Giới thiệu dự án

Trong cấu trúc của hệ thống tài chính hiện đại, ngân hàng thương mại đóng vai trò huyết mạch luân chuyển vốn. Tuy nhiên, đặc thù kinh doanh dựa trên sự chênh lệch kỳ hạn giữa tài sản nợ (ngắn hạn, tiền gửi) và tài sản có (trung và dài hạn, cho vay) khiến các ngân hàng luôn phải đối mặt trực tiếp với rủi ro thanh khoản (Liquidity Risk - RRTK). Tại Việt Nam, sau giai đoạn tái cơ cấu hệ thống tổ chức tín dụng (2011–2015) và các biến động kinh tế vĩ mô phức tạp từ đại dịch COVID-19 đến năm 2022, rủi ro thanh khoản của các Ngân hàng Thương mại Cổ phần (NHTMCP) trở thành tâm điểm quản trị. Thiếu hụt thanh khoản không chỉ đẩy chi phí huy động vốn trên thị trường liên ngân hàng lên cao mà còn tiềm ẩn nguy cơ rút tiền hàng loạt (bank run), đe dọa sự an toàn của toàn bộ hệ thống.

Vấn đề cốt lõi đặt ra là: Các yếu tố nội tại của ngân hàng (nợ xấu, cấu trúc vốn, quy mô tài sản, khả năng sinh lời) và yếu tố vĩ mô (lạm phát) tương tác như thế nào đến rủi ro thanh khoản? Làm thế nào để định lượng chính xác các tác động này nhằm thiết lập cơ chế kiểm soát chủ động?

Đồ án/Khóa luận tốt nghiệp "Các yếu tố tác động đến rủi ro thanh khoản của các Ngân hàng Thương mại Cổ phần tại Việt Nam" của tác giả Trần Nguyễn Lam Thuyên (Trường Đại học Ngân hàng TP. Hồ Chí Minh, 2024) tập trung giải quyết các mục tiêu cụ thể:

  1. Xác định và lượng hóa mức độ tác động của các nhân tố vi mô (SIZE, CAP, NPL, ROE, TLA) và vĩ mô (INF) đến rủi ro thanh khoản.
  2. Xây dựng và so sánh mô hình đo lường đa chiều thông qua hai thước đo độc lập: Khe hở tài trợ (Financing Gap - FGAP) và Tỷ lệ tài sản thanh khoản trên tổng tài sản (Liquidity Asset Ratio - LAR).
  3. Ứng dụng quy trình kinh tế lượng hiện đại với phương pháp ước lượng Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để khắc phục triệt để các khuyết tật mô hình (tự tương quan, phương sai sai số thay đổi).
  4. Đề xuất hệ thống giải pháp và hàm ý quản trị vốn, nợ xấu và danh mục thanh khoản cho các NHTMCP.

Phạm vi nghiên cứu được xác lập trên bộ dữ liệu bảng cân bằng gồm 26 NHTMCP tại Việt Nam trong giai đoạn 10 năm liên tục từ 2013 đến 2022 (tổng cộng 260 quan sát), thu thập từ báo cáo tài chính kiểm toán và số liệu vĩ mô chính thức của Ngân hàng Nhà nước (NHNN) và Tổng cục Thống kê.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong các nghiên cứu và thực tế quản trị tại Việt Nam, các phương pháp đo lường và đánh giá thanh khoản hiện hành bộc lộ một số ưu và nhược điểm rõ rệt:

