Các yếu tố tác Động Đến tỷ lệ thu nhập lãi thuần của các ngân hàng tmcp tại việt nam giai Đoạn 2010 – 2020

Giới thiệu dự án

Tỷ lệ thu nhập lãi thuần (Net Interest Margin - NIM) là chỉ số tài chính sống còn, phản ánh trực tiếp hiệu quả hoạt động trung gian tín dụng và năng lực sinh lời cốt lõi của các Ngân hàng Thương mại Cổ phần (NHTMCP). Trong giai đoạn 2010 – 2020, hệ thống ngân hàng Việt Nam trải qua chu kỳ biến động phức tạp: từ giai đoạn thắt chặt tiền tệ kiềm chế lạm phát đỉnh điểm (2010 – 2011), tái cơ cấu nợ xấu và sáp nhập tổ chức tín dụng (2012 – 2015), đến quá trình chuẩn hóa năng lực vốn theo hiệp ước Basel II và số hóa ngân hàng (2016 – 2020). Biên độ chênh lệch giữa lãi suất huy động và lãi suất cho vay toàn ngành liên tục chịu áp lực thu hẹp do cạnh tranh thị phần gay gắt và các yêu cầu can thiệp trần lãi suất từ Ngân hàng Nhà nước (NHNN).

Chu kỳ thị trường (2010-2020) ──> Áp lực biến động lãi suất ──> Rủi ro biên lãi thuần (NIM)
                                                                     │
       ┌─────────────────────────────────────────────────────────────┴─────────────────────────────────────────────────────────────┐
       ▼                                                                                                                         ▼
Yếu tố Nội tại (Micro):                                                                                   Yếu tố Vĩ mô (Macro):
• Quy mô tài sản (SIZE), An toàn vốn (CAP)                                                                • Tăng trưởng kinh tế (GDP)
• Dự phòng rủi ro tín dụng (LLP), Nợ xấu (NPL)                                                            • Tỷ lệ lạm phát cuối năm (INF)
• Tỷ lệ dư nợ trên tiền gửi (LDR), Thanh khoản (LIQ)                                                      • Tỷ lệ tiết kiệm quốc gia (SAV)
• Chi phí lãi ngầm (IP), Chất lượng quản lý (QM)                                                          • Vốn hóa thị trường chứng khoán (SMD)

Vấn đề cốt lõi đặt ra cho các nhà quản trị ngân hàng là xác định chính xác các nhân tố nội tại và ngoại cảnh chi phối NIM, từ đó lượng hóa mức độ tác động nhằm cân đối chi phí vốn và tối ưu hóa lợi nhuận. Đề tài khóa luận tốt nghiệp "Các yếu tố tác động đến tỷ lệ thu nhập lãi thuần của các Ngân hàng TMCP tại Việt Nam giai đoạn 2010 – 2020" (Tác giả: Phan Thị Huyền Thanh; GVHD: TS. Dư Thị Lan Quỳnh – Trường Đại học Ngân hàng TP. Hồ Chí Minh) đã giải quyết trọn vẹn bài toán thực nghiệm này.

Mục tiêu cụ thể của công trình bao gồm:

1. Hệ thống hóa khung lý thuyết kinh tế lượng tài chính về biên lãi ròng dựa trên mô hình đặt nền móng của Ho & Saunders (1981) và các mô hình mở rộng hiện đại.
2. Xây dựng bộ cơ sở dữ liệu bảng (Balanced/Unbalanced Panel Data) gồm 31 NHTMCP Việt Nam với 311 quan sát thực tế trong 11 năm liên tục.
3. Ứng dụng quy trình kiểm định kinh tế lượng đa bước nhằm phát hiện và triệt tiêu các khuyết tật mô hình (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan chuỗi).
4. Ước lượng chính xác các tham số hồi quy bằng phương pháp Bình phương Bé nhất Tổng quát Khả thi (Feasible Generalized Least Squares - FGLS), cung cấp bằng chứng định lượng hỗ trợ quản trị điều hành.

