Giới thiệu dự án
Hoạt động của hệ thống ngân hàng thương mại (NHTM) đóng vai trò huyết mạch trong việc luân chuyển vốn và đảm bảo tính ổn định tài chính quốc gia. Sau cuộc khủng hoảng tài chính toàn cầu năm 2008 và làn sóng biến động kinh tế từ đại dịch COVID-19, việc kiểm soát rủi ro thanh khoản theo các tiêu chuẩn quốc tế (như Hiệp ước Basel II và Basel III) trở thành nhiệm vụ sống còn. Tại Việt Nam, các ngân hàng thương mại cổ phần (NHTMCP) chịu áp lực kép: vừa phải tối ưu hóa lợi nhuận (ROAA, ROAE), vừa phải duy trì bộ đệm thanh khoản an toàn trước các cú sốc rút tiền hoặc biến động vĩ mô.
Vấn đề cốt lõi nảy sinh từ sự xung đột giữa khả năng sinh lời và an toàn thanh khoản. Việc nắm giữ quá nhiều tài sản thanh khoản cao (tiền mặt, tiền gửi tại Ngân hàng Nhà nước) làm gia tăng chi phí cơ hội và suy giảm biên lãi ròng, trong khi mở rộng tín dụng quá mức nhằm tìm kiếm lợi nhuận lại đào sâu khe hở tài trợ (Funding Gap - FGAP), đẩy ngân hàng vào nguy cơ mất khả năng chi trả.
Đề tài "Tác động của rủi ro thanh khoản đến hiệu quả hoạt động của các Ngân hàng Thương mại Cổ phần Việt Nam" do tác giả Nguyễn Thị Anh Thư thực hiện dưới sự hướng dẫn khoa học của TS. Trần Hồng Hà (Trường Đại học Ngân hàng TP. Hồ Chí Minh, 2023) tập trung giải quyết bài toán trên.
Mục tiêu cụ thể của công trình bao gồm:
- Hệ thống hóa cơ sở lý luận về thanh khoản, rủi ro thanh khoản ($RRTK$) và hiệu quả hoạt động ($HQHĐ$) trong hệ thống NHTMCP.
- Xây dựng mô hình định lượng đánh giá chiều hướng và mức độ tác động của khe hở tài trợ ($FGAP$) cùng các nhân tố nội tại và vĩ mô đến $ROAA$ và $ROAE$.
- Kiểm định các khuyết tật mô hình tài chính bảng (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan và nội sinh) để đưa ra ước lượng chuẩn xác nhất.
- Đề xuất hệ thống giải pháp và hàm ý quản trị giúp các NHTMCP Việt Nam cân bằng giữa mục tiêu lợi nhuận và kiểm soát rủi ro thanh khoản.
Phạm vi nghiên cứu bao gồm bộ dữ liệu bảng cân bằng của 26 NHTMCP Việt Nam (chiếm gần 85% quy mô toàn hệ thống) trong giai đoạn 11 năm (2011–2021). Giới hạn của đề tài nằm ở việc loại trừ 5 ngân hàng do thiếu dữ liệu kiểm toán minh bạch và chưa mở rộng sang các công cụ phái sinh thanh khoản phức tạp ngoại bảng.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các công trình nghiên cứu trước đây tại Việt Nam và quốc tế sử dụng nhiều chỉ số đại diện cho rủi ro thanh khoản nhưng chưa có sự thống nhất về chiều hướng tác động và thường bỏ qua các hiện tượng khuyết tật mô hình dữ liệu bảng.
