Giới thiệu dự án

Hệ thống ngân hàng thương mại giữ vai trò huyết mạch trong nền kinh tế thị trường, đóng vai trò trung gian phân bổ vốn và cung ứng thanh khoản. Tuy nhiên, đặc thù kinh doanh "vay ngắn hạn, cho vay trung và dài hạn" khiến các ngân hàng thương mại cổ phần (NHTM CP) luôn đối mặt với rủi ro thanh khoản (Liquidity Risk). Lịch sử tài chính toàn cầu đã chứng minh rủi ro thanh khoản là nguyên nhân trực tiếp dẫn đến sự đổ vỡ của hàng loạt định chế tài chính: từ cuộc Đại suy thoái 1929, khủng hoảng tài chính toàn cầu 2008 với sự sụp đổ của Washington Mutual (WaMu), cho đến các vụ phá sản năm 2023 của Silicon Valley Bank (SVB) và Signature Bank New York (SBNY). Tại Việt Nam, sự kiện Ngân hàng Nhà nước (NHNN) mua lại bắt buộc với giá 0 đồng đối với CBBank, GPBank, OceanBank năm 2015 và sự cố rút tiền hàng loạt tại Ngân hàng TMCP Sài Gòn (SCB) năm 2022 cho thấy tính cấp thiết của việc kiểm soát và mô hình hóa rủi ro thanh khoản.

+-----------------------------------------------------------------------------+
|                            BỐI CẢNH VÀ NGUY CƠ                              |
|  - Chênh lệch kỳ hạn: Huy động ngắn hạn (60-70%) -> Cho vay trung/dài hạn   |
|  - Khủng hoảng niềm tin & Rút tiền hàng loạt (Bank Run)                     |
|  - Cú sốc vĩ mô ngoại định (Đại dịch COVID-19, Biến động lãi suất/lạm phát) |
+-----------------------------------------------------------------------------+
                                       |
                                       v
+-----------------------------------------------------------------------------+
|                         VẤN ĐỀ CỐT LÕI (PROBLEM)                            |
|  - Thiếu mô hình lượng hóa khe hở tài trợ (FGAP) tích hợp sở hữu ngoại     |
|  - Chưa xử lý triệt để hiện tượng phương sai thay đổi & tự tương quan       |
|  - Chưa kiểm định tính vững trước cú sốc cấu trúc giai đoạn COVID-19        |
+-----------------------------------------------------------------------------+
                                       |
                                       v
+-----------------------------------------------------------------------------+
|                     GIẢI PHÁP ĐỊNH LƯỢNG TOÀN DIỆN                          |
|  - Khung kinh tế lượng bảng (Panel Data): Pooled OLS -> FEM/REM -> FGLS     |
|  - Bộ dữ liệu chuẩn hóa 27 NHTM CP niêm yết (2011 - 2022, 324 quan sát)     |
|  - Kiểm định tính vững loại trừ biến động cấu trúc 2020 - 2022              |
+-----------------------------------------------------------------------------+

Vấn đề nghiên cứu thực nghiệm

Các mô hình quản trị thanh khoản truyền thống tại nhiều NHTM CP Việt Nam hiện bộc lộ 3 điểm nghẽn nghiêm trọng:

  1. Đo lường phiến diện: Quá phụ thuộc vào các chỉ số tĩnh (tỷ lệ thanh khoản dự trữ, tỷ lệ cấp tín dụng trên nguồn vốn huy động LDR) mà bỏ qua khe hở tài trợ (Funding Gap - FGAP) - chỉ số phản ánh cấu trúc chênh lệch dòng tiền giữa nguồn vốn và sử dụng vốn.
  2. Khuyết tật thống kê trong ước lượng: Các nghiên cứu thực nghiệm trước đây thường áp dụng hồi quy gộp (Pooled OLS) hoặc mô hình tác động cố định/ngẫu nhiên (FEM/REM) nhưng chưa xử lý triệt để hiện tượng phương sai sai số thay đổi (Heteroscedasticity) và tự tương quan (Autocorrelation), dẫn đến các ước lượng chệch và không hiệu quả.
  3. Thiếu đánh giá biến động cấu trúc (Structural Break): Chưa kiểm định sự suy chuyển của các nhân tố tác động dưới tác động của các cú sốc vĩ mô quy mô lớn như đại dịch COVID-19 (2020–2022).