Phương pháp / Chỉ số Ưu điểm kỹ thuật Nhược điểm / Rào cản Khoảng trống nghiên cứu (Gap)
Tỷ lệ Cho vay trên Tiền gửi (LDR) Đơn giản, dễ trích xuất từ bảng cân đối kế toán; so sánh nhanh tỷ lệ huy động vốn. Không phản ánh chất lượng dư nợ; bỏ qua sự phân kỳ kỳ hạn và tài sản có tính lỏng cao khác. Thiếu tính bao quát với tài sản có tính thanh khoản tức thì (tiền mặt, giấy tờ có giá).
Hệ số An toàn vốn (CAR - Basel II/III) Đánh giá tổng thể đệm an toàn vốn dựa trên tài sản có rủi ro; chuẩn mực quốc tế. Đo lường rủi ro dài hạn, không phản ánh trực tiếp áp lực thanh toán nghĩa vụ nợ tức thời/ngắn hạn. Cần bổ sung chỉ số phản ánh thanh khoản tác nghiệp trực tiếp như LAR.
Mô hình Pooled OLS truyền thống Dễ ước lượng, không yêu cầu thuật toán phức tạp trên dữ liệu bảng. Bỏ qua đặc trưng riêng của từng ngân hàng (heterogeneity), gây chệch hệ số do nội sinh. Bị hiện tượng tự tương quan và phương sai thay đổi làm sai lệch kiểm định t và F.

Yêu cầu phân tích theo chuẩn MoSCoW:

  • Must have (Bắt buộc): Khắc phục triệt để hiện tượng Heteroscedasticity (phương sai sai số thay đổi) và Autocorrelation (tự tương quan) bằng FGLS; đo lường đồng thời FGAP và LAR.
  • Should have (Nên có): Kiểm định đa cộng tuyến qua Variance Inflation Factor (VIF < 10) và lựa chọn mô hình qua F-test, Hausman test.
  • Could have (Có thể mở rộng): Mở rộng đánh giá tương tác giữa các biến vi mô như tương tác $NPL \times TLA$.
  • Won't have (Không bao gồm đợt này): Mô hình hóa cấu trúc Dynamic Panel GMM hai bước (được khuyến nghị cho nghiên cứu tương lai).

Thiết kế hệ thống và mô hình toán học

Mô hình nghiên cứu được xây dựng dựa trên nền tảng lý thuyết phân phối thanh khoản của Diamond & Rajan (2001), Allen & Gale (2004) và các nghiên cứu thực nghiệm tài chính hiện đại.

Hai hàm hồi quy đa biến được thiết lập như sau:

$$\text{FGAP}{it} = \alpha_i + \beta_1 \text{SIZE}{it} + \beta_2 \text{CAP}{it} + \beta_3 \text{NPL}{it} + \beta_4 \text{ROE}{it} + \beta_5 \text{TLA}{it} + \beta_6 \text{INF}t + \varepsilon{it}$$

$$\text{LAR}{it} = \gamma_i + \delta_1 \text{SIZE}{it} + \delta_2 \text{CAP}{it} + \delta_3 \text{NPL}{it} + \delta_4 \text{ROE}{it} + \delta_5 \text{TLA}{it} + \delta_6 \text{INF}t + u{it}$$

Công thức trích xuất và đo lường các biến:

  1. Khe hở tài trợ (FGAP): $$\text{FGAP}{it} = \frac{\text{Tổng dư nợ tín dụng}{it} - \text{Tổng nguồn vốn huy động}{it}}{\text{Tổng tài sản}{it}}$$ Ý nghĩa: $\text{FGAP} > 0$ biểu thị nhu cầu tài trợ vượt nguồn vốn huy động, buộc ngân hàng phải tìm kiếm thanh khoản bù đắp từ thị trường 2 hoặc rút giảm dự trữ, làm gia tăng RRTK.

  2. Tỷ lệ tài sản thanh khoản (LAR): $$\text{LAR}_{it} = \frac{\text{Tiền mặt} + \text{Tiền gửi tại NHNN} + \text{Giấy tờ có giá sẵn sàng để bán}}{\text{Tổng tài sản}}$$ Ý nghĩa: Tỷ lệ này đo lường năng lực thanh toán nhanh chóng; LAR càng cao, bộ đệm thanh khoản khả dụng càng lớn, RRTK càng thấp.

  3. Công nghệ & Công cụ thực thi:

    • Phần mềm thống kê chuyên dụng: Stata 16.0 (MP Edition) và EViews 10.
    • Môi trường bổ trợ: Python 3.10 (thư viện pandas, statsmodels) phục vụ làm sạch và trích xuất dữ liệu tự động từ các nguồn BCTC.

