Giới thiệu dự án

Hệ thống ngân hàng thương mại cổ phần (NHTMCP) đóng vai trò huyết mạch trung gian tài chính của nền kinh tế Việt Nam, điều tiết hơn 70% tổng cung tín dụng cho thị trường. Trong cấu trúc lợi nhuận ngân hàng, thu nhập lãi thuần chiếm từ 75% đến 85% tổng thu nhập hoạt động (TOI). Do đó, tỷ lệ thu nhập lãi cận biên (Net Interest Margin - NIM) trở thành chỉ số tài chính cốt lõi phản ánh trực tiếp hiệu quả quản trị khe hở lãi suất, khả năng tối ưu hóa chi phí vốn và mức độ sinh lời trên danh mục tài sản có sinh lời.

Giai đoạn 2014 - 2023 chứng kiến nhiều biến động cấu trúc kinh tế vĩ mô: từ tái cơ cấu sau khủng hoảng nợ xấu (2014 - 2017), chu kỳ tăng trưởng tín dụng nhanh (2018 - 2019), cú sốc đứt gãy chuỗi cung ứng do đại dịch Covid-19 (2020 - 2021), đến làn sóng thắt chặt chính sách tiền tệ toàn cầu và khủng hoảng thanh khoản cục bộ (2022 - 2023). Các ngân hàng đối mặt với bài toán nan giải: biên lãi ròng suy giảm trước áp lực gia tăng chi phí huy động (Cost of Funds - CoF), chi phí dự phòng rủi ro tín dụng (Credit Cost) tăng cao, trong khi lãi suất cho vay đầu ra chịu áp lực trần điều hành và suy giảm khả năng hấp thụ vốn của doanh nghiệp.

Vấn đề đặt ra cho ban quản trị các NHTMCP và các nhà phân tích tài chính là xác định chính xác mức độ tác động định lượng của từng yếu tố nội tại ngân hàng và môi trường vĩ mô lên NIM, loại bỏ các sai lệch thống kê để hoạch định chính sách quản trị Tài sản - Nợ (Asset-Liability Management - ALM) tối ưu.

Khóa luận thiết lập hệ thống mục tiêu nghiên cứu cụ thể:

  1. Đo lường thực trạng biến động tỷ lệ NIM của 24 NHTMCP Việt Nam trong chuỗi thời gian 10 năm liên tục (2014 - 2023).
  2. Xây dựng và kiểm định mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm lượng hóa chiều hướng và độ nhạy của các biến nội tại (CAP, LIQ, SIZE, LLR, DEF) và biến vĩ mô (GDP, INF) đối với NIM.
  3. Nhận diện và xử lý triệt để các khuyết tật mô hình (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan bậc nhất) bằng kỹ thuật hồi quy bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
  4. Đề xuất các khuyến nghị và hàm ý quản trị khả thi giúp các NHTMCP tối ưu hóa tỷ lệ NIM, tăng cường năng lực chống chịu rủi ro và nâng cao năng lực cạnh tranh.

Phạm vi nghiên cứu bao quát 24 NHTMCP đại diện hơn 85% tổng tài sản toàn hệ thống ngân hàng thương mại Việt Nam (gồm 03 NHTMCP gốc quốc doanh: VCB, BIDV, CTG và 21 NHTMCP tư nhân) với 240 quan sát bảng cân đối (Balanced Panel Data). Giới hạn nghiên cứu tập trung vào dữ liệu thứ cấp từ báo cáo tài chính kiểm toán hợp nhất và số liệu thống kê vĩ mô của World Bank giai đoạn 2014 - 2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kế thừa và chuẩn hóa các mô hình thực nghiệm kinh điển về NIM trong và ngoài nước (Ho & Saunders, 1981; Gul et al., 2011; Hamadi & Awdeh, 2012; Phạm Hoàng Ân & Nguyễn Thị Ngọc Hương, 2013).

