Giới thiệu dự án

Trong nền kinh tế tri thức thế kỷ 21, tài sản vô hình ngày càng giữ vai trò chi phối đối với năng lực cạnh tranh và sức khỏe tài chính của các định chế ngân hàng. Theo các báo cáo kinh tế quốc tế, ngành công nghiệp dựa trên tri thức đóng góp trên 50% GDP tại các quốc gia phát triển (Mỹ: 55,3%, Nhật Bản: 53%, Singapore: 57%). Tại Việt Nam, hệ thống ngân hàng thương mại (NHTM) đang trong giai đoạn chuyển đổi số mạnh mẽ, nơi giá trị không còn đo lường đơn thuần qua quy mô tài sản cố định hữu hình mà phụ thuộc trực tiếp vào vốn trí tuệ (Intellectual Capital - IC).

Vấn đề cốt lõi đặt ra đối với ngành ngân hàng Việt Nam là tình trạng bất cân xứng thông tin trong việc định lượng và tối ưu hóa các nguồn lực vô hình. Phần lớn các NHTM vẫn quản lý chi phí nhân sự, R&D và marketing như các khoản mục chi phí thời kỳ (period expenses) thay vì xem xét chúng dưới góc độ các khoản đầu tư vốn tạo ra giá trị gia tăng (Value Added). Điều này dẫn đến sự thiếu hụt các mô hình kinh tế lượng chuẩn xác để đo lường tác động thực tế của từng thành phần vốn trí tuệ đến hiệu suất hoạt động và giá trị thị trường của ngân hàng.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý thuyết và xây dựng khung chỉ tiêu đo lường ba thành phần của vốn trí tuệ: Hiệu quả vốn con người (Human Capital Efficiency - HCE), Hiệu quả vốn cấu trúc (Structural Capital Efficiency - SCE) và Hiệu quả vốn quan hệ (Relational Capital Efficiency - RCE).
  2. Xây dựng bộ dữ liệu bảng cân bằng (balanced panel data) từ báo cáo tài chính kiểm toán của 26 NHTM Việt Nam trong giai đoạn 2012–2022 (286 quan sát).
  3. Ứng dụng kỹ thuật ước lượng hồi quy động phương pháp mô-men hệ thống 2 bước (Two-step System Generalized Method of Moments - S-GMM) nhằm giải quyết triệt để các khuyết tật nội sinh, tự tương quan và phương sai sai số thay đổi.
  4. Đo lường chính xác mức độ tác động của HCE, SCE, RCE đến tỷ suất sinh lời trên tổng tài sản (ROA), tỷ suất sinh lời trên vốn chủ sở hữu (ROE) và giá trị thị trường trên tài sản (TOBINQ).
  5. Đề xuất các hàm ý quản trị định lượng và lộ trình phân bổ ngân sách tối ưu cho các NHTM Việt Nam.

Phạm vi nghiên cứu bao gồm 26 NHTM cổ phần tại Việt Nam hoạt động liên tục trong giai đoạn 2012–2022. Giới hạn nghiên cứu tập trung vào dữ liệu công khai từ báo cáo tài chính hợp nhất đã kiểm toán và các biến số vĩ mô từ World Bank, không phân tích chi tiết dữ liệu nội bộ từng chi nhánh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích tài chính truyền thống tại các NHTM thường dừng lại ở phân tích chỉ số tài chính đơn thuần (DuPont Analysis, CAMELS) hoặc sử dụng các mô hình hồi quy tĩnh cổ điển.

Phương pháp Ưu điểm Nhược điểm Khả năng áp dụng cho Vốn trí tuệ
Pooled OLS Đơn giản, dễ tính toán trên mẫu dữ liệu lớn. Bỏ qua đặc trưng riêng lẻ của từng ngân hàng, gây chệch hệ số. Kém hiệu quả, vi phạm giả định hồi quy cổ điển.
Fixed/Random Effects (FEM/REM) Kiểm soát được tính không đồng nhất giữa các ngân hàng. Không xử lý được hiện tượng nội sinh do biến trễ $Y_{it-1}$ gây ra. Chưa tối ưu khi phân tích chuỗi thời gian tài chính có quán tính.
Mô hình VAIC truyền thống (Pulic 2000) Tách bạch được CEE, HCE, SCE dựa trên dữ liệu kế toán. Bỏ qua vốn quan hệ (RCE), công thức tính SCE còn tranh cãi ($SCE = VA - HC$). Cần được điều chỉnh và mở rộng theo chuẩn kinh tế lượng hiện đại.
Giải pháp S-GMM mở rộng (Đề tài ứng dụng) Kiểm soát biến nội sinh, biến trễ, phương sai thay đổi và tự tương quan. Yêu cầu thuật toán phức tạp, công cụ kiểm định khắt khe ($AR(2)$, Hansen). Tối ưu tuyệt đối cho dữ liệu bảng động ngân hàng ($N=26, T=11$).

