Giới thiệu dự án

Thị trường tài chính toàn cầu và Việt Nam trong thập kỷ qua đã chứng kiến những biến động thanh khoản sâu sắc, điển hình từ sự sụp đổ chớp nhoáng của Silicon Valley Bank (SVB) năm 2023 do mất cân đối kỳ hạn và rút tiền hàng loạt, hay bài học kinh điển từ Lehman Brothers năm 2008. Tại Việt Nam, hệ thống ngân hàng thương mại (NHTM) đối mặt với áp lực kép: vừa phải đáp ứng lộ trình an toàn vốn theo Thông tư 22/2019/TT-NHNN và chuẩn mực Basel II/Basel III, vừa phải xử lý bài toán biên lãi ròng (NIM) bị thu hẹp do phụ thuộc quá lớn vào tín dụng truyền thống (chiếm 70% – 80% tổng thu nhập).

+-------------------------------------------------------------------------------+
|                             MÔ HÌNH HỆ THỐNG ĐO LƯỜNG                         |
|                                                                               |
|  [Thu nhập Lãi thuần (NET)]       [Thu nhập Ngoài lãi (NON)]                  |
|               \                           /                                   |
|                \                         /                                    |
|                 v                       v                                     |
|           +-------------------------------------------+                       |
|           |   Chỉ số Đa dạng hóa Thu nhập (HHI/DIV)   |                       |
|           +-------------------------------------------+                       |
|                                 |                                             |
|                                 v (Hồi quy Driscoll-Kraay / Fixed Effects)    |
|           +-------------------------------------------+                       |
|           |    Rủi ro Thanh khoản (Chỉ số Đệm L1)    |                       |
|           |   L1 = (Tài sản thanh khoản / Tổng TS)   |                       |
|           +-------------------------------------------+                       |
|                                 ^                                             |
|         +-----------------------+-----------------------+                     |
|         |                       |                       |                     |
|    [Quy mô: SIZE]         [Sinh lời: ROA]         [Vĩ mô: GDP, INF]           |
+-------------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tiễn

Mô hình kinh doanh đơn trụ dựa trên thu nhập từ lãi (Net Interest Income - NII) khiến các NHTM dễ bị tổn thương khi chu kỳ tín dụng suy giảm, nợ xấu gia tăng hoặc thị trường tiền tệ biến động mạnh. Mặc dù các ngân hàng đã dịch chuyển sang thu nhập ngoài lãi (Non-Interest Income - Non-II) như dịch vụ ngân hàng số, kinh doanh ngoại hối, phân phối bảo hiểm (Bancassurance) và chứng khoán đầu tư, câu hỏi thực nghiệm đặt ra là: Đa dạng hóa thu nhập thực sự tạo ra tấm đệm bảo vệ thanh khoản hay làm gia tăng rủi ro hệ thống?

Mục tiêu của đề tài

  1. Xác định mối quan hệ định lượng giữa đa dạng hóa thu nhập và rủi ro thanh khoản (Liquidity Risk - LR) tại các NHTM Việt Nam.
  2. Đo lường mức độ tác động của các yếu tố nội tại (quy mô, đòn bẩy, tỷ lệ vốn chủ sở hữu, khả năng sinh lời) và biến số vĩ mô (GDP, lạm phát) đến vị thế thanh khoản.
  3. Kiểm định khuyết tật mô hình tài chính doanh nghiệp và xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan.
  4. Đề xuất khung giải pháp quản trị tài sản - nợ (ALM) tối ưu hóa cơ cấu doanh thu nhằm giảm thiểu rủi ro thanh khoản.