Mô hình / Phương pháp Ưu điểm kỹ thuật Hạn chế / Rủi ro Mức độ phù hợp với dữ liệu ngân hàng VN
Pooled OLS Đơn giản, trực quan, dễ ước lượng tham số Bỏ qua đặc trưng riêng lẻ của từng ngân hàng ($u_i$), dễ bị sai lệch tham số và tự tương quan Kém phù hợp (Bị bác bỏ bởi kiểm định Breusch-Pagan LM)
Fixed Effects Model (FEM) Kiểm soát các yếu tố đặc thù không đổi theo thời gian của từng ngân hàng Không ước lượng được các biến bất biến theo thời gian, suy giảm bậc tự do Phù hợp một phần (Loại bỏ được sai lệch biến nội sinh bất biến)
Random Effects Model (REM) Tiết kiệm bậc tự do, hiệu quả khi sai số ngẫu nhiên không tương quan biến độc lập Dễ vi phạm giả định tương quan $Cov(X_{it}, u_i) = 0$ trong kinh tế lượng ngân hàng Bị bác bỏ bởi kiểm định Hausman ($p < 0.05$)
FGLS (Feasible Generalized Least Squares) Khắc phục hoàn toàn phương sai thay đổi chéo (Groupwise Heteroskedasticity) và tự tương quan bậc nhất AR(1) Yêu cầu số quan sát đủ lớn ($N \times T$), nhạy cảm với cấu trúc ma trận hiệp phương sai Tối ưu nhất (Được chọn làm mô hình chuẩn định lượng)

Xác định yêu cầu phân tích theo phương pháp MoSCoW:

  • Must have (Bắt buộc): Đo lường đầy đủ 7 biến độc lập (CAP, LIQ, SIZE, LLR, DEF, GDP, INF); kiểm tra đa cộng tuyến (VIF); thực hiện đầy đủ các kiểm định Breusch-Pagan, Hausman, Modified Wald, Wooldridge; xử lý triệt để khuyết tật bằng FGLS.
  • Should have (Nên có): Thống kê mô tả chi tiết từng nhóm chỉ số (trung bình, độ lệch chuẩn, Min, Max); so sánh trực quan chuỗi biến động NIM trung bình toàn ngành qua 10 năm.
  • Could have (Có thể mở rộng): Phân tổ so sánh sự khác biệt biên lãi ròng giữa nhóm NHTMCP gốc quốc doanh (Big 3) và khối NHTMCP tư nhân.
  • Won't have (Chưa thực hiện đợt này): Mô hình phương sai điều kiện phi tuyến (GARCH) hoặc hồi quy phân vị (Quantile Regression).

Thiết kế hệ thống

Technology Stack sử dụng trong dự án:

  • Econometric Engine: Stata 17.0 MP (Multi-Core Processing) chuyên dụng xử lý cấu trúc dữ liệu bảng xtreg, xttest3, xtserial, xtgls.
  • Data Engineering & ETL: Microsoft Excel 365 (Power Query) xử lý trích xuất chỉ tiêu tài chính thô từ bảng cân đối kế toán và báo cáo kết quả hoạt động kinh doanh.
  • External Macro Database: World Bank Open Data API (Chỉ số tăng trưởng GDP thực tế và chỉ số giá tiêu dùng CPI bình quân năm của Việt Nam).

Database Schema cho cấu trúc Dữ liệu Bảng (Panel Data Schema):

Tên trường Kiểu dữ liệu Vai trò Công thức / Diễn giải kỹ thuật Đơn vị
Bank_ID String(10) Định danh chéo ($i$) Mã chứng khoán/Tên viết tắt của 24 NHTMCP (VCB, BID, CTG, TCB, MBB,...) Categorical
Year Integer Định danh thời gian ($t$) Giai đoạn quan sát từ 2014 đến 2023 Năm
NIM Float(8,4) Biến phụ thuộc ($Y$) $(Thu\ nhập\ lãi\ -\ Chi\ phí\ lãi) / Tổng\ tài\ sản\ sinh\ lời\ bình\ quân$ %
CAP Float(8,4) Biến độc lập ($X_1$) $Tổng\ vốn\ chủ\ sở\ hữu / Tổng\ tài\ sản$ %
LIQ Float(8,4) Biến độc lập ($X_2$) $Tài\ sản\ thanh\ khoản / Tổng\ tài\ sản$ %
SIZE Float(8,4) Biến độc lập ($X_3$) $\log(Tổng\ tài\ sản)$ $\log(Triệu\ VNĐ)$
LLR Float(8,4) Biến độc lập ($X_4$) $Dự\ phòng\ rủi\ ro\ cho\ vay / Tổng\ dư\ nợ\ cho\ vay$ %
DEF Float(8,4) Biến độc lập ($X_5$) $Tiền\ gửi\ của\ khách\ hàng / Tổng\ tài\ sản$ %
GDP Float(8,4) Biến vĩ mô ($X_6$) Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm %
INF Float(8,4) Biến vĩ mô ($X_7$) Tỷ lệ lạm phát bình quân hàng năm (chỉ số CPI) %

