Giới thiệu dự án
Bối cảnh và cơ sở thực tiễn
Trong cấu trúc hệ thống tài chính của các quốc gia đang phát triển như Việt Nam, hệ thống ngân hàng thương mại (NHTM) đóng vai trò huyết mạch trong việc dẫn vốn và điều tiết vĩ mô. Hoạt động cấp tín dụng chiếm từ 70% đến 85% tổng tài sản sinh lời và đóng góp tỷ trọng lớn nhất vào cơ cấu doanh thu của các ngân hàng. Theo các nghiên cứu kinh tế lượng tài chính, tăng trưởng tín dụng (TTTD) là đòn bẩy trực tiếp thúc đẩy tổng sản phẩm quốc nội (GDP), kích thích đầu tư tư nhân và gia tăng thanh khoản thị trường. Tuy nhiên, giai đoạn 2012 – 2021 chứng kiến nhiều biến động phức tạp: chu kỳ tái cơ cấu hệ thống tổ chức tín dụng (TCTD), việc áp dụng các tiêu chuẩn an toàn vốn Basel II, biến động lạm phát và cú sốc suy thoái kinh tế từ đại dịch COVID-19.
+-----------------------------------------------------------------------------+
| BỐI CẢNH VĨ MÔ & VI MÔ TÁC ĐỘNG ĐẾN TĂNG TRƯỞNG TÍN DỤNG (2012 - 2021) |
+-----------------------------------------------------------------------------+
| [Yếu tố Vĩ mô] [Yếu tố Vi mô] |
| - Tăng trưởng GDP - Tỷ suất sinh lời ROE |
| - Lạm phát (CPI) - Tốc độ tăng trưởng tiền gửi (DG) |
| - Cú sốc đại dịch COVID-19 - Tỷ lệ nợ xấu (NPL), Quy mô (SIZE), LIQ |
| \ / |
| \ / |
| v v |
| +-----------------------------------------+ |
| | TĂNG TRƯỞNG TÍN DỤNG HỆ THỐNG NHTM | |
| | (Giai đoạn 2012 - 2021) | |
| +-----------------------------------------+ |
+-----------------------------------------------------------------------------+
Vấn đề nghiên cứu và các điểm nghẽn (Problem Statement)
Mở rộng tín dụng quá nóng tiềm ẩn nguy cơ nợ xấu gia tăng, rủi ro thanh khoản và mất an toàn hệ thống, trong khi thắt chặt tín dụng quá mức sẽ cản trở tốc độ phục hồi kinh tế. Vấn đề đặt ra cho các nhà hoạch định chính sách và ban quản trị NHTM là:
- Sự thiếu đồng nhất trong các kết quả nghiên cứu thực nghiệm trước đây về mức độ và chiều hướng tác động của các chỉ số vi mô và vĩ mô đến TTTD.
- Đa số các mô hình truyền thống (Pooled OLS, FEM, REM) gặp hiện tượng nội sinh (Endogeneity), phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation), dẫn đến các ước lượng bị chệch (biased) và không vững (inconsistent).
- Chưa có nhiều công trình định lượng trực tiếp biến cố đại dịch COVID-19 đối với chu kỳ tín dụng ngân hàng trong mối tương quan với các biến nội tại.
Mục tiêu nghiên cứu cụ thể
- Hệ thống hóa cơ sở lý luận: Xác định danh mục các nhân tố vĩ mô (GDP, Lạm phát INF, Cú sốc COVID-19) và vi mô (Quy mô SIZE, Tỷ suất sinh lời trên vốn chủ sở hữu ROE, Tỷ lệ nợ xấu NPL, Tính thanh khoản LIQ, Tăng trưởng tiền gửi DG).
- Xây dựng mô hình định lượng xử lý khuyết tật: Ứng dụng kỹ thuật ước lượng mô hình tổng quát khoảnh khắc (GMM - Generalized Method of Moments) trên dữ liệu bảng (Panel Data) để khắc phục triệt để hiện tượng nội sinh và tự tương quan.
