Giới thiệu dự án

Trong cấu trúc hệ thống tài chính hiện đại, Ngân hàng Thương mại (NHTM) đóng vai trò huyết mạch trong việc trung chuyển vốn và điều tiết thanh khoản cho toàn bộ nền kinh tế. Tuy nhiên, đặc thù kinh doanh sử dụng đòn bẩy tài chính cao và chuyển đổi kỳ hạn (dùng nguồn vốn huy động ngắn hạn để cấp tín dụng trung - dài hạn) khiến các NHTM luôn đối mặt với rủi ro thanh khoản (RRTK). Khủng hoảng tài chính toàn cầu 2008 và sự sụp đổ của một số ngân hàng quốc tế gần đây (như Silicon Valley Bank, Credit Suisse năm 2023) là minh chứng rõ nét cho thấy sự thiếu hụt thanh khoản có thể nhanh chóng làm xói mòn khả năng sinh lời (KNSL) và kéo theo nguy cơ đổ vỡ mang tính hệ thống.

Tại Việt Nam, giai đoạn 2014–2023 ghi nhận nhiều biến động vĩ mô: từ quá trình tái cơ cấu hệ thống tổ chức tín dụng theo Quyết định 1058/QĐ-TTg, lộ trình áp dụng chuẩn mực an toàn vốn Basel II/Basel III, Thông tư 22/2019/TT-NHNN quy định tỷ lệ giới hạn dư nợ cho vay trên tổng tiền gửi (LDR tối đa 85%), cho đến cú sốc đứt gãy dòng tiền do đại dịch Covid-19 và biến động lãi suất toàn cầu. Do đó, việc định lượng hóa tác động của RRTK đến KNSL của các NHTM Việt Nam là yêu cầu cấp thiết để tối ưu hóa bài toán đánh đổi giữa an toàn thanh khoản và tối đa hóa lợi nhuận.

Vấn đề thực tiễn (Problem Statement)

Các NHTM Việt Nam đối mặt với bài toán đánh đổi nan giải:

  1. Chi phí cơ hội của việc dự trữ thanh khoản quá mức: Nắm giữ tỷ trọng tài sản thanh khoản cao (tiền mặt, tiền gửi Ngân hàng Nhà nước - NHNN) giúp giảm RRTK nhưng làm giảm thu nhập lãi thuần, kéo tụt KNSL (ROA, ROE).
  2. Áp lực rủi ro thanh khoản tài trợ khi mở rộng tín dụng: Mở rộng cho vay làm tăng khe hở tài trợ (Funding Gap - FGAP) và nguy cơ nợ xấu (NPL), trực tiếp đe dọa sự an toàn hệ thống khi dòng vốn tiền gửi bị rút đột ngột.
  3. Thiếu hụt nghiên cứu thực nghiệm cập nhật: Các công trình trước đây chỉ khảo sát đến năm 2021 và bỏ sót nhóm ngân hàng thương mại 100% vốn nhà nước (điển hình như Agribank), làm giảm tính đại diện cho toàn hệ thống ngân hàng thương mại Việt Nam.

Mục tiêu dự án

  1. Xác định và lượng hóa hệ thống chỉ số đo lường RRTK (FGAP, LR, ETA, NPL, LDR) và KNSL (đại diện bởi ROA).
  2. Xây dựng quy trình ước lượng kinh tế lượng vững trên dữ liệu bảng (Panel Data) 10 năm (2014–2023) của 29 NHTM Việt Nam.
  3. Phát hiện, xử lý triệt để các khuyết tật mô hình (tự tương quan và phương sai sai số thay đổi) bằng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS).
  4. Đề xuất khung giải pháp quản trị tài sản - nợ (ALM) và kiểm soát RRTK nhằm nâng cao hiệu quả sinh lời cho các NHTM.

Phạm vi và Giới hạn nghiên cứu

  • Không gian: 29 NHTM Việt Nam (gồm 1 NHTM Nhà nước - Agribank và 28 NHTM Cổ phần tư nhân/bán tư nhân, loại bỏ 6 ngân hàng thiếu minh bạch số liệu kiểm toán: CBBank, OceanBank, GPBank, SCB, BaoVietBank, DongABank).
  • Thời gian: 10 năm liên tục từ 2014 đến 2023 (tổng cộng 290 quan sát bảng cân đối).
  • Giới hạn kỹ thuật: Dữ liệu thứ cấp hồi cứu từ Báo cáo tài chính đã kiểm toán trên nền tảng FiinPro và chỉ số lạm phát (INF) từ World Bank.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình quản trị thanh khoản truyền thống tại nhiều NHTM Việt Nam hiện nay chủ yếu dựa trên các ngưỡng tỷ lệ an toàn tĩnh của NHNN mà chưa áp dụng mô hình định lượng động để đánh giá mức độ tương quan liên tục giữa các cấu phần thanh khoản và KNSL.

