Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và hội nhập tài chính quốc tế, hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam đang chứng kiến sự thay đổi sâu sắc về cấu trúc nguồn thu. Theo thống kê từ Ngân hàng Nhà nước (NHNN), tỷ trọng thu nhập lãi thuần truyền thống chiếm trên 75%–80% tổng thu nhập hoạt động (Total Operating Income - TOI), khiến hệ thống dễ bị tổn thương trước các cú sốc vĩ mô, biến động lãi suất và chu kỳ suy thoái kinh tế. Sự gia tăng cạnh tranh khốc liệt từ các công ty tài chính công nghệ (Fintech) và xu hướng thắt chặt biên lãi ròng (Net Interest Margin - NIM) đã thúc đẩy các ngân hàng chuyển dịch chiến lược sang khai thác các nguồn thu nhập ngoài lãi (Non-Interest Income - NII / Thu nhập ngoài lãi - TNNL).

Khóa luận tốt nghiệp chuyên ngành Tài chính - Ngân hàng với đề tài "Tác động của thu nhập ngoài lãi đến rủi ro của các ngân hàng thương mại tại Việt Nam" do sinh viên Ngô Yến Nhi (Học viện Ngân hàng) thực hiện dưới sự hướng dẫn của PGS. Đỗ Thị Kim Hảo, đã xây dựng mô hình kinh tế lượng động nhằm giải quyết triệt để bài toán đánh giá định lượng tác động của TNNL đến rủi ro vỡ nợ, rủi ro tín dụng và độ ổn định tài chính tổng thể của 24 NHTM Việt Nam trong giai đoạn 2010–2022.

Vấn đề thực tiễn và Pain Points

  • Sự phụ thuộc quá mức vào tín dụng truyền thống: Lãi suất biến động mạnh đẩy rủi ro tín dụng lên cao (nợ xấu từng đạt đỉnh 4,08% vào năm 2012 và tăng vọt lên 2,34% vào năm 2020 do đại dịch Covid-19).
  • Tính bất định của các nguồn thu phi tín dụng: Mặc dù quy mô TNNL toàn ngành tăng hơn 552% trong giai đoạn 2010–2022, các hoạt động đầu tư chứng khoán, phái sinh tiền tệ và phân phối bảo hiểm (Bancassurance) có độ biến động cao, làm gia tăng chi phí cố định (operating leverage) và rủi ro thanh khoản nếu không được quản trị chuẩn hóa.
  • Khoảng trống thực nghiệm phân hóa theo chuẩn mực quản trị: Các công trình trước đây chưa lượng hóa đồng thời cú sốc đại dịch Covid-19 và sự phân hóa rủi ro giữa nhóm ngân hàng đã áp dụng chuẩn mực Basel II (Thông tư 41/2016/TT-NHNN) so với nhóm chưa áp dụng.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về cấu trúc TNNL, các chỉ tiêu rủi ro ngân hàng (chỉ số Z-score, rủi ro tín dụng NPL, rủi ro thanh khoản, rủi ro hoạt động).
  2. Phân tích thực trạng chuyển dịch cơ cấu nguồn thu và diễn biến rủi ro của 24 NHTM Việt Nam trong giai đoạn 2010–2022.
  3. Xây dựng mô hình kinh tế lượng dữ liệu bảng động (Dynamic Panel Data) với phương pháp ước lượng Moment tổng quát 2 bước (Two-step System GMM) nhằm kiểm soát hiện tượng nội sinh (Endogeneity), tự tương quan và phương sai sai số thay đổi.
  4. Đo lường tác động biên của TNNL theo nhóm ngân hàng đạt chuẩn Basel II và đánh giá tác động điều tiết từ cú sốc Covid-19.
  5. Đề xuất hệ thống giải pháp nâng cao hiệu quả thu nhập ngoài lãi gắn liền với khung quản trị rủi ro ICAAP Trụ cột 2.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các thị trường phát triển như Đức và Thụy Sĩ, tỷ trọng thu nhập từ phí dịch vụ trên TOI đạt trên 40%, trong khi khối ASEAN đạt bình quân 35%. Tại Việt Nam, tỷ lệ này dao động quanh mức 20%–24,85%, thuộc nhóm thấp theo chuẩn quốc tế Reuters.

