Giới thiệu dự án
Trong bối cảnh nền kinh tế toàn cầu trải qua nhiều biến động sau khủng hoảng tài chính 2008 và sự đứt gãy chuỗi cung ứng do đại dịch COVID-19, hệ thống tài chính thế giới đã chứng kiến sự chuyển dịch mang tính cấu trúc: giảm dần sự phụ thuộc vào tín dụng truyền thống và gia tăng nguồn thu phi tín dụng. Theo Cơ sở dữ liệu tài chính phát triển toàn cầu của World Bank, tại các quốc gia có hệ thống tài chính phát triển, tỷ trọng thu nhập ngoài lãi (Non-Interest Income - NON) trên tổng thu nhập hoạt động (Operating Income - TNHĐ) đạt xấp xỉ 50%. Tại Việt Nam, Quyết định số 986/QĐ-TTg của Thủ tướng Chính phủ đặt mục tiêu nâng tỷ lệ thu nhập từ dịch vụ phi tín dụng lên 12-13% vào năm 2020 và đạt 16-17% vào năm 2025. Tuy nhiên, tính đến cuối năm 2023, thu nhập từ lãi (Net Interest Income - TNL) của các Ngân hàng thương mại (NHTM) Việt Nam vẫn chiếm tỷ trọng áp đảo trên 73-76%, phản ánh biên an toàn lợi nhuận còn phụ thuộc lớn vào rủi ro tín dụng.
Vấn đề cốt lõi đặt ra là sự phát triển mạnh mẽ của các công ty công nghệ tài chính (Fintech) cùng thị trường vốn (cổ phiếu, trái phiếu) đang thu hẹp biên lãi thuần (NIM) và tạo áp lực cạnh tranh gay gắt. Các ngân hàng đối mặt với điểm nghẽn: biên lợi nhuận tín dụng suy giảm, chi phí trích lập dự phòng nợ xấu tăng cao trong các giai đoạn kinh tế suy thoái, trong khi năng lực phát triển các dòng sản phẩm phi lãi suất (Bancassurance, thanh toán số, giao dịch ngoại hối và phái sinh) chưa thực sự đồng đều và bền vững.
Dự án nghiên cứu được triển khai nhằm hiện thực hóa các mục tiêu định lượng và định tính cụ thể:
- Hệ thống hóa cơ sở lý luận về đa dạng hóa thu nhập (ĐDHTN), khả năng sinh lời (KNSL) và cơ chế truyền dẫn qua tính kinh tế theo quy mô (Economies of Scale & Scope).
- Phân tích thực trạng chuyển dịch cơ cấu thu nhập và KNSL của 25 NHTM Việt Nam trong giai đoạn biến động 2018–2023.
- Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm kiểm định và lượng hóa chính xác mức độ tác động của chỉ số đa dạng hóa ($DIV$) đến tỷ suất sinh lời trên tổng tài sản ($ROA$).
- Đề xuất hệ thống giải pháp chiến lược và kiến nghị quản trị danh mục phi tín dụng cho các NHTM và Ngân hàng Nhà nước (NHNN).
Phương pháp tiếp cận giải pháp sử dụng mô hình hồi quy đa biến dữ liệu bảng kết hợp các kỹ thuật xử lý khuyết tật mô hình chuyên sâu (FGLS). Kết quả kỳ vọng cung cấp bộ tham số định lượng có ý nghĩa thống kê về hệ số co giãn giữa mức độ đa dạng hóa thu nhập và tỷ suất sinh lời, giúp các nhà quản trị xác định ngưỡng phân bổ tài sản tối ưu.