Tiêu chí Quản trị Thanh khoản Tĩnh (Truyền thống) Mô hình Hồi quy Bảng Đa biến (Đề xuất)
Cơ chế đo lường Giám sát tỷ lệ LDR <= 85%, tỷ lệ thanh khoản nhanh Phân tích đồng thời FGAP, ETA, NPL, SIZE, LDR, INF
Khả năng dự báo Mang tính thụ động, phản ứng sau sự kiện Định lượng mức độ thay đổi của ROA khi các biến số rủi ro dịch chuyển
Xử lý khuyết tật dữ liệu Không áp dụng kiểm định thống kê Kiểm soát đa cộng tuyến (VIF), tự tương quan (Wooldridge) và phương sai thay đổi (FGLS)
Tối ưu danh mục Giữ đệm thanh khoản cố định gây lãng phí vốn Tối ưu hóa điểm cân bằng giữa an toàn vốn (ETA) và tỷ suất sinh lời (ROA)

Phân loại yêu cầu phân tích theo khung MoSCoW

  • Must-have (Bắt buộc): Bộ dữ liệu 290 quan sát chuẩn hóa; loại bỏ hiện tượng tự tương quan và phương sai sai số thay đổi bằng FGLS; đo lường cụ thể hệ số hồi quy của FGAP, ETA, NPL, SIZE lên ROA.
  • Should-have (Cần có): Ma trận tương quan giữa 7 biến độc lập; kiểm định đa cộng tuyến với hệ số phóng đại phương sai (VIF < 10); so sánh kết quả giữa 4 mô hình (Pooled OLS, FEM, REM, FGLS).
  • Could-have (Nên có): Bổ sung biến giả kiểm soát biến động dịch bệnh Covid-19 (2020–2021).
  • Won't-have (Chưa thực hiện): Mô hình hồi quy động Generalized Method of Moments (System GMM) xử lý nội sinh trễ (dành cho giai đoạn phát triển tiếp theo).

Thiết kế hệ thống dữ liệu và công nghệ

  1. Technology Stack:
    • Phần mềm phân tích thống kê: Stata 17 (Chuyên dụng cho xử lý dữ liệu bảng tĩnh và mô hình FGLS qua câu lệnh xtgls).
    • Nguồn dữ liệu tài chính: Nền tảng FiinPro Platform v2.0 (Trích xuất BCTC kiểm toán chuẩn VAS/IFRS).
    • Dữ liệu kinh tế vĩ mô: World Bank Open Data API (Dữ liệu lạm phát INF Việt Nam 2014–2023).
    • Công cụ tiền xử lý & làm sạch: Microsoft Excel 365.
  2. Cấu trúc Dữ liệu Bảng (Panel Data Schema):
Bank_ID (Cross-section: 1..29) x Year (Time-series: 2014..2023)

Phương pháp nghiên cứu và Quy trình thực nghiệm

Dự án áp dụng quy trình kiểm định kinh tế lượng 5 giai đoạn:

  1. Giai đoạn 1: Khởi tạo mô hình Pooled OLS: $$\text{ROA}{it} = \beta_1 + \beta_2\text{FGAP}{it} + \beta_3\text{LR}{it} + \beta_4\text{ETA}{it} + \beta_5\text{NPL}{it} + \beta_6\text{LDR}{it} + \beta_7\text{SIZE}{it} + \beta_8\text{INF}{it} + \varepsilon_{it}$$
  2. Giai đoạn 2: Lựa chọn mô hình tác động cố định (FEM) vs OLS: Sử dụng kiểm định $F\text{-test}$ để kiểm tra sự tồn tại của hiệu ứng riêng biệt từng ngân hàng.
  3. Giai đoạn 3: Lựa chọn mô hình tác động ngẫu nhiên (REM) vs OLS: Sử dụng kiểm định Breusch-Pagan Lagrange Multiplier (LM test).
  4. Giai đoạn 4: Lựa chọn giữa FEM và REM: Sử dụng kiểm định Hausman Specification Test.
  5. Giai đoạn 5: Chẩn đoán khuyết tật và Ước lượng FGLS: Kiểm tra hiện tượng tự tương quan bậc 1 qua kiểm định Wooldridge và phương sai thay đổi qua kiểm định Breusch-Pagan/Modified Wald. Áp dụng FGLS (Cross-sectional heteroskedasticity and autocorrelation) để có ước lượng không chệch và hiệu quả.

