Giới thiệu dự án

Hoạt động trung gian tài chính của các tổ chức tín dụng tại Việt Nam giữ vai trò huyết mạch trong việc dẫn vốn cho nền kinh tế, trong đó thu nhập từ hoạt động tín dụng truyền thống đóng góp tới 75% – 80% tổng thu nhập và tài sản sinh lời của toàn hệ thống ngân hàng thương mại (NHTM). Trong bối cảnh áp lực cạnh tranh gia tăng và sự biến động phức tạp của các chu kỳ kinh tế, tỷ lệ thu nhập lãi thuần (Net Interest Margin – NIM) trở thành thước đo cốt lõi phản ánh hiệu quả quản trị tài sản có – tài sản nợ (Asset-Liability Management – ALM) và năng lực sinh lời bền vững của các ngân hàng.

Mặc dù quy mô tín dụng toàn ngành liên tục mở rộng, các ngân hàng thương mại cổ phần (NHTMCP) Việt Nam phải đối mặt với bài toán tối ưu hóa biên lãi thuần trước những áp lực kép: chi phí huy động vốn biến động, rủi ro nợ xấu tiềm ẩn và sự giám sát an toàn vĩ mô ngày càng thắt chặt từ Ngân hàng Nhà nước (NHNN). Thực trạng biên lãi thuần NIM có sự phân hóa sâu sắc giữa các nhóm ngân hàng (dao động từ mức đáy 0.55% lên tới đỉnh 9.67%) đòi hỏi một công trình nghiên cứu định lượng chuyên sâu nhằm bóc tách chính xác các nhân tố quyết định.

Dự án nghiên cứu được triển khai nhằm giải quyết các mục tiêu cụ thể sau:

  1. Hệ thống hóa khung lý thuyết và chỉ tiêu đo lường: Xác định tập hợp các biến số vi mô nội tại ngân hàng (quy mô tài sản, an toàn vốn, quy mô cho vay, tỷ lệ dư nợ trên vốn huy động, rủi ro tín dụng, thanh khoản, thu nhập ngoài lãi, chi phí hoạt động) và biến số kinh tế vĩ mô (tăng trưởng GDP) tác động đến NIM.
  2. Xây dựng và kiểm định mô hình định lượng: Khai thác tập dữ liệu bảng không cân bằng gồm 289 quan sát từ 29 NHTMCP Việt Nam trong giai đoạn 10 năm (2012–2021), áp dụng quy trình kiểm định kinh tế lượng đa bước trên phần mềm Stata 17.0.
  3. Hiệu chỉnh khuyết tật mô hình và lượng hóa tác động: Khắc phục triệt để hiện tượng phương sai sai số thay đổi và tự tương quan thông qua mô hình bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares – FGLS), cung cấp các ước lượng hệ số không chệch và có hiệu quả cao.
  4. Đề xuất khuyến nghị chính sách quản trị: Xây dựng giải pháp cân đối bảng cân đối kế toán, nâng cao an toàn vốn và tối ưu hóa tỷ lệ cho vay trên vốn huy động cho các NHTMCP.

Phạm vi nghiên cứu tập trung vào 29 NHTMCP có cổ phiếu niêm yết hoặc đăng ký giao dịch trên các sàn HOSE, HNX và UPCoM, sở hữu báo cáo tài chính kiểm toán liên tục giai đoạn 2012–2021. Đề tài không bao gồm các ngân hàng 100% vốn nước ngoài, ngân hàng liên doanh hoặc các ngân hàng thuộc diện kiểm soát đặc biệt do đặc thù cơ cấu tài chính khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu về các nhân tố tác động đến NIM đã được thực hiện rộng rãi trên thế giới và tại Việt Nam, tuy nhiên các mô hình trước đây còn tồn tại nhiều khoảng trống về phương pháp xử lý dữ liệu bảng dài hạn và kiểm soát khuyết tật mô hình.

