Giới thiệu dự án
Bối cảnh nghiên cứu và thực trạng ngành
Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trong việc luân chuyển dòng vốn và duy trì tính ổn định của nền kinh tế vĩ mô. Tuy nhiên, hoạt động trung gian tài chính vốn tiềm ẩn sự bất cân xứng kỳ hạn nghiêm trọng giữa nguồn vốn huy động ngắn hạn và tài sản cấp tín dụng trung - dài hạn. Theo các báo cáo giám sát tài chính từ Ngân hàng Nhà nước Việt Nam (NHNN) và Ủy ban Giám sát Tài chính Quốc gia, các biến cố mang tính chu kỳ như khủng hoảng nợ công (2010–2014), tái cơ cấu hệ thống tổ chức tín dụng theo Đề án 254 (2012–2015), tiến trình áp chuẩn an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN, Thông tư 22/2019/TT-NHNN) và cú sốc đại dịch COVID-19 (2020–2021) đã đặt các ngân hàng trước áp lực kép: vừa phải duy trì bộ đệm thanh khoản an toàn, vừa phải tối ưu hóa năng lực sinh lời.
+-------------------------------------------------+
| Huy động vốn ngắn hạn (Tiền gửi KH) |
+-------------------------------------------------+
| (Mất cân đối kỳ hạn)
v
+---------------------------------------------------------------------------------------+
| QUẢN TRỊ KHE HỞ TÀI TRỢ (FINANCING GAP - FGAP) |
| Đánh đổi giữa Dự trữ Thanh khoản An toàn (LIA) <---> Tối đa hóa ROE |
+---------------------------------------------------------------------------------------+
| |
v (Rủi ro thanh khoản cao) v (Thanh khoản dư thừa)
+--------------------------------+ +--------------------------------+
| Chi phí huy động khẩn cấp tăng | | Chi phí cơ hội vốn tăng |
| Nguy cơ mất khả năng chi trả | | Biên lãi ròng (NIM) suy giảm |
+--------------------------------+ +--------------------------------+
Vấn đề nghiên cứu và các điểm nghẽn (Problem Statement)
Các NHTM đối mặt với bài toán tối ưu hóa đa mục tiêu: Đánh đổi giữa rủi ro và lợi nhuận (Risk-Return Trade-off). Khi tỷ lệ dự trữ thanh khoản tăng, rủi ro thanh khoản (RRTK) giảm nhưng chi phí cơ hội của vốn khả dụng tăng lên, kéo theo sự sụt giảm của tỷ suất sinh lời trên vốn chủ sở hữu (ROE). Ngược lại, việc mở rộng tín dụng quá mức làm tăng khe hở tài trợ (FGAP), khiến ngân hàng dễ bị tổn thương trước các đợt rút tiền đột ngột (Bank Run), buộc phải huy động vốn khẩn cấp trên thị trường liên ngân hàng (Thị trường 2) với lãi suất cao. Các nghiên cứu trước đây tại Việt Nam thường sử dụng mô hình hồi quy tĩnh (OLS, FEM, REM), vốn vi phạm các giả định hồi quy quan trọng do sự tồn tại của hiện tượng nội sinh (Endogeneity) và tính trễ động lực học của lợi nhuận ngân hàng.
Mục tiêu nghiên cứu
- Lượng hóa tác động trực tiếp của RRTK (thông qua chỉ số khe hở tài trợ - FGAP) đến khả năng sinh lời (KNSL - đại diện bởi ROE) của 26 NHTM niêm yết tại Việt Nam.
- Kiểm định tác động điều tiết (Moderating Effect) của biến giả khủng hoảng COVID-19 đối với mối quan hệ giữa FGAP, quy mô ngân hàng (SIZE) và ROE.
- Đánh giá ảnh hưởng của các biến đặc thù ngân hàng (cấu trúc thanh khoản LIA, tỷ lệ nợ xấu NPL, quy mô vốn chủ sở hữu ETA) và biến vĩ mô (tăng trưởng GDP, lạm phát INFL) lên KNSL.
- Xây dựng khung khuyến nghị định lượng hỗ trợ các nhà quản trị rủi ro (Asset-Liability Committee - ALCO) và NHNN trong việc cân đối tỷ lệ an toàn thanh khoản và hiệu quả vốn.
Phương pháp tiếp cận giải pháp
Nghiên cứu ứng dụng Phương pháp Ước lượng Moment Trực giao Tổng quát Hệ thống hai bước (Two-step System GMM - SGMM) với kỹ thuật hiệu chỉnh sai số chuẩn mẫu nhỏ của Windmeijer (2005). SGMM xử lý triệt để hiện tượng nội sinh phát sinh từ biến trễ phụ thuộc ($ROE_{i,t-1}$) và biến độc lập nội sinh ($FGAP_{i,t}$), đồng thời kiểm soát tính dị phương sai (Heteroskedasticity) và tự tương quan chuỗi (Autocorrelation) trong dữ liệu bảng cân bằng (Balanced Panel Data).
Kết quả kỳ vọng và chỉ số đo lường
- Xây dựng bộ dữ liệu bảng chuẩn hóa gồm 364 quan sát (26 ngân hàng $\times$ 14 năm từ 2010–2023).
- Kiểm định tính vững chắc của mô hình thông qua kiểm định tự tương quan Arellano-Bond (AR(1), AR(2)) và kiểm định biến công cụ ngoại sinh Hansen J-test ($p\text{-value} > 0.05$).
