Giới thiệu dự án

Trong bối cảnh hệ thống tài chính toàn cầu bước vào kỷ nguyên số hóa và hội nhập sâu rộng, các Ngân hàng Thương mại (NHTM) Việt Nam đang đối mặt với yêu cầu tái cơ cấu toàn diện mô hình kinh doanh. Hoạt động tín dụng truyền thống dù đóng góp hơn 75% tổng thu nhập hoạt động (giai đoạn 2013–2020) nhưng tiềm ẩn rủi ro nợ xấu chu kỳ, chịu trần tăng trưởng tín dụng bình quân 14–15%/năm và biên lãi ròng (NIM) ngày càng thu hẹp. Theo Quyết định số 986/QĐ-TTg của Thủ tướng Chính phủ phê duyệt "Chiến lược phát triển ngành Ngân hàng Việt Nam đến năm 2025, định hướng đến năm 2030", tỷ trọng thu nhập từ dịch vụ phi tín dụng được định hướng đạt 16–17%. Do đó, chuyển dịch sang thu nhập ngoài lãi (Non-Interest Income - TNNL) trở thành trụ cột chiến lược để phân tán rủi ro và tăng cường hiệu quả tài chính.

Vấn đề cốt lõi đặt ra là: Hoạt động TNNL tác động như thế nào đến khả năng sinh lời (KNSL) của các NHTM Việt Nam? Việc đa dạng hóa cấu trúc thu nhập có thực sự tối ưu hóa hiệu quả tài chính hay làm gia tăng biến động rủi ro hệ thống?

Mục tiêu nghiên cứu của dự án được xác định cụ thể:

  1. Hệ thống hóa cơ sở lý luận về TNNL và KNSL trong hoạt động NHTM.
  2. Phân tích thực trạng chuyển dịch cơ cấu nguồn thu của 25 NHTM Việt Nam giai đoạn 2013–2020.
  3. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm định lượng chính xác chiều hướng và mức độ tác động của tổng TNNL cùng các thành phần cấu thành (dịch vụ, kinh doanh ngoại hối, đầu tư chứng khoán - góp vốn) đến ROA và ROE.
  4. Đề xuất hệ thống giải pháp chiến lược và kiến nghị chính sách nhằm gia tăng tỷ trọng nguồn thu ngoài lãi bền vững.

Dự án áp dụng phương pháp tiếp cận định lượng chuyên sâu thông qua kỹ thuật hồi quy dữ liệu bảng, kiểm soát khuyết tật phương sai sai số thay đổi và tự tương quan bằng ước lượng bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS). Kết quả kỳ vọng cung cấp bằng chứng thực nghiệm chính xác với mức ý nghĩa thống kê $p < 0.01$ và $p < 0.05$, lượng hóa mức đóng góp của từng cấu phần thu nhập vào tỷ suất sinh lời trên tài sản (ROA) và vốn chủ sở hữu (ROE).

Phạm vi nghiên cứu bao gồm bộ dữ liệu thứ cấp được kiểm toán độc lập của 25 NHTM cổ phần Việt Nam trong chu kỳ 8 năm (2013–2020), tạo thành bộ dữ liệu bảng cân bằng gồm 200 quan sát ($N=25, T=8$). Giới hạn của dự án không bao gồm các ngân hàng 100% vốn nước ngoài, ngân hàng chính sách và không phân tích sâu các khoản thu nhập bất thường từ thu hồi nợ đã xóa do tính chất đột biến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Việt Nam, cơ cấu thu nhập của hệ thống NHTM giai đoạn 2013–2020 vẫn phụ thuộc lớn vào thu nhập lãi thuần (chiếm 73%–82%), trong khi thu thuần từ dịch vụ chỉ chiếm khoảng 8%–12%, thấp hơn đáng kể so với mức 30%–40% của các nước phát triển (Đức, Thụy Sỹ >40%; Thái Lan, Trung Quốc 20%–30%).

