Giới thiệu dự án

Hoạt động kinh doanh của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam trong thập kỷ qua chứng kiến sự chuyển dịch cơ cấu thu nhập mạnh mẽ dưới áp lực của các chuẩn mực quản trị rủi ro quốc tế (Basel II, Basel III) và các biến động kinh tế vĩ mô toàn cầu. Theo số liệu thống kê ngành, thu nhập từ hoạt động tín dụng truyền thống dù vẫn chiếm từ 70% đến 80% tổng thu nhập hoạt động (TOI) của các NHTM Việt Nam, nhưng biên lãi thuần (NIM) liên tục chịu sức ép do cạnh tranh gay gắt, chi phí huy động biến động và rủi ro nợ xấu gia tăng từ các cú sốc kinh tế (như đại dịch Covid-19 và suy thoái chu kỳ).

Vấn đề cốt lõi đặt ra là sự phụ thuộc đơn nhất vào nguồn thu tín dụng khiến bảng cân đối tài sản của các ngân hàng dễ bị tổn thương trước chu kỳ tín dụng và chính sách thắt chặt tiền tệ. Do đó, đa dạng hóa thu nhập sang các mảng phi lãi (non-interest income) trở thành giải pháp chiến lược nhằm tối ưu hóa hiệu quả hoạt động và phân tán rủi ro.

Đề tài "Tác động của đa dạng hóa thu nhập đến hiệu quả kinh doanh của các ngân hàng thương mại Việt Nam" do tác giả Trần Khánh Dương thực hiện dưới sự hướng dẫn khoa học của PGS.TS Đặng Văn Dân tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB) giải quyết bài toán này thông qua các mục tiêu cụ thể:

  1. Mục tiêu 1: Đo lường mức độ tập trung và đa dạng hóa nguồn thu nhập của các NHTM Việt Nam giai đoạn 2013–2022 thông qua chỉ số Herfindahl-Hirschman Index (HHI).
  2. Mục tiêu 2: Đánh giá định lượng tác động của đa dạng hóa thu nhập cùng các yếu tố nội tại (quy mô, vốn chủ sở hữu) và vĩ mô (GDP, lạm phát, Covid-19) đến hiệu quả kinh doanh (ROA, ROE).
  3. Mục tiêu 3: Xử lý triệt để các khiếm khuyết mô hình dữ liệu bảng như hiện tượng phương sai sai số thay đổi, tự tương quan và tính nội sinh (endogeneity).
  4. Mục tiêu 4: Đề xuất hàm ý quản trị và chiến lược tài chính thực tiễn cho ban điều hành ngân hàng nhằm gia tăng tỷ trọng thu nhập ngoài lãi bền vững.

Nghiên cứu sử dụng phương pháp định lượng thực nghiệm với mô hình hồi quy dữ liệu bảng động (Dynamic Panel Data) thông qua phương pháp ước lượng mô-men tổng quát hệ thống hai bước (Two-Step System GMM). Phạm vi nghiên cứu bao gồm bộ dữ liệu bảng cân bằng (balanced panel data) của 26 NHTM cổ phần tại Việt Nam trong giai đoạn 10 năm từ 2013 đến 2022 (tổng cộng 260 quan sát), chiếm hơn 75% tổng tài sản toàn hệ thống, đảm bảo tính đại diện thống kê cao.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu trước đây về hiệu quả kinh doanh ngân hàng thường tiếp cận qua các phương pháp ước lượng truyền thống hoặc phân tích đường biên hiệu quả. Tuy nhiên, mỗi phương pháp đều bộc lộ những ưu nhược điểm riêng khi áp dụng vào dữ liệu tài chính vi mô:

Phương pháp phân tích Cơ chế đo lường Ưu điểm Nhược điểm / Hạn chế
Hồi quy gộp (Pooled OLS) Hồi quy tuyến tính bình phương bé nhất trên toàn bộ mẫu gộp. Đơn giản, dễ tính toán tham số cơ bản. Bỏ qua yếu tố thời gian và đặc tính riêng biệt (unobserved heterogeneity) của từng NHTM; cho kết quả chệch.
Mô hình Tác động cố định (FEM) Kiểm soát các đặc trưng bất biến theo thời gian của từng ngân hàng. Khắc phục được sai số do các yếu tố cố định riêng biệt gây ra. Không xử lý được hiện tượng biến nội sinh trễ và biến động nội suy động.
Mô hình Tác động ngẫu nhiên (REM) Giả định sai số riêng lẻ không tương quan với các biến giải thích. Cho phép ước lượng các biến không đổi theo thời gian. Giả định khắt khe về phân phối chuẩn; dễ bị chệch nếu tồn tại tương quan nội tại.
Ước lượng GMM Hệ thống (Two-Step System GMM) Sử dụng biến trễ làm công cụ (Instrumental Variables) cho phương trình sai phân và mức. Tối ưu nhất: Xử lý đồng thời nội sinh, tự tương quan AR(1)/AR(2) và phương sai thay đổi. Đòi hỏi kiểm định nghiêm ngặt về biến công cụ (Hansen/Sargan test) và kích thước mẫu phù hợp. 
                               Yêu cầu Hệ thống Nghiên cứu (MoSCoW)
  • Thách thức kỹ thuật: Tồn tại mối quan hệ tương hỗ hai chiều giữa quy mô tài sản (SIZE), tỷ lệ an toàn vốn (CAP) và khả năng sinh lời (ROA/ROE), dẫn đến hiện tượng nội sinh nghiêm trọng trong mô hình kinh tế lượng.
  • Khoảng trống nghiên cứu: Thiếu vắng các nghiên cứu bao hàm giai đoạn dịch bệnh biến động mạnh (2020–2022) kết hợp với chuỗi số liệu 10 năm liền mạch tại Việt Nam.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu kinh tế lượng và luồng phân tích được thiết kế theo mô hình đa tầng chuẩn mực:

graph TD
    A[Báo cáo tài chính kiểm toán 26 NHTM 2013-2022] --> B[Tiền xử lý & Trích xuất Biến]
    C[Dữ liệu Vĩ mô World Bank: GDP, INF] --> B
    B --> D[Xây dựng Panel Dataset N=26, T=10, Obs=260]
    D --> E[Thống kê Mô tả & Ma trận Tương quan]
    E --> F[Kiểm định Đa cộng tuyến VIF]
    F --> G[Ước lượng Cơ sở: Pooled OLS, FEM, REM]
    G --> H[Kiểm định Lựa chọn: F-test, Breusch-Pagan, Hausman]
    H --> I[Kiểm định Khiếm khuyết: Modified Wald, Wooldridge, Durbin-Wu-Hausman]
    I --> J[Ước lượng Tối ưu: Two-Step System GMM]
    J --> K[Kiểm định Tính hợp lệ: Arellano-Bond AR1/AR2 & Hansen Test]
    K --> L[Báo cáo Kết quả & Hàm ý Chính sách]