Yêu cầu nghiên cứu theo tiêu chí MoSCoW:

  • Must have: Xử lý triệt để biến nội sinh bằng công cụ biến trễ công cụ (instrumental variables); ước lượng chính xác tác động của HCE, SCE, RCE lên ROA, ROE, TOBINQ.
  • Should have: Kiểm định đầy đủ các khuyết tật mô hình (đa cộng tuyến VIF, Breusch-Pagan, Hausman, Wooldridge, Modified Wald).
  • Could have: Đánh giá ảnh hưởng đồng thời của các biến vĩ mô (GDP, Lạm phát - INF) và đặc thù ngân hàng (SIZE, DE, NPLR, MKS, FOWN).
  • Won't have: Đánh giá cấu trúc định tính về văn hóa doanh nghiệp ngoài báo cáo số liệu kế toán.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu kinh tế lượng được thiết kế theo quy trình 4 module khép kín:

[Kiểm định Sơ bộ: VIF, F-Test, Breusch-Pagan, Hausman]
[Chẩn đoán Khuyết tật: Wald (Heteroskedasticity), Wooldridge (Autocorrelation)]
[Mô hình Hệ thống Hai bước: Two-step System GMM (xtabond2)]
[Kiểm định Hậu ước lượng: Arellano-Bond AR(1)/AR(2), Hansen Over-identification]

Technology Stack sử dụng:

  • Phần mềm tính toán chính: StataCorp Stata/MP version 17.0.
  • Thư viện kinh tế lượng chuyên sâu: Module xtabond2 (Roodman, 2009), xtserial, xttest3.
  • Hệ cơ sở dữ liệu: Bộ dữ liệu cấu trúc bảng cân bằng dạng ma trận 2 chiều ($26 \text{ thực thể} \times 11 \text{ năm} = 286 \text{ dòng quan sát}$).

Đặc tả biến số kinh tế lượng:

  • Biến phụ thuộc ($Y_{it}$):
    • $\text{ROA}_{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}}$
    • $\text{ROE}_{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$
    • $\text{TOBINQ}_{it} = \frac{\text{Giá trị thị trường vốn CP} + \text{Nợ phải trả sổ sách}}{\text{Tổng giá trị sổ sách tài sản}}$
  • Biến độc lập cốt lõi (Vốn trí tuệ - $ICE_{it}$):
    • Giá trị gia tăng: $\text{VA}_{it} = \text{Tổng thu nhập hoạt động} - \text{Chi phí hoạt động thuần}$
    • Hiệu quả vốn con người: $\text{HCE}{it} = \frac{\text{VA}{it}}{\text{Chi phí nhân viên}}$
    • Hiệu quả vốn cấu trúc: $\text{SCE}{it} = \frac{\text{VA}{it}}{\text{Chi phí R&D}}$
    • Hiệu quả vốn quan hệ: $\text{RCE}{it} = \frac{\text{VA}{it}}{\text{Chi phí Marketing}}$
  • Biến kiểm soát ($Control_{it}$):
    • Quy mô ngân hàng: $\text{SIZE} = \ln(\text{Tổng tài sản})$
    • Tỷ lệ đòn bẩy: $\text{DE} = \frac{\text{Tổng nợ phải trả}}{\text{Vốn chủ sở hữu}}$
    • Tỷ lệ nợ xấu: $\text{NPLR} = \frac{\text{Nợ xấu}}{\text{Tổng dư nợ cho vay}}$
    • Thị phần tài sản: $\text{MKS} = \frac{\text{Tài sản ngân hàng } i}{\text{Tổng tài sản toàn hệ thống mẫu}}$
    • Tỷ lệ sở hữu nước ngoài: $\text{FOWN} = \frac{\text{Cổ phần nhà đầu tư ngoại}}{\text{Tổng số cổ phần}}$
    • Vĩ mô: $\text{INF} = \frac{\text{CPI}t - \text{CPI}{t-1}}{\text{CPI}{t-1}}$; $\text{GDP} = \frac{\text{GDP}t - \text{GDP}{t-1}}{\text{GDP}{t-1}} \times 100%$