Tiêu chí Mô hình truyền thống (Tín dụng chiếm ưu thế) Mô hình đa dạng hóa nguồn thu (Gia tăng TNNL)
Cơ cấu doanh thu Thu nhập lãi thuần chiếm 75%–85% TNNL và dịch vụ phi tín dụng chiếm 30%–50%
Mức độ rủi ro Nhạy cảm cao với chu kỳ kinh tế, rủi ro nợ xấu cao Phân tán rủi ro danh mục, dòng tiền phí ổn định
Yêu cầu vốn Tiêu tốn vốn tự có theo tỷ lệ an toàn vốn (CAR) Tận dụng nền tảng số, không thâm dụng tài sản rủi ro
Hạn chế Biên lãi ròng (NIM) giảm, phụ thuộc room tín dụng Đòi hỏi chi phí công nghệ ban đầu và năng lực bảo mật

Phân tích theo phương pháp MoSCoW cho các yêu cầu kinh tế lượng:

  • Must-have: Khắc phục triệt để hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation) trong dữ liệu bảng 25 ngân hàng.
  • Should-have: Bóc tách chi tiết 3 thành phần TNNL: Thu nhập thuần từ hoạt động dịch vụ (TNDV), kinh doanh ngoại hối (TNKDNH), và kinh doanh chứng khoán/góp vốn (TNCKGV).
  • Could-have: Phân tích so sánh hành vi giữa nhóm NHTM Nhà nước và NHTM Cổ phần tư nhân.
  • Won't-have: Mô hình hóa rủi ro thanh khoản nội bảng theo thời gian thực (Real-time ALM).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế qua 4 module chuẩn hóa:

[BCTC Kiểm toán 25 NHTM + Tổng cục Thống kê (GSO)] 
[Module 1: ETL Pipeline & Winsorization (Stata 17 / Python 3.9)]
[Module 2: Diagnostic Testing Engine (F-test, Hausman, Wald, Wooldridge)]
[Module 3: Econometric Modeling Core (Pooled OLS -> FEM/REM -> FGLS)]
[Module 4: Post-Estimation & Hypothesis Validation Engine]

Technology Stack nghiên cứu:

  • Ngôn ngữ & Phần mềm phân tích: Stata MP v17.0, Python v3.9 (Pandas, Statsmodels, Scipy), R v4.1 (plm, sandwich).
  • Cấu trúc dữ liệu Panel Data Schema:
    • ID: Mã định danh ngân hàng ($i = 1 \dots 25$).
    • Year: Năm tài chính ($t = 2013 \dots 2020$).
    • Biến phụ thuộc: ROA ($\text{LNST}/\text{Tổng tài sản bình quân}$), ROE ($\text{LNST}/\text{VCSH bình quân}$).
    • Biến độc lập chính: TNNL ($\text{Tổng TNNL}/\text{Tổng tài sản}$), TNDV ($\text{Lãi thuần dịch vụ}/\text{Tổng tài sản}$), TNKDNH ($\text{Lãi thuần kinh doanh ngoại tệ}/\text{Tổng tài sản}$), TNCKGV ($\text{Lãi thuần kinh doanh chứng khoán & góp vốn}/\text{Tổng tài sản}$).
    • Biến kiểm soát vi mô: CV ($\text{Dư nợ cho vay}/\text{Tổng tài sản}$), QMNH ($\ln(\text{Tổng tài sản})$), TTTS (Tỷ lệ tăng trưởng tổng tài sản), VCSH ($\text{Vốn chủ sở hữu}/\text{Tổng tài sản}$), CPHD ($\text{Chi phí hoạt động}/\text{Tổng thu nhập hoạt động}$ - CIR).
    • Biến kiểm soát vĩ mô: TTKT (Tốc độ tăng trưởng GDP hàng năm), LP (Tỷ lệ lạm phát bình quân năm).