Technology Stack & Công cụ Phân tích

  • Ngôn ngữ & Phần mềm Kinh tế lượng:
    • Stata MP v17.0: Engine chính xử lý hồi quy dữ liệu bảng động (xtabond2, xtreg, xttest3).
    • Python v3.10.8 (Thư viện pandas v1.5.3, statsmodels v0.13.5, linearmodels v4.27): Hỗ trợ tiền xử lý dữ liệu và kiểm tra chéo (cross-validation).
    • R v4.2.2 (Packages plm, systemfit, ggplot2): Trực quan hóa ma trận phân phối và kiểm định độ nhạy.
  • Đặc tả biến số dữ liệu (Data Dictionary):
+-------------------------------------------------------------------------------+
| Biến      | Loại       | Công thức / Quy ước                                  |
+===========+============+======================================================+
| ROA       | Phụ thuộc  | Lợi nhuận sau thuế / Tổng tài sản bình quân          |
| ROE       | Phụ thuộc  | Lợi nhuận sau thuế / Vốn chủ sở hữu bình quân        |
| DIV (HHI) | Độc lập    | 1 - [ (Thu nhập lãi thuần / TOI)^2 +                 |
|           |            |       (Thu nhập ngoài lãi thuần / TOI)^2 ]           |
| SIZE      | Kiểm soát  | Ln(Tổng tài sản)                                     |
| CAP       | Kiểm soát  | Tổng vốn chủ sở hữu / Tổng tài sản                   |
| GDP       | Kiểm soát  | Tốc độ tăng trưởng Tổng sản phẩm quốc nội hàng năm   |
| INF       | Kiểm soát  | Tỷ lệ lạm phát chỉ số giá tiêu dùng CPI bình quân    |
| COV       | Giả (Dummy)| 1 nếu t thuộc {2020, 2021, 2022}; 0 nếu t < 2020      |
+-------------------------------------------------------------------------------+

Methodology

Phương pháp luận nghiên cứu áp dụng quy trình thực nghiệm 6 bước tiêu chuẩn:

  1. Giai đoạn 1 (Thu thập dữ liệu): Thu thập dữ liệu thứ cấp từ BCTC hợp nhất đã kiểm toán của 26 NHTM và cơ sở dữ liệu World Bank.
  2. Giai đoạn 2 (Xác lập tham số): Tính toán chỉ số HHI và logarit hóa các biến quy mô để triệt tiêu hiện tượng phi chuẩn.
  3. Giai đoạn 3 (Sàng lọc sơ bộ): Kiểm tra ma trận tương quan Pearson và hệ số nhân tử phóng đại phương sai (VIF).
  4. Giai đoạn 4 (Ước lượng tĩnh): Ước lượng OLS gộp, FEM và REM; thực hiện kiểm định Hausman để chọn mô hình nền tảng.
  5. Giai đoạn 5 (Chẩn đoán khiếm khuyết): Kiểm định Modified Wald (phương sai thay đổi), Wooldridge (tự tương quan bậc 1), Durbin-Wu-Hausman (nội sinh).
  6. Giai đoạn 6 (Hiệu chỉnh động): Áp dụng ước lượng hồi quy System GMM 2 bước để thu được các hệ số ước lượng vững (robust standard errors).

Implementation và kết quả

Development process

Quá trình trích xuất chỉ số đa dạng hóa $DIV_{i,t}$ được tính toán trực tiếp từ cơ cấu thu nhập hoạt động:

$$\text{TOI}{i,t} = \text{NET_INT}{i,t} + \text{NON_INT}_{i,t}$$

$$\text{DIV}{i,t} = 1 - \left[ \left( \frac{\text{NET_INT}{i,t}}{\text{TOI}{i,t}} \right)^2 + \left( \frac{\text{NON_INT}{i,t}}{\text{TOI}_{i,t}} \right)^2 \right]$$

Trong đó:

  • $\text{NET_INT}_{i,t}$: Thu nhập từ lãi thuần của ngân hàng $i$ trong năm $t$.
  • $\text{NON_INT}_{i,t}$: Thu nhập ngoài lãi thuần của ngân hàng $i$ trong năm $t$.
  • Giá trị $DIV_{i,t} \in (-\infty, 0.5]$. Khi tỷ trọng thu nhập lãi thuần và ngoài lãi cân bằng ở mức 50-50, $DIV_{i,t} = 0.5$ (mức độ đa dạng hóa cực đại).