- Lượng hóa mức độ và chiều hướng tác động: Đánh giá độ nhạy của TTTD trước sự thay đổi của từng biến giải thích tại 27 NHTM cổ phần Việt Nam giai đoạn 2012 – 2021.
- Đề xuất hàm ý quản trị và chính sách: Xây dựng hệ thống giải pháp định hướng quản trị rủi ro tín dụng và hỗ trợ Ngân hàng Nhà nước (NHNN) điều hành chính sách tiền tệ.
Phương pháp tiếp cận giải pháp và kết quả kỳ vọng
- Phương pháp tiếp cận: Sử dụng phương pháp nghiên cứu định lượng trên bộ dữ liệu bảng gồm 270 quan sát (27 NHTM trong 10 năm), kết hợp kiểm định F-Test, Breusch-Pagan, Hausman, Modified Wald test, Wooldridge test, Durbin-Wu-Hausman test và kiểm định tính hợp lệ của biến công cụ qua Hansen/Sargan test và Arellano-Bond AR(2).
- Kết quả kỳ vọng: Xác định chính xác các trọng số hồi quy vững; phân định rõ những biến có ý nghĩa thống kê thực chất ở mức ý nghĩa $p < 0.05$ và $p < 0.01$.
Phạm vi và giới hạn nghiên cứu
- Không gian: 27 NHTM cổ phần hoạt động liên tục và công bố báo cáo tài chính kiểm toán đầy đủ tại Việt Nam.
- Thời gian: Chuỗi dữ liệu thường niên 10 năm từ 2012 đến 2021.
- Giới hạn: Nghiên cứu tập trung vào tín dụng sơ cấp (dư nợ cho vay khách hàng tổ chức và cá nhân), không bao gồm nghiệp vụ bảo lãnh ngoại bảng hay đầu tư trái phiếu doanh nghiệp.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Đánh giá các phương pháp tiếp cận hiện có
Bảng dưới đây so sánh các mô hình kinh tế lượng truyền thống được sử dụng trong các nghiên cứu trước đây:
| Phương pháp |
Ưu điểm |
Nhược điểm |
Đánh giá độ phù hợp với dữ liệu ngân hàng |
| Pooled OLS |
Đơn giản, trực quan, dễ tính toán tham số. |
Giả định tất cả đối tượng đồng nhất, bỏ qua đặc trưng riêng của từng ngân hàng ($u_i$). |
Kém: Dẫn đến ước lượng chệch nghiêm trọng. |
| Fixed Effects Model (FEM) |
Kiểm soát được các đặc trưng riêng không đổi theo thời gian của từng NHTM. |
Không xử lý được hiện tượng nội sinh do biến trễ phụ thuộc hoặc biến giải thích tương quan với sai số. |
Trung bình: Bị vô hiệu hóa nếu có phương sai thay đổi và nội sinh. |
| Random Effects Model (REM) |
Tối ưu hóa hiệu quả ước lượng khi các đặc trưng riêng không tương quan với biến giải thích. |
Giả định tính trực giao giữa sai số riêng và biến giải thích thường bị vi phạm trong dữ liệu tài chính. |
Trung bình: Thường bị bác bỏ qua kiểm định Hausman. |
| System GMM (Blundell & Bond) |
Khắc phục đồng thời hiện tượng nội sinh, tự tương quan chuỗi và phương sai sai số thay đổi. |
Đòi hỏi lựa chọn ma trận biến công cụ (Instrument Variables) phù hợp và kiểm định ngặt nghèo. |
Tối ưu: Đáp ứng đầy đủ tiêu chuẩn kinh tế lượng vi mô tài chính. |
Yêu cầu phân tích dữ liệu theo khung MoSCoW
- Must have: Làm sạch dữ liệu BCTC 27 ngân hàng; tính toán đầy đủ các tỷ số tài chính (ROE, NPL, LIQ, SIZE, DG); ước lượng OLS/FEM/REM và GMM; thực hiện kiểm định Hansen và AR(2).