Phạm vi nghiên cứu tập trung vào 31 NHTMCP niêm yết và đăng ký giao dịch trên các sàn HOSE, HNX, UPCOM có báo cáo tài chính kiểm toán minh bạch giai đoạn 2010 – 2020; không bao gồm các ngân hàng 100% vốn nước ngoài hoặc ngân hàng liên doanh do đặc thù cấu trúc bảng cân đối kế toán khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu biên lãi thuần tại các thị trường mới nổi thường đối mặt với thách thức phân tách tác động giữa năng lực quản trị nội bộ và các cú sốc vĩ mô. Các nghiên cứu trước đây tại Việt Nam và quốc tế thường áp dụng các mô hình tĩnh truyền thống nhưng bỏ qua việc kiểm định chuyên sâu về khuyết tật dữ liệu bảng, dẫn đến ước lượng bị chệch (biased) và không hiệu quả (inefficient).

Yêu cầu phân tích dữ liệu được mô hình hóa theo ma trận ưu tiên MoSCoW:

• Must have: Kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF), kiểm định lựa chọn mô hình (F-test, Breusch-Pagan LM, Hausman test), ước lượng khắc phục khuyết tật FGLS.
• Should have: Phân tích ma trận tương quan Pearson giữa 23 biến số, kiểm định tương quan chuỗi Wooldridge, kiểm định phương sai thay đổi White/Modified Wald.
• Could have: Đánh giá đồ thị xu hướng tương quan từng cặp biến đại diện với NIM qua 11 năm.
• Won't have: Mô hình hồi quy phi tuyến tính bậc cao hoặc ước lượng cấu trúc tham số thay đổi theo thời gian thực (Time-varying parameters).

Thiết kế hệ thống

Mô hình định lượng tổng quát được thiết lập dưới dạng phương trình hồi quy dữ liệu bảng đa biến:

$$NIM_{it} = \beta_0 + \beta_1 DEP_{it} + \beta_2 SIZE_{it} + \beta_3 CAP_{it} + \beta_4 LOAN_{it} + \beta_5 LLP_{it} + \beta_6 BGR_{it} + \beta_7 ROA_{it} + \beta_8 LIQ_{it} + \beta_9 D_{it} + \beta_{10} NII_{it} + \beta_{11} IP_{it} + \beta_{12} LDR_{it} + \beta_{13} QM_{it} + \beta_{14} LEV_{it} + \beta_{15} OPER_{it} + \beta_{16} NPL_{it} + \beta_{17} IR_{it} + \beta_{18} LR_{it} + \beta_{19} SMD_{it} + \beta_{20} GDP_{it} + \beta_{21} INF_{it} + \beta_{22} SAV_{it} + \beta_{23} I_{it} + \varepsilon_{it}$$

Trong đó:

• $i$: Đại diện cho 31 ngân hàng thương mại ($i = 1, \dots, 31$).
• $t$: Đại diện cho chuỗi thời gian 11 năm ($t = 2010, \dots, 2020$).
• $\varepsilon_{it}$: Sai số ngẫu nhiên tổng hợp ($\varepsilon_{it} = \mu_i + \nu_{it}$).