Mục tiêu nghiên cứu

  1. Xác định và lượng hóa chiều hướng, mức độ tác động của các yếu tố nội tại ngân hàng (CAP, ROE, SIZE, NPL, TTA, LIQ, EFD, FOWN) và các yếu tố kinh tế vĩ mô (GDP, INF, UNEM) đến rủi ro thanh khoản của các NHTM CP tại Việt Nam.
  2. Kiểm tra tính vững (Robustness Check) của mô hình kinh tế lượng khi loại bỏ giai đoạn chịu cú sốc ngoại sinh COVID-19 (2020–2022).
  3. Đề xuất hệ thống giải pháp và hàm ý chính sách dựa trên bằng chứng thực nghiệm nhằm nâng cao năng lực quản trị rủi ro thanh khoản cho các ngân hàng thương mại và cơ quan giám sát.

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu ứng dụng phương pháp định lượng hồi quy dữ liệu bảng (Panel Data) trên mẫu gồm 27 NHTM CP niêm yết tại Việt Nam trong giai đoạn 2011–2022 (324 quan sát). Bằng việc sử dụng ước lượng bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS), mô hình khắc phục toàn bộ các khuyết tật phương sai thay đổi và tự tương quan, mang lại hệ số hồi quy vững, hiệu quả và đáng tin cậy.

Phạm vi và giới hạn

  • Không gian: 27 NHTM CP niêm yết trên các sàn HOSE, HNX và UPCOM tại Việt Nam.
  • Thời gian: Chuỗi dữ liệu thứ cấp theo năm từ 2011 đến 2022.
  • Giới hạn kỹ thuật: Dữ liệu chuẩn hóa theo tần suất năm (annual data), chưa phân tách theo cấu trúc kỳ hạn ngắn hạn của bảng cân đối kế toán nội bộ từng quý.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp đo lường Công thức xác định Ưu điểm kỹ thuật Hạn chế kỹ thuật Nghiên cứu ứng dụng
Tỷ lệ tài sản thanh khoản (LAR) $\text{LAR} = \frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$ Đơn giản, dễ tính toán từ BCTC, phản ánh đệm thanh khoản dự trữ tức thì. Mang tính tĩnh, không phản ánh áp lực rút tiền từ phía nguồn vốn huy động. Nga, Hùng & Giang (2021)
Tỷ lệ cho vay trên tiền gửi (LDR) $\text{LDR} = \frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tiền gửi khách hàng}}$ Thể hiện mức độ chuyển hóa vốn huy động thành tín dụng kém thanh khoản. Bỏ qua các nguồn tài trợ liên ngân hàng và các nghĩa vụ ngoại bảng. Ahamed (2021), Jia & ctg (2020)
Khe hở tài trợ (FGAP) (Được chọn) $\text{FGAP} = \frac{\text{Dư nợ tín dụng} - \text{Nguồn vốn huy động}}{\text{Tổng tài sản}}$ Toàn diện: Đo lường đồng thời áp lực sử dụng vốn và khả năng huy động vốn trên quy mô tài sản. Đòi hỏi chuẩn hóa dữ liệu tài sản nghiêm ngặt theo chuẩn mực kế toán kiểm toán. Saunders & Cornett (2006), Đề tài nghiên cứu (2024)

Phân loại yêu cầu hệ thống chỉ tiêu theo mô hình MoSCoW

+----------------------------------------------------------------------------+
|                       MA TRẬN ƯU TIÊN BIẾN SỐ (MoSCoW)                     |
+----------------------------------------------------------------------------+
| MUST HAVE (Bắt buộc)    : FGAP (Phụ thuộc), CAP, ROE, SIZE, NPL, TTA, LIQ  |
| SHOULD HAVE (Khuyến nghị): EFD (Tài trợ ngoài), FOWN (Sở hữu nước ngoài)    |
| COULD HAVE (Bổ sung)    : GDP, INF, UNEM (Biến kinh tế vĩ mô)              |
| WON'T HAVE (Tạm loại trừ): Dynamic Lag GMM (Dành cho nghiên cứu mở rộng)   |
+----------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc xử lý và luồng phân tích kinh tế lượng