Phương trình hồi quy kinh tế lượng tổng quát:

$$\text{ROA}{i,t} = \beta_0 + \beta_1 \text{DIV}{i,t} + \beta_2 \text{SIZE}{i,t} + \beta_3 \text{CAP}{i,t} + \beta_4 \text{GDP}_t + \beta_5 \text{INF}_t + \beta_6 \text{COV}t + \varepsilon{i,t}$$

$$\text{ROE}{i,t} = \beta_0 + \beta_1 \text{DIV}{i,t} + \beta_2 \text{SIZE}{i,t} + \beta_3 \text{CAP}{i,t} + \beta_4 \text{GDP}_t + \beta_5 \text{INF}_t + \beta_6 \text{COV}t + \varepsilon{i,t}$$

Mã thực thi mô hình trên Stata và Python

*-------------------------------------------------------------------------------
* STATA DO-FILE: ESTIMATION OF INCOME DIVERSIFICATION AND BANK PERFORMANCE
*-------------------------------------------------------------------------------
clear all
set more off

* 1. Khai báo dữ liệu bảng
use "bank_panel_data_2013_2022.dta", clear
xtset bank_id year

* 2. Tính toán thống kê mô tả và hệ số VIF
summarize roa roe div size cap gdp inf cov
regress roa div size cap gdp inf cov
vif

* 3. Ước lượng mô hình tĩnh và kiểm định lựa chọn
regress roa div size cap gdp inf cov                  // Pooled OLS
estimates store pooled_ols

xtreg roa div size cap gdp inf cov, fe                // Fixed Effects
estimates store fem

xtreg roa div size cap gdp inf cov, re                // Random Effects
estimates store rem

hausman fem rem                                      // Hausman Test

* 4. Kiểm định chẩn đoán khiếm khuyết
xttest3                                              // Modified Wald for Groupwise Heteroskedasticity
xtserial roa div size cap gdp inf cov                // Wooldridge Test for Autocorrelation

* 5. Ước lượng Two-Step System GMM để xử lý nội sinh
xtabond2 roa L.roa div size cap gdp inf cov, ///
    gmm(L.roa size cap, lag(1 2) collapse) ///
    iv(div gdp inf cov) ///
    twostep robust small orthogonal

# ------------------------------------------------------------------------------
# PYTHON IMPLEMENTATION: PANEL DATA DIAGNOSTICS
# ------------------------------------------------------------------------------
import numpy as np
import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Load panel dataset
df = pd.read_csv("bank_panel_data_2013_2022.csv")

# Compute VIF Matrix
features = ['div', 'size', 'cap', 'gdp', 'inf', 'cov']
X = df[features].assign(const=1)
vif_data = pd.DataFrame({
    "Variable": features,
    "VIF": [variance_inflation_factor(X.values, i) for i in range(len(features))]
})
print("Hệ số VIF trung bình:", vif_data["VIF"].mean())

Testing và validation

Thống kê mô tả toàn bộ biến nghiên cứu ($N=26, T=10, Obs=260$)

Biến số Số quan sát (Obs) Giá trị trung bình (Mean) Độ lệch chuẩn (Std.Dev) Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max) Đơn vị / Diễn giải
ROA 260 0.0092 0.0074 -0.0010 0.0365 Techcombank 2021 đạt Max; SHB 2013 Min
ROE 260 0.1099 0.0784 -0.0137 0.3033 VIB 2021 đạt Max; SHB 2013 Min
DIV 260 0.2911 0.1466 -0.6534 0.5000 MSB 2014 đạt Max (0.5); VietABank 2015 Min
SIZE 260 18.8203 1.1217 16.5023 21.4750 BIDV 2022 đạt Max; Saigonbank 2013 Min
CAP 260 0.0875 0.0324 0.0406 0.2384 Saigonbank 2013 Max; BIDV 2017 Min
GDP 260 0.0609 0.0180 0.0256 0.0802 Tăng trưởng bình quân 6.09%/năm
INF 260 0.0321 0.0147 0.0063 0.0660 Lạm phát CPI bình quân 3.21%/năm
COV 260 0.3000 0.4591 0.0000 1.0000 30% mẫu quan sát trong giai đoạn dịch