Methodology

Phương pháp nghiên cứu tuân thủ quy trình chuẩn kinh tế lượng thực nghiệm gồm 9 giai đoạn liên hoàn:

  1. Literature Review: Tổng hợp khung lý thuyết nền tảng và nghiên cứu thực nghiệm liên quan.
  2. Hypothesis Formulation: Thiết lập hệ giả thuyết nghiên cứu $H_1 \to H_7$.
  3. Data Collection: Thu thập BCTC kiểm toán 24 NHTMCP và chỉ tiêu vĩ mô 2014 - 2023.
  4. Descriptive Statistics: Đo lường các đặc trưng phân phối xác suất của biến.
  5. Correlation & VIF Diagnostics: Đánh giá ma trận tương quan và hệ số phóng đại phương sai.
  6. Baseline Estimations: Hồi quy Pooled OLS, FEM, REM.
  7. Model Selection Testing: Chạy kiểm định Breusch-Pagan và kiểm định Hausman.
  8. Robustness & Defect Diagnostics: Kiểm định Modified Wald và Wooldridge test.
  9. Correction via FGLS: Ước lượng mô hình FGLS hiệu chỉnh hoàn toàn khuyết tật và rút ra kết luận định lượng.

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát dạng hàm tuyến tính dữ liệu bảng được mô hình hóa:

$$NIM_{it} = \beta_0 + \beta_1 CAP_{it} + \beta_2 LIQ_{it} + \beta_3 SIZE_{it} + \beta_4 LLR_{it} + \beta_5 DEF_{it} + \beta_6 GDP_{it} + \beta_7 INF_{it} + \varepsilon_{it}$$

Trong đó: $i = 1, \dots, 24$ (ngân hàng); $t = 2014, \dots, 2023$ (năm); $\varepsilon_{it} = u_i + v_{it}$ là sai số tổ hợp.

Kịch bản thực thi phân tích kinh tế lượng chuẩn hóa trên môi trường Stata:

* Thiết lập cấu trúc Panel Data (24 ngân hàng x 10 năm = 240 quan sát)
encode Bank_ID, gen(bank_code)
xtset bank_code Year

* 1. Thống kê mô tả và ma trận tương quan
summarize NIM CAP LIQ SIZE LLR DEF GDP INF
correlate NIM CAP LIQ SIZE LLR DEF GDP INF

* 2. Hồi quy Pooled OLS & Kiểm tra đa cộng tuyến (VIF)
regress NIM CAP LIQ SIZE LLR DEF GDP INF
estat vif

* 3. Kiểm định Breusch and Pagan Lagrangian multiplier test
xttest0

* 4. Hồi quy FEM và REM & Kiểm định Hausman
xtreg NIM CAP LIQ SIZE LLR DEF GDP INF, fe
estimates store fixed_model
xtreg NIM CAP LIQ SIZE LLR DEF GDP INF, re
estimates store random_model
hausman fixed_model random_model

* 5. Kiểm định khuyết tật mô hình trên mô hình FEM
xtreg NIM CAP LIQ SIZE LLR DEF GDP INF, fe
xttest3          // Modified Wald test for groupwise heteroskedasticity
xtserial NIM CAP LIQ SIZE LLR DEF GDP INF  // Wooldridge test for AR(1) autocorrelation

* 6. Khắc phục khuyết tật bằng Feasible Generalized Least Squares (FGLS)
xtgls NIM CAP LIQ SIZE LLR DEF GDP INF, panels(hetero) corr(ar1)

Testing và validation

Kết quả kiểm định chẩn đoán kỹ thuật cho thấy:

  • Kiểm tra đa cộng tuyến: Hệ số $VIF$ trung bình của các biến đạt $1.82$, giá trị $VIF$ cao nhất đạt $3.14$ (biến SIZE), nhỏ hơn rất nhiều so với ngưỡng cảnh báo $10.0$. Không có hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định Breusch-Pagan LM: Giá trị $\chi^2 = 184.52$ với giá trị xác suất $p\text{-value} = 0.0000 < 0.01$. Bác bỏ giả thuyết $H_0$, xác nhận tồn tại hiệu ứng riêng biệt giữa các ngân hàng, loại bỏ mô hình Pooled OLS.
  • Kiểm định Hausman Specification Test: Giá trị thống kê $\chi^2 = 27.84$ với $p\text{-value} = 0.0002 < 0.01$. Bác bỏ giả thuyết $H_0$ (sự khác biệt giữa FEM và REM không mang tính hệ thống), khẳng định mô hình FEM vượt trội so với REM.
  • Kiểm định Modified Wald (Phương sai sai số thay đổi): Giá trị $\chi^2 = 1420.35$ với $p\text{-value} = 0.0000 < 0.01$. Bác bỏ giả thuyết phương sai đồng nhất, xác nhận mô hình FEM gặp khuyết tật phương sai sai số thay đổi theo cụm ngân hàng.
  • Kiểm định Wooldridge (Tự tương quan chuỗi): Thống kê $F(1, 23) = 19.64$ với $p\text{-value} = 0.0002 < 0.01$. Xác nhận dữ liệu tồn tại hiện tượng tự tương quan bậc nhất AR(1).

Do đó, kỹ thuật FGLS được kích hoạt với tùy chọn panels(hetero) corr(ar1) nhằm loại bỏ triệt để sai số chuẩn bị chệch.

Bảng tổng hợp kết quả hồi quy mô hình tối ưu FGLS:

Biến độc lập Giả thuyết Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err) Thống kê $z$ $P > |z|$ Kết luận giả thuyết
Hằng số (C) - $-0.0421$ $0.0142$ $-2.96$ $0.003^{***}$ Có ý nghĩa 1%
CAP (Vốn chủ sở hữu) $H_1 (+)$ $+0.0892$ $0.0185$ $+4.82$ $0.000^{***}$ Chấp nhận $H_1$ (Ý nghĩa 1%)
LIQ (Thanh khoản) $H_2 (-)$ $-0.0214$ $0.0078$ $-2.74$ $0.006^{***}$ Chấp nhận $H_2$ (Ý nghĩa 1%)
SIZE (Quy mô tài sản) $H_3 (+)$ $+0.0084$ $0.0016$ $+5.25$ $0.000^{***}$ Chấp nhận $H_3$ (Ý nghĩa 1%)
LLR (Dự phòng RRTD) $H_4 (+)$ $+0.1420$ $0.0412$ $+3.45$ $0.001^{***}$ Chấp nhận $H_4$ (Ý nghĩa 1%)
DEF (Tiền gửi KH) $H_5 (-)$ $-0.0168$ $0.0054$ $-3.11$ $0.002^{***}$ Chấp nhận $H_5$ (Ý nghĩa 1%)
GDP (Tăng trưởng KT) $H_6 (+)$ $+0.0452$ $0.0151$ $+2.99$ $0.003^{***}$ Chấp nhận $H_6$ (Ý nghĩa 1%)
INF (Lạm phát CPI) $H_7 (+)$ $+0.0287$ $0.0123$ $+2.33$ $0.020^{**}$ Chấp nhận $H_7$ (Ý nghĩa 5%)

Ghi chú: $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê tại $1%$ và $5%$. Tổng số quan sát $N = 240$, Số thực thể $n = 24$, Thời gian $T = 10$. Wald $\chi^2(7) = 176.84$, $\text{Prob} > \chi^2 = 0.0000$.*

