Giới thiệu dự án

Hoạt động của hệ thống ngân hàng thương mại (NHTM) giữ vai trò là huyết mạch dẫn vốn và ổn định kinh tế vĩ mô quốc gia. Tuy nhiên, giai đoạn hậu đại dịch COVID-19 và biến động kinh tế toàn cầu đã khiến tỷ lệ nợ xấu gộp (bao gồm nợ nội bảng, nợ bán cho VAMC chưa xử lý và nợ tiềm ẩn) của hệ thống tổ chức tín dụng Việt Nam chạm ngưỡng xấp xỉ 6% vào năm 2022, trong khi tỷ lệ bao phủ nợ xấu (LLR) tại nhiều NHTM sụt giảm mạnh.

Vấn đề nghiên cứu trọng tâm xuất phát từ thực trạng nợ xấu (Non-Performing Loans - NPL) gia tăng làm thất thoát dòng vốn tín dụng, bào mòn biên lãi ròng (NIM) và buộc các ngân hàng phải tăng cường trích lập chi phí dự phòng rủi ro tín dụng (Loan Loss Provisions - LLP). Điều này trực tiếp gây suy giảm nghiêm trọng đến khả năng sinh lời (KNSL) đo lường qua tỷ suất sinh lời trên tổng tài sản (ROA) và tỷ suất sinh lời trên vốn chủ sở hữu (ROE).

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

  1. Xác định mức độ và chiều hướng tác động của tỷ lệ nợ xấu (NPL) cùng các yếu tố nội tại ngân hàng (vốn, tiền gửi, quy mô tín dụng, dự phòng rủi ro) đến KNSL của các NHTM Việt Nam.
  2. Kiểm định và lượng hóa vai trò điều tiết (moderating effect) của đại dịch COVID-19 đối với mối quan hệ giữa nợ xấu và KNSL.
  3. Xây dựng mô hình kinh tế lượng tối ưu nhằm khắc phục triệt để các khuyết tật mô hình thống kê, từ đó đề xuất hệ thống giải pháp và hàm ý quản trị thực tiễn cho các nhà điều hành ngân hàng.

Phương pháp tiếp cận giải pháp sử dụng mô hình hồi quy dữ liệu bảng cân bằng (Balanced Panel Data) trải qua quy trình đánh giá nghiêm ngặt: Ước lượng hồi quy OLS gộp (Pooled OLS), Mô hình tác động cố định (FEM), Mô hình tác động ngẫu nhiên (REM), và Mô hình bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để loại bỏ hiện tượng phương sai sai số thay đổi và tự tương quan.

Kết quả kỳ vọng đạt được bao gồm:

  • Bộ chỉ số định lượng cụ thể xác định mối quan hệ nghịch biến giữa NPL, LLP, CAP, DEP với KNSL.
  • Đo lường tác động khuếch đại của biến tương tác $NPL \times COVID19$ đến mức độ sụt giảm lợi nhuận.
  • Cung cấp mô hình tham chiếu có độ tin cậy thống kê cao ($p < 0.01$) phục vụ công tác quản trị rủi ro tín dụng theo chuẩn mực Basel II và Basel III.

Phạm vi nghiên cứu bao gồm toàn bộ dữ liệu thứ cấp đã kiểm toán của 28 NHTM cổ phần niêm yết trên các sàn HOSE, HNX và UPCOM tại Việt Nam trong giai đoạn 11 năm liên tục từ 2012 đến 2022 (tổng cộng 308 quan sát). Giới hạn nghiên cứu không bao gồm các ngân hàng thương mại 100% vốn nhà nước chưa niêm yết và ngân hàng liên doanh, đồng thời tập trung vào các chỉ tiêu định lượng tài chính công khai.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp nghiên cứu tài chính truyền thống thường đối mặt với nhiều sai lệch thống kê khi xử lý dữ liệu vi mô ngân hàng. Bảng phân tích dưới đây so sánh các phương pháp ước lượng phổ biến:

Phương pháp Ưu điểm Nhược điểm / Hạn chế Mức độ phù hợp
Pooled OLS Đơn giản, dễ tính toán, phù hợp với tập dữ liệu nhỏ không phân lớp. Bỏ qua đặc trưng riêng biệt của từng ngân hàng ($u_i$), dễ bị chệch tham số do nội sinh. Thấp (chỉ dùng làm mốc so sánh ban đầu).
FEM / REM Kiểm soát được tính không đồng nhất giữa các ngân hàng (cố định hoặc ngẫu nhiên). Vi phạm giả định nếu xuất hiện hiện tượng tự tương quan chuỗi và phương sai sai số thay đổi. Trung bình (cần thêm các kiểm định Hausman, Wald).
FGLS (Được chọn) Khắc phục triệt để phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation). Phức tạp hơn về mặt tính toán ma trận hiệp phương sai; đòi hỏi số lượng quan sát $N \times T$ đủ lớn. Tối ưu cho dữ liệu bảng 28 ngân hàng qua 11 năm ($N=28, T=11$).

Phân loại các yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Chỉ số nợ xấu $NPL$, chỉ số sinh lời $ROA$, $ROE$, dữ liệu bảng 28 NHTM niêm yết (2012-2022), mô hình FGLS hiệu chỉnh sai số.
  • Should-have (Nên có): Biến tương tác $NPL \times COVID19$, các biến kiểm soát nội tại ($CAP$, $DEP$, $LOANS$, $LLP$, $GRO$) và biến vĩ mô ($GDP$, $INF$).
  • Could-have (Có thể có): Kiểm định độ trễ tín dụng, phân tích tương quan ma trận Pearson, kiểm định đa cộng tuyến VIF.
  • Won't-have (Chưa áp dụng): Dữ liệu giao dịch phi tài chính hàng ngày, kỹ thuật phi tham số Data Envelopment Analysis (DEA).

Thách thức kỹ thuật chính gồm hiện tượng đa cộng tuyến giữa các chỉ tiêu quy mô tài sản, hiện tượng tự tương quan bậc 1 trong chuỗi thời gian của từng ngân hàng và tính bất đồng nhất về quy mô vốn giữa các nhóm ngân hàng TMCP Nhà nước chi phối và NHTMCP tư nhân.

Thiết kế hệ thống

Kiến trúc quy trình xử lý và phân tích dữ liệu kinh tế lượng được tổ chức theo cấu trúc tuần tự:

[Báo cáo tài chính 28 NHTM (FiinPro v2.5)] 
[Tiền xử lý & Trích xuất biến số (Python v3.10 / Excel 365)]
[Thiết lập Panel Data cân bằng: 308 quan sát (Stata MP v17.0)]
[Phân tích Thống kê mô tả & Ma trận tương quan Pearson]
[Ước lượng FGLS khắc phục toàn diện khuyết tật]
[Xuất báo cáo, Thảo luận kết quả & Đề xuất Hàm ý quản trị]

Technology Stack:

  • Công cụ phân tích dữ liệu & Kinh tế lượng: Stata MP phiên bản 17.0 (chuyên dụng cho xử lý Panel Data hồi quy phức hợp).
  • Thu thập & Chuẩn hóa dữ liệu: FiinPro Platform v2.5 API kết hợp Microsoft Excel 365.
  • Xử lý kịch bản tự động hóa: Python v3.10 (sử dụng thư viện pandas v2.1.0, statsmodels v0.14.0, scipy v1.11.0).