Phạm vi nghiên cứu bao quát 25 NHTM lớn nhất hệ thống ngân hàng Việt Nam (chiếm trên 85% tổng tài sản toàn ngành, gồm 4 NHTM Nhà nước và 21 NHTMCP) trong chuỗi thời gian 6 năm liên tục (2018–2023, tương ứng 150 quan sát). Mẫu loại trừ 5 ngân hàng thuộc diện kiểm soát đặc biệt (DongABank, CBBank, OceanBank, GPBank, SCB) để đảm bảo tính chuẩn hóa và nhất quán của dữ liệu tài chính.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Cơ cấu doanh thu của hệ thống NHTM Việt Nam giai đoạn 2018–2023 cho thấy sự phân hóa sâu sắc giữa các mô hình kinh doanh truyền thống và hiện đại. Việc đánh giá các giải pháp tạo lập thu nhập hiện hữu được tổng hợp trong bảng so sánh sau:
| Tiêu chí phân tích |
Mô hình Tín dụng Truyền thống (Thu nhập Lãi thuần) |
Mô hình Dịch vụ Thu phí thuần túy (Thu nhập Ngoài lãi) |
Mô hình Đa dạng hóa Tích hợp (Tín dụng + Dịch vụ + Đầu tư) |
| Bản chất dòng tiền |
Thu chênh lệch lãi suất huy động và cho vay (NIM). |
Thu phí giao dịch thanh toán, hoa hồng bảo hiểm, tư vấn. |
Kết hợp thu nhập lãi, phí dịch vụ số, kinh doanh ngoại hối, tự doanh. |
| Ưu điểm |
Dòng tiền lớn, quy mô mở rộng nhanh khi tín dụng tăng trưởng. |
Không đòi hỏi vốn pháp định khắt khe, rủi ro tín dụng trực tiếp thấp. |
Tối ưu hóa tính kinh tế theo phạm vi, phân tán rủi ro chu kỳ kinh tế. |
| Nhược điểm & Rủi ro |
Rủi ro nợ xấu cao ($NPL$), phụ thuộc room tín dụng của NHNN. |
Chi phí đầu tư hạ tầng số và chi phí thu hút khách hàng ($CAC$) lớn. |
Yêu cầu năng lực quản trị rủi ro tích hợp và kiểm soát đòn bẩy hoạt động. |
| Chi phí vốn & Thanh khoản |
Thâm dụng vốn tự có, chịu áp lực tỷ lệ an toàn vốn (CAR). |
Tối ưu nguồn vốn lưu động, thúc đẩy tăng trưởng tiền gửi không kỳ hạn ($CASA$). |
Cân bằng cấu trúc vốn, cải thiện chỉ số chi phí trên thu nhập ($CIR$). |
Phân tích yêu cầu hệ thống theo mô hình MoSCoW:
- Must-have (Bắt buộc): Đo lường chuẩn xác chỉ số đa dạng hóa thu nhập $DIV$ thông qua biến thể của chỉ số Herfindahl-Hirschman ($HHI$), kiểm soát các biến nội sinh ($SIZE, GROW, NPL, CIR$) và ngoại sinh ($GDP, INF, COVI$).
- Should-have (Nên có): Xử lý triệt để hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation) trong dữ liệu bảng.
- Could-have (Có thể có): Phân rã chi tiết tác động của từng thành phần thu nhập ngoài lãi (phí dịch vụ, ngoại hối, chứng khoán) đến $ROA$.
- Won't-have (Không ưu tiên): Đánh giá các biến số vi mô phi lượng hóa như văn hóa doanh nghiệp hay sự hài lòng của từng phân khúc khách hàng lẻ.
Thiết kế hệ thống
Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế theo cấu trúc module hóa chuẩn mực:
[BCTC Kiểm toán 25 NHTM + Vĩ mô (GSO, IMF)]
[Module 1: Trích xuất & Chuẩn hóa Dữ liệu (Excel Engine)]
- Bảng cân đối kế toán & Báo cáo kết quả hoạt động
- Tính toán chỉ số: ROA, ROE, DIV, CASA, CIR, NPL, SIZE
[Module 2: Phân tích & Kiểm định Thống kê (Stata 17)]
- Thống kê mô tả (Descriptive Statistics)
- Ma trận tương quan & Kiểm định đa cộng tuyến (VIF)
[Module 3: Lựa chọn Mô hình Kinh tế lượng]
- Pooled OLS vs FEM (F-test)
- FEM vs REM (Hausman Specification Test)
[Module 4: Kiểm định Khuyết tật Mô hình]
- Kiểm định tự tương quan (Wooldridge Test)
- Kiểm định phương sai thay đổi (Modified Wald Test)
[Module 5: Ước lượng Khắc phục & Tối ưu]
- Hồi quy bình phương tối thiểu tổng quát khả thi (FGLS)
Công nghệ và công cụ sử dụng:
- Nền tảng tính toán: Stata MP phiên bản 17.0 chuyên sâu cho phân tích chuỗi thời gian và dữ liệu bảng; Microsoft Excel Office 365 phục vụ cấu trúc và kiểm toán dữ liệu đầu vào.
