Chia sẻ chuyên mục Đề Tài Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Những nhân tố thúc đẩy tăng trưởng tín dụng tại các ngân hàng thương mại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

Chương 4 trình bày kết quả định lượng từ các mô hình hồi quy nhằm kiểm định mối quan hệ giữa các yếu tố nội tại của ngân hàng và tăng trưởng tín dụng tại các Ngân hàng thương mại Việt Nam giai đoạn nghiên cứu. Nội dung chương 4 bao gồm mô tả thống kê, phân tích ma trận tương quan, lựa chọn mô hình hồi quy phù hợp, và trình bày kết quả ước lượng của hai mô hình với hai biến phụ thuộc khác nhau: Tăng trưởng tín dụng (Credit_Gr) và Quy mô dư nợ tín dụng (LnLoan). Mỗi mô hình được phân tích chi tiết theo từng biến độc lập, đối chiếu với giả thuyết nghiên cứu và cơ sở lý thuyết, đồng thời thực hiện các kiểm định độ phù hợp mô hình như Arellano-Bond, Sargan và Hansen để đánh giá tính phù hợp của các biến công cụ. Các kết quả thu được sẽ làm cơ sở cho việc đưa ra các hàm ý chính sách ở chương tiếp theo.

4.1 Thống kê mô tả

Trước khi tiến hành các phân tích hồi quy nhằm kiểm định mối quan hệ giữa các yếu tố nội tại của ngân hàng và biến phụ thuộc, bước đầu tiên được thực hiện trong quá trình xử lý dữ liệu là thống kê mô tả. Mục đích của bước này là cung cấp cái nhìn tổng quan về đặc điểm phân phối của các biến trong mô hình nghiên cứu, qua đó giúp đánh giá sơ bộ mức độ biến động và sự khác biệt giữa các quan sát trong tập dữ liệu.

Cụ thể, Bảng 4.1 trình bày một số chỉ tiêu thống kê cơ bản bao gồm: số lượng quan sát (N), giá trị trung bình (Mean), độ lệch chuẩn (Standard Deviation), giá trị nhỏ nhất (GTNN – Minimum) và giá trị lớn nhất (GTLN – Maximum) của từng biến.

• Bảng 4.1. Kết quả thống kê mô tả

Biến Credit_Gr có giá trị trung bình là 0,1860, cho thấy tốc độ tăng trưởng tín dụng trung bình của các ngân hàng trong mẫu là khoảng 18,6% mỗi năm. Độ lệch chuẩn đạt 0,1032, phản ánh mức độ phân tán tương đối của dữ liệu quanh giá trị trung bình. Giá trị nhỏ nhất (GTNN) là -0,1103, tức một số ngân hàng có mức tăng trưởng tín dụng âm (giảm quy mô tín dụng), trong khi giá trị lớn nhất (GTLN) lên đến 0,6517, tương đương với mức tăng trưởng tín dụng 65,17%. Sự chênh lệch lớn giữa GTNN và GTLN cho thấy có sự khác biệt đáng kể trong chính sách tín dụng giữa các ngân hàng trong mẫu nghiên cứu.

Biến LnLoan có giá trị trung bình là 5,1151 với độ lệch chuẩn là 0,5360, thể hiện quy mô cho vay của các ngân hàng có sự khác biệt nhất định nhưng không quá lớn. GTNN và GTLN lần lượt là 4,0615 và 6,3049, tương ứng với quy mô dư nợ cho vay biến đổi từ mức thấp đến cao giữa các ngân hàng. Do biến này đã được chuyển đổi logarit, mức độ biến động là vừa phải và phù hợp để sử dụng trong mô hình hồi quy nhằm giảm thiểu ảnh hưởng của giá trị ngoại lệ.

Biến Credit_Grt1 có giá trị trung bình là 0,1871, gần tương đương với biến Credit_Gr, cho thấy sự ổn định tương đối trong tốc độ tăng trưởng tín dụng qua các năm. Độ lệch chuẩn là 0,1177, cao hơn so với Credit_Gr một chút, phản ánh biến này có phân tán lớn hơn. Giá trị nhỏ nhất là -0,1423 và lớn nhất là 0,6635, cho thấy có ngân hàng từng sụt giảm mạnh tín dụng trong năm trước, đồng thời có trường hợp tăng trưởng vượt trội.

Biến LnLoant1 với trung bình 5,0426 và độ lệch chuẩn 0,5407, giá trị của LnLoant1 khá tương đồng với biến LnLoan, phản ánh quy mô dư nợ cho vay năm trước tương đối ổn định so với năm hiện tại. GTNN là 4,0468 và GTLN là 6,2398, cho thấy xu hướng duy trì quy mô cho vay của các ngân hàng không có sự thay đổi quá đột ngột giữa hai năm.

Biến Deposit_Gr có giá trị trung bình là 0,1473, tức tốc độ tăng trưởng huy động vốn bình quân là 14,73% mỗi năm. Tuy nhiên, độ lệch chuẩn đạt 0,1219, phản ánh sự khác biệt lớn giữa các ngân hàng. GTNN là -0,1049 cho thấy có ngân hàng bị sụt giảm nguồn vốn huy động, trong khi GTLN lên tới 0,8270 tức tăng hơn 82%, cho thấy một số ngân hàng tăng trưởng huy động rất mạnh trong giai đoạn nghiên cứu.

Biến LnSize có giá trị trung bình là 5,3287 với độ lệch chuẩn 0,5117, phản ánh quy mô tài sản giữa các ngân hàng có sự chênh lệch nhưng không quá cao. GTNN và GTLN lần lượt là 4,2492 và 6,4410, cho thấy trong mẫu nghiên cứu có sự góp mặt của cả các ngân hàng nhỏ và các ngân hàng lớn, góp phần đảm bảo tính đa dạng và đại diện của dữ liệu.

Biến NPL trung bình trong mẫu là 0,1632 (tức 16,32%), với độ lệch chuẩn 0,0587. GTNN là 0,0450 và GTLN là 0,4256. Đây là biến có ý nghĩa quan trọng trong đánh giá chất lượng tín dụng và mức độ rủi ro của ngân hàng. Biến động tương đối lớn của NPL cho thấy có sự khác biệt rõ rệt giữa các ngân hàng về hiệu quả quản lý rủi ro tín dụng.

