Giới thiệu dự án

Trong cấu trúc hệ thống tài chính hiện đại, các Ngân hàng Thương mại Cổ phần (NHTMCP) giữ vai trò huyết mạch trong việc chu chuyển vốn, phân bổ nguồn lực và thúc đẩy tăng trưởng kinh tế vĩ mô. Tuy nhiên, giai đoạn 2012–2022 chứng kiến nhiều biến động phức tạp của thị trường tài chính Việt Nam: quá trình tái cấu trúc hệ thống ngân hàng sau khủng hoảng, lộ trình áp dụng chuẩn mực an toàn vốn Basel II (theo Thông tư 41/2016/TT-NHNN) tiến tới Basel III, cùng sự gia tăng tỷ lệ nợ xấu bình quân toàn ngành từ 2,50% lên 2,88%. Trong bối cảnh đó, tối ưu hóa năng lực sinh lời đi đôi với kiểm soát rủi ro trở thành bài toán sống còn đối với các nhà quản trị ngân hàng.

Problem Statement của đề tài tập trung vào bài toán: Làm thế nào để định lượng chính xác tác động đồng thời của Hệ số an toàn vốn (CAR) và Rủi ro tín dụng (thông qua tỷ lệ nợ xấu - NPL) lên Khả năng sinh lời (ROA) của các NHTMCP Việt Nam trong điều kiện dữ liệu bảng tồn tại hiện tượng nội sinh (endogeneity), tự tương quan (autocorrelation) và phương sai sai số thay đổi (heteroskedasticity)?

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xây dựng cơ sở lý thuyết và khung phân tích định lượng chuẩn mực về mối quan hệ giữa an toàn vốn, rủi ro tín dụng và khả năng sinh lời.
  2. Đo lường và kiểm định chiều hướng, mức độ tác động của CAR, NPL cùng các biến kiểm soát nội tại (SIZE, DEP, LIQ, CIR) và vĩ mô (INF, GDP) đến tỷ suất sinh lời trên tổng tài sản (ROA).
  3. Đánh giá tính vững của mô hình thông qua phương pháp ước lượng Moment tổng quát (Two-step System GMM) nhằm khắc phục triệt để các khuyết tật của mô hình tĩnh (Pooled OLS, FEM, REM).
  4. Đề xuất hệ thống giải pháp và hàm ý quản trị thực tiễn giúp các NHTMCP Việt Nam tối ưu hóa hiệu quả kinh doanh và đáp ứng các tiêu chuẩn an toàn vốn quốc tế.

Phạm vi nghiên cứu bao gồm bộ dữ liệu bảng cân bằng (balanced panel data) từ 27 NHTMCP tại Việt Nam trong giai đoạn 11 năm (2012–2022), tương ứng với 297 quan sát năm-ngân hàng (firm-year observations). Dữ liệu được trích xuất từ Báo cáo tài chính kiểm toán hợp nhất thường niên kết hợp với các chỉ số kinh tế vĩ mô từ Ngân hàng Thế giới (World Bank) và Tổng cục Thống kê (GSO).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu khả năng sinh lời ngân hàng thường đối mặt với thách thức lựa chọn mô hình định lượng phù hợp để xử lý các thuộc tính đặc thù của dữ liệu bảng ngành tài chính.

Phương pháp ước lượng Ưu điểm Nhược điểm / Rủi ro kỹ thuật Đánh giá tính khả thi
Pooled OLS Đơn giản, trực quan, dễ diễn giải hệ số Bỏ qua tính không đồng nhất giữa các ngân hàng; ước lượng chệch khi có tự tương quan Không phù hợp cho dữ liệu bảng 11 năm
Fixed Effects (FEM) Kiểm soát được các đặc điểm bất biến theo thời gian của từng ngân hàng ($\alpha_i$) Không xử lý được biến nội sinh động ($ROA_{i,t-1}$); hệ số chệch khi cỡ mẫu thời gian $T$ nhỏ Chỉ dùng làm bước kiểm định trung gian
Random Effects (REM) Tối ưu hóa hiệu quả tham số nếu sai số không tương quan với biến giải thích Dễ vi phạm giả định exogeneity trong tài chính doanh nghiệp; kết quả không nhất quán Cần kiểm định Hausman để so sánh với FEM
Two-Step System GMM Khắc phục hoàn toàn nội sinh, phương sai thay đổi và tự tương quan chuỗi bậc 1 Yêu cầu số lượng biến công cụ hợp lý để tránh lỗi quá nhận dạng (overidentification) Phương pháp tối ưu được lựa chọn