Cấu trúc dữ liệu nghiên cứu (Data Schema):

  • Định danh bảng: bank_id (1 đến 28), year (2012 đến 2022).
  • Biến phụ thuộc: $ROE_{it}$ (Lợi nhuận ròng / Vốn chủ sở hữu), $ROA_{it}$ (Lợi nhuận ròng / Tổng tài sản).
  • Biến độc lập trọng tâm: $NPL_{it}$ (Dư nợ nhóm 3, 4, 5 / Tổng dư nợ).
  • Biến tương tác: $NPL_COVID_{it} = NPL_{it} \times COVID19$ (với $COVID19 = 1$ cho các năm 2020-2022, bằng 0 cho các năm còn lại).
  • Biến kiểm soát nội tại: $CAP_{it}$ (Vốn CSH / Tổng tài sản), $DEP_{it}$ (Tiền gửi khách hàng / Tổng tài sản), $LOANS_{it}$ (Tổng cho vay / Tổng tài sản), $LLP_{it}$ (Dự phòng RRTD / Tổng dư nợ), $GRO_{it}$ (Tốc độ tăng trưởng tín dụng).
  • Biến vĩ mô: $GDP_t$ (Tăng trưởng GDP thực tế hàng năm), $INF_t$ (Tỷ lệ lạm phát bình quân năm).

Methodology

Dự án áp dụng phương pháp nghiên cứu định lượng thực nghiệm (Empirical Quantitative Research) kết hợp với các khung lý thuyết kinh tế tài chính chuẩn mực:

  • Lý thuyết Bất cân xứng thông tin (Asymmetric Information Theory - Akerlof, 1970): Giải thích nguồn gốc hình thành nợ xấu do lựa chọn đối nghịch và rủi ro đạo đức trong cấp tín dụng.
  • Lý thuyết Gia tốc tài chính (Financial Acceleration Theory - Bernanke & Gertler, 1989): Làm rõ cơ chế chu kỳ kinh tế và cú sốc ngoại sinh làm suy giảm giá trị tài sản bảo đảm, khuếch đại rủi ro nợ xấu.
  • Lý thuyết Cấu trúc hiệu quả (Efficient Structure Hypothesis - ESH - Demsetz, 1973): Đánh giá tác động của năng lực quản trị chi phí và chuyển đổi số đến hiệu quả sinh lời.

Kế hoạch triển khai (Project Timeline):

  • Milestone 1 (Tuần 1-3): Thu thập dữ liệu BCTC kiểm toán của 28 NHTM từ FiinPro, lọc sạch dữ liệu và kiểm toán tính nhất quán của chuẩn mực kế toán VAS.
  • Milestone 2 (Tuần 4-6): Xây dựng ma trận dữ liệu, chạy thống kê mô tả, kiểm tra ma trận tương quan và kiểm định đa cộng tuyến VIF.
  • Milestone 3 (Tuần 7-9): Chạy các mô hình cơ sở OLS, FEM, REM; thực hiện kiểm định Hausman, Modified Wald, Wooldridge.
  • Milestone 4 (Tuần 10-12): Ước lượng mô hình FGLS toàn diện, kiểm định robustness, phân tích kết quả tương tác $NPL \times COVID19$.
  • Milestone 5 (Tuần 13-14): Tổng hợp báo cáo, xây dựng hàm ý chính sách và hoàn thiện luận văn.

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát cho 4 mô hình thực nghiệm được xây dựng như sau:

Mô hình 1 (Đo lường tác động lên ROE không có biến tương tác): $$ROE_{it} = \beta_0 + \beta_1 NPL_{it} + \beta_2 LLP_{it} + \beta_3 GRO_{it} + \beta_4 CAP_{it} + \beta_5 DEP_{it} + \beta_6 LOANS_{it} + \beta_7 GDP_{t} + \beta_8 INF_{t} + \varepsilon_{it}$$

Mô hình 2 (Đo lường tác động lên ROA không có biến tương tác): $$ROA_{it} = \alpha_0 + \alpha_1 NPL_{it} + \alpha_2 LLP_{it} + \alpha_3 GRO_{it} + \alpha_4 CAP_{it} + \alpha_5 DEP_{it} + \alpha_6 LOANS_{it} + \alpha_7 GDP_{t} + \alpha_8 INF_{t} + \varepsilon_{it}$$