Methodology

Phương pháp luận nghiên cứu tuân thủ chặt chẽ khung phân tích định lượng chuẩn mực trong kinh tế lượng tài chính:

  1. Thống kê mô tả & Ma trận tương quan Pearson: Xác định giá trị trung bình, độ lệch chuẩn, giá trị cực đại/cực tiểu và loại trừ sơ bộ nguy cơ tương quan hoàn hảo.
  2. Kiểm định Đa cộng tuyến (Multicollinearity): Đánh giá chỉ số phóng đại phương sai (VIF). Ngưỡng chấp nhận $VIF < 10$ (thực tế toàn bộ biến nghiên cứu đều đạt $VIF < 2.0$).
  3. Quy trình lựa chọn mô hình hồi quy bảng:
    • F-test: So sánh giữa Pooled OLS và Mô hình tác động cố định (Fixed Effects Model - FEM). Với $p\text{-value} < 0.05$, bác bỏ $H_0$, chọn FEM.
    • Hausman Test: So sánh giữa FEM và Mô hình tác động ngẫu nhiên (Random Effects Model - REM). Với $p\text{-value} < 0.05$, bác bỏ $H_0$, xác định FEM là mô hình giải thích vượt trội.
  4. Kiểm định chẩn đoán khuyết tật:
    • Kiểm định tự tương quan chuỗi bậc 1 (Wooldridge test).
    • Kiểm định phương sai của sai số thay đổi (Modified Wald test cho FEM).
  5. Hiệu chỉnh mô hình: Áp dụng phương pháp ước lượng Feasible Generalized Least Squares (FGLS) để đảm bảo các ước lượng hệ số hồi quy là không chệch, có phương sai nhỏ nhất (BLUE - Best Linear Unbiased Estimator).

Implementation và kết quả

Development process & Code execution

Toàn bộ quy trình phân tích được lập trình hóa bằng tập lệnh Stata (Do-file), đảm bảo tính tái lập (reproducibility) của nghiên cứu khoa học:

* Thiết lập môi trường dữ liệu bảng trên Stata 16
clear all
set more off
import excel "Data_26_NHTMCP_2013_2022.xlsx", sheet("Sheet1") firstrow
xtset bank_id year

* 1. Thống kê mô tả và kiểm tra tương quan
summarize FGAP LAR SIZE CAP NPL ROE TLA INF
correlate FGAP LAR SIZE CAP NPL ROE TLA INF

* 2. Kiểm định Đa cộng tuyến qua VIF trên mô hình OLS cơ sở
regress FGAP SIZE CAP NPL ROE TLA INF
vif
regress LAR SIZE CAP NPL ROE TLA INF
vif

* 3. Chạy mô hình Pooled OLS, FEM và REM cho biến phụ thuộc FGAP
regress FGAP SIZE CAP NPL ROE TLA INF
estimates store ols_fgap

xtreg FGAP SIZE CAP NPL ROE TLA INF, fe
estimates store fem_fgap

xtreg FGAP SIZE CAP NPL ROE TLA INF, re
estimates store rem_fgap

* Kiểm định Hausman lựa chọn mô hình
hausman fem_fgap rem_fgap

* 4. Kiểm định Khuyết tật mô hình (Diagnostic Tests)
* Kiểm định phương sai sai số thay đổi cho FEM
xttest3

* Kiểm định tự tương quan (Wooldridge test)
xtserial FGAP SIZE CAP NPL ROE TLA INF

* 5. Ước lượng FGLS khắc phục triệt để tự tương quan và phương sai thay đổi
xtgls FGAP SIZE CAP NPL ROE TLA INF, panels(hetero) corr(ar1)
estimates store fgls_fgap

xtgls LAR SIZE CAP NPL ROE TLA INF, panels(hetero) corr(ar1)
estimates store fgls_lar

Testing và validation

Kết quả thực thi các kiểm định thống kê trên mẫu 260 quan sát thể hiện qua các giá trị kiểm định chẩn đoán nghiêm ngặt:

  1. Kiểm định Đa cộng tuyến (VIF Test):
    • Giá trị $VIF$ của tất cả các biến giải thích (SIZE, CAP, NPL, ROE, TLA, INF) dao động trong khoảng từ $1.08$ đến $1.76$ (trung bình Mean $VIF \approx 1.34$). Kết luận: Không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định lựa chọn mô hình:
    • F-test (Pooled OLS vs FEM): Cả hai phương trình FGAP và LAR đều có $F\text{-statistic}$ với $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ Pooled OLS, chọn FEM.
    • Hausman Test (FEM vs REM): Giá trị $\chi^2$ có $p\text{-value} = 0.0012 < 0.05$ đối với mô hình FGAP và $p\text{-value} = 0.0034 < 0.05$ đối với mô hình LAR $\rightarrow$ Chọn mô hình FEM.
  3. Kiểm định khuyết tật mô hình:
    • Modified Wald test ($xttest3$): Cho $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Mô hình xuất hiện hiện tượng phương sai sai số thay đổi (Heteroscedasticity).
    • Wooldridge test ($xtserial$): Cho $p\text{-value} = 0.0041 < 0.05 \rightarrow$ Mô hình xuất hiện hiện tượng tự tương quan bậc nhất (Autocorrelation AR(1)).
  4. Kết quả khắc phục qua FGLS:
    • Việc áp dụng FGLS với cấu hình panels(hetero) corr(ar1) đã loại bỏ hoàn toàn hiện tượng suy giảm hiệu quả ước lượng, mang lại các hệ số kiểm định Wald $\chi^2$ có ý nghĩa thống kê ở mức $1%$.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng FGLS cuối cùng cho thấy chiều hướng và mức độ tác động của các nhân tố đến RRTK:

Biến giải thích Ký hiệu Tác động kỳ vọng Ước lượng FGLS (FGAP) Ước lượng FGLS (LAR) Mức ý nghĩa thống kê Kết luận giả thuyết
Quy mô ngân hàng SIZE Âm (-) Hệ số: -0.0382 Hệ số: +0.0245 $p < 0.01$ (1%) Chấp nhận $H_1$
Vốn chủ sở hữu / Tổng TS CAP Dương (+) Hệ số: +0.4120 Hệ số: -0.1850 $p < 0.01$ (1%) Chấp nhận $H_2$
Tỷ lệ nợ xấu NPL Dương (+) Hệ số: +0.8240 Hệ số: -0.3420 $p < 0.01$ (1%) Chấp nhận $H_3$
Tỷ suất sinh lời vốn CSH ROE Dương (+) Hệ số: +0.1265 Hệ số: -0.0780 $p < 0.05$ (5%) Chấp nhận $H_4$
Tỷ lệ dư nợ / Tổng tài sản TLA Dương (+) Hệ số: +0.6514 Hệ số: -0.4180 $p < 0.01$ (1%) Chấp nhận $H_5$
Tỷ lệ lạm phát INF Không xác định Hệ số: -0.0890 Hệ số: +0.0512 $p < 0.10$ (10%) Có ý nghĩa yếu

Phân tích chi tiết các kết quả đạt được:

  • Tỷ lệ nợ xấu (NPL): Tác động cùng chiều mạnh nhất đến FGAP ($\beta = +0.8240$) và ngược chiều với LAR ($\beta = -0.3420$). Khi nợ xấu tăng 1%, dòng tiền thu hồi từ lãi và gốc bị tắc nghẽn, làm gia tăng khe hở tài trợ và làm xói mòn dự trữ tài sản thanh khoản khả dụng.
  • Tỷ lệ cho vay trên tổng tài sản (TLA): Tác động thuận chiều lớn ($\beta = +0.6514$). Việc mở rộng tín dụng quá mức mà không có nguồn huy động trung dài hạn tương ứng làm trầm trọng thêm mức độ phụ thuộc vào thị trường vốn liên ngân hàng.
  • Quy mô ngân hàng (SIZE): Tác động làm giảm FGAP ($\beta = -0.0382$) và làm tăng LAR ($\beta = +0.0245$). Các NHTMCP có quy mô lớn sở hữu lợi thế mạng lưới huy động bán lẻ ổn định, đa dạng hóa danh mục tài sản, tiếp cận nguồn vốn tái cấp vốn từ NHNN nhanh chóng hơn, nhờ đó khả năng kháng chịu RRTK cao hơn.
  • Tỷ suất sinh lời (ROE): Tác động làm gia tăng FGAP ($\beta = +0.1265$), chứng minh sự đánh đổi (trade-off) giữa khả năng sinh lời và an toàn thanh khoản: các ngân hàng chạy theo lợi nhuận cao thường nới lỏng tiêu chuẩn tín dụng hoặc tập trung vào tài sản sinh lời cao nhưng kém thanh khoản.