Biến LIQ có giá trị trung bình là 0,0227 với độ lệch chuẩn là 0,0279. Mặc dù mức thanh khoản trung bình khá thấp, tuy nhiên độ lệch chuẩn lớn so với giá trị trung bình cho thấy một số ngân hàng duy trì mức thanh khoản cao hơn nhiều so với mặt bằng chung. GTNN là 0,0047 và GTLN lên tới 0,2976, thể hiện sự phân hóa rõ rệt về chiến lược quản lý thanh khoản.

Biến ROA có giá trị trung bình 0,0099, tương đương mức sinh lời 0,99%, phản ánh hiệu quả sử dụng tài sản của các ngân hàng là khá thấp. Độ lệch chuẩn 0,0080 cho thấy sự phân tán vừa phải giữa các ngân hàng. GTNN là -0,0433, cho thấy có ngân hàng bị lỗ, trong khi GTLN là 0,0324 (tức 3,24%), phản ánh một số ngân hàng hoạt động hiệu quả hơn.

4.2 Ma trận tương quan Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Để kiểm tra và đánh giá mối quan hệ tuyến tính giữa các biến trong mô hình nghiên cứu, phân tích ma trận tương quan được sử dụng như một công cụ trong giai đoạn tiền xử lý dữ liệu. Ma trận này giúp làm rõ mức độ liên kết tuyến tính giữa từng cặp biến độc lập cũng như giữa các biến độc lập với biến phụ thuộc. Việc thực hiện phân tích tương quan không chỉ giúp tác giả và người đọc hiểu rõ hơn về cấu trúc dữ liệu, mà còn hỗ trợ trong việc xác định các cặp biến có hệ số tương quan cao – dấu hiệu cho thấy khả năng xuất hiện hiện tượng đa cộng tuyến trong mô hình hồi quy tuyến tính đa biến.

Đa cộng tuyến là một vấn đề phổ biến trong các mô hình định lượng, có thể dẫn đến việc ước lượng sai lệch các hệ số hồi quy, làm giảm ý nghĩa thống kê và gây khó khăn trong việc giải thích vai trò riêng lẻ của từng biến độc lập. Do đó, việc sử dụng ma trận tương quan như một bước sàng lọc sơ bộ có ý nghĩa quan trọng trong việc đảm bảo chất lượng và độ tin cậy của mô hình hồi quy. Những biến có hệ số tương quan quá cao với nhau có thể cần được loại bỏ, gộp lại hoặc xử lý thêm trong các bước tiếp theo nhằm hạn chế ảnh hưởng tiêu cực đến kết quả mô hình (Gujarati & Porter, 2009).

• Bảng 4.2.1. Kết quả ma trận tương quan mô hình 1

Bảng 4.2.1 trình bày hệ số tương quan giữa các biến độc lập trong mô hình nghiên cứu, bao gồm các biến đo lường tăng trưởng tín dụng (Credit_Gr, Credit_Grt1), tăng trưởng huy động (Deposit_Gr), quy mô ngân hàng (LnSize), nợ xấu (NPL), thanh khoản (LIQ) và hiệu quả sinh lời (ROA). Kết quả cho thấy một số cặp biến có mối liên hệ tương đối rõ nét. Cụ thể là cặp Credit_Gr và Credit_Grt1 có hệ số tương quan đạt 0,5367, phản ánh mức độ liên kết vừa phải giữa tốc độ tăng trưởng tín dụng trong năm hiện tại và năm liền trước. Một mối quan hệ tương đối cao khác là giữa Credit_Gr và Deposit_Gr (0,5635), cho thấy huy động vốn có thể có ảnh hưởng cùng chiều đến tăng trưởng tín dụng, điều này là hợp lý trong hoạt động Ngân hàng thương mại.

Ngược lại, các biến như LnSize, NPL, LIQ và ROA đều có hệ số tương quan khá thấp với các biến còn lại. Biến LnSize có mối tương quan dương với ROA (0,4351), ngụ ý rằng các ngân hàng có quy mô lớn hơn thường có hiệu quả sinh lời cao hơn. Tuy nhiên, mối tương quan này vẫn dưới ngưỡng đáng lo ngại. Biến LIQ và ROA có mối tương quan âm (-0,3185), phản ánh sự đánh đổi giữa khả năng sinh lời và tính thanh khoản – một hiện tượng phổ biến trong hoạt động quản trị ngân hàng.

Nhìn chung, không có cặp biến nào có hệ số tương quan vượt ngưỡng 0,8, cho thấy nguy cơ đa cộng tuyến nghiêm trọng là không cao (Wooldridge, 2013). Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

• Bảng 4.2.2. Kết quả ma trận tương quan mô hình 2

Bảng 4.2.2 thể hiện hệ số tương quan giữa các biến độc lập trong mô hình 2, bao gồm: LnLoan, LnLoant1, Deposit_Gr, LnSize, NPL, LIQ và ROA. Kết quả cho thấy mối tương quan rất cao giữa LnLoan và LnLoant1, với hệ số đạt 0,9976. Giá trị này gần như tuyệt đối, cho thấy hai biến này có mối liên hệ tuyến tính cực kỳ chặt chẽ. Đây là dấu hiệu rõ rệt của đa cộng tuyến nghiêm trọng, và nếu cả hai biến được đưa đồng thời vào mô hình hồi quy, kết quả ước lượng có thể không ổn định, hệ số không có ý nghĩa thống kê, hoặc sai lệch chuẩn bị phóng đại.

Tương tự, biến LnLoan và LnSize cũng có hệ số tương quan rất cao (0,9928), và LnLoant1 với LnSize là 0,9885. Điều này cho thấy tổng tài sản (LnSize) gần như đồng biến với quy mô dư nợ cho vay hiện tại và kỳ trước. Điều này có thể lý giải là do trong cấu trúc tài sản ngân hàng, dư nợ cho vay thường chiếm tỷ trọng lớn. Tuy nhiên, ở góc độ mô hình hóa, mức tương quan quá cao này vẫn đặt ra yêu cầu bắt buộc phải thực hiện các kiểm định đa cộng tuyến bổ sung như VIF (Variance Inflation Factor), hoặc xem xét loại bỏ, thay thế, hoặc gộp biến.