Phân loại yêu cầu phân tích dữ liệu theo khung MoSCoW:

  • Must-have: Mô hình ước lượng Two-step System GMM với kiểm định Arellano-Bond (AR1, AR2) và kiểm định Hansen/Sargan; kiểm định đa cộng tuyến (VIF); kiểm tra phương sai thay đổi (Modified Wald test).
  • Should-have: Phân tích ma trận tương quan Pearson; thống kê mô tả phân vị; so sánh kết quả đa mô hình (OLS, FEM, REM, GMM).
  • Could-have: Phân tích độ nhạy (Sensitivity Analysis) theo nhóm ngân hàng có quy mô vốn hóa khác nhau.
  • Won't-have: Mô hình Machine Learning phi tuyến tính không có tính giải thích kinh tế lượng (như Black-box Neural Networks).
+-------------------------------------------------------------------------------+
|                             GAP ANALYSIS MATRIX                               |
+------------------------------+-------------------------------+----------------+
| Nghiên cứu trước             | Hạn chế kỹ thuật              | Giải pháp cải tiến trong đề tài |
+------------------------------+-------------------------------+----------------+
| Lưu Phước Vẹn (2023)         | Dùng FGLS, chưa trị triệt để  | Ứng dụng Two-step System GMM   |
|                              | nội sinh từ biến trễ ROA      | với biến công cụ nội sinh      |
| Lê Đồng Duy Trung (2020)     | Dữ liệu cũ (2009-2017), chưa  | Mở rộng chuỗi 2012-2022, bao   |
|                              | cập nhật Thông tư 41 Basel II | phủ giai đoạn áp chuẩn Basel II|
+------------------------------+-------------------------------+----------------+

Thiết kế hệ thống

Kiến trúc xử lý và ước lượng mô hình dữ liệu bảng động được thiết kế theo luồng dữ liệu 4 tầng tiêu chuẩn:

Technology Stack phục vụ nghiên cứu định lượng:

  • Ngôn ngữ & Môi trường: Python 3.11.8 kết hợp Stata/MP 17.0 và R 4.3.2.
  • Thư viện tính toán: pandas 2.2.1, numpy 1.26.4, scipy 1.12.0.
  • Thư viện kinh tế lượng: statsmodels 0.14.1, linearmodels 5.4, Stata module xtabond2.
  • Hệ quản trị dữ liệu: PostgreSQL 16.2 lưu trữ cấu trúc bảng chuẩn hóa.

Cấu trúc Schema cơ sở dữ liệu định lượng:

Tên trường Kiểu dữ liệu Ràng buộc Mô tả kinh tế lượng
bank_id VARCHAR(10) PK, NOT NULL Mã định danh NHTMCP (1..27)
year SMALLINT PK, NOT NULL Năm quan sát (2012..2022)
roa NUMERIC(8,4) NOT NULL Tỷ suất sinh lời trên tổng tài sản (%)
car NUMERIC(8,4) NOT NULL Hệ số an toàn vốn theo Basel II (%)
npl NUMERIC(8,4) NOT NULL Tỷ lệ nợ xấu / Tổng dư nợ (%)
size NUMERIC(10,4) NOT NULL Quy mô: $\ln(\text{Tổng tài sản})$
dep NUMERIC(8,4) NOT NULL Tỷ lệ tiền gửi / Tổng tài sản (%)
liq NUMERIC(8,4) NOT NULL Tỷ lệ tài sản thanh khoản / Tổng tài sản (%)
cir NUMERIC(8,4) NOT NULL Tỷ lệ chi phí hoạt động / Tổng thu nhập (%)
inf NUMERIC(6,4) NOT NULL Tỷ lệ lạm phát CPI hàng năm (%)
gdp NUMERIC(6,4) NOT NULL Tốc độ tăng trưởng GDP thực tế (%)

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm (Empirical Quantitative Research) tuân thủ quy trình 5 bước nghiêm ngặt:

  1. Trích xuất & Làm sạch Dữ liệu: Xử lý ngoại lai (Winsorization ở phân vị 1% và 99%), kiểm tra dữ liệu khuyết thiếu.
  2. Kiểm định Tiền ước lượng: Kiểm tra tính dừng của chuỗi dữ liệu bảng (Fisher-ADF test), ma trận tương quan và kiểm định đa cộng tuyến VIF.
  3. Ước lượng Mô hình Tĩnh: Chạy song song Pooled OLS, FEM và REM. Áp dụng F-test (chọn giữa OLS và FEM), Breusch-Pagan Lagrange Multiplier test (chọn giữa OLS và REM), và Hausman test (chọn giữa FEM và REM).
  4. Kiểm định Khuyết tật: Kiểm định Modified Wald đối với phương sai sai số thay đổi giữa các thực thể và Wooldridge test cho hiện tượng tự tương quan chuỗi.
  5. Ước lượng Mô hình Động: Thiết lập mô hình hồi quy System GMM 2 bước với ma trận trọng số tối ưu và hiệu chỉnh sai số chuẩn Windmeijer để đưa ra hệ số tin cậy.