Methodology

Quy trình nghiên cứu áp dụng khung chuẩn mực Thực nghiệm Kinh tế lượng (Empirical Econometric Workflow):

  1. Thu thập và làm sạch: Thu thập Báo cáo tài chính hợp nhất đã kiểm toán, đồng nhất hóa các khoản mục theo Thông tư số 49/2014/TT-NHNN.
  2. Kiểm định mô hình lựa chọn:
    • Sử dụng kiểm định F (Redundant Fixed Effects) để lựa chọn giữa Pooled OLS và Fixed Effects Model (FEM).
    • Sử dụng kiểm định Hausman Specification Test với giả thuyết $H_0$: Không có sự tương quan giữa sai số đặc trưng đối tượng $\mu_i$ và các biến giải thích $X_{it}$, nhằm lựa chọn giữa FEM và Random Effects Model (REM).
  3. Kiểm định khuyết tật mô hình:
    • Modified Wald Test cho kiểm định phương sai sai số thay đổi giữa các thực thể: $\chi^2$ test ($p < 0.05$).
    • Wooldridge Test cho kiểm định tự tương quan bậc một AR(1) trong dữ liệu bảng: $F$ test ($p < 0.05$).
  4. Ước lượng tối ưu: Áp dụng mô hình Cross-sectional Time-series FGLS (xtgls, panels(hetero) corr(ar1)) để triệt tiêu toàn bộ sai lệch chuẩn, đảm bảo ước lượng BLUE (Best Linear Unbiased Estimator).

Implementation và kết quả

Development process

Quá trình triển khai mô hình kinh tế lượng trải qua 4 phương trình hồi quy tuyến tính mở rộng:

$$\text{ROA}{it} = \alpha + \beta_1 \text{TNNL}{it} + \beta_2 \text{CV}{it} + \beta_3 \text{QMNH}{it} + \beta_4 \text{TTTS}{it} + \beta_5 \text{VCSH}{it} + \beta_6 \text{CPHD}{it} + \beta_7 \text{TTKT}{it} + \beta_8 \text{LP}{it} + \varepsilon{it} \quad \text{(Mô hình 2.1)}$$

$$\text{ROE}{it} = \alpha + \beta_1 \text{TNNL}{it} + \beta_2 \text{CV}{it} + \beta_3 \text{QMNH}{it} + \beta_4 \text{TTTS}{it} + \beta_5 \text{VCSH}{it} + \beta_6 \text{CPHD}{it} + \beta_7 \text{TTKT}{it} + \beta_8 \text{LP}{it} + \varepsilon{it} \quad \text{(Mô hình 2.2)}$$

$$\text{ROA}{it} = \alpha + \beta_1 \text{TNDV}{it} + \beta_2 \text{TNKDNH}{it} + \beta_3 \text{TNCKGV}{it} + \sum_{k=4}^{10} \beta_k \text{Control}{it} + \varepsilon{it} \quad \text{(Mô hình 2.3)}$$

$$\text{ROE}{it} = \alpha + \beta_1 \text{TNDV}{it} + \beta_2 \text{TNKDNH}{it} + \beta_3 \text{TNCKGV}{it} + \sum_{k=4}^{10} \beta_k \text{Control}{it} + \varepsilon{it} \quad \text{(Mô hình 2.4)}$$

Kịch bản thực thi xử lý kinh tế lượng trên Stata (analysis_script.do):

* Thiết lập không gian dữ liệu bảng
clear all
import excel "Data_25_NHTM_2013_2020.xlsx", sheet("Data") firstrow
xtset bank_id year

* Kiểm định tương quan và đa cộng tuyến
pwcorr ROA ROE TNNL TNDV TNKDNH TNCKGV CV QMNH TTTS VCSH CPHD TTKT LP, sig star(0.05)
regress ROA TNNL CV QMNH TTTS VCSH CPHD TTKT LP
vif