Đổi mới và đóng góp

  1. Phương pháp tiếp cận đối sánh đa biến kép (Dual Proxy Framework): Không phụ thuộc vào một chỉ số đơn lẻ, nghiên cứu tích hợp song song hai chỉ số đại diện: Khe hở tài trợ (FGAP - góc độ cấu trúc cân đối kỳ hạn) và Tỷ lệ tài sản thanh khoản (LAR - góc độ đệm tài sản lỏng). Điều này tạo ra bức tranh kiểm định chéo toàn diện về rủi ro thanh khoản.
  2. Khắc phục triệt để các hạn chế kinh tế lượng: So với các nghiên cứu trước đây tại Việt Nam thường dừng lại ở mô hình Pooled OLS hoặc FEM/REM cơ bản (dễ bị chệch tham số khi có phương sai thay đổi và tự tương quan chuỗi), nghiên cứu đã áp dụng thuật toán FGLS, giúp giảm thiểu sai số chuẩn (Standard Errors) lên đến 25-35%, nâng cao độ tin cậy của các kết luận thống kê.
  3. Cập nhật dữ liệu bao quát chu kỳ kinh tế 10 năm (2013-2022): Dữ liệu trải dài qua nhiều biến động quan trọng: giai đoạn tái cơ cấu nợ xấu xử lý qua VAMC, quá trình triển khai Thông tư 41/2016/TT-NHNN (Basel II) và cú sốc thanh khoản thực tế trong đại dịch COVID-19.

Ứng dụng thực tế và triển khai

Chiến lược ứng dụng thực tiễn trong ngành ngân hàng

Kết quả định lượng từ mô hình cung cấp cơ sở cụ thể để ban điều hành các NHTMCP và cơ quan quản lý triển khai các nhóm giải pháp chiến lược:

  1. Quản trị khe hở tài trợ (ALM Optimization):
    • Các NHTMCP cần kiểm soát chỉ số FGAP thông qua việc duy trì tỷ lệ dư nợ cho vay trên huy động (LDR) theo đúng trần quy định của Thông tư 22/2019/TT-NHNN ($\le 85%$).
    • Đa dạng hóa kỳ hạn huy động vốn, tăng cường phát hành chứng chỉ tiền gửi dài hạn và trái phiếu ngân hàng nhằm giảm thiểu áp lực lệch pha kỳ hạn giữa vốn huy động ngắn hạn và cho vay dài hạn.
  2. Kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL Mitigation):
    • Vì NPL có hệ số tác động lớn nhất tới RRTK ($\beta = +0.8240$), các ngân hàng cần xây dựng hệ thống cảnh báo sớm (Early Warning System - EWS) dựa trên dữ liệu giao dịch và thông tin từ CIC để phát hiện sớm các khoản vay có dấu hiệu suy giảm chất lượng tín dụng.
    • Nâng cao tỷ lệ bao phủ nợ xấu (LLRC) để sẵn sàng bộ đệm trích lập dự phòng rủi ro mà không làm ảnh hưởng đột ngột đến dòng tiền thanh khoản.
  3. Cân đối danh mục tài sản lỏng (LAR Buffer Management):
    • Duy trì tỷ trọng tối thiểu 15-20% tài sản có tính thanh khoản cao (tiền mặt, tiền gửi tại NHNN, trái phiếu Chính phủ có thể tái chiết khấu ngay tại nghiệp vụ thị trường mở - OMO).

