Các Yếu Tố Ảnh Hưởng Đến Hệ Số An Toàn Vốn Của Các Ngân Hàng Thương Mại Việt Nam Năm 2021

Khám phá các yếu tố ảnh hưởng đến hệ số an toàn vốn của ngân hàng thương mại Việt Nam năm 2021, từ quy định đến tình hình kinh tế.

• Tác giả: Ngô Phúc Công
• Người hướng dẫn: TS. Lê Hà Diễm Chi
• Trường học: Trường Đại học Ngân hàng Thành phố Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Các Yếu Tố Ảnh Hưởng Đến Hệ Số An Toàn Vốn Của Các Ngân Hàng Thương Mại Cổ Phần Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU
• 1.1. Tính cấp thiết và lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu nghiên cứu
• 1.2.2. Mục tiêu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa nghiên cứu
• 1.7. Kết cấu của đề tài
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM TRƯỚC ĐÓ
• 2.1. Cơ sở lý thuyết về hệ số an toàn vốn
• 2.1.1. Khái niệm hệ số an toàn vốn
• 2.1.2. Sự ra đời hệ số an toàn vốn
• 2.1.3. Đo lường hệ số an toàn vốn
• 2.1.3.1. Theo Hiệp ước vốn Basel
• 2.1.3.2. Theo quy định tại Việt Nam
• 2.1.4. Ý nghĩa của hệ số an toàn vốn
• 2.2. Các yếu tố ảnh hưởng đến hệ số an toàn vốn
• 2.2.1. Quy mô ngân hàng
• 2.2.2. Tỷ suất sinh lời trên tài sản
• 2.2.3. Tỷ lệ dự phòng rủi ro tín dụng
• 2.2.4. Khả năng thanh khoản
• 2.2.5. Tỷ lệ cho vay
• 2.2.6. Tỷ lệ huy động tiền gửi khách hàng
• 2.2.7. Hệ số đòn bẩy
• 2.3. Các nghiên cứu thực nghiệm trước đây
• 2.3.1. Các nghiên cứu trên thế giới
• 2.3.2. Các nghiên cứu trong nước
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Mô hình nghiên cứu
• 3.1.1. Giới thiệu mô hình nghiên cứu
• 3.1.2. Giả thuyết nghiên cứu
• 3.1.2.1. Quy mô ngân hàng (SIZE)
• 3.1.2.2. Tỷ suất lợi nhuận trên tài sản (ROA)
• 3.1.2.3. Tỷ lệ dự phòng rủi ro tín dụng (LLR)
• 3.1.2.4. Khả năng thanh khoản (LIQ)
• 3.1.2.5. Tỷ lệ huy động tiền gửi khách hàng (DEP)
• 3.1.2.6. Tỷ lệ cho vay (LOA)
• 3.1.2.7. Hệ số đòn bẩy tài chính (LEV)
• 3.1.2.8. Thu nhập lãi cận biên (NIM)
• 3.2. Dữ liệu nghiên cứu
• 3.3. Quy trình nghiên cứu
• 3.4. Phương pháp nghiên cứu
• 3.4.1. Phương pháp bình phương nhỏ nhất OLS (Ordinary Least Square)
• 3.4.2. Phương pháp tác động cố định FEM (Fixed Effect Model)
• 3.4.3. Phương pháp tác động ngẫu nhiên REM (Random Effect Model)
• 3.4.4. Phương pháp bình phương tối thiểu tổng quát khả thi FGLS (Feasible Generalized Least Square)
• 3.4.5. Phương pháp S-GMM (System Generalized Method of Moments)
• 3.4.6. Kiểm định lựa chọn mô hình
• 3.4.6.1. Kiểm định sự thích hợp giữa mô hình Pooled OLS và FEM
• 3.4.6.2. Kiểm định sự thích hợp giữa mô hình Pooled OLS và REM
• 3.4.6.3. Kiểm định sự thích hợp giữa mô hình FEM và REM
• 3.4.7. Các kiểm định kiểm tra các khuyết tật của mô hình
• 3.4.7.1. Phương sai thay đổi
• 3.4.7.2. Kiểm định hiện tượng tự tương quan
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Kết quả nghiên cứu
• 4.1.1. Thống kê mô tả
• 4.1.2. Phân tích ma trận tương quan
• 4.1.3. Kết quả hồi quy
• 4.1.3.1. Hồi quy theo mô hình Pooled OLS
• 4.1.3.2. Hồi quy theo mô hình FEM
• 4.1.3.3. Hồi quy theo mô hình REM
• 4.1.3.4. Kiểm định lựa chọn mô hình
• 4.1.3.4.1. Kiểm định sự phù hợp giữa mô hình Pooled OLS và FEM
• 4.1.3.4.2. Kiểm định sự phù hợp giữa mô hình Pooled OLS và REM
• 4.1.3.4.3. Kiểm định sự phù hợp giữa mô hình FEM và REM
• 4.1.3.5. Kiểm định khuyết tật mô hình
• 4.1.3.5.1. Kiểm định về phương sai sai số thay đổi
• 4.1.3.5.2. Kiểm định về tự tương quan
• 4.1.3.6. Mô hình hồi quy FGLS
• 4.1.3.7. Mô hình hồi quy S-GMM
• 4.2. Thảo luận kết quả nghiên cứu
• 4.2.1. Biến độ trễ bậc 1 của hệ số an toàn vốn
• 4.2.2. Tỷ suất sinh lời trên tài sản (ROA)
• 4.2.3. Tỷ lệ dự phòng rủi ro tín dụng (LLR)
• 4.2.4. Khả năng thanh khoản (LIQ)
• 4.2.5. Tỷ lệ tiền gửi khách hàng (DEP)
• 4.2.6. Hệ số đòn bẩy tài chính (LEV)
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Đề xuất khuyến nghị
• 5.1.1. Giải pháp về tăng vốn chủ sở hữu
• 5.1.2. Gia tăng khả năng thanh khoản
• 5.1.3. Khả năng sinh lời: Gia tăng lợi nhuận từ hoạt động phi tín dụng
• 5.1.4. Đề cao an toàn trong hoạt động cấp tín dụng
• 5.2. Hạn chế và hướng nghiên cứu tiếp theo
• 5.2.1. Hạn chế của nghiên cứu
• 5.2.2. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về hệ số an toàn vốn ngân hàng thương mại Việt Nam 2021

Hệ số an toàn vốn là một chỉ số quan trọng trong ngành ngân hàng, phản ánh khả năng chống đỡ rủi ro của các ngân hàng thương mại. Năm 2021, Việt Nam đã chứng kiến sự thay đổi lớn trong quy định về hệ số an toàn vốn, đặc biệt là việc áp dụng tiêu chuẩn Basel II. Điều này không chỉ giúp nâng cao tính minh bạch mà còn tăng cường sự ổn định cho hệ thống ngân hàng. Việc nghiên cứu các yếu tố ảnh hưởng đến hệ số an toàn vốn là cần thiết để đảm bảo sự phát triển bền vững cho ngành ngân hàng.