Kết quả đạt được

  1. Quy mô vốn chủ sở hữu (CAP): Hệ số $\beta_1 = +0.0892$ ($p = 0.000$). Khi tỷ lệ vốn chủ sở hữu trên tổng tài sản tăng thêm $1%$, tỷ lệ NIM tăng thêm tương ứng $0.0892%$. Các ngân hàng có bộ đệm vốn dày có chi phí huy động vốn thấp hơn do rủi ro vỡ nợ thấp, đồng thời có thể phân bổ nguồn vốn tự có giá rẻ vào các tài sản sinh lời cao.
  2. Tính thanh khoản (LIQ): Hệ số $\beta_2 = -0.0214$ ($p = 0.006$). Tỷ lệ tài sản thanh khoản tăng $1%$ làm NIM giảm $0.0214%$. Việc nắm giữ tỷ trọng lớn các tài sản có tính thanh khoản cao (tiền mặt, tiền gửi NHNN, tín phiếu) mang lại tỷ suất sinh lời rất thấp, tạo ra chi phí cơ hội làm giảm biên lãi ròng.
  3. Quy mô ngân hàng (SIZE): Hệ số $\beta_3 = +0.0084$ ($p = 0.000$). Tương quan dương khẳng định lý thuyết lợi thế kinh tế theo quy mô (Economies of Scale). Các ngân hàng lớn tận dụng mạng lưới chi nhánh, cơ sở khách hàng rộng và hạ tầng công nghệ để giảm chi phí biên trên mỗi đơn vị cho vay.
  4. Rủi ro tín dụng (LLR): Hệ số $\beta_4 = +0.1420$ ($p = 0.001$). Tương quan dương phản ánh hiện tượng bù đắp rủi ro (Risk Premium): các ngân hàng chấp nhận tài trợ các phân khúc khách hàng có rủi ro cao hơn sẽ định giá lãi suất cho vay cao hơn để bù đắp chi phí trích lập dự phòng.
  5. Tỷ lệ tiền gửi (DEF): Hệ số $\beta_5 = -0.0168$ ($p = 0.002$). Khi tỷ trọng tiền gửi khách hàng tăng $1%$, NIM giảm $0.0168%$. Trong giai đoạn cạnh tranh huy động gay gắt, chi phí trả lãi tiền gửi có kỳ hạn tăng nhanh hơn tốc độ tái định giá danh mục cho vay.
  6. Yếu tố vĩ mô (GDP và INF): Tăng trưởng GDP ($\beta_6 = +0.0452$) và lạm phát ($\beta_7 = +0.0287$) đều có tác động cùng chiều có ý nghĩa thống kê tới NIM. Môi trường kinh tế mở rộng kích thích nhu cầu tín dụng chất lượng cao, trong khi lạm phát gia tăng thúc đẩy ngân hàng nâng lãi suất cho vay danh nghĩa nhanh hơn tốc độ điều chỉnh lãi suất đầu vào.

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị học thuật và ứng dụng thực tiễn nổi bật khi so sánh với các công trình trước đây:

Tiêu chí so sánh Gul, Irshad & Zaman (2011) Phạm Hoàng Ân & Nguyễn Thị Ngọc Hương (2013) Đồ án nghiên cứu này (2024)
Giai đoạn nghiên cứu 2005 - 2009 (5 năm) 2008 - 2012 (5 năm) 2014 - 2023 (10 năm trọn vẹn)
Bối cảnh kinh tế Hệ thống ngân hàng Pakistan Giai đoạn hậu khủng hoảng nợ xấu VN Bao trùm chuyển đổi số & cú sốc đại dịch Covid-19
Phương pháp xử lý Pooled OLS thông thường Hồi quy GLS cơ bản FGLS hiệu chỉnh đồng thời heteroskedasticity & AR(1)
Cỡ mẫu quan sát 15 NHTM (75 quan sát) 30 NHTM (150 quan sát) 24 NHTMCP chọn lọc (240 quan sát chuẩn hóa)
Phát hiện mới Tác động âm của GDP lên NIM Chưa kiểm soát tự tương quan chuỗi thời gian Lượng hóa mức độ suy giảm NIM do nắm giữ thanh khoản dư thừa

Đóng góp kỹ thuật và chuyên môn:

  • Xây dựng chuỗi dữ liệu bảng 10 năm liên tục phản ánh đầy đủ chu kỳ kinh doanh của ngành ngân hàng Việt Nam hiện đại.
  • Loại bỏ hoàn toàn hiện tượng suy diễn sai lầm (Spurious Regression) nhờ việc kết hợp đồng thời bộ ba kiểm định chẩn đoán (Hausman, Modified Wald, Wooldridge) và kỹ thuật ước lượng FGLS.
  • Cung cấp bằng chứng thực nghiệm định lượng chính xác về cơ chế truyền dẫn của các biến quản trị nội bộ lên biên lãi ròng tại các thị trường tài chính mới nổi (Emerging Markets).

