Giới thiệu dự án

Ngành ngân hàng đóng vai trò huyết mạch trung gian tài chính trong nền kinh tế Việt Nam. Trong giai đoạn 2011 – 2021, hệ thống tài chính chứng kiến những biến động vĩ mô sâu sắc: từ cuộc đại phẫu tái cơ cấu hệ thống tổ chức tín dụng (2011 – 2015), làn sóng áp chuẩn an toàn vốn Basel II theo Thông tư 41/2016/TT-NHNN, đến cú sốc kinh tế toàn cầu do đại dịch COVID-19 làm GDP năm 2021 sụt giảm còn 2,58%. Hiệu quả hoạt động và năng lực sinh lời của các Ngân hàng Thương mại Cổ phần (NHTM CP) không chỉ quyết định sự tồn tại của từng định chế mà còn phản ánh mức độ lưu thông và an toàn vốn của toàn bộ nền kinh tế.

Thực tế vận hành đặt ra bài toán hóc búa cho các nhà quản trị: biên lợi nhuận bị bào mòn bởi chi phí hoạt động cao, rủi ro nợ xấu tiềm ẩn và sự biến động phức tạp của các biến số vĩ mô như lạm phát (đỉnh điểm 18,58% năm 2011) và tăng trưởng kinh tế. Sự phân hóa về tỷ suất sinh lời giữa các ngân hàng là rất lớn, thể hiện qua tỷ suất sinh lời trên vốn chủ sở hữu (ROE) bình quân đạt 10,74% nhưng phân tán từ mức âm sâu -56,33% (TPBank năm 2011) đến mức đỉnh 30,0% (VIB năm 2021).

Đồ án / Khóa luận tốt nghiệp chuyên ngành Tài chính - Ngân hàng tập trung giải quyết bài toán: "Xác định và lượng hóa mức độ tác động của các yếu tố nội tại và vĩ mô đến lợi nhuận (ROE) của các NHTM CP Việt Nam giai đoạn 2011 – 2021".

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý thuyết và xây dựng khung phân tích định lượng về khả năng sinh lời của NHTM.
  2. Đo lường chính xác mức độ tác động của 6 biến số nội tại và 2 biến số vĩ mô lên chỉ số ROE của 25 NHTM CP đại diện qua chuỗi thời gian 11 năm (275 quan sát).
  3. Đề xuất hệ thống giải pháp và khuyến nghị quản trị danh mục tài sản - nguồn vốn (ALM) nhằm tối ưu hóa lợi nhuận và kiểm soát rủi ro hệ thống.

Phương pháp tiếp cận giải pháp áp dụng kỹ thuật kinh tế lượng dữ liệu bảng (Panel Data Econometrics), kết hợp kiểm định chuyên sâu giữa Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và phương pháp bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để loại bỏ triệt để các khuyết tật phương sai sai số thay đổi và tự tương quan.

Phạm vi nghiên cứu tập trung vào 25 NHTM CP niêm yết và đại chúng tại Việt Nam hoạt động liên tục trong 11 năm tài chính (2011 – 2021), sử dụng báo cáo tài chính đã kiểm toán cùng dữ liệu vĩ mô từ Ngân hàng Nhà nước (NHNN), Tổng cục Thống kê (GSO) và Datastream.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tài chính doanh nghiệp và ngân hàng truyền thống thường dựa vào phân tích tỷ số tài chính đơn lẻ hoặc hồi quy cắt ngang (Cross-sectional OLS), dẫn đến việc bỏ qua các yếu tố đặc thù không quan sát được của từng ngân hàng theo thời gian.

