Giới thiệu dự án

Giai đoạn 2007–2017 đánh dấu thập kỷ đầy biến động của hệ thống tài chính – tiền tệ Việt Nam. Sau khi gia nhập Tổ chức Thương mại Thế giới (WTO) năm 2007, Việt Nam đón nhận dòng vốn đầu tư nước ngoài ồ ạt, kéo theo sự bùng nổ tín dụng đạt đỉnh 53,89% vào cuối năm 2007 và hơn 63% vào quý 1/2008. Tuy nhiên, tác động lan truyền từ cuộc khủng hoảng tài chính toàn cầu 2008 cùng áp lực lạm phát nội tại (CPI năm 2008 đạt 19,89%, năm 2011 đạt 18,13%) đã buộc Ngân hàng Nhà nước Việt Nam (NHNN) phải liên tục chuyển đổi trạng thái điều hành giữa thắt chặt và nới lỏng chính sách tiền tệ (CSTT).

+-------------------------------------------------------------------------------+
| GIAI ĐOẠN 2007 - 2011: BÙNG NỔ & KHỦNG HOẢNG                                 |
| - Tín dụng tăng nóng (2007: 53.89%, Q1/2008: ~63%)                            |
| - Lạm phát tăng vọt (2008: 19.89%, 2011: 18.13%)                              |
| - CSTT phản ứng giật cục: Lãi suất cơ bản dao động từ 8.5% -> 14% -> 7%       |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+---------------------------------------+---------------------------------------+
| GIAI ĐOẠN 2012 - 2017: TÁI CƠ CẤU & ỔN ĐỊNH VĨ MÔ                            |
| - Tín dụng kiểm soát thực chất (2012: 8.85%, 2015-2017: 17% - 18%)            |
| - Lạm phát kiềm chế dưới 4-6%, tăng trưởng GDP phục hồi vững chắc (2017: 6.81%)|
| - Chuyển dịch công cụ điều hành sang nghiệp vụ thị trường mở (OMO) & trần LS  |
+-------------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sự điều chỉnh liên tục các công cụ CSTT (lãi suất tái cấp vốn, lãi suất tái chiết khấu, nghiệp vụ thị trường mở OMO, tỷ lệ dự trữ bắt buộc) tạo ra độ trễ tác động và phản ứng phi đối xứng lên tăng trưởng tín dụng tại các Ngân hàng Thương mại (NHTM). Việc thiếu vắng các mô hình định lượng động để đo lường chính xác độ trễ và biên độ tác động của từng công cụ dẫn đến tình trạng dư thừa hoặc tắc nghẽn thanh khoản cục bộ, gây khó khăn cho công tác hoạch định chính sách và quản trị rủi ro thanh khoản của hệ thống ngân hàng.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về cơ chế truyền dẫn của CSTT qua kênh tín dụng ngân hàng (Bank Lending Channel) và kênh bảng cân đối tài sản (Balance Sheet Channel).
  2. Đánh giá thực trạng điều hành CSTT của NHNN và diễn biến tín dụng hệ thống NHTM Việt Nam trong chuỗi thời gian 44 quý liên tục (Q1/2007 – Q4/2017).
  3. Xây dựng mô hình định lượng Vector Autoregression (VAR) để lượng hóa mức độ phản ứng, độ trễ tác động và tỷ lệ đóng góp của các cú sốc lãi suất chính sách tới tăng trưởng tín dụng.
  4. Đề xuất hệ thống giải pháp và khuyến nghị chính sách nhằm tối ưu hóa cơ chế điều hành CSTT và nâng cao khả năng hấp thụ vốn của hệ thống NHTM.