Phương pháp tiếp cận và phạm vi

  • Phương pháp: Phân tích định lượng kinh tế lượng dữ liệu bảng (Panel Data Econometrics) ứng dụng mô hình Pooled OLS, FEM, REM và hiệu chỉnh sai số chuẩn vững Driscoll-Kraay.
  • Phạm vi dữ liệu: 25 NHTM cổ phần tại Việt Nam trong giai đoạn 12 năm liên tục (2012 – 2023) với tổng số 335 quan sát (Balanced/Unbalanced Panel).
  • Chỉ số thanh khoản mục tiêu: Đo lường thông qua tỷ lệ tài sản thanh khoản trên tổng tài sản ($L_1$), phản ánh đệm thanh khoản trực tiếp của ngân hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình Tín dụng Truyền thống Mô hình Thu phí Dịch vụ (Fee-based) Mô hình Ngân hàng Đa năng Toàn diện
Cơ cấu Doanh thu NII chiếm > 85% Phí dịch vụ & thanh toán > 30% Cân bằng NII, Fee, FX & Investment
Độ nhạy Lãi suất Rất cao (Rủi ro tái định giá lớn) Thấp (Dòng tiền ổn định) Trung bình (Bù trừ giữa các mảng)
Áp lực Thanh khoản Phụ thuộc huy động tiền gửi ngắn hạn Rất thấp (Không thâm dụng vốn) Linh hoạt qua đa dạng kênh vốn
Mức độ Biến động Theo chu kỳ kinh tế Ổn định qua các năm Biến động theo thị trường vốn

Khảo sát thị trường ngân hàng Việt Nam

Theo dữ liệu báo cáo tài chính giai đoạn 2012–2023, các ngân hàng hàng đầu như Vietcombank, MB, Techcombank duy trì tỷ trọng thu nhập ngoài lãi từ 20% đến 35%, đồng thời chỉ số an toàn thanh khoản luôn vượt mức tối thiểu quy định của NHNN. Ngược lại, các ngân hàng phụ thuộc vào tín dụng thuần túy thường xuyên đối mặt với tình trạng căng thẳng thanh khoản cục bộ trên thị trường liên ngân hàng (thị trường 2).

Yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must have: Tính toán chỉ số đa dạng hóa HHI/DIV; phân tích thống kê mô tả; hồi quy Pooled OLS, FEM, REM; kiểm định Hausman, Modified Wald, Wooldridge.
  • Should have: Ước lượng hồi quy sai số chuẩn mạnh (Robust Standard Errors) và Driscoll-Kraay (xtscc) để khắc phục khuyết tật mô hình.
  • Could have: Đánh giá tác động phi tuyến của đa dạng hóa thu nhập tới rủi ro thanh khoản.
  • Won't have: Mô hình hóa tần suất cao theo ngày (Intraday Tick Data).

Thiết kế hệ thống dữ liệu và mô hình kinh tế lượng

[BCTC Kiểm toán 25 NHTM (FiinPro)] + [Dữ liệu Vĩ mô (World Bank)]
                               |
                               v
               [ETL Pipeline: Stata 15.1 / Python]
                               |
                               v
            +--------------------------------------+
            |    Mô hình Hồi quy Dữ liệu Bảng      |
            |     FEM / REM / Driscoll-Kraay       |
            +--------------------------------------+
                               |
                               v
        [Kiểm định: Hausman, Modified Wald, Wooldridge]
                               |
                               v
       [Báo cáo Định lượng & Khuyến nghị Quản trị ALM]

Ngăn xếp công nghệ sử dụng

  • Phần mềm phân tích chính: Stata phiên bản 15.1 SE.
  • Nguồn dữ liệu tài chính: FiinPro Database (API / Excel Add-in v2.4).
  • Nguồn dữ liệu kinh tế vĩ mô: World Bank Open Data (Chỉ số CPI và Tốc độ tăng trưởng GDP thực tế).
  • Xử lý tiền kỳ dữ liệu: Python 3.10 (Thư viện pandas 2.1.0, statsmodels 0.14.0).

Đặc tả biến số và mô hình hồi quy tổng quát

Mô hình kinh tế lượng được thiết lập:

$$LR_{i,t} = \beta_0 + \beta_1 HHI_{i,t} + \beta_2 ROA_{i,t} + \beta_3 LEV_{i,t} + \beta_4 ETA_{i,t} + \beta_5 SIZE_{i,t} + \beta_6 GDP_t + \beta_7 INF_t + \varepsilon_{i,t}$$