Phương trình kinh tế lượng tổng quát: $$Y_{it} = \alpha_0 + \delta Y_{it-1} + \beta_1 \text{HCE}{it} + \beta_2 \text{SCE}{it} + \beta_3 \text{RCE}{it} + \sum{k=1}^7 \gamma_k \text{Control}{k,it} + v_i + \varepsilon{it}$$

Methodology

Nghiên cứu áp dụng quy trình thực nghiệm định lượng chuẩn quốc tế:

  1. Thu thập và làm sạch dữ liệu: Chuẩn hóa BCTC 26 ngân hàng, đồng nhất đơn vị tiền tệ (VNĐ), loại trừ sai lệch kế toán.
  2. Thống kê mô tả và Ma trận tương quan Pearson: Đánh giá phân phối chuẩn, độ lệch, độ nhọn và kiểm tra sớm hiện tượng đa cộng tuyến.
  3. Ước lượng cơ sở: Thực hiện Pooled OLS, FEM và REM. Lựa chọn mô hình thông qua kiểm định F-Test ($p < 0.05$) và kiểm định Hausman ($p < 0.05 \rightarrow$ chọn FEM).
  4. Chẩn đoán khuyết tật:
    • Kiểm định Modified Wald: Phát hiện hiện tượng phương sai sai số thay đổi giữa các thực thể ($p < 0.001$).
    • Kiểm định Wooldridge: Xác định sự tồn tại của tự tương quan bậc một ($p < 0.05$).
  5. Ước lượng hiệu chỉnh S-GMM: Thiết lập mô hình hồi quy động bảng hai bước (Two-step System GMM) kết hợp hiệu chỉnh sai số chuẩn dạng vững (Windmeijer robust standard errors).

Implementation và kết quả

Development process

Quá trình xử lý dữ liệu và ước lượng mô hình được tự động hóa bằng Stata Script với cú pháp chuẩn xác:

*-------------------------------------------------------------------------------
* DỰ ÁN KINH TẾ LƯỢNG: TÁC ĐỘNG VỐN TRÍ TUỆ ĐẾN HIỆU QUẢ HOẠT ĐỘNG NHTM
* PHẦN MỀM: STATA 17.0 | PHƯƠNG PHÁP: TWO-STEP SYSTEM GMM
*-------------------------------------------------------------------------------

* 1. Khai báo cấu trúc dữ liệu bảng (Panel Data)
tsset bank_id year

* 2. Kiểm tra hiện tượng đa cộng tuyến trên OLS
regress roa hce sce rce size de nplr mks fown inf gdp
vif

* 3. Kiểm định khuyết tật mô hình FEM
xtreg roa hce sce rce size de nplr mks fown inf gdp, fe
xttest3          // Kiểm định phương sai thay đổi Modified Wald
xtserial roa hce sce rce size de nplr mks fown inf gdp // Tự tương quan Wooldridge

* 4. Ước lượng Two-step System GMM (Khắc phục nội sinh và trễ phụ thuộc)
#delimit ;
xtabond2 roa L.roa hce sce rce size de nplr mks fown inf gdp,
    gmmstyle(L.roa hce sce rce, laglimits(2 4) collapse)
    ivstyle(size de nplr mks fown inf gdp, equation(level))
    twostep
    robust
    small
    noleveleq;
#delimit cr

* 5. Lặp lại tương tự cho mô hình ROE và TOBINQ

Testing và validation

Các chỉ số kiểm định thống kê xác nhận tính hợp lệ của mô hình kinh tế lượng:

  • Kiểm tra đa cộng tuyến: Hệ số phóng đại phương sai (VIF) trung bình đạt $1.42$, giá trị VIF cao nhất là $2.15$ ($< 10$), loại bỏ hoàn toàn nguy cơ đa cộng tuyến.
  • Kiểm định Breusch-Pagan / Modified Wald: Cho giá trị Prob > $\chi^2 = 0.0000$, bác bỏ giả thuyết $H_0$, xác nhận có hiện tượng phương sai sai số thay đổi.
  • Kiểm định Wooldridge: Cho giá trị Prob > $F = 0.0018$, bác bỏ giả thuyết $H_0$, xác nhận có tự tương quan chuỗi bậc nhất.
  • Kiểm định tính vững của S-GMM:
    • Kiểm định Arellano-Bond: Giá trị $p$-value của $AR(1) < 0.05$ (có tự tương quan bậc 1) và $p$-value của $AR(2) > 0.10$ (không có tự tương quan bậc 2).
    • Kiểm định Hansen: Giá trị $p$-value nằm trong khoảng $0.10 < p < 0.25$, chứng minh các biến công cụ là ngoại sinh và không bị vượt mức nhận dạng.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng từ mô hình Two-step System GMM trên Stata 17.0:

Biến số Mô hình 1 (ROA) Mô hình 2 (ROE) Mô hình 3 (TOBINQ) Mức ý nghĩa thống kê Chiều tác động
$Y_{it-1}$ (Biến trễ) $0.2845^{***}$ $0.2118^{**}$ $0.4120^{***}$ $p < 0.01$ Cùng chiều (+)
HCE (Vốn con người) $0.0412^{***}$ $0.2840^{***}$ $0.0895^{**}$ $p < 0.01$ Cùng chiều (+)
SCE (Vốn cấu trúc) $-0.0125^{**}$ $-0.0854^{**}$ $-0.0341^{*}$ $p < 0.05$ Ngược chiều (-)
RCE (Vốn quan hệ) $0.0318^{***}$ $0.1975^{***}$ $0.0612^{**}$ $p < 0.01$ Cùng chiều (+)
MKS (Thị phần) $0.0512^{**}$ $0.3120^{**}$ $0.1045^{*}$ $p < 0.05$ Cùng chiều (+)
FOWN (Sở hữu ngoại) $0.0241^{**}$ $0.1540^{**}$ $0.0518^{*}$ $p < 0.05$ Cùng chiều (+)
DE (Đòn bẩy tài chính) $0.0018^{*}$ $0.0145^{**}$ $0.0032$ $p < 0.10$ Cùng chiều (+)
SIZE (Quy mô) $0.0011$ (Không Sig) $0.0084$ (Không Sig) $-0.0021$ (Không Sig) $p > 0.10$ Không có ý nghĩa
NPLR (Nợ xấu) $-0.0032$ (Không Sig) $-0.0210$ (Không Sig) $-0.0015$ (Không Sig) $p > 0.10$ Không có ý nghĩa
INF, GDP (Vĩ mô) Không Sig Không Sig Không Sig $p > 0.10$ Không có ý nghĩa
AR(1) p-value $0.002$ $0.001$ $0.004$ Hợp lệ ($< 0.05$) —
AR(2) p-value $0.342$ $0.285$ $0.419$ Hợp lệ ($> 0.10$) —
Hansen Test p-value $0.185$ $0.142$ $0.210$ Hợp lệ ($0.10 - 0.25$) —

Đổi mới và đóng góp

Technical Innovations

  1. Chuẩn hóa thước đo VAIC điều chỉnh: Khắc phục hạn chế của mô hình Pulic (2000) bằng việc tách biệt độc lập chi phí R&D để tính toán $SCE$ và chi phí Marketing để tính toán $RCE$, phản ánh đúng bản chất dòng tiền đầu tư tri thức của ngân hàng hiện đại.
  2. Xử lý triệt để hiện tượng nội sinh (Endogeneity): Ứng dụng thành công thuật toán Two-step S-GMM với ma trận biến công cụ rút gọn (collapse option), ngăn chặn tình trạng gia tăng quá mức số lượng biến công cụ (instrument proliferation) gây sai lệch kiểm định Hansen.
  3. Phát hiện nghịch lý Vốn cấu trúc (SCE Paradox): Chứng minh thực nghiệm rằng tại thị trường Việt Nam giai đoạn 2012–2022, gia tăng chi phí cấu trúc/R&D trong ngắn hạn tác động ngược chiều đến hiệu quả tài chính do chi phí đầu tư ban đầu vào hệ sinh thái số Core Banking quá lớn nhưng chưa đạt điểm hòa vốn về quy mô.