| Phương pháp / Chỉ số đo lường |
Ưu điểm kỹ thuật |
Hạn chế thực nghiệm |
Đánh giá so sánh |
| Tỷ trọng tài sản thanh khoản ($L1 = LQA/TA$) |
Dễ tính toán từ bảng cân đối kế toán, phản ánh khả năng sẵn sàng chi trả tức thì. |
Chỉ mang tính thời điểm, không phản ánh áp lực từ phía danh mục nợ phải trả. |
Phù hợp phân tích tĩnh, không nắm bắt được rủi ro biến động dòng tiền kỳ hạn. |
| Tỷ lệ cho vay trên tiền gửi ($L4 = L/DEP$) |
Phản ánh trực tiếp mức độ tài trợ tín dụng từ nguồn vốn huy động dân cư. |
Bỏ qua các nguồn tài trợ liên ngân hàng và các nguồn vốn ngắn hạn khác. |
Dễ bị sai lệch nếu ngân hàng phát hành trái phiếu thứ cấp để tài trợ cho vay. |
| Khe hở tài trợ ($FGAP = \frac{Loans - Deposits}{Total Assets}$) |
Đo lường toàn diện mức chênh lệch giữa nhu cầu sử dụng vốn và nguồn vốn huy động trên quy mô tài sản. |
Yêu cầu số liệu tài chính chi tiết, cần đồng bộ hóa cấu trúc báo cáo tài chính. |
Phương pháp tối ưu: Thể hiện trực tiếp rủi ro tái tài trợ và phản ánh rõ nét rủi ro thanh khoản kỳ hạn. |
Yêu cầu phân tích dữ liệu được phân loại theo ma trận MoSCoW:
- Must-have: Khắc phục triệt để hiện tượng phương sai thay đổi ($Heteroskedasticity$), tự tương quan ($Autocorrelation$) và nội sinh ($Endogeneity$).
- Should-have: Tích hợp đồng thời các biến kiểm soát nội tại vi mô ($CAP$, $LLP$, $DEP$, $DIA$, $NPL$, $SIZE$) và biến vĩ mô ($GDP$, $INF$).
- Could-have: So sánh đa mô hình ước lượng: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM), Feasible Generalized Least Squares (FGLS) và System GMM (SGMM).
- Won't-have: Mô hình hóa các cú sốc thanh khoản thời gian thực theo tần suất ngày (High-frequency liquidity modeling).
Thiết kế hệ thống
Quy trình xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế theo luồng kiến trúc chuẩn mực:
graph TD
A[Báo cáo tài chính & Thường niên 26 NHTMCP 2011-2021] --> B[Tiền xử lý & Chuẩn hóa dữ liệu bảng: N=26, T=11, Obs=286]
C[Dữ liệu Vĩ mô: ADB / GSO: GDP, INF] --> B
B --> D[Thống kê mô tả & Ma trận tương quan Pearson]
D --> E[Kiểm định đa cộng tuyến VIF]
E --> F[Ước lượng cơ sở: Pooled OLS, FEM, REM]
F --> G[Kiểm định Lựa chọn Mô hình: F-test, Hausman Test, Breusch-Pagan LM]
G --> H[Kiểm định Khuyết tật: Modified Wald & Wooldridge Test]
H -->|Vi phạm Phương sai thay đổi & Tự tương quan| I[Mô hình FGLS - Feasible Generalized Least Squares]
H -->|Kiểm soát tính Nội sinh & Biến trễ| J[Mô hình Động System GMM - Blundell & Bond 1998]
I --> K[Đánh giá tính vững & Kiểm định Sargan / Hansen / AR2]
J --> K
K --> L[Kết luận Thực nghiệm & Hàm ý Chính sách Quản trị ALM]
Technology Stack sử dụng trong nghiên cứu:
- Stata MP v17.0: Nền tảng phân tích kinh tế lượng chính, thực thi các package
xtreg, xtgls, xtabond2.
- Python v3.10 / Pandas v2.1.0: Tự động hóa tiền xử lý, kiểm tra tính toàn vẹn của chuỗi dữ liệu thời gian 2011–2021.
- Cơ sở dữ liệu: Báo cáo tài chính đã kiểm toán của 26 NHTMCP Việt Nam và Dữ liệu thống kê chỉ số kinh tế chính của Ngân hàng Phát triển Châu Á (ADB).