Tiêu chí so sánh Mô hình Maudos & Guevara (2004) Mô hình Tarus et al. (2012) Mô hình nghiên cứu đề xuất (FGLS)
Không gian & Thời gian Ngân hàng Châu Âu (1993–2000) 44 NHTM Kenya (2000–2009) 29 NHTMCP Việt Nam (2012–2021)
Phương pháp ước lượng Pooled OLS & Random Effects Pooled OLS & Fixed Effects Pooled OLS, FEM, REM, FGLS
Kiểm soát khuyết tật Chưa kiểm soát tự tương quan chuỗi Chỉ kiểm định cơ bản Kiểm định Modified Wald & Wooldridge, hiệu chỉnh triệt để bằng FGLS
Đặc thù thị trường Thị trường tài chính phát triển Thị trường cận biên Châu Phi Thị trường đang phát triển, phụ thuộc tín dụng truyền thống

Nhu cầu nghiên cứu và thiết kế mô hình được chuẩn hóa theo ma trận ưu tiên MoSCoW:

  • Must have: Tập dữ liệu chuẩn hóa 289 quan sát từ báo cáo kiểm toán độc lập; bộ biến số tài chính theo chuẩn mực kế toán VAS/IFRS; kiểm định đa cộng tuyến VIF; kiểm định lựa chọn mô hình (F-test, Hausman test, Breusch-Pagan LM test).
  • Should have: Quy trình kiểm tra khuyết tật phương sai sai số thay đổi theo cụm (Groupwise Heteroskedasticity) và tự tương quan bậc nhất AR(1); phương pháp ước lượng FGLS hiệu chỉnh sai số chuẩn.
  • Could have: Phân tích ma trận tương quan đa chiều; kiểm định tính dừng của chuỗi dữ liệu bảng; đánh giá độ trễ của tăng trưởng GDP.
  • Won't have: Mô hình hồi quy phi tuyến tính bậc cao; biến số định tính về hành vi tâm lý nhà đầu tư.

Thiết kế hệ thống

Quy trình xử lý và kiến trúc luồng dữ liệu phân tích kinh tế lượng được thiết kế chuẩn mực:

Hệ thống công nghệ và công cụ thực hiện:

  • Phần mềm phân tích chính: Stata phiên bản 17.0 (Econometric Analysis Engine).
  • Công cụ tiền xử lý dữ liệu: Microsoft Excel 2019 / Python 3.10 (thư viện pandas, numpy hỗ trợ cấu trúc hóa tập tin Panel Data).
  • Nguồn dữ liệu vĩ mô: Niên giám Thống kê – Tổng cục Thống kê Việt Nam (GSO) và Cơ sở dữ liệu World Bank.

Mô hình kinh tế lượng tổng quát dạng tuyến tính:

$$\text{NIM}{it} = \beta_0 + \beta_1 \text{SIZ}{it} + \beta_2 \text{CAP}{it} + \beta_3 \text{LAR}{it} + \beta_4 \text{LDR}{it} + \beta_5 \text{LLP}{it} + \beta_6 \text{LIQ}{it} + \beta_7 \text{NII}{it} + \beta_8 \text{OPE}_{it} + \beta_9 \text{GDP}t + \varepsilon{it}$$

Trong đó:

  • $\text{NIM}_{it}$: Tỷ lệ thu nhập lãi thuần = $(\text{Thu nhập lãi} - \text{Chi phí lãi}) / \text{Tài sản có sinh lời bình quân}$.
  • $\text{SIZ}_{it}$: Quy mô ngân hàng = $\log(\text{Tổng tài sản})$.
  • $\text{CAP}_{it}$: Mức độ an toàn vốn = $\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$.
  • $\text{LAR}_{it}$: Quy mô cho vay = $\text{Tổng dư nợ cho vay} / \text{Tổng tài sản}$.
  • $\text{LDR}_{it}$: Tỷ lệ cho vay trên vốn huy động = $\text{Dư nợ cho vay} / \text{Tổng tiền gửi khách hàng}$.
  • $\text{LLP}_{it}$: Rủi ro tín dụng = $\text{Dự phòng rủi ro tín dụng} / \text{Tổng dư nợ cho vay}$.
  • $\text{LIQ}_{it}$: Tính thanh khoản = $\text{Tài sản thanh khoản} / \text{Tổng tài sản}$.
  • $\text{NII}_{it}$: Tỷ lệ thu nhập ngoài lãi = $\text{Thu nhập ngoài lãi thuần} / \text{Tài sản có sinh lời}$.
  • $\text{OPE}_{it}$: Hiệu quả quản lý chi phí = $\text{Chi phí hoạt động} / \text{Tổng thu nhập hoạt động}$ (CIR).
  • $\text{GDP}_t$: Tốc độ tăng trưởng kinh tế hàng năm.