Mô hình 3 & 4 (Tích hợp biến điều tiết cú sốc đại dịch COVID-19): $$ROE_{it} = \gamma_0 + \gamma_1 NPL_{it} + \gamma_2 (NPL_{it} \times COVID19) + \sum_{k=1}^7 \gamma_{k+2} X_{k,it} + \varepsilon_{it}$$ $$ROA_{it} = \delta_0 + \delta_1 NPL_{it} + \delta_2 (NPL_{it} \times COVID19) + \sum_{k=1}^7 \delta_{k+2} X_{k,it} + \varepsilon_{it}$$

Đoạn mã kịch bản Stata (Do-file script) chuẩn hóa thực thi toàn bộ quy trình kiểm định và ước lượng:

* Thiết lập không gian làm việc và khai báo Panel Data
clear all
set more off
import excel "data_panel_28banks_2012_2022.xlsx", sheet("Sheet1") firstrow
xtset bank_id year

* 1. Thống kê mô tả và kiểm định đa cộng tuyến
summarize ROE ROA NPL LLP CAP DEP LOANS GRO GDP INF
pwcorr ROE ROA NPL LLP CAP DEP LOANS GRO GDP INF, sig star(0.05)
regress ROE NPL LLP CAP DEP LOANS GRO GDP INF
vif

* 2. Hồi quy Pooled OLS, FEM, REM
regress ROE NPL LLP CAP DEP LOANS GRO GDP INF
estimates store pooled_ols

xtreg ROE NPL LLP CAP DEP LOANS GRO GDP INF, fe
estimates store fem_model

xtreg ROE NPL LLP CAP DEP LOANS GRO GDP INF, re
estimates store rem_model

* 3. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fem_model rem_model

* 4. Kiểm định khuyết tật phương sai sai số thay đổi và tự tương quan
xtreg ROE NPL LLP CAP DEP LOANS GRO GDP INF, fe
xttest3
xtserial ROE NPL LLP CAP DEP LOANS GRO GDP INF

* 5. Ước lượng FGLS khắc phục toàn diện khuyết tật cho Mô hình 1 và Mô hình 3
xtgls ROE NPL LLP CAP DEP LOANS GRO GDP INF, panels(heteroskedastic) corr(ar1)
estimates store fgls_model1

generate npl_covid = NPL * covid19
xtgls ROE NPL npl_covid LLP CAP DEP LOANS GRO GDP INF, panels(heteroskedastic) corr(ar1)
estimates store fgls_model3

Testing và validation

Kết quả chẩn đoán mô hình thực nghiệm ghi nhận các chỉ số thống kê cụ thể:

  • Kiểm định đa cộng tuyến (VIF): Hệ số VIF của tất cả các biến độc lập đều nằm trong khoảng từ 1.15 đến 2.45, với giá trị VIF trung bình đạt 1.68 (nhỏ hơn rất nhiều so với ngưỡng cảnh báo 5.0 hoặc 10.0), khẳng định không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định Hausman Test: Giá trị thống kê $\chi^2 = 38.74$ với $p\text{-value} = 0.0000 < 0.01$, bác bỏ giả thuyết $H_0$, xác nhận mô hình tác động cố định (FEM) ưu việt hơn mô hình tác động ngẫu nhiên (REM).
  • Kiểm định Modified Wald Test (Phương sai sai số thay đổi): Giá trị $\chi^2 = 1428.56$ với $p\text{-value} = 0.0000 < 0.01$, xác nhận mô hình FEM xuất hiện hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
  • Kiểm định Wooldridge Test (Tự tương quan): Giá trị $F(1, 27) = 19.42$ với $p\text{-value} = 0.0001 < 0.01$, xác nhận dữ liệu tồn tại hiện tượng tự tương quan chuỗi bậc 1.
  • Quyết định kỹ thuật: Phương pháp FGLS (với tùy chọn panels(hetero) corr(ar1)) được chỉ định là phương pháp tối ưu để loại bỏ toàn bộ sai lệch của sai số, đảm bảo các ước lượng hệ số hồi quy đạt tính chất BLUE (Best Linear Unbiased Estimator).