- Xác lập hệ số hồi quy có ý nghĩa thống kê ($p < 0.05$) đối với FGAP, NPL, GDPG, INFL và các biến tương tác $FGAP \times COVID$, $SIZE \times COVID$.
Phạm vi và giới hạn nghiên cứu
- Không gian: 26 NHTM cổ phần niêm yết trên các sàn HOSE, HNX và UPCoM (loại bỏ NHTMCP Bảo Việt do thiếu minh bạch báo cáo tài chính kiểm toán giai đoạn 2012–2014 để bảo đảm tính cân bằng của dữ liệu bảng).
- Thời gian: Chuỗi thời gian 14 năm (2010–2023), bao quát trọn vẹn chu kỳ tái cơ cấu ngân hàng và giai đoạn khủng hoảng – phục hồi sau COVID-19.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
So sánh các phương pháp lượng hóa kinh tế lượng
Việc ước lượng mô hình dữ liệu bảng trong lĩnh vực tài chính - ngân hàng đòi hỏi phải xử lý các vi phạm giả định kinh tế lượng cổ điển.
| Tiêu chí |
OLS gộp (Pooled OLS) |
Mô hình tác động cố định (FEM) |
Mô hình tác động ngẫu nhiên (REM) |
System GMM hai bước (SGMM) |
| Xử lý biến trễ $ROE_{i,t-1}$ |
Vi phạm giả thiết OLS, gây chệch hệ số |
Chệch Nickell ($O(1/T)$) khi $T$ nhỏ |
Không xử lý được nội sinh động |
Kiểm soát tối ưu bằng ma trận biến công cụ nội sinh |
| Xử lý nội sinh đồng thời |
Không |
Không |
Không |
Sử dụng các mức trễ của biến mức và biến sai phân |
| Kiểm soát dị phương sai |
Yếu |
Cần hiệu chỉnh Robust |
Cần hiệu chỉnh Robust |
Hiệu chỉnh sai số chuẩn Windmeijer (2005) vững |
| Độ tin cậy trong Panel động |
Rất thấp (Hệ số bị ước lượng cao hơn thực tế) |
Thấp (Hệ số bị ước lượng thấp hơn thực tế) |
Không phù hợp |
Cao nhất (Không chệch và hiệu quả) |
Đối sánh các công trình thực nghiệm liên quan
- Nguyễn Thị Minh Hương (2016): Khảo sát NHTMCP Việt Nam giai đoạn 2007–2014 bằng OLS/FEM, chỉ ra RRTK làm giảm ROE nhưng chưa xử lý được hiện tượng nội sinh động và chưa chuẩn hóa chỉ số FGAP.
- Le Ngoc Thuy Trang et al. (2021): Phân tích 32 NHTM Việt Nam (2007–2019) bằng SGMM, phát hiện RRTK có tác động cùng chiều với KNSL khi đo bằng chỉ số $L_4$ (Cho vay/Tiền gửi), nhưng chưa đánh giá cú sốc ngoại sinh đại dịch COVID-19.
- Tram Thi Xuan Huong et al. (2021): Kiểm định tác động phi tuyến của thanh khoản đến KNSL, xác nhận bối cảnh vĩ mô làm đảo chiều tác động của RRTK.
- Slimane, Benilles & Krimi (2023): Nghiên cứu dữ liệu ngân hàng quốc tế, ứng dụng FGAP và SGMM khẳng định sự đánh đổi rủi ro - lợi nhuận phụ thuộc vào cấu trúc vốn.
Phân loại tiêu chí nghiên cứu theo mô hình MoSCoW
+-----------------------------------------------------------------------------------+
| MÔ HÌNH PHÂN LOẠI MoSCoW |
+-----------------------------------------------------------------------------------+
| [MUST HAVE - Bắt buộc phải có] |
| * Dữ liệu bảng cân bằng 26 NHTM niêm yết (2010-2023, N=26, T=14, Obs=364). |
| * Mô hình hồi quy động SGMM hai bước xử lý nội sinh biến trễ ROE(t-1) và FGAP. |
| * Kiểm định chuẩn đoán AR(1), AR(2), Hansen J-test, VIF, Breusch-Pagan, Wooldridge|
+-----------------------------------------------------------------------------------+
| [SHOULD HAVE - Cần có] |
| * Biến tương tác điều tiết COVID-19 (FGAPCOV, SIZECOV). |
| * Kiểm soát các yếu tố vĩ mô thực tế: Tốc độ tăng trưởng GDP, Tỷ lệ lạm phát CPI.|
+-----------------------------------------------------------------------------------+
| [COULD HAVE - Có thể mở rộng] |
| * So sánh đa chỉ tiêu KNSL (ROA, NIM) làm kiểm định độ vững (Robustness Check). |
| * Đánh giá bổ sung các chỉ số thanh khoản Basel III (LCR, NSFR). |
+-----------------------------------------------------------------------------------+
| [WON'T HAVE - Không đưa vào phạm vi kỳ này] |
| * Khảo sát các tổ chức tài chính vi mô hoặc ngân hàng 100% vốn nước ngoài. |
| * Ước lượng chuỗi thời gian tần suất cao (dữ liệu theo ngày/tuần). |
+-----------------------------------------------------------------------------------+
Thiết kế mô hình nghiên cứu
Công nghệ và công cụ sử dụng
- Stata MP v17.0: Môi trường phân tích kinh tế lượng chuyên sâu, thực thi gói lệnh
xtabond2 (Roodman, 2009) để ước lượng SGMM hai bước và kiểm định Arellano-Bond/Hansen.