Trong khi đó, các biến còn lại như Deposit_Gr, NPL, LIQ và ROA đều có hệ số tương quan thấp với nhau và với các biến chính như LnLoan và LnSize. Biến ROA có mối tương quan trung bình với LnLoan (0,4310), LnLoant1 (0,4196), và LnSize (0,4351), hàm ý rằng các ngân hàng có quy mô cho vay hoặc tài sản lớn hơn thường có mức sinh lời trên tổng tài sản cao hơn – điều này phù hợp với logic kinh tế. Biến LIQ có tương quan âm với ROA (-0,3185), phản ánh mối quan hệ đánh đổi giữa thanh khoản và hiệu quả sinh lời trong thực tiễn quản trị ngân hàng.

Tóm lại, bảng 4.2.2 cho thấy cần đặc biệt lưu ý đến nhóm biến đại diện cho quy mô (LnLoan, LnLoant1, LnSize) do có mối liên hệ tuyến tính rất cao. Kiểm định VIF là bước tiếp theo cần thiết để đánh giá và xử lý hiện tượng đa cộng tuyến, đảm bảo mô hình hồi quy đạt được độ tin cậy và chính xác trong việc ước lượng các mối quan hệ giữa các biến.

4.3 Kiểm định hiện tượng đa cộng tuyến

Trong phân tích định lượng, một trong những vấn đề thường gặp khi xây dựng mô hình hồi quy tuyến tính đa biến là hiện tượng đa cộng tuyến. Hiện tượng này xảy ra khi giữa các biến độc lập tồn tại mối quan hệ tuyến tính chặt chẽ, dẫn đến sự phụ thuộc lẫn nhau giữa các biến giải thích trong mô hình. Sự hiện diện của đa cộng tuyến không làm sai lệch hệ số hồi quy theo nghĩa thiên lệch, nhưng lại ảnh hưởng nghiêm trọng đến độ ổn định và độ chính xác của các ước lượng. Cụ thể, sai số chuẩn của các hệ số có thể bị phóng đại, làm cho các biến mất đi ý nghĩa thống kê mặc dù trên thực tế chúng có ảnh hưởng đáng kể đến biến phụ thuộc. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Để nhận diện và đánh giá mức độ đa cộng tuyến trong mô hình, chỉ số VIF (Variance Inflation Factor) được sử dụng như một công cụ chuẩn mực. Chỉ số này đo lường mức độ mà phương sai của một hệ số hồi quy bị “thổi phồng” do ảnh hưởng từ sự tương quan với các biến độc lập còn lại. Theo ngưỡng đánh giá phổ biến trong lĩnh vực kinh tế lượng, được đề xuất bởi Gujarati & Porter (2009), nếu một biến có VIF lớn hơn 10, thì có thể kết luận rằng đa cộng tuyến nghiêm trọng đang hiện diện và cần được xử lý. Ngược lại, nếu VIF nhỏ hơn 5, mức độ đa cộng tuyến được xem là thấp và mô hình có thể được chấp nhận.

Do đó, kiểm định VIF không chỉ là một bước bổ trợ kỹ thuật, mà còn giữ vai trò quan trọng trong việc đảm bảo tính bền vững và ý nghĩa của mô hình hồi quy, đặc biệt trong bối cảnh nghiên cứu sử dụng dữ liệu thực nghiệm với nhiều biến đặc trưng có khả năng tương quan cao.

• Bảng 4.3.1. Kết quả kiểm định đa cộng tuyến ban đầu của 2 mô hình

Trong mô hình 1, kết quả kiểm định hệ số phóng đại phương sai (Variance Inflation Factor – VIF) đối với các biến độc lập cho thấy tất cả các biến đều có VIF dao động trong khoảng từ 1,06 đến 1,40, với VIF trung bình là 1,24. Theo ngưỡng chuẩn được đề xuất trong nghiên cứu kinh tế lượng (Gujarati & Porter, 2009), nếu VIF < 10 thì chưa có dấu hiệu đáng lo ngại về hiện tượng đa cộng tuyến. Thậm chí, một số học giả còn cho rằng VIF < 5 là ngưỡng an toàn và hoàn toàn chấp nhận được trong thực hành nghiên cứu. Như vậy, với kết quả này, có thể khẳng định rằng Mô hình 1 không xuất hiện hiện tượng đa cộng tuyến nghiêm trọng, và các biến độc lập trong mô hình có thể được giữ nguyên để đưa vào phân tích hồi quy mà không cần điều chỉnh.

Trái ngược với Mô hình 1, kết quả kiểm định VIF trong Mô hình 2 cho thấy xuất hiện tình trạng đa cộng tuyến nghiêm trọng giữa các biến đại diện cho quy mô: LnLoant1 và LnSize, với chỉ số VIF lần lượt lên tới 51,63 và 51,58. Đây là mức vượt xa ngưỡng 10 – mức mà Gujarati & Porter (2009) xác định là dấu hiệu rõ ràng của đa cộng tuyến mạnh. VIF trung bình của toàn mô hình cũng đạt 17,99, tiếp tục củng cố nhận định rằng đa cộng tuyến đang ảnh hưởng nghiêm trọng đến khả năng ước lượng đáng tin cậy của các hệ số hồi quy. Tình trạng này phát sinh do mối tương quan rất cao giữa các biến đo lường quy mô ngân hàng như đã được phản ánh rõ trong ma trận tương quan. Do đó, để đảm bảo chất lượng mô hình, tác giả sẽ loại bỏ biến LnSize để giảm thiểu tác động của đa cộng tuyến.

• Bảng 4.3.2. Kết quả kiểm định đa cộng tuyến sau khi loại biến của mô hình 2

Sau khi loại bỏ biến LnSize, kết quả kiểm định VIF được thể hiện tại Bảng 4.3.2 cho thấy mức độ đa cộng tuyến đã giảm đáng kể. Cụ thể, các chỉ số VIF của các biến còn lại đều nằm trong khoảng từ 1,02 đến 1,36, và VIF trung bình chỉ còn ở mức 1,16. Đây là ngưỡng trong vùng an toàn theo tiêu chuẩn kinh tế lượng. Theo Gujarati & Porter (2009), nếu VIF < 5 thì hiện tượng đa cộng tuyến không ảnh hưởng đến kết quả ước lượng. Kết quả sau khi điều chỉnh cho thấy mô hình không còn dấu hiệu của đa cộng tuyến, tạo tiền đề thuận lợi cho việc thực hiện phân tích hồi quy trong các bước tiếp theo. Việc làm sạch mô hình khỏi các yếu tố gây nhiễu như đa cộng tuyến sẽ giúp nâng cao độ tin cậy và ý nghĩa thống kê của các hệ số hồi quy, từ đó hỗ trợ quá trình kiểm định giả thuyết nghiên cứu một cách hiệu quả và chính xác hơn.

