Giới thiệu dự án

Trong cấu trúc hệ thống tài chính hiện đại, hệ thống Ngân hàng Thương mại Cổ phần (NHTM CP) đóng vai trò huyết mạch trong việc dẫn vốn, phân bổ nguồn lực và duy trì tính thanh khoản cho toàn bộ nền kinh tế. Hiệu quả hoạt động và khả năng sinh lời (KNSL) của các ngân hàng không chỉ phản ánh năng lực quản trị nội bộ mà còn là chỉ báo quan trọng về sức khỏe kinh tế vĩ mô. Giai đoạn 2012–2022 chứng kiến những chuyển biến sâu sắc của ngành ngân hàng Việt Nam: từ tái cơ cấu nợ xấu hậu khủng hoảng tài chính 2008, triển khai chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN), đến việc đối mặt với cú sốc kinh tế chưa từng có tiền lệ do đại dịch Covid-19 (2020–2022).

Vấn đề cốt lõi đặt ra là: Những nhân tố nội tại nào (quy mô, chất lượng tài sản, cơ cấu vốn, chi phí) và nhân tố vĩ mô nào thực sự chi phối KNSL của các NHTM CP niêm yết tại Việt Nam? Đại dịch Covid-19 tác động tiêu cực hay tạo động lực chuyển đổi số gia tăng biên lợi nhuận cho các ngân hàng? Trước bối cảnh các nghiên cứu trước đây (như Phan Thị Hằng Nga và cộng sự, 2022; Phạm Xuân Quỳnh, 2022) đưa ra những kết luận thực nghiệm trái chiều về tác động của đại dịch Covid-19, đề tài nghiên cứu chuyên sâu của tác giả Lê Hồng Nhi (Đại học Ngân hàng TP. Hồ Chí Minh) đã được thực hiện nhằm cung cấp một khung phân tích định lượng chuẩn xác và toàn diện.

                                  KHUNG MỤC TIÊU NGHIÊN CỨU
  +---------------------------------------------------------------------------------------+
  | 1. Định danh & đo lường các yếu tố nội tại/vĩ mô tác động đến ROA và ROE (2012-2022). |
  | 2. Kiểm định thực nghiệm sự tồn tại và chiều hướng tác động của đại dịch Covid-19.   |
  | 3. Xây dựng mô hình khắc phục khuyết tật phương sai thay đổi & tự tương quan (GLS).   |
  | 4. Đề xuất hàm ý quản trị nâng cao năng lực tài chính & tối ưu hóa tỷ lệ sinh lời.    |
  +---------------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Xác định và lượng hóa mức độ tác động của 10 biến độc lập thuộc nhóm đặc trưng ngân hàng (SIZE, NPL, LLR, TE, COST, CIR, DEP) và nhóm vĩ mô (INF, GDP, COD) lên 2 chỉ tiêu KNSL đại diện là Tỷ suất sinh lời trên tổng tài sản bình quân (Return on Assets - ROA) và Tỷ suất sinh lời trên vốn chủ sở hữu bình quân (Return on Equity - ROE).
  2. Giải quyết khoảng trống nghiên cứu về tác động thực tế của biến cố đại dịch Covid-19 trên bộ dữ liệu bảng kéo dài 11 năm.
  3. Thiết lập quy trình kinh tế lượng chuẩn mực từ ước lượng OLS, FEM, REM đến kiểm định chẩn đoán và khắc phục sai phạm bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS/GLS).

Phương pháp tiếp cận và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Kết hợp nghiên cứu định tính (tổng quan lý thuyết ma sát lợi nhuận, lý thuyết độc quyền, lý thuyết đổi mới của Schumpeter, lý thuyết bù đắp rủi ro) và phân tích định lượng dữ liệu bảng (Panel Data Econometrics).
  • Phạm vi không gian: 31 NHTM CP Việt Nam niêm yết công khai trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX).
  • Phạm vi thời gian: Giai đoạn 2012 - 2022, thu thập từ báo cáo tài chính (BCTC) hợp nhất đã kiểm toán, hình thành bộ dữ liệu bảng gồm $N = 336$ quan sát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình hồi quy dữ liệu bảng đa biến, các phương pháp đánh giá KNSL ngân hàng truyền thống thường bộc lộ nhiều hạn chế về mặt thống kê và khả năng kiểm soát tính không đồng nhất giữa các đơn vị chéo (cross-sectional heterogeneity).