Implementation và kết quả

Quy trình phân tích dữ liệu trên Stata 17

Hệ thống script thực thi (Stata .do file) được cấu trúc chặt chẽ từ khâu chuẩn bị dữ liệu bảng đến hồi quy FGLS:

* ==============================================================================
* DO-FILE: ANALYZING LIQUIDITY RISK IMPACT ON BANK PROFITABILITY
* AUTHOR: NGUYEN YEN ANH (HUB - 2024) | ENVIRONMENT: STATA 17
* DATASET: 29 VIETNAMESE COMMERCIAL BANKS (2014 - 2023)
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng (Panel Setting)
encode bank_name, gen(bank_id)
xtset bank_id year

* 2. Thống kê mô tả và Ma trận tương quan
summarize ROA FGAP LR ETA NPL LDR SIZE INF
pwcorr ROA FGAP LR ETA NPL LDR SIZE INF, sig star(0.05)

* 3. Ước lượng mô hình OLS và Kiểm định đa cộng tuyến (VIF)
regress ROA FGAP LR ETA NPL LDR SIZE INF
vif

* 4. Ước lượng Mô hình Tác động Cố định (FEM) và Kiểm định F-test
xtreg ROA FGAP LR ETA NPL LDR SIZE INF, fe
estimates store fixed_effects

* 5. Ước lượng Mô hình Tác động Ngẫu nhiên (REM) và Kiểm định Breusch-Pagan LM
xtreg ROA FGAP LR ETA NPL LDR SIZE INF, re
estimates store random_effects
xttest0

* 6. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fixed_effects random_effects

* 7. Kiểm định khuyết tật mô hình (Tự tương quan & Phương sai thay đổi)
* Kiểm định tự tương quan Wooldridge:
xtserial ROA FGAP LR ETA NPL LDR SIZE INF
* Kiểm định phương sai thay đổi Modified Wald / Breusch-Pagan:
xttest3

* 8. Ước lượng mô hình FGLS khắc phục khuyết tật (Final Model)
xtgls ROA FGAP LR ETA NPL LDR SIZE INF, panels(hetero) corr(ar1)

Kết quả kiểm định lựa chọn mô hình và chẩn đoán khuyết tật

  1. Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ của tất cả các biến đều nằm trong khoảng $1.15 - 2.84$ (trung bình $VIF = 1.82 < 10$), khẳng định mô hình không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định F-test: $p\text{-value} < 0.001$, bác bỏ giả thuyết $H_0$, cho thấy mô hình FEM vượt trội hơn Pooled OLS.
  3. Kiểm định Breusch-Pagan LM: $p\text{-value} < 0.001$, khẳng định hiệu ứng ngẫu nhiên tồn tại, mô hình REM vượt trội hơn Pooled OLS.
  4. Kiểm định Hausman: $p\text{-value} = 0.1842 > 0.05$, chấp nhận giả thuyết $H_0$, xác định mô hình REM phù hợp hơn FEM.
  5. Kiểm định chẩn đoán khuyết tật trên REM:
    • Kiểm định tự tương quan (Wooldridge test): $F = 14.825$ với $p\text{-value} = 0.0006 < 0.05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1.
    • Kiểm định phương sai sai số thay đổi (Breusch-Pagan test): $\chi^2 = 89.41$ với $p\text{-value} < 0.0001 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi.
  6. Mô hình tối ưu FGLS: Áp dụng phương pháp FGLS hiệu chỉnh đồng thời cấu trúc phương sai thay đổi giữa các thực thể (panels(heteroskedastic)) và tự tương quan nội tại (corr(ar1)).