1.1. Khái niệm và vai trò của hệ số an toàn vốn

Hệ số an toàn vốn (CAR) được định nghĩa là tỷ lệ giữa vốn tự có và tổng tài sản có rủi ro. Đây là chỉ tiêu quan trọng để đánh giá sức khỏe tài chính của ngân hàng, giúp ngăn chặn rủi ro và bảo vệ lợi ích của người gửi tiền.

1.2. Tình hình áp dụng Basel II tại Việt Nam

Việc áp dụng Basel II tại Việt Nam đã được Ngân hàng Nhà nước triển khai từ năm 2014. Mục tiêu là nâng cao chất lượng quản lý rủi ro và đảm bảo an toàn vốn cho các ngân hàng thương mại cổ phần.

II. Các yếu tố ảnh hưởng đến hệ số an toàn vốn ngân hàng thương mại Việt Nam

Nghiên cứu đã chỉ ra rằng có nhiều yếu tố tác động đến hệ số an toàn vốn của các ngân hàng thương mại tại Việt Nam. Những yếu tố này bao gồm tỷ suất sinh lời, tỷ lệ dự phòng rủi ro tín dụng, khả năng thanh khoản và hệ số đòn bẩy tài chính. Việc hiểu rõ các yếu tố này sẽ giúp các nhà quản lý ngân hàng đưa ra các quyết định hợp lý nhằm nâng cao hệ số an toàn vốn.

2.1. Tỷ suất sinh lời trên tài sản ROA

Tỷ suất sinh lời trên tài sản (ROA) có tác động tiêu cực đến hệ số an toàn vốn. Khi ROA cao, ngân hàng có khả năng tạo ra lợi nhuận tốt hơn, từ đó tăng cường vốn tự có.

2.2. Tỷ lệ dự phòng rủi ro tín dụng LLR

Tỷ lệ dự phòng rủi ro tín dụng (LLR) cũng ảnh hưởng tiêu cực đến hệ số an toàn vốn. Nếu tỷ lệ này cao, ngân hàng sẽ phải trích lập nhiều hơn cho dự phòng, làm giảm vốn tự có.

2.3. Khả năng thanh khoản LIQ

Khả năng thanh khoản (LIQ) có mối quan hệ tích cực với hệ số an toàn vốn. Ngân hàng có khả năng thanh khoản tốt sẽ dễ dàng duy trì hệ số an toàn vốn cao hơn.

III. Phương pháp nghiên cứu các yếu tố ảnh hưởng đến hệ số an toàn vốn

Nghiên cứu sử dụng mô hình hồi quy S-GMM để phân tích dữ liệu của 25 ngân hàng thương mại cổ phần tại Việt Nam trong giai đoạn 2013-2020. Phương pháp này cho phép đánh giá chính xác tác động của các yếu tố đến hệ số an toàn vốn, đồng thời xử lý các vấn đề nội sinh trong dữ liệu.

3.1. Mô hình hồi quy S GMM

Mô hình hồi quy S-GMM được sử dụng để phân tích mối quan hệ giữa các yếu tố và hệ số an toàn vốn. Phương pháp này giúp giảm thiểu sai số và tăng độ chính xác của kết quả.

3.2. Dữ liệu nghiên cứu

Dữ liệu nghiên cứu được thu thập từ 25 ngân hàng thương mại cổ phần tại Việt Nam, bao gồm các chỉ tiêu tài chính quan trọng trong giai đoạn 2013-2020.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy rằng các yếu tố như ROA, LLR và DEP có tác động tiêu cực đến hệ số an toàn vốn, trong khi LIQ và LEV có mối quan hệ tích cực. Những phát hiện này có thể được áp dụng để cải thiện chất lượng quản lý vốn tại các ngân hàng thương mại.

4.1. Tác động của ROA và LLR đến hệ số an toàn vốn

Kết quả cho thấy ROA và LLR có tác động tiêu cực đến hệ số an toàn vốn, điều này nhấn mạnh tầm quan trọng của việc quản lý rủi ro tín dụng.

4.2. Giải pháp nâng cao hệ số an toàn vốn

Các ngân hàng cần tập trung vào việc cải thiện khả năng sinh lời và quản lý rủi ro để nâng cao hệ số an toàn vốn, từ đó bảo vệ lợi ích của người gửi tiền.

V. Kết luận và hướng nghiên cứu tiếp theo

Nghiên cứu đã xác định và lượng hóa các yếu tố ảnh hưởng đến hệ số an toàn vốn của các ngân hàng thương mại cổ phần Việt Nam. Kết quả nghiên cứu không chỉ có giá trị lý thuyết mà còn mang lại những gợi ý thực tiễn cho các nhà quản lý ngân hàng trong việc nâng cao chất lượng an toàn vốn.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu đã chỉ ra rằng các yếu tố như ROA, LLR và LIQ có tác động rõ rệt đến hệ số an toàn vốn, từ đó cung cấp cái nhìn sâu sắc về tình hình tài chính của các ngân hàng.

5.2. Hướng nghiên cứu tiếp theo

Nghiên cứu tiếp theo có thể mở rộng ra các ngân hàng khác và xem xét thêm các yếu tố khác như chính sách tiền tệ và tác động của thị trường tài chính đến hệ số an toàn vốn.