4.4 Mô hình hồi quy FEM, REM Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Trong phân tích dữ liệu bảng (panel data), lựa chọn mô hình hồi quy phù hợp là yếu tố then chốt để đảm bảo kết quả ước lượng có độ tin cậy và phản ánh đúng bản chất mối quan hệ giữa các biến trong nghiên cứu. Hai mô hình phổ biến thường được sử dụng là mô hình tác động cố định (Fixed Effects Model – FEM) và mô hình tác động ngẫu nhiên (Random Effects Model – REM).

Mô hình FEM giả định rằng mỗi đơn vị quan sát có những đặc điểm riêng biệt không quan sát được nhưng cố định theo thời gian, và những đặc điểm này có thể ảnh hưởng đến biến phụ thuộc. FEM xử lý vấn đề này bằng cách kiểm soát sai số đặc trưng riêng cho từng đơn vị, từ đó giúp loại bỏ được yếu tố gây nhiễu và tránh hiện tượng thiên lệch do biến bị bỏ sót. Phù hợp cho trường hợp mà các đặc điểm riêng này có khả năng tương quan với các biến độc lập trong mô hình.

Trong khi đó, mô hình REM giả định rằng các yếu tố cá biệt của từng đơn vị quan sát là ngẫu nhiên và không tương quan với các biến độc lập. REM giữ lại các yếu tố đặc trưng này dưới dạng thành phần sai số ngẫu nhiên, từ đó tận dụng được thông tin biến thiên giữa các đơn vị và theo thời gian. Mô hình REM thường được sử dụng khi các biến đặc trưng không quan sát được được xem là ngẫu nhiên, không liên quan đến các biến giải thích.

• Bảng 4.4.1. Kết quả hồi quy mô hình FEM, REM đối với mô hình 1

Bảng kết quả trên trình bày hệ số và giá trị thống kê tương ứng trong hai mô hình: tác động cố định (FEM) và tác động ngẫu nhiên (REM). Nhìn chung, cả hai mô hình đều thể hiện vai trò của một số biến độc lập trong việc giải thích biến phụ thuộc, song mức độ ảnh hưởng và ý nghĩa thống kê có sự khác biệt giữa hai mô hình.

Cụ thể, biến Deposit_Gr có ảnh hưởng cùng chiều và có ý nghĩa thống kê cao trong cả hai mô hình (FEM: hệ số 0,290; REM: hệ số 0,354; mức ý nghĩa thống kê 1%), cho thấy tăng trưởng huy động vốn góp phần cải thiện tín dụng.

Tuy nhiên, các biến khác có sự khác biệt rõ rệt giữa FEM và REM. Biến LnSize mang dấu âm và có ý nghĩa thống kê ở mức 1% trong mô hình FEM (hệ số -0,0964; p- value ~ 0,003), cho thấy khi kiểm soát đặc điểm riêng cố định của từng ngân hàng, quy mô lớn hơn có thể làm giảm tín dụng – có thể do hiệu ứng chi phí hoặc áp lực cạnh tranh. Trong khi đó, ở mô hình REM, biến này không có ý nghĩa thống kê (p-value > 0,05).

Biến ROA có dấu âm và có ý nghĩa thống kê trong FEM (hệ số -2,457; p-value < 0,05), trong khi ở REM lại mang dấu dương và không có ý nghĩa thống kê. Sự trái ngược về dấu và mức ý nghĩa này càng cho thấy sự khác biệt về bản chất giữa hai mô hình và gợi ý rằng các đặc điểm riêng không quan sát được có thể đang tương quan với biến ROA – một giả định làm mô hình REM trở nên thiếu phù hợp. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Biến NPL cũng thể hiện khác biệt: không có ý nghĩa trong FEM nhưng lại có ý nghĩa ở mức 5% và mang dấu âm trong REM. Tuy nhiên, điều này cần được xem xét cùng với kết quả của các biến khác.

Từ những khác biệt này, đặc biệt là với biến LnSize và ROA, có cơ sở để nghi ngờ rằng các đặc điểm riêng của từng ngân hàng (chẳng hạn như chiến lược kinh doanh, khả năng quản trị rủi ro, hay vị thế trên thị trường) có thể đang tương quan với các biến giải thích trong mô hình. Theo lý thuyết, khi điều này xảy ra, mô hình FEM sẽ là lựa chọn phù hợp hơn so với REM.

• Bảng 4.4.2. Kết quả hồi quy mô hình FEM, REM đối với mô hình 2

Bảng kết quả trên trình bày hệ số ước lượng và thống kê kiểm định của các biến trong hai mô hình: mô hình tác động cố định (Fixed Effects Model – FEM) và mô hình tác động ngẫu nhiên (Random Effects Model – REM). Cả hai mô hình đều sử dụng biến LnLoant1 để đo lường quy mô cho vay. Biến LnLoant1 có hệ số dương và có ý nghĩa thống kê cao ở mức 1% trong cả hai mô hình (FEM: 0,956; REM: 0,983), cho thấy quy mô dư nợ cho vay có ảnh hưởng tích cực đến tăng trưởng tín dụng.

Tương tự, biến Deposit_Gr (tăng trưởng huy động) cũng có ảnh hưởng tích cực và có ý nghĩa thống kê cao trong cả hai mô hình (FEM: 0,101; REM: 0,145), củng cố vai trò của khả năng huy động vốn trong việc nâng cao hiệu quả sinh lời từ hoạt động cho vay.

Tuy nhiên, sự khác biệt bắt đầu xuất hiện ở các biến còn lại. Cụ thể, biến NPL (tỷ lệ nợ xấu) không có ý nghĩa thống kê trong FEM nhưng lại có ý nghĩa ở mức 5% trong REM và mang hệ số âm (-0,0861), cho thấy trong mô hình REM, tỷ lệ nợ xấu cao có thể làm giảm NIM – một kết quả hợp lý về mặt kinh tế học. Tuy nhiên, sự khác biệt về ý nghĩa giữa hai mô hình cho thấy khả năng tồn tại mối tương quan giữa sai số riêng và biến độc lập, điều mà REM giả định là không tồn tại.