Bảng thiết kế cấu trúc biến số thực nghiệm:
| Tên biến |
Ký hiệu |
Công thức tính toán |
Vai trò trong mô hình |
Kỳ vọng dấu |
| Return on Average Assets |
$ROAA_{i,t}$ |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}} \times 100%$ |
Biến phụ thuộc (Mô hình 1) |
N/A |
| Return on Average Equity |
$ROAE_{i,t}$ |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}} \times 100%$ |
Biến phụ thuộc (Mô hình 2) |
N/A |
| Funding Gap |
$FGAP_{i,t}$ |
$\frac{\text{Dư nợ tín dụng} - \text{Huy động tiền gửi}}{\text{Tổng tài sản}} \times 100%$ |
Biến độc lập chính ($RRTK$) |
$+$ |
| Bank Capitalization |
$CAP_{i,t}$ |
$\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}} \times 100%$ |
Biến kiểm soát nội bộ |
$+$ |
| Loan Loss Provision |
$LLP_{i,t}$ |
$\frac{\text{Dự phòng rủi ro cho vay}}{\text{Tổng dư nợ}} \times 100%$ |
Biến kiểm soát nội bộ |
$+/-$ |
| Deposit Ratio |
$DEP_{i,t}$ |
$\frac{\text{Tổng tiền gửi khách hàng}}{\text{Tổng tài sản}} \times 100%$ |
Biến kiểm soát nội bộ |
$+$ |
| Non-interest Income |
$DIA_{i,t}$ |
$\frac{\text{Thu nhập ngoài lãi}}{\text{Tổng thu nhập hoạt động}} \times 100%$ |
Biến kiểm soát nội bộ |
$+$ |
| Non-performing Loans |
$NPL_{i,t}$ |
$\frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ}} \times 100%$ |
Biến kiểm soát nội bộ |
$-$ |
| Bank Size |
$SIZE_{i,t}$ |
$\ln(\text{Tổng tài sản})$ |
Biến kiểm soát nội bộ |
$+$ |
| GDP Growth |
$GDP_t$ |
$\frac{GDP_t - GDP_{t-1}}{GDP_{t-1}} \times 100%$ |
Biến kiểm soát vĩ mô |
$+$ |
| Inflation Rate |
$INF_t$ |
$\frac{CPI_t - CPI_{t-1}}{CPI_{t-1}} \times 100%$ |
Biến kiểm soát vĩ mô |
$+/-$ |
Methodology
Phương pháp nghiên cứu kết hợp giữa phân tích định tính (tổng quan tài liệu, xây dựng giả thuyết) và kỹ thuật định lượng dữ liệu bảng động ($Dynamic\ Panel\ Data$).
Quy trình quản lý chất lượng và giảm thiểu rủi ro:
- Rủi ro đa cộng tuyến: Đo lường qua hệ số Variance Inflation Factor (VIF). Ngưỡng chấp nhận $VIF < 5.0$.
- Rủi ro phương sai sai số thay đổi: Kiểm định Modified Wald test cho mô hình FEM; Breusch-Pagan LM test cho mô hình Pooled OLS.
- Rủi ro tự tương quan chuỗi: Kiểm định Wooldridge test cho dữ liệu bảng.
- Rủi ro nội sinh: Xảy ra do mối quan hệ đồng thời giữa rủi ro thanh khoản và lợi nhuận, hoặc do tác động của biến phụ thuộc trễ ($ROAA_{t-1}, ROAE_{t-1}$). Khắc phục bằng phương pháp System GMM hai bước (Two-step SGMM) với hiệu chỉnh sai số mẫu nhỏ của Windmeijer (2005).
Implementation và kết quả
Development process
Hai phương trình hồi quy đa biến được thiết lập nhằm lượng hóa tác động:
$$\text{Mô hình 1: } ROAA_{i,t} = \beta_0 + \beta_1 FGAP_{i,t} + \beta_2 CAP_{i,t} + \beta_3 LLP_{i,t} + \beta_4 DEP_{i,t} + \beta_5 DIA_{i,t} + \beta_6 NPL_{i,t} + \beta_7 SIZE_{i,t} + \beta_8 GDP_t + \beta_9 INF_t + \varepsilon_{i,t}$$
$$\text{Mô hình 2: } ROAE_{i,t} = \alpha_0 + \alpha_1 FGAP_{i,t} + \alpha_2 CAP_{i,t} + \alpha_3 LLP_{i,t} + \alpha_4 DEP_{i,t} + \alpha_5 DIA_{i,t} + \alpha_6 NPL_{i,t} + \alpha_7 SIZE_{i,t} + \alpha_8 GDP_t + \alpha_9 INF_t + \varepsilon_{i,t}$$
Đoạn mã cú pháp Stata 17.0 thực thi toàn bộ chuỗi kiểm định và hồi quy:
* Thiết lập dữ liệu bảng
xtset bank_id year
* 1. Hồi quy Pooled OLS, FEM và REM
regress roaa fgap cap llp dep dia npl size gdp inf
estimates store OLS_ROAA
xtreg roaa fgap cap llp dep dia npl size gdp inf, fe
estimates store FEM_ROAA
xtreg roaa fgap cap llp dep dia npl size gdp inf, re
estimates store REM_ROAA
* 2. Kiểm định lựa chọn mô hình
hausman FEM_ROAA REM_ROAA
* 3. Kiểm định khuyết tật mô hình trên FEM
xtreg roaa fgap cap llp dep dia npl size gdp inf, fe
xttest3 // Kiểm định Modified Wald về phương sai sai số thay đổi
xtserial roaa fgap cap llp dep dia npl size gdp inf // Kiểm định tự tương quan Wooldridge
* 4. Hồi quy FGLS khắc phục phương sai thay đổi và tự tương quan
xtgls roaa fgap cap llp dep dia npl size gdp inf, panels(hetero) corr(ar1)
estimates store FGLS_ROAA
* 5. Hồi quy System GMM hai bước kiểm soát biến trễ và nội sinh
xtabond2 roaa L.roaa fgap cap llp dep dia npl size gdp inf, ///
gmm(L.roaa fgap, lag(2 3) collapse) ///
iv(cap llp dep dia npl size gdp inf) ///
twostep robust small
estimates store SGMM_ROAA
Testing và validation
Kết quả thực hiện các kiểm định chẩn đoán kỹ thuật:
- Kiểm định Hausman: Cho giá trị $p\text{-value} < 0.01$, bác bỏ $H_0$, ưu tiên lựa chọn mô hình Fixed Effect Model (FEM) thay vì Random Effect Model (REM).
- Kiểm định Modified Wald test: $p\text{-value} = 0.0000 < 0.01$, xác nhận sự hiện diện nghiêm trọng của hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
- Kiểm định Wooldridge test: $p\text{-value} = 0.0042 < 0.01$, xác nhận tồn tại hiện tượng tự tương quan bậc nhất AR(1).
- Kiểm định Hansen/Sargan (SGMM): $p\text{-value} > 0.10$, chứng minh biến công cụ ($Instrument\ Variables$) sử dụng hoàn toàn hợp lệ, không xảy ra hiện tượng vượt mức định danh.
- Kiểm định Arellano-Bond: $AR(1)$ có $p < 0.05$ và $AR(2)$ có $p > 0.10$, xác nhận phần dư sai số không có tự tương quan bậc 2, mô hình SGMM đạt độ tin cậy tối ưu.
Kết quả đạt được
Bảng tổng hợp kết quả ước lượng từ mô hình FGLS và System GMM (SGMM):
| Biến số |
Hệ số FGLS (ROAA) |
Hệ số SGMM (ROAA) |
Hệ số FGLS (ROAE) |
Hệ số SGMM (ROAE) |
Mức ý nghĩa thống kê ($p\text{-value}$) |
| L.Dependent |
— |
$+0.4128^{***}$ |
— |
$+0.3845^{***}$ |
$p < 0.01$ |
| FGAP |
$+0.0062^{***}$ |
$+0.0084^{***}$ |
$+0.0685^{***}$ |
$+0.0892^{***}$ |
$p < 0.01$ |
| CAP |
$+0.0418^{***}$ |
$+0.0352^{***}$ |
$-0.2415^{***}$ |
$-0.1982^{***}$ |
$p < 0.01$ |
| LLP |
$-0.1142^{***}$ |
$-0.0985^{**}$ |
$-1.1250^{***}$ |
$-0.8741^{***}$ |
$p < 0.01$ |
| DEP |
$+0.0078^{***}$ |
$+0.0061^{**}$ |
$+0.0821^{***}$ |
$+0.0645^{**}$ |
$p < 0.05$ |
| DIA |
$+0.0145^{***}$ |
$+0.0118^{***}$ |
$+0.1542^{***}$ |
$+0.1280^{***}$ |
$p < 0.01$ |
| NPL |
$-0.0854^{***}$ |
$-0.0712^{***}$ |
$-0.7845^{***}$ |
$-0.6521^{***}$ |
$p < 0.01$ |
| SIZE |
$+0.0012$ |
$+0.0009$ |
$+0.0142$ |
$+0.0115$ |
$p > 0.10$ (Không có ý nghĩa) |
| GDP |
$+0.0325^{***}$ |
$+0.0284^{***}$ |
$+0.3120^{***}$ |
$+0.2745^{***}$ |
$p < 0.01$ |
| INF |
$-0.0182^{**}$ |
$-0.0145^{*}$ |
$-0.1850^{**}$ |
$-0.1420^{*}$ |
$p < 0.05$ |
Ghi chú: $^{}, ^{}, ^{}$ tương ứng với mức ý nghĩa thống kê 1%, 5%, và 10%.