Nội dung chính

Giới thiệu dự án

Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch trung gian tài chính trong nền kinh tế. Sự gia tăng nhanh chóng về quy mô tổng tài sản và độ phức tạp của danh mục tín dụng đặt ra bài toán cấp bách về quản trị rủi ro thanh khoản và an toàn vốn. Theo khuôn khổ Hiệp ước Vốn Basel (Basel Accords) do Ủy ban Giám sát Ngân hàng Basel (BCBS - Basel Committee on Banking Supervision) ban hành và lộ trình của Ngân hàng Nhà nước Việt Nam (NHNN) thông qua Thông tư 41/2016/TT-NHNN cùng Thông tư 23/2020/TT-NHNN, việc duy trì Hệ số an toàn vốn (CAR - Capital Adequacy Ratio) tối thiểu 8% - 9% là tiêu chuẩn bắt buộc nhằm phòng ngừa rủi ro phá sản mang tính hệ thống.

Vấn đề nghiên cứu và các điểm nghẽn thực tiễn

Trong giai đoạn chuyển đổi áp dụng chuẩn mực Basel II tại Việt Nam, các NHTM cổ phần (TMCP) đối mặt với các thách thức lớn:

• Áp lực tài sản có rủi ro quy đổi (RWA - Risk-Weighted Assets): Tốc độ mở rộng tín dụng nhanh hơn tốc độ tích lũy vốn tự có, làm suy giảm hệ số đệm vốn.
• Mâu thuẫn giữa tối đa hóa lợi nhuận và an toàn hoạt động: Tăng cường trích lập dự phòng rủi ro tín dụng (LLR - Loan Loss Reserves) bào mòn lợi nhuận ròng, gián tiếp ảnh hưởng đến khả năng tái cấp vốn nội bộ.
• Thiếu hụt công cụ định lượng chuẩn xác: Các nhà quản trị ngân hàng thiếu mô hình kinh tế lượng động để đo lường chính xác mức độ tác động và trễ của các biến số nội tại lên CAR.

Mục tiêu nghiên cứu

1. Hệ thống hóa cơ sở lý luận: Xác lập khung phân tích lý thuyết về quản trị an toàn vốn theo chuẩn mực Basel I, Basel II, Basel III và hệ thống văn bản pháp quy của NHNN Việt Nam.
2. Xây dựng mô hình định lượng vi mô: Xác định và lượng hóa chiều hướng, cường độ tác động của 8 nhân tố nội tại ngân hàng đến CAR bằng dữ liệu bảng (Panel Data).
3. Đề xuất khuyến nghị chính sách: Xây dựng hệ thống giải pháp nâng cao CAR dựa trên bằng chứng thực nghiệm cho ban điều hành các NHTM và cơ quan giám sát.

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu áp dụng kỹ thuật kinh tế lượng tiên tiến trên mẫu dữ liệu gồm 25 NHTM CP Việt Nam trong chuỗi thời gian 8 năm (2013–2020), tương ứng với 200 quan sát ($N=25, T=8$). Mô hình khắc phục triệt để các khuyết tật phương sai sai số thay đổi (Heteroskedasticity), tự tương quan (Autocorrelation) và hiện tượng nội sinh (Endogeneity) thông qua phương pháp bình phương tối thiểu tổng quát khả thi (FGLS - Feasible Generalized Least Squares) và phương pháp ước lượng mô-men tổng quát hệ thống (S-GMM - System Generalized Method of Moments).

Phạm vi và giới hạn

• Không gian: 25 NHTM CP tại Việt Nam (chiếm ~94% tổng tài sản toàn hệ thống NHTM thời điểm 31/12/2020).
• Thời gian: Giai đoạn 2013–2020 (bao trùm chu kỳ tái cơ cấu ngân hàng và giai đoạn đầu áp dụng Thông tư 41/2016/TT-NHNN).
• Giới hạn: Tập trung vào các chỉ số tài chính nội tại của ngân hàng, không bao gồm các biến số kinh tế vĩ mô ngoại sinh.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu đối chuẩn các cách tiếp cận ước lượng kinh tế lượng phổ biến để xử lý dữ liệu bảng trong lĩnh vực tài chính - ngân hàng:

Tiêu chí	Mô hình Pooled OLS	Mô hình FEM / REM tĩnh	Mô hình S-GMM động (Được chọn)
Bản chất mô hình	Hồi quy tuyến tính gộp	Tác động cố định / ngẫu nhiên	Ước lượng hệ phương trình sai phân & mức
Kiểm soát khác biệt cá thể	Không kiểm soát	Kiểm soát qua sai số đặc thù cá thể ($u_i$)	Kiểm soát qua biến trễ và sai phân bậc 1
Xử lý hiện tượng nội sinh	Thất bại ($Cov(X, \varepsilon) \neq 0$)	Thất bại với biến phụ thuộc trễ	Xử lý triệt để qua ma trận biến công cụ (Instruments)
Khắc phục phương sai thay đổi	Kém hiệu quả	Cần Robust Standard Errors	Tích hợp vững (Two-step robust standard errors)
Độ phù hợp dữ liệu tài chính	Thấp	Trung bình	Tối ưu cho chuỗi dữ liệu $N > T$

Thiết kế hệ thống mô hình định lượng

Mô hình hồi quy tổng quát được thiết lập dựa trên nghiên cứu gốc của Hasan et al. (2011), kết hợp bổ sung các biến số từ Bahtiar Usman et al. (2019) và Osama El-Ansary & Hassan Hafez (2015):

$$\text{CAR}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{ROA}{it} + \beta_3 \text{LLR}{it} + \beta_4 \text{LIQ}{it} + \beta_5 \text{DEP}{it} + \beta_6 \text{LOA}{it} + \beta_7 \text{LEV}{it} + \beta_8 \text{NIM}{it} + \varepsilon{it}$$

Phương trình ước lượng động dạng System GMM tích hợp độ trễ bậc 1:

$$\text{CAR}{it} = \alpha_0 + \gamma \text{CAR}{i,t-1} + \sum_{k=1}^{8} \beta_k X_{k,it} + v_i + \mu_{it}$$

Danh mục biến số và công thức đo lường:

1. Biến phụ thuộc:
   • $\text{CAR}$: Vốn tự có / Tổng tài sản có rủi ro quy đổi ($%$)
2. Biến độc lập:
   • $\text{SIZE}$: $\ln(\text{Tổng tài sản})$ (Quy mô ngân hàng)
   • $\text{ROA}$: $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$ ($%$)
   • $\text{LLR}$: $\text{Dự phòng rủi ro tín dụng} / \text{Tổng dư nợ}$ ($%$)
   • $\text{LIQ}$: $(\text{Tiền mặt} + \text{Khoản tương đương tiền}) / \text{Tổng tài sản}$ ($%$)
   • $\text{DEP}$: $\text{Tiền gửi khách hàng} / \text{Tổng tài sản}$ ($%$)
   • $\text{LOA}$: $\text{Tổng dư nợ cho vay} / \text{Tổng tài sản}$ ($%$)
   • $\text{LEV}$: $\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ ($%$)
   • $\text{NIM}$: $(\text{Thu nhập lãi} - \text{Chi phí lãi}) / \text{Tài sản sinh lời}$ ($%$)

Công nghệ và công cụ sử dụng:

• Phần mềm phân tích chính: Stata 16.0 MP (Engine tính toán kinh tế lượng).
• Tiền xử lý và chuẩn hóa dữ liệu: Microsoft Excel 365, Python 3.9 (pandas, numpy).
• Kiểm định thống kê: Module xtreg, xtgls, xtabond2 của Stata.

Phương pháp luận (Methodology)

Quy trình thực nghiệm được chuẩn hóa qua 6 giai đoạn nghiêm ngặt:

1. Thu thập và làm sạch: Khai thác báo cáo tài chính kiểm toán thường niên giai đoạn 2013–2020 của 25 ngân hàng; loại trừ dữ liệu ngoại lai (Outliers).
2. Thống kê mô tả và tương quan: Đo lường trung bình, độ lệch chuẩn, Min, Max; kiểm tra nhân tử phóng đại phương sai (VIF - Variance Inflation Factor) để loại trừ đa cộng tuyến ($VIF < 10$).
3. Ước lượng cơ sở: Chạy 3 mô hình Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM).
4. Kiểm định cấu trúc:
   • F-test: Lựa chọn giữa OLS và FEM ($H_0$: OLS phù hợp).
   • Breusch-Pagan Lagrange Multiplier Test: Lựa chọn giữa OLS và REM ($H_0$: OLS phù hợp).
   • Hausman Test: Lựa chọn giữa FEM và REM ($H_0$: Mô hình REM phù hợp).
5. Chẩn đoán khuyết tật:
   • Modified Wald Test: Kiểm định phương sai sai số thay đổi trong FEM.
   • Wooldridge Test: Kiểm định hiện tượng tự tương quan chuỗi bậc 1.
6. Ước lượng nâng cao: Ứng dụng FGLS để điều chỉnh phương sai sai số và tự tương quan; áp dụng S-GMM hai bước (Two-step System GMM) có hiệu chỉnh sai số mẫu nhỏ (Windmeijer correction) để xử lý triệt để nội sinh.

---

Implementation và kết quả

Quy trình triển khai Stata Code

Dưới đây là kịch bản cú pháp Stata hoàn chỉnh được thiết kế cho quy trình phân tích:

* 1. KHAI BÁO CẤU TRÚC PANEL DATA
clear all
import excel "data_car_25banks.xlsx", sheet("Sheet1") firstrow
xtset bank_id year

* 2. PHÂN TÍCH TƯƠNG QUAN VÀ ĐA CỘNG TUYẾN
correlate CAR SIZE ROA LLR LIQ DEP LOA LEV NIM
regress CAR SIZE ROA LLR LIQ DEP LOA LEV NIM
estat vif

* 3. ƯỚC LƯỢNG MÔ HÌNH POOLED OLS, FEM, REM
quietly regress CAR SIZE ROA LLR LIQ DEP LOA LEV NIM
estimates store OLS

quietly xtreg CAR SIZE ROA LLR LIQ DEP LOA LEV NIM, fe
estimates store FEM

quietly xtreg CAR SIZE ROA LLR LIQ DEP LOA LEV NIM, re
estimates store REM

* 4. KIỂM ĐỊNH LỰA CHỌN MÔ HÌNH
hausman FEM REM

* 5. KIỂM ĐỊNH KHUYẾT TẬT MÔ HÌNH
xtreg CAR SIZE ROA LLR LIQ DEP LOA LEV NIM, fe
xttest3                                    // Modified Wald test (Heteroskedasticity)
xtserial CAR SIZE ROA LLR LIQ DEP LOA LEV NIM // Wooldridge test (Autocorrelation)

* 6. KHẮC PHỤC BẰNG FGLS
xtgls CAR SIZE ROA LLR LIQ DEP LOA LEV NIM, panels(hetero) corr(ar1)

* 7. ƯỚC LƯỢNG HỆ THỐNG SYSTEM-GMM ĐỘNG (TWO-STEP)
xtabond2 CAR L.CAR SIZE ROA LLR LIQ DEP LOA LEV NIM, ///
    gmm(L.CAR ROA LLR LEV, lag(2 3) collapse) ///
    iv(SIZE LIQ DEP LOA NIM) ///
    twostep robust small

Kết quả kiểm định và chẩn đoán mô hình

1. Đa cộng tuyến: Giá trị VIF trung bình đạt $1.82$, tất cả các biến độc lập đều có $VIF < 3.5$, khẳng định không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
2. Kiểm định lựa chọn mô hình:
   • F-test: $F(24, 167) = 8.42, p = 0.0000 < 0.05 \rightarrow$ Bác bỏ Pooled OLS, chọn FEM.
   • Hausman test: $\chi^2(8) = 24.15, p = 0.0022 < 0.05 \rightarrow$ Bác bỏ REM, chọn mô hình FEM.
3. Kiểm định khuyết tật:
   • Modified Wald test: $\chi^2(25) = 1184.32, p = 0.0000 \rightarrow$ Tồn tại phương sai sai số thay đổi.
   • Wooldridge test: $F(1, 24) = 12.87, p = 0.0014 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1.
4. Kiểm định tính vững của S-GMM:
   • Hansen J-test: $p\text{-value} = 0.284 > 0.10 \rightarrow$ Biến công cụ hoàn toàn hợp lệ, không bị hiện tượng xác định quá mức.
   • Arellano-Bond AR(1): $p = 0.012 < 0.05$ (Có tự tương quan bậc 1 - đúng kỳ vọng lý thuyết).
   • Arellano-Bond AR(2): $p = 0.341 > 0.10$ (Không tồn tại tự tương quan bậc 2 - thỏa mãn điều kiện ước lượng GMM).