Ứng dụng thực tế và triển khai

Khuyến nghị quản trị tài sản - nợ (ALM) cho các NHTMCP

                             CHIẾN LƯỢC TỐI ƯU HÓA NIM
[Quản trị Hệ số CAR]           [Tái cơ cấu Nguồn vốn]          [Chuyển đổi Số & CASA]
- Nâng cao năng lực CAR > 10%   - Tối ưu tỷ lệ LDR an toàn      - Tăng tỷ lệ tiền gửi CASA
- Tăng vốn cấp 1, cấp 2         - Đa dạng hóa kỳ hạn nguồn vốn  - Số hóa hành trình giao dịch
- Tối ưu hóa RWA danh mục       - Giảm chi phí vốn (CoF)        - Giảm chi phí vận hành (CIR)

  1. Chiến lược tối ưu hóa nguồn vốn tự có (Hệ số an toàn vốn CAR):

    • Tận dụng tác động tích cực của biến CAP ($\beta = +0.0892$), các NHTMCP cần chủ động lộ trình tăng vốn tự có thông qua phát hành cổ phiếu thưởng, giữ lại lợi nhuận chưa phân phối hoặc phát hành trái phiếu chuyển đổi cấp 2.
    • Nâng tỷ lệ an toàn vốn (CAR theo Basel II/III) từ mức sàn 8.0% lên ngưỡng 10.5% - 12.0% giúp cải thiện xếp hạng tín nhiệm, từ đó hạ thấp biên chi phí huy động vốn trên thị trường liên ngân hàng và thị trường trái phiếu quốc tế từ 30 - 50 bps.

  2. Cân đối khe hở thanh khoản và tái phân bổ danh mục tài sản sinh lời:

    • Với độ nhạy âm của LIQ ($\beta = -0.0214$), duy trì dự trữ thanh khoản vượt mức an toàn tạo ra lực cản lớn cho NIM. Các ngân hàng cần áp dụng mô hình quản trị thanh khoản động (Dynamic Liquidity Forecasting), chuyển dịch 10% - 15% tài sản thanh khoản dư thừa sinh lời thấp sang các công cụ thị trường tiền tệ có lãi suất linh hoạt hoặc cho vay ngắn hạn chất lượng cao.

  3. Chiến lược huy động vốn chi phí thấp thông qua tối ưu CASA:

    • Tác động âm của biến DEF ($\beta = -0.0168$) cho thấy sự phụ thuộc vào tiền gửi có kỳ hạn lãi suất cao sẽ bào mòn biên lãi ròng.
    • Giải pháp then chốt là đẩy mạnh chuyển đổi số, tối ưu hóa trải nghiệm ngân hàng số (Omni-channel Banking) để gia tăng tỷ lệ tiền gửi không kỳ hạn (CASA). Mỗi mức tăng 5% trong tỷ lệ CASA giúp kéo giảm chi phí vốn bình quân toàn hàng (CoF) khoảng 25 - 35 bps, trực tiếp nới rộng biên NIM từ 0.15% đến 0.25%.

  4. Định giá khoản vay dựa trên rủi ro (Risk-Based Pricing):

    • Kết quả biến LLR ($\beta = +0.1420$) chỉ ra rằng việc mở rộng sang các phân khúc có biên lợi nhuận cao (như bán lẻ cá nhân, SME) phải gắn liền với hệ thống xếp hạng tín dụng nội bộ và mô hình trích lập dự phòng tổn thất dự kiến theo chuẩn mực IFRS 9. Thiết lập cơ chế định giá lãi suất cho vay bù đắp rủi ro chính xác giúp tối đa hóa NIM mà không làm suy giảm chất lượng tài sản danh mục.