- Cấu trúc dữ liệu: Bộ dữ liệu cân đối (Balanced Panel Data) gồm 25 thực thể ngân hàng xuyên suốt 6 kỳ kế toán thường niên ($N = 25, T = 6, N \times T = 150$).
Methodology
Phương pháp nghiên cứu áp dụng quy trình kiểm định kinh tế lượng suy diễn tuần tự:
- Thiết lập mô hình tổng quát:
$$\text{ROA}{i,t} = \beta_0 + \beta_1 \text{DIV}{i,t} + \beta_2 \text{SIZE}{i,t} + \beta_3 \text{GROW}{i,t} + \beta_4 \text{NPL}{i,t} + \beta_5 \text{CIR}{i,t} + \beta_6 \text{GDP}_t + \beta_7 \text{INF}_t + \beta_8 \text{COVI}t + u{i,t}$$
- Kiểm định giả thuyết lựa chọn mô hình:
- Sử dụng F-test để chọn lựa giữa Hồi quy gộp (Pooled OLS) và Mô hình hiệu ứng cố định (Fixed Effects Model - FEM).
- Sử dụng Kiểm định Hausman để phân định giữa Mô hình hiệu ứng cố định (FEM) và Mô hình hiệu ứng ngẫu nhiên (Random Effects Model - REM).
- Chẩn đoán khuyết tật mô hình:
- Kiểm định đa cộng tuyến qua Hệ số phóng đại phương sai (Variance Inflation Factor - VIF).
- Kiểm định tự tương quan bậc nhất bằng kiểm định Wooldridge.
- Kiểm định phương sai sai số thay đổi bằng kiểm định Modified Wald.
- Ước lượng vững: Sử dụng phương pháp Ước lượng bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS) thông qua lệnh
xtgls trong Stata nhằm triệt tiêu hoàn toàn hiện tượng tự tương quan và phương sai không đồng nhất.
Implementation và kết quả
Development process
Quá trình lượng hóa các biến nghiên cứu được thực hiện qua các thuật toán và công thức toán tài chính:
Chỉ số đa dạng hóa thu nhập ($DIV$) được xây dựng dựa trên ma trận phân bổ của thu nhập lãi thuần ($INT$) và thu nhập ngoài lãi thuần ($NON$) trên tổng thu nhập hoạt động ($TNHĐ$):
$$\text{INT} = \frac{\text{Thu nhập lãi thuần}}{\text{TNHĐ}}, \quad \text{NON} = \frac{\text{Thu nhập ngoài lãi thuần}}{\text{TNHĐ}}$$
$$\text{HHI} = \text{INT}^2 + \text{NON}^2 \implies \text{DIV} = 1 - \text{HHI} = 1 - (\text{INT}^2 + \text{NON}^2)$$
Điều kiện: $0 \le \text{DIV} \le 0.5$. Giá trị $\text{DIV} = 0$ phản ánh cấu trúc đơn nguồn tuyệt đối; $\text{DIV} = 0.5$ phản ánh tỷ trọng đóng góp hoàn hảo 50-50 giữa tín dụng và phi tín dụng.