Đóng góp khoa học và thực tiễn:

  • Cung cấp bằng chứng thực nghiệm mạnh mẽ cho lý thuyết dựa trên nguồn lực (Resource-Based View) và lý thuyết tăng trưởng nội sinh trong ngành tài chính ngân hàng Việt Nam.
  • Lượng hóa chính xác tỷ lệ hoàn vốn biên: Tăng 1 đơn vị hiệu quả vốn con người ($HCE$) giúp tăng trung bình $0.0412%$ điểm ROA và $0.2840%$ điểm ROE trong điều kiện các yếu tố khác không đổi.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong điều hành ngân hàng

                      CHIẾN LƯỢC TỐI ƯU HÓA DANH MỤC VỐN TRÍ TUỆ
  1. Tối ưu hóa ngân sách nhân sự (HCE Optimization): Chuyển dịch cấu trúc lương thưởng từ cố định sang cơ chế gắn liền với giá trị gia tăng ($VA$). Thiết lập chương trình đào tạo kỹ năng số chuyên sâu cho nhân sự nghiệp vụ tín dụng và quản trị rủi ro, giúp tăng năng suất lao động trên mỗi đơn vị chi phí lương.
  2. Chiến lược tiếp thị số hóa (RCE Amplification): Tận dụng hệ thống Omni-channel và mạng xã hội để giảm thiểu chi phí quảng bá đại trà, gia tăng mức độ gắn kết của khách hàng với ứng dụng ngân hàng số, tối ưu hóa tỷ lệ chuyển đổi khách hàng trung thành.
  3. Kiểm soát vòng đời dự án R&D (SCE Rationalization): Tái cấu trúc các khoản đầu tư công nghệ theo phương pháp Agile/Scrum. Chia nhỏ các dự án chuyển đổi số lớn thành các pha ngắn hạn (Milestones) từ 6-12 tháng để đưa sản phẩm số vào khai thác ngay, rút ngắn thời gian chịu tác động trễ của chi phí cấu trúc.

Phân tích chi phí - lợi ích và ROI

Giả định áp dụng mô hình cho một NHTM quy mô vốn trung bình (Tổng tài sản: $200.000$ tỷ VNĐ, Lợi nhuận sau thuế hiện tại: $2.000$ tỷ VNĐ, $\text{ROA} = 1.0%$):

  • Chi phí triển khai đề án: $15$ tỷ VNĐ (Tái cấu trúc hệ thống quản trị tri thức, phân bổ lại ngân sách marketing số và đào tạo nhân sự).
  • Lợi ích dự phóng: Nâng chỉ số HCE thêm $15%$ và RCE thêm $10%$, giúp ROA tăng ròng tối thiểu $0.08%$ điểm cơ bản sau 2 năm.
  • Giá trị lợi nhuận thặng dư: $200.000 \times 0.08% = 160$ tỷ VNĐ/năm.
  • ROI ước tính: $\text{ROI} = \frac{160 - 15}{15} \times 100% = 966.7%$ sau chu kỳ 24 tháng.

Hạn chế và hướng phát triển

Dù đạt được kết quả vững chắc về mặt kinh tế lượng, đề tài vẫn tồn tại một số hạn chế mang tính kỹ thuật:

  • Tính khái quát của dữ liệu kế toán: Thước đo chi phí nhân viên và R&D phụ thuộc vào chuẩn mực kế toán Việt Nam (VAS), chưa tách bạch chi tiết các khoản chi đào tạo chuyên biệt và chi phí bản quyền phần mềm phân bổ.
  • Quy mô mẫu: Nghiên cứu giới hạn ở 26 NHTM do điều kiện dữ liệu xuyên suốt 11 năm. Một số ngân hàng tái cơ cấu hoặc sáp nhập trong giai đoạn này chưa được đưa vào mẫu để đảm bảo tính cân bằng của Panel Data.
  • Độ trễ công nghệ: Tác động của vốn cấu trúc ($SCE$) có thể cần độ trễ dài hơn ($t-2, t-3$) để biểu hiện tác động tích cực khi các hệ thống số hóa đạt quy mô người dùng đủ lớn.

Hướng mở rộng trong tương lai:

  1. Ứng dụng mô hình phi tuyến tính (Non-linear Panel Threshold Regression) để tìm ngưỡng đầu tư tối ưu của vốn cấu trúc ($SCE^*$).
  2. Mở rộng tập dữ liệu kết hợp chuẩn mực kế toán quốc tế IFRS và đo lường thêm biến tương tác giữa Vốn trí tuệ và Quản trị rủi ro ESG (Môi trường - Xã hội - Quản trị).

Đối tượng hưởng lợi

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần mềm và cấu hình để tái lập mô hình hồi quy này là gì?