Implementation và kết quả

Development process

Phương trình hồi quy kinh tế lượng tổng quát được xác lập như sau:

$$\text{ROA}{it} = \alpha + \delta \text{ROA}{it-1} + \beta_1 \text{CAR}{it} + \beta_2 \text{NPL}{it} + \beta_3 \text{SIZE}{it} + \beta_4 \text{DEP}{it} + \beta_5 \text{LIQ}{it} + \beta_6 \text{CIR}{it} + \beta_7 \text{INF}_t + \beta_8 \text{GDP}t + \mu_i + \varepsilon{it}$$

Đoạn mã kịch bản thực thi phân tích mô hình dữ liệu bảng động và kiểm định chẩn đoán bằng Python (linearmodels) và Stata:

import numpy as np
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Load data và tiền xử lý Panel Data
df = pd.read_csv("vietnam_bank_profitability_2012_2022.csv")
df = df.set_index(["bank_id", "year"])

# 2. Kiểm định Đa cộng tuyến (VIF)
features = ["car", "npl", "size", "dep", "liq", "cir", "inf", "gdp"]
X = df[features].dropna()
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("Multicollinearity Diagnostics (VIF):\n", vif_data)

# 3. Ước lượng Fixed Effects Model (FEM) với Robust Standard Errors
mod_fe = PanelOLS(df["roa"], df[features], entity_effects=True)
res_fe = mod_fe.fit(cov_type="robust")
print(res_fe.summary)

Lệnh thực thi Two-step System GMM chuẩn mực trên môi trường Stata xtabond2:

* Thiết lập cấu trúc Panel Data
xtset bank_id year

* Ước lượng Two-Step System GMM với hiệu chỉnh Windmeijer
xtabond2 roa L.roa car npl size dep liq cir inf gdp, ///
    gmm(L.roa car npl cir dep, lag(2 3) collapse) ///
    iv(size liq inf gdp) ///
    twostep robust small

Testing và validation

Kết quả kiểm định chẩn đoán mô hình cho thấy sự cần thiết của việc sử dụng System GMM:

  • Kiểm định F-test (FEM vs OLS): $F(26, 262) = 8.42$, $p\text{-value} = 0.0000 < 0.01 \rightarrow$ Bác bỏ $H_0$, chọn mô hình FEM.
  • Kiểm định Hausman (FEM vs REM): $\chi^2(8) = 24.18$, $p\text{-value} = 0.0021 < 0.01 \rightarrow$ Bác bỏ $H_0$, chọn mô hình FEM.
  • Kiểm định Modified Wald (Heteroskedasticity): $\chi^2(27) = 512.36$, $p\text{-value} = 0.0000 < 0.01 \rightarrow$ Tồn tại phương sai sai số thay đổi.
  • Kiểm định Wooldridge (Autocorrelation): $F(1, 26) = 19.85$, $p\text{-value} = 0.0001 < 0.01 \rightarrow$ Tồn tại tự tương quan chuỗi bậc 1.
  • Kiểm định Arellano-Bond trong GMM: AR(1) có $p\text{-value} = 0.0142 < 0.05$ (chấp nhận có tương quan chuỗi bậc 1); AR(2) có $p\text{-value} = 0.4285 > 0.10$ (không có tương quan chuỗi bậc 2).
  • Kiểm định Hansen J-test: $\chi^2 = 18.74$, $p\text{-value} = 0.285 > 0.10 \rightarrow$ Biến công cụ hợp lệ, không xảy ra hiện tượng quá nhận dạng.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm từ mô hình hồi quy Two-step System GMM:

Biến số Ký hiệu Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Error) Giá trị $t$/$z$ $p\text{-value}$ Mức ý nghĩa Chiều tác động
ROA trễ bậc 1 $ROA_{t-1}$ 0.3142 0.0781 4.02 0.000 1% Dương (+)
Hệ số an toàn vốn CAR 0.0428 0.0152 2.82 0.005 1% Dương (+)
Tỷ lệ nợ xấu NPL -0.1845 0.0412 -4.48 0.000 1% Âm (-)
Tỷ lệ tiền gửi DEP -0.0163 0.0068 -2.40 0.016 5% Âm (-)
Chi phí hoạt động/Thu nhập CIR -0.0215 0.0049 -4.39 0.000 1% Âm (-)
Tăng trưởng kinh tế GDP -0.0512 0.0210 -2.44 0.015 5% Âm (-)
Quy mô tài sản SIZE 0.0112 0.0245 0.46 0.648 Không có ý nghĩa Không
Tỷ lệ thanh khoản LIQ -0.0084 0.0132 -0.64 0.524 Không có ý nghĩa Không
Tỷ lệ lạm phát INF 0.0125 0.0189 0.66 0.509 Không có ý nghĩa Không
Hằng số Cons 0.8524 0.3120 2.73 0.006 1% --

Phân tích chi tiết kết quả thực nghiệm:

  1. Hệ số an toàn vốn (CAR) tác động tích cực ở mức ý nghĩa 1% ($\beta = 0.0428, p = 0.005$). Khi CAR tăng thêm 1%, tỷ suất sinh lời ROA tăng trung bình 0,0428%. Kết quả này ủng hộ Lý thuyết Cấu trúc – Hành vi – Hiệu quả (SCP) và nghiên cứu của Abreu & Mendes (2001), chứng minh nguồn vốn tự có vững mạnh giúp ngân hàng giảm chi phí huy động vốn, gia tăng uy tín và mở rộng danh mục tài sản sinh lời an toàn.
  2. Tỷ lệ nợ xấu (NPL) tác động tiêu cực mạnh nhất đến khả năng sinh lời ở mức ý nghĩa 1% ($\beta = -0.1845, p = 0.000$). Khi NPL tăng 1%, ROA giảm tương ứng 0,1845%. Tác động này phản ánh gánh nặng chi phí trích lập dự phòng rủi ro tín dụng và chi phí xử lý nợ đọng, làm suy giảm dòng tiền lãi thuần dự kiến theo đúng lý thuyết rủi ro tín dụng của Anthony Saunders (2007).
  3. Tỷ lệ chi phí hoạt động trên tổng thu nhập (CIR) tác động nghịch chiều ($\beta = -0.0215, p = 0.000$), minh chứng cho việc kiểm soát chi phí vận hành kém hiệu quả sẽ trực tiếp bào mòn biên lợi nhuận ròng.
  4. Tỷ lệ tiền gửi (DEP) và Tăng trưởng kinh tế (GDP) có tác động âm có ý nghĩa thống kê đến ROA ($\beta = -0.0163$ và $\beta = -0.0512$). Điều này phản ánh đặc thù giai đoạn tái cơ cấu: huy động vốn tăng nhanh nhưng giải ngân thận trọng tạo ra chi phí vốn nhàn rỗi, đồng thời trong các năm tăng trưởng nóng, sự cạnh tranh lãi suất gay gắt và chi phí đầu tư hạ tầng số làm biên lãi thuần (NIM) co hẹp.

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị học thuật và thực tiễn vượt trội so với các công trình trước đây:

+-----------------------------------------------------------------------------------------+
|                          COMPREHENSIVE MODEL BENCHMARK                                  |
+--------------------------+-----------------------+---------------------+----------------+
| Tiêu chí đánh giá        | OLS / FEM / REM       | FGLS Model          | Two-Step GMM   |
|                          | (Nghiên cứu truyền thống) | (Lưu Phước Vẹn, 2023) | (Nghiên cứu này)|
+--------------------------+-----------------------+---------------------+----------------+
| Xử lý Nội sinh           | Không                 | Không               | **Triệt để**   |
| Khắc phục Heteroskedastic| Không                 | Có                  | **Có (Robust)**|
| Khắc phục Tự tương quan  | Không                 | Có                  | **Có (Windmeijer)**|
| Bắt tính Động của Lợi nhuận| Không                | Không               | **Có (Lag ROA)**|
| Độ tin cậy ước lượng     | Thấp (Chệch hệ số)    | Trung bình          | **Tối ưu**     |
+--------------------------+-----------------------+---------------------+----------------+

Đóng góp cụ thể:

  1. Đổi mới phương pháp luận: Ứng dụng thành công mô hình Dynamic Panel System GMM với kỹ thuật gộp biến công cụ (collapse instruments), giảm thiểu nguy cơ sai lệch số lượng công cụ lớn hơn số thực thể ($j < N$).
  2. Cập nhật dữ liệu chuẩn mực Basel II: Phân tích bao trùm trọn vẹn chu kỳ 11 năm (2012–2022), giai đoạn chuyển đổi then chốt từ Thông tư 36/2014 sang Thông tư 41/2016/TT-NHNN tại Việt Nam.
  3. Cung cấp bằng chứng thực nghiệm phân hóa: Chứng minh rõ ràng quy mô tài sản (SIZE) và thanh khoản (LIQ) không phải yếu tố quyết định đơn lẻ đến tỷ suất sinh lời nếu thiếu vắng quản trị rủi ro nợ xấu và năng lực an toàn vốn.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở định lượng cho các ứng dụng thực tế tại khối Quản trị Rủi ro (Risk Management), Quản lý Nguồn vốn (ALM) và Ban Điều hành các NHTMCP:

+-------------------------------------------------------------------------------+
|                       STRATEGIC ROADMAP FOR COMMERCIAL BANKS                  |
+-----------------------------------+-------------------------------------------+
| Giai đoạn                         | Hành động triển khai trọng tâm            |
+-----------------------------------+-------------------------------------------+
| Giai đoạn 1: Tối ưu Vốn (Quý 1-2) | - Tăng vốn cấp 1 qua giữ lại lợi nhuận    |
|                                   | - Tái cơ cấu danh mục tài sản có rủi ro   |
+-----------------------------------+-------------------------------------------+
| Giai đoạn 2: Giảm NPL (Quý 3-4)   | - Triển khai hệ thống Early Warning AI    |
|                                   | - Thắt chặt quy trình thẩm định tín dụng  |
+-----------------------------------+-------------------------------------------+
| Giai đoạn 3: Tinh gọn CIR (Năm 2) | - Tự động hóa quy trình (RPA & CoreBank)   |
|                                   | - Tối ưu hóa mạng lưới chi nhánh vật lý   |
+-----------------------------------+-------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis):

  • Chi phí triển khai: Chi phí nâng cấp hệ thống công nghệ chấm điểm tín dụng tự động và cơ sở dữ liệu tuân thủ Basel II/III ước tính khoảng 15–25 tỷ VND/ngân hàng quy mô trung bình.
  • Lợi ích định lượng: Giảm tỷ lệ NPL từ 2,5% xuống 1,5% giúp ngân hàng tiết kiệm hàng trăm tỷ đồng chi phí trích lập dự phòng rủi ro hàng năm. Đồng thời, nâng tỷ lệ CAR lên trên 10,5% giúp nâng bậc xếp hạng tín nhiệm, giảm chi phí phát hành trái phiếu quốc tế và giấy tờ có giá từ 20–45 điểm cơ bản (bps).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Dữ liệu chưa phân tách toàn diện: Nghiên cứu sử dụng CAR tính theo Basel II cho toàn giai đoạn, chưa lượng hóa riêng rẽ cấu phần CAR theo chuẩn Basel III vốn đang được một số ngân hàng tiên phong áp dụng thí điểm (như TPBank, VIB, Techcombank).
  2. Khía cạnh thu nhập phi tín dụng: Chưa đưa biến tỷ trọng thu nhập ngoài lãi (Non-Interest Income) vào mô hình kiểm soát cấu trúc đa dạng hóa doanh thu.

Hướng nghiên cứu tiếp theo

  1. Tích hợp Machine Learning: Kết hợp các mô hình giải thích kinh tế lượng (GMM) với mô hình học máy (XGBoost, Random Forest kết hợp SHAP values) để dự báo sớm xác suất vỡ nợ và suy giảm ROA.
  2. Bổ sung các yếu tố ESG: Đưa chỉ số phát triển bền vững và rủi ro môi trường - xã hội - quản trị (ESG) vào đánh giá chất lượng danh mục tín dụng ngân hàng giai đoạn 2023–2030.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                             BENEFICIARY VALUE MATRIX                          |
+-------------------------+-----------------------------------------------------+
| Nhóm đối tượng          | Giá trị thực tiễn mang lại                          |
+-------------------------+-----------------------------------------------------+
| Sinh viên & Học viên    | Khung mẫu chuẩn mực về nghiên cứu định lượng tài    |
|                         | chính, phương pháp chạy Stata/Python System GMM.    |
+-------------------------+-----------------------------------------------------+
| Chuyên viên Phân tích   | Kịch bản kiểm định khuyết tật mô hình và phương pháp|
| Dữ liệu (Data Analysts) | xử lý nội sinh trong chuỗi thời gian - không gian.  |
+-------------------------+-----------------------------------------------------+
| Nhà quản trị Ngân hàng  | Bộ tham số định lượng để cân đối giữa mục tiêu tăng |
| (C-Level Executives)    | trưởng tài sản và duy trì đệm an toàn vốn.          |
+-------------------------+-----------------------------------------------------+
| Cơ quan Giám sát (NHNN) | Cơ sở thực nghiệm để tiếp tục hoàn thiện khung khổ  |
|                         | pháp lý giám sát an toàn vi mô và vĩ mô.            |
+-------------------------+-----------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng Two-step System GMM thay vì OLS hay FEM truyền thống?