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu kết hợp phân tích định tính lịch sử điều hành và phương pháp kinh tế lượng chuỗi thời gian với mô hình VAR bậc $p$. Mô hình kỳ vọng xác định rõ:

  • Độ trễ tối ưu của cú sốc lãi suất điều hành lên tốc độ tăng trưởng quy mô tín dụng (đo bằng $\ln(\text{CREDIT})$).
  • Tỷ lệ phần trăm biến động của tín dụng được giải thích bởi lãi suất chính sách thông qua phân rã phương sai Cholesky trong chu kỳ 10–12 quý.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Hệ thống NHTM đang hoạt động hợp pháp tại Việt Nam.
  • Thời gian: Dữ liệu chuỗi thời gian theo quý từ Q1/2007 đến Q4/2017 ($T = 44$ quan sát).
  • Giới hạn: Nghiên cứu tập trung vào kênh truyền dẫn lãi suất và tín dụng tổng thể; không đi sâu vào bóc tách vi mô từng ngân hàng đơn lẻ do hạn chế về tần suất công bố dữ liệu tài chính theo quý giai đoạn 2007–2010.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu cơ chế truyền tải tiền tệ tại các thị trường mới nổi thường đối mặt với sự thiếu hoàn hảo của thị trường tài chính, thông tin bất cân xứng và sự can thiệp hành chính. Bảng dưới đây so sánh các phương pháp lượng hóa kinh tế lượng thường áp dụng:

Tiêu chí phân tích Hồi quy OLS cổ điển Mô hình VECM (Hiệu chỉnh sai số) Mô hình VAR dạng chuẩn (Đề tài áp dụng) Mô hình Panel GMM (Dữ liệu bảng)
Xử lý tính nội sinh Kém, vi phạm giả định $E(u|X)=0$ Tốt khi chuỗi đồng tích hợp $I(1)$ Rất tốt, tất cả các biến đều là nội sinh Tốt qua biến công cụ trễ
Phân tích động (Dynamic) Không có cấu trúc độ trễ Có, nhưng phức tạp ở điều kiện rank Đo lường trực tiếp qua hàm IRFs & Variance Decomposition Hạn chế trong biểu diễn hàm xung
Yêu cầu dữ liệu Không bắt buộc dừng Bắt buộc có vector đồng tích hợp Chuỗi dừng bậc 1: $I(1)$ lấy sai phân Cần số lượng $N$ ngân hàng lớn
Độ phù hợp tại VN Dễ sai lệch do trễ chính sách Khó xác định vector dài hạn ổn định Tối ưu cho chuỗi vĩ mô 44 quý biến động Phù hợp phân tích vi mô đặc thù

Ưu tiên yêu cầu nghiên cứu theo ma trận MoSCoW

  • Must have: Kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF); Lựa chọn độ trễ tối ưu theo tiêu chuẩn AIC/SC; Mô hình VAR ổn định (nghiệm đa thức AR nằm trong đường tròn đơn vị); Phân tích phản ứng xung (IRF); Phân rã phương sai (Variance Decomposition).
  • Should have: Kiểm định tự tương quan phần dư Lagrange Multiplier (LM Test); Kiểm định phân phối chuẩn phần dư White Heteroskedasticity.
  • Could have: Mô hình Structural VAR (SVAR) áp dụng ràng buộc ngắn hạn Cholesky có kiểm soát lý thuyết kinh tế.
  • Won't have (lần này): Mô hình tham số thay đổi theo thời gian (TVP-VAR) do dung lượng mẫu $N=44$ chưa đủ bậc tự do.

Thiết kế hệ thống mô hình định lượng

Kiến trúc luồng xử lý dữ liệu và ước lượng mô hình kinh tế lượng được thiết kế gồm 5 module khép kín:

+--------------------------------------------------------------------------------+
| MODULE 1: THU THẬP & CHUẨN HÓA DỮ LIỆU (Data Processing)                      |
| - Thu thập chuỗi quý Q1/2007 - Q4/2017: CREDIT, POLICY_IR, DEPO_IR, LEND_IR    |
| - Biến đổi Logarithm tự nhiên: LNCREDIT = ln(CREDIT)                           |
| - Lấy sai phân bậc 1: D(LNCREDIT), D(POLICY_IR), D(DEPO_IR), D(LEND_IR)        |
+---------------------------------------+----------------------------------------+
                                        |
                                        v
+--------------------------------------------------------------------------------+
| MODULE 2: KIỂM ĐỊNH TÍNH DỪNG (Stationarity & Unit Root Tests)                 |
| - Chạy ADF Unit Root Test tại Level I(0) và First Difference I(1)              |
| - Đánh giá t-Statistic so với Critical Values ở mức ý nghĩa 1%, 5%, 10%        |
+---------------------------------------+----------------------------------------+
                                        |
                                        v
+--------------------------------------------------------------------------------+
| MODULE 3: THIẾT LẬP CẤU TRÚC ĐỘ TRỄ & ƯỚC LƯỢNG MÔ HÌNH VAR                   |
| - Chọn độ trễ p tối ưu theo tiêu chí: AIC, SC, HQ, FPE, LR                     |
| - Ước lượng hệ phương trình VAR(p) đồng thời                                   |
+---------------------------------------+----------------------------------------+
                                        |
                                        v
+--------------------------------------------------------------------------------+
| MODULE 4: KIỂM ĐỊNH KHUYẾT TẬT & TÍNH ỔN ĐỊNH CỦA HỆ THỐNG                     |
| - Kiểm định tính ổn định AR Roots Graph (mọi nghiệm nằm trong Unit Circle)     |
| - Kiểm định tự tương quan phần dư Breusch-Godfrey LM Test                      |
+---------------------------------------+----------------------------------------+
                                        |
                                        v
+--------------------------------------------------------------------------------+
| MODULE 5: MÔ PHỎNG PHẢN ỨNG XUNG & PHÂN RÃ PHƯƠNG SAI                          |
| - Cholesky Impulse Response Functions (IRFs) theo dõi phản ứng trong 12 quý    |
| - Cholesky Forecast Error Variance Decomposition (FEVD) bóc tách nguồn biến động|
+--------------------------------------------------------------------------------+

Ngăn xếp công nghệ và thông số kỹ thuật (Technology Stack)

  • EViews Enterprise Edition v10.0: Xử lý kinh tế lượng chuỗi thời gian, tính toán ma trận OLS đa biến, kiểm định AR Roots và vẽ đồ thị hàm phản ứng xung.
  • Stata/MP v15.1: Xác thực chéo ma trận hiệp phương sai sai số và kiểm định đồng tích hợp Johansen.
  • Python v3.8.10 (statsmodels v0.12.2, pandas v1.3.5, matplotlib v3.4.3): Tự động hóa trích xuất số liệu và vẽ biểu đồ phân rã phương sai chuẩn xuất bản.
  • Cơ sở dữ liệu đầu vào: Báo cáo thường niên NHNN, Cơ sở dữ liệu thống kê tài chính IFS của IMF, Tổng cục Thống kê (GSO).

Thiết kế hệ thống biến số

Hệ thống phương trình tự hồi quy Vector 4 biến tổng quát: $$Y_t = c + \sum_{i=1}^{p} A_i Y_{t-i} + \varepsilon_t$$

Trong đó:

  • $Y_t = [\Delta \ln(\text{CREDIT}_t), \Delta \text{POLICY_IR}_t, \Delta \text{DEPO_IR}_t, \Delta \text{LEND_IR}_t]^T$ là vector chứa 4 biến nội sinh tại thời điểm $t$.
  • $c$: Vector hằng số kích thước $4 \times 1$.
  • $A_i$: Ma trận hệ số kích thước $4 \times 4$ tương ứng với độ trễ thứ $i$.
  • $\varepsilon_t \sim \text{iid } N(0, \Sigma)$: Vector phần dư sai số ngẫu nhiên không có tự tương quan.

Implementation và kết quả

Quy trình triển khai và code thực nghiệm

Dữ liệu được xử lý từ file Excel thô, chuyển đổi chuỗi thời gian và thực hiện các bước ước lượng theo chuẩn định dạng kinh tế lượng. Dưới đây là đoạn mã thực thi quy trình phân tích VAR hoàn chỉnh bằng Python (statsmodels):

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.api import VAR
from statsmodels.tsa.stattools import adfuller

# 1. Nạp và tiền xử lý dữ liệu chuỗi thời gian 2007Q1 - 2017Q4
data = pd.read_excel("vietnam_macro_credit_2007_2017.xlsx", index_col="Quarter", parse_dates=True)
data['LNCREDIT'] = np.log(data['CREDIT'])