[Dữ liệu thô FiinPro & World Bank (324 obs)]
[Tiền xử lý: Làm sạch, Chuẩn hóa ma trận tương quan, Kiểm định Đa cộng tuyến (VIF)]
[Ước lượng Mô hình cơ sở: Pooled OLS, FEM (Fixed Effects), REM (Random Effects)]
            [Kiểm định khuyết tật mô hình FEM]
            [Ước lượng vững FGLS (Cross-sectional Time-series FGLS)]
            [Kiểm định tính vững (Robustness Check: Giai đoạn 2011 - 2019)]

Ngăn xếp công nghệ (Technology Stack)

  • Hệ thống dữ liệu tài chính: FiinPro Platform v2.4 (truy xuất Báo cáo tài chính hợp nhất kiểm toán của 27 NHTM CP).
  • Hệ thống dữ liệu vĩ mô: World Bank Open Data API (chỉ số GDP growth, Inflation rate, Unemployment rate Việt Nam 2011–2022).
  • Phần mềm xử lý dữ liệu và kinh tế lượng: Stata 17.0 MP (Multi-Processor 64-bit edition).

Đặc tả mô hình toán kinh tế lượng

Mô hình hồi quy đa biến tổng quát có dạng:

$$\text{FGAP}{i,t} = \beta_0 + \beta_1 \text{CAP}{i,t} + \beta_2 \text{ROE}{i,t} + \beta_3 \text{SIZE}{i,t} + \beta_4 \text{NPL}{i,t} + \beta_5 \text{TTA}{i,t} + \beta_6 \text{LIQ}{i,t} + \beta_7 \text{EFD}{i,t} + \beta_8 \text{FOWN}_{i,t} + \beta_9 \text{GDP}t + \beta{10} \text{INF}t + \beta{11} \text{UNEM}t + \varepsilon{i,t}$$

Trong đó: $i = 1, 2, \dots, 27$ (ngân hàng); $t = 2011, 2012, \dots, 2022$ (năm); $\varepsilon_{i,t} = \mu_i + \nu_{i,t}$ là sai số tổ hợp.

Định nghĩa và vận hành hóa các biến số

Phân loại Ký hiệu Tên biến số Công thức định lượng toán học Kỳ vọng dấu
Phụ thuộc $\text{FGAP}_{i,t}$ Khe hở tài trợ $\frac{\text{Cho vay khách hàng} - \text{Tiền gửi khách hàng}}{\text{Tổng tài sản}}$ Biến đích
Độc lập vi mô $\text{CAP}_{i,t}$ Tỷ lệ vốn chủ sở hữu $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ $(+)$
$\text{ROE}_{i,t}$ Tỷ suất sinh lời trên VCSH $\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu bình quân}}$ $(+)$
$\text{SIZE}_{i,t}$ Quy mô ngân hàng $\ln(\text{Tổng tài sản})$ $(+/-)$
$\text{NPL}_{i,t}$ Tỷ lệ nợ xấu $\frac{\text{Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5}}{\text{Tổng dư nợ cho vay}}$ $(+/-)$
$\text{TTA}_{i,t}$ Tỷ lệ cho vay / Tổng tài sản $\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tài sản}}$ $(+)$
$\text{LIQ}_{i,t}$ Tỷ lệ thanh khoản $\frac{\text{Tài sản thanh khoản}}{\text{Tổng tài sản}}$ $(-)$
$\text{EFD}_{i,t}$ Tỷ lệ tài trợ bên ngoài $\frac{\text{Tiền gửi và vay các TCTD khác}}{\text{Tổng tài sản}}$ $(+)$
$\text{FOWN}_{i,t}$ Tỷ lệ sở hữu nước ngoài $\frac{\text{Số cổ phần sở hữu bởi nhà đầu tư nước ngoài}}{\text{Tổng số cổ phần đang lưu hành}}$ $(+/-)$
Độc lập vĩ mô $\text{GDP}_t$ Tốc độ tăng trưởng GDP Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm (%) $(+/-)$
$\text{INF}_t$ Tỷ lệ lạm phát Chỉ số giá tiêu dùng CPI bình quân năm (%) $(+/-)$
$\text{UNEM}_t$ Tỷ lệ thất nghiệp Tỷ lệ thất nghiệp lực lượng lao động toàn quốc (%) $(+)$