Phương pháp nghiên cứu Ưu điểm Nhược điểm Đánh giá tính khả thi
Phân tích DuPont & Tỷ số tài chính Trực quan, dễ tính toán trên báo cáo từng kỳ Không xác định được mối quan hệ nhân quả và độ tin cậy thống kê Phù hợp đánh giá vi mô, không thể tổng quát hóa
Hồi quy Pooled OLS truyền thống Đơn giản, tổng hợp toàn bộ quan sát Bỏ qua tính chất không đồng nhất của từng ngân hàng, dễ bị chệch hệ số Không phù hợp với dữ liệu chuỗi thời gian nhiều đối tượng
Mô hình Dữ liệu Bảng (Panel Data: FEM/REM/FGLS) Kiểm soát đặc tính riêng lẻ của từng ngân hàng, xử lý phương sai thay đổi và tự tương quan Đòi hỏi xử lý dữ liệu chặt chẽ và qua nhiều bước kiểm định chéo Tối ưu nhất, đảm bảo ước lượng không chệch và hiệu quả (BLUE)

Phân tích yêu cầu mô hình hóa dữ liệu theo chuẩn MoSCoW:

  • Must-have: Biến phụ thuộc ROE; các biến nội tại trọng yếu (Quy mô tài sản, Tỷ lệ vốn chủ sở hữu, Dư nợ cho vay, Thanh khoản, LDR, CIR); các biến vĩ mô (GDP, Lạm phát); kiểm định Breusch-Pagan, Hausman, Modified Wald, Wooldridge.
  • Should-have: Ước lượng hiệu chỉnh FGLS để khắc phục toàn diện khuyết tật của FEM/REM.
  • Could-have: Đánh giá ma trận tương quan kết hợp kiểm định hệ số phóng đại phương sai (VIF) nhằm tầm soát đa cộng tuyến.
  • Won't-have (Giai đoạn này): Xử lý biến nội sinh bằng phương pháp GMM động 2 bước (Dynamic System GMM).

Thiết kế hệ thống mô hình kinh tế lượng

Kiến trúc xử lý dữ liệu và ước lượng mô hình được thiết kế qua quy trình chuẩn hóa 5 bước nghiêm ngặt:

[BCTC 25 NHTM (2011-2021) + Dữ liệu GSO/NHNN]
       [Bước 1: Tiền xử lý & Tính toán Tỷ số]
    [Bước 2: Thống kê mô tả & Ma trận tương quan VIF]
   [Bước 3: Ước lượng Mô hình Nền tảng (Pooled OLS, FEM, REM)]
[Kiểm định Breusch-Pagan]   [Kiểm định Hausman]
  [Lựa chọn Mô hình Tối ưu (FEM hoặc REM)]
   [Bước 4: Tầm soát Khuyết tật Mô hình]
   [Bước 5: Ước lượng Mô hình FGLS Hiệu chỉnh]
[Kết quả Hệ số Hồi quy & Báo cáo Khuyến nghị]

Phương trình toán học tổng quát của mô hình hồi quy dữ liệu bảng:

$$\text{ROE}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{CAPITAL}{it} + \beta_3 \text{LOAN}{it} + \beta_4 \text{LIQUIDITY}{it} + \beta_5 \text{LDR}{it} + \beta_6 \text{CIR}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{INF}t + \mu{it}$$

Trong đó:

  • $i$: Đại diện cho NHTM thứ $i$ ($i = 1, 2, \dots, 25$).
  • $t$: Đại diện cho năm tài chính $t$ ($t = 2011, 2012, \dots, 2021$).
  • $\mu_{it}$: Sai số tổng hợp của mô hình ($\mu_{it} = \alpha_i + \varepsilon_{it}$ trong mô hình tác động cố định/ngẫu nhiên).