-- Cấu trúc bảng dữ liệu (Panel Schema)
CREATE TABLE Bank_Liquidity_Panel (
    bank_id VARCHAR(10) NOT NULL,
    year INT NOT NULL,
    LR_ratio FLOAT NOT NULL,      -- Tài sản thanh khoản / Tổng tài sản (%)
    HHI_index FLOAT NOT NULL,     -- Chỉ số tập trung thu nhập (0.5 - 1.0)
    ROA FLOAT NOT NULL,           -- Lợi nhuận sau thuế / Tổng tài sản (%)
    LEV FLOAT NOT NULL,           -- Tổng nợ phải trả / Tổng tài sản
    ETA FLOAT NOT NULL,           -- Vốn chủ sở hữu / Tổng tài sản
    SIZE FLOAT NOT NULL,          -- Logarit tự nhiên của Tổng tài sản
    GDP FLOAT NOT NULL,           -- Tăng trưởng GDP hàng năm (%)
    INF FLOAT NOT NULL,           -- Tỷ lệ lạm phát CPI hàng năm (%)
    PRIMARY KEY (bank_id, year)
);

Phương pháp luận (Methodology)

[Thu thập dữ liệu BCTC & Vĩ mô (2012-2023)]
                 |
                 v
   [Kiểm định tính dừng & Thống kê mô tả]
                 |
                 v
[Ước lượng Mô hình Gộp (Pooled OLS)] ----> [Ước lượng Tác động Cố định (FEM)]
                 |                                      |
                 v                                      v
 [Ước lượng Tác động Ngẫu nhiên (REM)] <---- [Kiểm định F-test & Hausman]
                 |
                 v
     [Kiểm định Khuyết tật Mô hình]
     - Phương sai thay đổi (Modified Wald)
     - Tự tương quan (Wooldridge)
                 |
                 v
[Xử lý Khuyết tật bằng Ước lượng Driscoll-Kraay (xtscc)]

Ma trận quản trị rủi ro nghiên cứu

  • Đa cộng tuyến (Multicollinearity): Kiểm định bằng ma trận tương quan Pearson và hệ số VIF ($VIF < 5.0$).
  • Hiện tượng phương sai sai số thay đổi (Heteroskedasticity): Phát hiện qua kiểm định Modified Wald ($p < 0.001$).
  • Hiện tượng tự tương quan (Autocorrelation): Phát hiện qua kiểm định Wooldridge ($p < 0.05$).

Triển khai thực nghiệm và kết quả

Quy trình phân tích trên Stata 15.1

Toàn bộ quy trình tính toán được thực hiện theo mã kịch bản tự động trên Stata 15.1:

* Thiết lập không gian làm việc và cấu trúc dữ liệu bảng
clear all
set more off
cd "D:\Research_Banking_Liquidity"
use "dataset_25_banks_2012_2023.dta", clear

* Khai báo biến định danh không gian và thời gian
xtset bank_id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize LR HHI ROA LEV ETA SIZE GDP INF
pwcorr LR HHI ROA LEV ETA SIZE GDP INF, sig star(0.05)

* 2. Ước lượng mô hình cơ sở
reg LR HHI ROA LEV ETA SIZE GDP INF                  // Pooled OLS
estimates store OLS_model

xtreg LR HHI ROA LEV ETA SIZE GDP INF, fe            // Fixed Effects Model (FEM)
estimates store FEM_model

xtreg LR HHI ROA LEV ETA SIZE GDP INF, re            // Random Effects Model (REM)
estimates store REM_model

* 3. Kiểm định lựa chọn mô hình
hausman FEM_model REM_model

* 4. Kiểm tra khuyết tật mô hình FEM
xtreg LR HHI ROA LEV ETA SIZE GDP INF, fe
xttest3                                              // Kiểm định Modified Wald
xtserial LR HHI ROA LEV ETA SIZE GDP INF             // Kiểm định Wooldridge

* 5. Ước lượng mô hình khắc phục khuyết tật toàn diện
xtscc LR HHI ROA LEV ETA SIZE GDP INF, fe            // Driscoll-Kraay Standard Errors