Biến ROA tiếp tục thể hiện sự khác biệt giữa hai mô hình. Trong FEM, hệ số của ROA là -0,5000 và không có ý nghĩa thống kê (p-value > 0,05), trong khi trong REM, hệ số chuyển sang dấu dương và vẫn không có ý nghĩa. Dấu hiệu này cho thấy kết quả ước lượng của ROA nhạy cảm với lựa chọn mô hình, và điều này càng nhấn mạnh tầm quan trọng của việc kiểm định mô hình phù hợp.

Biến LIQ (tỷ lệ thanh khoản) không có ý nghĩa trong cả hai mô hình. Từ những khác biệt này, đặc biệt là ở biến NPL và ROA, có thể nhận thấy rằng một số biến độc lập có khả năng tương quan với sai số riêng, tức các đặc điểm cố hữu của từng ngân hàng không thể quan sát được nhưng ảnh hưởng đến tăng trưởng tín dụng. Khi điều này xảy ra, giả định của mô hình REM không còn phù hợp, và mô hình FEM sẽ là lựa chọn phù hợp hơn để đảm bảo tính nhất quán trong ước lượng (Gujarati & Porter, 2009; Wooldridge, 2013).

4.5 Lựa chọn mô hình phù hợp Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Để xác định mô hình hồi quy phù hợp giữa mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM), nghiên cứu tiến hành kiểm định Hausman – một công cụ phổ biến dùng để đánh giá xem có tồn tại mối tương quan giữa các tác động không quan sát được và các biến độc lập trong mô hình hay không. Nếu kết quả kiểm định cho thấy tồn tại mối tương quan, FEM sẽ là lựa chọn tối ưu vì có khả năng kiểm soát được các đặc điểm cố định của từng ngân hàng mà không gây sai lệch cho các hệ số ước lượng. Ngược lại, nếu không phát hiện mối tương quan, mô hình REM sẽ được ưu tiên vì cho hiệu quả thống kê cao hơn, tận dụng được nhiều thông tin từ dữ liệu. Việc sử dụng kiểm định Hausman giúp đảm bảo rằng mô hình được lựa chọn là phù hợp nhất với cấu trúc dữ liệu, từ đó nâng cao độ tin cậy của các kết luận nghiên cứu. Về mặt giả thuyết, kiểm định Hausman được thiết lập như sau: H0: Mô hình REM là mô hình phù hợp H1: Mô hình FEM là mô hình phù hợp

• Bảng 4.5. Kết quả kiểm định Hausman

Kết quả kiểm định được trình bày trong Bảng 4.5 cho thấy giá trị p-value = 0,0000, nhỏ hơn mức ý nghĩa 𝛼 = 0,05. Do đó, giả thuyết H1 (mô hình FEM phù hợp hơn) được chấp nhận, và giả thuyết H0 (mô hình REM phù hợp) bị bác bỏ. Kết luận rằng mô hình FEM là phù hợp cho bài nghiên cứu này.

4.6 Kiểm định phương sai sai số thay đổi

Trong các mô hình hồi quy sử dụng dữ liệu bảng, một giả định then chốt là sai số phải có phương sai đồng nhất (homoscedasticity). Khi giả định này bị vi phạm – tức tồn tại hiện tượng phương sai sai số thay đổi (heteroscedasticity) – các ước lượng thu được từ phương pháp OLS hoặc thậm chí FGLS có thể mất đi tính hiệu quả, khiến kết quả phân tích không còn chính xác và dẫn đến sai lệch trong việc đưa ra kết luận (Wooldridge, 2010). Nhằm phát hiện hiện tượng này trong mô hình nghiên cứu, tác giả áp dụng kiểm định Breusch-Pagan (Breusch & Pagan, 1979) – một phương pháp kiểm định phổ biến để đánh giá sự tồn tại của phương sai không đồng nhất trong phần dư. Kiểm định này được xây dựng với hệ thống giả thuyết như sau: H0: Phương sai sai số không thay đổi H1: Phương sai sai số thay đổi

• Bảng 4.6. Kết quả kiểm định phương sai sai số thay đổi

Từ kết quả chạy Stata, giá trị p-value của kiểm định Breusch-Pagan nhỏ hơn 0,05, cho thấy mô hình có hiện tượng phương sai sai số thay đổi. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

4.7 Kiểm định hiện tượng tự tương quan

Trong các mô hình hồi quy sử dụng dữ liệu bảng (panel data), một giả định quan trọng cần được đảm bảo là phần sai số của từng cá thể qua các thời điểm khác nhau là độc lập với nhau, tức không có hiện tượng tự tương quan chuỗi (serial correlation) trong phần dư. Khi giả định này bị vi phạm – nghĩa là sai số tại một thời điểm có liên hệ với sai số tại các thời điểm trước đó – các ước lượng của mô hình, dù vẫn là không chệch, sẽ mất đi tính hiệu quả. Cụ thể, sai số chuẩn của các hệ số hồi quy có thể bị ước lượng sai, dẫn đến kết luận thống kê không đáng tin cậy và làm giảm độ chính xác của các kiểm định giả thuyết (Wooldridge, 2010).

Để kiểm tra xem mô hình có mắc phải vấn đề tự tương quan trong dữ liệu bảng hay không, nghiên cứu sử dụng kiểm định Wooldridge – một phương pháp phổ biến và được khuyến nghị trong kinh tế lượng hiện đại, đặc biệt là với dữ liệu bảng không cân bằng hoặc có số lượng quan sát hạn chế (Wooldridge, 2002). Kiểm định này có thể áp dụng hiệu quả cho cả hai loại mô hình: tác động cố định (FEM) và tác động ngẫu nhiên (REM). Một trong những ưu điểm lớn của kiểm định Wooldridge là không yêu cầu mẫu lớn hoặc nhiều thời kỳ, và cho kết quả đáng tin cậy ngay cả khi tồn tại dị phương sai hoặc sai lệch nhẹ khỏi giả định chuẩn hóa.

Phương pháp kiểm định này dựa trên ý tưởng kiểm tra sự tồn tại của mối quan hệ giữa phần dư hiện tại và phần dư của một kỳ trước đó trong cùng một đơn vị quan sát. Nếu tồn tại mối liên hệ này, tức phần dư có tính chuỗi, thì cần phải điều chỉnh mô hình (ví dụ như sử dụng sai số chuẩn điều chỉnh hoặc các phương pháp ước lượng khác). Giả thuyết của kiểm định như sau: H0: Không có hiện tượng tự tương quan bậc nhất trong mô hình H1: Có hiện tượng tự tương quan bậc nhất trong mô hình

• Bảng 4.7. Kết quả kiểm định hiện tượng tự tương quan

Kết quả kiểm định Wooldridge trong phần mềm Stata cho thấy giá trị p-value < 0,05, điều này có nghĩa là mô hình có hiện tượng tự tương quan.