Kết quả chẩn đoán mô hình tĩnh và kiểm định khiếm khuyết

  1. Kiểm định đa cộng tuyến: Hệ số tương quan cao nhất giữa các biến là cặp GDP và COV ($r = -0.5836 < 0.8$). Hệ số VIF dao động từ 1.08 đến 1.80, giá trị trung bình đạt 1.42 ($< 10$), loại trừ nguy cơ đa cộng tuyến.
  2. Lựa chọn mô hình:
    • T-test (Pooled OLS vs FEM): $F(25, 228) = 15.23$ ($p = 0.0000 < 0.05$) $\rightarrow$ FEM tối ưu hơn Pooled OLS.
    • Breusch-Pagan (Pooled OLS vs REM): $\chi^2(01) = 327.46$ ($p = 0.0000 < 0.05$) $\rightarrow$ REM tối ưu hơn Pooled OLS.
    • Hausman Test (FEM vs REM): $\chi^2(6) = 16.96$ ($p = 0.0094 < 0.05$ với ROA); $\chi^2(6) = 17.15$ ($p = 0.0087 < 0.05$ với ROE) $\rightarrow$ Mô hình Tác động cố định (FEM) là mô hình tĩnh phù hợp nhất.
  3. Phát hiện khiếm khuyết nghiêm trọng trên mô hình FEM:
    • Phương sai sai số thay đổi: Modified Wald test đạt giá trị thống kê $1310.61$ ($p = 0.0000 < 0.05$) $\rightarrow$ Tồn tại phương sai sai số thay đổi.
    • Tự tương quan: Wooldridge test cho $F = 8.600$ ($p = 0.0071 < 0.05$) $\rightarrow$ Tồn tại tự tương quan bậc 1.
    • Nội sinh: Kiểm định Durbin-Wu-Hausman chỉ ra biến SIZE ($p = 0.0000$) và CAP ($p = 0.0004$) mang tính nội sinh rõ rệt.

Kết quả đạt được

Do mô hình tĩnh vi phạm nghiêm trọng các giả định cổ điển, phương pháp Two-Step System GMM được áp dụng làm kết quả kết luận cuối cùng:

Biến số giải thích Ước lượng FEM (ROA) Ước lượng FEM (ROE) Ước lượng System GMM (ROA) Ước lượng System GMM (ROE) Mức ý nghĩa thống kê (GMM)
Hằng số (_cons) -0.1635*** -1.7323*** -0.0642*** -0.6120*** $p < 0.01$
DIV -0.0007 ($p=0.753$) -0.0028 ($p=0.910$) +0.0068*** +0.0542** $p < 0.01$ (ROA); $p < 0.05$ (ROE)
SIZE +0.0085*** +0.0962*** +0.0039*** +0.0381*** $p < 0.01$
CAP +0.1287*** +0.2921** +0.0152 ($p>0.10$) -0.2415** $p < 0.05$ (với ROE)
GDP +0.0008 ($p=0.960$) -0.0262 ($p=0.893$) +0.0412** +0.3218** $p < 0.05$
INF +0.0318** +0.3361* +0.0245** -0.1852* $p < 0.05$ (ROA); $p < 0.10$ (ROE)
COVID +0.0002 ($p=0.850$) -0.0042 ($p=0.711$) +0.0028** -0.0112 ($p>0.10$) $p < 0.05$ (với ROA)

(Ghi chú: ***, **, * lần lượt biểu thị mức ý nghĩa thống kê 1%, 5% và 10%)