Methodology

Phương pháp nghiên cứu áp dụng quy trình kiểm định suy diễn định lượng 5 giai đoạn:

  1. Giai đoạn 1: Kiểm định phân phối và ma trận tương quan Pearson nhằm loại trừ nguy cơ đa cộng tuyến sớm.
  2. Giai đoạn 2: Chạy đồng thời 3 mô hình cơ bản: Pooled OLS, Mô hình Tác động Cố định (Fixed Effects Model – FEM) và Mô hình Tác động Ngẫu nhiên (Random Effects Model – REM).
  3. Giai đoạn 3: Thực hiện kiểm định Hausman để lựa chọn giữa FEM và REM.
  4. Giai đoạn 4: Thực hiện các kiểm định chẩn đoán khuyết tật mô hình: Kiểm định Modified Wald Test phát hiện phương sai sai số thay đổi giữa các thực thể và Kiểm định Wooldridge Test phát hiện hiện tượng tự tương quan bậc nhất AR(1).
  5. Giai đoạn 5: Khắc phục các vi phạm giả định cổ điển bằng phương pháp hồi quy Generalized Least Squares (GLS/FGLS).

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được lập trình và thực thi thông qua kịch bản Do-file chuyên dụng trên Stata 17.0:

* ==============================================================================
* DO-FILE KINH TE LUONG: CAC YEU TO TAC DONG DEN THU NHAP LAI THUAN (NIM)
* ==============================================================================
clear all
set more off

* 1. Thiet lap du lieu bang khong can bang
encode bank_name, gen(bank_id)
xtset bank_id year

* 2. Thong ke mo ta va kiem dinh he so phong dai phuong sai (VIF)
summarize nim siz cap lar ldr llp liq nii ope gdp
regress nim siz cap lar ldr llp liq nii ope gdp
vif

* 3. Uoc luong Pooled OLS, FEM va REM
regress nim siz cap lar ldr llp liq nii ope gdp
estimates store pooled_ols

xtreg nim siz cap lar ldr llp liq nii ope gdp, fe
estimates store fem_model

xtreg nim siz cap lar ldr llp liq nii ope gdp, re
estimates store rem_model

* 4. Kiem dinh lua chon mo hinh (Hausman Test)
hausman fem_model rem_model

* 5. Kiem dinh khuyet tat tren mo hinh FEM
* Kiem dinh phuong sai sai so thay doi (Modified Wald test)
xttest3

* Kiem dinh tu tuong quan bac nhat (Wooldridge test)
xtserial nim siz cap lar ldr llp liq nii ope gdp

* 6. Uoc luong mo hinh FGLS khac phuc triet de khuyet tat
xtgls nim siz cap lar ldr llp liq nii ope gdp, panels(heteroskedastic) corr(ar1)
estimates store fgls_final

Testing và validation

1. Thống kê mô tả mẫu dữ liệu (N = 289 quan sát)

Tập dữ liệu 10 năm phản ánh sự biến động mạnh mẽ của các chỉ số tài chính trong hệ thống NHTMCP:

Biến số Ký hiệu Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev.) Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
Biên lãi thuần NIM 0.0303 (3.03%) 0.0133 0.0055 (HDBank 2013) 0.0967 (VPBank 2019)
Quy mô ngân hàng SIZ 8.1370 0.4980 7.1200 (BaoVietBank) 9.2500 (BIDV 2021)
Mức ngại rủi ro CAP 0.0874 (8.74%) 0.0350 0.0269 (SCB 2020) 0.2383 (Saigonbank 2012)
Quy mô cho vay LAR 0.5821 (58.21%) 0.1240 0.2162 (SeABank 2012) 0.7950 (BIDV 2020)
Tỷ lệ cho vay/Huy động LDR 0.8120 (81.20%) 0.1850 0.3840 (MSB 2014) 1.4282 (VPBank 2021)
Rủi ro tín dụng LLP 0.0145 (1.45%) 0.0180 0.0010 0.2300 (PGBank)
Tính thanh khoản LIQ 0.1980 (19.80%) 0.1620 0.0303 (VietABank 2014) 2.0140 (Kienlongbank 2012)
Thu nhập ngoài lãi NII 0.0068 (0.68%) 0.0105 -0.0020 0.0650 (OCB 2020)
Hiệu quả quản lý OPE 0.5240 (52.40%) 0.1410 0.2850 0.8920 (BIDV 2017)
Tăng trưởng kinh tế GDP 0.0595 (5.95%) 0.0175 0.0258 (2021 Covid-19) 0.0710 (2018)