4.8 Kiểm định hiện tượng nội sinh Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Trong bối cảnh mô hình nghiên cứu có sử dụng các biến trễ như Credit_Grt-1 (mô hình 1) và LnLoant-1 (mô hình 2), nguy cơ xuất hiện hiện tượng nội sinh là điều cần được cân nhắc. Việc các biến trễ có thể tương quan với sai số của mô hình là điều thường gặp trong dữ liệu bảng, đặc biệt khi tồn tại các yếu tố không quan sát được hoặc các cú sốc kéo dài ảnh hưởng đến cả hiện tại và quá khứ (Wooldridge, 2010).

Để kiểm tra vấn đề này, nghiên cứu áp dụng kiểm định Wu–Hausman, một phương pháp phổ biến dùng để phát hiện nội sinh trong mô hình hồi quy. Kiểm định này so sánh mô hình ước lượng thông thường với mô hình sử dụng biến công cụ, nhằm xác định xem liệu biến nghi ngờ có thực sự tương quan với sai số hay không. Nếu kiểm định cho thấy sự khác biệt có ý nghĩa thống kê, điều đó đồng nghĩa với việc biến đó là nội sinh, và cần sử dụng các phương pháp ước lượng phù hợp hơn như GMM để đảm bảo tính nhất quán (Baum, 2006; Wooldridge, 2010). Giả thuyết của kiểm định như sau: H0: Biến nghi ngờ là ngoại sinh H1: Biến nghi ngờ là nội sinh

• Bảng 4.8. Kết quả kiểm định hiện tượng nội sinh

Kết quả cho thấy giá trị p-value của kiểm định Wu–Hausman ở cả hai mô hình đều nhỏ hơn 0,05, cho thấy bác bỏ giả thuyết H0 rằng các biến là ngoại sinh. Điều này xác nhận rằng các biến trễ như Credit_Grt-1 (trong mô hình 1) và LnLoant-1 (trong mô hình 2) là nội sinh, tức có mối tương quan với sai số trong mô hình.

Nghiên cứu lựa chọn sử dụng phương pháp GMM (Generalized Method of Moments) như một giải pháp nhằm khắc phục các khuyết tật của mô hình, đặc biệt là vấn đề nội sinh. GMM cho phép sử dụng biến công cụ để tạo ra các ước lượng nhất quán và hiệu quả hơn trong điều kiện có sai số tương quan hoặc phương sai thay đổi (Baum, 2006; Wooldridge, 2010).

4.9 Hồi quy mô hình GMM Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Sau khi kiểm định nội sinh bằng phương pháp Wu-Hausman, kết quả cho thấy giá trị p-value ở cả hai mô hình đều nhỏ hơn 0,05, cho thấy có tồn tại hiện tượng nội sinh giữa biến trễ và biến phụ thuộc. Cụ thể, mô hình 1 có biến Credit_Grt-1 và mô hình 2 có biến LnLoant-1 đều có khả năng tương quan với sai số ngẫu nhiên, dẫn đến ước lượng từ FEM và REM không còn nhất quán. Do đó, nghiên cứu sử dụng phương pháp GMM (Generalized Method of Moments) để khắc phục khuyết tật này và đảm bảo tính nhất quán và hiệu quả của các hệ số ước lượng. Phương pháp GMM phù hợp với dữ liệu bảng có hiện tượng nội sinh và dị phương sai, cho phép sử dụng các biến công cụ nội sinh hoặc ngoại sinh để tạo ra các điều kiện mô men hợp lệ. Trong nghiên cứu này, các biến trễ của biến độc lập được sử dụng làm công cụ cho chính nó, theo khuyến nghị của Arellano và Bond (1991). Việc áp dụng GMM cũng đồng thời hỗ trợ xử lý các vấn đề về phương sai thay đổi và sai số có tương quan chuỗi.

• Bảng 4.9.1. Kết quả hồi quy GMM mô hình 1

Kết quả hồi quy mô hình GMM cho thấy hệ số p-value của kiểm định Arellano-Bond cho tự tương quan bậc một [AR(1)] và bậc hai [AR(2)] lần lượt là 0,112 và 0,059 – đều lớn hơn ngưỡng ý nghĩa 5%, cho thấy không tồn tại hiện tượng tự tương quan trong sai phân bậc hai, đáp ứng điều kiện cơ bản của mô hình GMM động. Đồng thời, kiểm định Sargan (p = 0,103) và kiểm định Hansen (p = 0,999) cũng đều có p-value > 0,05, hàm ý rằng các biến công cụ được sử dụng trong mô hình là hợp lệ và không có vấn đề quá xác định (over-identification). Do đó, có thể khẳng định rằng mô hình GMM được lựa chọn trong nghiên cứu là phù hợp, đáng tin cậy và các kết luận rút ra từ kết quả ước lượng là có cơ sở khoa học.

Kết quả hồi quy cho thấy biến Credit_Gr1 có hệ số dương (0,1985) và có ý nghĩa thống kê ở mức 1% (p = 0,003). Điều này cho thấy tăng trưởng tín dụng có tính chất quán tính – tức việc ngân hàng mở rộng tín dụng trong năm trước có khả năng tiếp tục kéo dài sang năm sau. Kết quả này phù hợp với lý thuyết chu kỳ tín dụng, nhấn mạnh vai trò của kỳ vọng và hành vi trong chu kỳ kinh tế, và cũng phù hợp với lý thuyết thông tin bất cân xứng, khi ngân hàng sử dụng thông tin trong quá khứ để định hình quyết định tín dụng trong tương lai. Về mặt thực nghiệm, phát hiện này tương đồng với nghiên cứu của Ali Awdeh (2016) và Nguyễn Văn Thuận (2022), cho rằng tín dụng hiện tại thường chịu ảnh hưởng từ mức tín dụng trong quá khứ. Kết quả này cũng ủng hộ giả thuyết H1a trong mô hình nghiên cứu.