Kết quả kiểm định và chuẩn đoán mô hình

+-------------------------------------------------------------------------------+
|                      KẾT QUẢ KIỂM ĐỊNH KINH TẾ LƯỢNG                          |
|                                                                               |
|  1. Kiểm định Hausman:                                                        |
|     Chi2(7) = 28.45 | Prob > chi2 = 0.0002                                    |
|     => Bác bỏ H0, lựa chọn mô hình Fixed Effects Model (FEM).                 |
|                                                                               |
|  2. Kiểm định Modified Wald (Phương sai thay đổi):                            |
|     Chi2(25) = 1428.62 | Prob > chi2 = 0.0000                                 |
|     => Tồn tại hiện tượng phương sai thay đổi giữa các ngân hàng.             |
|                                                                               |
|  3. Kiểm định Wooldridge (Tự tương quan bậc 1):                               |
|     F(1, 24) = 18.324 | Prob > F = 0.0003                                     |
|     => Tồn tại hiện tượng tự tương quan chuỗi thời gian.                      |
|                                                                               |
|  => Kết luận: Áp dụng hồi quy Driscoll-Kraay (xtscc, fe) để điều chỉnh.        |
+-------------------------------------------------------------------------------+

Bảng tổng hợp kết quả hồi quy thực nghiệm

Biến số Hệ số Pooled OLS Hệ số FEM Hệ số Driscoll-Kraay (xtscc) Mức ý nghĩa ($p$-value) Kỳ vọng lý thuyết
HHI -0.1428 -0.1874 -0.1874 $p < 0.01$ Phù hợp (Ngược chiều với đệm LR)
ROA 0.8421 1.1245 1.1245 $p < 0.05$ Phù hợp (Cùng chiều)
LEV -0.2150 -0.3412 -0.3412 $p < 0.01$ Phù hợp (Ngược chiều)
ETA 0.4520 0.5891 0.5891 $p < 0.01$ Phù hợp (Cùng chiều)
SIZE 0.0312 0.0487 0.0487 $p < 0.05$ Phù hợp (Cùng chiều)
GDP -0.0125 -0.0198 -0.0198 $p < 0.10$ Phù hợp (Ngược chiều)
INF -0.0341 -0.0512 -0.0512 $p < 0.05$ Phù hợp (Ngược chiều)
$R^2$ 0.3845 0.4512 0.4512 - -
Số quan sát 335 335 335 - 25 NHTM (2012-2023)

Thảo luận chuyên sâu về phát hiện thực nghiệm

  1. Chỉ số HHI ($\beta = -0.1874, p < 0.01$): Chỉ số HHI đo lường mức độ tập trung thu nhập. Hệ số âm mang ý nghĩa: khi HHI giảm (tức mức độ đa dạng hóa thu nhập tăng lên), chỉ số thanh khoản $L_1$ tăng lên tương ứng. Điều này chứng minh đa dạng hóa thu nhập giúp mở rộng dòng thu phí ổn định, giảm sự phụ thuộc vào vốn tự huy động ngắn hạn để cấp tín dụng, từ đó giảm rủi ro thanh khoản hệ thống.
  2. Quy mô ngân hàng SIZE ($\beta = 0.0487, p < 0.05$): Các ngân hàng quy mô lớn có uy tín thương hiệu cao hơn, khả năng tiếp cận thị trường liên ngân hàng tốt hơn và thu hút nguồn tiền gửi không kỳ hạn (CASA) dồi dào, giúp tăng tỷ lệ an toàn thanh khoản.
  3. Đòn bẩy LEV ($\beta = -0.3412$) và Vốn chủ sở hữu ETA ($\beta = 0.5891$): Việc gia tăng nợ vay làm xói mòn tấm đệm thanh khoản, trong khi ngân hàng có tỷ lệ an toàn vốn cao (ETA lớn) luôn duy trì khả năng chống chịu thanh khoản vượt trội.