Kết quả hồi quy mô hình FGLS chi tiết

| Biến số | Ký hiệu | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $p\text{-value}$ ($P > |z|$) | Ý nghĩa thống kê | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Khe hở tài trợ | FGAP | $+0.00684$ | $0.00192$ | $3.56$ | $0.0004$ | Có ý nghĩa tại $1%$ ($+$) | | Tỷ lệ thanh khoản | LR | $+0.00312$ | $0.00415$ | $0.75$ | $0.4520$ | Không có ý nghĩa | | Tỷ lệ vốn tự có | ETA | $+0.05421$ | $0.00843$ | $6.43$ | $< 0.0001$ | Có ý nghĩa tại $1%$ ($+$) | | Tỷ lệ nợ xấu | NPL | $-0.07815$ | $0.01632$ | $-4.79$ | $< 0.0001$ | Có ý nghĩa tại $1%$ ($-$) | | Tỷ lệ cho vay/tiền gửi| LDR | $+0.00085$ | $0.00094$ | $0.90$ | $0.3660$ | Không có ý nghĩa | | Quy mô tổng tài sản | SIZE | $+0.00142$ | $0.00038$ | $3.74$ | $0.0002$ | Có ý nghĩa tại $1%$ ($+$) | | Lạm phát | INF | $+0.00018$ | $0.00021$ | $0.86$ | $0.3910$ | Không có ý nghĩa | | Hằng số | _cons | $-0.02145$ | $0.00612$ | $-3.50$ | $0.0005$ | Có ý nghĩa tại $1%$ |

Tổng quan mô hình FGLS: Số lượng quan sát $N = 290$, Số nhóm (ngân hàng) $n = 29$, Wald $\chi^2(7) = 184.62$, Prob $> \chi^2 = 0.0000$.

Đổi mới và đóng góp

Đổi mới về phạm vi và phương pháp luận

  1. Tính đại diện toàn diện của dữ liệu mẫu: Khác với hầu hết các công trình nghiên cứu trước đây (chỉ khảo sát ngân hàng cổ phần tư nhân), đề tài này đưa Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) - NHTM 100% vốn nhà nước có quy mô mạng lưới và tổng tài sản hàng đầu - vào tập mẫu 29 NHTM.
  2. Cập nhật giai đoạn biến động hậu Covid-19 (2014–2023): Phản ánh trọn vẹn chu kỳ 10 năm gồm cả giai đoạn tái cơ cấu nợ theo Thông tư 01/2020/TT-NHNN, biến động thanh khoản trái phiếu doanh nghiệp 2022 và mặt bằng lãi suất 2023.
  3. Tính chuẩn xác trong xử lý khuyết tật thống kê: Sử dụng mô hình FGLS khắc phục hoàn toàn hai khuyết tật đồng thời (Autocorrelation và Heteroskedasticity) vốn thường bị bỏ qua trong các nghiên cứu chỉ dừng lại ở FEM/REM thông thường.

So sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí Võ Đại Phúc (2022) Nguyễn Thị Quỳnh Như (2023) Nghiên cứu này (Nguyễn Yến Anh, 2024)
Giai đoạn mẫu 2010–2021 (12 năm) 2010–2021 (12 năm) 2014–2023 (10 năm cập nhật)
Đối tượng mẫu 27 NHTM Cổ phần 27 NHTM Cổ phần 29 NHTM (Bổ sung Agribank)
Tác động của FGAP Cùng chiều ($+$) Không khảo sát FGAP Cùng chiều ($+$) tại mức ý nghĩa 1%
Tác động của ETA Cùng chiều ($+$) Cùng chiều ($+$) Cùng chiều mạnh nhất ($\beta = +0.05421$)
Tác động của NPL Ngược chiều ($-$) Không có ý nghĩa Ngược chiều mạnh nhất ($\beta = -0.07815$)
Mô hình tối ưu SGMM GLS FGLS (xử lý triệt để AR(1) & Hetero)

