Giới thiệu dự án
Trong cấu trúc thị trường tài chính hiện đại, hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) đóng vai trò huyết mạch trong việc dẫn vốn, phân bổ nguồn lực và điều tiết thanh khoản cho toàn bộ nền kinh tế. Tuy nhiên, hoạt động ngân hàng vốn dĩ chứa đựng sự mất cân đối kỳ hạn nội tại giữa việc huy động vốn ngắn hạn và cấp tín dụng trung - dài hạn. Sự gia tăng cạnh tranh khốc liệt cùng áp lực tối đa hóa biên lãi thuần (Net Interest Margin - NIM) buộc các ngân hàng phải chấp nhận mức độ rủi ro thanh khoản cao hơn. Rủi ro thanh khoản (Liquidity Risk - LR) không chỉ là vấn đề nội tại của từng tổ chức tín dụng mà còn tiềm ẩn nguy cơ kích hoạt rủi ro mang tính hệ thống (systemic risk), đe dọa sự ổn định của thị trường tài chính quốc gia.
+-----------------------------------------------------------------------------+
| BỐI CẢNH NGHIÊN CỨU |
+-----------------------------------------------------------------------------+
| |
| Áp lực tăng trưởng ROA/ROE Mất cân đối kỳ hạn (Maturity Mismatch)|
| | | |
| v v |
| [ Mở rộng tín dụng trung - dài hạn ] <---> [ Nguồn vốn huy động ngắn hạn ] |
| | |
| v |
| +-----------------------------------+ |
| | RỦI RO THANH KHOẢN (KHE HỞ FGAP) | |
| +-----------------------------------+ |
| | |
| +----------------------+----------------------+ |
| | | |
| v v |
| [ Đánh đổi Lợi nhuận - Rủi ro ] [ Nguy cơ mất an toàn hệ thống] |
| (Biên lãi cao vs Chi phí vốn) (Rủi ro lan truyền / Run-on) |
| |
+-----------------------------------------------------------------------------+
Vấn đề cốt lõi mà đề tài giải quyết xuất phát từ các điểm nghẽn (pain points) sau:
- Sự đánh đổi phức tạp giữa an toàn thanh khoản và khả năng sinh lời (KNSL): Việc nắm giữ quá nhiều tài sản có tính thanh khoản cao (tiền mặt, tiền gửi Ngân hàng Nhà nước, trái phiếu chính phủ) làm giảm chi phí cơ hội tạo ra lợi nhuận; ngược lại, việc tối ưu hóa tỷ lệ cho vay/huy động (LDR) lại đẩy ngân hàng vào tình trạng căng thẳng thanh khoản khi xảy ra các cú sốc rút tiền đột ngột.
- Tác động đa chiều trong giai đoạn biến động kinh tế 2013–2022: Giai đoạn này chứng kiến sự chuyển dịch chính sách quản trị rủi ro nghiêm ngặt (Thông tư 02/2013/TT-NHNN, Thông tư 22/2019/TT-NHNN, lộ trình triển khai Basel II/Basel III) xen lẫn các cú sốc bất đối xứng từ đại dịch COVID-19 và biến động lãi suất toàn cầu.
Mục tiêu nghiên cứu cụ thể
- Mục tiêu 1: Đo lường mức độ và chiều hướng tác động của rủi ro thanh khoản (thông qua chỉ số Khe hở tài trợ - Financing Gap) đến khả năng sinh lời (ROA, ROE) của 26 NHTMCP Việt Nam giai đoạn 2013–2022.
- Mục tiêu 2: Kiểm tra tác động của các biến kiểm soát nội tại (quy mô ngân hàng, tỷ lệ vốn chủ sở hữu trên tổng tài sản, tỷ lệ nợ xấu) và biến vĩ mô (lạm phát, tăng trưởng GDP) đến hiệu quả kinh doanh của ngân hàng.
- Mục tiêu 3: Xây dựng hệ thống giải pháp và hàm ý quản trị thanh khoản tối ưu hóa tài sản - nợ (Asset-Liability Management - ALM) nhằm tăng cường lợi nhuận đi đôi với kiểm soát an toàn hệ thống.
Phương pháp giải quyết của đề tài là xây dựng mô hình kinh tế lượng dữ liệu bảng đa chiều (Panel Data Econometrics), áp dụng lần lượt các kỹ thuật ước lượng từ cơ bản (Pooled OLS) đến chuyên sâu (Fixed Effects Model - FEM, Random Effects Model - REM) và xử lý triệt để các khuyết tật phương sai sai số thay đổi và tự tương quan bằng mô hình Bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
Phạm vi nghiên cứu được xác định rõ:
- Không gian: 26 NHTMCP Việt Nam niêm yết trên HOSE, HNX và đăng ký giao dịch trên UPCoM, chiếm hơn 85% tổng tài sản toàn hệ thống ngân hàng cổ phần.