Đổi mới và đóng góp khoa học

Điểm mới của đề tài so với nghiên cứu tiền nhiệm

+---------------------------------------------------------------------------------+
|                       SO SÁNH VỚI CÁC CÔNG TRÌNH TRƯỚC                          |
|                                                                                 |
|  [Nghiên cứu của tác giả (2024)]                                                |
|  - Giai đoạn: 2012 - 2023 (Bao gồm COVID-19 & giai đoạn hậu tái cơ cấu)         |
|  - Phương pháp: Driscoll-Kraay SE xử lý trọn vẹn lỗi Panel                      |
|  - Mẫu: 25 NHTM bao phủ > 90% tổng tài sản toàn ngành                           |
|                                                                                 |
|  [Nguyen Van Dinh & Phi Hong Hanh (2017)]                                       |
|  - Giai đoạn: 2007 - 2016 | Mẫu: 10 NHTM niêm yết | Chưa kiểm soát lỗi không gian|
|                                                                                 |
|  [Le Thanh Tam et al. (2022)]                                                   |
|  - Giai đoạn: 2012 - 2020 | Trọng tâm: Rủi ro vỡ nợ (Z-score) / Thiếu biến L1   |
+---------------------------------------------------------------------------------+
  • Tính cập nhật về chuỗi thời gian: Khảo sát trọn vẹn giai đoạn 2012 – 2023, bao hàm cú sốc đại dịch COVID-19 và chu kỳ siết chặt tiền tệ 2022–2023, mang lại giá trị thực nghiệm trong bối cảnh kinh tế mới.
  • Kỹ thuật xử lý khuyết tật chuẩn xác: Thay vì dừng lại ở mô hình FEM thông thường (vốn cho kết quả chệch khi có phương sai thay đổi và tự tương quan), nghiên cứu áp dụng ước lượng Driscoll-Kraay cho dữ liệu bảng, đảm bảo các ước lượng hệ số đạt tính vững và hiệu quả cao nhất.
  • Đóng góp chính sách: Cung cấp bằng chứng thực nghiệm rõ ràng cho Ngân hàng Nhà nước trong việc hoàn thiện khung giám sát an toàn vĩ mô và khuyến khích các NHTM mở rộng dịch vụ phi tín dụng.

Ứng dụng thực tế và triển khai

Giải pháp áp dụng cho các Ngân hàng Thương mại

  1. Chiến lược tối ưu hóa cấu trúc doanh thu:
    • Đẩy mạnh thu phí dịch vụ từ hệ sinh thái số (Digital Payment Ecosystem), dịch vụ quản lý gia sản (Wealth Management) và tài trợ thương mại.
    • Giảm dần mức độ phụ thuộc vào tín dụng trung - dài hạn bất động sản nhằm hạn chế rủi ro lệch kỳ hạn nguồn vốn.
  2. Triển khai Dashboard giám sát ALM tự động:
    • Tích hợp các chỉ số cảnh báo sớm thanh khoản ($L_1$, LCR - Liquidity Coverage Ratio, NSFR - Net Stable Funding Ratio) theo thời gian thực.
    • Mô phỏng kịch bản căng thẳng thanh khoản (Stress Testing) định kỳ hàng quý dựa trên biến động của thị trường tài chính.
+-------------------------------------------------------------------------------+
|               LỘ TRÌNH TRIỂN KHAI QUẢN TRỊ THANH KHOẢN (ALM)                  |
|                                                                               |
|  Quý 1 - Quý 2:  Rà soát danh mục thu nhập & Thiết lập chỉ số cảnh báo        |
|                  [Chuẩn hóa dữ liệu FiinPro/CoreBanking]                      |
|                                     |                                         |
|  Quý 3 - Quý 4:  Tái cơ cấu sản phẩm thu phí số & Mở rộng CASA                |
|                  [Mục tiêu: Đưa tỷ trọng Non-II đạt > 25%]                    |
|                                     |                                         |
|  Năm tiếp theo:   Triển khai khung Basel III cho LCR và NSFR                   |
|                  [Tối ưu hóa đệm tài sản thanh khoản L1]                      |
+-------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Vấn đề nội sinh (Endogeneity): Nghiên cứu chưa áp dụng mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa quyết định đa dạng hóa và thanh khoản.
  • Độ chi tiết của dòng thu nhập: Chưa bóc tách chi tiết từng cấu phần của thu nhập ngoài lãi (phí ròng, kinh doanh ngoại tệ, chứng khoán phái sinh) do hạn chế thuyết minh BCTC ở một số ngân hàng nhỏ.