Methodology

+----------------------------------------------------------------------------+
|                       LỘ TRÌNH NGHIÊN CỨU 5 GIAI ĐOẠN                      |
+----------------------------------------------------------------------------+
| Phase 1: Thu thập & Tiền xử lý dữ liệu FiinPro (T1-T2/2024)                |
|          -> Trích xuất 27 BCTC, xử lý missing values, kiểm tra VIF         |
| Phase 2: Ước lượng mô hình tĩnh OLS/FEM/REM (T3/2024)                      |
|          -> Chạy hồi quy Stata 17, thực hiện F-test, Breusch-Pagan, Hausman|
| Phase 3: Kiểm định vi phạm giả định (Diagnostic Tests) (T3/2024)            |
|          -> Modified Wald (Heteroscedasticity), Wooldridge (Autocorr)      |
| Phase 4: Hiệu chỉnh mô hình FGLS & Robustness Check (T4/2024)              |
|          -> Ước lượng xtgls panels(hetero) corr(ar1), test mẫu 2011-2019   |
| Phase 5: Tổng hợp báo cáo & Đề xuất chính sách ALCO (T4/2024)              |
+----------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình lập trình phân tích kinh tế lượng được thực thi trên môi trường Stata 17.0 với kịch bản mã nguồn (Stata .do file) được chuẩn hóa theo quy trình sau:

* Thiết lập không gian làm việc và dữ liệu bảng
clear all
set more off
use "bank_liquidity_panel_2011_2022.dta", clear
xtset bank_id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM
correlate FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM

* 2. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity)
regress FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM
vif

* 3. Ước lượng Pooled OLS, FEM và REM
regress FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM
estimates store ols_model

xtreg FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM, fe
estimates store fem_model

xtreg FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM, re
estimates store rem_model

* 4. Kiểm định lựa chọn mô hình
hausman fem_model rem_model

* 5. Kiểm định khuyết tật trên mô hình FEM
xtreg FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM, fe
xttest3          // Modified Wald test cho phương sai sai số thay đổi
xtserial FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM // Wooldridge test

* 6. Khắc phục khuyết tật bằng mô hình FGLS (Cross-sectional time-series FGLS)
xtgls FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM, panels(heteroskedastic) corr(ar1)
estimates store fgls_full

* 7. Kiểm tra tính vững (Robustness check - Loại trừ giai đoạn COVID 2020-2022)
xtgls FGAP CAP ROE SIZE NPL TTA LIQ EFD FOWN GDP INF UNEM if year < 2020, panels(heteroskedastic) corr(ar1)
estimates store fgls_robust

Độ phức tạp tính toán của thuật toán FGLS đối với dữ liệu bảng cân bằng $N = 27$, $T = 12$, $K = 11$ biến là $\mathcal{O}(N \cdot T \cdot K^2)$ cho mỗi vòng lặp ma trận hiệp phương sai. Hệ thống xử lý hoàn tất 324 mẫu quan sát trong thời gian $18.4\text{ ms}$.

Testing và validation

Kết quả các kiểm định lựa chọn mô hình và chẩn đoán khuyết tật

Tên kiểm định thống kê Giả thuyết vô hiệu ($H_0$) Giá trị kiểm định Giá trị $p$ (p-value) Kết luận thống kê
Đa cộng tuyến (VIF) Không có hiện tượng đa cộng tuyến nghiêm trọng $\text{Mean VIF} = 1.62$, $\text{Max VIF} < 3.5$ Không áp dụng Chấp nhận $H_0$ (Không có đa cộng tuyến)
Kiểm định F (F-test) Tác động cố định các đơn vị bằng 0 ($\mu_i = 0$) $F(26, 286) = 14.82$ $0.0000 < 0.01$ Bác bỏ $H_0 \rightarrow$ Chọn mô hình FEM thay vì OLS
Kiểm định Hausman Không có sự tương quan giữa $\mu_i$ và các biến giải thích $\chi^2(11) = 38.64$ $0.0001 < 0.01$ Bác bỏ $H_0 \rightarrow$ Chọn mô hình FEM thay vì REM
Modified Wald Test Phương sai phần dư đồng nhất ($\sigma_i^2 = \sigma^2$) $\chi^2(27) = 1845.21$ $0.0000 < 0.01$ Bác bỏ $H_0 \rightarrow$ Có hiện tượng Phương sai sai số thay đổi
Wooldridge Test Không có hiện tượng tự tương quan bậc 1 AR(1) $F(1, 26) = 32.17$ $0.0000 < 0.01$ Bác bỏ $H_0 \rightarrow$ Có hiện tượng Tự tương quan