Đặc tả các biến số trong Technology/Data Stack:

  • ROE (Return on Equity): Lợi nhuận sau thuế / Vốn chủ sở hữu bình quân.
  • SIZE: Logarit tự nhiên của Tổng tài sản ($\ln(\text{TTS})$).
  • CAPITAL: Vốn chủ sở hữu / Tổng tài sản ($\text{VCSH} / \text{TTS}$).
  • LOAN: Dư nợ cho vay khách hàng / Tổng tài sản ($\text{Dư nợ} / \text{TTS}$).
  • LIQUIDITY: (Tiền mặt + Tiền gửi tại NHNN + Tiền gửi TCTD khác) / Tổng tài sản.
  • LDR (Loan to Deposit Ratio): Dư nợ cho vay khách hàng / Tổng vốn huy động tiền gửi.
  • CIR (Cost to Income Ratio): Chi phí hoạt động / Tổng thu nhập hoạt động thuần.
  • GDP: Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm.
  • INF: Tỷ lệ lạm phát hàng năm tính theo chỉ số giá tiêu dùng CPI.

Technology Stack & Methodology

  • Công cụ phân tích dữ liệu: Stata 16.0 (Engine phân tích kinh tế lượng), Microsoft Excel (Khai phá dữ liệu ban đầu).
  • Nguồn dữ liệu: Datastream Thomson Reuters, Cổng thông tin Ngân hàng Nhà nước Việt Nam, Tổng cục Thống kê (GSO), Báo cáo kiểm toán độc lập (Big4: PwC, EY, KPMG, Deloitte).
  • Quy chuẩn quản lý chất lượng dữ liệu: Cân bằng bảng dữ liệu (Balanced Panel Data: 25 ngân hàng $\times$ 11 năm = 275 quan sát không khuyết thiếu).

Implementation và kết quả

Development process

Quá trình triển khai code và phân tích kinh tế lượng được thực hiện thông qua script Stata 16.0 (.do file) với các khối lệnh tiêu chuẩn:

* Thiết lập cấu trúc Panel Data
xtset id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF
pwcorr ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF, star(0.05)
regress ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF
vif

* 2. Ước lượng các mô hình nền tảng
* Pooled OLS
regress ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF
estimates store ols

* Fixed Effects Model (FEM)
xtreg ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF, fe
estimates store fe

* Random Effects Model (REM)
xtreg ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF, re
estimates store re

* 3. Kiểm định lựa chọn mô hình
* Breusch and Pagan Lagrangian multiplier test (OLS vs REM)
xttest0

* Hausman specification test (FEM vs REM)
hausman fe re

* 4. Kiểm định khuyết tật mô hình trên mô hình tối ưu (FEM)
* Kiểm định phương sai sai số thay đổi (Modified Wald test)
xttest3

* Kiểm định tự tương quan chuỗi bậc 1 (Wooldridge test)
xtserial ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF

* 5. Ước lượng mô hình FGLS khắc phục triệt để khuyết tật
xtgls ROE SIZE CAPITAL LOAN LIQUIDITY LDR CIR GDP INF, panels(hetero) corr(ar1)

Testing và validation

Kết quả kiểm định kỹ thuật kinh tế lượng trên bộ dữ liệu 275 quan sát:

  1. Kiểm định đa cộng tuyến (VIF): Tất cả các hệ số VIF của các biến độc lập đều nhỏ hơn 3,0 (thấp hơn nhiều so với ngưỡng cảnh báo vi phạm 10,0). Hệ số tương quan cặp cao nhất $< 0,8$, xác nhận không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Breusch-Pagan LM ($p < 0,001$): Bác bỏ $H_0$, xác nhận mô hình REM vượt trội hơn Pooled OLS.
  3. Kiểm định Hausman ($p < 0,05$): Bác bỏ giả thuyết $H_0$ (sự khác biệt hệ số không có tính hệ thống), khẳng định Fixed Effects Model (FEM) phù hợp hơn REM.
  4. Kiểm định Modified Wald ($p = 0,0000$): Bác bỏ $H_0$, mô hình xuất hiện hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
  5. Kiểm định Wooldridge ($p < 0,01$): Xác nhận có hiện tượng tự tương quan chuỗi trong dữ liệu.

Do cả hai khuyết tật đều xuất hiện trên mô hình FEM, nghiên cứu chuyển sang sử dụng mô hình FGLS (Feasible Generalized Least Squares) với tùy chọn panels(hetero) corr(ar1) để tạo ra ước lượng vững, hiệu quả và đáng tin cậy nhất.