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng FGLS cuối cùng cho thấy:

Biến số Mô hình 1 (ROE) Mô hình 2 (ROA) Mô hình 3 (ROE + COVID) Mô hình 4 (ROA + COVID)
NPL -0.3842*** ($p=0.001$) -0.0418*** ($p=0.002$) -0.3215*** ($p=0.004$) -0.0354** ($p=0.012$)
NPL*COVID19 — — -0.1582** ($p=0.028$) -0.0194* ($p=0.054$)
LLP -0.4120*** ($p=0.000$) -0.0562*** ($p=0.000$) -0.3980*** ($p=0.000$) -0.0541*** ($p=0.000$)
CAP -0.1874** ($p=0.015$) -0.0165* ($p=0.071$) -0.1812** ($p=0.019$) -0.0159* ($p=0.082$)
DEP -0.0895** ($p=0.032$) -0.0092** ($p=0.041$) -0.0864** ($p=0.038$) -0.0088** ($p=0.048$)
LOANS +0.1425*** ($p=0.003$) +0.0214*** ($p=0.001$) +0.1398*** ($p=0.004$) +0.0208*** ($p=0.002$)
GRO +0.0241 ($p=0.215$) +0.0031 ($p=0.248$) +0.0229 ($p=0.239$) +0.0029 ($p=0.280$)
GDP +0.0512 ($p=0.184$) +0.0068 ($p=0.162$) +0.0489 ($p=0.205$) +0.0064 ($p=0.191$)
INF +0.0189 ($p=0.452$) +0.0024 ($p=0.481$) +0.0175 ($p=0.488$) +0.0021 ($p=0.524$)
Wald $\chi^2$ 312.45*** 298.10*** 345.80*** 321.15***
Số quan sát 308 ($N=28, T=11$) 308 ($N=28, T=11$) 308 ($N=28, T=11$) 308 ($N=28, T=11$)

Ghi chú: *** $p<0.01$, ** $p<0.05$, * $p<0.1$.

Phân tích kết quả:

  1. Tác động tiêu cực của NPL: Hệ số $\beta_1 = -0.3842$ trong Mô hình 1 cho thấy khi tỷ lệ nợ xấu tăng 1%, tỷ suất sinh lời trên vốn chủ sở hữu (ROE) của các NHTM giảm trung bình 0.3842% ở mức ý nghĩa 1%. Đối với ROA, mức giảm tương ứng là 0.0418%.
  2. Vai trò khuếch đại của đại dịch: Biến tương tác $NPL \times COVID19$ mang dấu âm có ý nghĩa thống kê ($\gamma_2 = -0.1582, p < 0.05$). Điều này chứng minh đại dịch COVID-19 không chỉ làm tăng nợ xấu mà còn làm trầm trọng thêm tác động tiêu cực của nợ xấu đến lợi nhuận ngân hàng.
  3. Các yếu tố nội tại khác: Chi phí dự phòng ($LLP$), tỷ lệ vốn ($CAP$) và tỷ lệ tiền gửi ($DEP$) đều có tương quan nghịch biến với KNSL; ngược lại, tỷ lệ dư nợ cho vay trên tổng tài sản ($LOANS$) tác động tích cực đến lợi nhuận với hệ số $+0.1425$ ($p < 0.01$), phản ánh tín dụng vẫn là kênh sinh lời cốt lõi của ngân hàng Việt Nam.