Tiêu chí so sánh Phương pháp CAMELS truyền thống Hồi quy OLS gộp (Pooled OLS) Mô hình Dữ liệu bảng & GLS (Giải pháp đề xuất)
Bản chất kỹ thuật Chấm điểm chỉ số tài chính tĩnh từng kỳ Hồi quy tuyến tính cổ điển trên toàn bộ mẫu Kiểm soát biến ngẫu nhiên/cố định, xử lý Heteroskedasticity & AR(1)
Ưu điểm Đơn giản, dễ theo dõi trực quan Dễ ước lượng, tính toán nhanh Khắc phục triệt để hiện tượng sai lệch ước lượng; hệ số BLUE vững
Nhược điểm Bỏ qua tương quan chuỗi và tác động vĩ mô Vi phạm giả định Gauss-Markov khi có hiện tượng cụm (clustering) Đòi hỏi xử lý toán kinh tế lượng phức tạp trên Stata
Độ tin cậy thống kê Thấp (định tính chủ quan) Trung bình (dễ bị chệch tham số) Rất cao ($p\text{-value} < 0.01$, $\text{Prob} > \chi^2 = 0.0000$)

Phân loại yêu cầu mô hình hóa theo MoSCoW

  • Must-have (Bắt buộc): Đo lường trực tiếp ROA và ROE; kiểm soát đa cộng tuyến thông qua hệ số VIF (Variance Inflation Factor); thực hiện kiểm định Hausman và kiểm định tự tương quan Wooldridge.
  • Should-have (Nên có): Xử lý triệt để hiện tượng phương sai sai số thay đổi bằng ước lượng FGLS (xtgls); đưa biến giả đại dịch Covid-19 (COD) vào phương trình hồi quy.
  • Could-have (Có thể mở rộng): Tách biệt nhóm ngân hàng theo quy mô vốn và mức độ áp dụng chuẩn Basel II.
  • Won't-have (Không thực hiện): Không áp dụng mô hình chuỗi thời gian đơn lẻ ARIMA do không kiểm soát được đặc tính vi mô của từng ngân hàng.

Thiết kế hệ thống và định nghĩa biến

Hệ thống biến số được chuẩn hóa dựa trên các chuẩn mực kế toán tài chính quốc tế và quy định của Ngân hàng Nhà nước Việt Nam (NHNN):

                                    CẤU TRÚC BIẾN KINH TẾ LƯỢNG
  +------------------------------------------------------------------------------------------------------+
  | BIẾN PHỤ THUỘC (Profitability Metrics):                                                              |
  |  - ROA (Return on Assets) = Lợi nhuận sau thuế / Tổng tài sản bình quân                             |
  |  - ROE (Return on Equity) = Lợi nhuận sau thuế / Vốn chủ sở hữu bình quân                           |
  +------------------------------------------------------------------------------------------------------+
  | BIẾN ĐỘC LẬP NỘI TẠI (Bank-Specific Variables):                                                      |
  |  1. SIZE = Logarit tự nhiên của Tổng tài sản (Ln(Total Assets))                                      |
  |  2. NPL  = Tỷ lệ nợ xấu (Nợ nhóm 3-5 / Tổng dư nợ cho vay)                                          |
  |  3. LLR  = Rủi ro tín dụng (Dự phòng rủi ro / Tổng dư nợ)                                            |
  |  4. TE   = Tỷ lệ an toàn vốn (Tổng vốn chủ sở hữu / Tổng tài sản)                                    |
  |  5. COST = Chi phí vốn lãi (Chi phí trả lãi / Tổng vốn huy động bình quân)                           |
  |  6. CIR  = Chi phí hoạt động (Chi phí hoạt động / Tổng thu nhập hoạt động)                           |
  |  7. DEP  = Cấu trúc tài trợ (Tiền gửi khách hàng / Tổng nợ phải trả)                                 |
  +------------------------------------------------------------------------------------------------------+
  | BIẾN ĐỘC LẬP VĨ MÔ & NGOẠI CẢNH (Macroeconomic & Dummy Variables):                                   |
  |  8. INF  = Tỷ lệ lạm phát hàng năm (% CPI từ World Bank)                                             |
  |  9. GDP  = Tốc độ tăng trưởng kinh tế hàng năm (% Real GDP growth từ World Bank)                     |
  |  10. COD = Biến giả Covid-19 (COD = 1 cho giai đoạn đại dịch; COD = 0 cho giai đoạn còn lại)          |
  +------------------------------------------------------------------------------------------------------+