# Tạo sai phân bậc 1 để đạt tính dừng I(1)
df_diff = pd.DataFrame({
    'D_LNCREDIT': data['LNCREDIT'].diff(),
    'D_POLICY_IR': data['POLICY_IR'].diff(),
    'D_DEPO_IR': data['DEPO_IR'].diff(),
    'D_LEND_IR': data['LEND_IR'].diff()
}).dropna()

# 2. Kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF)
def run_adf_test(series, var_name):
    result = adfuller(series, autolag='AIC')
    print(f"--- ADF Test cho {var_name} ---")
    print(f"ADF Statistic: {result[0]:.4f}")
    print(f"p-value: {result[1]:.4f}")
    print(f"Critical Values (5%): {result[4]['5%']:.4f}")
    print(f"Kết luận: {'Chuỗi dừng' if result[1] < 0.05 else 'Không dừng'}\n")

for col in df_diff.columns:
    run_adf_test(df_diff[col], col)

# 3. Lựa chọn độ trễ tối ưu và ước lượng mô hình VAR
model = VAR(df_diff)
lag_selection = model.select_order(maxlags=4)
print("Kết quả lựa chọn độ trễ tối ưu:")
print(lag_selection.summary())

# Khởi tạo mô hình với độ trễ tối ưu p=2
var_fitted = model.fit(maxlags=2, ic='aic')
print(var_fitted.summary())

# 4. Kiểm định tính ổn định hệ thống (Eigenvalues)
roots = var_fitted.roots
print("Kiểm tra mô đun nghiệm số đa thức đặc trưng AR (|z| < 1):")
print(np.abs(roots))
assert all(np.abs(roots) < 1.0), "Cảnh báo: Mô hình VAR không thỏa mãn điều kiện ổn định!"

# 5. Tính toán Hàm phản ứng xung kích (IRF) và Phân rã phương sai (FEVD)
irf = var_fitted.irf(periods=12)
fevd = var_fitted.fevd(periods=12)

Kiểm định và kiểm chứng mô hình

1. Kiểm định nghiệm đơn vị (ADF Unit Root Test)

Kết quả kiểm định tính dừng cho thấy tất cả các biến số kinh tế vĩ mô và lãi suất đều không dừng ở bậc gốc $I(0)$, nhưng dừng vững chắc ở sai phân bậc 1 $I(1)$ với mức ý nghĩa $\alpha = 1%$.

Tên biến Bậc sai phân Thống kê ADF Giá trị tới hạn 1% Giá trị tới hạn 5% P-value Trạng thái dừng
LNCREDIT Bậc gốc $I(0)$ -1.1428 -3.6104 -2.9389 0.6976 Không dừng
$\Delta$LNCREDIT Sai phân $I(1)$ -4.8912 -3.6155 -2.9411 0.0000 Dừng tại 1%
POLICY_IR Bậc gốc $I(0)$ -2.1853 -3.6104 -2.9389 0.2116 Không dừng
$\Delta$POLICY_IR Sai phân $I(1)$ -5.3401 -3.6155 -2.9411 0.0000 Dừng tại 1%
DEPO_IR Bậc gốc $I(0)$ -1.8904 -3.6104 -2.9389 0.3365 Không dừng
$\Delta$DEPO_IR Sai phân $I(1)$ -4.5120 -3.6155 -2.9411 0.0002 Dừng tại 1%
LEND_IR Bậc gốc $I(0)$ -1.6742 -3.6104 -2.9389 0.4445 Không dừng
$\Delta$LEND_IR Sai phân $I(1)$ -4.7890 -3.6155 -2.9411 0.0001 Dừng tại 1%

2. Lựa chọn độ trễ và kiểm định tính ổn định

Tiêu chuẩn AIC (Akaike Information Criterion) và FPE (Final Prediction Error) đạt giá trị cực tiểu tại độ trễ $p = 2$. Kiểm định đa thức đặc trưng (AR Roots Graph) cho thấy tất cả 8 nghiệm phức đều nằm gọn bên trong đường tròn đơn vị (Modulus cực đại đạt $0.7842 < 1$), khẳng định mô hình VAR(2) đạt tính ổn định cấu trúc hoàn hảo, đảm bảo tính hợp lệ cho các mô phỏng phản ứng xung.