Ứng dụng thực tế và triển khai

Hàm ý thực tiễn cho hệ thống Ngân hàng Thương mại

  1. Kiểm soát Khe hở tài trợ (FGAP) ở mức tối ưu: Kết quả cho thấy FGAP tác động dương đến ROA ($\beta = 0.00684, p < 0.01$). Khi dư nợ tín dụng vượt tiền gửi trong tầm kiểm soát, ngân hàng tối ưu hóa hiệu quả sinh lời của tài sản. Tuy nhiên, nếu FGAP âm sâu, ngân hàng chịu chi phí vốn nhàn rỗi lớn; ngược lại nếu FGAP dương quá mức mà không có nguồn tài trợ dự phòng, RRTK sẽ bùng phát. Do đó, các NHTM cần ứng dụng công cụ quản trị thanh khoản dòng tiền theo kỳ hạn (Cash Flow Maturity Gap).
  2. Nâng cao tỷ lệ an toàn vốn (ETA): Hệ số $\beta = 0.05421$ ($p < 0.001$) cho thấy vốn tự có là lá chắn an toàn vững chắc nhất giúp giảm chi phí huy động vốn trên thị trường liên ngân hàng, tạo niềm tin cho người gửi tiền và gia tăng KNSL. NHTM cần chủ động tăng vốn cấp 1 thông qua giữ lại lợi nhuận và phát hành cổ phiếu/trái phiếu thứ cấp đáp ứng Basel III.
  3. Kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL): Hệ số $\beta = -0.07815$ ($p < 0.001$) thể hiện nợ xấu là nhân tố bào mòn KNSL nghiêm trọng nhất (do phải trích lập dự phòng rủi ro tín dụng và thoái lãi dự thu). Việc duy trì NPL $< 3%$ theo Nghị định 53/2013/NĐ-CP và hướng tới chuẩn mực IFRS 9 là điều kiện tiên quyết để đảm bảo thanh khoản và lợi nhuận.
  4. Khai thác lợi thế kinh tế nhờ quy mô (SIZE): Hệ số $\beta = 0.00142$ ($p < 0.01$) chứng minh các ngân hàng quy mô lớn có ưu thế về chi phí vốn bình quân rẻ (CASA cao) và khả năng đa dạng hóa danh mục đầu tư.

Khung lộ trình triển khai tại NHTM

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Mô hình dữ liệu bảng tĩnh: Chưa xét đến tính trễ của biến phụ thuộc KNSL ($\text{ROA}_{t-1}$) và các yếu tố nội sinh tiềm ẩn trong cấu trúc tài sản sinh lời.
  • Dữ liệu mẫu giới hạn: Đã phải loại bỏ 6 ngân hàng thương mại do không công bố đầy đủ báo cáo tài chính kiểm toán giai đoạn 2014–2023.
  • Chưa lượng hóa biến phi tài chính: Chưa đưa các yếu tố định tính như năng lực quản trị rủi ro của ban điều hành, mức độ chuyển đổi số (Digital Banking) vào mô hình hồi quy.

Hướng phát triển cho các nghiên cứu tiếp theo

  • Áp dụng phương pháp ước lượng System GMM hai bước (Two-step System GMM) để kiểm soát hiện tượng nội sinh và tính trễ động lực học của KNSL.
  • Mở rộng thêm các chỉ tiêu đo lường thanh khoản chuẩn quốc tế Basel III như Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR) khi hệ thống ngân hàng Việt Nam hoàn tất lộ trình áp dụng.

Đối tượng hưởng lợi

Nắm vững quy        Sở hữu script Stata 17                 Có cơ sở thực       Kế thừa tập
trình nghiên cứu    chuẩn hóa xử lý dữ liệu                chứng định mức      biến số và mô
định lượng bảng     FGLS tự động hóa                       đệm an toàn ALM     hình mở rộng
  • Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận nghiên cứu khoa học, cấu trúc phân tích kinh tế lượng chuẩn mực từ kiểm định lựa chọn mô hình (F-test, Hausman) đến xử lý khuyết tật dữ liệu bảng trên Stata 17.
  • Chuyên viên Quản trị Rủi ro & Phân tích Dữ liệu (ALM / Risk Analysts): Tiếp cận bộ code thực thi Stata hoàn chỉnh, ứng dụng trực tiếp vào việc tính toán khe hở tài trợ và xây dựng mô hình cảnh báo rủi ro thanh khoản nội bộ.
  • Ban Điều hành & Hội đồng Quản trị NHTM: Có cơ sở thực chứng định lượng để cân bằng giữa mục tiêu sinh lời và các chỉ số an toàn vốn, định hình chiến lược tăng trưởng tín dụng và tái cấu trúc nguồn vốn bền vững.
  • Nhà nghiên cứu & Cơ quan quản lý (NHNN): Bổ sung bằng chứng thực nghiệm giá trị về hệ thống NHTM Việt Nam giai đoạn 2014–2023 phục vụ công tác giám sát an toàn vĩ mô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập nghiên cứu này là gì?

Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17-MP để tối ưu tốc độ xử lý ma trận). Dữ liệu đầu vào cần cấu trúc dạng bảng (Long format) gồm 2 biến định danh bank_id và year, các biến số tài chính cần được winsorize hoặc kiểm tra giá trị ngoại lai trước khi chạy lệnh xtgls.