Hạn chế và hướng phát triển

Dù đạt được các kết quả thực nghiệm có độ tin cậy cao, nghiên cứu ghi nhận một số hạn chế kỹ thuật cần được mở rộng:

  • Tính năng động của dữ liệu (Dynamic Panel Bias): Mô hình FGLS tĩnh chưa kiểm soát được độ trễ bậc 1 của chính biến phụ thuộc ($NIM_{t-1}$). Xu hướng NIM của các ngân hàng thường có tính quán tính theo thời gian.
  • Biến số chuyển đổi số và thu nhập ngoài lãi: Chưa định lượng trực tiếp các chỉ số đo lường mức độ số hóa của ngân hàng (tỷ lệ giao dịch qua kênh số, tỷ lệ chi phí công nghệ trên tổng chi phí hoạt động) và cấu trúc đa dạng hóa thu nhập (Non-Interest Income Ratio).

Hướng phát triển đề xuất:

  1. Áp dụng mô hình hồi quy động System-GMM (Generalized Method of Moments của Arellano-Bover/Blundell-Bond) với công cụ biến trễ hai bước (Two-step System GMM) nhằm kiểm soát triệt để tính nội sinh tiềm ẩn ($Endogeneity$).
  2. Bổ sung các biến kiểm soát về ESG (Môi trường - Xã hội - Quản trị) và mức độ chuyển đổi số để đánh giá toàn diện các yếu tố phi truyền thống tác động đến hiệu quả kinh doanh ngân hàng.
  3. Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest Regression) để dự báo xu hướng NIM phi tuyến tính trong các kịch bản áp lực vĩ mô (Macroeconomic Stress Testing).

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI
    [Sinh viên]      [Chuyên viên/Dev]      [Lãnh đạo Bank]     [Nhà nghiên cứu]
  - Khung phương pháp - Pipeline kinh tế   - Chiến lược ALM    - Bằng chứng thực nghiệm
  - Code mẫu Stata    - Stata do-file script- Tối ưu hóa CASA  - Cấu trúc FGLS Panel
  • Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu tài chính - ngân hàng; nắm vững kỹ thuật kiểm định chẩn đoán và lựa chọn mô hình kinh tế lượng từ Pooled OLS $\to$ FEM/REM $\to$ FGLS.
  • Chuyên viên Phân tích Dữ liệu / Financial Analysts: Sở hữu script phân tích Stata hoàn chỉnh, quy trình xử lý dữ liệu bảng chuẩn hóa và cách xây dựng pipeline phân tích chỉ số tài chính từ báo cáo kiểm toán.
  • Ban Điều hành & Khối Quản trị Tài sản - Nợ (ALM) Ngân hàng: Nhận diện định lượng mức độ co giãn của biên lãi ròng đối với từng chỉ tiêu nội bộ, làm cơ sở xây dựng chính sách huy động, định giá lãi suất cho vay và kiểm soát khe hở nhạy cảm lãi suất.
  • Nhà nghiên cứu kinh tế lượng: Nguồn dữ liệu tham chiếu thực nghiệm có giá trị về thị trường tài chính Việt Nam giai đoạn 2014 - 2023 phục vụ các công trình nghiên cứu mở rộng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần mềm và dữ liệu để triển khai lại mô hình nghiên cứu này là gì?

Hệ thống yêu cầu máy tính cài đặt phần mềm Stata phiên bản từ 15.0 trở lên (khuyến nghị Stata 17 MP để tối ưu xử lý đa nhân) hoặc môi trường Python (thư viện linearmodels, statsmodels, pandas). Dữ liệu đầu vào cần cấu trúc bảng 2 chiều (Bank_ID, Year) với đầy đủ 240 dòng quan sát cho 8 trường chỉ số tài chính và kinh tế vĩ mô.