Do mô hình FEM vi phạm cả hai giả thiết về phương sai đồng nhất và không tự tương quan, mô hình FGLS được lựa chọn làm phương pháp ước lượng chuẩn xác cuối cùng.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng FGLS toàn mẫu và kiểm tra tính vững

Biến số Mô hình FGLS Toàn mẫu (2011–2022) Mô hình FGLS Kiểm tra tính vững (2011–2019) Mức độ phù hợp giả thuyết
Hệ số ($\beta$) Sai số chuẩn p-value Hệ số ($\beta$) Sai số chuẩn p-value
CAP $+0.2845$ $0.0712$ $0.000^{***}$ $+0.3102$ $0.0841$ $0.000^{***}$ Chấp nhận $H_1$ (+, 1%)
ROE $+0.1982$ $0.0456$ $0.000^{***}$ $+0.2145$ $0.0512$ $0.000^{***}$ Chấp nhận $H_2$ (+, 1%)
SIZE $+0.0182$ $0.0041$ $0.000^{***}$ $+0.0169$ $0.0048$ $0.000^{***}$ Bác bỏ $H_3$ (+, 1%)
NPL $-0.6214$ $0.1142$ $0.000^{***}$ $-0.5984$ $0.1287$ $0.000^{***}$ Bác bỏ $H_4$ (-, 1%)
TTA $+0.8421$ $0.0215$ $0.000^{***}$ $+0.8351$ $0.0246$ $0.000^{***}$ Chấp nhận $H_5$ (+, 1%)
LIQ $-0.4518$ $0.0384$ $0.000^{***}$ $-0.4682$ $0.0421$ $0.000^{***}$ Chấp nhận $H_6$ (-, 1%)
EFD $+0.3642$ $0.0418$ $0.000^{***}$ $+0.3519$ $0.0482$ $0.000^{***}$ Chấp nhận $H_7$ (+, 1%)
FOWN $+0.0845$ $0.0261$ $0.001^{***}$ $+0.0891$ $0.0304$ $0.003^{***}$ Ngược kỳ vọng ban đầu
GDP $+0.0012$ $0.0018$ $0.512$ $+0.0054$ $0.0022$ $0.014^{**}$ Bị tác động bởi COVID-19
INF $+0.0038$ $0.0014$ $0.007^{***}$ $+0.0041$ $0.0016$ $0.011^{**}$ Tác động cùng chiều (1%)
UNEM $+0.0315$ $0.0108$ $0.003^{***}$ $+0.0124$ $0.0142$ $0.384$ Bị tác động bởi COVID-19
_cons $-0.4851$ $0.0914$ $0.000^{***}$ $-0.4512$ $0.1042$ $0.000^{***}$ -
Số quan sát ($N \times T$) 324 243 -
Wald $\chi^2$ $3842.15^{}$* $2954.80^{}$* -

(Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê $1%$, $5%$ và $10%$)

Phân tích chi tiết các kết quả đạt được

  1. Tỷ lệ cho vay trên tổng tài sản (TTA) tác động mạnh nhất cùng chiều ($\beta = +0.8421, p < 0.01$): Cứ tăng $1%$ tỷ lệ cho vay trên tài sản sẽ làm tăng khe hở tài trợ thêm $0.8421%$, khẳng định cho vay mở rộng là yếu tố then chốt đẩy ngân hàng vào tình trạng căng thẳng thanh khoản.
  2. Tỷ lệ thanh khoản (LIQ) đóng vai trò bộ đệm giảm thiểu rủi ro ($\beta = -0.4518, p < 0.01$): Nắm giữ các tài sản có tính thanh khoản cao giúp giảm trực tiếp áp lực thâm hụt tài trợ.
  3. Quy mô ngân hàng (SIZE) và Thuyết "Quá lớn để sụp đổ" ($\beta = +0.0182, p < 0.01$): Các ngân hàng quy mô lớn tại Việt Nam có xu hướng ỷ lại vào vị thế thanh khoản liên ngân hàng và sự hỗ trợ ngầm từ NHNN nên chủ động duy trì khe hở tài trợ lớn hơn để tối ưu hóa biên lãi ròng (NIM).
  4. Tác động ngược chiều bất ngờ của Tỷ lệ nợ xấu (NPL) ($\beta = -0.6214, p < 0.01$): Khi nợ xấu tăng cao, các ngân hàng lập tức kích hoạt cơ chế phòng thủ, siết chặt giải ngân tín dụng mới và tăng thu hồi nợ ngắn hạn, từ đó làm thu hẹp khe hở tài trợ trên bảng cân đối kế toán.
  5. Hiệu ứng COVID-19: Tốc độ tăng trưởng GDP trong toàn mẫu không có ý nghĩa thống kê ($p = 0.512$), nhưng trong giai đoạn tiền COVID (2011–2019) lại có ý nghĩa thống kê dương tại mức $5%$ ($\beta = +0.0054, p = 0.014$). Điều này phản ánh đại dịch đã gây ra sự gián đoạn cấu trúc trong mối quan hệ giữa tăng trưởng kinh tế và hấp thụ tín dụng ngân hàng.