- Python v3.11.8 (Pandas v2.2.0, NumPy v1.26.4): Tiền xử lý, làm sạch cấu trúc dữ liệu bảng, tính toán các chỉ số tài chính từ báo cáo tài chính gốc.
- Microsoft Excel 2021: Xây dựng từ điển dữ liệu, rà soát tính hợp lý của các khoản mục cân đối kế toán.
Đặc tả toán học của mô hình thực nghiệm
Khóa luận thiết lập hai phương trình hồi quy động dữ liệu bảng:
Mô hình 1 (Mô hình cơ sở - Baseline Model):
$$ROE_{i,t} = \beta_0 + \beta_1 ROE_{i,t-1} + \beta_2 FGAP_{i,t} + \beta_3 LIA_{i,t} + \beta_4 NPL_{i,t} + \beta_5 ETA_{i,t} + \beta_6 SIZE_{i,t} + \beta_7 GDPG_t + \beta_8 INFL_t + \eta_i + \varepsilon_{i,t}$$
Mô hình 2 (Mô hình tích hợp biến điều tiết COVID-19):
$$ROE_{i,t} = \beta_0 + \beta_1 ROE_{i,t-1} + \beta_2 FGAP_{i,t} + \beta_3 FGAPCOV_{i,t} + \beta_4 LIA_{i,t} + \beta_5 NPL_{i,t} + \beta_6 ETA_{i,t} + \beta_7 SIZE_{i,t} + \beta_8 SIZECOV_{i,t} + \beta_9 GDPG_t + \beta_{10} INFL_t + \eta_i + \varepsilon_{i,t}$$
Trong đó:
- $i = 1, 2, \dots, 26$ (đại diện cho 26 NHTM niêm yết); $t = 2010, 2011, \dots, 2023$ (14 năm quan sát).
- $\eta_i$: Tác động cố định riêng biệt không quan sát được của từng ngân hàng.
- $\varepsilon_{i,t}$: Sai số ngẫu nhiên idiosycratic.
Từ điển biến số và định nghĩa dữ liệu
| Ký hiệu biến |
Vai trò |
Tên biến & Đơn vị tính |
Công thức xác định toán học |
Nguồn dữ liệu |
| ROE |
Biến phụ thuộc |
Tỷ suất sinh lời trên vốn chủ sở hữu (%) |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}} \times 100$ |
Báo cáo tài chính kiểm toán |
| FGAP |
Biến độc lập chính |
Khe hở tài trợ (%) |
$\frac{\text{Dư nợ cho vay} - \text{Tiền gửi khách hàng}}{\text{Tổng tài sản}} \times 100$ |
Báo cáo tài chính kiểm toán |
| FGAPCOV |
Biến tương tác |
Tương tác giữa FGAP và COVID-19 |
$FGAP_{i,t} \times D_{COVID}$ ($D_{COVID} = 1$ trong năm 2020-2021; 0 nếu khác) |
Tính toán từ mẫu |
| SIZECOV |
Biến tương tác |
Tương tác giữa SIZE và COVID-19 |
$SIZE_{i,t} \times D_{COVID}$ |
Tính toán từ mẫu |
| LIA |
Biến kiểm soát |
Cấu trúc thanh khoản (%) |
$\frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}} \times 100$ |
Báo cáo tài chính kiểm toán |
| NPL |
Biến kiểm soát |
Tỷ lệ nợ xấu (%) |
$\frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ cho vay}} \times 100$ |
Thuyết minh BCTC kiểm toán |
| ETA |
Biến kiểm soát |
Quy mô vốn chủ sở hữu (%) |
$\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}} \times 100$ |
Báo cáo tài chính kiểm toán |
| SIZE |
Biến kiểm soát |
Quy mô ngân hàng (Logarit) |
$\ln(\text{Tổng tài sản})$ |
Báo cáo tài chính kiểm toán |
| GDPG |
Biến kiểm soát vĩ mô |
Tăng trưởng kinh tế (%) |
Tốc độ tăng trưởng GDP thực tế hàng năm |
Tổng cục Thống kê (GSO) |
| INFL |
Biến kiểm soát vĩ mô |
Tỷ lệ lạm phát (%) |
Chỉ số giá tiêu dùng (CPI) bình quân năm |
Ngân hàng Thế giới (WB) |
Phương pháp nghiên cứu và quản trị rủi ro học thuật
Quy trình ước lượng System GMM hai bước (Two-step SGMM)
Phương pháp SGMM (Arellano & Bover, 1995; Blundell & Bond, 1998) kết hợp hệ phương trình dạng sai số bậc nhất (First-difference equation) và phương trình mức gốc (Level equation). Biến trễ dạng mức được dùng làm biến công cụ cho phương trình sai phân, và biến trễ dạng sai phân được dùng làm biến công cụ cho phương trình mức.
- Chiến lược giới hạn biến công cụ (Instrument Proliferation): Nhằm tránh hiện tượng suy giảm lực kiểm định của thống kê Hansen (Over-fitting bias khi số biến công cụ $j > n$), nghiên cứu sử dụng tùy chọn
collapse trong gói lệnh xtabond2 để nén không gian ma trận biến công cụ.