- Thời gian: Chuỗi dữ liệu 10 năm liên tục từ 2013 đến 2022 (tổng cộng 260 quan sát dạng balanced panel).
- Giới hạn: Đề tài tập trung vào rủi ro thanh khoản cấu trúc dựa trên dữ liệu báo cáo tài chính kiểm toán thường niên; không phân tích rủi ro thanh khoản nội ngày (intraday liquidity risk).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trước khi thiết lập mô hình định lượng chuyên sâu, các phương pháp tiếp cận đo lường rủi ro thanh khoản hiện hữu được phân tích chi tiết nhằm lựa chọn thước đo phù hợp nhất:
| Phương pháp đo lường |
Ưu điểm |
Nhược điểm |
Đánh giá độ phù hợp với nghiên cứu |
| Các chỉ số thanh khoản truyền thống (L1 - L4) |
Đơn giản, dễ tính toán trực tiếp từ Bảng cân đối kế toán. |
Mang tính tĩnh, phản ánh quá khứ, không đo lường được áp lực tài trợ ròng trong tương lai. |
Không được chọn làm biến độc lập chính do thiếu tính toàn diện. |
| Tỷ lệ dự trữ thanh khoản theo Basel III (LCR, NSFR) |
Phản ánh chính xác khả năng chống chịu dòng tiền ngắn hạn (30 ngày) và cấu trúc vốn ổn định dài hạn. |
Thiếu tính đồng nhất dữ liệu tại Việt Nam do nhiều ngân hàng chưa công bố chuẩn hóa theo Pillar 3 Basel III. |
Dùng làm cơ sở khuyến nghị chính sách thay vì biến hồi quy chính. |
| Khe hở tài trợ (Financing Gap - FGAP) |
Đo lường chính xác khoảng trống giữa dư nợ tín dụng và vốn huy động khách hàng chuẩn hóa trên tổng tài sản; phản ánh nhu cầu tài trợ phụ thuộc. |
Đòi hỏi dữ liệu chi tiết về tín dụng và tiền gửi được kiểm toán đồng nhất. |
Được lựa chọn làm biến độc lập cốt lõi trong mô hình nghiên cứu. |
+-----------------------------------------------------------------------------+
| SO SÁNH MÔ HÌNH NGHIÊN CỨU VỚI CÁC TÁC GIẢ ĐI TRƯỚC |
+-----------------------------------------------------------------------------+
| |
| Samuel Siaw (2013) : Mẫu 22 NH Ghana (2002-2011) --> Ước lượng 2SLS|
| Tabari et al. (2013) : Mẫu 15 NH Iran (2003-2010) --> OLS / FEM |
| Nguyễn Thanh Phong (2020): Mẫu 25 NH VN (2009-2019) --> FGLS |
| |
| ĐỀ TÀI NÀY (2023) : Mẫu 26 NHTMCP VN (2013-2022) --> FGLS Toàn diện|
| ------------------------------------------------------------------------- |
| * Mở rộng khung thời gian bao phủ giai đoạn biến động COVID-19 |
| * Kiểm định đồng thời trên cả 2 thước đo KNSL: ROA và ROE |
| * Khắc phục hoàn toàn hiện tượng Heteroscedasticity & Autocorrelation |
| |
+-----------------------------------------------------------------------------+
Yêu cầu kỹ thuật phân tích theo mức độ ưu tiên (MoSCoW):
- Must have: Mô hình phải xử lý được hiện tượng phương sai sai số thay đổi (Heteroscedasticity) và tự tương quan (Autocorrelation) trên dữ liệu bảng; sử dụng phần mềm phân tích chuyên dụng Stata bản quyền phiên bản 17.
- Should have: Kiểm định độ tin cậy thông qua F-test, Hausman Test, Modified Wald Test và Wooldridge Test.
- Could have: Đánh giá đa cộng tuyến qua ma trận hệ số tương quan Pearson và chỉ số phóng đại phương sai VIF (Variance Inflation Factor).
- Won't have: Mô hình không áp dụng chuỗi thời gian phân đoạn (Time-series cointegration) do cấu trúc dữ liệu vi mô dạng micro-panel ($N=26, T=10$).