             Thấp       Trung bình         Cao          Rất cao
Tiêu chí phân tích Phương pháp Pooled OLS Mô hình Hiệu ứng Cố định / Ngẫu nhiên (FEM/REM) Mô hình Two-step System GMM (Đề tài áp dụng)
Xử lý nội sinh ($E[\epsilon \vert X] \neq 0$) Không thể xử lý Bỏ qua biến nội sinh trễ Xử lý triệt để qua biến công cụ nội sinh (Instrumental Variables)
Hiện tượng trễ rủi ro ($Risk_{i,t-1}$) Bị chệch tham số Bị chệch Nickell ($T$ nhỏ) Kiểm soát hoàn hảo với điều kiện moment hợp lệ
Phương sai sai số thay đổi Dễ vi phạm giả định Dễ suy giảm hiệu lực Sử dụng ma trận trọng số hiệu chỉnh Windmeijer (2005)
Độ tin cậy thực nghiệm Thấp ($R^2$ ảo) Trung bình Tối ưu hóa cho dữ liệu bảng vi mô ($N=24, T=12$)

So sánh với các nghiên cứu tiền nhiệm

  • Duong (2021): Dùng Logistic đơn biến trên 25 NHTM (2010–2020), chỉ ra TNNL giảm rủi ro kinh doanh nhưng chưa phân tách các nguồn thu con và chưa kiểm soát tính động của chuỗi tài chính.
  • Đào (2021): Dùng System GMM trên 27 NHTM (2010–2019), nhận định đa dạng hóa làm tăng rủi ro, tuy nhiên chưa đánh giá tác động bất đối xứng của phân khúc Basel II và biến cố Covid-19.
  • Hunjra et al. (2020) & De Jonghe et al. (2014): Nghiên cứu quốc tế khẳng định vai trò của quy mô và thể chế, tạo cơ sở đối sánh cho mẫu dữ liệu ngân hàng Việt Nam.

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must have: Tập dữ liệu chuẩn hóa 24 NHTM (2011–2022, 288 quan sát); kiểm định Wooldridge, Modified Wald, Sargan/Hansen, Arellano-Bond AR(1)/AR(2).
  • Should have: Phân rã biến TNNL thành Thu nhập dịch vụ (TNDV) và Thu nhập kinh doanh đầu tư (TNKD); tách mẫu kiểm tra Basel II.
  • Could have: Đánh giá biến tương tác giữa Covid-19 và tỷ trọng TNNL.
  • Won't have: Mô hình hóa rủi ro các ngân hàng 100% vốn ngoại hoặc ngân hàng bị kiểm soát đặc biệt (SCB, CBBank, OceanBank).

Thiết kế hệ thống mô hình kinh tế lượng

Technology Stack và Thông số Kỹ thuật

  • Phần mềm Econometrics chính: Stata MP Version 17.0 (Module xtabond2 bởi David Roodman).
  • Xử lý dữ liệu & trực quan hóa: Python v3.11.8 (pandas v2.1.4, statsmodels v0.14.1, linearmodels v5.3, matplotlib v3.8.2).
  • Quản lý dữ liệu nền: Microsoft Excel 2021 / Structured CSV schema.

Cấu trúc dữ liệu và Định nghĩa biến số

$$\text{RISK}{i,t} = \alpha_0 + \delta \text{RISK}{i,t-1} + \beta_1 \text{NII}{i,t} + \sum{k} \gamma_k \text{CONTROL}_{k,i,t} + \theta \text{COVID_DUMMY}t + \epsilon{i,t}$$

                CẤU TRÚC BẢNG DỮ LIỆU ĐỊNH LƯỢNG (PANEL DATA SCHEMA)

Implementation và kết quả

Quy trình triển khai thực nghiệm

Code Snippet thực thi mô hình trên Stata MP 17.0

*-----------------------------------------------------------------------------
* ĐOẠN MÃ HỒI QUY SYSTEM GMM HAI BƯỚC (TWO-STEP SYSTEM GMM WITH WINDMEIJER)
* Đề tài: Tác động của TNNL đến rủi ro của 24 NHTM Việt Nam (2011-2022)
*-----------------------------------------------------------------------------

* Khai báo cấu trúc Panel Data
tsset bank_id year

* Kiểm định hiện tượng đa cộng tuyến
quietly regress zscore nonii_toi size roa car leverage npl covid
estat vif

* Kiểm định tự tương quan chuỗi (Wooldridge test)
xtserial zscore nonii_toi size roa car leverage npl

* Kiểm định phương sai thay đổi (Modified Wald test)
quietly xtreg zscore nonii_toi size roa car leverage npl, fe
xttest3

* Chạy hồi quy Two-step System GMM với hiệu chỉnh Windmeijer sai số chuẩn
xtabond2 zscore L.zscore nonii_toi size roa car leverage npl covid, ///
    gmmstyle(L.zscore nonii_toi, laglimits(2 4) collapse) ///
    ivstyle(size roa car leverage npl covid, equation(level)) ///
    twostep robust small orthogonal

          2010     2011    2012             2019  2020  2021  2022

Kết quả kiểm định và Phát hiện thực nghiệm

Ghi chú: *** p < 0.01; ** p < 0.05; Sai số chuẩn đặt trong dấu ngoặc đơn.