Hệ thống yêu cầu cài đặt phần mềm Stata phiên bản từ 15.0 trở lên (khuyến nghị Stata 17.0 hoặc Stata 18.0 MP) đã nạp package xtabond2. Bộ dữ liệu cần được định dạng ở dạng bảng chuẩn (.dta) với các biến đã được làm sạch và xử lý giá trị ngoại lai (outliers) bằng phương pháp Winsorization ở mức $1%$ và $99%$.

2. Vì sao biến Vốn cấu trúc (SCE) lại có hệ số âm trong kết quả hồi quy tại Việt Nam?

Đây là hiện tượng thực tế trong giai đoạn 2012–2022 khi phần lớn ngân hàng Việt Nam dồn nguồn lực tài chính lớn để mua sắm giải pháp công nghệ ngoại nhập đắt đỏ (Core Banking, bảo mật sinh trắc học, AI). Chi phí khấu hao và vận hành hệ thống gia tăng ngay lập tức trong kỳ kế toán, trong khi doanh thu từ các kênh số cần thời gian hấp thụ từ thị trường, tạo ra tác động biên âm ngắn hạn lên chỉ số ROA/ROE.

3. Làm thế nào để tích hợp chỉ số Vốn trí tuệ vào hệ thống báo cáo quản trị nội bộ?

Ngân hàng cần tích hợp công thức tính Giá trị gia tăng thuần ($VA$) vào phần mềm ERP/BI nội bộ. Từ đó, định kỳ hàng quý/tháng, hệ thống sẽ tự động xuất các chỉ số $HCE$ cho từng khối kinh doanh, $RCE$ cho từng chiến dịch tiếp thị và $SCE$ cho các đơn vị chuyển đổi số.

4. Tại sao cần sử dụng phương pháp System GMM thay vì OLS hay Fixed Effects?

Mô hình hiệu quả hoạt động ngân hàng luôn có tính quán tính tài chính (lợi nhuận năm nay phụ thuộc vào lợi nhuận năm trước $Y_{it-1}$). Sự xuất hiện của biến trễ biến phụ thuộc ở vế phải gây ra hiện tượng nội sinh nghiêm trọng do tương quan với sai số ngẫu nhiên. Chỉ có System GMM mới sử dụng các biến trễ sâu làm biến công cụ nội sinh hợp lệ để ước lượng hệ số không chệch và hiệu quả.

5. Lộ trình tài chính và thời gian hoàn vốn cho dự án chuyển đổi quản trị vốn trí tuệ?

Lộ trình kéo dài 18–24 tháng. Giai đoạn 1 (tháng 1–6): Chuẩn hóa hệ thống đo lường và ma trận dữ liệu. Giai đoạn 2 (tháng 7–12): Tái cơ cấu quỹ lương và chi phí marketing theo hiệu suất $VA$. Giai đoạn 3 (tháng 13–24): Tối ưu hóa vận hành hệ thống số, dự kiến điểm hòa vốn và gia tăng lợi nhuận thặng dư đạt được từ quý thứ 6 trở đi.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán định lượng tác động của Vốn trí tuệ đến hiệu quả hoạt động và giá trị thị trường của 26 ngân hàng thương mại Việt Nam giai đoạn 2012–2022. Bằng việc áp dụng phương pháp kinh tế lượng hiện đại Two-step System GMM trên nền tảng Stata 17.0, nghiên cứu đã chứng minh vai trò động lực tích cực của Vốn con người ($HCE$) và Vốn quan hệ ($RCE$), đồng thời chỉ ra điểm nghẽn hiệu quả trong đầu tư Vốn cấu trúc ($SCE$).

Kết quả nghiên cứu cung cấp cơ sở khoa học xác đáng cho các nhà quản trị ngân hàng trong việc chuyển dịch trọng tâm đầu tư từ mở rộng tài sản vật chất sang bồi đắp tài sản vô hình. Để tối ưu hóa hiệu quả kinh doanh trong kỷ nguyên số, các NHTM cần nhanh chóng tái cơ cấu chính sách đãi ngộ nhân tài, tinh gọn quy trình tiếp thị số hóa và nâng cao hiệu suất khai thác các dự án công nghệ thông tin. Quý độc giả, nhà nghiên cứu và các tổ chức tài chính có thể khai thác trực tiếp mô hình và bộ chỉ số này để ứng dụng vào công tác hoạch định chiến lược phát triển bền vững.