Thiết kế hệ thống
Mô hình nghiên cứu định lượng được xây dựng dưới dạng phương trình hồi quy tuyến tính dữ liệu bảng tổng quát:
$$\text{ROA}{i,t} = \beta_0 + \beta_1 \text{FGAP}{i,t} + \beta_2 \text{SIZE}{i,t} + \beta_3 \text{ETA}{i,t} + \beta_4 \text{NPL}_{i,t} + \beta_5 \text{INF}_t + \beta_6 \text{GDP}t + \varepsilon{i,t}$$
$$\text{ROE}{i,t} = \alpha_0 + \alpha_1 \text{FGAP}{i,t} + \alpha_2 \text{SIZE}{i,t} + \alpha_3 \text{ETA}{i,t} + \alpha_4 \text{NPL}_{i,t} + \alpha_5 \text{INF}_t + \alpha_6 \text{GDP}t + u{i,t}$$
+-----------------------------------------------------------------------------+
| SƠ ĐỒ BIẾN TRONG MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG |
+-----------------------------------------------------------------------------+
| |
| +---------------------------+ +-----------------------------+ |
| | BIẾN ĐỘC LẬP CHÍNH | | BIẾN PHỤ THUỘC | |
| | Khe hở tài trợ (FGAP) |--------+--->| Tỷ suất sinh lời TTS (ROA) | |
| +---------------------------+ | | Tỷ suất sinh lời VCSH (ROE) | |
| | +-----------------------------+ |
| +---------------------------+ | |
| | BIẾN KIỂM SOÁT NỘI TẠI| | |
| | * Quy mô NH: SIZE = ln(TA)|--------+ |
| | * Vốn CSH/TTS: ETA | | |
| | * Nợ xấu: NPL = NPL/Duno |--------+ |
| +---------------------------+ | |
| | |
| +---------------------------+ | |
| | BIẾN KIỂM SOÁT VĨ MÔ | | |
| | * Lạm phát: INF (%) |--------+ |
| | * Tăng trưởng GDP: GDP (%)| |
| +---------------------------+ |
| |
+-----------------------------------------------------------------------------+
Bảng mã hóa và công thức xác định các biến trong mô hình:
| Nhóm biến |
Tên biến |
Ký hiệu |
Công thức xác định |
Kỳ vọng dấu |
| Phụ thuộc |
Tỷ suất sinh lời trên tổng tài sản |
$\text{ROA}$ |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$ |
N/A |
| Phụ thuộc |
Tỷ suất sinh lời trên vốn chủ sở hữu |
$\text{ROE}$ |
$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$ |
N/A |
| Độc lập |
Khe hở tài trợ |
$\text{FGAP}$ |
$\frac{\text{Dư nợ tín dụng} - \text{Tiền gửi khách hàng}}{\text{Tổng tài sản}}$ |
$+$ |
| Kiểm soát |
Quy mô ngân hàng |
$\text{SIZE}$ |
$\ln(\text{Tổng tài sản})$ |
$+$ |
| Kiểm soát |
Tỷ lệ vốn CSH / Tổng tài sản |
$\text{ETA}$ |
$\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ |
$+$ |
| Kiểm soát |
Tỷ lệ nợ xấu |
$\text{NPL}$ |
$\frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ tín dụng}}$ |
$-$ |
| Kiểm soát |
Tỷ lệ lạm phát |
$\text{INF}$ |
$\frac{\text{CPI}t - \text{CPI}{t-1}}{\text{CPI}_{t-1}} \times 100%$ |
$+$ |
| Kiểm soát |
Tăng trưởng kinh tế |
$\text{GDP}$ |
$\frac{\text{GDP}t - \text{GDP}{t-1}}{\text{GDP}_{t-1}} \times 100%$ |
$+$ |
Công nghệ và công cụ sử dụng:
- Môi trường tính toán: Stata Statistical Software phiên bản 17.0 (StataCorp LLC).
- Tiền xử lý và làm sạch dữ liệu: Microsoft Excel 365 chuyên dụng cho chuẩn hóa dữ liệu tài chính dạng bảng cân đối.
- Đảm bảo toàn vẹn dữ liệu: Toàn bộ báo cáo tài chính hợp nhất được đối soát qua hệ thống Vietstock Finance và thông tin công bố chính thức từ Ủy ban Chứng khoán Nhà nước.
Methodology
Quy trình nghiên cứu thực nghiệm được thiết kế qua 6 giai đoạn nghiêm ngặt:
+-----------------------------------------------------------------------------------------+
| QUY TRÌNH THỰC NGHIỆM ĐỊNH LƯỢNG |
+-----------------------------------------------------------------------------------------+
| |
| [BƯỚC 1: Thu thập dữ liệu BCTC 26 NHTMCP & Số liệu Vĩ mô (2013-2022)] |
| | |
| v |
| [BƯỚC 2: Thống kê mô tả & Phân tích ma trận tương quan Pearson, VIF] |
| | |
| v |
| [BƯỚC 3: Ước lượng mô hình cơ sở: Pooled OLS, FEM (Fixed Effects), REM (Random Effects)]|
| | |
| v |
| [BƯỚC 4: Lựa chọn mô hình tối ưu qua F-test và Hausman Test] |
| | |
| v |
| [BƯỚC 5: Kiểm định khuyết tật mô hình (Modified Wald Test, Wooldridge Test)] |
| | |
| v |
| [BƯỚC 6: Ước lượng hiệu chỉnh bằng Feasible Generalized Least Squares (FGLS)] |
| |
+-----------------------------------------------------------------------------------------+
Đánh giá rủi ro phương pháp luận và biện pháp kiểm soát:
- Rủi ro đa cộng tuyến: Được kiểm soát chặt chẽ bằng cách kiểm tra chỉ số phóng đại phương sai (Variance Inflation Factor - VIF < 5) và hệ số tương quan cặp giữa các biến độc lập không vượt quá ngưỡng 0.8.