Phân tích sâu kết quả ước lượng

  1. Tác động ngược chiều đến rủi ro tổng thể: Hệ số của biến $\text{NONII_TOI}$ mang dấu âm (khi biến phụ thuộc là độ phân tán rủi ro/NPL) và mang dấu dương có ý nghĩa thống kê $5%$ khi đo lường mức độ an toàn qua chỉ số Z-score. Khi tỷ lệ TNNL tăng $1%$, chỉ số ổn định tổng thể của ngân hàng tăng trung bình $0,0845%$.
  2. Sự phân hóa giữa nhóm Basel II và Non-Basel II:
    • Nhóm 16 NHTM đã áp dụng Basel II: TNNL có tương quan thuận chiều mạnh mẽ với tính ổn định tài chính ($\beta = +0,142$, $p < 0,01$). Khả năng quản trị rủi ro vận hành và hệ thống kiểm soát nội bộ chuẩn mực giúp hấp thụ tốt các biến động từ nguồn thu phi tín dụng.
    • Nhóm 8 NHTM chưa hoàn thành Basel II: Mối quan hệ giữa TNNL và tính ổn định không có ý nghĩa thống kê, thậm chí việc mở rộng nhanh sang các hoạt động đầu tư rủi ro làm tăng phương sai lợi nhuận ròng.
  3. Cú sốc Covid-19: Biến giả Covid-19 có hệ số âm rõ rệt ($\beta = -0,1120$, $p = 0,0244$), chứng minh dịch bệnh làm gia tăng rủi ro hệ thống, tuy nhiên các ngân hàng sở hữu danh mục TNDV số hóa (như Techcombank, VPBank, MB) đã duy trì được sức chống chịu vượt trội so với các ngân hàng dựa thuần vào tăng trưởng hạn mức tín dụng.

Đổi mới và đóng góp

  • Đổi mới phương pháp luận: Ứng dụng thành công kỹ thuật System GMM hai bước kết hợp hiệu chỉnh sai số mẫu nhỏ Windmeijer (2005), khắc phục triệt để tính nội sinh từ mối quan hệ hai chiều giữa thu nhập và rủi ro ngân hàng.
  • Đóng góp học thuật: Bổ sung bằng chứng thực nghiệm giá trị vào khoảng trống nghiên cứu tại thị trường tài chính mới nổi (Emerging Markets) về vai trò điều tiết của khung chuẩn mực vốn Basel II đối với hiệu ứng đa dạng hóa thu nhập.
  • Đóng góp thực tiễn: Cung cấp bức tranh phân tích chi tiết dữ liệu 12 năm liên tục (2010–2022) của 24 NHTM đại diện cho hơn 90% tổng tài sản toàn hệ thống, làm căn cứ định hình chiến lược dịch chuyển cơ cấu kinh doanh trong giai đoạn bình thường mới.

Ứng dụng thực tế và triển khai

1. Tích hợp Quản trị Rủi ro vốn ICAAP (Trụ cột 2 Basel II)

Ngân hàng cần tích hợp mức độ biến động của TNNL (đặc biệt là danh mục chứng khoán kinh doanh và bảo hiểm) vào mô hình tính toán vốn kinh tế (Economic Capital). Thiết lập hạn mức rủi ro (Risk Limits) riêng biệt cho từng dòng thu nhập phi tín dụng để ngăn chặn hiện tượng tập trung rủi ro.

2. Chiến lược số hóa sản phẩm dịch vụ tài chính

  • Mở rộng nguồn thu bền vững từ dịch vụ thanh toán: Thay vì phụ thuộc vào phí giao dịch lẻ, áp dụng chiến lược tài khoản thanh toán không phí nhằm tối ưu hóa nguồn tiền gửi không kỳ hạn giá rẻ (CASA), gián tiếp mở rộng biên thu nhập hoạt động tổng thể.
  • Chuẩn hóa quy trình Bancassurance & Quản lý tài sản (Wealth Management): Nâng cao chất lượng tư vấn, tính minh bạch của hợp đồng bảo hiểm liên kết đầu tư, loại bỏ triệt để các rủi ro tuân thủ và rủi ro danh tiếng phát sinh từ phản ánh của khách hàng.

Hạn chế và hướng phát triển

  • Về dữ liệu: Báo cáo tài chính một số ngân hàng chưa bóc tách đồng nhất các tiểu mục chi tiết của thu nhập từ công cụ tài chính phái sinh và dịch vụ ngoại hối qua toàn bộ chuỗi 12 năm.
  • Hướng mở rộng: Phát triển mô hình kiểm định phi tuyến (Non-linear Panel Threshold Regression) nhằm xác định ngưỡng tỷ lệ TNNL tối ưu mà tại đó rủi ro bắt đầu có xu hướng gia tăng.