Kết quả đạt được

Bảng tổng hợp thống kê mô tả mẫu nghiên cứu (2011 – 2021):

Biến số Ký hiệu Giá trị trung bình Độ lệch chuẩn Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
Tỷ suất sinh lời / Vốn CSH ROE 10,74% 8,87% -56,33% (TPB 2011) 30,00% (VIB 2021)
Quy mô tài sản (Logarithm) SIZE 5,1179 0,5047 4,2459 (SGB 2013) 6,2450 (BID 2021)
Tỷ lệ Vốn chủ sở hữu / TTS CAPITAL 9,07% 3,83% 2,62% (SCB 2020) 23,83% (SGB 2013)
Tỷ lệ Dư nợ cho vay / TTS LOAN 56,87% 12,00% 14,48% (TPB 2011) 78,81% (BID 2020)
Tỷ lệ Thanh khoản LIQUIDITY 14,00% 8,25% 2,15% (SGB) 38,40% (HDB 2013)
Cho vay / Huy động LDR 86,92% 18,35% 36,32% (MSB 2014) 178,93% (BAB 2011)
Chi phí / Thu nhập CIR 23,08% 6,82% 8,56% (SCB 2011) 56,42% (TPB 2011)
Tăng trưởng kinh tế GDP 5,65% 1,42% 2,58% (2021) 7,08% (2018)
Tỷ lệ Lạm phát INF 4,00% 4,78% 0,63% (2015) 18,58% (2011)

Phân tích kết quả tác động từ mô hình hồi quy FGLS:

  • SIZE (Quy mô ngân hàng): Tác động cùng chiều mạnh mẽ đến ROE ở mức ý nghĩa 1% ($p < 0,01$). Khi quy mô tăng 1%, ngân hàng mở rộng lợi thế kinh tế nhờ quy mô (Economies of Scale), tối ưu hóa mạng lưới chi nhánh và năng lực đàm phán vốn.
  • CAPITAL (Quy mô vốn CSH): Tác động cùng chiều có ý nghĩa thống kê ($p < 0,05$). Tỷ lệ vốn CSH cao giúp hạ thấp chi phí huy động rủi ro và giảm áp lực đòn bẩy.
  • LOAN (Quy mô tín dụng): Tác động cùng chiều ($p < 0,01$). Dư nợ tín dụng vẫn là động lực tạo lãi thuần (NII) chủ chốt cho hệ thống ngân hàng Việt Nam.
  • LIQUIDITY (Thanh khoản): Tác động ngược chiều ($p < 0,05$). Nắm giữ quá nhiều tài sản thanh khoản cao (tiền mặt, tiền gửi sinh lời thấp) làm phát sinh chi phí cơ hội và làm giảm ROE.
  • LDR (Tỷ lệ cho vay trên huy động): Tác động cùng chiều ($p < 0,01$). Mức độ sử dụng vốn huy động để cấp tín dụng càng hiệu quả thì lợi nhuận càng gia tăng.
  • CIR (Hiệu quả quản lý chi phí): Tác động ngược chiều rất mạnh ($p < 0,01$). Ngân hàng kiểm soát lãng phí chi phí vận hành sẽ gia tăng trực tiếp biên lợi nhuận ròng.
  • GDP (Tăng trưởng kinh tế): Tác động cùng chiều ($p < 0,05$). Môi trường kinh tế tăng trưởng mở rộng nhu cầu hấp thụ vốn và giảm nợ xấu.
  • INF (Lạm phát): Tác động cùng chiều ($p < 0,10$). Trong điều kiện lạm phát được dự báo trước, các ngân hàng điều chỉnh linh hoạt lãi suất cho vay danh nghĩa nhanh hơn tốc độ tăng chi phí vốn.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính hệ thống cao:

                  ĐÓNG GÓP CỦA CÔNG TRÌNH NGHIÊN CỨU
[ĐÓNG GÓP PHƯƠNG PHÁP & KỸ THUẬT]            [ĐÓNG GÓP THỰC TIỄN QUẢN TRỊ]
- Bộ dữ liệu chuẩn hóa 11 năm (2011-2021)    - Định lượng ranh giới đánh đổi
  bao quát trọn vẹn chu kỳ tái cơ cấu &        giữa Thanh khoản và Lợi nhuận
  cú sốc COVID-19.                           - Xác lập vai trò tối thượng của CIR
- Quy trình kiểm định khuyết tật chéo        - Cung cấp bộ tham số thực nghiệm
  và khắc phục triệt để bằng FGLS,             phục vụ xây dựng chiến lược ALM
  loại bỏ độ chệch của Pooled OLS/FEM.         cho 25 NHTM CP Việt Nam.

So sánh với các công trình nghiên cứu trước đây:

Tiêu chí so sánh Sehrish Gul et al. (2011) Trịnh Quốc Trung & Nguyễn Văn Sang (2013) Võ Minh Long (2019) Mô hình nghiên cứu này (2022)
Không gian & Thời gian mẫu 15 ngân hàng Pakistan (2005 – 2009) 39 NHTM Việt Nam (2005 – 2012) 20 NHTM Việt Nam (2008 – 2017) 25 NHTM CP Việt Nam (2011 – 2021)
Số quan sát 75 312 200 275 quan sát cân bằng
Kỹ thuật ước lượng chính Pooled OLS Tobit Regression FEM (ước lượng vững) FGLS (loại bỏ phương sai thay đổi & tự tương quan)
Biến số vĩ mô tích hợp GDP, Lạm phát Không xem xét vĩ mô Không xem xét vĩ mô Tích hợp đồng thời GDP và Lạm phát CPI
Bao quát biến cố đặc biệt Khủng hoảng 2008 Khủng hoảng tín dụng 2008 Hậu khủng hoảng Bao quát tái cơ cấu ngành & cú sốc COVID-19

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng

  1. Tái cơ cấu quy mô vốn và kiểm soát đòn bẩy (CAPITAL & SIZE): Kết quả chỉ ra việc mở rộng quy mô tài sản và củng cố đệm vốn chủ sở hữu giúp gia tăng hiệu quả sinh lời. Các ngân hàng cần chủ động tăng vốn cấp 1 thông qua chia cổ tức bằng cổ phiếu, phát hành cổ phiếu cho cổ đông chiến lược nước ngoài nhằm đáp ứng tỷ lệ an toàn vốn CAR theo chuẩn Basel II/Basel III.
  2. Chiến lược tối ưu hóa CIR thông qua Chuyển đổi số: Biến CIR tác động nghịch biến mạnh mẽ tới ROE. Việc tự động hóa quy trình nghiệp vụ (RPA), phát triển ngân hàng số (Digital Banking) giúp giảm chi phí nhân sự, giảm mạng lưới chi nhánh vật lý cồng kềnh, kéo giảm tỷ lệ CIR từ ngưỡng trung bình 23,08% xuống dưới 18,00%, trực tiếp cải thiện biên lợi nhuận ròng.
  3. Cân bằng thanh khoản và tối ưu hóa LDR: Tỷ lệ thanh khoản LIQUIDITY có mối quan hệ đánh đổi với lợi nhuận. Các ngân hàng cần chuyển dịch từ dự trữ tài sản thanh khoản thô sang áp dụng mô hình quản lý thanh khoản động, duy trì LDR quanh ngưỡng an toàn 80% – 85% theo quy định tại Thông tư 22/2019/TT-NHNN nhằm vừa đảm bảo an toàn chi trả vừa tối đa hóa thu nhập lãi thuần.