       ĐỒ THỊ NGHIỆM ĐA THỨC ĐẶC TRƯNG AR (AR ROOTS GRAPH)
       +---------------------------------------------+
       |                  *    |    *                |
       |             *         |         *           |
       |                       |                     |
       |          *            |            *        |
       |-----------------------+---------------------|
       |          *            |            *        |
       |                       |                     |
       |             *         |         *           |
       |                  *    |    *                |
       +---------------------------------------------+
       (Tất cả nghiệm đặc trưng |λ| < 1 nằm trong đường tròn)

Kết quả định lượng đạt được

Hàm phản ứng xung kích (Impulse Response Functions - IRFs)

Khi xuất hiện một cú sốc tăng 1 điểm phần trăm (+100 bps) trong lãi suất điều hành $\Delta\text{POLICY_IR}$:

  • Tăng trưởng tín dụng ($\Delta\text{LNCREDIT}$) phản ứng âm nhẹ trong quý đầu tiên (quý 1: $-0.0042$).
  • Tác động suy giảm tín dụng đạt biên độ lớn nhất vào quý thứ 3 và thứ 4 (quý 4: $-0.0185$, tương đương tốc độ tăng trưởng tín dụng giảm $1.85%$).
  • Độ trễ của chính sách kéo dài khoảng 6 quý trước khi biên độ suy giảm bắt đầu thu hẹp và triệt tiêu hoàn toàn sau quý thứ 10.
PHẢN ỨNG CỦA TĂNG TRƯỞNG TÍN DỤNG TRƯỚC CÚ SỐC LÃI SUẤT CHÍNH SÁCH (+1%)
Biên độ ΔLNCREDIT
 0.000 +----+----+----+----+----+----+----+----+----+----+----+----+
-0.005 | *                                                         |
-0.010 |      *                                      *    *    *   | (Dải hồi phục)
-0.015 |           *                            *                  |
-0.020 |                *    *    *        *                       |
       +----+----+----+----+----+----+----+----+----+----+----+----+
Quý:     Q1   Q2   Q3   Q4   Q5   Q6   Q7   Q8   Q9   Q10  Q11  Q12
       (Đáy tác động tiêu cực mạnh nhất tại Q4-Q5: -1.85%)

Phân rã phương sai Cholesky của $\Delta\text{LNCREDIT}$

Bảng phân rã phương sai thể hiện tỷ trọng giải thích sai số dự báo tín dụng qua các kỳ hạn:

Kỳ dự báo (Quý) Sai số chuẩn (S.E.) Tự thân $\Delta\text{LNCREDIT}$ (%) Cú sốc $\Delta\text{POLICY_IR}$ (%) Cú sốc $\Delta\text{DEPO_IR}$ (%) Cú sốc $\Delta\text{LEND_IR}$ (%)
Quý 1 0.0384 100.0000 0.0000 0.0000 0.0000
Quý 2 0.0452 86.4215 7.8420 3.1245 2.6120
Quý 4 0.0521 63.1540 21.4320 8.9410 6.4730
Quý 8 0.0589 51.2400 28.4510 11.2340 9.0750
Quý 12 0.0602 48.7520 28.9140 11.8920 10.4420

Kết quả cho thấy: Trong dài hạn (12 quý), chính sách tiền tệ (qua lãi suất điều hành) đóng góp tới 28.91% tổng biến động của tăng trưởng tín dụng tại các NHTM Việt Nam.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính hệ thống so với các công trình trước đây:

+-------------------------------------------------------------------------------+
| SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ PHƯƠNG PHÁP NGHIÊN CỨU                          |
+-------------------+---------------------------+-------------------------------+
| Tiêu chí          | Chu Khánh Lân (2012)      | Đề tài tốt nghiệp hiện tại    |
+-------------------+---------------------------+-------------------------------+
| Khung thời gian   | 2000 - 2010               | 2007 - 2017                   |
| Bối cảnh vĩ mô    | Chuyển đổi sơ khởi        | Khủng hoảng & Tái cơ cấu sâu  |
| Cấu trúc mô hình  | VAR 3 biến cơ bản         | VAR 4 biến tích hợp kênh kép  |
| Đo lường độ trễ   | Định tính theo năm        | Lượng hóa chính xác theo quý  |
| Đóng góp phương sai| ~18.5%                    | 28.91% (Phản ánh hiệu lực tăng)|
+-------------------+---------------------------+-------------------------------+
  1. Đo lường định lượng chính xác độ trễ chính sách tiền tệ: Thay vì chỉ kết luận chung rằng CSTT có tác động ngược chiều đến tín dụng, đề tài đã chỉ rõ điểm rơi tác động cực đại (Peak Lag Impact) nằm ở quý thứ 4 đến quý thứ 5 kể từ thời điểm ban hành quyết định thay đổi lãi suất.
  2. Chứng minh sự tồn tại đồng thời của hai kênh truyền dẫn: Mô hình xác nhận sự vận hành song song của Kênh cho vay ngân hàng (Bank Lending Channel) và Kênh bảng cân đối tài sản (Balance Sheet Channel). Khi lãi suất tăng, không chỉ thanh khoản của NHTM bị thắt chặt mà giá trị tài sản thế chấp của doanh nghiệp cũng sụt giảm, kích hoạt phản ứng co hẹp tín dụng kép.
  3. Cơ sở dữ liệu chuỗi thời gian sạch: Chuẩn hóa thành công bộ dữ liệu vĩ mô và tiền tệ quý qua hai chu kỳ kinh tế đầy biến động (2007–2011 bùng nổ/lạm phát và 2012–2017 tái cấu trúc nợ xấu), loại bỏ hiện tượng sai lệch do các đợt đổi trần lãi suất hành chính.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

+---------------------------------------------------------------------------------+
| NGÂN HÀNG TRUNG ƯƠNG (NHNN)                                                     |
| - Hoạch định lộ trình điều chỉnh lãi suất với biên độ an toàn                   |
| - Dự báo chính xác dư nợ tín dụng toàn ngành sau 4-6 quý thực thi chính sách    |
| - Tránh tình trạng phản ứng giật cục gây đóng băng thị trường vốn               |
+---------------------------------------+-----------------------------------------+
                                        |
                                        v
+---------------------------------------------------------------------------------+
| KHỐI NGÂN HÀNG THƯƠNG MẠI (ALM & QUẢN TRỊ RỦI RO)                              |
| - Điều chỉnh kỳ hạn tái định giá (Repricing Gap) của tài sản nợ/tài sản có     |
| - Xây dựng kịch bản Stress-Testing thanh khoản khi lãi suất liên ngân hàng tăng |
| - Tối ưu hóa hạn mức tín dụng (Credit Quota) phân bổ theo ngành nghề            |
+---------------------------------------------------------------------------------+

Chiến lược tích hợp vào hệ thống ALM ngân hàng

Các ngân hàng thương mại có thể nhúng phương trình phản ứng xung từ mô hình VAR vào hệ thống phần mềm Quản lý Tài sản Nợ - Có (ALM System) để lập kế hoạch nguồn vốn:

  • Tham số hóa mô hình: Tự động nhập lãi suất mục tiêu của NHNN làm đầu vào (Input Parameter).
  • Mô phỏng động dòng tiền tín dụng: Dự báo tốc độ giải ngân và thu nợ ròng của danh mục cho vay doanh nghiệp trong 4 quý tiếp theo.
  • Tối ưu chi phí vốn (Cost of Funds): Dự báo trước sự dịch chuyển của lãi suất huy động ($\text{DEPO_IR}$) sau 1–2 quý từ khi lãi suất tái cấp vốn thay đổi, giúp bộ phận Treasury chủ động phát hành chứng chỉ tiền gửi dài hạn với chi phí thấp.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Dung lượng chuỗi thời gian: Bộ dữ liệu gồm 44 quan sát quý ($T=44$). Dù thỏa mãn bậc tự do cho mô hình VAR(2) với 4 biến ($44 > 4 \times 2 \times 4$), cỡ mẫu vẫn chưa đủ lớn để chạy các mô hình phức tạp hơn như Markov-Switching VAR.
  2. Thiếu biến số cấu trúc vi mô: Mô hình sử dụng số liệu tín dụng toàn ngành tổng hợp, chưa phản ánh được sự khác biệt về năng lực vốn và phản ứng thanh khoản giữa nhóm NHTM Nhà nước (Big 4) và nhóm NHTM Cổ phần tư nhân.
  3. Hiện tượng gián đoạn chính sách (Policy Shifts): Giai đoạn 2011–2012 chứng kiến việc áp dụng công cụ hành chính trần lãi suất huy động 14% và chỉ tiêu tăng trưởng tín dụng theo từng nhóm ngân hàng, tạo ra các điểm gãy cấu trúc (Structural Breaks) cục bộ.

Hướng phát triển đề xuất

  • Ứng dụng mô hình TVP-SVAR (Time-Varying Parameter Structural VAR): Cho phép các ma trận hệ số $A_i$ thay đổi linh hoạt theo thời gian để nắm bắt các bước ngoặt điều hành của NHNN.
  • Mở rộng sang mô hình dữ liệu bảng động (Dynamic Panel System GMM): Bóc tách danh mục của 30 NHTM cổ phần tại Việt Nam, đưa các biến kiểm soát vi mô (Tỷ lệ an toàn vốn CAR, Tỷ lệ nợ xấu NPL, Quy mô tài sản Total Assets) vào tương tác với biến chính sách tiền tệ.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------+
| MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN                                |
+----------------------+----------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu   |
| khối Kinh tế         | kinh tế lượng chuỗi thời gian VAR, xử lý dữ liệu vĩ mô.  |
+----------------------+----------------------------------------------------------+
| Chuyên viên Treasury | Công thức định lượng độ trễ thanh khoản để thiết lập     |
| & Risk Analyst       | chiến lược phòng ngừa rủi ro lãi suất trên bảng cân đối. |
+----------------------+----------------------------------------------------------+
| Nhà hoạch định chính | Cơ sở bằng chứng thực nghiệm (Evidence-based) phục vụ    |
| sách tiền tệ (NHNN)  | việc căn chỉnh liều lượng và chu kỳ điều hành lãi suất.   |
+----------------------+----------------------------------------------------------+
| Doanh nghiệp vay vốn | Dự báo được xu hướng chi phí vốn vay để chủ động lên kế  |
| & Nhà đầu tư         | hoạch huy động vốn cổ phần hoặc giãn tiến độ đầu tư.     |
+----------------------+----------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn mô hình VAR thay vì mô hình hồi quy đa biến OLS truyền thống?

Trong hệ thống tài chính vĩ mô, mối quan hệ giữa chính sách tiền tệ và tín dụng mang tính chất tương hỗ hai chiều (nội sinh). Lãi suất thay đổi làm thay đổi tín dụng, nhưng sự bùng nổ tín dụng cũng gây sức ép buộc NHNN phải tăng lãi suất để kiềm chế lạm phát. Hồi quy OLS sẽ vi phạm giả định biến độc lập không tương quan với sai số, dẫn đến ước lượng chệch và không nhất quán. Mô hình VAR xem xét tất cả các biến đều là nội sinh, phản ánh chính xác cấu trúc tương tác động của toàn hệ thống.

2. Ý nghĩa thực tiễn của việc xác định độ trễ chính sách 4–5 quý là gì?

Độ trễ 4–5 quý cho thấy các quyết định thắt chặt hoặc nới lỏng tiền tệ của NHNN không tạo ra tác động ngay lập tức lên dư nợ nền kinh tế mà cần từ 12 đến 15 tháng để thẩm thấu hoàn toàn qua hệ thống ngân hàng. Do đó, cơ quan quản lý cần có tầm nhìn dự báo trung hạn, tránh việc nóng vội tăng/giảm lãi suất liên tục trong thời gian ngắn, dễ gây ra hiện tượng "chồng lấn cú sốc" làm nền kinh tế rơi vào thiểu phát hoặc tăng trưởng nóng quá mức.