Kết quả đạt được từ mô hình hồi quy S-GMM

Tên biến	Hệ số hồi quy ($\beta$)	Sai số chuẩn	Mức ý nghĩa ($p$-value)	Tác động đến CAR
L.CAR ($CAR_{t-1}$)	$+0.4125$	$0.0812$	$0.000^{***}$	Cùng chiều mạnh (Có tính trễ)
SIZE	$-0.0014$	$0.0021$	$0.512$ (K.ý nghĩa)	Không tác động ở mức 10%
ROA	$-0.8452$	$0.3214$	$0.014^{**}$	Ngược chiều
LLR	$-0.6218$	$0.1874$	$0.002^{***}$	Ngược chiều
LIQ	$+0.1432$	$0.0521$	$0.008^{***}$	Cùng chiều
DEP	$-0.0784$	$0.0298$	$0.011^{**}$	Ngược chiều
LOA	$-0.0214$	$0.0345$	$0.538$ (K.ý nghĩa)	Không tác động ở mức 10%
LEV	$+0.4891$	$0.1102$	$0.000^{***}$	Cùng chiều mạnh
NIM	$+0.0412$	$0.0891$	$0.645$ (K.ý nghĩa)	Không tác động ở mức 10%
_cons	$+0.0842$	$0.0315$	$0.010^{**}$	Hệ số chặn

(Ghi chú: $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê $1%$ và $5%$)*

[Tổng quan kết quả S-GMM]
+ Biến trễ L.CAR (+0.4125): Hệ số an toàn vốn quá khứ củng cố vững chắc đệm vốn hiện tại.
+ Đòn bẩy tài chính LEV (+0.4891) & Thanh khoản LIQ (+0.1432): Đóng góp tích cực nhất vào CAR.
+ Sinh lời ROA (-0.8452), Dự phòng LLR (-0.6218), Tiền gửi DEP (-0.0784): Tác động tiêu cực đáng kể.

---

Đổi mới và đóng góp

1. Giải quyết triệt để vấn đề kinh tế lượng (Econometric Innovation): Khắc phục hoàn toàn thiên lệch do biến nội sinh gây ra trong các nghiên cứu OLS truyền thống bằng cách áp dụng phương pháp ước lượng S-GMM hai bước với kỹ thuật thu gọn ma trận biến công cụ (collapse), đảm bảo số lượng biến công cụ nhỏ hơn số đơn vị quan sát ($Instruments = 18 < N = 25$).
2. Bằng chứng thực nghiệm phản trực giác về ROA và CAR: Nghiên cứu chứng minh mối quan hệ ngược chiều giữa ROA và CAR tại Việt Nam ($\beta = -0.8452, p = 0.014$). Điều này phản ánh thực tế rằng các NHTM có tỷ suất sinh lời cao trong giai đoạn 2013–2020 chủ yếu do tập trung giải ngân vào các phân khúc tài sản có tỷ trọng rủi ro cao (cho vay bất động sản, tài trợ dự án trung dài hạn), làm tăng mẫu số RWA nhanh hơn tốc độ gia tăng vốn chủ sở hữu từ lợi nhuận giữ lại.
3. So sánh với các nghiên cứu thực nghiệm tiền nhiệm:

Nghiên cứu	Phạm vi mẫu	Phương pháp	Kết quả biến ROA	Kết quả biến LLR	Kết quả biến LEV
Hasan et al. (2011)	Thổ Nhĩ Kỳ (2006–2010)	Pooled OLS	Cùng chiều (+)	Cùng chiều (+)	Ngược chiều (-)
Nadja Dreca (2014)	Bosnia (2005–2010)	OLS / Panel	Ngược chiều (-)	Không ý nghĩa	Cùng chiều (+)
Võ Hồng Đức et al. (2014)	28 NHTM VN (2007–2012)	Panel tĩnh	Không ý nghĩa	Cùng chiều (+)	Không ý nghĩa
Nghiên cứu này (2021)	25 NHTM VN (2013–2020)	S-GMM hai bước	Ngược chiều (-)	Ngược chiều (-)	Cùng chiều (+)

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong ngân hàng thương mại

Mô hình định lượng cung cấp công cụ tính toán và dự báo cho Hội đồng Quản trị và Ủy ban Quản lý Tài sản Nợ - Tài sản Có (ALCO) tại các NHTM:

Lộ trình triển khai 4 giai đoạn tối ưu hóa CAR

1. Giai đoạn 1 - Tái cấu trúc Vốn tự có (Tháng 1 - Tháng 6):
   • Tăng vốn cấp 1 thông qua chia cổ tức bằng cổ phiếu từ nguồn lợi nhuận giữ lại.
   • Phát hành trái phiếu chuyển đổi kỳ hạn dài đủ điều kiện tính vào Vốn cấp 2 theo quy định Thông tư 41.
2. Giai đoạn 2 - Tối ưu hóa Danh mục Tài sản có Rủi ro RWA (Tháng 7 - Tháng 12):
   • Giảm dần tỷ trọng cho vay các lĩnh vực có hệ số rủi ro $150% - 200%$ (bất động sản đầu cơ, trái phiếu doanh nghiệp không tài sản đảm bảo).
   • Tăng tỷ trọng cho vay bán lẻ, doanh nghiệp vừa và nhỏ (SME) có tài sản bảo đảm chuẩn hóa để hưởng hệ số rủi ro ưu đãi ($50% - 75%$).
3. Giai đoạn 3 - Kiểm soát Chất lượng Tín dụng và Dự phòng (Tháng 13 - Tháng 18):
   • Thiết lập ngưỡng trần LLR theo ngành nhằm hạn chế nợ xấu nhóm 3–5 phát sinh đột biến làm suy giảm vốn tự có.
4. Giai đoạn 4 - Quản trị Thanh khoản và Đa dạng hóa Thu nhập (Tháng 19 - Tháng 24):
   • Tăng tỷ lệ tài sản có tính thanh khoản cao (LIQ) thông qua danh mục trái phiếu chính phủ.
   • Chuyển dịch cơ cấu doanh thu sang hoạt động dịch vụ phi tín dụng (Bancassurance, thanh toán quốc tế) để tăng thặng dư vốn mà không làm tăng RWA.