Đánh giá tính hợp lệ của mô hình System GMM

  • Kiểm định tự tương quan Arellano-Bond:
    • Với mô hình ROA: $AR(1)$ có $p = 0.0142 < 0.05$ (tồn tại tự tương quan bậc 1); $AR(2)$ có $p = 0.4285 > 0.05$ (không tồn tại tự tương quan bậc 2).
    • Với mô hình ROE: $AR(1)$ có $p = 0.0210 < 0.05$; $AR(2)$ có $p = 0.5120 > 0.05$.
  • Kiểm định tính hợp lệ của biến công cụ (Hansen J-test):
    • Giá trị $p$ của Hansen test lần lượt là $0.2185$ (mô hình ROA) và $0.1890$ (mô hình ROE), đều nằm trong khoảng tin cậy tối ưu $[0.10; 0.25]$, khẳng định biến công cụ hoàn toàn ngoại sinh và không bị lạm dụng công cụ (instrument proliferation).

Đổi mới và đóng góp

  1. Minh chứng thực nghiệm vững chắc về lợi thế của đa dạng hóa thu nhập: Nghiên cứu bác bỏ định kiến cho rằng đa dạng hóa làm gia tăng chi phí quản trị đòn bẩy tại các thị trường mới nổi. Hệ số $\beta_{DIV} = +0.0068$ trên ROA và $+0.0542$ trên ROE chứng minh khi tỷ lệ đa dạng hóa tăng thêm 1 đơn vị chuẩn hóa, hiệu suất sinh lời trên vốn chủ sở hữu tăng tương ứng 5.42%.
  2. Khắc phục hoàn toàn thiên lệch nội sinh bằng phương pháp GMM: So với các nghiên cứu trước đây vốn chỉ dừng lại ở hồi quy OLS/FEM, việc áp dụng Two-Step System GMM giúp bóc tách tác động thuần túy của các chiến lược phân bổ tài sản.
                    SO SÁNH ĐÓNG GÓP KHOA HỌC VỚI CÁC CÔNG TRÌNH TIỀN NHIỆM
  1. Phát hiện mới về biến động ngược chiều của tỷ lệ vốn chủ sở hữu (CAP) và lạm phát (INF):
    • Tỷ lệ vốn chủ sở hữu ($CAP$) có tương quan âm đối với $ROE$ ($\beta = -0.2415, p < 0.05$), phản ánh việc tăng vốn quá mức tạo áp lực pha loãng EPS và đè nặng chi phí vốn nếu không được phân bổ vào các mảng kinh doanh hiệu quả.
    • Lạm phát ($INF$) tác động dương đến $ROA$ nhưng lại tác động âm đến $ROE$, cho thấy các ngân hàng chuyển giao chi phí lạm phát thành công sang lãi suất cho vay trên tổng tài sản, nhưng lợi nhuận ròng phân bổ trên vốn chủ sở hữu bị suy giảm do áp lực chi phí dự phòng rủi ro.

Ứng dụng thực tế và triển khai

Kịch bản thực tế cho các NHTM Việt Nam

Dựa trên kết quả thực nghiệm, lộ trình tái cơ cấu danh mục thu nhập được chia thành 3 trụ cột hành động chính cho Ủy ban Quản lý Tài sản - Nợ (ALCO) và Khối Bán lẻ/Dịch vụ:

                            MÔ HÌNH CHUYỂN DỊCH CƠ CẤU THU NHẬP

Lộ trình triển khai khuyến nghị (Implementation Roadmap)

Giai đoạn Khung thời gian Mục tiêu chính Hành động cụ thể Chỉ số đo lường (KPI)
Giai đoạn 1: Chuẩn hóa Quý 1 - Quý 2 Tối ưu hóa chi phí vận hành nền tảng số Tự động hóa quy trình tín dụng bán lẻ; cắt giảm chi phí thủ công. Tỷ lệ CIR (Cost-to-Income) giảm 2.5%
Giai đoạn 2: Mở rộng Quý 3 - Quý 4 Tăng tốc độ tăng trưởng thu phí dịch vụ Ký kết hợp tác chiến lược bảo hiểm độc quyền; nâng cấp ứng dụng Mobile Banking. Tỷ trọng Non-Interest Income đạt >25% TOI
Giai đoạn 3: Tối ưu Năm thứ 2 Cân bằng tỷ trọng thu nhập đạt $DIV \approx 0.45$ Mở rộng danh mục kinh doanh vốn (Treasury) và tư vấn ngân hàng đầu tư (IB). ROE toàn hệ thống tăng từ 1.5% đến 2.8%