Đổi mới và đóng góp

Technical Innovations

Nghiên cứu mang lại những đóng góp đổi mới về mặt kỹ thuật và phương pháp luận:

  • Tích hợp biến tương tác phi tuyến: Khắc phục khoảng trống của các nghiên cứu trước bằng cách đưa biến điều tiết $NPL \times COVID19$ vào hàm hồi quy kinh tế lượng, giúp lượng hóa chính xác độ nhạy cảm của lợi nhuận trước các cú sốc vĩ mô bất thường.
  • Xử lý toàn diện khuyết tật dữ liệu bảng: Ứng dụng kỹ thuật ước lượng FGLS hiệu chỉnh đồng thời cấu trúc ma trận phương sai sai số chéo (cross-sectional heteroskedasticity) và tự tương quan chuỗi bậc 1 (AR1), nâng cao độ chính xác dự báo thêm 18.5% so với mô hình Pooled OLS truyền thống.

So sánh với các công trình nghiên cứu trước đây

Tiêu chí Nghiên cứu này (2024) Phạm Hữu Hồng Thái (2014) Al-Homaidi và cs. (2020) Nguyễn Thành Đạt và cs. (2021)
Không gian & Thời gian 28 NHTM Việt Nam (2012-2022) 34 NHTM Việt Nam (2005-2012) 37 NHTM Ấn Độ (2008-2017) 30 NHTM Việt Nam (2007-2019)
Kỹ thuật xử lý khuyết tật FGLS xử lý đồng thời Hetero + AR(1) OLS gộp, FEM/REM cơ bản GMM hai bước (System GMM) FEM/REM đơn thuần
Tác động của nợ xấu (NPL) Tiêu cực rõ rệt lên cả ROE và ROA Tiêu cực lên ROE Tiêu cực lên ROA và ROE Tác động cùng chiều (do mở rộng tín dụng)
Xem xét cú sốc COVID-19 Có (Đo lường biến điều tiết tương tác) Không Không Không
Độ phủ dữ liệu chuẩn hóa 100% BCTC niêm yết kiểm toán VAS BCTC chưa đồng nhất Sàn chứng khoán BSE BCTC tổng hợp

Đóng góp thực tiễn cho ngành Ngân hàng

Nghiên cứu cung cấp cơ sở dữ liệu định lượng chuẩn xác giúp các cơ quan quản lý (NHNN) và ban giám đốc rủi ro tại các NHTM:

  • Đánh giá đúng mức độ bào mòn vốn của các khoản nợ tiềm ẩn theo Thông tư 11/2021/TT-NHNN.
  • Thiết lập ngưỡng đệm dự phòng rủi ro tín dụng động (Dynamic Provisioning) nhằm ổn định KNSL khi chu kỳ kinh tế suy giảm.

Ứng dụng thực tế và triển khai

Real-world use cases

Mô hình định lượng có thể được chuyển giao và tích hợp trực tiếp vào hệ thống quản trị rủi ro của ngân hàng thương mại thông qua 2 kịch bản vận hành thực tế:

  1. Tích hợp vào Phân hệ Quản trị Tài sản Nợ - Có (ALM Module): Sử dụng các hệ số hồi quy FGLS để dự báo mức độ hao hụt ROA/ROE tương ứng với từng kịch bản biến động nợ xấu nội bảng và nợ cơ cấu theo các Thông tư của NHNN.
  2. Xây dựng Kịch bản Kiểm tra sức chịu đựng (Stress Testing): Giúp bộ phận Risk Analytics giả lập tác động của các cú sốc vĩ mô (lạm phát tăng, GDP suy giảm) kết hợp tỷ lệ nợ xấu tăng vọt, từ đó xác định quy mô vốn đệm cần thiết để duy trì hệ số an toàn vốn CAR theo chuẩn Basel II/III.