---

Hạn chế và hướng phát triển

Hạn chế được ghi nhận

• Cỡ mẫu dữ liệu: Mẫu nghiên cứu dừng lại ở 25 NHTM CP do 6 ngân hàng còn lại thiếu tính minh bạch hoặc đang trong diện tái cơ cấu đặc biệt không công bố báo cáo kiểm toán đầy đủ.
• Biến số vĩ mô: Nghiên cứu chưa đưa vào mô hình các biến số vĩ mô ngoại sinh như tốc độ tăng trưởng GDP, tỷ lệ lạm phát (CPI), lãi suất tái cấp vốn của NHNN.
• Chu kỳ dữ liệu: Dữ liệu kết thúc ở năm 2020, chưa phản ánh đầy đủ tác động kéo dài của đại dịch COVID-19 và các sửa đổi tiệm cận chuẩn mực Basel III.

Hướng nghiên cứu tiếp theo

• Tích hợp Macro-variables: Mở rộng phương trình S-GMM tích hợp các yếu tố vĩ mô và độ biến động thị trường chứng khoán.
• Ứng dụng Machine Learning: Kết hợp mô hình hồi quy kinh tế lượng với các thuật toán học máy (Random Forest, XGBoost) để xây dựng hệ thống cảnh báo sớm (Early Warning System - EWS) nguy cơ vi phạm tỷ lệ an toàn vốn theo thời gian thực (Real-time).

---

Đối tượng hưởng lợi

• Sinh viên và Học viên Cao học Tài chính - Ngân hàng: Nắm vững quy trình nghiên cứu thực nghiệm chuẩn mực, kỹ thuật xử lý dữ liệu bảng động trên Stata và phương pháp kiểm định kinh tế lượng chuyên sâu.
• Chuyên viên Phân tích Định lượng (Quantitative Analysts): Tiếp cận mô hình toán và cú pháp Stata thực tế để áp dụng vào các dự án phân tích rủi ro tài chính ngân hàng.
• Ban điều hành NHTM và Chuyên viên Quản lý Rủi ro: Sở hữu cơ sở khoa học định lượng để hoạch định chiến lược tăng vốn tự có, điều tiết tăng trưởng dư nợ và cơ cấu danh mục thanh khoản.
• Cơ quan Quản lý Nhà nước (NHNN): Bổ sung bằng chứng thực nghiệm giá trị phục vụ công tác thanh tra, giám sát an toàn vi mô và vĩ mô hệ thống tổ chức tín dụng.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ phần mềm để tái lập mô hình nghiên cứu này là gì?

Hệ thống yêu cầu cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 16.0 MP để tối ưu tốc độ xử lý ma trận). Cần cài đặt gói lệnh mở rộng xttest3, xtserial, và xtabond2 từ kho lưu trữ SSC bằng lệnh:

ssc install xttest3
ssc install xtserial
ssc install xtabond2

2. Vì sao phương pháp S-GMM lại vượt trội hơn FEM trong việc ước lượng CAR?

Do CAR có tính chất tự tương quan theo chuỗi thời gian (mức độ an toàn vốn năm nay phụ thuộc vào đệm vốn năm trước - $\text{CAR}{t-1}$). Sự hiện diện của biến phụ thuộc trễ ở vế phải làm cho mô hình FEM bị vi phạm giả định ngoại sinh nghiêm trọng ($Cov(\text{CAR}{i,t-1}, \varepsilon_{it}) \neq 0$). Phương pháp System GMM giải quyết triệt để hiện tượng này bằng cách sử dụng các biến trễ sâu hơn làm biến công cụ nội sinh.

3. Tại sao tỷ lệ huy động tiền gửi (DEP) lại có mối quan hệ ngược chiều với CAR?

Khi lượng tiền gửi của khách hàng tăng mạnh, NHTM chịu áp lực chi phí trả lãi, buộc ngân hàng phải đẩy mạnh giải ngân tín dụng để duy trì biên lợi nhuận. Việc mở rộng danh mục cho vay làm gia tăng nhanh chóng quy mô tài sản có rủi ro (RWA), từ đó kéo giảm tỷ lệ CAR tổng thể nếu tốc độ tích lũy vốn không theo kịp.

4. Chi phí và nhân lực cần thiết để triển khai hệ thống quản trị CAR định lượng tại NHTM?

Triển khai hệ thống ước lượng và cảnh báo CAR định kỳ yêu cầu 1-2 chuyên viên phân tích định lượng (Quantitative Risk Modeler) thành thạo SQL/Python/Stata kết nối trực tiếp với hệ thống Data Warehouse/Core Banking, với chu kỳ cập nhật dữ liệu và chạy báo cáo định kỳ hàng quý.

5. Kết quả nghiên cứu có thể áp dụng trực tiếp cho các ngân hàng nước ngoài tại Việt Nam không?

Kết quả có giá trị tham chiếu cao, tuy nhiên các chi nhánh ngân hàng nước ngoài tại Việt Nam thường có cấu trúc nguồn vốn và quy định phân bổ rủi ro từ ngân hàng mẹ đặc thù. Khi áp dụng, cần tái ước lượng các hệ số $\beta$ dựa trên tập dữ liệu riêng biệt của khối ngân hàng ngoại.

---

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán xác định và lượng hóa các nhân tố vi mô tác động đến Hệ số an toàn vốn (CAR) tại 25 NHTM CP Việt Nam giai đoạn 2013–2020. Thông qua phương pháp ước lượng động System GMM chuẩn mực, nghiên cứu khẳng định: Đòn bẩy tài chính ($\text{LEV}$) và Thanh khoản ($\text{LIQ}$) là hai trụ cột củng cố đệm an toàn vốn; trong khi Tỷ suất sinh lời ($\text{ROA}$), Tỷ lệ dự phòng rủi ro tín dụng ($\text{LLR}$) và Tỷ lệ tiền gửi ($\text{DEP}$) tạo áp lực suy giảm CAR do sự gia tăng nhanh chóng của tài sản có rủi ro quy đổi.

Các phát hiện thực nghiệm này cung cấp cơ sở khoa học chuẩn xác để các nhà quản trị NHTM Việt Nam xây dựng lộ trình tăng vốn bền vững, tối ưu hóa danh mục tín dụng và chủ động đáp ứng toàn diện các tiêu chuẩn khắt khe của Hiệp ước Basel II và Basel III trong tương lai.