- Should have: Phân tích tương quan Correlation Matrix; đo lường hệ số phóng đại phương sai (VIF - Variance Inflation Factor).
- Could have: Đánh giá phân rã tác động theo quy mô nhóm ngân hàng (Big4 vs. Cổ phần tư nhân).
- Won't have (lần này): Dự báo chuỗi thời gian bằng mạng nơ-ron hồi quy (LSTM) hoặc học sâu phi cấu trúc.
Thiết kế hệ thống xử lý và mô hình hóa dữ liệu
flowchart TD
A["Dữ liệu thô BCTC & Niên giám Vĩ mô (2012-2021)"] --> B["Tiền xử lý & Chuẩn hóa Panel Data (270 quan sát)"]
B --> C["Thống kê mô tả & Ma trận tương quan (Kiểm tra VIF)"]
C --> D["Ước lượng cơ bản: OLS, FEM, REM"]
D --> E{"Kiểm định lựa chọn mô hình"}
E -- "F-Test & Hausman (p < 0.05)" --> F["Chọn Mô hình FEM"]
F --> G["Kiểm định khuyết tật"]
G --> H["Modified Wald: Phương sai sai số thay đổi (p < 0.001)"]
G --> I["Wooldridge: Tự tương quan chuỗi (p < 0.001)"]
G --> J["Durbin-Wu-Hausman: Biến nội sinh (p < 0.05)"]
H & I & J --> K["Ước lượng System GMM (Two-step / One-step)"]
K --> L{"Kiểm định chuẩn đoán GMM"}
L -- "AR(1) p < 0.05 & AR(2) p > 0.05" --> M["Không có tự tương quan bậc 2"]
L -- "Hansen/Sargan test p > 0.05" --> N["Biến công cụ hợp lệ"]
M & N --> O["Kết quả hồi quy chuẩn & Hàm ý chính sách"]
Công nghệ và công cụ sử dụng
- Môi trường xử lý dữ liệu và kinh tế lượng: Stata 17.0 MP (Multi-Core Processing), Package
xtabond2 (Roodman, 2009).
- Tiền xử lý và trích xuất chỉ số: Microsoft Excel 2021, Python 3.10 (
pandas, numpy hỗ trợ cấu trúc dữ liệu dài - Long Panel Format).
- Hệ thống cơ sở dữ liệu nghiên cứu: Báo cáo tài chính kiểm toán độc lập (Audit Reports), Báo cáo thường niên của 27 NHTMCP, Niên giám thống kê từ Tổng cục Thống kê (GSO) và Ngân hàng Thế giới (World Bank Data).
Cấu trúc bảng dữ liệu (Panel Data Schema)
Bộ dữ liệu có cấu trúc dạng bảng cân đối (Balanced Panel Data) với khóa chính định danh: (Bank_ID, Year).
[Bảng Dữ liệu Nghiên cứu]
Phương pháp luận nghiên cứu (Methodology)
Quy trình nghiên cứu áp dụng mô hình định lượng chuẩn gồm 5 giai đoạn:
- Xây dựng khung lý thuyết và giả thuyết: Thiết lập 5 giả thuyết nghiên cứu chính ($H_1$ đến $H_5$).
- Thu thập và làm sạch dữ liệu: Loại bỏ các ngân hàng thiếu số liệu hoặc sáp nhập trong chu kỳ nghiên cứu.
- Phân tích khám phá (EDA): Tính toán giá trị Mean, Std. Dev., Min, Max, Skewness, Kurtosis và Ma trận hệ số tương quan Pearson.
- Hồi quy và kiểm định chuẩn đoán: Chạy OLS, FEM, REM $\rightarrow$ Thực hiện kiểm định F-Test, Hausman $\rightarrow$ Kiểm định Wald, Wooldridge, Durbin-Wu-Hausman.