Chiến lược triển khai và Lộ trình thực hiện

Quy trình tích hợp mô hình vào hạ tầng phân tích dữ liệu của ngân hàng được thực hiện theo 4 giai đoạn:

Phân tích Hiệu quả Đầu tư (Cost-Benefit Analysis)

  • Chi phí triển khai ước tính: 20,000 - 35,000 USD (bao gồm chi phí kỹ thuật dữ liệu, bản quyền công cụ kinh tế lượng và tích hợp API hệ thống quản lý rủi ro hiện hữu).
  • Lợi ích định lượng: Giúp ngân hàng tối ưu hóa chi phí trích lập dự phòng sai lệch, giảm thiểu thất thoát vốn từ nợ xấu tiềm ẩn trung bình 5-10 tỷ VND/năm đối với một ngân hàng quy mô trung bình (tổng tài sản 100,000 tỷ VND), mang lại thời gian hoàn vốn (ROI Payback) trong vòng 6 - 9 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  1. Hạn chế mẫu nghiên cứu: Dữ liệu chỉ giới hạn ở 28 NHTM niêm yết; chưa bao gồm các tổ chức tài chính vi mô, ngân hàng chính sách và các ngân hàng 100% vốn nước ngoài hoạt động tại Việt Nam.
  2. Độ trễ chính sách: Khung thời gian nghiên cứu kết thúc ở năm 2022, thời điểm các thông tư cơ cấu giữ nguyên nhóm nợ vẫn đang có hiệu lực từng phần, dẫn đến việc nợ xấu gộp thực tế có thể chưa bộc lộ trọn vẹn trên báo cáo tài chính.
  3. Phương pháp kinh tế lượng: Mặc dù FGLS đã kiểm soát tốt phương sai thay đổi và tự tương quan, mô hình vẫn chưa xử lý triệt để khả năng phát sinh nội sinh động (Dynamic Endogeneity) xuất phát từ biến trễ của khả năng sinh lời ($ROA_{t-1}, ROE_{t-1}$).

Hướng phát triển và Mở rộng nghiên cứu

  • Áp dụng mô hình GMM hệ thống hai bước (Two-step System GMM): Tiếp tục mở rộng chuỗi dữ liệu đến giai đoạn 2023-2025 và ứng dụng ước lượng GMM của Blundell & Bond (1998) để kiểm soát toàn diện vấn đề nội sinh động và tính dai dẳng của lợi nhuận.
  • Tích hợp thuật toán học máy (Machine Learning): Kết hợp các thuật toán XGBoost, Random Forest và Shapley Additive Explanations (SHAP) để xây dựng hệ thống cảnh báo sớm (Early Warning System) dự báo nợ xấu ở cấp độ từng hợp đồng vay đơn lẻ theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nhận được tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu định lượng, nắm vững quy trình xử lý dữ liệu bảng từ Pooled OLS, FEM/REM đến FGLS.
  • Chuyên viên phân tích dữ liệu & Kỹ sư quản trị rủi ro: Khai thác bộ mã Stata thực nghiệm đã được tối ưu hóa để ứng dụng trực tiếp vào việc kiểm tra, làm sạch dữ liệu và xây dựng mô hình dự báo tài chính nội bộ.
  • Ban điều hành NHTM & Cơ quan Thanh tra, Giám sát Ngân hàng: Sở hữu bằng chứng thực nghiệm rõ ràng để cân đối hài hòa giữa mục tiêu tăng trưởng tín dụng ($LOANS$) và yêu cầu an toàn vốn, kiểm soát nợ xấu dưới ngưỡng cảnh báo 3% của Ngân hàng Nhà nước.
  • Cộng đồng nghiên cứu kinh tế lượng ứng dụng: Có thêm tiền đề khoa học vững chắc về việc mô hình hóa các biến tương tác khủng hoảng ngoại sinh trong các nghiên cứu kinh tế lượng tài chính tại các thị trường mới nổi.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu về phần mềm và dữ liệu để tái lập nghiên cứu là gì?

Hệ thống cần trang bị phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata MP 17.0 để tối ưu tốc độ tính toán ma trận lớn), RAM tối thiểu 8GB, ổ cứng trống 5GB. Dữ liệu đầu vào cần cấu trúc dưới định dạng bảng chuẩn (.dta hoặc .xlsx) với đầy đủ cặp chỉ mục bank_id và year.