Technology Stack và môi trường thực thi

  • Phần mềm kinh tế lượng: Stata 14.2 SE / MP (Module xtreg, xttest3, xtserial, xtgls).
  • Xử lý dữ liệu bảng: Microsoft Excel 365 ProPlus (Xây dựng cấu trúc Balanced/Unbalanced Panel Data, làm sạch $336$ quan sát).
  • Cơ sở dữ liệu thứ cấp: FiinPro Platform API / Terminal (Dữ liệu BCTC kiểm toán), World Bank Open Data API (Chỉ số kinh tế vĩ mô Việt Nam).

Implementation và kết quả

Quy trình xây dựng mô hình và Code Script

Hai phương trình hồi quy tổng quát được thiết lập dưới dạng:

$$\text{ROA}{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{NPL}{it} + \beta_3 \text{LLR}{it} + \beta_4 \text{TE}{it} + \beta_5 \text{COST}{it} + \beta_6 \text{CIR}{it} + \beta_7 \text{DEP}{it} + \beta_8 \text{INF}{it} + \beta_9 \text{GDP}{it} + \beta_{10} \text{COD}{it} + \varepsilon{it}$$

$$\text{ROE}{it} = \alpha_0 + \alpha_1 \text{SIZE}{it} + \alpha_2 \text{NPL}{it} + \alpha_3 \text{LLR}{it} + \alpha_4 \text{TE}{it} + \alpha_5 \text{COST}{it} + \alpha_6 \text{CIR}{it} + \alpha_7 \text{DEP}{it} + \alpha_8 \text{INF}{it} + \alpha_9 \text{GDP}{it} + \alpha_{10} \text{COD}{it} + u{it}$$

Toàn bộ quy trình ước lượng và chẩn đoán được tự động hóa bằng Stata Script chuẩn:

* Thiết lập cấu trúc dữ liệu bảng (Panel setting)
clear all
import excel "vietnam_commercial_banks_2012_2022.xlsx", sheet("Data") firstrow
xtset bank_id year

* 1. Thống kê mô tả và ma trận tương quan Pearson
summarize ROA ROE SIZE NPL LLR TE COST CIR DEP INF GDP COD
pwcorr ROA ROE SIZE NPL LLR TE COST CIR DEP INF GDP COD, star(0.05) sig

* 2. Hồi quy Pooled OLS, FEM và REM cho biến ROA
regress ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD
estimates store POOL_ROA

xtreg ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD, fe
estimates store FEM_ROA

xtreg ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD, re
estimates store REM_ROA

* 3. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman FEM_ROA REM_ROA

* 4. Kiểm tra các khuyết tật mô hình (Diagnostics)
* Kiểm tra đa cộng tuyến:
regress ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD
vif

* Kiểm tra phương sai sai số thay đổi (Modified Wald test for groupwise heteroskedasticity):
xtreg ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD, fe
xttest3

* Kiểm tra tự tương quan bậc 1 (Wooldridge test for autocorrelation in panel data):
xtserial ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD

* 5. Khắc phục khuyết tật bằng Generalized Least Squares (GLS)
xtgls ROA SIZE NPL LLR TE COST CIR DEP INF GDP COD, panels(hetero) corr(ar1)
estimates store GLS_ROA

xtgls ROE SIZE NPL LLR TE COST CIR DEP INF GDP COD, panels(hetero) corr(ar1)
estimates store GLS_ROE

Kiểm định và chẩn đoán mô hình

Kết quả kiểm định thống kê cho thấy sự cần thiết bắt buộc phải chuyển đổi từ mô hình hồi quy cổ điển sang mô hình GLS:

Bước kiểm định Công cụ kiểm định Giá trị thống kê P-value Kết luận kỹ thuật
Lựa chọn Pooled OLS vs FEM F-test (Chow test) $F = 8.74$ $0.0000$ Bác bỏ $H_0$; Mô hình tác động cố định (FEM) tốt hơn OLS gộp
Lựa chọn FEM vs REM Hausman Test $\chi^2(10) = 24.62$ $0.0061$ Bác bỏ $H_0$; Mô hình FEM phù hợp hơn REM
Kiểm tra Đa cộng tuyến VIF (Variance Inflation Factor) $\text{Mean VIF} = 1.68$ (Max: $2.41$) - Không tồn tại đa cộng tuyến nghiêm trọng (tất cả VIF $< 5$)
Phương sai sai số thay đổi Modified Wald Test $\chi^2(31) = 1184.2$ $0.0000$ Tồn tại hiện tượng phương sai thay đổi giữa các ngân hàng
Tự tương quan chuỗi Wooldridge Test $F(1, 30) = 19.45$ $0.0001$ Tồn tại hiện tượng tự tương quan bậc 1 AR(1)
Mô hình sau cùng Cross-Sectional FGLS $\text{Wald } \chi^2 = 389.5$ $0.0000$ Ước lượng vững, hiệu quả và không chệch

Kết quả đạt được và thảo luận thống kê

Bảng thống kê mô tả mẫu nghiên cứu ($N = 336$)

  • ROA: Trung bình $0.7673%$, độ lệch chuẩn $0.6548%$. Giá trị thấp nhất là $-0.38%$ (VBB, năm 2015), cao nhất đạt $3.24%$ (TCB, năm 2021).
  • ROE: Trung bình $9.0559%$, độ lệch chuẩn $6.7795%$. Giá trị thấp nhất là $-4.59%$ (VBB, năm 2015), cao nhất đạt $26.39%$ (VIB, năm 2021).
  • SIZE: Trung bình $8.1569$ (tương đương quy mô tài sản lớn), nhỏ nhất $7.1233$ (BaoVietBank, 2012), lớn nhất $9.3265$ (BIDV, 2022).
  • NPL: Trung bình $1.99%$, độ lệch chuẩn $0.016$. Giá trị cao nhất ghi nhận $17.93%$ (NCB, năm 2022).
  • LLR: Trung bình $1.137%$, phản ánh mức trích lập dự phòng rủi ro bao nợ xấu bình quân của toàn ngành.
                           TỔNG HỢP KẾT QUẢ HỒI QUY GLS CHÍNH THỨC
  +-----------+--------------------+--------------------+------------------------------------+
  | Biến số   | Mô hình 1 (ROA)    | Mô hình 2 (ROE)    | Tác động & Mức ý nghĩa thống kê    |
  +-----------+--------------------+--------------------+------------------------------------+
  | SIZE      | +0.00284***        | +0.02410***        | Tích cực (p < 0.01)                |
  | NPL       | -0.01420 (ns)      | -0.12501 (ns)      | Không có ý nghĩa thống kê độc lập  |
  | LLR       | -0.04892***        | -0.41205***        | Tiêu cực mạnh (p < 0.01)           |
  | TE        | +0.04512***        | +0.18940***        | Tích cực rất mạnh (p < 0.01)       |
  | COST      | -0.00841 (ns)      | -0.07120 (ns)      | Tác động âm nhưng mờ nhạt          |
  | CIR       | -0.01684***        | -0.15230***        | Tiêu cực mạnh (p < 0.01)           |
  | DEP       | -0.00412**         | -0.03810**         | Tiêu cực (p < 0.05)                |
  | INF       | +0.00195*          | +0.01840*          | Tích cực nhẹ (p < 0.10)            |
  | GDP       | +0.00342***        | +0.03150***        | Tích cực mạnh (p < 0.01)           |
  | COD       | +0.00186**         | +0.01620**         | Tích cực (p < 0.05)                |
  +-----------+--------------------+--------------------+------------------------------------+
  Ghi chú: *** p < 0.01; ** p < 0.05; * p < 0.1; ns: không có ý nghĩa thống kê.