Biến tăng trưởng tiền gửi có hệ số dương (0,3618) và có ý nghĩa thống kê cao (p < 0,001), thể hiện mối quan hệ tích cực mạnh giữa khả năng huy động vốn và khả năng mở rộng tín dụng của ngân hàng. Điều này hoàn toàn phù hợp với lý thuyết trung gian tài chính, cho rằng ngân hàng đóng vai trò cầu nối giữa người gửi tiền và người vay vốn, và việc mở rộng tín dụng chỉ có thể thực hiện nếu có nguồn vốn huy động vững chắc. Kết quả này cũng được củng cố bởi nhiều nghiên cứu thực nghiệm, như Pasaribu & Mindosa (2021), Nguyễn Văn Dân và cộng sự. (2024), Rizkullah & Suhel (2023), đều xác nhận vai trò tích cực và có ý nghĩa của tăng trưởng tiền gửi đối với tín dụng ngân hàng. Như vậy, giả thuyết H2a đã được xác nhận một cách rõ ràng.

Mặc dù có hệ số dương (0,0285), biến quy mô ngân hàng không có ý nghĩa thống kê (p = 0,250). Điều này cho thấy, trong giai đoạn nghiên cứu, quy mô ngân hàng không phải là yếu tố quyết định đến tăng trưởng tín dụng. Kết quả này mâu thuẫn với kỳ vọng của lý thuyết hành vi ngân hàng, vốn cho rằng các ngân hàng lớn thường có xu hướng mở rộng tín dụng để duy trì vị thế thị trường. Đồng thời, nó cũng đi ngược lại với một số nghiên cứu thực nghiệm như của Rizkullah & Suhel (2023) hoặc Nguyễn Văn Dân và cộng sự (2024). Điều này có thể do ngân hàng lớn tập trung vào hoạt động đầu tư hoặc dịch vụ tài chính phi tín dụng. Như vậy, giả thuyết H3a không được ủng hộ. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Tỷ lệ nợ xấu có hệ số dương (0,0882) nhưng không có ý nghĩa thống kê (p = 0,543), đi ngược lại với lý thuyết rủi ro tín dụng là nợ xấu cao sẽ làm hạn chế khả năng mở rộng tín dụng do gia tăng rủi ro mất vốn và áp lực dự phòng. Đây cũng là dấu hiệu có thể cho thấy các ngân hàng chưa thực sự chú trọng đến việc kiểm soát rủi ro trong quá trình mở rộng tín dụng, hoặc việc phân loại nợ xấu chưa phản ánh đúng rủi ro thực tế. Kết quả này trái ngược với một số nghiên cứu trước đó như Rabab’ah (2024), Loissa & Krisnanda (2023), Nguyễn Văn Dân và cộng sự (2024), đều cho rằng nợ xấu có tác động tiêu cực và có ý nghĩa đến tín dụng. Vì vậy, giả thuyết H4a bị bác bỏ.

Biến thanh khoản có hệ số âm (-0,2315), đúng với kỳ vọng theo lý thuyết ưu tiên thanh khoản – cho rằng khi ngân hàng giữ thanh khoản cao, họ sẽ hạn chế cho vay để đảm bảo an toàn hệ thống. Tuy nhiên, hệ số này không có ý nghĩa thống kê (p = 0,289), cho thấy ảnh hưởng của thanh khoản lên tín dụng là chưa rõ ràng hoặc phụ thuộc vào bối cảnh cụ thể. Một số nghiên cứu như Tung & Thuan (2022) và Nguyễn Văn Dân và cộng sự (2024) cũng ghi nhận tác động tiêu cực từ thanh khoản đến tín dụng, nhưng trong nghiên cứu này, kết quả chưa đủ mạnh để khẳng định mối quan hệ. Do đó, giả thuyết H5a không được chấp nhận.

Biến ROA có hệ số âm lớn (-3,8636) và có ý nghĩa thống kê mạnh (p = 0,000), trái ngược hoàn toàn với kỳ vọng từ lý thuyết hành vi ngân hàng và lý thuyết tín dụng dựa trên lợi nhuận, vốn cho rằng ngân hàng có hiệu quả sinh lời cao sẽ có xu hướng mở rộng tín dụng để gia tăng lợi nhuận. Kết quả này có thể phản ánh thực tế rằng các ngân hàng đạt được ROA cao thông qua các hoạt động ít rủi ro hơn (như đầu tư chứng khoán, dịch vụ tài chính khác) thay vì mở rộng tín dụng, nhất là trong bối cảnh cạnh tranh cao hoặc rủi ro vĩ mô tăng. Về mặt thực nghiệm, kết quả này tương đồng với nghiên cứu của Ali Awdeh (2016) cho rằng ROA ảnh hưởng ngược chiều đến tín dụng. Vì vậy, giả thuyết H6 không được ủng hộ.

• Bảng 4.9.2. Kết quả hồi quy GMM mô hình 2

Kết quả hồi quy mô hình GMM cho thấy, kiểm định Arellano-Bond cho sai phân bậc một (AR(1)) và bậc hai (AR(2)) có p-value lần lượt là 0,117 và 0,108 – đều lớn hơn 0,05, chứng minh không có hiện tượng tự tương quan trong phần dư bậc hai. Bên cạnh đó, kiểm định Sargan (p = 0,390) và Hansen (p = 0,998) cũng cho thấy các biến công cụ là hợp lệ, không xảy ra hiện tượng quá xác định. Như vậy, mô hình GMM được sử dụng là phù hợp, có thể tin cậy để giải thích các mối quan hệ giữa các yếu tố nội tại ngân hàng và quy mô dư nợ tín dụng. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Hệ số của biến độ trễ LnLoan1 là 0,3950 và có ý nghĩa thống kê cao (p < 0,001), phản ánh tính động lực mạnh mẽ trong hoạt động tín dụng. Điều này cho thấy tổng dư nợ tín dụng của ngân hàng trong quá khứ có ảnh hưởng tích cực đến quy mô tín dụng hiện tại. Kết quả này phù hợp với lý thuyết chu kỳ tín dụng, nhấn mạnh đến quán tính tín dụng và kỳ vọng tăng trưởng tiếp diễn theo thời gian. Đồng thời, kết quả cũng tương đồng với nghiên cứu của Ali Awdeh (2016), trong đó yếu tố trễ của tín dụng có ảnh hưởng đáng kể đến hoạt động tín dụng trong năm kế tiếp. Kết quả này xác nhận giả thuyết H1b rằng dư nợ tín dụng quá khứ có ảnh hưởng tích cực đến hiện tại.