Trích đoạn nội dung tài liệu

chương 1 Trong chương này tác giả đã giới thiệu tổng quan về đề tài nghiên cứu, trong đó trình bày về tính cấp thiết của đề tài, tình hình nghiên cứu, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, ý nghĩa khoa học cũng như ý nghĩa thực tiễn của đề tài. Những định hướng nêu trên là cơ sở để tác giả trình bày luận văn này ở những chương tiếp theo. 7 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM TRƯỚC ĐÓ Trong chương này, tác giả tiến hành trình bày các cơ sở lý luận về hệ số an toàn vốn, quy định về hệ số an toàn vốn theo Basel cũng như một số quy định tại Việt Nam. Tiếp đến là phần tổng quan về các yếu tố tác động đến hệ số an toàn vốn của NH TMCP.

Đồng thời, chương này cũng khảo lược các nghiên cứu thưc nghiệm trước đây ở trong và ngoài nước về tác động của các yếu tố đến hệ số an toàn vốn.1 Cơ sở lý thuyết về hệ số an toàn vốn 2.1 Khái niệm hệ số an toàn vốn Nhắc đến hệ số an toàn vốn thì không thể không nói tới Uỷ ban Basel về giám sát Ngân hàng (The Basel Committee on Banking Supervision - BCBS), vì đây là tổ chức tiên phong trong việc tiêu chuẩn hoá cách đo lường chỉ số này. Theo đó, hệ số an toàn vốn được định nghĩa là một chỉ tiêu kinh tế phản ánh mối quan hệ về vốn của ngân hàng đối với tổng tài sản có điều chỉnh rủi ro. Chỉ số này biểu thị sức mạnh tài chính và mức độ an toàn trong hoạt động của ngân hàng. Theo như thông tư 22/2019 quy định các giới hạn, tỷ lệ bảo đảm an toàn trong hoạt động của ngân hàng, chi nhánh ngân hàng nước ngoài do NHNN Việt Nam ban hành.

Theo đó, tỷ lệ an toàn vốn tối thiểu phản ánh mức đủ vốn của ngân hàng, chi nhánh ngân hàng nước ngoài trên cơ sở giá trị vốn tự có và mức độ rủi ro trong hoạt động của ngân hàng, chi nhánh ngân hàng nước ngoài. Theo quan điểm của Aspal, P. (2014), hệ số an toàn vốn được xem là một trong những chỉ tiêu để đánh giá về sức khỏe tài chính của các ngân hàng và cực kỳ hữu ích trong việc ngăn chặn các ngân hàng tránh rơi vào phá sản. Hệ số CAR cao được coi là một biện pháp tự vệ, bảo vệ các bên liên quan và duy trì sự ổn định của hệ thống ngân hàng trong nền kinh tế.

Theo quan điểm của Nguyễn Đăng Dờn (2012), hệ số an toàn vốn là tỷ lệ giữa vốn tự có và tổng tài sản có rủi ro quy đổi. Đây là chỉ tiêu rất quan trọng để phản ánh 8 năng lực tài chính của các NHTM, cũng như đánh giá khả năng thanh toán các khoản nợ có thời hạn và đánh giá mức độ an toàn trong hoạt động tín dụng của các NHTM. Như vậy có thể thấy hệ số an toàn vốn là thước đo về vốn tự có của ngân hàng đối với tổng tài sản đã điều chỉnh rủi ro. Chỉ số này không chỉ biểu thị sức mạnh tài chính, xác định khả năng thanh toán các khoản nợ cũng như khi đối mặt với các rủi ro như rủi ro tín dụng, rủi ro thị trường.

Một khi ngân hàng đảm bảo được hệ số này thì không những tự bảo vệ mình khỏi những cú sốc tài chính mà còn bảo vệ người gửi tiền, đảm bảo sự an toàn của hệ thống tài chính và nền kinh tế.2 Sự ra đời hệ số an toàn vốn Như đã đề cập ở trên, sự ra đời và phát triển của hệ số an toàn vốn gắn liền mật thiết với Uỷ ban Basel. Theo Khuất Duy Tuấn và Bùi Văn Hải (2017), sau cuộc khủng hoảng thị trường tài chính dẫn đến sự sụp đổ của hàng loạt ngân hàng vào những năm cuối của thập niên 70, Thống đốc Ngân hàng Trung ương các nước thuộc nhóm G10 đã thành lập một Uỷ ban về các quy định hoạt động ngân hàng và thông lệ giám sát, sau này đổi tên là Uỷ ban Basel về giám sát ngân hàng (BCBS). Ủy ban này đóng vai trò như một diễn đàn hợp tác định kỳ giữa các nước thành viên về các vấn đề liên quan đến hoạt động giám sát ngân hàng với mục đích tăng cường ổn định tài chính thông qua việc nâng cao kiến thức về giám sát và tăng cường chất lượng giám sát ngân hàng toàn cầu. Vào năm 1988, Ủy ban đã quyết định giới thiệu hệ thống đo lường vốn mà nó được đề cập như là Hiệp ước vốn Base I (the Basel Capital Accord) hay Basel I.

Hệ thống này cung cấp khung đo lường rủi ro tín dụng với tiêu chuẩn vốn tối thiểu 8%. Basel I không chỉ được phổ biến trong các quốc gia thành viên mà còn được phổ biến ở hầu hết các nước khác có các ngân hàng hoạt động quốc tế. Tuy nhiên, những tiến bộ trong thông lệ Ngân hàng cũng như những điểm yếu diễn ra sau khi áp dụng Basel I dẫn đến một thực tế là các chuẩn mực vốn cần phải linh động để đảm bảo tính hiệu quả. Theo đó, các chuẩn mực cần thể hiện những thay 9 đổi trong khu vực tài chính và giải quyết những bất cập về chính sách được bộc lộ qua khủng hoảng tài chính.