┌────────────────────────────────────────────────────────────────────────────────────────┐
│                                CẤU TRÚC BIẾN KINH TẾ LƯỢNG                            │
├────────────────────────────────────────────────────────┬───────────────────────────────┤
│ Biến phụ thuộc (Dependent Variable)                    │ Thước đo định lượng           │
│ • NIM (Net Interest Margin)                            │ Thu nhập lãi thuần / TTS sinh lãi bình quân
├────────────────────────────────────────────────────────┼───────────────────────────────┤
│ Nhóm biến nội tại ngân hàng (Bank-Specific Variables)  │                               │
│ • SIZE (Quy mô tài sản)                                │ Logarit tự nhiên tổng tài sản: ln(Total Assets)
│ • LLP (Dự phòng rủi ro tín dụng)                       │ Dự phòng nợ khó đòi / Tổng dư nợ cho vay
│ • ROA (Tỷ suất sinh lời trên tài sản)                  │ Lợi nhuận sau thuế / Tổng tài sản bình quân
│ • NII (Thu nhập ngoài lãi)                             │ Thu nhập thuần ngoài lãi / Tổng tài sản
│ • IP (Chi phí lãi ngầm - Implicit Interest Payment)    │ (Chi phí hoạt động - Thu ngoài lãi) / TTS
│ • LDR (Tỷ lệ cho vay trên tiền gửi)                    │ Tổng dư nợ cho vay / Tổng tiền gửi huy động
│ • QM (Chất lượng quản lý)                              │ Chi phí hoạt động / Tổng thu nhập hoạt động
│ • NPL (Tỷ lệ nợ xấu)                                   │ Nợ nhóm 3, 4, 5 / Tổng dư nợ cho vay
│ • IR (Rủi ro lãi suất)                                 │ Thu nhập lãi thuần / Tổng thu nhập
│ • OPER (Tính đa dạng hoạt động)                        │ Chi phí hoạt động / Tổng tài sản
├────────────────────────────────────────────────────────┼───────────────────────────────┤
│ Nhóm biến kinh tế vĩ mô (Macroeconomic Variables)      │                               │
│ • INF (Tỷ lệ lạm phát)                                 │ Chỉ số giá tiêu dùng CPI cuối năm (%)
│ • SMD (Sự phát triển thị trường chứng khoán)           │ Vốn hóa thị trường chứng khoán / GDP
│ • GDP (Tăng trưởng kinh tế thực tế)                    │ Tốc độ tăng trưởng GDP hàng năm (%)
│ • SAV (Tiết kiệm quốc gia)                             │ Tổng tiết kiệm quốc gia / GDP
└────────────────────────────────────────────────────────┴───────────────────────────────┘

Tech Stack định lượng:

• Phần mềm tính toán: Stata MP v16.0 / v17.0 (chuyên dụng xử lý Panel Data Econometrics).
• Hệ thống tiền xử lý: Microsoft Excel 365 Data Pipeline & Python pandas v1.5.3 hỗ trợ làm sạch dữ liệu thứ cấp.
• Thư viện Stata core: xtreg, hausman, xttest3, xtserial, xtgls.

Methodology

Quy trình nghiên cứu tuân thủ chặt chẽ khung phân tích 5 giai đoạn theo tiêu chuẩn thực nghiệm quốc tế (Wooldridge, 2002; Park, 2011):

graph TD
    A[Thu thập dữ liệu 31 NHTMCP 2010-2020: N=311] --> B[Thống kê mô tả & Kiểm định đa cộng tuyến VIF]
    B --> C[Ước lượng hồi quy: Pooled OLS, FEM, REM]
    C --> D{Kiểm định Hausman & Breusch-Pagan LM}
    D -- p < 0.05 --> E[Mô hình Hiệu ứng Cố định - FEM được chọn]
    E --> F[Kiểm định khuyết tật mô hình]
    F --> G[Kiểm định White / Wald: Phương sai sai số thay đổi]
    F --> H[Kiểm định Wooldridge: Tự tương quan chuỗi]
    G & H -- Vi phạm giả định cổ điển --> I[Ước lượng mô hình FGLS Khắc phục khuyết tật]
    I --> J[Thảo luận kết quả & Đề xuất khuyến nghị chính sách]

Implementation và kết quả

Development process

Quá trình phân tích kinh tế lượng được thực thi qua hệ thống mã lệnh Stata chuyên sâu, đảm bảo tính tái lập (reproducibility) của dữ liệu:

* ==============================================================================
* KHÓA LUẬN: CÁC YẾU TỐ TÁC ĐỘNG ĐẾN NIM TẠI CÁC NHTMCP VIỆT NAM (2010-2020)
* Tác giả: Phan Thị Huyền Thanh - Stata Script phân tích Panel Data
* ==============================================================================

* 1. Thiết lập cấu trúc dữ liệu bảng
clear all
import excel "bank_data_2010_2020.xlsx", sheet("Data") firstrow
xtset bank_id year

* 2. Kiểm tra đa cộng tuyến qua hồi quy OLS phụ trợ
regress nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i
vif

* 3. Ước lượng các mô hình cơ sở
regress nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i
estimates store pooled_ols

xtreg nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i, fe
estimates store fem

xtreg nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i, re
estimates store rem

* 4. Các kiểm định lựa chọn mô hình tối ưu
hausman fem rem
xttest0

* 5. Kiểm định khuyết tật phương sai thay đổi và tự tương quan trên mô hình FEM
xttest3
xtserial nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i