Lộ trình triển khai khuyến nghị

Giai đoạn Thời gian Nhiệm vụ trọng tâm Chỉ số đo lường mục tiêu (KPI)
Giai đoạn 1: Chuẩn hóa Quý 1 - Quý 2 Tích hợp công thức tính toán FGAP và LAR vào hệ thống Core Banking; thiết lập hạn mức cảnh báo thanh khoản theo thời gian thực. 100% chi nhánh cập nhật dòng tiền ròng hàng ngày; thời gian cảnh báo < 15 phút.
Giai đoạn 2: Tối ưu hóa ALM Quý 3 - Quý 4 Tái cơ cấu danh mục tài sản nợ - có; gia tăng tỷ lệ vốn huy động trung dài hạn; giảm tỷ lệ NPL xuống dưới ngưỡng an toàn 2.0%. Tỷ lệ LDR duy trì ở mức 78% - 82%; tỷ lệ NPL < 2.0%.
Giai đoạn 3: Chuẩn mực quốc tế Năm tiếp theo Hoàn thiện khung kiểm tra sức chịu tải thanh khoản (Liquidity Stress Testing) theo chuẩn Basel III (chỉ số LCR $\ge 100%$, NSFR $\ge 100%$). Vượt qua 100% các kịch bản kiểm tra căng thẳng thanh khoản giả định.

Hạn chế và hướng phát triển

  • Hạn chế về nguồn dữ liệu: Bộ dữ liệu nghiên cứu thu thập trên 26 NHTMCP theo tần suất năm (Annual Data) do các báo cáo tài chính kiểm toán công khai chỉ có đầy đủ theo năm hoặc quý, chưa phản ánh được biến động thanh khoản biến thiên theo ngày/tuần (Intraday/Weekly liquidity fluctuations).
  • Phạm vi biến số vĩ mô: Nghiên cứu mới chỉ xem xét lạm phát (INF) như đại diện vĩ mô chính, chưa đưa vào mô hình các biến vĩ mô khác như biến động lãi suất liên ngân hàng qua đêm, tỷ giá USD/VND hoặc chính sách cung tiền M2.
  • Hướng nghiên cứu tiếp theo:
    1. Ứng dụng mô hình kinh tế lượng động Dynamic Panel Data với ước lượng GMM sai phân hoặc GMM hệ thống (System GMM) để kiểm soát triệt để tính nội sinh tiềm tàng của các biến tài chính.
    2. Mở rộng khung phân tích sang đo lường rủi ro thanh khoản toàn diện theo tiêu chuẩn Basel III: Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về quy trình nghiên cứu định lượng, phương pháp xử lý dữ liệu bảng bằng phần mềm Stata và kỹ thuật kinh tế lượng FGLS.
  • Chuyên viên Phân tích Quản trị Rủi ro tại các NHTM: Nắm bắt chính xác các hệ số định lượng tác động của NPL, TLA, ROE đến khe hở tài trợ, từ đó tham mưu điều chỉnh chính sách cấp tín dụng và cơ cấu huy động vốn an toàn.
  • Ban Điều hành & Khối Quản lý Nguồn vốn (Treasury / ALCO): Có cơ sở khoa học để thiết lập các ngưỡng hạn mức an toàn thanh khoản, chủ động phân bổ dòng tiền đầu tư trên thị trường tiền tệ và thị trường trái phiếu.
  • Cơ quan Quản lý Nhà nước (NHNN): Bổ sung luận cứ thực nghiệm hỗ trợ công tác thanh tra, giám sát an toàn vi mô đối với các NHTMCP, hoàn thiện các quy định về tỷ lệ an toàn hoạt động ngân hàng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn FGLS thay vì dừng lại ở mô hình FEM hoặc REM?

Trong dữ liệu bảng tài chính vi mô của các ngân hàng thương mại, các đơn vị quan sát thường có quy mô và cấu trúc tài sản khác biệt nhau lớn, dẫn tới hiện tượng phương sai của sai số thay đổi (Heteroscedasticity). Đồng thời, các chỉ tiêu thanh khoản có tính quán tính theo chuỗi thời gian, gây ra hiện tượng tự tương quan (Autocorrelation). Mô hình FEM/REM thông thường sẽ cho ra các sai số chuẩn bị chệch, khiến các kiểm định $t$ và $p$-value mất độ tin cậy. Phương pháp FGLS hiệu chỉnh trực tiếp ma trận hiệp phương sai sai số, giúp khôi phục các ước lượng hiệu quả nhất (BLUE).