Đo lường biến phụ thuộc và các biến kiểm soát:
- Tỷ suất sinh lời trên tổng tài sản: $\text{ROA}{i,t} = \frac{\text{Lợi nhuận sau thuế}{i,t}}{\text{Tổng tài sản bình quân}_{i,t}}$
- Quy mô ngân hàng: $\text{SIZE}{i,t} = \ln(\text{Tổng tài sản}{i,t})$
- Tốc độ tăng trưởng tài sản: $\text{GROW}{i,t} = \frac{\text{TTS}{i,t} - \text{TTS}{i,t-1}}{\text{TTS}{i,t-1}}$
- Tỷ lệ nợ xấu: $\text{NPL}{i,t} = \frac{\text{Nợ nhóm 3, 4, 5}{i,t}}{\text{Tổng dư nợ cho vay}_{i,t}}$
- Tỷ lệ chi phí trên thu nhập: $\text{CIR}{i,t} = \frac{\text{Chi phí hoạt động}{i,t}}{\text{Thu nhập hoạt động}_{i,t}}$
Đoạn mã phân tích kinh tế lượng chuẩn hóa trên môi trường Stata 17:
* Thiết lập dữ liệu bảng
clear all
import excel "Bank_Panel_Data_2018_2023.xlsx", sheet("Data") firstrow
xtset bank_id year
* Thống kê mô tả và ma trận tương quan
summarize ROA DIV SIZE GROW NPL CIR GDP INF COVI
pwcorr ROA DIV SIZE GROW NPL CIR GDP INF COVI, star(0.05)
* Kiểm tra hiện tượng đa cộng tuyến
regress ROA DIV SIZE GROW NPL CIR GDP INF COVI
vif
* Ước lượng mô hình OLS, FEM, REM
regress ROA DIV SIZE GROW NPL CIR GDP INF COVI
estimates store ols_model
xtreg ROA DIV SIZE GROW NPL CIR GDP INF COVI, fe
estimates store fe_model
xtreg ROA DIV SIZE GROW NPL CIR GDP INF COVI, re
estimates store re_model
* Kiểm định F và Kiểm định Hausman
hausman fe_model re_model
* Kiểm tra khuyết tật mô hình (Autocorrelation & Heteroskedasticity)
xtserial ROA DIV SIZE GROW NPL CIR GDP INF COVI
xttest3
* Khắc phục bằng FGLS (Cross-sectional heteroskedasticity & Autocorrelation)
xtgls ROA DIV SIZE GROW NPL CIR GDP INF COVI, panels(hetero) corr(ar1)
Testing và validation
Kết quả thống kê mô tả 150 mẫu quan sát đại diện cho hệ thống NHTM giai đoạn 2018–2023:
| Tên biến |
Ký hiệu |
Số quan sát (Obs) |
Giá trị Trung bình (Mean) |
Độ lệch chuẩn (Std. Dev.) |
Giá trị Nhỏ nhất (Min) |
Giá trị Lớn nhất (Max) |
| Tỷ suất sinh lời trên tài sản |
ROA |
150 |
0.0128 (1.28%) |
0.0080 |
-0.0072 (-0.72%) |
0.0365 (3.65%) |
| Chỉ số đa dạng hóa thu nhập |
DIV |
150 |
0.3454 |
0.0864 |
0.0000 |
0.4938 |
| Quy mô ngân hàng |
SIZE |
150 |
19.4149 |
1.0483 |
17.5605 |
21.5566 |
| Tốc độ tăng trưởng tài sản |
GROW |
150 |
0.1535 (15.35%) |
0.0908 |
-0.0424 (-4.24%) |
0.4633 (46.33%) |
| Tỷ lệ nợ xấu |
NPL |
150 |
0.0204 (2.04%) |
0.0278 |
0.0047 (0.47%) |
0.2976 (29.76%) |
| Tỷ lệ chi phí trên thu nhập |
CIR |
150 |
0.4547 (45.47%) |
0.1671 |
0.2271 (22.71%) |
1.7225 (172.25%) |
| Tăng trưởng kinh tế vĩ mô |
GDP |
150 |
0.0544 (5.44%) |
0.0211 |
0.0258 (2.58%) |
0.0802 (8.02%) |
| Tỷ lệ lạm phát |
INF |
150 |
0.0297 (2.97%) |
0.0055 |
0.0184 (1.84%) |
0.0354 (3.54%) |
| Biến giả dịch bệnh COVID-19 |
COVI |
150 |
0.5000 |
0.5017 |
0 |
1 |
Kết quả các kiểm định chẩn đoán kỹ thuật:
- Đa cộng tuyến: Hệ số $VIF$ cực đại đạt 2.14, trung bình $VIF = 1.48$ ($< 5$), khẳng định mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
- Kiểm định lựa chọn mô hình: Kiểm định F bác bỏ giả thuyết $H_0$ với $p\text{-value} = 0.0000$, cho thấy mô hình FEM vượt trội so với Pooled OLS. Kiểm định Hausman có giá trị thống kê $Chi2(8) = 24.86$ với $p\text{-value} = 0.0016 (< 0.05)$, kết luận mô hình FEM phù hợp hơn REM.