Kết quả nghiên cứu thực nghiệm xác nhận:
- Biến khe hở tài trợ ($FGAP$) có tương quan dương mạnh mẽ với cả $ROAA$ và $ROAE$ ở mức ý nghĩa 1%. Cụ thể, trong điều kiện các yếu tố khác không đổi, khi tỷ lệ khe hở tài trợ tăng thêm 1%, $ROAA$ tăng trung bình $0.0084%$ và $ROAE$ tăng $0.0892%$ (theo mô hình SGMM). Điều này phản ánh rõ nét lý thuyết đánh đổi rủi ro - thu nhập ($Risk-Return\ Tradeoff$): các ngân hàng chấp nhận thu hẹp tài sản thanh khoản dự trữ để tối đa hóa dư nợ cho vay sẽ ghi nhận hiệu quả tài chính cao hơn, với điều kiện rủi ro thanh khoản được kiểm soát trong biên độ an toàn.
- Biến vốn tự có ($CAP$) tác động dương đến $ROAA$ do năng lực tài chính tự chủ tốt, nhưng tác động âm đến $ROAE$ do hiệu ứng suy giảm đòn bẩy tài chính ($Financial\ Leverage$).
- Dự phòng rủi ro ($LLP$) và nợ xấu ($NPL$) tác động tiêu cực rõ rệt đến hiệu quả sinh lời do chi phí trích lập trực tiếp làm xói mòn lợi nhuận ròng.
- Quy mô ngân hàng ($SIZE$) không có ý nghĩa thống kê, chứng minh rằng việc tăng trưởng tài sản đơn thuần không đồng nghĩa với gia tăng hiệu quả vận hành.
Đổi mới và đóng góp
Nghiên cứu mang lại 4 đóng góp nổi bật về mặt học thuật và thực tiễn:
- Khắc phục triệt để khoảng trống phương pháp luận: Khác với các nghiên cứu trước đây tại Việt Nam chỉ dừng lại ở Pooled OLS hoặc FEM/REM (thường bị sai lệch hệ số do hiện tượng nội sinh và tự tương quan), nghiên cứu này áp dụng đồng thời kỹ thuật FGLS và System GMM hai bước, đảm bảo các ước lượng không chệch và có phương sai nhỏ nhất ($BLUE$).
- Cập nhật mẫu dữ liệu bao trùm giai đoạn biến động lớn (2011–2021): Bao gồm giai đoạn tái cơ cấu hệ thống ngân hàng theo Quyết định 254/QĐ-TTg, quá trình áp dụng Thông tư 41/2016/TT-NHNN (Basel II) và giai đoạn ứng phó đại dịch COVID-19.
- Lượng hóa sự đánh đổi giữa an toàn thanh khoản và lợi nhuận: Cung cấp bằng chứng thực nghiệm phản bác quan điểm cho rằng gia tăng thanh khoản luôn đồng hành với nâng cao hiệu quả hoạt động, khẳng định tầm quan trọng của việc duy trì khe hở tài trợ tối ưu.
So sánh đối chiếu với các công trình nghiên cứu tiêu biểu:
| Tiêu chí so sánh |
Siaw (2013) |
Arif & Anees (2012) |
Hồ Thanh Thủy (2017) |
Công trình nghiên cứu này (2023) |
| Phạm vi khảo sát |
22 ngân hàng Ghana |
22 ngân hàng Pakistan |
Các NHTM Việt Nam (2008-2015) |
26 NHTMCP Việt Nam (2011-2021) |
| Phương pháp chính |
GLS |
OLS |
OLS / FEM |
FGLS & System GMM (SGMM) |
| Đo lường RRTK |
FGAP |
Chênh lệch thanh khoản |
Tiền mặt, Tiền gửi, Quy mô |
Khe hở tài trợ chuẩn hóa ($FGAP$) |
| Tác động RRTK -> HQHĐ |
Dương ($+$) |
Âm ($-$) |
Âm ($-$) |
Dương ($+$) có kiểm soát ở mức 1% |
| Kiểm soát nội sinh |
Không |
Không |
Không |
Có (Two-step SGMM with Instruments) |
Ứng dụng thực tế và triển khai
Kết quả nghiên cứu cung cấp cơ sở định lượng để các NHTMCP tái thiết lập quy trình Quản trị Tài sản Nợ - Tài sản Có (Asset-Liability Management - ALM) và Hội đồng Quản lý Vốn và Tài sản (ALCO):
- Thiết lập hạn mức khe hở tài trợ ($FGAP$) theo khẩu vị rủi ro:
- Các NHTMCP quy mô lớn cần duy trì tỷ lệ $FGAP / Total\ Assets$ trong khoảng tối ưu từ $15% - 25%$.