2. Tại sao nghiên cứu lựa chọn mô hình FGLS thay vì sử dụng kết quả từ mô hình FEM hay REM?

Mặc dù kiểm định Hausman cho thấy mô hình REM là phù hợp ($p = 0.1842 > 0.05$), nhưng các kiểm định chẩn đoán sau hồi quy phát hiện mô hình REM đồng thời vi phạm giả định về phương sai sai số không đổi (Breusch-Pagan test $p < 0.001$) và không tự tương quan (Wooldridge test $p = 0.0006$). Do đó, ước lượng FGLS là bắt buộc để khắc phục hoàn toàn hai khuyết tật này, đảm bảo hệ số ước lượng thu được là vững (Consistent) và tiệm cận hiệu quả (Asymptotically Efficient).

3. Tại sao tỷ lệ thanh khoản (LR) và tỷ lệ cho vay/tiền gửi (LDR) lại không có ý nghĩa thống kê trong mô hình FGLS?

Trong bối cảnh hệ thống ngân hàng Việt Nam 2014–2023, biến FGAP đã phản ánh bao hàm sự chênh lệch ròng giữa quy mô cho vay và tiền gửi trên tổng tài sản. Ngoài ra, việc các ngân hàng đều phải tuân thủ chặt chẽ trần quy định LDR $\le 85%$ theo Thông tư 22/2019/TT-NHNN khiến phương sai của biến LDR bị thu hẹp, dẫn đến mức độ tác động riêng lẻ của LDR và LR lên ROA không đạt mức ý nghĩa thống kê $5%$.

4. Chi phí và nguồn lực để triển khai hệ thống quản trị rủi ro thanh khoản theo mô hình đề xuất?

Hệ thống tận dụng trực tiếp dữ liệu sẵn có từ phân hệ kế toán tổng hợp (GL) và Core Banking. Chi phí chủ yếu tập trung vào việc chuẩn hóa kho dữ liệu ALM tập trung (Data Warehouse) và bản quyền phần mềm phân tích (khoảng 3.000 – 10.000 USD cho công cụ định lượng chuyên sâu), mang lại tỷ suất hoàn vốn (ROI) vượt trội nhờ giảm thiểu chi phí trích lập dự phòng và rủi ro phạt vi phạm an toàn thanh khoản.

5. Làm thế nào để mở rộng mô hình này cho các định chế tài chính phi ngân hàng?

Đối với công ty tài chính hoặc bảo hiểm, chỉ tiêu FGAP và LDR cần được thay thế bằng chênh lệch kỳ hạn tài sản nợ - có chuyên biệt (Asset-Liability Duration Gap) và tỷ lệ dự phòng bồi thường/thanh toán ngắn hạn trên tổng tài sản lưu động.

Kết luận

Nghiên cứu "Tác động của rủi ro thanh khoản đến khả năng sinh lời của các ngân hàng thương mại Việt Nam" của tác giả Nguyễn Yến Anh (2024) đã cung cấp một bức tranh thực nghiệm toàn diện và chuẩn xác về mối quan hệ giữa an toàn thanh khoản và hiệu quả hoạt động kinh doanh ngân hàng giai đoạn 2014–2023. Thông qua việc ứng dụng quy trình kinh tế lượng hiện đại với mô hình FGLS trên tập dữ liệu 29 NHTM (290 quan sát), nghiên cứu đã chứng minh:

  • Tỷ lệ vốn tự có (ETA) ($\beta = +0.05421$) và Quy mô tổng tài sản (SIZE) ($\beta = +0.00142$) là hai bệ đỡ quan trọng thúc đẩy KNSL (ROA).
  • Khe hở tài trợ (FGAP) ($\beta = +0.00684$) phản ánh việc mở rộng hoạt động tín dụng hiệu quả giúp gia tăng lợi nhuận nếu được kiểm soát an toàn.
  • Tỷ lệ nợ xấu (NPL) ($\beta = -0.07815$) là yếu tố rủi ro tiêu cực nhất bào mòn trực tiếp tỷ suất sinh lời của các ngân hàng.

Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách, ban lãnh đạo ngân hàng thương mại và cộng đồng nghiên cứu tài chính trong việc xây dựng chiến lược quản trị rủi ro thanh khoản chủ động, hướng tới chuẩn mực an toàn vốn quốc tế và phát triển bền vững.