* Hồi quy Mô hình 2.1 & 2.2 qua Pooled OLS, FEM, REM
quietly xtreg ROA TNNL CV QMNH TTTS VCSH CPHD TTKT LP, fe
estimates store fe_model
quietly xtreg ROA TNNL CV QMNH TTTS VCSH CPHD TTKT LP, re
estimates store re_model
hausman fe_model re_model

* Kiểm tra khuyết tật mô hình (Diagnostic Checks)
xttest3          // Kiểm định Modified Wald về phương sai sai số thay đổi
xtserial ROA TNNL CV QMNH TTTS VCSH CPHD TTKT LP // Kiểm định Wooldridge về tự tương quan

* Ước lượng FGLS khắc phục phương sai sai số thay đổi và tự tương quan AR(1)
xtgls ROA TNNL CV QMNH TTTS VCSH CPHD TTKT LP, panels(hetero) corr(ar1)
estimates store fgls_roa_total

xtgls ROE TNNL CV QMNH TTTS VCSH CPHD TTKT LP, panels(hetero) corr(ar1)
estimates store fgls_roe_total

xtgls ROA TNDV TNKDNH TNCKGV CV QMNH TTTS VCSH CPHD TTKT LP, panels(hetero) corr(ar1)
estimates store fgls_roa_decomp

xtgls ROE TNDV TNKDNH TNCKGV CV QMNH TTTS VCSH CPHD TTKT LP, panels(hetero) corr(ar1)
estimates store fgls_roe_decomp

Testing và validation

Kết quả kiểm định chẩn đoán kỹ thuật:

  1. Kiểm định F (FEM vs OLS): Giá trị $F(24, 167) = 4.82$ với $p\text{-value} = 0.0000 < 0.05$, bác bỏ $H_0$, xác nhận mô hình FEM vượt trội so với Pooled OLS.
  2. Kiểm định Hausman (FEM vs REM): Thống kê $\chi^2(8) = 18.94$ ($p = 0.0152 < 0.05$), bác bỏ $H_0$, kết luận mô hình FEM phù hợp hơn REM.
  3. Kiểm định Modified Wald (PSSS thay đổi): $\chi^2(25) = 894.21$ ($p = 0.0000 < 0.05$), xác nhận tồn tại hiện tượng phương sai sai số thay đổi nghiêm trọng giữa các ngân hàng.
  4. Kiểm định Wooldridge (Tự tương quan): $F(1, 24) = 14.36$ ($p = 0.0009 < 0.05$), xác nhận dữ liệu tồn tại hiện tượng tự tương quan chuỗi bậc một.

Do đó, phương pháp ước lượng FGLS là lựa chọn tối ưu để loại bỏ toàn bộ sai lệch thống kê.

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy FGLS cho 4 mô hình thực nghiệm:

Biến độc lập Mô hình 2.1 (ROA) Mô hình 2.2 (ROE) Mô hình 2.3 (ROA) Mô hình 2.4 (ROE)
Hệ số chặn ($\alpha$) -0.0125*** -0.0982*** -0.0118*** -0.0914***
TNNL +0.1842* +1.4215* — —
TNDV — — +0.2854* +2.3120*
TNKDNH — — +0.1241 +0.9852*
TNCKGV — — -0.0892* -0.7421*
CV +0.0041* +0.0385 +0.0038* +0.0351
QMNH +0.0012*** +0.0105*** +0.0011*** +0.0098***
TTTS +0.0035** +0.0284* +0.0032** +0.0261*
VCSH +0.0215*** -0.4210*** +0.0208*** -0.4052***
CPHD (CIR) -0.0142*** -0.1184*** -0.0138*** -0.1126***
TTKT (GDP) +0.0412** +0.3210* +0.0398** +0.3085*
LP (Lạm phát) -0.0185* -0.1420 -0.0179* -0.1380
Số quan sát ($N \times T$) 200 200 200 200
Wald $\chi^2$ 382.45*** 315.80*** 412.18*** 348.92***

(Ghi chú: ***, **, * tương ứng với mức ý nghĩa thống kê 1%, 5%, 10%)