- Ước lượng GMM và phân tích độ nhạy: Sử dụng ước lượng GMM sai phân hoặc GMM hệ thống hai bước (Two-step System GMM) với hiệu chỉnh sai số mẫu nhỏ của Windmeijer (2005).
Thực thi và kết quả
Quy trình phát triển và thuật toán ước lượng
Mô hình nghiên cứu hồi quy tổng quát được biểu diễn toán học:
$$CG_{it} = \beta_0 + \beta_1 ROE_{it} + \beta_2 SIZE_{it} + \beta_3 NPL_{it} + \beta_4 LIQ_{it} + \beta_5 DG_{it} + \beta_6 GDP_{it} + \beta_7 INF_{it} + \beta_8 DUM_{it} + u_{it}$$
Trong đó:
- $i = 1, 2, \dots, 27$ biểu thị cho từng NHTM cổ phần.
- $t = 2012, 2013, \dots, 2021$ biểu thị năm quan sát.
- $u_{it} = \mu_i + \lambda_t + \epsilon_{it}$ với $\mu_i$ là tác động cố định riêng lẻ, $\lambda_t$ là tác động thời gian, $\epsilon_{it}$ là sai số ngẫu nhiên.
Cấu trúc mã lệnh thực thi trên Stata 17
* Thiết lập không gian dữ liệu bảng
clear all
set more off
import excel "Data_TTTD_27NHTM_2012_2021.xlsx", sheet("Sheet1") firstrow
xtset Bank_ID Year
* 1. Thống kê mô tả và kiểm tra đa cộng tuyến
summarize CG ROE SIZE NPL LIQ DG GDP INF DUM
pwcorr CG ROE SIZE NPL LIQ DG GDP INF DUM, star(0.05) sig
regress CG ROE SIZE NPL LIQ DG GDP INF DUM
vif
* 2. Ước lượng Pooled OLS, FEM, REM
regress CG ROE SIZE NPL LIQ DG GDP INF DUM
estimates store OLS_MODEL
xtreg CG ROE SIZE NPL LIQ DG GDP INF DUM, fe
estimates store FEM_MODEL
xtreg CG ROE SIZE NPL LIQ DG GDP INF DUM, re
estimates store REM_MODEL
* 3. Kiểm định lựa chọn mô hình
* Kiểm định F-Test cho FEM vs OLS
xtreg CG ROE SIZE NPL LIQ DG GDP INF DUM, fe
* Kiểm định Hausman cho FEM vs REM
hausman FEM_MODEL REM_MODEL
* 4. Kiểm định khuyết tật mô hình trên FEM
* Kiểm định Phương sai sai số thay đổi (Modified Wald Test)
xtreg CG ROE SIZE NPL LIQ DG GDP INF DUM, fe
xttest3
* Kiểm định Tự tương quan bậc 1 (Wooldridge Test)
xtserial CG ROE SIZE NPL LIQ DG GDP INF DUM
* 5. Khắc phục triệt để bằng ước lượng System GMM (Two-step)
xtabond2 CG L.CG ROE SIZE NPL LIQ DG GDP INF DUM, ///
gmmstyle(L.CG ROE DG, laglimits(1 2) collapse) ///
ivstyle(SIZE NPL LIQ GDP INF DUM, equation(level)) ///
twostep robust small
Kết quả kiểm định và chuẩn đoán mô hình
Toàn bộ các bước kiểm tra giả định mô hình kinh tế lượng đều được thực thi nghiêm ngặt, chi tiết kết quả được tổng hợp dưới đây:
| Loại kiểm định |
Tên kiểm định kỹ thuật |
Giá trị thống kê / Thước đo |
Giá trị P-value |
Kết luận thống kê |
| Đa cộng tuyến |
Variance Inflation Factor (VIF) |
$\text{Mean VIF} = 1.48$ ($\text{Max} = 2.12$) |
N/A |