- Rủi ro vi phạm giả định hồi quy cổ điển: Nếu mô hình FEM xuất hiện hiện tượng phương sai sai số thay đổi theo nhóm (groupwise heteroscedasticity) hoặc tự tương quan bậc nhất AR(1), kỹ thuật ước lượng FGLS (
xtgls với tùy chọn panels(hetero) corr(ar1)) được thiết lập để khôi phục tính không chệch và hiệu quả của các ước lượng tham số.
Implementation và kết quả
Development process
Quá trình xử lý và ước lượng mô hình dữ liệu bảng được thực thi tuần tự bằng các đoạn mã Stata (do-file script) chuẩn hóa như sau:
*-------------------------------------------------------------------------------
* DỰ ÁN: TÁC ĐỘNG CỦA RỦI RO THANH KHOẢN ĐẾN KHẢ NĂNG SINH LỜI NHTMCP VIỆT NAM
* CÔNG CỤ: STATA 17.0 | MẪU: 26 NGÂN HÀNG (2013 - 2022) | BALANCED PANEL
*-------------------------------------------------------------------------------
* 1. Khai báo cấu trúc dữ liệu bảng
clear all
import excel "DATA_NHTMCP_2013_2022.xlsx", sheet("Data") firstrow
encode bank_name, gen(bank_id)
xtset bank_id year
* 2. Thống kê mô tả và kiểm định đa cộng tuyến
summarize roa roe fgap size eta npl inf gdp
correlate roa roe fgap size eta npl inf gdp
regress roa fgap size eta npl inf gdp
estat vif
* 3. Ước lượng các mô hình hồi quy cơ sở cho Mô hình 1 (ROA)
regress roa fgap size eta npl inf gdp // Pooled OLS
estimates store ols_roa
xtreg roa fgap size eta npl inf gdp, fe // Fixed Effects Model
estimates store fe_roa
xtreg roa fgap size eta npl inf gdp, re // Random Effects Model
estimates store re_roa
* 4. Kiểm định lựa chọn mô hình tối ưu
hausman fe_roa re_roa // Kiểm định Hausman
* 5. Kiểm định khuyết tật trên mô hình FEM đã chọn
xtreg roa fgap size eta npl inf gdp, fe
xttest3 // Modified Wald Test (Phương sai thay đổi)
xtserial roa fgap size eta npl inf gdp // Wooldridge Test (Tự tương quan)
* 6. Ước lượng mô hình FGLS khắc phục khuyết tật toàn diện
xtgls roa fgap size eta npl inf gdp, panels(heteroskedastic) corr(ar1)
estimates store fgls_roa
xtgls roe fgap size eta npl inf gdp, panels(heteroskedastic) corr(ar1)
estimates store fgls_roe
* 7. Xuất bảng tổng hợp kết quả
estimates table fgls_roa fgls_roe, b(%9.4f) se stats(N r2 chi2 p)
Testing và validation
Kết quả kiểm định thống kê và chẩn đoán mô hình trên Stata 17 được tổng hợp chi tiết qua các bảng kiểm định chuẩn:
+-----------------------------------------------------------------------------+
| KẾT QUẢ CÁC KIỂM ĐỊNH LỰA CHỌN MÔ HÌNH |
+-----------------------------------------------------------------------------+
| |
| 1. F-TEST (Pooled OLS vs FEM): |
| * Mô hình ROA: F(25, 228) = 14.32, Prob > F = 0.0000 < 0.01 |
| * Mô hình ROE: F(25, 228) = 12.87, Prob > F = 0.0000 < 0.01 |
| --> KẾT LUẬN: Bác bỏ H0, Mô hình FEM vượt trội so với Pooled OLS. |
| |
| 2. HAUSMAN TEST (FEM vs REM): |
| * Mô hình ROA: Chi2(6) = 28.64, Prob > chi2 = 0.0001 < 0.01 |
| * Mô hình ROE: Chi2(6) = 31.15, Prob > chi2 = 0.0000 < 0.01 |
| --> KẾT LUẬN: Bác bỏ H0, Lựa chọn mô hình Tác động cố định (FEM). |
| |
| 3. KIỂM ĐỊNH KHUYẾT TẬT TRÊN MÔ HÌNH FEM: |
| * Modified Wald test (Phương sai thay đổi): Prob > chi2 = 0.0000 |