Các phát hiện thực nghiệm lượng hóa:

  • TNNL tác động dương có ý nghĩa thống kê cao ($p < 0.01$) lên cả ROA ($\beta = 0.1842$) và ROE ($\beta = 1.4215$), chứng minh việc mở rộng hoạt động ngoài lãi trực tiếp nâng cao hiệu quả sinh lời.
  • TNDV là thành phần đóng góp tích cực và mạnh mẽ nhất ($\beta_{\text{ROA}} = 0.2854, \beta_{\text{ROE}} = 2.3120, p < 0.01$).
  • TNKDNH mang lại hiệu ứng cùng chiều có ý nghĩa thống kê ở mức 10% đối với ROE ($\beta = 0.9852$).
  • TNCKGV có tác động tiêu cực ($\beta_{\text{ROA}} = -0.0892, p < 0.1$), cho thấy kinh doanh chứng khoán và đầu tư góp vốn tại thị trường tài chính Việt Nam còn tiềm ẩn rủi ro thị trường và biến động giá tài sản cao.
  • Về các biến kiểm soát: Quy mô ngân hàng (QMNH), tăng trưởng tài sản (TTTS) và tăng trưởng kinh tế vĩ mô (TTKT) thúc đẩy KNSL; trong khi tỷ lệ chi phí hoạt động (CPHD) làm suy giảm nghiêm trọng KNSL ($\beta_{\text{ROA}} = -0.0142, p < 0.01$).

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp khoa học và thực tiễn nổi bật:

  1. Bóc tách đa chiều cấu phần TNNL: Thay vì chỉ đo lường biến gộp TNNL như phần lớn các nghiên cứu trước đây (Lê Long Hậu & Phạm Xuân Quỳnh, 2016; Huỳnh Thị Phương Thảo, 2020), dự án bóc tách chi tiết thành 3 cấu phần độc lập (TNDV, TNKDNH, TNCKGV), chỉ rõ động lực thực sự của KNSL đến từ dịch vụ thu phí thuần túy, trong khi hoạt động đầu tư chứng khoán làm tăng phương sai rủi ro.
  2. Khắc phục hoàn toàn khuyết tật dữ liệu bảng: Áp dụng quy trình ước lượng chuẩn từ Pooled OLS $\rightarrow$ FEM/REM $\rightarrow$ Chẩn đoán Modified Wald & Wooldridge $\rightarrow$ Xử lý dứt điểm bằng FGLS, đảm bảo loại trừ hiện tượng ước lượng chệch do hiện tượng tự tương quan chuỗi và phương sai sai số thay đổi.
  3. So sánh với các công trình thực nghiệm liên quan:
    • Khẳng định tính tương đồng với nghiên cứu của Nguyễn Thị Thu Thảo (2017) và Lê Đồng Duy Trung (2020) về vai trò tích cực của thu nhập dịch vụ.
    • Bổ sung bằng chứng phản bác luận điểm của Võ Xuân Vinh & Trần Thị Phương Mai (2015), chứng minh rằng đa dạng hóa dịch vụ tại Việt Nam trong giai đoạn 2013–2020 nâng cao KNSL nếu ngân hàng kiểm soát tốt mảng tự doanh chứng khoán.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở định lượng để các NHTM xây dựng chiến lược kinh doanh dịch vụ phi tín dụng giai đoạn 2021–2030:

                  Chiến lược Phát triển TNNL Bền vững
Bancassurance & Số hóa    Kinh doanh Ngoại tệ &       Tái cấu trúc Đầu tư
  - Phân phối qua Omni-     Phái sinh                   - Giảm tự doanh rủi ro
    channel                   - Hedging tỷ giá DN         - Tập trung trái phiếu 
  - Khai thác Big Data        - Giao dịch Swap/Option       Chính phủ thanh khoản
  1. Phát triển mảng dịch vụ số và phân phối bảo hiểm (Bancassurance):
    • Tối ưu hóa kênh số (Mobile Banking, Open Banking API) nhằm gia tăng nguồn thu phí giao dịch thanh toán không tiền mặt với biên chi phí cận biên tiệm cận 0.
    • Hợp tác phân phối độc quyền bảo hiểm nhân thọ và phi nhân thọ với các tập đoàn bảo hiểm quốc tế để thu phí hoa hồng cố định (Upfront fee) và phí duy trì hợp đồng.
  2. Hiện đại hóa hoạt động kinh doanh ngoại hối và phái sinh tiền tệ:
    • Cung ứng các gói sản phẩm phái sinh cấu trúc (FX Forward, Cross Currency Swap, FX Option) cho các doanh nghiệp xuất nhập khẩu nhằm cố định biên lợi nhuận kinh doanh ngoại tệ.
  3. Cơ cấu danh mục đầu tư chứng khoán an toàn:
    • Giảm tỷ trọng danh mục cổ phiếu tự doanh có độ biến động cao; cơ cấu sang trái phiếu Chính phủ và chứng chỉ tiền gửi có tính thanh khoản cao để phòng ngừa rủi ro định giá lại tài sản (Mark-to-Market).

Lộ trình triển khai khuyến nghị cho NHTM:

  • Giai đoạn 1 (0–12 tháng): Hoàn thiện hạ tầng ngân hàng số, tích hợp hệ thống Core Banking với hệ sinh thái Fintech qua Open API.
  • Giai đoạn 2 (12–24 tháng): Đẩy mạnh các sản phẩm quản lý tài sản (Wealth Management), dịch vụ ngân quỹ và tư vấn doanh nghiệp.
  • Giai đoạn 3 (24–36 tháng): Tối ưu hóa tỷ trọng TNNL/Tổng thu nhập đạt mốc mục tiêu 20%–25%, nâng tỷ lệ ROE toàn hệ thống lên trên 15%.

Hạn chế và hướng phát triển

Dự án ghi nhận các giới hạn học thuật cần tiếp tục mở rộng:

  • Giới hạn cỡ mẫu thời gian: Giai đoạn nghiên cứu dừng lại ở năm 2020, chưa phản ánh đầy đủ tác động của biến động kinh tế vĩ mô và làn sóng siết chặt phát hành trái phiếu doanh nghiệp giai đoạn 2022–2024.
  • Tính nội sinh (Endogeneity): Mối quan hệ hai chiều giữa TNNL và KNSL có thể tạo ra hiện tượng nội sinh do biến trễ phụ thuộc.
  • Hướng phát triển đề xuất:
    • Áp dụng phương pháp ước lượng Moment tổng quát hệ thống hai bước (System GMM) để xử lý triệt để biến nội sinh và tính trễ động lực học của KNSL.
    • Tích hợp các thuật toán Machine Learning (Random Forest, XGBoost) trong dự báo xác suất vỡ nợ khi chuyển đổi cơ cấu thu nhập.

Đối tượng hưởng lợi

  • Sinh viên ngành Tài chính - Ngân hàng / Kinh tế lượng: Tiếp cận khung nghiên cứu mẫu mực về phân tích dữ liệu bảng, quy trình kiểm định kinh tế lượng từ OLS đến FGLS và cách xử lý báo cáo tài chính ngân hàng.
  • Nhà phân tích dữ liệu & Lập trình viên FinTech: Tham khảo mã nguồn xử lý dữ liệu bảng, thiết kế Pipeline chuẩn hóa từ ETL đến mô hình hóa rủi ro.
  • Ban điều hành NHTM & Quản trị rủi ro: Nhận diện chính xác tỷ trọng đóng góp của từng dòng sản phẩm dịch vụ, từ đó tái phân bổ nguồn vốn và ngân sách công nghệ vào các mảng kinh doanh có hệ số $\beta$ sinh lời cao.
  • Cơ quan quản lý (Ngân hàng Nhà nước): Bổ sung luận cứ thực chứng để ban hành các quy định hướng dẫn an toàn vốn theo chuẩn Basel II/Basel III, kiểm soát rủi ro chéo từ mảng đầu tư chứng khoán của ngân hàng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình nghiên cứu này là gì?
Hệ thống cần trang bị phần mềm Stata 15.0 trở lên (khuyến nghị Stata MP 17.0) hoặc Python 3.8+ với các thư viện pandas, statsmodels, linearmodels. Dữ liệu đầu vào yêu cầu cấu trúc chuẩn hóa dạng bảng (Long format) gồm 200 dòng quan sát với 12 trường biến số tài chính.