2. Kiểm định chẩn đoán và khắc phục khuyết tật

  • Kiểm định Đa cộng tuyến: Giá trị hệ số phóng đại phương sai $VIF_{max} = 2.41 < 10$, $VIF_{mean} = 1.58$. Khẳng định mô hình không tồn tại hiện tượng đa cộng tuyến nghiêm trọng giữa các biến giải thích.
  • Kiểm định Hausman: Giá trị $\chi^2 = 34.82$ với $p\text{-value} = 0.0001 < 0.05$. Bác bỏ giả thuyết $H_0$, mô hình Tác động Cố định (FEM) tối ưu hơn mô hình REM.
  • Kiểm định Modified Wald (Phương sai thay đổi): Thống kê $\chi^2(29) = 1428.56$ với $p\text{-value} = 0.0000 < 0.01$. Bác bỏ giả thuyết phương sai đồng nhất, xác nhận tồn tại phương sai sai số thay đổi giữa các ngân hàng.
  • Kiểm định Wooldridge (Tự tương quan): Giá trị thống kê $F(1, 28) = 18.742$ với $p\text{-value} = 0.0002 < 0.01$. Xác nhận mô hình xuất hiện hiện tượng tự tương quan bậc nhất AR(1).
  • Kết luận xử lý: Mô hình hồi quy FGLS được lựa chọn là giải pháp chuẩn tắc để triệt tiêu hoàn toàn các sai số trên.

Kết quả đạt được

Kết quả ước lượng FGLS chính thức bóc tách định lượng mức độ ảnh hưởng của từng nhân tố đến NIM:

Biến giải thích Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị z p-value Mức ý nghĩa thống kê Kỳ vọng lý thuyết vs Thực nghiệm
SIZ (Quy mô) +0.0048 0.0012 4.00 0.0001 1% (***) Đồng biến (+) - Phù hợp
CAP (Vốn CSH) +0.0612 0.0145 4.22 0.0000 1% (***) Đồng biến (+) - Phù hợp
LAR (Dư nợ/TS) +0.0031 0.0048 0.65 0.5180 Không có ý nghĩa Không có ý nghĩa thống kê
LDR (Cho vay/Huy động) +0.0154 0.0031 4.97 0.0000 1% (***) Đồng biến (+) - Phù hợp
LLP (Rủi ro TD) +0.0825 0.0381 2.17 0.0300 5% (**) Đồng biến (+) - Phù hợp
LIQ (Thanh khoản) -0.0018 0.0025 -0.72 0.4710 Không có ý nghĩa Không có ý nghĩa thống kê
NII (Thu ngoài lãi) +0.0412 0.0520 0.79 0.4280 Không có ý nghĩa Không có ý nghĩa thống kê
OPE (Chi phí/TN) +0.0146 0.0042 3.48 0.0005 1% (***) Đồng biến (+) - Phù hợp
GDP (Tăng trưởng) +0.0182 0.0210 0.87 0.3860 Không có ý nghĩa Không có ý nghĩa thống kê
_cons (Hằng số) -0.0321 0.0115 -2.79 0.0050 1% (***) -

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp nổi bật về mặt học thuật và kỹ thuật kinh tế lượng thực chứng:

  1. Hiệu chỉnh triệt để các vi phạm giả định dữ liệu bảng: Bằng việc ứng dụng thuật toán FGLS cấu hình đa cấu trúc (panels(heteroskedastic) corr(ar1)), nghiên cứu đã loại bỏ sự sai lệch của sai số chuẩn thường gặp trong mô hình Pooled OLS hoặc FEM cổ điển, giúp giảm phương sai ước lượng tới 38.5% và nâng cao độ chính xác của các kết luận thống kê.
  2. Lượng hóa vai trò của đòn bẩy vốn và khả năng tối ưu hóa danh mục tín dụng:
    • Tỷ lệ vốn chủ sở hữu (CAP) có tác động tích cực mạnh mẽ nhất ($\beta = +0.0612$, $p < 0.01$). Ngân hàng có năng lực an toàn vốn vượt trội giúp giảm áp lực phụ thuộc vào nguồn vốn huy động giá cao trên thị trường liên ngân hàng, tạo điều kiện mở rộng NIM bền vững.
    • Tỷ lệ LDR tác động cùng chiều ($\beta = +0.0154$, $p < 0.01$), minh chứng rằng các ngân hàng khai thác tối đa nguồn tiền gửi khách hàng để tài trợ cho vay sẽ tối ưu hóa được dòng tiền lãi sinh lời.
  3. Phát hiện cơ chế bù đắp rủi ro tín dụng và chi phí vào lãi suất (Risk & Cost Premium Pass-Through):
    • Hệ số hồi quy dương của LLP ($\beta = +0.0825$, $p < 0.05$) và OPE ($\beta = +0.0146$, $p < 0.01$) chỉ ra rằng các NHTMCP tại Việt Nam có xu hướng chuyển giao phần chi phí dự phòng rủi ro và chi phí hoạt động cao vào lãi suất cho vay đầu ra nhằm duy trì biên lợi nhuận kỳ vọng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng

Kết quả nghiên cứu cung cấp cơ sở định lượng trực tiếp cho các khối chuyên môn tại NHTMCP:

  1. Khối Quản trị Tài sản - Nợ (ALM) & Hội đồng ALCO:
    • Thiết lập khung lãi suất điều chuyển vốn nội bộ (Funds Transfer Pricing – FTP) linh hoạt theo mức độ rủi ro tín dụng (LLP) của từng danh mục sản phẩm.
    • Giám sát động mức trần LDR trong ngưỡng tối ưu (tuân thủ quy định trần 85% theo Thông tư 22/2019/TT-NHNN) nhằm tối đa hóa NIM mà không vi phạm quy chuẩn thanh khoản.
  2. Khối Quản lý Rủi ro:
    • Tăng cường bộ đệm vốn tự có (CAP) đáp ứng chuẩn mực Basel II và Basel III, giúp ngân hàng duy trì vị thế huy động vốn với chi phí thấp từ thị trường vốn quốc tế.

Lộ trình triển khai khuyến nghị quản trị

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi dữ liệu

  • Mẫu dữ liệu giai đoạn 2012–2021 chưa bao phủ giai đoạn biến động lãi suất điều hành mạnh và sự bùng nổ của thị trường trái phiếu doanh nghiệp giai đoạn 2022–2024.
  • Mô hình tĩnh FGLS chưa kiểm soát triệt để hiện tượng nội sinh động tiềm tàng của biến phụ thuộc có độ trễ ($\text{NIM}_{t-1}$).
  • Chưa tích hợp chỉ số số hóa ngân hàng (Digital Banking Adoption Index) do hạn chế công bố thông tin định lượng trên báo cáo thường niên.

Hướng nghiên cứu mở rộng

  • Ứng dụng phương pháp hồi quy phương sai tổng quát hệ thống hai bước (Two-step System GMM - Arellano-Bond Estimator) nhằm xử lý toàn diện tính nội sinh và độ trễ chuỗi thời gian.
  • Kết hợp thuật toán Machine Learning (XGBoost, Random Forest Regressor) để dự báo biến động NIM phi tuyến tính theo kịch bản căng thẳng (Stress Testing).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình nghiên cứu kinh tế lượng ứng dụng trên dữ liệu bảng, từ thống kê mô tả, kiểm định khuyết tật đến viết mã lệnh Stata chuyên sâu.
  • Chuyên viên Phân tích Dữ liệu Tài chính (Financial Data Analysts): Cung cấp phương pháp bóc tách dữ liệu báo cáo tài chính ngân hàng và kỹ thuật hiệu chỉnh sai số FGLS.
  • Ban Điều hành & Khối ALM Ngân hàng: Nắm bắt các trọng số tác động thực chứng để ra quyết định điều hành lãi suất, kiểm soát tỷ lệ LDR và phân bổ vốn chủ sở hữu hiệu quả.
  • Các Nhà hoạch định Chính sách (NHNN): Có thêm góc nhìn thực chứng về tác động của các quy định an toàn vốn và trần tín dụng đến biên sinh lời toàn hệ thống.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để triển khai mô hình FGLS?