Không xảy ra hiện tượng đa cộng tuyến nghiêm trọng ($\text{VIF} < 10$). |
| Lựa chọn OLS/FEM |
F-Test |
$F(26, 235) = 3.84$ |
$p = 0.0000 < 0.01$ |
Bác bỏ $H_0$; Mô hình tác động cố định (FEM) phù hợp hơn OLS. |
| Lựa chọn FEM/REM |
Hausman Test |
$\chi^2(8) = 19.72$ |
$p = 0.0114 < 0.05$ |
Bác bỏ $H_0$; Chọn mô hình FEM là mô hình giải thích phù hợp. |
| Phương sai thay đổi |
Modified Wald Test |
$\chi^2(27) = 894.31$ |
$p = 0.0000 < 0.01$ |
Vi phạm giả định đồng nhất phương sai; Tồn tại Heteroskedasticity. |
| Tự tương quan |
Wooldridge Test |
$F(1, 26) = 18.62$ |
$p = 0.0002 < 0.01$ |
Tồn tại hiện tượng tự tương quan chuỗi bậc 1 (Autocorrelation). |
| Nội sinh |
Durbin-Wu-Hausman |
$\chi^2(1) = 6.45$ |
$p = 0.0111 < 0.05$ |
Có biến nội sinh trong mô hình; Ước lượng OLS/FEM bị chệch. |
| Tự tương quan GMM |
Arellano-Bond AR(1) |
$z = -2.85$ |
$p = 0.0044 < 0.05$ |
Phần dư có tương quan bậc 1 (đúng với lý thuyết GMM). |
| Tự tương quan GMM |
Arellano-Bond AR(2) |
$z = 0.81$ |
$p = 0.4180 > 0.05$ |
Không có tương quan chuỗi bậc 2 (Mô hình đạt yêu cầu). |
| Tính hợp lệ biến công cụ |
Hansen J-Test |
$\chi^2(18) = 16.34$ |
$p = 0.5680 > 0.05$ |
Biến công cụ ngoại sinh hoàn toàn hợp lệ (Không quá tải biến). |
Kết quả ước lượng mô hình GMM và giải trình thực nghiệm
Bảng tổng hợp tham số hồi quy từ phương pháp GMM hệ thống hai bước (Two-step System GMM):
| Biến độc lập |
Ký hiệu |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn (Std. Err.) |
Giá trị $t / z$ |
Giá trị $P > |z|$ |
Mức ý nghĩa & Chiều hướng |
| Hằng số |
Constant |
0.0421 |
0.0612 |
0.69 |
0.4910 |
Không có ý nghĩa |
| Tỷ suất sinh lời |
ROE |
+0.3152 |
0.0841 |
3.75 |
0.0002 |
Có ý nghĩa 1% ($+$ Thúc đẩy) |
| Tăng trưởng tiền gửi |
DG |
+0.4280 |
0.0615 |
6.96 |
0.0000 |
Có ý nghĩa 1% ($+$ Thúc đẩy) |
| Tăng trưởng GDP |
GDP |
+0.8924 |
0.2810 |
3.18 |
0.0015 |
Có ý nghĩa 1% ($+$ Thúc đẩy) |
| Tỷ lệ lạm phát |
INF |
-0.5412 |
0.1983 |
-2.73 |
0.0063 |
Có ý nghĩa 1% ($-$ Cản trở) |
| Cú sốc COVID-19 |
DUM |
-0.0384 |
0.0162 |
-2.37 |
0.0178 |
Có ý nghĩa 5% ($-$ Cản trở) |
| Tỷ lệ nợ xấu |
NPL |
-0.1142 |
0.1820 |
-0.63 |
0.5300 |
Không có ý nghĩa thống kê |
| Quy mô ngân hàng |
SIZE |
+0.0048 |
0.0061 |
0.79 |
0.4310 |
Không có ý nghĩa thống kê |
| Tính thanh khoản |
LIQ |
+0.0215 |
0.0450 |
0.48 |
0.6320 |
Không có ý nghĩa thống kê |
KẾT QUẢ PHÂN TÍCH TÁC ĐỘNG (SYSTEM GMM):
+ ROE (+0.3152, p < 0.01) --> Tăng hiệu quả tài chính giúp mở rộng hạn mức cấp tín dụng