+-----------------------------------------------------------------------------------+
| MA TRẬN QUẢN TRỊ RỦI RO PHƯƠNG PHÁP NGHIÊN CỨU |
+-----------------------------------------------------------------------------------+
| 1. Hiện tượng Nội sinh (Endogeneity): |
| - Rủi ro: E(X_it, ε_it) ≠ 0 do trễ ROE(t-1) và quan hệ đồng thời giữa FGAP-ROE.|
| - Giải pháp: Thiết lập công cụ gmmstyle(L.(ROE FGAP), laglimits(2 4) collapse).|
| |
| 2. Phương sai sai số thay đổi & Tự tương quan: |
| - Rủi ro: Vi phạm giả định đồng phương sai giữa các ngân hàng quy mô khác biệt.|
| - Giải pháp: Áp dụng tùy chọn two-step robust với hiệu chỉnh Windmeijer (2005).|
| |
| 3. Quá tải biến công cụ (Instrument Proliferation): |
| - Rủi ro: Số biến công cụ vượt quá số lượng ngân hàng (j > 26), Hansen p-val = 1|
| - Giải pháp: Thu gọn số trễ khả dụng và kiểm soát nghiêm ngặt Hansen p-value. |
+-----------------------------------------------------------------------------------+
Implementation và kết quả
Quy trình triển khai thực nghiệm
Quá trình phân tích kinh tế lượng được tổ chức theo 4 giai đoạn logic, đảm bảo tính tái lập (Reproducibility):
+------------------+ +------------------+ +------------------+ +------------------+
| Phase 1: | | Phase 2: | | Phase 3: | | Phase 4: |
| Tiền xử lý & | --> | Kiểm định vi phạm| --> | Ước lượng SGMM | --> | Hậu kiểm định & |
| Thống kê mô tả | | giả định OLS | | hai bước | | Phân tích hệ số |
+------------------+ +------------------+ +------------------+ +------------------+
Mã lệnh thực thi phân tích mô hình trên Stata 17
Dưới đây là kịch bản phân tích kinh tế lượng thực thi trên Stata 17 MP:
* Thiết lập môi trường và cấu trúc dữ liệu bảng
clear all
set more off
capture log close
log using "SGMM_Liquidity_Profitability.log", replace
* Nhập dữ liệu bảng cân bằng (N=26, T=14, Total Obs=364)
use "dataset_bank_liquidity_2010_2023.dta", clear
xtset bank_id year
* 1. Thống kê mô tả và ma trận tương quan
summarize ROE FGAP FGAPCOV LIA NPL ETA SIZE SIZECOV GDPG INFL, detail
pwcorr ROE FGAP LIA NPL ETA SIZE GDPG INFL, sig star(0.05)
* 2. Kiểm tra đa cộng tuyến (VIF) thông qua hồi quy phụ OLS
regress ROE FGAP LIA NPL ETA SIZE GDPG INFL
vif
* 3. Kiểm định vi phạm giả thiết hồi quy
* Kiểm định phương sai thay đổi (Modified Wald Test cho Panel Data)
xtreg ROE FGAP LIA NPL ETA SIZE GDPG INFL, fe
xttest3
* Kiểm định tự tương quan chuỗi bậc nhất (Wooldridge Test)
xtserial ROE FGAP LIA NPL ETA SIZE GDPG INFL
* 4. Ước lượng Hệ thống GMM hai bước (Two-step SGMM) cho Mô hình 1
xtabond2 ROE L.ROE FGAP LIA NPL ETA SIZE GDPG INFL, ///
gmmstyle(L.ROE FGAP, laglimits(2 3) collapse) ///
ivstyle(LIA NPL ETA SIZE GDPG INFL, eq(level)) ///
twostep robust orthogonal
* 5. Ước lượng Hệ thống GMM hai bước (Two-step SGMM) cho Mô hình 2 (Có COVID)
xtabond2 ROE L.ROE FGAP FGAPCOV LIA NPL ETA SIZE SIZECOV GDPG INFL, ///
gmmstyle(L.ROE FGAP FGAPCOV SIZECOV, laglimits(2 3) collapse) ///
ivstyle(LIA NPL ETA SIZE GDPG INFL, eq(level)) ///
twostep robust orthogonal
log close
Kiểm định và xác thực mô hình
Kết quả kiểm định tiền ước lượng
Trước khi lựa chọn SGMM, các kiểm định kinh tế lượng tiêu chuẩn đã chứng minh các mô hình truyền thống hoàn toàn không phù hợp với dữ liệu nghiên cứu:
- Kiểm định đa cộng tuyến: Hệ số VIF cao nhất của các biến độc lập là $2.34 < 5.0$, giá trị Mean VIF $= 1.68$, chứng minh không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định phương sai sai số thay đổi (Modified Wald test): Giá trị $\chi^2 = 1428.62$ ($p\text{-value} = 0.0000 < 0.01$), bác bỏ giả thiết đồng phương sai.
- Kiểm định tự tương quan (Wooldridge test): Giá trị $F(1, 25) = 28.741$ ($p\text{-value} = 0.0000 < 0.01$), xác nhận dữ liệu có tự tương quan bậc nhất.
- Kiểm định tính nội sinh (Hausman test): Bác bỏ giả thiết biến giải thích là hoàn toàn ngoại sinh ($p < 0.05$).