- Kiểm định khuyết tật: Kiểm định Wooldridge chỉ ra hiện tượng tự tương quan ($F = 18.32, p = 0.0002 < 0.05$); Kiểm định Modified Wald xác nhận hiện tượng phương sai thay đổi giữa các thực thể ($Chi2(25) = 487.62, p = 0.0000 < 0.05$).
- Xử lý hồi quy vững: Mô hình FGLS được kích hoạt để khắc phục hoàn toàn hai khuyết tật trên, mang lại ước lượng không chệch, hiệu quả và có độ tin cậy thống kê cao nhất.
Kết quả đạt được
Bảng tổng hợp kết quả ước lượng FGLS giải thích các nhân tố tác động đến khả năng sinh lời ($ROA$):
| Biến độc lập |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn (Std. Err.) |
Giá trị thống kê $z$ |
$P > |z|$ |
Ý nghĩa thống kê |
| DIV |
+0.0184 |
0.0042 |
4.38 |
0.000 |
Ý nghĩa tại mức 1% (Cùng chiều) |
| SIZE |
+0.0021 |
0.0006 |
3.50 |
0.000 |
Ý nghĩa tại mức 1% (Cùng chiều) |
| GROW |
+0.0089 |
0.0031 |
2.87 |
0.004 |
Ý nghĩa tại mức 1% (Cùng chiều) |
| NPL |
-0.0845 |
0.0126 |
-6.71 |
0.000 |
Ý nghĩa tại mức 1% (Ngược chiều) |
| CIR |
-0.0192 |
0.0028 |
-6.86 |
0.000 |
Ý nghĩa tại mức 1% (Ngược chiều) |
| GDP |
+0.0412 |
0.0152 |
2.71 |
0.007 |
Ý nghĩa tại mức 1% (Cùng chiều) |
| INF |
-0.0834 |
0.0381 |
-2.19 |
0.029 |
Ý nghĩa tại mức 5% (Ngược chiều) |
| COVI |
-0.0023 |
0.0008 |
-2.88 |
0.004 |
Ý nghĩa tại mức 1% (Ngược chiều) |
| Hằng số (_cons) |
-0.0284 |
0.0118 |
-2.41 |
0.016 |
Ý nghĩa tại mức 5% |
Các kết quả định lượng nổi bật:
- Hệ số hồi quy của biến $DIV$ đạt giá trị dương $+0.0184$ với mức ý nghĩa thống kê $1%$ ($p = 0.000$). Trong điều kiện các yếu tố khác không đổi, khi chỉ số đa dạng hóa thu nhập tăng thêm $0.1$ đơn vị, tỷ suất sinh lời trên tổng tài sản ($ROA$) trung bình của ngân hàng sẽ tăng thêm $0.184$ điểm phần trăm.
- Biến $SIZE$ ($\beta = +0.0021$) và $GROW$ ($\beta = +0.0089$) tác động tích cực đến $ROA$, khẳng định lợi thế kinh tế theo quy mô của các định chế tài chính lớn trong việc phân bổ chi phí cố định cho công nghệ số và bán chéo dịch vụ.