Đối tượng hưởng lợi

  • Học viên, Sinh viên Tài chính - Ngân hàng: Tham khảo phương pháp xây dựng đề cương, xử lý dữ liệu bảng động và kỹ thuật lập trình kinh tế lượng thực chiến trên Stata 17.
  • Chuyên viên Quản trị Rủi ro & Khối Chiến lược NHTM: Tiếp cận khung đo lường thực nghiệm nhằm tái cấu trúc danh mục sản phẩm, tính toán phân bổ tài sản an toàn.
  • Cơ quan Quản lý Nhà nước (NHNN): Có thêm cơ sở định lượng để ban hành các quy định hướng dẫn về phân loại tài sản, giám sát an toàn vốn và định hướng tái cơ cấu hệ thống các tổ chức tín dụng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng System GMM thay vì Pooled OLS hoặc FEM/REM?

Trong các mô hình tài chính ngân hàng, rủi ro kỳ hiện tại ($Risk_{i,t}$) phụ thuộc chặt chẽ vào rủi ro kỳ trước ($Risk_{i,t-1}$). Sự hiện diện của biến trễ nội sinh làm cho ước lượng Pooled OLS bị chệch hướng lên (upward bias), trong khi FEM bị chệch Nickell hướng xuống (downward bias). System GMM hai bước giải quyết triệt để vấn đề này bằng cách tận dụng các biến trễ làm biến công cụ nội tại.

2. TNNL tăng có luôn đồng nghĩa với việc rủi ro ngân hàng giảm không?

Không hoàn toàn. Tác động của TNNL mang tính lưỡng diện. Nếu TNNL tăng chủ yếu từ phí dịch vụ thanh toán ổn định (TNDV), rủi ro ngân hàng giảm. Ngược lại, nếu TNNL tăng từ hoạt động đầu cơ chứng khoán ngắn hạn (TNKD) hoặc các kênh có đòn bẩy hoạt động cao, rủi ro thị trường và rủi ro thanh khoản sẽ tăng lên đáng kể nếu ngân hàng thiếu năng lực quản trị rủi ro.

3. Chuẩn mực Basel II đóng vai trò gì trong việc kiểm soát rủi ro của TNNL?

Basel II yêu cầu ngân hàng thiết lập quy trình đánh giá mức độ đủ vốn nội bộ (ICAAP) và quản trị rủi ro hoạt động (Operational Risk) chặt chẽ. Do đó, các ngân hàng đạt chuẩn Basel II có năng lực hấp thụ rủi ro tốt hơn khi đa dạng hóa thu nhập so với các ngân hàng chưa đạt chuẩn.

4. Chỉ số Z-score trong nghiên cứu được tính toán như thế nào?

Chỉ số Z-score được tính bằng công thức:

$$\text{Z-score}{i,t} = \frac{\text{ROA}{i,t} + \text{CAR}_{i,t}}{\sigma(\text{ROA}_i)}$$

Trong đó $\sigma(\text{ROA}_i)$ là độ lệch chuẩn của tỷ suất sinh lời trên tài sản của ngân hàng $i$ trong giai đoạn quan sát. Chỉ số Z-score càng cao thể hiện xác suất vỡ nợ của ngân hàng càng thấp và độ an toàn tài chính càng lớn.

5. Đại dịch Covid-19 đã làm thay đổi mối quan hệ giữa TNNL và rủi ro ra sao?

Covid-19 làm suy giảm nhu cầu tín dụng và gia tăng nợ xấu tiềm ẩn. Tuy nhiên, các ngân hàng có hạ tầng thanh toán số phát triển mạnh và nguồn thu từ dịch vụ phi tín dụng đa dạng đã bù đắp được sự sụt giảm của thu nhập lãi thuần, qua đó giảm thiểu mức độ suy giảm của chỉ số ổn định tài chính tổng thể.


Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Yến Nhi đã hoàn thành xuất sắc mục tiêu nghiên cứu với hệ thống luận cứ khoa học và bằng chứng định lượng chặt chẽ. Kết quả thực nghiệm khẳng định rằng việc gia tăng tỷ trọng thu nhập ngoài lãi có tác động tích cực trong việc giảm thiểu rủi ro tổng thể và gia tăng độ ổn định của hệ thống NHTM Việt Nam, với điều kiện tiên quyết là ngân hàng phải thiết lập được nền tảng quản trị rủi ro hiện đại theo chuẩn mực Basel II. Đây là tài liệu tham khảo chuyên môn giá trị cho các nhà hoạch định chính sách, ban lãnh đạo ngân hàng và các nhà nghiên cứu trong lĩnh vực kinh tế lượng tài chính.