bắt phương pháp luận phân tách các cú sốc kinh tế vĩ mô và kỹ thuật xây dựng hàm phản ứng xung lực (IRF) có khoảng tin cậy Bootstrap.
  • Nhà hoạch định chính sách tại Ngân hàng Nhà nước: Tiếp cận các bằng chứng thực nghiệm có căn cứ định lượng về độ trễ truyền tải chính sách (3 quý đối với sản lượng, 6 quý đối với giá cả) để tối ưu hóa quyết định điều hành.
  • Các Ngân hàng Thương mại: Thấu hiểu tác động khuếch đại của bảng cân đối kế toán để tối ưu hóa cấu trúc kỳ hạn danh mục tài sản nợ - tài sản có.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập kết quả mô hình SVAR này là gì?

Cần cài đặt môi trường R (phiên bản $\ge 4.0.0$) cùng các gói thư viện kinh tế lượng chuyên dụng: vars (ước lượng VAR/SVAR), urca (kiểm định nghiệm đơn vị ADF/Johansen), tseries, readxl và ggplot2. Dữ liệu đầu vào cần được chuẩn hóa định dạng chuỗi thời gian theo quý (ts(..., frequency = 4)).

2. Tại sao mô hình lại sử dụng lãi suất cho vay (LEN) thay vì lãi suất liên ngân hàng?

Tại Việt Nam, NHNN sử dụng lượng tiền cơ sở và hạn mức tín dụng làm mục tiêu hoạt động chính thay vì điều hành hoàn toàn theo lãi suất qua đêm liên ngân hàng. Lãi suất cho vay của các TCTD phản ánh trực tiếp chi phí vốn thực tế mà doanh nghiệp và hộ gia đình phải chi trả, từ đó phản ánh chính xác hơn tác động của kênh tín dụng lên khu vực sản xuất thực.

3. Làm thế nào để đảm bảo mô hình SVAR không bị nhận dạng thiếu (Under-identification)?

Theo điều kiện cần và đủ về bậc nhận dạng (Order and Rank Conditions), để nhận dạng đầy đủ ma trận $A$ kích thước $m \times m$ (với $B = I_m$), số lượng ràng buộc tối thiểu cần áp đặt là $m(m-1)/2$. Với $m = 7$, mô hình cần tối thiểu $7 \times 6 / 2 = 21$ ràng buộc bằng 0. Cấu trúc ma trận $A$ của đồ án đã áp đặt 24 ràng buộc bằng 0 dựa trên các mối quan hệ kinh tế hợp lý, thỏa mãn hoàn toàn điều kiện nhận dạng quá mức (Over-identified).

4. Tại sao lạm phát (CPIVN) lại phản ứng chậm hơn tăng trưởng GDP trước cú sốc lãi suất?

Hiện tượng này phản ánh tính kết dính của giá cả (Price Stickiness) và hợp đồng danh nghĩa trong nền kinh tế. Khi lãi suất tăng, doanh nghiệp lập tức cắt giảm chi tiêu vốn và kế hoạch vay mới, khiến sản lượng GDP sụt giảm ngay sau 1–3 quý. Tuy nhiên, giá hàng hóa tiêu dùng chỉ điều chỉnh giảm sau khi tổng cầu đã suy yếu rõ rệt và các hợp đồng cung ứng cũ đáo hạn (đạt đỉnh kiềm chế sau 6 quý).

5. Kênh tín dụng khuếch đại cú sốc chính sách tiền tệ như thế nào?

Theo lý thuyết Máy gia tốc tài chính (Financial Accelerator), do thị trường tín dụng có thông tin bất cân xứng, người đi vay phải chịu phần bù tài chính bên ngoài (External Finance Premium). Khi lãi suất tăng, giá trị tài sản bảo đảm và dòng tiền ròng của doanh nghiệp giảm sút, làm tăng rủi ro đạo đức và lựa chọn đối nghịch. Ngân hàng lập tức siết chặt điều kiện cho vay, khiến quy mô tín dụng sụt giảm mạnh hơn mức giảm do chi phí lãi vay thuần túy tạo ra.

Kết luận

Đồ án tốt nghiệp "Ứng dụng mô hình cấu trúc tự hồi quy vectơ (SVAR) phân tích cơ chế truyền tải chính sách tiền tệ tại Việt Nam giai đoạn 2008-2022" đã thực hiện thành công việc mô hình hóa định lượng hệ thống tương tác giữa các công cụ tiền tệ và mục tiêu vĩ mô. Kết quả nghiên cứu chứng minh sự tồn tại vững chắc và vai trò khuếch đại của kênh tín dụng trong việc truyền tải các cú sốc chính sách tại Việt Nam. Bằng việc xác định chính xác độ trễ cực đại của lãi suất đối với tăng trưởng (3 quý) và lạm phát (6 quý), nghiên cứu mang lại hàm ý thực tiễn sâu sắc cho công tác điều hành vĩ mô của Ngân hàng Nhà nước trong kỷ nguyên phục hồi và chuyển đổi số tài chính.