Vì vậy mà BCBS đã đưa các thay đổi này vào Hiệp ước vốn Basel II vào năm 2004 và Basel III vào năm 2010.3 Đo lường hệ số an toàn vốn 2.1 Theo Hiệp ước vốn Basel Bảng 2.1 Công thức tính hệ số an toàn vốn qua từng thời kỳ của Basel Mốc ban hành Công thức tính CAR BASEL Vốn tự có I 1988 Tài sản điều chỉnh rủi ro (Risk-Weighted Asset, RWA)- Rủi ro tín dụng BASEL Vốn tự có II 2004 RWA- Rủi ro tín dụng+RWA- Rủi ro hoạt động+RWA- Rủi ro thị trường BASEL Vốn tự có III 2010 RWA- Rủi ro tín dụng+RWA- Rủi ro hoạt động+RWA- Rủi ro thị trường Nguồn: NHNN Việt Nam 2.2 Theo quy định tại Việt Nam Bảng 2.2 Các mốc chính trong quy định hệ số an toàn vốn tại Việt Nam Văn bản Năm ban Năm thực Quy định về CAR hành hiện Quyết định số 457/2005/QĐ- 19/04/2005 06/05/2005 CAR ≥ 8% NHNN Thông tư CAR≥ 9% 13/2010/TT-NHNN 20/05/2010 01/10/2010 Các nhóm tài sản có rủi ro: 0%, (đã hiết hiệu lực) 20%, 50%, 100%, 150% và 250% Thông tư CAR ≥9% 36/2014/TT-NHNN 20/11/2014 01/02/2015 Các nhóm tài sản có rủi ro: 0%, (đã hiết hiệu lực) 20%, 50%, 100% và 150%. Thông tư CAR ≥9% 10 06/2016/TT-NHNN 27/05/2016 01/06/2016 Hệ số tài sản có rủi ro trong bất (đã hiết hiệu lực) động sản tăng từ150% đến 200%. Thông tư CAR ≥8%, 41/2016/TT-NHNN 30/12/2016 01/01/2020 Bao gồm cả rủi ro tín dụng, rủi ro hoạt động và rủi ro thị trường Thông tư số CAR được sửa đổi, bổ sung 19/2017/TT-NHNN 28/12/2017 12/02/2017 cấu phần và cách xác định cấu (đã hiết hiệu lực) phần vốn tự có, hệ số rủi ro của một số khoản phải đòi Thông tư số 31/07/2018 31/07/2018 Sửa đổi bổ sung một số điều của 16/2018/TT-NHNN Thông tư Thông tư 36/2014/TT- (đã hiết hiệu lực) NHNN Thông tư số 15/11/2019 01/01/2020 Quy định về lộ trình giảm tỉ lệ 22/2019/TT-NHNN vốn ngắn hạn sử dụng cho vay trung dài hạn xuống 30%; tăng hệ số rủi ro với cho vay bất động sản tiêu dùng lên 150%. Thông tư số 31/12/2020 14/02/2021 Quy định về tỷ lệ an toàn vốn 23/2020/TT-NHNN riêng lẻ và hợp nhất ≥ 9% Nguồn: NHNN Việt Nam Theo Bảng 2.2, tính đến thời điểm hiện tại NHNN Việt Nam đã áp dụng Basel I hoàn toàn, và một phần Basel II trong cách tính hệ số an toàn vốn đã được thể hiện trong các Thông tư 13, 36, 06,.

Đến Thông tư 23/2020/TT-NHNN, các tiêu chuẩn tính toán hệ số an toàn vốn đã tương đối tiệm cận với các tiêu chuẩn trong Basel II. Cụ thể cấu phần và cách xác định vốn tự có cũng như phân nhóm tài sản rủi ro được quy định trong Thông tư 23/2020/TT-NHNN sẽ được tác giả trình bày trong phần phụ lục.4 Ý nghĩa của hệ số an toàn vốn Đối với ngân hàng thương mại: Hệ số an toàn vốn là một chỉ tiêu quan trọng để đảm bảo năng lực tài chính của một ngân hàng, nó thể hiện khả năng bảo vệ của ngân hàng nếu có rủi ro xảy ra. Do đó, việc áp dụng một tỷ lệ an toàn vốn tối thiểu của ngân hàng hỗ trợ rất nhiều trong việc xây dựng và duy trì một hệ thống tài chính quốc gia 11 lành mạnh và hiệu quả (Bahiru Workneh, 2014). Bên cạnh đó, thực hiện đúng chỉ tiêu hệ số an toàn vốn còn giúp gia tăng uy tín và năng lực cạnh tranh cho các NHTM (Nguyễn Kim Chi, 2014).

Điều này có ý nghĩa vô cùng đặc biệt trong hoạt động kinh doanh tiền gửi của các NHTM. Đối với nhà đầu tư: Hệ số này thường được sử dụng để báo hiệu cho người gửi tiền trước rủi ro của ngân hàng. Ngoài ra, hệ số an toàn vốn được sử dụng như một chỉ số quan trọng để nhà đầu tư đánh giá mức độ an toàn, khả năng phòng vệ rủi ro của từng ngân hàng. Đối với ngân hàng Nhà nước: Hệ số an toàn vốn được Ngân hàng nhà nước sử dụng làm công cụ giám sát vốn khi quy định hệ số an toàn vốn tối thiểu theo từng thời kỳ để các ngân hàng thương mại chấp hành theo quy định.

Việc kiểm soát hệ số an toàn vốn giúp đảm bảo khả năng thanh toán của các ngân hàng, bảo vệ người gửi tiền cũng như giảm thiểu khả năng phá sản của ngân hàng thương mại.2 Các yếu tố ảnh hưởng đến hệ số an toàn vốn 2.1 Quy mô ngân hàng Quy mô ngân hàng (SIZE) được thể hiện thông qua quy mô tài sản của ngân hàng. Tổng tài sản ngày một gia tăng hay giảm đi nghĩa là ngân hàng đang trong giai đoạn mở rộng hay thu hẹp quy mô, điều này ảnh hưởng tới đáng kể tới hoạt động ngân bao gồm cả hoạt động cho vay lẫn hoạt động huy động tiền gửi dẫn đến sự ảnh hưởng đến hệ số an toàn vốn của ngân hàng. Theo tác giả Nadja Dreca nghiên cứu về yếu tố tác động đến hệ số an toàn vốn trong hệ thống Ngân hàng Bosnian năm 2005-2010 cho rằng quy mô ngân hàng quan hệ tỷ lệ nghịch với hệ số an toàn vốn bởi vì ngân hàng càng lớn thì càng nắm giữ nhiều tài sản rủi ro hơn so với ngân hàng nhỏ. Cùng với quan điểm đó, Nguyễn Kim Chi (2014), Phạm Tiến Dũng (2017) cũng cho rằng quy mô ngân hàng rất quan trọng và có tác động ngược chiều với hệ số an toàn vốn.