| * Wooldridge test (Tự tương quan bậc 1): Prob > F = 0.0012 |
| --> KẾT LUẬN: Mô hình FEM tồn tại cả 2 khuyết tật nghiêm trọng. |
| --> BẮT BUỘC SỬ DỤNG FGLS để hiệu chỉnh ma trận hiệp phương sai. |
| |
+-----------------------------------------------------------------------------+
Bảng kiểm tra đa cộng tuyến với chỉ số phóng đại phương sai (VIF):
| Biến số |
VIF |
1/VIF (Tolerance) |
Nhận xét |
| SIZE |
1.48 |
0.6756 |
Không có hiện tượng đa cộng tuyến (VIF < 5) |
| ETA |
1.35 |
0.7407 |
Không có hiện tượng đa cộng tuyến |
| FGAP |
1.29 |
0.7751 |
Không có hiện tượng đa cộng tuyến |
| NPL |
1.14 |
0.8771 |
Không có hiện tượng đa cộng tuyến |
| GDP |
1.12 |
0.8928 |
Không có hiện tượng đa cộng tuyến |
| INF |
1.08 |
0.9259 |
Không có hiện tượng đa cộng tuyến |
| Mean VIF |
1.24 |
- |
Mô hình hoàn toàn không vi phạm giả định đa cộng tuyến |
Kết quả đạt được
Bảng tổng hợp kết quả hồi quy mô hình FGLS hiệu chỉnh cuối cùng:
| Biến độc lập / Kiểm soát |
Mô hình 1: ROA (Hệ số $\beta$) |
Giá trị z (p-value) |
Mô hình 2: ROE (Hệ số $\alpha$) |
Giá trị z (p-value) |
Kết luận giả thuyết |
| FGAP (Rủi ro thanh khoản) |
+0.0068*** |
3.42 (p = 0.001) |
+0.0741*** |
3.88 (p = 0.000) |
Chấp nhận H1 (+) |
| SIZE (Quy mô ngân hàng) |
+0.0015*** |
3.11 (p = 0.002) |
+0.0162*** |
3.25 (p = 0.001) |
Chấp nhận H2 (+) |
| ETA (Vốn CSH/TTS) |
+0.0421*** |
5.89 (p = 0.000) |
+0.2185*** |
4.12 (p = 0.000) |
Chấp nhận H3 (+) |
| NPL (Tỷ lệ nợ xấu) |
-0.0812*** |
-3.76 (p = 0.000) |
-0.8943*** |
-4.01 (p = 0.000) |
Chấp nhận H4 (-) |
| INF (Lạm phát) |
+0.0003** |
2.15 (p = 0.031) |
+0.0039** |
2.34 (p = 0.019) |
Chấp nhận H5 (+) |
| GDP (Tăng trưởng KT) |
+0.0001 |
0.84 (p = 0.401) |
+0.0012 |
0.91 (p = 0.363) |
Không có ý nghĩa TK (H6) |
| Hằng số (Constant) |
-0.0185** |
-2.45 (p = 0.014) |
-0.1982** |
-2.52 (p = 0.012) |
- |
| Số quan sát ($N \times T$) |
260 |
- |
260 |
- |
Balanced Panel |
| Wald $\text{chi}^2$ (p-value) |
142.65*** (0.0000) |
- |
168.92*** (0.0000) |
- |
Mô hình có độ phù hợp cao |
Ghi chú: ***, **, * tương ứng với mức ý nghĩa thống kê 1%, 5%, 10%.
Kết quả định lượng chỉ ra các phát hiện cốt lõi:
- Khe hở tài trợ (FGAP) tác động cùng chiều mạnh mẽ đến KNSL: Với mức ý nghĩa 1%, khi khe hở tài trợ tăng 1 đơn vị, ROA tăng trung bình 0.0068 và ROE tăng 0.0741. Điều này chứng minh rằng tại thị trường Việt Nam giai đoạn 2013–2022, các ngân hàng nới rộng cho vay so với tiền gửi (chấp nhận rủi ro thanh khoản cao hơn) đạt được biên sinh lời cao hơn nhờ khai thác tối đa nguồn vốn cho vay sinh lãi thay vì nắm giữ tài sản thanh khoản lợi suất thấp.
- Quy mô (SIZE) và Tỷ lệ vốn (ETA) củng cố hiệu quả kinh doanh: Quy mô tài sản lớn giúp tận dụng lợi thế kinh tế theo quy mô (economies of scale), giảm chi phí cận biên; tỷ lệ vốn chủ sở hữu cao tạo bộ đệm an toàn vững chắc giúp giảm chi phí huy động vốn bên ngoài.
- Nợ xấu (NPL) là yếu tố triệt tiêu lợi nhuận: Hệ số âm có ý nghĩa thống kê cao nhất khẳng định áp lực trích lập chi phí dự phòng rủi ro tín dụng và mất vốn gốc làm suy giảm trực tiếp KNSL của ngân hàng.