+ DG (+0.4280, p < 0.01) --> Huy động vốn tăng 1% giúp tín dụng tăng trưởng 0.428%
+ GDP (+0.8924, p < 0.01) --> Tăng trưởng vĩ mô là động lực mạnh nhất kích cầu vốn vay
- INF (-0.5412, p < 0.01) --> Lạm phát tăng làm tăng lãi suất cho vay, giảm nhu cầu vay
- DUM (-0.0384, p < 0.05) --> Đại dịch COVID-19 làm suy giảm trung bình 3.84% tốc độ TTTD
* NPL, SIZE, LIQ (p > 0.05) --> Chưa đủ bằng chứng thực nghiệm về tác động trực tiếp
Đổi mới và đóng góp
Đổi mới về mặt kỹ thuật và phương pháp luận
- Xử lý toàn diện các khuyết tật nội sinh: Thay vì dừng lại ở mô hình FEM/REM như các nghiên cứu giai đoạn trước, đề tài đã phát hiện hiện tượng nội sinh giữa tăng trưởng tiền gửi (DG), khả năng sinh lời (ROE) với TTTD và xử lý dứt điểm bằng phương pháp Two-step System GMM với hiệu chỉnh mẫu nhỏ Windmeijer.
- Lượng hóa thực nghiệm biến cố COVID-19: Đây là một trong những công trình tiên phong tại Việt Nam đưa biến giả $DUM_{\text{COVID}}$ vào dữ liệu bảng 10 năm (2012–2021), lượng hóa chính xác mức độ suy giảm biên độ tín dụng là 3.84% trong hai năm bùng phát dịch (2020–2021).
So sánh với các công trình nghiên cứu trước đây
| Tiêu chí so sánh |
Khóa luận này (2023) |
Nguyễn Bá Hoàng (2019) |
Lê Vũ Hà & Đỗ Văn Lộc (2022) |
Phạm Xuân Quỳnh (2017) |
| Khung thời gian |
2012 – 2021 (10 năm) |
2010 – 2017 (8 năm) |
2016 – 2021 (6 năm) |
2007 – 2014 (8 năm) |
| Cỡ mẫu nghiên cứu |
27 NHTM (270 quan sát) |
23 NHTM |
23 NHTM |
25 NHTM |
| Phương pháp chính |
System GMM |
OLS, FEM, REM, GLS |
POOL, FEM, REM, FGLS |
REM, GMM |
| Biến dịch bệnh |
Có ($DUM_{\text{COVID}}$) |
Không |
Không |
Không |
| Kết quả tác động |
ROE (+), DG (+), GDP (+), INF (-), COVID (-) |
NPL (-), INF (-), SIZE (+), GDP (+), LIQ (+) |
DG (+), Vốn (-), INF (-) |
GDP (+), DG (+), NPL (-), SIZE (-), INF (-) |
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong điều hành và quản trị
[MÔ HÌNH ỨNG DỤNG THỰC TIỄN CHO NHTM VÀ NHNN]
[Ban Điều hành NHTMCP] [Cơ quan Điều hành NHNN]
- Điều phối thanh khoản - Hoạch định hạn mức Room tín dụng
- Cân đối tỷ lệ LDR & DG - Kiểm soát mục tiêu lạm phát (INF)
- Tối ưu hóa hiệu quả ROE - Hỗ trợ lãi suất phục hồi hậu COVID
1. Dành cho Ban Quản trị các Ngân hàng Thương mại Cổ phần
- Chiến lược huy động vốn linh hoạt (DG $\rightarrow$ TTTD): Vì hệ số của tăng trưởng tiền gửi đạt mức tác động cao ($\beta = 0.4280$), các NHTM cần đa dạng hóa sản phẩm tiền gửi, mở rộng tài khoản CASA (Current Account Savings Account) để hạ thấp chi phí vốn (COF), tạo nguồn cung dồi dào phục vụ cho vay.