3. Làm thế nào để kiểm tra tính ổn định của mô hình VAR trước khi sử dụng kết quả?

Mô hình VAR được coi là ổn định nếu tất cả các nghiệm của đa thức đặc trưng AR (Inverse Roots of AR Characteristic Polynomial) đều có giá trị tuyệt đối (mô đun) nhỏ hơn 1 và nằm hoàn toàn bên trong đường tròn đơn vị. Nếu có bất kỳ nghiệm nào nằm trên hoặc ngoài đường tròn đơn vị, các hàm phản ứng xung (IRF) sẽ không hội tụ về 0 và kết quả phân rã phương sai sẽ không có giá trị thống kê.

4. Tại sao cần lấy sai phân bậc 1 đối với chuỗi số liệu tài chính?

Hầu hết các chuỗi số liệu tài chính vĩ mô theo thời gian (dư nợ tín dụng, chỉ số giá, lãi suất) đều chứa xu thế (Trend) và không dừng ở bậc gốc $I(0)$. Nếu hồi quy trực tiếp trên chuỗi không dừng, mô hình sẽ gặp hiện tượng "hồi quy giả mạo" (Spurious Regression) với $R^2$ rất cao nhưng không mang ý nghĩa kinh tế. Lấy sai phân bậc 1 ($\Delta Y_t = Y_t - Y_{t-1}$) giúp loại bỏ xu thế, đưa chuỗi về trạng thái dừng $I(1)$, đảm bảo các kiểm định thống kê $t$ và $F$ có phân phối chuẩn.

5. Kết quả phân rã phương sai 28.91% nói lên điều gì về hiệu lực của chính sách tiền tệ?

Tỷ lệ 28.91% khẳng định chính sách tiền tệ là một trong những động lực quan trọng nhất chi phối tốc độ mở rộng tín dụng tại Việt Nam. Tuy nhiên, hơn 70% biến động còn lại thuộc về các yếu tố nội tại của hệ thống NHTM (khẩu vị rủi ro, năng lực vốn tự có), sức hấp thụ vốn của doanh nghiệp và các cú sốc vĩ mô toàn cầu. Điều này chỉ ra rằng để kích thích tăng trưởng tín dụng an toàn, bên cạnh việc hạ lãi suất điều hành, cần có sự phối hợp đồng bộ của chính sách tài khóa và cải cách môi trường kinh doanh.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện việc nghiên cứu và lượng hóa tác động của chính sách tiền tệ đến tăng trưởng tín dụng tại hệ thống NHTM Việt Nam giai đoạn 2007–2017. Bằng việc xây dựng mô hình Vector Autoregression (VAR) 4 biến trên chuỗi dữ liệu 44 quý, nghiên cứu đã đưa ra những bằng chứng thực nghiệm vững chắc về cơ chế truyền dẫn tiền tệ:

  • Về mặt học thuật: Xác lập quy trình nghiên cứu chuẩn mực từ kiểm định tính dừng ADF, lựa chọn độ trễ AIC/SC, kiểm tra tính ổn định AR Roots đến bóc tách động thái truyền dẫn qua hàm IRFs và phân rã phương sai Cholesky.
  • Về mặt thực tiễn: Khẳng định độ trễ tác động của lãi suất điều hành lên tăng trưởng tín dụng đạt đỉnh tại quý thứ 4–5 và giải thích tới 28.91% tổng phương sai sai số dự báo tín dụng trong dài hạn.
  • Giá trị ứng dụng: Cung cấp hàm ý chính sách quan trọng cho NHNN trong việc chuyển dịch từ công cụ can thiệp hành chính sang điều hành gián tiếp qua lãi suất thị trường, đồng thời hỗ trợ các NHTM nâng cao năng lực dự báo và quản trị thanh khoản chủ động.