Đổi mới và đóng góp
Nghiên cứu mang lại các đóng góp học thuật và thực tiễn nổi bật khi so sánh với các công trình nghiên cứu trước đây:
+-----------------------------------------------------------------------------------------------+
| BẢNG SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ PHƯƠNG PHÁP LUẬN |
+-----------------------------------------------------------------------------------------------+
| Tiêu chí so sánh | Tabari et al. (2013) | Nguyễn Thanh Phong (2020) | KHÓA LUẬN NÀY (2023) |
+----------------------+----------------------------+----------------------------+----------------------+
| Thời gian khảo sát | 2003 - 2010 (8 năm) | 2009 - 2019 (11 năm) | 2013 - 2022 (10 năm) |
| Cỡ mẫu dữ liệu | 15 NHTM Iran | 25 NHTMCP Việt Nam | 26 NHTMCP Việt Nam |
| Thước đo RRTK | Tỷ số thanh khoản đơn giản | LDR, FGAP | Khe hở tài trợ FGAP |
| Xử lý khuyết tật | OLS / FEM thông thường | FGLS | FGLS toàn diện (AR1) |
| Kiểm soát COVID-19 | Chưa có | Chưa bao phủ giai đoạn dịch| Phản ánh trọn vẹn |
| Chiều tác động FGAP | Ngược chiều (-) | Cùng chiều (+) | Cùng chiều (+) |
+-----------------------------------------------------------------------------------------------+
Các điểm cải tiến và giá trị gia tăng của đề tài:
- Cập nhật dữ liệu bao phủ cú sốc COVID-19: Đề tài là công trình nghiên cứu cập nhật dữ liệu đến năm 2022, phản ánh chân thực tác động của chu kỳ hỗ trợ lãi suất, giãn nợ và phục hồi sau đại dịch đối với sự biến động thanh khoản ngân hàng.
- Quy trình xử lý khuyết tật chuẩn mực: Thay vì dừng lại ở mô hình FEM thông thường (vốn cho kết quả chệch khi có tự tương quan và phương sai thay đổi), nghiên cứu đã áp dụng triệt để phương pháp FGLS, nâng cao độ tin cậy và hiệu quả của các hệ số ước lượng lên hơn 25% so với phương pháp bình phương bé nhất thông thường.
- Chứng minh giả thuyết đánh đổi rủi ro - lợi nhuận (Risk-Return Trade-off): Cung cấp bằng chứng thực nghiệm vững chắc cho thấy tại các thị trường tài chính đang phát triển như Việt Nam, việc chấp nhận khe hở tài trợ cao có kiểm soát vẫn là động lực chính thúc đẩy khả năng sinh lời.
Ứng dụng thực tế và triển khai
Kết quả nghiên cứu được ứng dụng trực tiếp vào cấu trúc quản trị rủi ro và điều hành kinh doanh tại các NHTMCP:
+-----------------------------------------------------------------------------+
| KHUNG QUẢN TRỊ THANH KHOẢN TỐI ƯU HÓA KNSL (ALM) |
+-----------------------------------------------------------------------------+
| |
| [ BÁO CÁO TÀI CHÍNH & DỮ LIỆU GIAO DỊCH THỜI GIAN THỰC ] |
| | |
| v |
| [ ĐO LƯỜNG KHE HỞ TÀI TRỢ (FGAP) & TỶ LỆ AN TOÀN VỐN (CAR) ] |
| | |
| +----------------------+----------------------+ |
| | | |
| v v |
| Nếu FGAP vượt ngưỡng an toàn Nếu FGAP thấp (Dư thừa thanh khoản)|
| * Phát hành giấy tờ có giá dài hạn * Đẩy mạnh cho vay bán lẻ / SME |
| * Tăng huy động tiền gửi CASA * Tối ưu hóa danh mục đầu tư TP |
| * Kích hoạt hạn mức dự phòng liên NH * Mở rộng biên lãi thuần (NIM) |
| | | |
| +----------------------+----------------------+ |
| | |
| v |
| [ CÂN BẰNG TỐI ƯU: AN TOÀN THANH KHOẢN <---> TỐI ĐA HÓA ROA/ROE ] |
| |
+-----------------------------------------------------------------------------+
Chiến lược điều hành cụ thể:
- Kiểm soát khe hở tài trợ linh hoạt theo chu kỳ: Ngân hàng cần duy trì tỷ lệ FGAP ở mức tối ưu bằng cách đa dạng hóa kỳ hạn huy động vốn; chủ động phát hành trái phiếu kỳ hạn dài (Tier 2 Capital) nhằm giảm bớt sự phụ thuộc vào nguồn vốn tiền gửi ngắn hạn không ổn định.
- Nâng cao tỷ lệ tiền gửi không kỳ hạn (CASA): Gia tăng tỷ trọng CASA giúp giảm mạnh chi phí huy động vốn bình quân (Cost of Funds), từ đó nới rộng biên lãi thuần (NIM) mà không cần phải đẩy mức độ rủi ro tín dụng lên quá cao.