Lộ trình triển khai khuyến nghị chính sách

Giai đoạn 1 (Quý 1 - Quý 2): Tái cấu trúc chi phí & Tối ưu CIR

Giai đoạn 2 (Quý 3 - Quý 4): Tối ưu hóa phân bổ tài sản nợ - tài sản có (ALM)

Giai đoạn 3 (Dài hạn 1 - 3 năm): Củng cố vốn chủ sở hữu & Mở rộng quy mô bền vững

Hạn chế và hướng phát triển

  • Hạn chế về mô hình tĩnh: Mô hình hồi quy FGLS xử lý tốt phương sai thay đổi và tự tương quan nhưng chưa kiểm soát triệt để hiện tượng nội sinh (Endogeneity) tiềm ẩn giữa các biến tài chính (ví dụ: lợi nhuận giữ lại tác động ngược lại quy mô vốn chủ sở hữu).
  • Hạn chế về cấu trúc biến số: Nghiên cứu chưa đưa vào các biến số vi mô chuyên sâu như tỷ lệ nợ xấu (NPL), tỷ lệ chi phí dự phòng rủi ro tín dụng trên tổng dư nợ, hoặc tỷ trọng thu nhập ngoài lãi (Non-interest income ratio).
  • Hướng phát triển tiếp theo:
    1. Áp dụng mô hình hồi quy động Generalized Method of Moments (System GMM) 2 bước để giải quyết trọn vẹn biến nội sinh và độ trễ của lợi nhuận.
    2. Mở rộng chuỗi dữ liệu sau năm 2022 để đo lường biến động chu kỳ thắt chặt tiền tệ và khủng hoảng thị trường trái phiếu doanh nghiệp.
    3. Ứng dụng các thuật toán học máy (Machine Learning: Random Forest, XGBoost) trong dự báo khả năng sinh lời và cảnh báo sớm rủi ro mất cân đối thanh khoản.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận nguồn tài liệu mẫu mực về phương pháp nghiên cứu định lượng tài chính, nắm vững quy trình thực thi mô hình dữ liệu bảng trên Stata từ kiểm định lựa chọn mô hình đến xử lý khuyết tật bằng FGLS.
  • Chuyên viên phân tích dữ liệu tài chính & Lập trình viên FinTech: Hiểu rõ logic toán học đằng sau các chỉ số tài chính (ROE, CIR, LDR) để xây dựng hệ thống báo cáo quản trị BI (Business Intelligence) và mô hình hóa dữ liệu ALM.
  • Ban điều hành & Khối Quản trị Rủi ro NHTM: Sở hữu bộ bằng chứng thực nghiệm vững chắc để hoạch định chính sách cân đối vốn, kiểm soát chi phí vận hành và xây dựng hạn mức thanh khoản tối ưu.
  • Nhà nghiên cứu kinh tế lượng: Tham khảo nguồn kết quả thực nghiệm chuẩn mực cho thị trường ngân hàng đang phát triển tại Đông Nam Á giai đoạn 2011 – 2021.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lựa chọn mô hình FGLS thay vì dừng lại ở mô hình FEM?

Mô hình tác động cố định (FEM) kiểm soát được các đặc tính riêng biệt bất biến theo thời gian của từng ngân hàng. Tuy nhiên, dữ liệu bảng tài chính ngân hàng 11 năm thường xuyên vi phạm giả định về phương sai sai số đồng nhất (thông qua kiểm định Modified Wald, $p = 0,0000$) và tự tương quan chuỗi (kiểm định Wooldridge, $p < 0,01$). Ước lượng FGLS là kỹ thuật hiệu chỉnh bắt buộc để tạo ra các ước lượng tham số không chệch, có hiệu quả cao nhất (Best Linear Unbiased Estimator - BLUE).

2. Sự đánh đổi giữa tính thanh khoản (LIQUIDITY) và tỷ suất sinh lời (ROE) được giải thích như thế nào?

Kết quả hồi quy FGLS xác nhận LIQUIDITY mang dấu âm có ý nghĩa thống kê. Tiền mặt, tiền gửi tại NHNN và tiền gửi thanh khoản cao tại các TCTD khác có mức độ an toàn cao nhưng tỷ suất sinh lời rất thấp (hoặc gần bằng 0%). Khi ngân hàng dự trữ lượng tiền mặt quá mức an toàn cần thiết, chi phí cơ hội của dòng vốn tăng cao, làm giảm tổng thu nhập lãi và kéo giảm ROE.