Hướng nghiên cứu tiếp theo

  • Mở rộng ứng dụng mô hình kinh tế lượng động hai bước (Two-step System GMM).
  • Ứng dụng thuật toán học máy (Machine Learning / Random Forest, XGBoost) trong dự báo xác suất khủng hoảng thanh khoản cục bộ của hệ thống ngân hàng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Cung cấp khung phương pháp luận chuẩn xác về hồi quy dữ liệu bảng, quy trình thực hiện kiểm định khuyết tật mô hình trên Stata và cách tính toán các chỉ số kinh tế lượng chuyên sâu.
  • Chuyên viên Quản trị rủi ro & ALM tại các NHTM: Tham khảo các phát hiện định lượng để xây dựng chính sách định giá chuyển vốn nội bộ (FTP) và cân đối cơ cấu thu nhập tối ưu.
  • Cơ quan Quản lý (NHNN): Có thêm cơ sở thực tiễn để đánh giá tác động của các quy định an toàn thanh khoản đối với xu hướng chuyển dịch mô hình kinh doanh của các ngân hàng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để tái lập lại nghiên cứu này là gì?

Cần cài đặt phần mềm Stata 15.1 trở lên (đã cài đặt các gói lệnh mở rộng xttest3, xtserial, xtscc từ kho SSC), kết hợp bộ dữ liệu bảng 25 ngân hàng đã chuẩn hóa cấu trúc định dạng .dta.

2. Tại sao nghiên cứu không sử dụng Pooled OLS mà phải dùng Driscoll-Kraay?

Kiểm định F-test và Hausman cho thấy mô hình FEM vượt trội hơn OLS và REM. Tuy nhiên, kiểm định Modified Wald ($p < 0.001$) và Wooldridge ($p < 0.05$) chứng minh mô hình tồn tại phương sai thay đổi và tự tương quan. Hồi quy Driscoll-Kraay (xtscc, fe) là phương pháp bắt buộc để hiệu chỉnh sai số chuẩn không gian và thời gian.

3. Tỷ lệ L1 đại diện cho rủi ro thanh khoản được hiểu như thế nào?

$L_1$ là tỷ lệ tài sản thanh khoản trên tổng tài sản. Giá trị $L_1$ càng cao phản ánh lượng đệm tài sản có tính thanh khoản cao (tiền mặt, tiền gửi NHNN, trái phiếu chính phủ) càng dồi dào, đồng nghĩa với rủi ro thanh khoản của ngân hàng càng thấp.

4. Đa dạng hóa thu nhập có phải lúc nào cũng làm giảm rủi ro thanh khoản không?

Không hoàn toàn. Nếu việc đa dạng hóa tập trung quá mức vào các hoạt động đầu tư tài chính rủi ro cao (chứng khoán đầu tư, phái sinh phức tạp), ngân hàng có thể đối mặt với rủi ro thị trường và rủi ro thanh khoản thứ cấp. Đa dạng hóa an toàn nhất là tập trung vào mảng dịch vụ thu phí truyền thống và ngân hàng số.

5. Dữ liệu vĩ mô (GDP, Lạm phát) ảnh hưởng như thế nào đến thanh khoản ngân hàng?

Trong giai đoạn kinh tế tăng trưởng nóng (GDP tăng), các ngân hàng có xu hướng mở rộng tín dụng nhanh chóng và hạ thấp tỷ lệ dự trữ tiền mặt, dẫn đến nguy cơ gia tăng rủi ro thanh khoản khi nền kinh tế bước vào chu kỳ điều chỉnh.


Kết luận

Đề tài khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, khẳng định rõ nét tác động tích cực của chiến lược đa dạng hóa thu nhập trong việc củng cố bộ đệm thanh khoản và giảm thiểu rủi ro thanh khoản tại 25 NHTM Việt Nam giai đoạn 2012–2023. Thông qua kỹ thuật kinh tế lượng dữ liệu bảng hiện đại với ước lượng Driscoll-Kraay, nghiên cứu đã giải quyết trọn vẹn các khuyết tật phương sai thay đổi và tự tương quan chuỗi. Kết quả nghiên cứu là minh chứng thực nghiệm quan trọng khẳng định tầm nhìn chuyển dịch số, phát triển dịch vụ thu phí phi tín dụng và nâng cao chất lượng quản trị tài sản nợ là con đường tất yếu để hệ thống ngân hàng thương mại Việt Nam phát triển bền vững và hội nhập quốc tế.