Kết quả kiểm định tính phù hợp của ước lượng SGMM
Các kiểm định chẩn đoán sau ước lượng cho thấy mô hình SGMM đạt độ tin cậy thống kê cao nhất:
| Chỉ số kiểm định |
Mô hình 1 (Cơ sở) |
Mô hình 2 (Điều tiết COVID) |
Ngưỡng tiêu chuẩn chấp nhận |
Kết luận thống kê |
| Arellano-Bond AR(1) |
$z = -3.42$ ($p = 0.0006$) |
$z = -3.28$ ($p = 0.0010$) |
$p < 0.05$ |
Tồn tại tự tương quan sai phân bậc 1 (Hợp lệ) |
| Arellano-Bond AR(2) |
$z = 0.86$ ($p = 0.3898$) |
$z = 0.74$ ($p = 0.4593$) |
$p > 0.05$ |
Không có tự tương quan sai phân bậc 2 (Thỏa mãn) |
| Hansen J-test ($p$-value) |
$p = 0.2450$ |
$p = 0.3120$ |
$0.10 < p < 0.80$ |
Biến công cụ ngoại sinh hoàn toàn hợp lệ |
| Số lượng biến công cụ ($j$) |
21 |
24 |
$j \le N$ ($26$ ngân hàng) |
Không bị quá tải biến công cụ (No Proliferation) |
| Thống kê Wald ($\chi^2$) |
$482.15$ ($p = 0.0000$) |
$563.80$ ($p = 0.0000$) |
$p < 0.01$ |
Toàn bộ mô hình có ý nghĩa thống kê cao |
Kết quả đạt được
Bảng tổng hợp kết quả ước lượng SGMM hai bước cho thấy bức tranh chi tiết về tác động của RRTK đến KNSL của 26 NHTM niêm yết tại Việt Nam (2010–2023):
| Biến số trong mô hình |
Mô hình 1 (Hệ số $\beta$) |
$p$-value (MH 1) |
Mô hình 2 (Hệ số $\beta$) |
$p$-value (MH 2) |
Chiều hướng tác động thực nghiệm |
| $ROE_{i,t-1}$ (Trễ KNSL) |
$+0.3182^{***}$ |
$0.0000$ |
$+0.2945^{***}$ |
$0.0000$ |
Cùng chiều (Lợi nhuận có tính quán tính động) |
| FGAP (Khe hở tài trợ) |
$-0.0845^{**}$ |
$0.0214$ |
$-0.0912^{**}$ |
$0.0142$ |
Ngược chiều (RRTK tăng làm giảm ROE) |
| FGAPCOV ($FGAP \times COVID$) |
— |
— |
$+0.0468^{***}$ |
$0.0048$ |
Cùng chiều (Tác động điều tiết dương trong đại dịch) |
| SIZECOV ($SIZE \times COVID$) |
— |
— |
$+0.0182^{**}$ |
$0.0315$ |
Cùng chiều (Lợi thế quy mô lớn phát huy trong khủng hoảng) |
| LIA (Cấu trúc thanh khoản) |
$+0.0124$ |
$0.4820$ |
$+0.0108$ |
$0.5120$ |
Cùng chiều (Không có ý nghĩa thống kê) |
| NPL (Tỷ lệ nợ xấu) |
$-0.6842^{***}$ |
$0.0000$ |
$-0.6215^{***}$ |
$0.0002$ |
Ngược chiều (Rủi ro tín dụng bào mòn lợi nhuận) |
| ETA (Quy mô vốn CSH) |
$+0.0415$ |
$0.3210$ |
$+0.0385$ |
$0.3640$ |
Cùng chiều (Không có ý nghĩa thống kê) |
| SIZE (Quy mô tài sản) |
$+0.0042$ |
$0.6120$ |
$+0.0028$ |
$0.7250$ |
Cùng chiều (Không có ý nghĩa thống kê ở điều kiện thường) |
| GDPG (Tăng trưởng GDP) |
$+0.4125^{**}$ |
$0.0115$ |
$+0.3870^{**}$ |
$0.0180$ |
Cùng chiều (Môi trường vĩ mô thuận lợi nâng cao ROE) |
| INFL (Tỷ lệ lạm phát) |
$-0.1840^{**}$ |
$0.0340$ |
$-0.1712^{**}$ |
$0.0410$ |
Ngược chiều (Lạm phát cao làm suy giảm tỷ suất sinh lời) |
Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê $1%$, $5%$ và $10%$.
Thảo luận chuyên sâu kết quả thực nghiệm
- Tác động ngược chiều của Khe hở tài trợ (FGAP): Hệ số $\beta_2 = -0.0845$ ($p < 0.05$) khẳng định khi khe hở tài trợ tăng $1%$, ROE của ngân hàng giảm trung bình $0.0845%$. Khi dư nợ cho vay vượt quá khả năng huy động tiền gửi từ dân cư và tổ chức kinh tế (FGAP dương lớn), ngân hàng buộc phải tìm kiếm nguồn bù đắp thanh khoản trên thị trường 2 (liên ngân hàng) hoặc phát hành giấy tờ có giá với lãi suất cao. Điều này làm tăng mạnh chi phí huy động vốn (Cost of Funds), gây suy giảm biên lãi ròng (NIM) và kéo giảm ROE.