Trong dữ liệu tài chính ngân hàng, khả năng sinh lời của năm trước ($ROA_{t-1}$) có ảnh hưởng lớn đến năm hiện tại, đồng thời các biến nội tại như CAR và NPL thường có mối quan hệ nhân quả hai chiều với lợi nhuận (nội sinh). OLS và FEM thông thường sẽ cho kết quả chệch và không nhất quán. Two-step System GMM tận dụng các biến trễ làm biến công cụ nội sinh, khắc phục triệt để phương sai thay đổi và tự tương quan.

2. Ý nghĩa thực tiễn của việc CAR tác động dương (+0.0428) đến ROA là gì?

Kết quả này khẳng định quan điểm: duy trì tỷ lệ an toàn vốn cao không làm triệt tiêu lợi nhuận của ngân hàng. Ngược lại, một tấm đệm vốn vững chắc tạo dựng niềm tin thị trường, giúp ngân hàng tiếp cận nguồn vốn giá rẻ và mở rộng kinh doanh an toàn, đem lại hiệu quả ROA cao hơn.

3. Tại sao tỷ lệ nợ xấu (NPL) lại có hệ số tác động âm mạnh nhất (-0.1845)?

Nợ xấu trực tiếp làm dừng luồng tiền lãi dự thu (thoái thu lãi), đồng thời buộc ngân hàng phải trích lập chi phí dự phòng rủi ro tín dụng trừ thẳng vào lợi nhuận trước thuế. Do đó, mức độ tàn phá lợi nhuận của NPL luôn vượt trội so với các biến chi phí thông thường.

4. Vì sao biến quy mô ngân hàng (SIZE) không có ý nghĩa thống kê trong mô hình GMM?

Điều này chứng minh rằng quy mô tổng tài sản lớn không tự động đồng nghĩa với khả năng sinh lời cao hơn. Nếu ngân hàng tăng trưởng nóng về quy mô nhưng không kiểm soát được chất lượng tín dụng và hiệu quả chi phí, lợi thế kinh tế nhờ quy mô (Economies of Scale) sẽ bị triệt tiêu bởi chi phí quản lý cồng kềnh.

5. Yêu cầu kỹ thuật tối thiểu để vận hành mô hình phân tích định lượng này là gì?

Yêu cầu tối thiểu: Máy trạm cấu hình CPU 4-cores, RAM 8GB, cài đặt Stata 15 trở lên hoặc Python 3.10+ với các thư viện linearmodels, statsmodels, cùng bộ dữ liệu bảng sạch không có lỗi đứt gãy chuỗi quan sát lớn.

Kết luận

Khóa luận tốt nghiệp của tác giả Võ Hoàng Thảo Phương đã giải quyết xuất sắc bài toán định lượng về các yếu tố tác động đến khả năng sinh lời của 27 NHTMCP Việt Nam giai đoạn 2012–2022. Bằng việc áp dụng phương pháp ước lượng hiện đại Two-step System GMM, nghiên cứu đã chứng minh một cách khoa học rằng: Tăng cường hệ số an toàn vốn (CAR) và kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL), song song với tối ưu hóa chi phí hoạt động (CIR), là chiếc chìa khóa then chốt để nâng cao bền vững tỷ suất sinh lời trên tổng tài sản (ROA).

Công trình không chỉ đóng góp một cơ sở lý luận và bằng chứng thực nghiệm vững chắc cho kho tàng nghiên cứu tài chính ngân hàng tại Việt Nam, mà còn là tài liệu tham khảo có giá trị ứng dụng cao cho các nhà hoạch định chính sách tại Ngân hàng Nhà nước và các nhà quản trị ngân hàng thương mại trong kỷ nguyên chuyển đổi số và hội nhập Basel III.