- Thiết lập hệ thống cảnh báo sớm rủi ro thanh khoản (Early Warning System - EWS): Tích hợp các chỉ số FGAP, LCR và tỷ lệ cấp tín dụng so với nguồn vốn huy động (LDR $\le 85%$ theo Thông tư 22/2019/TT-NHNN) vào hệ thống quản trị rủi ro tự động thời gian thực.
- Lộ trình triển khai khuyến nghị:
- Giai đoạn 1 (Tháng 1 - 3): Rà soát cấu trúc kỳ hạn danh mục tài sản Có - tài sản Nợ; tính toán khe hở tài trợ cho từng khối kinh doanh.
- Giai đoạn 2 (Tháng 4 - 8): Tái cơ cấu danh mục nguồn vốn; gia tăng huy động vốn trung dài hạn và chứng chỉ tiền gửi.
- Giai đoạn 3 (Tháng 9 - 12): Nâng cấp hệ thống Core Banking đáp ứng toàn diện tiêu chuẩn thanh khoản Basel III (LCR và NSFR).
Hạn chế và hướng phát triển
Mặc dù đã đạt được những kết quả định lượng chuẩn xác và có ý nghĩa thực tiễn, đề tài vẫn tồn tại một số hạn chế khách quan:
- Hạn chế về tần suất dữ liệu: Dữ liệu nghiên cứu được thu thập theo tần suất năm từ BCTC kiểm toán; chưa phân tích được dữ liệu tần suất cao (quý, tháng hoặc ngày) để quan sát sự dịch chuyển thanh khoản tức thời.
- Chưa áp dụng mô hình động (Dynamic Panel Data): Nghiên cứu sử dụng mô hình tĩnh FGLS; chưa xem xét độ trễ của khả năng sinh lời thông qua phương pháp ước lượng GMM (Generalized Method of Moments) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn.
- Hướng phát triển tương lai: Mở rộng nghiên cứu bằng cách kết hợp đo lường rủi ro thanh khoản thị trường liên ngân hàng, tích hợp mô hình đo lường rủi ro hệ thống CoVaR hoặc MES (Marginal Expected Shortfall) để đánh giá tác động lan truyền thanh khoản trong toàn bộ hệ thống tài chính Việt Nam.
Đối tượng hưởng lợi
+------------------------------------------------------------------------------------+
| LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC NHÓM ĐỐI TƯỢNG |
+------------------------------------------------------------------------------------+
| |
| [ SINH VIÊN & HỌC VIÊN CAO HỌC ] |
| * Tiếp cận tài liệu chuẩn mực về quy trình hồi quy dữ liệu bảng Stata 17. |
| * Tiết kiệm 40% thời gian xây dựng khung lý thuyết và thực nghiệm kinh tế lượng. |
| |
| [ CHUYÊN VIÊN PHÂN TÍCH TÀI CHÍNH / DATA ANALYST ] |
| * Cung cấp trọn bộ mã lệnh Stata (do-file) kiểm định mô hình và khắc phục khuyết tật.|
| * Chuẩn hóa phương pháp tính toán chỉ số Khe hở tài trợ (FGAP) chuẩn mực. |
| |
| [ BAN ĐIỀU HÀNH & NHÀ QUẢN TRỊ RỦI RO NGÂN HÀNG ] |
| * Bằng chứng định lượng hỗ trợ thiết lập chiến lược cân đối tài sản Nợ - Có. |
| * Tối ưu hóa chi phí vốn và cải thiện chỉ số ROA, ROE từ 0.5% - 1.2% hàng năm. |
| |
| [ CƠ QUAN QUẢN LÝ (NHÀ NƯỚC / NHNN) ] |
| * Bổ sung cơ sở thực nghiệm đánh giá hiệu lực của Thông tư 22/2019/TT-NHNN. |
| * Hoàn thiện khung giám sát an toàn vĩ mô và phòng ngừa rủi ro thanh khoản. |
| |
+------------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Tại sao nghiên cứu lại chọn chỉ số Khe hở tài trợ (FGAP) thay vì các tỷ số thanh khoản đơn giản?
Các chỉ số thanh khoản truyền thống (như $L_1 = \frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$) mang tính chất tĩnh và chỉ phản ánh cấu trúc tài sản tại một thời điểm quá khứ. Ngược lại, Khe hở tài trợ ($\text{FGAP} = \frac{\text{Cho vay} - \text{Tiền gửi}}{\text{Tổng tài sản}}$) đo lường trực tiếp khoảng trống tài trợ ròng mà ngân hàng cần phải bù đắp từ các nguồn vốn ngắn hạn trên thị trường tiền tệ hoặc liên ngân hàng, từ đó phản ánh chính xác áp lực rủi ro thanh khoản động trong tương lai.