2. Sự khác biệt căn bản giữa hai biến phụ thuộc FGAP và LAR là gì?

FGAP đo lường thanh khoản từ góc độ cân đối kỳ hạn giữa dòng tiền tài trợ và dòng tiền sử dụng (Dư nợ tín dụng trừ Nguồn vốn huy động). LAR đo lường thanh khoản từ góc độ nắm giữ tài sản có tính lỏng cao (Tiền mặt, tiền gửi tại NHNN, trái phiếu) so với tổng tài sản. Việc sử dụng song song cả hai biến giúp đánh giá rủi ro thanh khoản cả về mặt cấu trúc luân chuyển vốn và khả năng thanh toán tức thời.

3. Tại sao tỷ lệ nợ xấu (NPL) lại có tác động tiêu cực mạnh nhất đến thanh khoản ngân hàng?

Khi tỷ lệ nợ xấu tăng, ngân hàng bị tổn thất dòng tiền mặt dự kiến từ gốc và lãi vay của khách hàng, đồng thời phải trích lập bổ sung chi phí dự phòng rủi ro tín dụng. Điều này làm cạn kiệt thanh khoản sẵn có và buộc ngân hàng phải tìm kiếm các nguồn vốn bổ sung với chi phí cao hơn trên thị trường liên ngân hàng để bù đắp, trực tiếp đẩy khe hở tài trợ (FGAP) tăng vọt.

4. Quy mô ngân hàng (SIZE) lớn giúp giảm thiểu rủi ro thanh khoản như thế nào?

Theo kết quả mô hình ($\beta = -0.0382$ đối với FGAP), quy mô tài sản lớn giúp các NHTMCP đa dạng hóa danh mục cho vay và cơ sở tiền gửi khách hàng cá nhân. Ngân hàng lớn có uy tín thương hiệu cao hơn, được thị trường định giá rủi ro thấp hơn và dễ dàng tiếp cận các nguồn tái cấp vốn hoặc thị trường liên ngân hàng khi xảy ra căng thẳng thanh khoản tạm thời.

5. Khuyến nghị trọng tâm nhất dành cho các NHTMCP Việt Nam từ nghiên cứu này là gì?

Khuyến nghị trọng tâm là không được hy sinh chất lượng thanh khoản để theo đuổi mục tiêu tăng trưởng lợi nhuận ngắn hạn (ROE). Các ngân hàng cần thắt chặt kiểm soát chất lượng tín dụng để kéo giảm NPL, kiểm soát tỷ lệ TLA hợp lý, đồng thời thiết lập hệ thống cảnh báo sớm rủi ro thanh khoản theo thời gian thực kết hợp kiểm tra sức chịu tải (Stress Testing) định kỳ.

Kết luận

Khóa luận tốt nghiệp "Các yếu tố tác động đến rủi ro thanh khoản của các Ngân hàng Thương mại Cổ phần tại Việt Nam" đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua việc phân tích dữ liệu bảng toàn diện trên 26 NHTMCP giai đoạn 2013-2022. Bằng phương pháp kinh tế lượng FGLS chuẩn xác, nghiên cứu đã lượng hóa rõ nét vai trò của tỷ lệ nợ xấu (NPL), tỷ lệ dư nợ trên tổng tài sản (TLA), quy mô ngân hàng (SIZE), cấu trúc vốn (CAP) và hiệu quả sinh lời (ROE) đối với rủi ro thanh khoản.

Những phát hiện định lượng trong nghiên cứu không chỉ làm giàu thêm hệ thống lý luận thực nghiệm về quản trị rủi ro ngân hàng tại các thị trường mới nổi như Việt Nam, mà còn mang lại giá trị ứng dụng thực tiễn to lớn cho các nhà quản trị ngân hàng trong việc chủ động điều tiết khe hở tài trợ, tối ưu hóa danh mục tài sản lỏng và củng cố sự ổn định của toàn hệ thống tài chính quốc gia.