- Khi $FGAP$ tiệm cận ngưỡng cảnh báo đỏ ($> 30%$), hệ thống ALM tự động kích hoạt nghiệp vụ thị trường mở (OMO) hoặc phát hành chứng chỉ tiền gửi dài hạn để bù đắp thiếu hụt nguồn vốn huy động.
- Triển khai cơ chế Định giá điều chuyển vốn nội bộ (Funds Transfer Pricing - FTP):
- Tích hợp chi phí bù đắp rủi ro thanh khoản ($Liquidity\ Premium$) vào lãi suất cho vay đối với các kỳ hạn trung và dài hạn.
- Ưu đãi lãi suất FTP nội bộ cho các chi nhánh huy động được tiền gửi không kỳ hạn (CASA) ổn định nhằm gia tăng mẫu số của tỷ lệ thanh khoản.
- Lộ trình triển khai 4 giai đoạn:
- Giai đoạn 1 (Tháng 1-3): Chuẩn hóa kho dữ liệu ALM Data Warehouse và xây dựng dashboard đo lường $FGAP$ theo thời gian thực ($T+0$).
- Giai đoạn 2 (Tháng 4-6): Tích hợp mô hình kinh tế lượng vào hệ thống phân tích kịch bản căng thẳng thanh khoản ($Liquidity\ Stress\ Testing$).
- Giai đoạn 3 (Tháng 7-9): Thử nghiệm cơ chế định giá FTP điều chỉnh theo rủi ro thanh khoản trên toàn hệ thống mạng lưới chi nhánh.
- Giai đoạn 4 (Tháng 10-12): Đánh giá hiệu quả biên lợi nhuận ròng (NIM) và kiểm toán mức độ tuân thủ quy định thanh khoản của Ngân hàng Nhà nước.
Hạn chế và hướng phát triển
Dù đạt được những kết quả thực nghiệm có ý nghĩa khoa học cao, đề tài vẫn tồn tại một số hạn chế nhất định:
- Dữ liệu chưa bao quát toàn bộ hệ thống: Chưa bao gồm 5 NHTMCP yếu kém hoặc đang thuộc diện tái cơ cấu bắt buộc do thiếu số liệu báo cáo tài chính kiểm toán minh bạch.
- Hạn chế về chỉ số thanh khoản Basel III: Nghiên cứu sử dụng số liệu năm từ báo cáo tài chính nên chưa thể tính toán trực tiếp hai chỉ số thanh khoản động của Basel III là Tỷ lệ đảm bảo khả năng thanh khoản ngắn hạn (Liquidity Coverage Ratio - LCR) và Tỷ lệ tạo nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
Hướng nghiên cứu và phát triển tiếp theo:
- Ứng dụng các thuật toán Machine Learning (Random Forest, XGBoost, LSTM) để dự báo dòng tiền rút bất thường và tối ưu hóa khe hở tài trợ theo tần suất dữ liệu chuỗi thời gian ngày.
- Mở rộng phân tích cấu trúc phi tuyến tính ($Non-linear\ Threshold\ Regression$) nhằm xác định chính xác ngưỡng $FGAP^*$ mà tại đó rủi ro thanh khoản chuyển hóa từ tác động tích cực sang phá hủy giá trị lợi nhuận.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu dữ liệu bảng nâng cao (FGLS, System GMM) trong ngành Tài chính - Ngân hàng.
- Chuyên viên Quản trị rủi ro & Data Analyst tại ngân hàng: Nắm vững công thức lượng hóa $FGAP$ và kỹ thuật xây dựng bộ đệm thanh khoản tối ưu gắn liền với mục tiêu kinh doanh.
- Ban điều hành NHTMCP (Hội đồng Quản trị, ALCO): Có cơ sở định lượng để hoạch định chính sách huy động vốn, phân bổ tín dụng và điều tiết cơ cấu kỳ hạn tài sản.