* 6. Ước lượng mô hình FGLS điều chỉnh phương sai sai số và tự tương quan
xtgls nim dep size cap loan llp bgr roa liq d nii ip ldr qm lev oper npl ir lr smd gdp inf sav i, ///
      panels(heteroskedastic) corr(ar1)

Testing và validation

Kết quả phân tích thống kê mô tả 311 quan sát ghi nhận:

• $NIM$ trung bình toàn hệ thống đạt 3.11% (giá trị cực đại đạt 10.19% tại Vietcombank năm 2010, giá trị cực tiểu -0.89% tại TPBank năm 2011 do quá trình tái cơ cấu).
• Tỷ lệ dự phòng rủi ro tín dụng ($LLP$) bình quân đạt 1.25%, cao nhất là 23.45% (PG Bank năm 2019).
• Hệ số dư nợ trên tiền gửi ($LDR$) bình quân toàn ngành ở mức cao 86.03% (đỉnh điểm 157.16% tại VietABank năm 2011).
• Tỷ lệ nợ xấu ($NPL$) trung bình giai đoạn này được ghi nhận ở mức 2.51% (đỉnh điểm 12.46% tại SCB năm 2016).

Kiểm định đa cộng tuyến cho thấy hệ số $VIF$ cao nhất là biến $IR$ ($VIF = 4.45 < 10$), giá trị $1/VIF > 0.1$, khẳng định mô hình không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.

Vì mô hình xuất hiện đồng thời hai khuyết tật kinh tế lượng nghiêm trọng: Phương sai sai số thay đổi ($p = 0.0000 < 0.01$) và Tự tương quan chuỗi ($p = 0.0000 < 0.01$), các ước lượng thu được từ OLS, FEM và REM đều mất tính hiệu quả (Standard errors bị chệch). Việc chuyển sang mô hình FGLS là bắt buộc và đạt chuẩn mực kinh tế lượng cao nhất.

Kết quả đạt được

Hồi quy FGLS cho kết quả tổng thể với mức ý nghĩa kiểm định toàn diện $\text{Wald } \chi^2(23) = 0.0000 < 0.001$. Phương trình hồi quy thực nghiệm thu được như sau:

$$\widehat{NIM}{it} = -0.0544 + 0.0021 \cdot SIZE{it} + 0.08439 \cdot LLP_{it} + 0.73658 \cdot ROA_{it} - 0.49938 \cdot NII_{it} + 0.46210 \cdot IP_{it} + 0.00018 \cdot LDR_{it} - 0.00312 \cdot QM_{it} + 0.0152 \cdot IR_{it} + 0.0084 \cdot NPL_{it} + 0.0045 \cdot INF_{it} - 0.0019 \cdot SMD_{it}$$

                HỆ SỐ TÁC ĐỘNG BIẾN ĐỘC LẬP LÊN NIM (MÔ HÌNH FGLS)
┌─────────────────────────────────────────────────────────────────────────────┐
│ ROA (Hiệu quả tài sản)       ██████████████████████████████ (+0.73658, p<1%)│
│ IP (Chi phí lãi ngầm)        ███████████████████ (+0.46210, p<1%)           │
│ LLP (Dự phòng rủi ro TD)    ████ (+0.08439, p<1%)                         │
│ SIZE (Quy mô ngân hàng)      █ (+0.00210, p<1%)                            │
│ LDR (Tỷ lệ cho vay/gửi)      ▏ (+0.00018, p<10%)                           │
│ INF (Lạm phát vĩ mô)         ▏ (+0.00450, p<5%)                            │
│ SMD (Quy mô TTCK)            ▏ (-0.00190, p<5%)                            │
│ QM (Chi phí/Thu nhập - CIR)  ▎ (-0.00312, p<1%)                            │
│ NII (Thu nhập ngoài lãi)     ████████████████████ (-0.49938, p<1%)          │
└─────────────────────────────────────────────────────────────────────────────┘

Phân tích chi tiết hệ số kinh tế lượng:

• Quy mô tài sản ($SIZE$, $\beta = +0.0021, p < 0.01$): Tác động tích cực có ý nghĩa thống kê 1%. Các ngân hàng lớn tận dụng hiệu quả quy mô (Economies of Scale), mạng lưới chi nhánh rộng khắp giúp hạ giá thành huy động vốn và tăng khả năng định giá lãi vay đầu ra.
• Tỷ lệ dự phòng rủi ro ($LLP$, $\beta = +0.08439, p < 0.01$): Khi tỷ lệ trích lập dự phòng nợ khó đòi tăng 1%, NIM tăng 0.08439%. Kết quả phản ánh các ngân hàng gánh chịu rủi ro tín dụng cao hơn sẽ áp mức bù rủi ro (Risk Premium) lớn hơn vào lãi suất cho vay đối với khách hàng.
• Tỷ suất sinh lời tài sản ($ROA$, $\beta = +0.73658, p < 0.01$): Tác động thuận chiều mạnh nhất. Năng lực sinh lời tài sản cao phản ánh chất lượng danh mục tín dụng vượt trội, tối ưu hóa thu nhập lãi thuần.
• Chi phí lãi ngầm ($IP$, $\beta = +0.46210, p < 0.01$): Ngân hàng cung cấp nhiều tiện ích miễn phí và dịch vụ hỗ trợ (tương đương trả lãi gián tiếp) sẽ bù đắp bằng cách thiết lập biên độ chênh lệch lãi suất danh nghĩa rộng hơn.
• Thu nhập ngoài lãi ($NII$, $\beta = -0.49938, p < 0.01$): Khi tỷ trọng thu ngoài lãi tăng 1%, NIM giảm 0.499%. Điều này minh chứng chiến lược đa dạng hóa doanh thu (phí dịch vụ, bảo hiểm bancassurance, thanh toán số) giúp ngân hàng giảm phụ thuộc vào hoạt động tín dụng thuần túy và sẵn sàng hạ biên lãi vay để mở rộng tập khách hàng.
• Chất lượng quản lý ($QM$, $\beta = -0.00312, p < 0.01$): Biến $QM$ đo bằng tỷ lệ chi phí hoạt động trên tổng thu nhập (CIR). Hệ số âm chỉ ra rằng khi chi phí vận hành tăng lên (quản lý kém hiệu quả), NIM sẽ sụt giảm tương ứng.
• Sự phát triển thị trường chứng khoán ($SMD$, $\beta = -0.0019, p < 0.05$): Khi quy mô vốn hóa TTCK/GDP mở rộng, các doanh nghiệp có thêm kênh huy động vốn trực tiếp qua phát hành cổ phiếu/trái phiếu, làm giảm sự phụ thuộc vào vốn vay ngân hàng, buộc NHTM phải hạ biên lãi suất để cạnh tranh.

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị đóng góp học thuật và thực tiễn đáng kể:

1. Khung biến số toàn diện: Tích hợp đồng thời 23 biến số bao gồm cả biến cấu trúc tài chính nội tại ngân hàng và biến môi trường vĩ mô, khắc phục tình trạng bỏ sót biến quan trọng (Omitted Variable Bias) của các nghiên cứu quy mô nhỏ trước đây.
2. Kỹ thuật xử lý khuyết tật chuẩn mực: Việc áp dụng mô hình hồi quy FGLS để khắc phục triệt để hiện tượng phương sai sai số thay đổi ($\chi^2 = 3891.000$) và tự tương quan chuỗi ($F = 22.000$) đảm bảo các ước lượng đạt tính chất Tuyến tính Không chệch Tốt nhất (BLUE).
3. Phát hiện mang tính đặc thù giai đoạn: Làm rõ cơ chế bù đắp chi phí lãi ngầm ($IP$) và mối quan hệ nghịch chiều giữa thu nhập ngoài lãi ($NII$) với NIM trong tiến trình tái cấu trúc hệ thống ngân hàng Việt Nam giai đoạn 2010 – 2020.