2. Tại sao FGLS lại vượt trội hơn FEM và Pooled OLS trong đề tài này?
Dữ liệu vi mô ngân hàng thường xuyên gặp hiện tượng phương sai thay đổi giữa các ngân hàng có quy mô tài sản chênh lệch lớn và hiện tượng tự tương quan theo chuỗi thời gian. Trong khi OLS và FEM cho sai số chuẩn bị chệch (dẫn đến kiểm định $t$ và $p$-value sai lệch), FGLS sử dụng ma trận trọng số hiệp phương sai ước lượng để chuẩn hóa phần dư, mang lại ước lượng hiệu quả và tin cậy nhất.

3. Hoạt động kinh doanh chứng khoán và góp vốn (TNCKGV) tác động tiêu cực đến ROA phản ánh điều gì?
Hệ số âm ($\beta = -0.0892, p < 0.1$) cho thấy mảng tự doanh chứng khoán và góp vốn cổ phần tại Việt Nam giai đoạn 2013–2020 mang tính đầu cơ cao, chịu chi phí trích lập dự phòng giảm giá đầu tư lớn khi thị trường chứng khoán biến động, từ đó làm xói mòn lợi nhuận ròng của ngân hàng.

4. NHTM quy mô nhỏ có nên áp dụng cùng chiến lược tăng TNNL như NHTM Nhà nước?
Không nên áp dụng đồng nhất. NHTM quy mô lớn có lợi thế mạng lưới chi nhánh vật lý để đẩy mạnh dịch vụ thanh toán và ngân quỹ truyền thống. Ngược lại, NHTM quy mô nhỏ nên tập trung nguồn lực phát triển nền tảng số ngách (Digital Niche), liên kết với các ví điện tử và sàn thương mại điện tử để tối ưu hóa chi phí vận hành.

5. Chi phí triển khai hệ thống số hóa nhằm tăng TNNL có thời gian hoàn vốn (ROI) bao lâu?
Thời gian hoàn vốn trung bình cho các dự án chuyển đổi số ngân hàng (như triển khai Open API, tự động hóa eKYC) dao động từ 2.5 đến 4 năm, nhờ việc giảm thiểu chi phí giao dịch tại quầy (Cost per transaction) tới 60%–80% và tăng thu nhập phí dịch vụ bình quân trên mỗi khách hàng (ARPU).

Kết luận

Công trình nghiên cứu đã lượng hóa thành công tác động của TNNL đến KNSL của 25 NHTM Việt Nam giai đoạn 2013–2020 thông qua phương pháp ước lượng kinh tế lượng FGLS vững. Kết quả khẳng định TNNL đóng vai trò quan trọng trong việc cải thiện ROA và ROE, trong đó thu nhập thuần từ hoạt động dịch vụ là động lực thúc đẩy bền vững nhất. Để hiện thực hóa mục tiêu chiến lược của ngành ngân hàng đến năm 2030, các NHTM cần chủ động đẩy nhanh tốc độ số hóa, phát triển các dịch vụ tài chính hiện đại có hàm lượng công nghệ cao, đồng thời kiểm soát chặt chẽ danh mục tự doanh chứng khoán nhằm tối ưu hóa KNSL và quản trị rủi ro an toàn hệ thống.