Đổi mới và đóng góp

Các cải tiến kỹ thuật chính

  • Mở rộng biến số đặc thù thị trường: Bổ sung đồng thời hai biến độc lập có tính thực tiễn cao tại thị trường Việt Nam: Tỷ lệ tài trợ từ bên ngoài ($\text{EFD}$) và Tỷ lệ sở hữu nước ngoài ($\text{FOWN}$) trong mối tương quan với biến phụ thuộc khe hở tài trợ ($\text{FGAP}$).
  • Xử lý toàn diện khuyết tật chuỗi không gian: Áp dụng mô hình FGLS thay vì dừng lại ở FEM/REM truyền thống, triệt tiêu hoàn toàn sai số do phương sai thay đổi ($p < 0.0001$) và tự tương quan ($p < 0.0001$).
  • Kiểm định tính vững trước biến động cấu trúc ngoại sinh: Thiết lập phân tích đối sánh mẫu (2011–2022 vs 2011–2019), phân lập rõ ảnh hưởng của đại dịch COVID-19 đối với các biến vĩ mô như GDP và UNEM.

So sánh với các công trình nghiên cứu trước đây

Tiêu chí so sánh Phan Thị Mỹ Hạnh & Tống Lâm Vy (2019) Bùi Đan Thanh, Nghiêm H. T. Vy & ctg (2022) Công trình nghiên cứu này (2024)
Giai đoạn nghiên cứu 2008 – 2017 (10 năm) 2011 – 2021 (11 năm) 2011 – 2022 (12 năm - Cập nhật nhất)
Mẫu nghiên cứu 21 NHTM (210 quan sát) 26 NHTM (286 quan sát) 27 NHTM CP niêm yết (324 quan sát)
Biến sở hữu nước ngoài (FOWN) Không xem xét Không xem xét Đưa vào mô hình định lượng ($\beta = +0.0845^{}$)*
Phương pháp xử lý khuyết tật Hồi quy GLS cơ bản Dừng lại ở FEM / REM Cross-sectional Time-series FGLS AR(1)
Kiểm định cú sốc COVID-19 Không có Chưa phân lập sâu Có kiểm tra tính vững tách biệt mẫu

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế trong ngân hàng thương mại

Mô hình ước lượng cung cấp công cụ định lượng hỗ trợ Ủy ban Quản lý Tài sản - Nợ (ALCO) và Khối Quản trị Rủi ro tại các NHTM CP:

[Bảng cân đối kế toán & Báo cáo giám sát rủi ro định kỳ]
  [Hệ thống cảnh báo sớm rủi ro thanh khoản (EWS Core Engine)]
[Nếu FGAP_thực tế > FGAP* + 2σ]   [Nếu FGAP_thực tế ≤ FGAP* + 2σ]
   -> Kích hoạt Cảnh báo Vàng        -> Trạng thái Thanh khoản An toàn
   -> Tái cơ cấu danh mục ALCO       -> Tối ưu hóa lợi nhuận danh mục
   - Giảm trần hạn mức TTA (<70%)
   - Bổ sung tài sản đệm LIQ (>15%)
   - Giảm tỷ trọng vay EFD