3. Tỷ lệ LDR trung bình 86,92% phản ánh điều gì về khẩu vị rủi ro của các NHTM Việt Nam?

Tỷ lệ LDR trung bình 86,92% (có thời điểm lên đến 178,93% ở BAB năm 2011) cho thấy các NHTM cổ phần tại Việt Nam phụ thuộc rất lớn vào tín dụng để tạo lợi nhuận, đồng thời sử dụng các nguồn vốn liên ngân hàng và phát hành giấy tờ có giá để bù đắp phần cho vay vượt quá huy động tiền gửi dân cư. Điều này thúc đẩy lợi nhuận trong ngắn hạn nhưng tiềm ẩn rủi ro thanh khoản hệ thống khi thị trường tiền tệ biến động.

4. Yếu tố nào đóng vai trò then chốt nhất giúp nhà quản trị ngân hàng cải thiện ROE ngay lập tức?

Biến CIR (Chi phí hoạt động / Tổng thu nhập hoạt động) có tác động nghịch chiều mạnh mẽ và trực tiếp nhất. Khác với các yếu tố vĩ mô (GDP, lạm phát) nằm ngoài tầm kiểm soát hoặc quy mô vốn cần lộ trình dài hạn, việc tối ưu hóa quy trình kinh doanh, tinh giản bộ máy và ứng dụng công nghệ ngân hàng số để hạ thấp CIR là đòn bẩy nội tại nhanh nhất để gia tăng lợi nhuận sau thuế.

5. Tại sao lạm phát (INF) lại có tương quan cùng chiều với ROE trong mô hình?

Trong giai đoạn nghiên cứu, khi lạm phát gia tăng nhưng được NHNN và các ngân hàng dự báo kịp thời, các NHTM có xu hướng điều chỉnh tăng lãi suất cho vay đầu ra nhanh hơn và với biên độ lớn hơn so với tốc độ điều chỉnh lãi suất huy động đầu vào, giúp mở rộng biên thu nhập lãi thuần (NIM), từ đó làm tăng tỷ suất sinh lời ROE.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Nguyễn Vân Như đã giải quyết toàn diện bài toán định lượng về các yếu tố tác động đến khả năng sinh lời của hệ thống Ngân hàng Thương mại Cổ phần Việt Nam giai đoạn 2011 – 2021. Bằng việc xây dựng bộ dữ liệu bảng 275 quan sát và áp dụng quy trình kiểm định kinh tế lượng khắt khe từ Pooled OLS, FEM/REM đến FGLS trên phần mềm Stata 16.0, nghiên cứu đã chứng minh:

  • Quy mô tài sản (SIZE), Quy mô vốn chủ sở hữu (CAPITAL), Tín dụng (LOAN), Tỷ lệ cho vay trên huy động (LDR), Tăng trưởng kinh tế (GDP) và Lạm phát (INF) có tác động tích cực, thúc đẩy tỷ suất sinh lời trên vốn chủ sở hữu (ROE).
  • Tỷ lệ thanh khoản (LIQUIDITY) và Tỷ lệ chi phí hoạt động trên doanh thu (CIR) có tác động tiêu cực, kìm hãm năng lực sinh lời của ngân hàng.

Những phát hiện này cung cấp cơ sở khoa học và thực nghiệm vững chắc cho các nhà quản trị ngân hàng trong việc cân đối hài hòa giữa bài toán mở rộng quy mô tín dụng, đầu tư công nghệ số hóa để hạ thấp CIR và duy trì bộ đệm vốn an toàn nhằm phát triển bền vững trước mọi biến động kinh tế vĩ mô.