- Tối ưu hóa năng lực tài chính và chất lượng sinh lời (ROE $\rightarrow$ TTTD): ROE có tác động thuận chiều mạnh mẽ ($\beta = 0.3152$), cho thấy các ngân hàng sử dụng hiệu quả vốn chủ sở hữu sẽ có uy tín cao hơn, từ đó mở rộng quy mô tín dụng an toàn mà không bị vi phạm tỷ lệ an toàn vốn (CAR).
2. Dành cho Ngân hàng Nhà nước và Chính phủ
- Điều hành chính sách tiền tệ chủ động, kiểm soát lạm phát: Lạm phát có hệ số tác động tiêu cực rất lớn ($\beta = -0.5412$). Khi lạm phát tăng, lãi suất cho vay buộc phải điều chỉnh tăng, làm suy giảm khả năng hấp thụ vốn của doanh nghiệp. Việc duy trì mục tiêu lạm phát dưới 4% là điều kiện tiên quyết để ổn định thị trường tín dụng.
- Phân bổ "Room tín dụng" dựa trên xếp hạng CAMELS: Đề tài chứng minh quy mô tài sản (SIZE) không đồng nghĩa với việc đẩy mạnh TTTD hiệu quả. Do đó, việc cấp hạn mức tín dụng cần căn cứ vào chất lượng tài sản, hiệu quả sinh lời và tính bền vững của nguồn tiền gửi thay vì chỉ nhìn vào quy mô tài sản tuyệt đối.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật và dữ liệu
- Phạm vi dữ liệu: Nghiên cứu mới khảo sát 27 NHTMCP, chưa bao gồm khối ngân hàng 100% vốn nước ngoài và các ngân hàng thương mại được kiểm soát đặc biệt do thiếu hụt số liệu công khai.
- Tần suất dữ liệu: Dữ liệu sử dụng là dữ liệu thường niên (Annual Data). Độ trễ theo quý (Quarterly Data) chưa được bóc tách sâu để xem xét tính mùa vụ của chu kỳ giải ngân cuối năm.
- Biến số vĩ mô phi tuyến: Nghiên cứu chưa xem xét tác động phi tuyến (Non-linear effects) của lạm phát hoặc ngưỡng nợ xấu (NPL Thresholds).
Hướng nghiên cứu tiếp theo
- Mở rộng mô hình sử dụng kỹ thuật Panel Threshold Regression để tìm điểm gãy (Threshold) của tỷ lệ nợ xấu và lạm phát mà tại đó TTTD bị đảo chiều tiêu cực.
- Ứng dụng các thuật toán máy học (Machine Learning) như Random Forest, XGBoost để dự báo nhu cầu tín dụng ngành kinh tế trong các giai đoạn biến động kinh tế vĩ mô.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về quy trình xây dựng luận văn kinh tế lượng tài chính, cách xử lý dữ liệu bảng và phương pháp chạy mô hình System GMM trên phần mềm Stata.
- Chuyên viên phân tích dữ liệu & Nghiên cứu kinh tế (Data Analysts / Economists): Cung cấp bộ khung code Stata chuẩn hóa (
xtabond2), quy trình kiểm định khuyết tật mô hình (Multicollinearity, Heteroskedasticity, Autocorrelation, Endogeneity).
- Ban lãnh đạo & Khối QLRR các Ngân hàng: Cơ sở định lượng giúp cân đối chỉ tiêu kinh doanh giữa tăng trưởng huy động, kiểm soát nợ xấu và mục tiêu lợi nhuận ròng trên vốn chủ sở hữu.
- Cơ quan quản lý nhà nước (NHNN): Bằng chứng thực nghiệm khoa học phục vụ công tác điều tiết chỉ tiêu tăng trưởng tín dụng toàn ngành và quản lý an toàn vĩ mô.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật phần mềm và cấu hình để chạy mô hình GMM trong bài là gì?