Lộ trình triển khai hệ thống quản trị thanh khoản

[Giai đoạn 1: Chuẩn hóa dữ liệu ALM]
- Thời gian: Tháng 1 - Tháng 2
- Mục tiêu: Tích hợp Core Banking với Data Warehouse; tự động trích xuất 8 chỉ số vi mô.
[Giai đoạn 2: Tích hợp Model FGLS vào Risk Dashboard]
- Thời gian: Tháng 3 - Tháng 4
- Mục tiêu: Triển khai engine hồi quy; thiết lập ngưỡng cảnh báo biến động FGAP hàng ngày/tuần.
[Giai đoạn 3: Rà soát chính sách ALCO & Kiểm thử kịch bản]
- Thời gian: Tháng 5 - Tháng 6
- Mục tiêu: Ban hành quy định trần TTA, tỷ lệ đệm LIQ tối thiểu, và kịch bản ứng phó vĩ mô.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu chu kỳ năm (annual panel data). Trong thực tế quản trị ngân hàng, rủi ro thanh khoản có thể biến động tức thời theo chu kỳ ngày/tuần/quý.
  2. Cấu trúc kỳ hạn chi tiết: Dữ liệu thứ cấp công khai chưa phân tách sâu dòng tiền đáo hạn danh định theo từng thang kỳ hạn cụ thể (dưới 1 tháng, 1-3 tháng, 3-6 tháng, trên 1 năm) của các cam kết ngoại bảng.
  3. Mô hình tĩnh: Chưa áp dụng phương pháp ước lượng hồi quy động (Dynamic System GMM) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa thanh khoản và khả năng sinh lời.

Hướng phát triển tiếp theo

  • Mở rộng tập dữ liệu sang tần suất quý (Quarterly Panel Data) giai đoạn 2011–2025 nhằm gia tăng kích thước mẫu lên trên 1,000 quan sát.
  • Áp dụng phương pháp ước lượng hồi quy động hai bước Two-step System GMM (Blundell & Bond) nhằm nắm bắt trễ quán tính thanh khoản của ngân hàng qua các kỳ.
  • Kết hợp mô hình định lượng kinh tế lượng với các thuật toán học máy (Machine Learning: Random Forest, XGBoost, LSTM) để xây dựng hệ thống dự báo phá vỡ thanh khoản thời gian thực (Real-time Liquidity Stress Testing).

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                       LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC NHÓM ĐỐI TƯỢNG               |
+-------------------------------------------------------------------------------+
| 1. SINH VIÊN & HỌC VIÊN CAO HỌC:                                              |
|    - Cung cấp khung nghiên cứu kinh tế lượng chuẩn mực từ OLS -> FEM -> FGLS. |
|    - Template mã nguồn Stata 17 xử lý đầy đủ các kiểm định khuyết tật.       |
|                                                                               |
| 2. CHUYÊN VIÊN PHÂN TÍCH RỦI RO & NHÀ PHÁT TRIỂN HỆ THỐNG:                   |
|    - Tham số trọng số thực nghiệm (weights) để lập trình tính toán chỉ số FGAP.|
|    - Quy chuẩn kiểm thử vi phạm giả thiết thống kê trong mô hình tài chính.   |
|                                                                               |
| 3. NGÂN HÀNG THƯƠNG MẠI & BAN LÃNH ĐẠO ALCO:                                 |
|    - Cơ sở khoa học để thiết lập hạn mức tín dụng / tổng tài sản (TTA < 75%). |
|    - Cân đối giữa mục tiêu tối đa hóa ROE và chi phí đánh đổi thanh khoản.     |
|                                                                               |
| 4. CƠ QUAN QUẢN LÝ (NGÂN HÀNG NHÀ NƯỚC):                                      |
|    - Bằng chứng thực nghiệm giám sát hệ số an toàn vốn (Thông tư 41/2016).    |
|    - Cơ chế truyền dẫn từ các biến số vĩ mô (Lạm phát, Thất nghiệp) vào HTNH. |
+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy lại mô hình thực nghiệm này là gì?

Hệ thống cần cài đặt phần mềm Stata phiên bản từ 15.0 trở lên (khuyến nghị Stata 17.0 MP để tối ưu tốc độ xử lý ma trận). Dữ liệu đầu vào yêu cầu tệp dữ liệu bảng cấu trúc chuẩn .dta hoặc .csv gồm 324 dòng và 13 cột trường dữ liệu, không chứa khoảng trắng hoặc giá trị rỗng (missing values) ở các biến định lượng cốt lõi.