- Cơ quan Quản lý Nhà nước (Ngân hàng Nhà nước Việt Nam): Cung cấp thêm góc nhìn thực nghiệm để hoàn thiện các văn bản quy phạm pháp luật (như Thông tư 22/2019/TT-NHNN và Thông tư 08/2017/TT-NHNN) nhằm giám sát an toàn vĩ mô hiệu quả.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và công nghệ để triển khai mô hình quản trị này tại một ngân hàng là gì?
Ngân hàng cần hệ thống Data Warehouse đồng bộ dữ liệu giao dịch Core Banking, phần mềm xử lý dữ liệu (Stata MP, R, Python hoặc SAS Enterprise Miner) và đội ngũ phân tích định lượng có khả năng vận hành mô hình kinh tế lượng bảng động.
2. Tại sao khe hở tài trợ (FGAP) tăng lại làm tăng hiệu quả hoạt động (ROAA/ROAE)?
$FGAP$ tăng đồng nghĩa với việc ngân hàng đang sử dụng tối đa nguồn vốn huy động để tài trợ cho vay sinh lời thay vì giữ tiền mặt nhàn rỗi. Nếu chi phí huy động thấp hơn lợi suất cho vay và rủi ro tín dụng được kiểm soát tốt, biên lãi ròng và tỷ suất sinh lời của ngân hàng sẽ gia tăng.
3. Mô hình này tích hợp với hệ thống Quản trị Tài sản Nợ - Có (ALM) hiện hữu như thế nào?
Mô hình cung cấp các hệ số ước lượng thực nghiệm giúp hệ thống ALM tự động hiệu chỉnh biên rủi ro thanh khoản trong cơ chế định giá điều chuyển vốn nội bộ (FTP) và thiết lập ngưỡng chặn cảnh báo sớm cho khe hở tài trợ.
4. Chi phí trích lập dự phòng (LLP) tác động như thế nào đến mối quan hệ giữa thanh khoản và lợi nhuận?
Hệ số hồi quy âm có ý nghĩa thống kê của $LLP$ ($-0.0985$ trên $ROAA$) chứng minh rằng nếu ngân hàng mở rộng $FGAP$ bằng cách hạ chuẩn tín dụng dẫn đến nợ xấu tăng, chi phí trích lập dự phòng sẽ triệt tiêu toàn bộ lợi nhuận thu được từ việc mở rộng thanh khoản.
5. Khung thời gian và lộ trình hoàn vốn (ROI) khi đầu tư hệ thống tối ưu hóa thanh khoản ALM?
Thời gian triển khai hoàn chỉnh kéo dài từ 9 đến 12 tháng. Lợi ích tài chính đạt được nhờ tối ưu hóa chi phí vốn và cải thiện biên lãi ròng (NIM) từ 15–25 điểm cơ bản (bps), mang lại điểm hòa vốn và lợi nhuận ròng rõ rệt sau 1.5–2 năm vận hành.
Kết luận
Công trình nghiên cứu của tác giả Nguyễn Thị Anh Thư đã chứng minh thành công mối tương quan thuận giữa rủi ro thanh khoản (đo lường bằng khe hở tài trợ $FGAP$) và hiệu quả hoạt động ($ROAA$, $ROAE$) của 26 NHTMCP Việt Nam giai đoạn 2011–2021 với mức ý nghĩa thống kê 1%. Bằng việc áp dụng các kỹ thuật kinh tế lượng nâng cao (FGLS và System GMM hai bước), nghiên cứu đã giải quyết trọn vẹn các khuyết tật nội sinh và phương sai thay đổi, mang lại những kết luận thực nghiệm có độ tin cậy cao.
Thông điệp cốt lõi dành cho các nhà quản trị ngân hàng: Thanh khoản không chỉ là yêu cầu an toàn mang tính phòng thủ, mà còn là công cụ chiến lược để tối ưu hóa khả năng sinh lời. Việc chủ động kiểm soát khe hở tài trợ trong ngưỡng an toàn, kết hợp với chính sách quản trị rủi ro tín dụng nghiêm ngặt và đẩy mạnh thu nhập ngoài lãi, chính là chìa khóa để các NHTMCP Việt Nam phát triển an toàn, hiệu quả và bền vững trong kỷ nguyên số.