- Hiệu ứng đảo chiều trong đại dịch COVID-19 (FGAPCOV): Hệ số tương tác $\beta_3 = +0.0468$ ($p < 0.01$) mang giá trị dương có ý nghĩa thống kê. Trong giai đoạn 2020–2021, dưới tác động của các gói hỗ trợ thanh khoản tái cấp vốn từ NHNN (Thông tư 01/2020/TT-NHNN) và chính sách hạ trần lãi suất huy động, các NHTM duy trì mức FGAP cao đã tận dụng tối đa dòng vốn rẻ để duy trì tăng trưởng tín dụng và đầu tư trái phiếu chính phủ, qua đó gia tăng lợi nhuận đột biến.
- Vai trò của Quy mô ngân hàng trong khủng hoảng (SIZECOV): Hệ số $\beta_8 = +0.0182$ ($p < 0.05$) chứng minh trong điều kiện khủng hoảng đại dịch, các ngân hàng có tổng tài sản lớn (Big 4 và các NHTMCP quy mô lớn như Techcombank, VPBank, MBBank) có khả năng chống chịu thanh khoản tốt hơn nhờ mạng lưới huy động tiền gửi không kỳ hạn (CASA) vững chắc và khả năng tiếp cận trực tiếp các hạn mức chiết khấu từ NHNN.
- Ảnh hưởng tiêu cực sâu sắc của Nợ xấu (NPL): Hệ số $\beta_5 = -0.6842$ ($p < 0.01$) là nhân tố tác động mạnh nhất. Mỗi $1%$ nợ xấu tăng thêm làm ROE giảm tới $0.6842%$, do chi phí trích lập dự phòng rủi ro tín dụng (Credit Loss Provisioning) tăng vọt làm triệt tiêu lợi nhuận thuần từ hoạt động kinh doanh.
Đổi mới và đóng góp
Điểm mới về mặt học thuật và kỹ thuật
- Mở rộng chu kỳ nghiên cứu lên 14 năm (2010–2023): Đây là công trình thực nghiệm bao quát chuỗi thời gian dài và cập nhật nhất tại Việt Nam, phản ánh đầy đủ hai chu kỳ kinh tế lớn (Khủng hoảng nợ công 2011–2012 và Khủng hoảng đại dịch 2020–2021 kết hợp giai đoạn phục hồi 2022–2023).
- Ứng dụng biến tương tác phi tuyến tính theo bối cảnh: Khắc phục hạn chế của các mô hình tuyến tính đơn giản bằng cách tích hợp đồng thời hai biến tương tác điều tiết $FGAP \times COVID$ và $SIZE \times COVID$, giải thích rõ ràng cơ chế bù đắp rủi ro theo quy mô và hoàn cảnh kinh tế vĩ mô.
- Xử lý toàn diện hiện tượng nội sinh: Việc áp dụng thuật toán ước lượng SGMM hai bước với tùy chọn ma trận biến công cụ thu gọn (
collapse) đã loại bỏ triệt để thiên lệch ước lượng (Estimation Bias) vốn xuất hiện trong các nghiên cứu sử dụng OLS/FEM trước đây tại Việt Nam.
Bảng so sánh với các công trình nghiên cứu tiền nhiệm
| Tiêu chí đối sánh |
Nguyễn Thị Minh Hương (2016) |
Le Ngoc Thuy Trang et al. (2021) |
Khóa luận Trần Phú Thịnh (2024) |
| Phạm vi thời gian |
2007 – 2014 (8 năm) |
2007 – 2019 (13 năm) |
2010 – 2023 (14 năm) |
| Phương pháp ước lượng |
Pooled OLS, FEM, REM |
System GMM (SGMM) |
Two-step System GMM + Windmeijer Correction |
| Xử lý nội sinh động |
Không kiểm soát trễ $ROE_{t-1}$ |
Có kiểm soát $ROE_{t-1}$ |
Kiểm soát tối ưu trễ $ROE_{t-1}$ và nội sinh $FGAP$ |
| Thước đo rủi ro thanh khoản |
Chỉ số $L_1, L_2, L_3, L_4$ |
Chỉ số $L_4$ (Cho vay/Tiền gửi) |
Khe hở tài trợ chuẩn hóa (FGAP) |
| Biến điều tiết khủng hoảng |
Không có |
Không có |
Tích hợp $FGAP \times COVID$ và $SIZE \times COVID$ |
| Độ chính xác thống kê |
Bị chệch hệ số do nội sinh |
Hệ số tin cậy ở mức trung bình |
Hệ số không chệch, Hansen $p=0.312$, AR(2) $p=0.459$ |
Ứng dụng thực tế và triển khai
Trường hợp ứng dụng tại Ngân hàng Thương mại (ALM & Quản trị Rủi ro)
+-------------------------------------------------------------+
| NGÂN HÀNG THƯƠNG MẠI |
| (Hội đồng ALCO & Khối Quản trị Rủi ro ALM) |
+-------------------------------------------------------------+
|
+-----------------------+-----------------------+
| |
v v
+----------------------------------------+ +----------------------------------------+
| Tối ưu hóa Khe hở Tài trợ (FGAP) | | Kịch bản Kiểm tra Sức chịu đựng |
| - Thiết lập trần FGAP an toàn từng kỳ | | (Stress Testing) |
| - Cân đối tỷ lệ LDR <= 85% | | - Mô phỏng sốc rút tiền gửi hàng loạt |
| - Tăng tỷ trọng huy động tiền gửi CASA | | - Tích hợp biến động lãi suất & GDP |
+----------------------------------------+ +----------------------------------------+
- Khung quản trị Khe hở Tài trợ (Financing Gap Target Range):
- Hội đồng Quản lý Tài sản Nợ - Tài sản Có (ALCO) cần thiết lập giới hạn kiểm soát cho chỉ số FGAP trong biên độ an toàn từ $-5%$ đến $+10%$.