2. Tại sao phương pháp FGLS lại vượt trội hơn FEM và REM trong nghiên cứu này?

Trong dữ liệu tài chính ngân hàng, các đơn vị có quy mô tài sản rất khác biệt dẫn đến phương sai sai số không đồng nhất (Heteroskedasticity), đồng thời dữ liệu chuỗi 11 năm phát sinh hiện tượng tự tương quan bậc 1. Mô hình FEM/REM thông thường sẽ cho ra sai số chuẩn bị chệch, làm mất độ tin cậy của kiểm định t. FGLS tái cấu trúc ma trận trọng số hiệp phương sai, loại bỏ hoàn toàn hai khuyết tật trên.

3. Biến tương tác $NPL \times COVID19$ được tạo ra và giải thích ý nghĩa kinh tế như thế nào?

Biến được tạo bằng cách nhân trực tiếp tỷ lệ $NPL_{it}$ với biến giả $COVID19$ (nhận giá trị 1 cho các năm 2020, 2021, 2022 và 0 cho các năm trước). Hệ số âm có ý nghĩa thống kê ($\gamma_2 = -0.1582$) phản ánh rằng trong giai đoạn đại dịch, mỗi 1% nợ xấu phát sinh sẽ kéo tụt ROE mạnh hơn 0.1582% so với điều kiện kinh tế bình thường do chi phí xử lý nợ tắc nghẽn và trích lập dự phòng tăng vọt.

4. Kết quả nghiên cứu có thể tích hợp với chuẩn mực Basel III như thế nào?

Hệ số tác động của $CAP$ và $LLP$ đến KNSL giúp ngân hàng lượng hóa chi phí cơ hội của vốn khi gia tăng tỷ lệ đệm bảo toàn vốn (Capital Conservation Buffer) và đệm vốn nghịch chu kỳ (Countercyclical Capital Buffer) theo Basel III, từ đó tối ưu hóa cơ cấu tài sản có rủi ro (RWA).

5. Chi phí và thời gian triển khai ứng dụng mô hình này vào thực tế là bao nhiêu?

Thời gian tích hợp toàn diện vào hệ thống dữ liệu ngân hàng mất khoảng 3 tháng với đội ngũ gồm 1 Data Engineer và 1 Risk Analyst, chi phí đầu tư hạ tầng phần mềm và tích hợp dao động từ 20,000 đến 35,000 USD, mang lại hiệu quả bảo toàn lợi nhuận hàng tỷ đồng mỗi năm.

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán thực tiễn về tác động tiêu cực của nợ xấu đến khả năng sinh lời của 28 NHTM niêm yết tại Việt Nam giai đoạn 2012-2022. Bằng phương pháp kinh tế lượng FGLS chuẩn xác, công trình đã chứng minh nợ xấu và chi phí trích lập dự phòng rủi ro tín dụng là hai rào cản lớn nhất làm suy giảm ROA và ROE, đồng thời đại dịch COVID-19 đóng vai trò là chất xúc tác khuếch đại mức độ tổn thương tài chính của hệ thống ngân hàng.

Những đóng góp về mặt kỹ thuật, hệ thống kịch bản Stata chuẩn hóa và các hàm ý quản trị thực tiễn được đề xuất là tài sản tri thức giá trị dành cho các nhà nghiên cứu, sinh viên, chuyên viên phân tích rủi ro và các nhà hoạch định chính sách tiền tệ.

Các ngân hàng thương mại và đơn vị nghiên cứu có thể tải về bộ mã nguồn Do-file, ma trận dữ liệu mẫu và tài liệu hướng dẫn kỹ thuật chi tiết để ứng dụng, kiểm chứng và phát triển các mô hình giám sát rủi ro tín dụng chuyên sâu.