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp học thuật và thực tiễn mang tính then chốt:

  1. Giải quyết triệt để tranh luận về tác động của Covid-19: Khác với các nghiên cứu giai đoạn đầu dịch cho rằng Covid-19 làm tê liệt ngành tài chính (Phan Thị Hằng Nga và cộng sự, 2022), nghiên cứu này mở rộng dữ liệu đến hết năm 2022 và phát hiện biến COD có tương quan dương với KNSL ($p < 0.05$). Điều này cung cấp bằng chứng thực nghiệm rõ ràng: Đại dịch đóng vai trò chất xúc tác thúc đẩy các ngân hàng Việt Nam chuyển đổi số toàn diện, tối ưu hóa chi phí vận hành (giảm CIR), đồng thời hưởng lợi từ các chính sách cơ cấu lại nợ của NHNN (Thông tư 01/2020/TT-NHNN, 14/2021/TT-NHNN) giúp thu nhập lãi thuần (NIM) được bảo toàn.
  2. Khẳng định hiệu ứng kinh tế theo quy mô (Economies of Scale): Biến SIZE có hệ số hồi quy dương có ý nghĩa thống kê rất cao ($p < 0.01$). Các ngân hàng quy mô lớn sở hữu lợi thế hạ tầng công nghệ, đa dạng hóa danh mục tín dụng và khả năng huy động vốn chi phí thấp từ CASA.
  3. Lượng hóa sự đánh đổi giữa an toàn vốn và rủi ro tín dụng: Tỷ lệ vốn chủ sở hữu TE tác động dương mạnh nhất tới KNSL ($+0.04512$ đối với ROA), minh chứng rằng việc tăng cường đệm vốn theo chuẩn Basel II giúp giảm thiểu chi phí huy động rủi ro và tăng cường năng lực sinh lời dài hạn. Ngược lại, chi phí dự phòng LLR và tỷ lệ CIR là hai "lực cản" lớn nhất bào mòn lợi nhuận ngân hàng.
  4. Chuẩn hóa khung kiểm định khuyết tật mô hình: Chứng minh rằng các nghiên cứu sử dụng Pooled OLS hoặc FEM thuần túy khi chưa qua kiểm định Modified Wald và Wooldridge đều rơi vào bẫy ước lượng sai lệch (spurious regression), từ đó xác lập phương pháp GLS là công cụ tiêu chuẩn cho nghiên cứu dữ liệu bảng ngân hàng tại Việt Nam.

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng thu được từ mô hình GLS, ban lãnh đạo các NHTM CP và các cơ quan điều hành chính sách có thể áp dụng lộ trình chiến lược 3 giai đoạn:

Các kịch bản ứng dụng cụ thể

1. Chiến lược cắt giảm tỷ lệ chi phí trên thu nhập (CIR)

  • Vấn đề: Hệ số hồi quy $\beta_6 = -0.01684$ chỉ ra rằng mỗi $1%$ gia tăng trong CIR sẽ làm giảm trực tiếp $0.01684%$ ROA.
  • Giải pháp triển khai: Tự động hóa quy trình nghiệp vụ (Robotic Process Automation - RPA) trong phê duyệt tín dụng bán lẻ; chuyển dịch giao dịch tại quầy sang kênh số (Mobile Banking/Internet Banking) nhằm giảm chi phí nhân sự và vận hành mạng lưới vật lý.

2. Chiến lược củng cố tỷ lệ vốn chủ sở hữu (TE)

  • Vấn đề: TE là nhân tố thúc đẩy KNSL mạnh mẽ nhất ($\beta_4 = +0.04512$).
  • Giải pháp triển khai: Giữ lại lợi nhuận sau thuế để chia cổ tức bằng cổ phiếu, phát hành trái phiếu cấp 2 tăng vốn tự có, chủ động đáp ứng các tiêu chuẩn khắt khe của Basel III nhằm nâng cao uy tín xếp hạng tín nhiệm, từ đó giảm chi phí huy động vốn trên thị trường liên ngân hàng.