- Khi $FGAP > 10%$, hệ thống cảnh báo sớm (Early Warning System - EWS) phải kích hoạt hạn chế giải ngân tín dụng trung - dài hạn mới, đồng thời tung ra các chương trình chứng chỉ tiền gửi lãi suất cạnh tranh để bổ sung nguồn vốn huy động thị trường 1.
- Kế hoạch tài trợ dự phòng (Contingency Funding Plan - CFP):
- Các ngân hàng cần xây dựng danh mục tài sản thanh khoản bậc 1 (HQLA - High-Quality Liquid Assets) bao gồm tiền mặt, tiền gửi tại NHNN và trái phiếu chính phủ với tỷ trọng tối thiểu $15–20%$ tổng tài sản để sẵn sàng chiết khấu tái cấp vốn trong các tình huống căng thẳng thanh khoản đột ngột.
Khuyến nghị chính sách cho Cơ quan Quản lý (NHNN)
- Lộ trình thực thi Basel III: Đẩy nhanh tiến độ áp dụng hai chỉ số an toàn thanh khoản chuẩn quốc tế gồm Tỷ lệ đảm bảo khả năng thanh khoản (LCR $\ge 100%$) và Tỷ lệ tài trợ ổn định ròng (NSFR $\ge 100%$), thay thế dần các giới hạn kỹ thuật tĩnh hiện hành.
- Cơ chế điều tiết linh hoạt theo chu kỳ (Counter-cyclical Buffer): Khi nền kinh tế đối mặt với các cú sốc bất đối xứng như COVID-19, NHNN nên chủ động hạ lãi suất tái cấp vốn và nới lỏng tạm thời tỷ lệ sử dụng vốn ngắn hạn cho vay trung dài hạn để hỗ trợ ngân hàng duy trì thanh khoản cho nền kinh tế.
Hạn chế và hướng phát triển
Hạn chế học thuật thừa nhận
- Tần suất dữ liệu: Nghiên cứu mới tiếp cận dữ liệu báo cáo tài chính kiểm toán hàng năm ($T=14$). Tần suất năm chưa phản ánh trọn vẹn các biến động thanh khoản ngắn hạn trong ngày hoặc trong quý (Intraday/Quarterly Liquidity Fluctuations).
- Phạm vi mẫu: Mẫu nghiên cứu giới hạn ở 26 NHTM niêm yết, chưa bao gồm khối các ngân hàng liên doanh, chi nhánh ngân hàng nước ngoài và các NHTM chưa đại chúng hóa.
- Thước đo thanh khoản: Chưa lượng hóa trực tiếp chỉ số LCR và NSFR của Basel III do tính sẵn có của dữ liệu thuyết minh tại phần lớn các NHTM Việt Nam còn hạn chế.
Định hướng nghiên cứu tương lai
- Tích hợp Học máy vào Kinh tế lượng Động (Machine Learning in Panel Econometrics): Ứng dụng các thuật toán Panel Random Forest hoặc Deep Instrumental Variables (Deep IV) để nắm bắt cấu trúc phi tuyến phức tạp giữa rủi ro thanh khoản, rủi ro vĩ mô và khả năng sinh lời.
- Khai thác dữ liệu tần suất cao: Sử dụng dữ liệu báo cáo tài chính quý kết hợp dữ liệu giao dịch liên ngân hàng hàng ngày để phân tích động lực thanh khoản theo thời gian thực.
- Tích hợp rủi ro khí hậu và ESG: Đánh giá tác động của rủi ro chuyển dịch tài chính xanh đến sự biến động của khe hở tài trợ trong hệ thống ngân hàng.
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------------+
| MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ |
+-----------------------------------------------------------------------------------+
| [Sinh viên & Học viên cao học] |
| * Khung tài liệu tham khảo chuẩn mực về phương pháp ước lượng Two-step SGMM. |
| * Bộ mã nguồn Stata mẫu hoàn chỉnh xử lý dữ liệu bảng động ngân hàng. |
+-----------------------------------------------------------------------------------+
| [Chuyên viên Phân tích Dữ liệu Tài chính / Quant Developers] |
| * Phương pháp trích xuất, chuẩn hóa và kiểm tra vi phạm giả thiết dữ liệu BCTC. |
| * Thuật toán xây dựng biến tương tác điều tiết (Moderation Interaction Modeling). |
+-----------------------------------------------------------------------------------+
| [Ban Điều hành & Khối Quản trị Ngân hàng Thương mại] |
| * Bằng chứng định lượng để xác định biên độ an toàn cho Khe hở tài trợ (FGAP). |
| * Chiến lược cân đối tỷ lệ sinh lời ROE và an toàn thanh khoản theo chuẩn Basel. |
+-----------------------------------------------------------------------------------+
| [Cơ quan Quản lý Nhà nước (NHNN, Ủy ban Giám sát Tài chính)] |
| * Cơ sở thực tiễn để hiệu chỉnh các quy định tỷ lệ an toàn vốn (Thông tư 22, 41).|
| * Mô hình dự báo tác động lan truyền của rủi ro thanh khoản trong khủng hoảng. |
+-----------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Tại sao nghiên cứu lựa chọn chỉ số Khe hở tài trợ (FGAP) thay vì các tỷ số thanh khoản truyền thống ($L_1, L_2, L_3, L_4$)?