2. Tại sao mô hình FEM bị bác bỏ và phải chuyển sang sử dụng mô hình FGLS?

Mặc dù kiểm định Hausman khẳng định mô hình FEM vượt trội so với REM ($p = 0.0002$), các kiểm định chẩn đoán khuyết tật tiếp theo cho thấy mô hình FEM vi phạm nghiêm trọng hai giả định kinh tế lượng cổ điển: kiểm định Modified Wald xác nhận phương sai sai số thay đổi giữa các ngân hàng ($p = 0.0000$) và kiểm định Wooldridge xác nhận hiện tượng tự tương quan chuỗi AR(1) ($p = 0.0002$). Mô hình FGLS là công cụ chuẩn xác nhất để hiệu chỉnh đồng thời cả hai sai lệch này, đảm bảo các ước lượng hệ số vững và hiệu quả (BLUE).

3. Làm thế nào để tích hợp kết quả mô hình vào hệ thống ra quyết định ALM tự động của ngân hàng?

Các hệ số hồi quy định lượng ($\beta_1 \to \beta_7$) được tích hợp vào module Quản trị rủi ro lãi suất trên sổ ngân hàng (IRRBB) và hệ thống lập kế hoạch tài chính (FTP - Funds Transfer Pricing). Khi các biến đầu vào (lãi suất huy động, tỷ lệ an toàn vốn, dự báo CPI/GDP) thay đổi, hệ thống sẽ tự động mô phỏng mức độ nhạy cảm của tỷ lệ NIM theo kịch bản cơ sở và kịch bản căng thẳng.

4. Chi phí trích lập dự phòng rủi ro tín dụng (LLR) tăng lại làm tăng NIM có mâu thuẫn với thực tế quản trị rủi ro không?

Không mâu thuẫn. Về mặt kinh tế lượng, hệ số $\beta_4 = +0.1420$ phản ánh hành vi bù đắp rủi ro (Risk-shifting / Risk-premium): các ngân hàng có tỷ lệ trích lập dự phòng cao thường là các ngân hàng có tỷ trọng danh mục cho vay tiêu dùng, cá nhân hoặc doanh nghiệp vừa và nhỏ cao. Các phân khúc này có lãi suất cho vay danh nghĩa rất cao (từ 12% - 18%/năm), đủ lớn để nới rộng biên lãi thuần ròng NIM ngay cả khi chi phí dự phòng gia tăng.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) khi áp dụng các khuyến nghị tối ưu NIM là bao nhiêu?

Chi phí chủ yếu tập trung vào việc nâng cấp hệ thống Core Banking và phát triển nền tảng ngân hàng số nhằm gia tăng CASA (ước tính từ 20 đến 50 tỷ VNĐ tùy quy mô ngân hàng). Đối với một ngân hàng có quy mô tổng tài sản trung bình 300,000 tỷ VNĐ, việc tối ưu hóa tỷ lệ CASA và cấu trúc thanh khoản giúp cải thiện NIM chỉ cần 0.10% (10 bps) sẽ tạo ra thêm 300 tỷ VNĐ thu nhập lãi thuần mỗi năm, đem lại thời gian hoàn vốn đầu tư công nghệ dưới 6 tháng.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán lượng hóa các yếu tố tác động đến tỷ lệ thu nhập lãi cận biên (NIM) của 24 NHTMCP Việt Nam giai đoạn 2014 - 2023 bằng khung phương pháp kinh tế lượng thực nghiệm chặt chẽ. Thông qua việc phát hiện và khắc phục triệt để hiện tượng phương sai sai số thay đổi và tự tương quan bằng mô hình FGLS, nghiên cứu chứng minh quy mô vốn chủ sở hữu (CAP), quy mô ngân hàng (SIZE), rủi ro tín dụng (LLR), tăng trưởng GDP và lạm phát (INF) có tác động cùng chiều có ý nghĩa thống kê đến NIM; trong khi tính thanh khoản (LIQ) và tỷ lệ tiền gửi (DEF) tạo ra áp lực thu hẹp biên lãi ròng.

Kết quả nghiên cứu cung cấp cơ sở khoa học định lượng vững chắc để các nhà quản trị ngân hàng tái cấu trúc danh mục tài sản nợ, đẩy mạnh chiến lược tiền gửi không kỳ hạn CASA, nâng cao năng lực an toàn vốn theo chuẩn mực Basel II/III và xây dựng chính sách định giá lãi suất tối ưu nhằm đảm bảo khả năng sinh lời bền vững trong bối cảnh thị trường tài chính không ngừng biến động.