- Tỷ lệ nợ xấu ($NPL$) và tỷ lệ chi phí trên thu nhập ($CIR$) là hai lực cản lớn nhất đối với khả năng sinh lời, với hệ số tác động tiêu cực lần lượt là $-0.0845$ và $-0.0192$.
- Yếu tố ngoại sinh: Tăng trưởng $GDP$ thúc đẩy hiệu quả hoạt động ($\beta = +0.0412$), trong khi biến giả $COVI$ phản ánh tác động sụt giảm lợi nhuận bình quân của hệ thống ngân hàng trong giai đoạn phong tỏa dịch bệnh ($\beta = -0.0023$).
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn vượt trội khi đặt cạnh các công trình trước đây:
So sánh với các nghiên cứu tiền nhiệm tại thị trường Việt Nam và quốc tế:
- So với nghiên cứu của Nguyen Thanh Dat & Cao Thi Linh (2022): Nghiên cứu trước chỉ áp dụng mô hình FEM truyền thống trên dữ liệu giai đoạn 2006-2020. Đề tài này đã nâng cấp lên phương pháp ước lượng FGLS, khắc phục triệt để vi phạm giả định hồi quy cổ điển, đồng thời mở rộng khung thời gian đến năm 2023 để lượng hóa bức tranh kinh tế hậu đại dịch.
- So với nghiên cứu của Thao Thi Minh Giang (2022): Sử dụng hệ thống GMM hai bước nhưng bỏ qua các tác động của biến thể kinh tế vĩ mô ngoại sinh như lạm phát và chu kỳ tăng lãi suất điều hành 2022-2023. Đề tài hiện tại tích hợp toàn diện hệ biến số vĩ mô ($GDP, INF, COVI$), tạo độ tin cậy cao hơn cho các hệ số hồi quy.
- So với quan điểm tiêu cực của DeYoung & Roland (2001) và Karna (2015): Kết quả nghiên cứu chứng minh rằng tại thị trường tài chính đang phát triển như Việt Nam, đa dạng hóa thu nhập không làm gia tăng biến động bất lợi mà ngược lại, đóng vai trò là "bộ đệm chống sốc" giúp ổn định và cải thiện $ROA$ nhờ sự bùng nổ của hạ tầng ngân hàng số và các nghiệp vụ bán lẻ.
Ứng dụng thực tế và triển khai
Kết quả nghiên cứu cung cấp cơ sở dữ liệu thực chứng cho các nhà quản trị ngân hàng thiết lập lộ trình cơ cấu lại nguồn thu:
Kịch bản ứng dụng chiến lược
- Phát triển hệ sinh thái Ngân hàng Mở (Open Banking & API): Tận dụng tệp khách hàng sẵn có để đẩy mạnh thu phí dịch vụ giá trị gia tăng (Wealth Management, tư vấn phát hành chứng khoán, lưu ký tài sản).
- Tối ưu hóa tỷ lệ CASA để giảm chi phí vốn: Các ngân hàng dẫn đầu về tỷ lệ $CASA$ (như Techcombank đạt đỉnh 46.98% năm 2021 và 38.00% năm 2023; MB đạt 38.08% năm 2023; Vietcombank đạt 33.05% năm 2023) sở hữu lợi thế biên lãi ròng vượt trội để bù đắp cho các chương trình miễn phí dịch vụ chuyển tiền (Zero-fee), từ đó thu hút tệp khách hàng giao dịch thường xuyên và thúc đẩy nguồn thu dịch vụ chéo.
- Tái cấu trúc hoạt động Bancassurance minh bạch: Chuyển dịch từ mô hình bán chéo gượng ép sang tư vấn bảo hiểm chuyên biệt, tuân thủ Thông tư 67/2023/TT-BTC nhằm đảm bảo tính bền vững của dòng thu phí hoa hồng dài hạn.