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu: Do giới hạn về tính minh bạch thông tin và tính liên tục của các BCTC kiểm toán sau các đợt sáp nhập tái cơ cấu, nghiên cứu chỉ khảo sát 26 trên tổng số 31 NHTM cổ phần.
  • Dữ liệu tần số thấp: Dữ liệu nghiên cứu sử dụng theo năm (annual data); chưa khai thác dữ liệu tần số cao theo quý để bắt trọn các biến động mùa vụ hoặc chu kỳ can thiệp chính sách tiền tệ ngắn hạn của Ngân hàng Nhà nước.
  • Biến số vĩ mô mở rộng: Chưa đưa vào mô hình các biến kiểm soát vi mô chuyên sâu như tỷ lệ chi phí trên thu nhập (CIR), tỷ lệ nợ xấu (NPL) phân loại theo nhóm nợ, hoặc tác động cụ thể của thị trường trái phiếu doanh nghiệp.

Hướng nghiên cứu mở rộng

  1. Ứng dụng Machine Learning trong dữ liệu bảng: Ứng dụng các thuật toán Random Forest hoặc Panel Vector Autoregression (PVAR) để phân tích phi tuyến tính mối quan hệ giữa đa dạng hóa và khả năng chống chịu rủi ro (Z-score).
  2. Khảo sát phân nhóm ngân hàng: Tách biệt mẫu nghiên cứu thành 2 nhóm: NHTM có vốn nhà nước (Big 4) và NHTM cổ phần tư nhân để đánh giá mức độ bất đối xứng trong năng lực tiếp cận thị trường phi tín dụng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình chạy hồi quy kinh tế lượng dữ liệu bảng động, phương pháp xây dựng chỉ số HHI và cú pháp Stata xử lý System GMM.
  • Chuyên viên Phân tích Dữ liệu / Data Analyst: Tham khảo mô hình xử lý khiếm khuyết nội sinh và ma trận đo lường rủi ro tài chính ngân hàng.
  • Ban điều hành Ngân hàng Thương mại: Cung cấp bằng chứng thực nghiệm để ra quyết định cơ cấu lại nguồn vốn, giảm bớt đòn bẩy rủi ro tín dụng và tái định hình danh mục sản phẩm phi lãi.
  • Cơ quan Quản lý Nhà nước (NHNN): Bổ sung luận cứ khoa học để hoàn thiện khung pháp lý giám sát an toàn vĩ mô, khuyến khích các ngân hàng phát triển lành mạnh các dịch vụ tài chính số.

Câu hỏi thường gặp

1. Chỉ số HHI được chuyển đổi thế nào để đo lường mức độ đa dạng hóa thu nhập?

Chỉ số HHI ban đầu đo lường mức độ tập trung. Tác giả sử dụng biến đổi $DIV = 1 - \sum s_i^2$, trong đó $s_i$ là tỷ trọng của thu nhập lãi thuần và thu nhập ngoài lãi thuần trong tổng thu nhập ròng ($TOI$). Giá trị $DIV$ dao động tối đa đến $0.5$. Khi $DIV$ tiến càng gần $0.5$, nguồn thu của ngân hàng càng cân bằng; khi $DIV$ càng thấp (thậm chí âm nếu có mảng bị lỗ), thu nhập càng bị tập trung.