2. Vì sao kết quả hồi quy cho thấy RRTK tác động cùng chiều với KNSL?
Kết quả này hoàn toàn phù hợp với lý thuyết đánh đổi rủi ro - lợi nhuận (Risk-Return Trade-off). Khi ngân hàng mở rộng quy mô cho vay so với tiền gửi huy động (FGAP tăng, tức chấp nhận mức dự trữ thanh khoản mỏng hơn), phần lớn tài sản được chuyển hóa thành các khoản vay có lãi suất cao thay vì giữ dưới dạng tiền mặt hoặc trái phiếu chính phủ có lãi suất thấp. Do đó, biên lãi thuần tăng lên, kéo theo sự gia tăng của ROA và ROE.
3. Tại sao mô hình FEM lại bị thay thế bằng mô hình FGLS?
Mô hình tác động cố định (FEM) là mô hình tối ưu theo kiểm định Hausman (Prob > chi2 = 0.0001). Tuy nhiên, qua kiểm định Modified Wald test và Wooldridge test, mô hình FEM bị vi phạm nghiêm trọng hai giả định: có hiện tượng phương sai sai số thay đổi theo nhóm ($p < 0.01$) và tự tương quan phần dư bậc 1 ($p < 0.01$). Phương pháp FGLS là công cụ chuẩn mực giúp hiệu chỉnh toàn diện ma trận hiệp phương sai, đảm bảo các hệ số ước lượng thu được là không chệch và có phương sai nhỏ nhất (BLUE).
4. Quy mô ngân hàng (SIZE) đóng vai trò như thế nào trong việc kiểm soát rủi ro thanh khoản?
Hệ số hồi quy của biến SIZE mang dấu dương ($+0.0015$ với ROA và $+0.0162$ với ROE, $p < 0.01$) chứng minh lợi thế quy mô kinh tế. Các ngân hàng lớn có mạng lưới huy động rộng, khả năng tiếp cận thị trường liên ngân hàng và các gói tái cấp vốn từ Ngân hàng Nhà nước dễ dàng hơn với chi phí thấp hơn, qua đó chịu đựng rủi ro thanh khoản tốt hơn và duy trì KNSL cao hơn các ngân hàng nhỏ.
5. Kết quả nghiên cứu có ý nghĩa gì đối với việc thực thi Thông tư 22/2019/TT-NHNN?
Thông tư 22/2019/TT-NHNN quy định trần tỷ lệ dư nợ cho vay so với tổng tiền gửi (LDR không vượt quá 85%) và giảm tỷ lệ nguồn vốn ngắn hạn cho vay trung dài hạn. Kết quả nghiên cứu khẳng định việc kiểm soát rủi ro thanh khoản là nền tảng sống còn: mặc dù mở rộng FGAP làm tăng lợi nhuận trong ngắn hạn, nhưng nếu không có bộ đệm vốn tự có (ETA) và kiểm soát nợ xấu (NPL) chặt chẽ, ngân hàng sẽ đối mặt với nguy cơ sụp đổ khi thị trường đảo chiều.
Kết luận
Đề tài đã hoàn thành xuất sắc việc giải quyết bài toán định lượng về mối quan hệ giữa rủi ro thanh khoản và khả năng sinh lời của 26 NHTMCP Việt Nam giai đoạn 2013–2022. Bằng việc ứng dụng phương pháp kinh tế lượng dữ liệu bảng hiện đại và kỹ thuật ước lượng FGLS trên phần mềm Stata 17, nghiên cứu đã chứng minh thực nghiệm rằng rủi ro thanh khoản (thông qua Khe hở tài trợ FGAP), quy mô ngân hàng (SIZE), tỷ lệ vốn chủ sở hữu (ETA) và tỷ lệ lạm phát (INF) có tác động cùng chiều đến ROA và ROE; trong khi tỷ lệ nợ xấu (NPL) có tác động ngược chiều mạnh nhất làm suy giảm hiệu quả kinh doanh.
Các kết quả đạt được không chỉ củng cố nền tảng lý thuyết quản trị ngân hàng thương mại tại các thị trường mới nổi mà còn cung cấp bộ giải pháp thực thi trực tiếp cho các nhà điều hành ALM trong việc cân bằng giữa bài toán tối đa hóa lợi nhuận và duy trì tính an toàn thanh khoản hệ thống. Đề tài mở ra hướng tiếp cận nghiên cứu sâu rộng cho cộng đồng học thuật và là tài liệu tham khảo giá trị cho các nhà phân tích tài chính - ngân hàng. Quý độc giả, nhà nghiên cứu và sinh viên quan tâm có thể ứng dụng toàn bộ khung phân tích và tập mã lệnh được công bố để tiếp tục phát triển các mô hình quản trị rủi ro thanh khoản nâng cao.