Lộ trình triển khai 4 giai đoạn cho NHTM
| Giai đoạn |
Thời gian |
Trọng tâm công việc |
KPI Định lượng mục tiêu |
| Giai đoạn 1: Chuẩn hóa nền tảng |
Quý 1 - Quý 2 |
Tích hợp hệ sinh thái số, nâng cấp Core Banking và hệ thống Omni-channel. |
Tỷ lệ $CIR$ kiểm soát dưới $42%$, tỷ lệ số hóa giao dịch đạt $>85%$. |
| Giai đoạn 2: Tăng tốc dịch vụ bán lẻ |
Quý 3 - Quý 4 |
Đẩy mạnh thanh toán không dùng tiền mặt, mở rộng cổng thanh toán doanh nghiệp và cá nhân. |
Tỷ trọng thu ngoài lãi $NON$ đạt $>25%$ tổng thu nhập hoạt động. |
| Giai đoạn 3: Đa dạng hóa danh mục đầu tư |
Năm thứ 2 |
Tăng cường tự doanh phái sinh tiền tệ, bảo hiểm rủi ro tỷ giá cho doanh nghiệp XNK. |
Chỉ số đa dạng hóa $DIV$ tiệm cận mốc $0.40 - 0.45$. |
| Giai đoạn 4: Tối ưu hóa sinh lời |
Năm thứ 3 |
Vận hành toàn diện mô hình tài chính tích hợp, khai thác dữ liệu lớn (Big Data) để cá nhân hóa sản phẩm. |
$ROA$ toàn hệ thống cải thiện $+0.2% \text{ đến } +0.35%$, $ROE > 16%$. |
Hạn chế và hướng phát triển
Dù đạt được các kết quả thực nghiệm có giá trị cao, đề tài vẫn ghi nhận một số giới hạn kỹ thuật nhất định:
- Giới hạn mẫu dữ liệu: Nghiên cứu tập trung vào 25 NHTM lớn, chưa bao quát toàn bộ 100% các định chế tài chính vi mô và ngân hàng liên doanh đang hoạt động tại Việt Nam.
- Độ trễ phản ánh chính sách: Giai đoạn 2023 chứng kiến các thay đổi pháp lý quan trọng (Thông tư 67/2023/TT-BTC siết chặt bảo hiểm liên kết ngân hàng), tác động điều chỉnh cấu trúc doanh thu cần thêm chuỗi dữ liệu 2024-2025 để đánh giá trọn vẹn chu kỳ phục hồi.
- Hướng nghiên cứu tiếp theo:
- Ứng dụng các thuật toán máy học (Random Forest, XGBoost, Elastic Net) để mô hình hóa mối quan hệ phi tuyến (Non-linear relationship) giữa đa dạng hóa thu nhập và rủi ro phá sản (Z-score).
- Bóc tách chuyên sâu từng cấu phần của $NON$ thành các phương trình đồng thời (Simultaneous Equations Modeling) để xác định điểm cân bằng biên lợi nhuận của từng phân khúc dịch vụ.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Nhận được tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, cách lập chỉ số $DIV$ và quy trình kiểm định mô hình kinh tế lượng từ OLS, FEM, REM đến FGLS.
- Chuyên viên phân tích dữ liệu tài chính (Data Analysts / Financial Analysts): Tiếp cận bộ code mẫu Stata 17 hoàn chỉnh, quy trình xử lý khuyết tật phương sai thay đổi và tự tương quan trên chuỗi dữ liệu tài chính thực tế.
- Hội đồng quản trị & Ban điều hành NHTM: Nắm giữ bằng chứng định lượng chứng minh tính hiệu quả của việc chuyển dịch cơ cấu thu nhập, làm căn cứ phê duyệt ngân sách đầu tư cho chuyển đổi số và bán lẻ.
- Cơ quan quản lý nhà nước (NHNN, Bộ Tài chính): Bổ sung luận cứ thực tiễn để tiếp tục hoàn thiện khung khổ pháp lý thúc đẩy thanh toán không dùng tiền mặt và định hướng tái cơ cấu hệ thống các tổ chức tín dụng theo Quyết định 986/QĐ-TTg.
Câu hỏi thường gặp
-
Yêu cầu kỹ thuật và công cụ để triển khai mô hình nghiên cứu này là gì?
Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata MP 17.0) cùng tệp dữ liệu bảng cân đối kế toán dạng .xlsx hoặc .dta được chuẩn hóa định danh mã ngân hàng (bank_id) và thời gian (year).
-
Tại sao mô hình FGLS lại được lựa chọn thay thế cho OLS và FEM thông thường?
Dữ liệu bảng vi mô giữa các ngân hàng thường xuyên vi phạm hai giả định kinh tế lượng quan trọng: phương sai sai số thay đổi theo từng ngân hàng (do chênh lệch quy mô tài sản giữa Big 4 và NHTMCP nhỏ) và tự tương quan chuỗi thời gian. Mô hình FGLS sử dụng ma trận trọng số hiệp phương sai để điều chỉnh sai số chuẩn, đảm bảo hệ số ước lượng không bị chệch và đạt hiệu quả tối ưu.
-
Chỉ số đa dạng hóa thu nhập DIV có bị giới hạn kỹ thuật nào không?
Chỉ số $DIV$ dao động từ $0$ đến $0.5$. Trường hợp ngân hàng có thu nhập ngoài lãi thuần bị âm do trích lập dự phòng đầu tư chứng khoán hoặc lỗ hoạt động dịch vụ, $DIV$ sẽ được quy ước bằng $0$ (không có sự đa dạng hóa) để duy trì tính nhất quán của mô hình toán học.
-
Làm thế nào để các ngân hàng nhỏ nâng cao chỉ số DIV khi nguồn lực vốn hạn chế?
Các NHTMCP quy mô nhỏ không nhất thiết phải đầu tư hạ tầng quá lớn mà có thể áp dụng chiến lược hợp tác đối tác (BaaS - Banking as a Service), tích hợp giải pháp thanh toán trung gian của các Fintech và tập trung vào phân khúc ngách như kiều hối, tài trợ thương mại chuỗi cung ứng.
-
Thời gian hoàn vốn (ROI) cho các dự án chuyển đổi số nhằm tăng thu nhập ngoài lãi thường kéo dài bao lâu?
Dữ liệu thực tế cho thấy giai đoạn đầu tư công nghệ thường đẩy tỷ lệ $CIR$ tăng cao trong 1-2 năm đầu. Tuy nhiên, hiệu quả cắt giảm chi phí đơn vị và dòng thu phí dịch vụ số bắt đầu phát huy tác dụng rõ rệt từ năm thứ 3, đưa thời gian hoàn vốn trung bình dao động từ 3 đến 5 năm tùy thuộc vào quy mô tệp khách hàng kích hoạt số.
Kết luận
Công trình nghiên cứu đã giải quyết trọn vẹn bài toán lượng hóa tác động của đa dạng hóa thu nhập đến khả năng sinh lời tại 25 NHTM Việt Nam giai đoạn 2018–2023. Bằng phương pháp ước lượng FGLS trên chuỗi dữ liệu bảng 150 quan sát, nghiên cứu chứng minh một cách nhất quán rằng việc gia tăng mức độ đa dạng hóa thu nhập ($DIV$) có tác động tích cực và có ý nghĩa thống kê cao đến tỷ suất sinh lời trên tổng tài sản ($ROA$, $\beta = +0.0184$).
Kết quả này khẳng định chiến lược dịch chuyển sang các hoạt động phi tín dụng, tối ưu hóa $CASA$ và đẩy mạnh kinh doanh dịch vụ số không chỉ giúp các ngân hàng giảm thiểu rủi ro tập trung tín dụng mà còn là đòn bẩy vững chắc để nâng cao năng lực tài chính. Để hiện thực hóa mục tiêu của Chính phủ và NHNN đến năm 2025, các NHTM Việt Nam cần tiếp tục kiên định lộ trình số hóa, cá nhân hóa sản phẩm dịch vụ tài chính và nâng cao hiệu quả kiểm soát chi phí hoạt động nhằm tối đa hóa giá trị cho cổ đông và toàn bộ hệ thống kinh tế.