2. Tại sao phương pháp Two-Step System GMM vượt trội hơn Pooled OLS và FEM/REM trong đề tài này?

Dữ liệu bảng ngành ngân hàng thường có hiện tượng nội sinh (ví dụ: quy mô và vốn chủ sở hữu vừa quyết định lợi nhuận, vừa được tái đầu tư từ lợi nhuận các năm trước). Pooled OLS bỏ qua hiệu ứng riêng lẻ, FEM/REM bị chệch khi có tự tương quan và nội sinh. System GMM sử dụng các giá trị trễ của biến nội sinh làm biến công cụ nội tại, giúp loại bỏ hoàn toàn thiên lệch này mà không cần tìm biến công cụ ngoại sinh bên ngoài.

3. Tại sao tỷ lệ vốn chủ sở hữu (CAP) lại có tác động âm đến chỉ số ROE trong mô hình GMM?

Theo công thức Du Pont, $\text{ROE} = \text{ROA} \times \text{Đòn bẩy tài chính (Tổng tài sản / Vốn chủ sở hữu)}$. Khi tỷ lệ $CAP$ tăng lên, đòn bẩy tài chính giảm xuống. Nếu tốc độ sinh lời trên tài sản mới không bù đắp được phần gia tăng của vốn tự có, việc duy trì mức vốn chủ sở hữu quá cao sẽ làm suy giảm tỷ suất sinh lời trên mỗi đồng vốn mà cổ đông đóng góp.

4. Yếu tố đại dịch Covid-19 ảnh hưởng thế nào đến ROA của các NHTM Việt Nam?

Trong mô hình System GMM, biến giả $COV$ thể hiện hệ số dương ($\beta = +0.0028, p < 0.05$) đối với $ROA$. Điều này phản ánh thực tế trong giai đoạn 2020–2022, các NHTM Việt Nam đã đẩy mạnh quá trình số hóa dịch vụ, tối ưu hóa chi phí vận hành và tăng thu nhập từ hoạt động đầu tư trái phiếu chính phủ/chứng khoán kinh doanh nhằm bù đắp cho sự suy giảm tạm thời của tín dụng truyền thống.

5. Chi phí đầu tư công nghệ số có làm giảm lợi nhuận đa dạng hóa trong ngắn hạn không?

Trong ngắn hạn, chi phí đầu tư ban đầu cho hạ tầng Core Banking, API và đào tạo nhân sự có thể làm tăng tỷ lệ CIR. Tuy nhiên, sau chu kỳ khấu hao 2-3 năm, chi phí cận biên trên mỗi giao dịch số giảm tiệm cận 0, giúp mở rộng biên lợi nhuận ròng ngoài lãi và mang lại hiệu quả bền vững cho toàn hệ thống.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Trần Khánh Dương đã chứng minh một cách khoa học và thực nghiệm rằng đa dạng hóa thu nhập có tác động tích cực và có ý nghĩa thống kê trực tiếp đến hiệu quả kinh doanh của các NHTM Việt Nam giai đoạn 2013–2022. Bằng việc ứng dụng phương pháp kinh tế lượng hiện đại Two-Step System GMM trên mẫu dữ liệu 26 ngân hàng, nghiên cứu đã giải quyết thành công các khiếm khuyết nội sinh và phương sai thay đổi, đem lại độ tin cậy cao cho các kết luận.

Kết quả nghiên cứu khẳng định chiến lược dịch chuyển từ mô hình tín dụng thuần túy sang mô hình ngân hàng đa dịch vụ (tập trung vào ngân hàng số, dịch vụ thanh toán, ngoại hối và bancassurance) là con đường tất yếu để nâng cao năng lực cạnh tranh và đảm bảo an toàn hệ thống. Các phát hiện về quy mô tài sản, tỷ lệ an toàn vốn và bối cảnh vĩ mô là cơ sở quan trọng để các nhà quản trị ngân hàng hoạch định chiến lược kinh doanh an toàn, sinh lời và phát triển bền vững trong kỷ nguyên số hóa tài chính.