Ứng dụng thực tế và triển khai

Dựa trên kết quả thực nghiệm, các NHTMCP và cơ quan quản lý có thể triển khai các giải pháp chiến lược:

                                  CHIẾN LƯỢC QUẢN TRỊ TỐI ƯU NIM
                                                 │
     ┌───────────────────────────────────────────┼───────────────────────────────────────────┐
     ▼                                           ▼                                           ▼
1. Tối ưu Chi phí vốn (COF)             2. Định giá Tín dụng theo Rủi ro         3. Đa dạng hóa Doanh thu
• Phát triển CASA qua số hóa eKYC       • Áp dụng hệ thống xếp hạng nội bộ      • Mở rộng phí dịch vụ, tài trợ TM
• Tối ưu hệ số LDR quanh mức 80-85%     • Định giá bù rủi ro chuẩn xác (LLP)     • Giảm áp lực biên lãi thuần (NII)
• Tiết giảm chi phí vận hành (CIR)      • Kiểm soát chặt chẽ tỷ lệ nợ xấu       • Phát triển hệ sinh thái số Banking

• Chiến lược tối ưu hóa chi phí vốn: Gia tăng tỷ trọng tiền gửi không kỳ hạn (CASA) thông qua tiện ích ngân hàng số (Zero-fee, eKYC) nhằm kiềm chế chi phí huy động đầu vào, tạo dư địa duy trì NIM ổn định mà không cần nâng cao lãi suất cho vay.
• Mô hình định giá tín dụng theo rủi ro (Risk-Based Loan Pricing): Lượng hóa chính xác phần bù rủi ro tín dụng ($LLP$) vào lãi suất cho vay cho từng phân khúc khách hàng (SME, Bán lẻ, Corporate), tránh áp dụng mức lãi suất cào bằng gây rủi ro lựa chọn nghịch (Adverse Selection).
• Hạ tỷ lệ chi phí trên thu nhập (CIR): Tự động hóa quy trình nghiệp vụ (RPA, AI Credit Scoring) để cải thiện biến chất lượng quản lý ($QM$), giúp trực tiếp gia tăng biên lợi nhuận ròng.
• Lộ trình triển khai hệ thống ALM (Asset-Liability Management):

[Quý 1-2]: Chuẩn hóa cơ sở dữ liệu FTP (Fund Transfer Pricing) và tính toán NIM theo từng chi nhánh
[Quý 3]: Tích hợp Dashboard mô phỏng kịch bản stress-testing lãi suất và lạm phát lên NIM
[Quý 4]: Triển khai chính sách định giá bù rủi ro tự động trên hệ thống Core Banking

Hạn chế và hướng phát triển

Dù đạt được kết quả vững chắc, nghiên cứu vẫn tồn tại một số giới hạn học thuật:

• Tần suất dữ liệu: Sử dụng số liệu báo cáo tài chính hàng năm ($N=311$); chưa khai thác dữ liệu hàng quý ($Quarterly\ Data$) để nắm bắt biến động ngắn hạn của chu kỳ tiền tệ.
• Hiện tượng nội sinh (Endogeneity): Chưa xét đến khả năng nội sinh giữa NIM và biến trễ bậc 1 ($NIM_{t-1}$) hoặc tương quan đồng thời giữa ROA và NIM.

Hướng nghiên cứu phát triển tiếp theo:

1. Ứng dụng mô hình bảng động GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM - Arellano & Bover / Blundell & Bond) để kiểm soát hoàn toàn tính nội sinh.
2. Mở rộng mẫu nghiên cứu sang giai đoạn 2021 – 2025 nhằm đánh giá tác động sau đại dịch COVID-19 và biến động của thị trường trái phiếu doanh nghiệp.
3. Ứng dụng các thuật toán học máy (Random Forest, XGBoost) kết hợp phân tích SHAP values để dự báo độ nhạy của NIM theo thời gian thực.

Đối tượng hưởng lợi

• Sinh viên & Học viên Cao học ngành Tài chính - Ngân hàng: Tham khảo cấu trúc nghiên cứu thực nghiệm chuẩn mực, quy trình chạy kiểm định Stata từ Pooled OLS, FEM/REM đến FGLS.
• Chuyên viên Quản trị Bảng cân đối (ALM) & Rủi ro Thị trường: Ứng dụng ma trận hệ số định lượng để xây dựng chính sách điều chuyển vốn nội bộ (FTP) và định giá sản phẩm huy động/cho vay.
• Ban Điều hành NHTMCP: Nắm bắt các đòn bẩy trọng yếu ($SIZE, LLP, QM, NII$) để tái cấu trúc danh mục kinh doanh và cắt giảm chi phí hoạt động.
• Cơ quan Quản lý Nhà nước (NHNN): Có cơ sở dữ liệu định lượng đánh giá mức độ hấp thụ chính sách tiền tệ và tác động của thị trường chứng khoán đến hệ thống ngân hàng thương mại.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để tái lập mô hình FGLS này là gì?