3. Quản trị danh mục nợ và chi phí dự phòng rủi ro (LLR)

  • Vấn đề: Sự gia tăng trích lập dự phòng LLR kéo lùi KNSL nghiêm trọng ($\beta_3 = -0.04892$).
  • Giải pháp triển khai: Nâng cấp hệ thống xếp hạng tín dụng nội bộ dựa trên AI/Machine Learning để phát hiện sớm các khoản nợ có nguy cơ chuyển nhóm; tăng cường thẩm định thực địa tài sản bảo đảm để kiểm soát tỷ lệ nợ xấu thực chất dưới $1.5%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chưa phân tách cơ cấu thu nhập ngoài lãi (Non-Interest Income): Mô hình mới chỉ tập trung vào các biến tài chính tổng quát, chưa tách bạch chi tiết tỷ trọng thu nhập từ phí dịch vụ, kinh doanh ngoại hối và hoạt động bảo hiểm (Bancassurance).
  • Hiện tượng nội sinh tiềm tàng (Endogeneity): Mặc dù mô hình GLS đã xử lý tốt hiện tượng phương sai thay đổi và tự tương quan, song mối quan hệ hai chiều giữa quy mô vốn (TE) và KNSL (ROA/ROE) có thể được kiểm soát chặt chẽ hơn bằng các biến trễ công cụ.

Hướng nghiên cứu tiếp theo

  1. Ứng dụng mô hình GMM sai phân và hệ thống (System-GMM): Triển khai phương pháp ước lượng Arellano-Bond/Blundell-Bond trên dữ liệu bảng động để kiểm soát triệt để hiện tượng nội sinh và tính trễ của KNSL.
  2. Tích hợp các chỉ số số hóa và ESG (Environmental, Social, Governance): Bổ sung các biến đo lường mức độ đầu tư công nghệ thông tin và điểm số thực thi phát triển bền vững ESG vào hàm hồi quy KNSL.

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN
  +-----------------------+-------------------------------------------------------------------------------+
  | NHÓM ĐỐI TƯỢNG        | GIÁ TRỊ VÀ LỢI ÍCH ĐỊNH LƯỢNG MANG LẠI                                        |
  +-----------------------+-------------------------------------------------------------------------------+
  | Sinh viên & Học viên  | - Nắm vững quy trình xử lý dữ liệu bảng chuẩn mực từ OLS -> FEM -> GLS.       |
  | Cao học               | - Tiếp cận cú pháp Stata 14 thực chiến và phương pháp kiểm định chẩn đoán.    |
  +-----------------------+-------------------------------------------------------------------------------+
  | Ban Quản trị & Điều   | - Định hướng chỉ số tài chính: Cắt giảm 5% CIR có thể gia tăng ~0.084% ROA.   |
  | hành NHTM             | - Chiến lược gia tăng quy mô tài sản gắn liền với đệm an toàn vốn Basel II.   |
  +-----------------------+-------------------------------------------------------------------------------+
  | Nhà đầu tư & Chuyên   | - Bộ tiêu chí định giá ngân hàng dựa trên sức khỏe vốn (TE) và chất lượng     |
  | viên Phân tích CP     |   tài sản (LLR, NPL) thay vì chỉ nhìn vào tăng trưởng tín dụng ngắn hạn.      |
  +-----------------------+-------------------------------------------------------------------------------+
  | Cơ quan Quản lý       | - Cung cấp bằng chứng thực nghiệm về tính hiệu quả của các gói hỗ trợ nợ      |
  | (NHNN Việt Nam)       |   trong đại dịch Covid-19, làm tiền đề ban hành các chính sách tiền tệ mới.   |
  +-----------------------+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và phần cứng để thực thi mô hình kinh tế lượng này là gì?

Hệ thống yêu cầu cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 16/17 MP để tăng tốc xử lý ma trận). Bộ dữ liệu $336$ quan sát có dung lượng nhẹ, có thể vận hành mượt mà trên máy tính cá nhân cấu hình tối thiểu RAM 4GB, CPU Dual Core và hệ điều hành Windows/macOS/Linux.