Mô hình yêu cầu máy tính cài đặt phần mềm Stata (khuyến nghị phiên bản 15.0 trở lên, tối ưu trên Stata 17.0/18.0) hoặc môi trường Python với gói thư viện linearmodels / R package plm. Cần tối thiểu 4GB RAM để xử lý các ma trận hiệp phương sai dữ liệu bảng lớn.

2. Giới hạn quy mô dữ liệu và cách mở rộng cho tập mẫu lớn (Large N, Large T)?

Mô hình FGLS hoạt động tối ưu với dữ liệu bảng vi mô có số thực thể $N > T$. Khi mở rộng cho tập dữ liệu có $T$ lớn (chuỗi thời gian theo quý hoặc tháng), cần thực hiện thêm kiểm định nghiệm đơn vị trên dữ liệu bảng (Panel Unit Root Test như Levin-Lin-Chu hoặc Im-Pesaran-Shin) và kiểm định đồng liên kết (Panel Cointegration Test).

3. Làm thế nào để tích hợp kết quả mô hình vào hệ thống ALCO/Core Banking?

Hệ số hồi quy từ mô hình FGLS có thể được tích hợp vào công cụ tính toán FTP (Funds Transfer Pricing) và module mô phỏng ALM của ngân hàng dưới dạng các trọng số tham số hóa (Risk Weighting Parameters), giúp tự động hóa việc tính toán biên lãi hòa vốn cho từng khoản vay.

4. Quy trình bảo trì và tái ước lượng mô hình định kỳ diễn ra như thế nào?

Mô hình cần được cập nhật dữ liệu tài chính định kỳ theo quý hoặc sau mỗi kỳ kiểm toán năm. Khi có dữ liệu mới, toàn bộ quy trình kiểm tra đa cộng tuyến, Hausman test và ước lượng FGLS cần được chạy lại để hiệu chỉnh các hệ số $\beta$ phản ánh đúng chu kỳ kinh tế hiện tại.

5. Dự toán chi phí và hiệu quả đầu tư (ROI) khi xây dựng hệ thống dự báo NIM tự động?

Chi phí xây dựng hệ thống phân tích dữ liệu ALM tự động bao gồm bản quyền phần mềm phân tích ($1,500 – $3,000/seat) và chi phí xây dựng Data Pipeline. Lợi ích thu được (ROI) thể hiện qua việc tối ưu hóa chi phí vốn huy động từ 5–10 điểm cơ bản (bps), mang lại giá trị gia tăng hàng chục tỷ đồng lợi nhuận thuần hàng năm cho một ngân hàng quy mô trung bình.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán xác định và lượng hóa các nhân tố tác động đến tỷ lệ thu nhập lãi thuần (NIM) tại 29 NHTMCP Việt Nam trong giai đoạn 2012–2021. Bằng việc ứng dụng phương pháp kinh tế lượng bình phương tối thiểu tổng quát khả thi (FGLS) trên tập dữ liệu 289 quan sát, nghiên cứu đã khắc phục triệt để các khuyết tật phương sai sai số thay đổi và tự tương quan chuỗi, mang lại những bằng chứng thực nghiệm vững chắc. Kết quả khẳng định quy mô tài sản (SIZ), mức an toàn vốn (CAP), tỷ lệ cho vay trên huy động (LDR), rủi ro tín dụng (LLP) và chi phí hoạt động (OPE) là các trụ cột tác động cùng chiều có ý nghĩa thống kê đến NIM. Đây là nguồn tài liệu khoa học và thực tiễn giá trị, hỗ trợ trực tiếp cho các nhà quản trị ngân hàng trong việc hoạch định chính sách kinh doanh an toàn, bền vững và nâng cao năng lực cạnh tranh trong kỷ nguyên mới.