Hệ thống cần tối thiểu RAM 8GB, bộ xử lý 4-core, cài đặt phần mềm Stata 15.0 trở lên (khuyến nghị Stata MP để xử lý đa luồng ma trận dữ liệu bảng) hoặc môi trường Python/R với gói thư viện plm và nlme.

2. Tại sao nghiên cứu không dừng lại ở mô hình FEM khi kiểm định Hausman có $p < 0.05$?

Kiểm định Hausman chỉ xác nhận mô hình FEM thích hợp hơn REM. Tuy nhiên, khi kiểm định sâu phát hiện hiện tượng phương sai thay đổi ($p = 0.0000$) và tự tương quan chuỗi ($p = 0.0000$), các giả định cổ điển của OLS trên FEM bị vi phạm hoàn toàn. FGLS là phương pháp ước lượng tối ưu giúp hiệu chỉnh ma trận hiệp phương sai sai số, đưa ước lượng về trạng thái vững và hiệu quả.

3. Tỷ lệ thu nhập ngoài lãi (NII) tác động ngược chiều đến NIM có phải là tín hiệu tiêu cực?

Không. Đây là quy luật phát triển tự nhiên của ngân hàng hiện đại. Khi ngân hàng chuyển dịch cơ cấu thu nhập sang mảng phi tín dụng (phí dịch vụ, bảo hiểm, thanh toán), ngân hàng có thể chấp nhận hạ biên lãi vay để thu hút quy mô khách hàng lớn, qua đó giảm thiểu rủi ro tập trung tín dụng.

4. Chi phí lãi ngầm (IP) được tính toán như thế nào và tại sao lại thúc đẩy NIM?

Chi phí lãi ngầm được tính bằng $(\text{Chi phí hoạt động} - \text{Thu nhập ngoài lãi}) / \text{Tổng tài sản}$. Khi ngân hàng gia tăng các tiện ích dịch vụ miễn phí để giữ chân khách hàng (lãi ngầm), họ sẽ bù đắp bằng cách ấn định biên chênh lệch lãi suất danh nghĩa cao hơn trên các khoản vay, làm tăng chỉ số NIM.

5. Khung thời gian định kỳ cần thiết để ngân hàng tái ước lượng mô hình này là bao lâu?

Bộ phận ALM và Quản trị rủi ro nên định kỳ chạy lại mô hình theo tần suất hàng quý khi có báo cáo tài chính mới để cập nhật độ nhạy của các tham số trước sự thay đổi của lãi suất điều hành và mục tiêu tăng trưởng tín dụng.

Kết luận

Nghiên cứu của tác giả Phan Thị Huyền Thanh đã giải quyết thấu đáo câu hỏi thực nghiệm về các nhân tố chi phối tỷ lệ thu nhập lãi thuần (NIM) tại 31 NHTMCP Việt Nam trong suốt giai đoạn bản lề 2010 – 2020. Bằng việc ứng dụng phương pháp kinh tế lượng FGLS chuẩn xác, công trình chứng minh vai trò tích cực mang tính quyết định của quy mô tài sản ($SIZE$), tỷ suất sinh lời ($ROA$), chi phí lãi ngầm ($IP$) và phần bù dự phòng rủi ro tín dụng ($LLP$), đồng thời chỉ rõ tác động kiềm chế NIM từ áp lực chi phí quản trị ($QM$) và xu hướng phát triển của thị trường vốn ($SMD$).

Kết quả này là tài liệu tham khảo khoa học có giá trị cao cho các nhà nghiên cứu, đồng thời cung cấp hàm ý quản trị thực tiễn giúp các ngân hàng thương mại Việt Nam tối ưu hóa cấu trúc bảng cân đối kế toán, hướng tới tăng trưởng lợi nhuận bền vững và nâng cao năng lực cạnh tranh trong kỷ nguyên số.