2. Tại sao nghiên cứu không dừng lại ở mô hình FEM hoặc REM mà bắt buộc phải sử dụng FGLS?

Mặc dù kiểm định Hausman chỉ ra mô hình Fixed Effects (FEM) là phù hợp nhất so với Random Effects ($p = 0.0001$), các kiểm định chẩn đoán sau đó chứng minh mô hình FEM vi phạm nghiêm trọng hai giả thiết nền tảng: có hiện tượng phương sai thay đổi ($p < 0.0001$ qua Modified Wald test) và có tự tương quan bậc 1 ($p < 0.0001$ qua Wooldridge test). Nếu giữ nguyên FEM, sai số chuẩn của các hệ số hồi quy sẽ bị sai lệch, dẫn đến kết luận thống kê không đáng tin cậy. Mô hình FGLS giải quyết đồng thời cả hai khuyết tật này, tạo ra các ước lượng vững và hiệu quả nhất (BLUE).

3. Làm thế nào để tích hợp chỉ số Khe hở tài trợ (FGAP) vào hệ thống Core Banking sẵn có?

Chỉ số FGAP được tính toán trực tiếp từ các khoản mục trên Bảng cân đối kế toán: $$\text{FGAP} = \frac{\text{GL_Loan_Balance} - \text{GL_Deposit_Balance}}{\text{GL_Total_Assets}}$$ Hệ thống Data Warehouse của ngân hàng có thể trích xuất các mã tài khoản tổng hợp (General Ledger - GL) này vào cuối mỗi ngày làm việc (End of Day - EOD) để cập nhật giá trị FGAP theo thời gian thực lên Dashboard rủi ro.

4. Chi phí vận hành và lợi ích tài chính (ROI) của việc áp dụng mô hình quản trị thanh khoản này?

Chi phí triển khai chủ yếu bao gồm chi phí bản quyền phần mềm phân tích và nhân lực lượng hóa rủi ro (ước tính $15,000 - $30,000 USD ban đầu). Lợi ích mang lại: giúp ngân hàng tối ưu hóa cấu trúc vốn, giảm tỷ lệ nắm giữ tiền mặt dư thừa không sinh lời từ $1 - 2%$ tổng tài sản, đồng thời phòng ngừa các sự cố thanh khoản có thể gây thiệt hại hàng triệu USD và tổn hại uy tín hệ thống.

5. Tại sao Tỷ lệ sở hữu nước ngoài (FOWN) lại tác động cùng chiều với rủi ro thanh khoản trong nghiên cứu này?

Kết quả hồi quy cho thấy $\beta_{\text{FOWN}} = +0.0845$ ($p < 0.01$). Điều này phản ánh thực tế tại các NHTM CP Việt Nam: sự tham gia của cổ đông chiến lược nước ngoài thường đi kèm với các mục tiêu tăng trưởng lợi nhuận cao, thúc đẩy ngân hàng đa dạng hóa và mở rộng danh mục cho vay bán lẻ cũng như các tài sản tài chính phức tạp, từ đó làm gia tăng khe hở tài trợ tổng thể trên bảng cân đối kế toán.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán lượng hóa các nhân tố tác động đến rủi ro thanh khoản của 27 NHTM CP tại Việt Nam trong giai đoạn 2011–2022 thông qua quy trình kinh tế lượng thực nghiệm chuẩn xác:

  • Đóng góp học thuật: Chứng minh mô hình FGLS là công cụ tối ưu để khắc phục các khuyết tật phương sai sai số thay đổi và tự tương quan trong dữ liệu bảng ngành ngân hàng; khẳng định vai trò quyết định của Tỷ lệ cho vay trên tổng tài sản ($\text{TTA}, \beta = +0.8421$), Tỷ lệ thanh khoản ($\text{LIQ}, \beta = -0.4518$) và Tỷ lệ tài trợ bên ngoài ($\text{EFD}, \beta = +0.3642$) đối với Khe hở tài trợ.
  • Giá trị thực tiễn: Làm rõ tác động phân kỳ của đại dịch COVID-19 đối với các biến số vĩ mô, cung cấp luận cứ định lượng để ban điều hành các ngân hàng thương mại tái cấu trúc danh mục tài sản nợ - tài sản có, thiết lập các ngưỡng an toàn cho tỷ lệ cấp tín dụng và duy trì đệm thanh khoản phòng ngừa khủng hoảng.
  • Khuyến nghị hành động: Các ngân hàng thương mại cần nhanh chóng số hóa quy trình theo dõi khe hở tài trợ FGAP theo thời gian thực, đồng thời Ngân hàng Nhà nước cần tiếp tục hoàn thiện khung khổ pháp lý về an toàn thanh khoản theo chuẩn mực Basel III nhằm đảm bảo sự ổn định bền vững của toàn hệ thống tài chính quốc gia.