2. Tại sao nghiên cứu lại chọn mô hình GLS thay vì giữ nguyên mô hình FEM sau khi kiểm định Hausman?

Kiểm định Hausman ($p = 0.0061$) chỉ ra rằng FEM phù hợp hơn REM. Tuy nhiên, khi kiểm định sâu hơn các giả định Gauss-Markov, mô hình FEM xuất hiện cả hai khuyết tật nghiêm trọng: Phương sai sai số thay đổi (Modified Wald test: $p < 0.0001$) và Tự tương quan chuỗi (Wooldridge test: $p = 0.0001$). Do đó, việc chuyển sang phương pháp ước lượng FGLS / GLS với tùy chọn panels(hetero) corr(ar1) là bắt buộc để các hệ số ước lượng đạt tính chất BLUE (Best Linear Unbiased Estimator).

3. Tại sao biến cấu trúc tài trợ (DEP) lại có mối quan hệ ngược chiều với KNSL?

Về mặt lý thuyết ban đầu, tiền gửi khách hàng được xem là nguồn vốn rẻ. Tuy nhiên, kết quả thực nghiệm tại Việt Nam giai đoạn 2012–2022 cho thấy $\beta_7 = -0.00412$ ($p < 0.05$). Nguyên nhân thực tế là do cuộc cạnh tranh lãi suất huy động khốc liệt giữa các NHTM CP để thu hút tiền gửi dân cư có kỳ hạn, khiến chi phí trả lãi tăng cao. Nếu ngân hàng không tối ưu hóa được tỷ lệ CASA (tiền gửi không kỳ hạn) mà phụ thuộc quá lớn vào tiền gửi tiết kiệm lãi suất cao, biên lãi ròng (NIM) sẽ bị thu hẹp.

4. Kết quả nghiên cứu có thể áp dụng cho các ngân hàng không niêm yết không?

Các phát hiện cốt lõi về tác động của SIZE, TE, CIR, LLR hoàn toàn có thể áp dụng cho toàn bộ khối ngân hàng thương mại tại Việt Nam. Tuy nhiên, các ngân hàng chưa niêm yết thường có quy mô vốn nhỏ hơn, tính minh bạch thông tin tài chính thấp hơn và chi phí huy động vốn cao hơn, do đó hệ số co giãn của các biến chi phí (COST, CIR) đối với KNSL có thể còn tiêu cực hơn so với nhóm niêm yết.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) khi ngân hàng thực hiện chuyển đổi số giảm CIR?

Chi phí đầu tư hạ tầng Core Banking hiện đại và tự động hóa quy trình thường dao động từ $5 - 20$ triệu USD tùy quy mô ngân hàng. Theo các nghiên cứu thực tế ngành, việc cắt giảm CIR từ mức $45%$ xuống $32 - 35%$ thông qua số hóa sẽ giúp ngân hàng tiết kiệm hàng trăm tỷ đồng chi phí vận hành mỗi năm, mang lại thời gian thu hồi vốn (ROI) trung bình từ $3 - 5$ năm.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Hồng Nhi (Đại học Ngân hàng TP.HCM) là một công trình nghiên cứu ứng dụng có hàm lượng khoa học cao, giải quyết trọn vẹn bài toán xác định các nhân tố ảnh hưởng đến KNSL của 31 NHTM CP niêm yết tại Việt Nam giai đoạn 2012–2022. Bằng việc thiết lập quy trình kiểm định kinh tế lượng đa tầng và áp dụng mô hình GLS vững, nghiên cứu đã chứng minh rõ nét vai trò then chốt của việc nâng cao quy mô tài sản (SIZE), gia cố tỷ lệ an toàn vốn (TE), kiểm soát chặt chẽ chi phí hoạt động (CIR) và chi phí dự phòng rủi ro tín dụng (LLR). Đặc biệt, phát hiện thực nghiệm về tác động tích cực của giai đoạn đại dịch Covid-19 khẳng định khả năng thích ứng linh hoạt và tiềm năng bứt phá của ngành ngân hàng Việt Nam nhờ đẩy mạnh chuyển đổi số. Đây là tài liệu tham khảo giá trị cho các nhà hoạch định chiến lược ngân hàng, các nhà đầu tư tài chính và cộng đồng nghiên cứu kinh tế lượng ứng dụng.