Các tỷ số thanh khoản truyền thống (như $L_1 = \frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$) chỉ phản ánh trạng thái tĩnh ở một phía tài sản hoặc nguồn vốn và mang tính lịch sử. Ngược lại, Khe hở tài trợ (FGAP) đo lường sự chênh lệch trực tiếp giữa nhu cầu tín dụng (Tài sản kém thanh khoản) và khả năng huy động tiền gửi (Nguồn vốn thanh khoản cao). FGAP phản ánh chính xác rủi ro mất cân đối kỳ hạn và phù hợp hoàn toàn với nguyên lý đo lường tỷ lệ tài trợ ổn định ròng (NSFR) của Basel III.
2. Ước lượng System GMM (SGMM) hai bước giải quyết hiện tượng nội sinh như thế nào?
Hiện tượng nội sinh xuất phát từ hai nguồn: (i) Biến phụ thuộc trễ $ROE_{i,t-1}$ tương quan với sai số cố định $\eta_i$; (ii) Quan hệ tác động hai chiều giữa FGAP và ROE. SGMM giải quyết vấn đề này bằng cách lập hệ phương trình đồng thời gồm phương trình sai phân bậc nhất và phương trình mức. Trong đó, các mức trễ của biến (từ trễ bậc 2 trở lên) được sử dụng làm biến công cụ nội sinh trực giao với sai số ngẫu nhiên.
3. Ý nghĩa của việc kiểm định Arellano-Bond AR(2) có $p\text{-value} = 0.459 > 0.05$ là gì?
Kiểm định Arellano-Bond kiểm tra hiện tượng tự tương quan của sai số trong phương trình sai phân. Mặc dù sai phân bậc nhất luôn có tự tương quan bậc 1 ($AR(1) < 0.05$ do cấu trúc $\Delta \varepsilon_{i,t} = \varepsilon_{i,t} - \varepsilon_{i,t-1}$), mô hình chỉ hợp lệ khi không tồn tại tự tương quan sai phân bậc 2 ($AR(2) > 0.05$). Giá trị $p = 0.459$ chứng minh giả định sai số ngẫu nhiên ban đầu không có tự tương quan được thỏa mãn tuyệt đối.
4. Tại sao trong bối cảnh đại dịch COVID-19, biến tương tác FGAPCOV lại có hệ số dương với ROE?
Hệ số dương của $FGAPCOV$ ($+0.0468$) phản ánh thực tế rằng trong giai đoạn 2020–2021, các ngân hàng chấp nhận duy trì khe hở tài trợ cao đã tận dụng triệt để chính sách nới lỏng tiền tệ của NHNN (hạ lãi suất điều hành, các gói tái cấp vốn lãi suất $0%$) để duy trì tăng trưởng dư nợ cho vay và hưởng lợi từ biên chênh lệch lãi suất huy động - cho vay mở rộng.
5. Chi phí và lộ trình để các NHTM nâng cấp hệ thống quản trị rủi ro thanh khoản lên chuẩn Basel III là bao nhiêu?
Chi phí triển khai khung quản trị Basel III (tích hợp hệ thống ALM tự động, tính toán LCR/NSFR hàng ngày) cho một NHTM quy mô trung bình tại Việt Nam ước tính dao động từ $1.5 - $3.5 triệu USD, với thời gian triển khai từ 18–24 tháng. Lợi ích mang lại là giảm thiểu chi phí huy động vốn rủi ro từ $15–25\text{ bps}$, nâng cao hệ số tín nhiệm quốc tế và bảo vệ ngân hàng trước nguy cơ tổn thất thanh khoản hệ thống.
Kết luận
Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu học thuật và thực tiễn đề ra. Bằng việc ứng dụng phương pháp kinh tế lượng hiện đại Two-step System GMM trên bộ dữ liệu bảng cân bằng của 26 NHTM niêm yết tại Việt Nam giai đoạn 2010–2023, đề tài đã cung cấp bằng chứng thực nghiệm vững chắc khẳng định:
- Khe hở tài trợ (FGAP) đại diện cho rủi ro thanh khoản có tác động ngược chiều có ý nghĩa thống kê đến tỷ suất sinh lời trên vốn chủ sở hữu (ROE) trong điều kiện vận hành thông thường.
- Khủng hoảng đại dịch COVID-19 tạo ra hiệu ứng điều tiết tích cực, cho thấy tầm quan trọng của việc linh hoạt chuyển đổi khẩu vị rủi ro thanh khoản và khai thác lợi thế quy mô khi có sự hỗ trợ từ chính sách nới lỏng tiền tệ.
- Chất lượng tài sản (thể hiện qua tỷ lệ nợ xấu NPL) và ổn định kinh tế vĩ mô (GDP, lạm phát) là các nhân tố then chốt quyết định sự bền vững của năng lực sinh lời ngành ngân hàng.
Kết quả của đề tài đóng vai trò là cơ sở khoa học và thực tiễn giá trị cao cho các nhà hoạch định chính sách tại Ngân hàng Nhà nước, các nhà quản trị rủi ro tại các NHTM cổ phần và giới nghiên cứu học thuật trong việc hoạch định chiến lược quản trị rủi ro thanh khoản và an toàn vốn trong kỷ nguyên mới.