Cần cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 16 hoặc Stata 17 MP) kèm gói lệnh chuyên dụng xtabond2 (cài đặt qua lệnh ssc install xtabond2, replace). Cấu hình máy tính tối thiểu: CPU Dual Core, 4GB RAM.
2. Tại sao mô hình FEM lại bị thay thế bởi mô hình System GMM?
Mặc dù kiểm định F-Test và Hausman chỉ ra mô hình Fixed Effects Model (FEM) phù hợp hơn OLS và REM, nhưng khi kiểm định chuyên sâu, mô hình FEM bị vi phạm đồng thời 3 khuyết tật: phương sai sai số thay đổi ($p < 0.001$), tự tương quan chuỗi ($p < 0.001$) và hiện tượng nội sinh ($p < 0.05$). Do đó, ước lượng System GMM là bắt buộc để đảm bảo hệ số vững và không thiên vị.
3. Làm thế nào để kiểm tra tính hợp lệ của các biến công cụ trong System GMM?
Sử dụng kiểm định Hansen J-Test (hoặc Sargan Test) với giả thuyết $H_0$: Các biến công cụ được sử dụng là hợp lệ (ngoại sinh). Mô hình đạt chuẩn khi giá trị $P\text{-value} > 0.05$ (trong nghiên cứu này $p = 0.5680$). Đồng thời, kiểm định Arellano-Bond phải thỏa mãn: $\text{AR}(1) < 0.05$ và $\text{AR}(2) > 0.05$.
4. Tại sao biến tỷ lệ nợ xấu (NPL) và quy mô ngân hàng (SIZE) không có ý nghĩa thống kê trong kết quả GMM?
Trong giai đoạn 2012 – 2021, việc xử lý nợ xấu qua VAMC và áp dụng chuẩn Basel II khiến các ngân hàng có cơ chế trích lập dự phòng linh hoạt, giảm thiểu sự phụ thuộc trực tiếp của quyết định cấp tín dụng vào tỷ lệ nợ xấu báo cáo. Đối với biến SIZE, tốc độ mở rộng tín dụng tại các ngân hàng quy mô vừa và nhỏ có tính đột phá cao hơn các ngân hàng quy mô lớn do áp lực cạnh tranh thị phần, dẫn đến việc quy mô tổng tài sản không còn là rào cản quyết định tốc độ tăng trưởng tín dụng.
5. Chi phí triển khai và tính khả thi khi áp dụng hệ thống phân tích này vào thực tế?
Mô hình sử dụng hoàn toàn dữ liệu công khai từ báo cáo tài chính kiểm toán và số liệu vĩ mô chính thức, chi phí triển khai phần mềm thấp, thời gian xử lý và cập nhật chu kỳ báo cáo chỉ mất từ 2 đến 4 tuần cho mỗi kỳ quyết toán năm.
Kết luận
Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua việc xây dựng và kiểm định mô hình kinh tế lượng hiện đại. Nghiên cứu đã chứng minh bằng thực nghiệm:
- Các yếu tố thúc đẩy tăng trưởng tín dụng: Tỷ suất sinh lời trên vốn chủ sở hữu ($\text{ROE}, \beta = +0.3152$), Tốc độ tăng trưởng tiền gửi ($\text{DG}, \beta = +0.4280$) và Tốc độ tăng trưởng kinh tế vĩ mô ($\text{GDP}, \beta = +0.8924$).
- Các yếu tố cản trở tăng trưởng tín dụng: Tỷ lệ lạm phát ($\text{INF}, \beta = -0.5412$) và Cú sốc đại dịch ($\text{COVID-19}, \beta = -0.0384$).
- Đóng góp học thuật và thực tiễn: Giải quyết triệt để vấn đề biến nội sinh bằng phương pháp Two-step System GMM trên mẫu 27 NHTMCP Việt Nam (2012–2021), cung cấp luận cứ khoa học vững chắc cho công tác quản trị ngân hàng và điều hành chính sách tiền tệ quốc gia.