Biến Deposit_Gr có tác động mạnh với hệ số dương (0,1029) và mức ý nghĩa cao (p < 0,001). Điều này một lần nữa củng cố luận điểm từ lý thuyết trung gian tài chính, rằng khả năng huy động vốn đóng vai trò thiết yếu cho hoạt động cho vay của ngân hàng. Kết quả phù hợp với nhiều nghiên cứu trước đây như Pasaribu & Mindosa (2021), Nguyễn Văn Dân và cộng sự (2024), nhấn mạnh đến mối quan hệ tích cực giữa tiền gửi và tín dụng. Như vậy, giả thuyết H2b tiếp tục được củng cố trong mô hình này.

Biến NPL có hệ số âm (-0,1798) và có ý nghĩa thống kê mạnh (p < 0,001), cho thấy tỷ lệ nợ xấu cao sẽ hạn chế khả năng mở rộng dư nợ tín dụng. Kết quả này hoàn toàn phù hợp với lý thuyết rủi ro tín dụng và thông tin bất cân xứng, trong đó rủi ro từ các khoản vay quá khứ khiến ngân hàng trở nên thận trọng hơn trong cấp tín dụng tương lai. Các nghiên cứu như Rabab’ah (2024), Pasaribu & Mindosa (2021), và Nguyễn Văn Dân và cộng sự (2024) đều xác nhận tác động tiêu cực của nợ xấu đến tín dụng. Do vậy, giả thuyết H4b được xác nhận trong mô hình này.

Biến thanh khoản có hệ số dương (0,2248) nhưng không có ý nghĩa thống kê (p = 0,078), gợi ý rằng ngân hàng có thanh khoản tốt có xu hướng mở rộng dư nợ tín dụng. Mặc dù điều này có phần trái ngược với kỳ vọng theo lý thuyết ưu tiên thanh khoản (cho rằng giữ nhiều thanh khoản làm giảm tín dụng), nhưng cũng có thể phản ánh rằng khi thanh khoản vượt ngưỡng an toàn tối thiểu, ngân hàng sẵn sàng sử dụng vốn để tăng cường cho vay. Kết quả này không đồng nhất với các nghiên cứu như Tung & Thuan (2022), trong đó tỷ lệ thanh khoản có tác động tiêu cực. Sự khác biệt có thể đến từ cách đo lường biến hoặc thời kỳ nghiên cứu. Do đó, giả thuyết H5b không được chấp nhận.

Biến ROA có hệ số dương nhỏ (0,0724) và không có ý nghĩa thống kê (p = 0,821), cho thấy hiệu quả sinh lời không ảnh hưởng đáng kể đến quy mô tín dụng trong mô hình này. Kết quả này đi ngược lại với lý thuyết hành vi ngân hàng và lý thuyết tín dụng dựa trên lợi nhuận, vốn kỳ vọng rằng ROA cao sẽ thúc đẩy mở rộng tín dụng. Tuy nhiên, kết quả này phù hợp với nghiên cứu của Ali Awdeh (2016) rằng ROA không có tác động đến xu hướng tín dụng. Như vậy, giả thuyết H6b không được xác nhận trong mô hình này. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Để có cái nhìn tổng quan về mức độ phù hợp giữa các giả thuyết nghiên cứu, kết quả mô hình hồi quy và các lý thuyết nền tảng được sử dụng, bảng dưới đây tổng hợp lại toàn bộ các giả thuyết được đề xuất, dấu hiệu kỳ vọng lý thuyết, kết quả kiểm định trong hai mô hình GMM. Nội dung chi tiết được thể hiện tại Bảng 4.10 dưới đây.

• Bảng 4.10. Tổng hợp giả thuyết và các kết quả nghiên cứu
• KẾT LUẬN CHƯƠNG 4

Chương 4 đã trình bày chi tiết kết quả định lượng từ hai mô hình GMM động, giúp kiểm định mức độ ảnh hưởng của các yếu tố nội tại ngân hàng đến tín dụng. Kết quả cho thấy một số biến như tăng trưởng tiền gửi, quy mô ngân hàng và yếu tố trễ của tín dụng có tác động cùng chiều và có ý nghĩa thống kê cao trong cả hai mô hình, qua đó khẳng định vai trò trung gian tài chính và động lực phát triển nội tại của các Ngân hàng thương mại. Trong khi đó, các biến như nợ xấu và thanh khoản thể hiện ảnh hưởng trái chiều hoặc thiếu nhất quán, gợi ý cần có sự kiểm soát chặt chẽ hơn về rủi ro tín dụng và chính sách thanh khoản. Các kiểm định chẩn đoán cũng cho thấy mô hình GMM được sử dụng là phù hợp và đáng tin cậy. Những kết quả này sẽ được tiếp tục phân tích sâu hơn trong Chương 5 để rút ra các khuyến nghị chính sách thiết thực đối với hoạt động tín dụng của hệ thống ngân hàng tại Việt Nam.

CHƯƠNG 5. KẾT LUẬN VÀ KHUYẾN NGHỊ

Sau khi đã phân tích tổng quan lý thuyết, đánh giá thực trạng và thực hiện kiểm định thực nghiệm bằng mô hình GMM động trong các chương trước, chương 5 đóng vai trò quan trọng trong việc rút ra những hàm ý chính sách từ các kết quả nghiên cứu đã đạt được. Các biến độc lập trong mô hình, bao gồm tăng trưởng tiền gửi, quy mô ngân hàng, tỷ lệ nợ xấu, khả năng sinh lời và thanh khoản, đã cho thấy mức độ ảnh hưởng khác nhau đến tăng trưởng tín dụng. Do đó, chương này nhằm trình bày cụ thể các khuyến nghị chính sách thiết thực đối với các Ngân hàng thương mại Việt Nam và cơ quan quản lý, góp phần định hướng điều hành hoạt động tín dụng hiệu quả hơn trong bối cảnh phát triển và hội nhập tài chính hiện nay.

5.1 Kết luận Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Nghiên cứu đã xây dựng và ước lượng hai mô hình GMM động nhằm đánh giá tác động của các yếu tố nội tại ngân hàng đến tăng trưởng tín dụng tại các Ngân hàng thương mại Việt Nam trong giai đoạn 2015 – 2024. Mô hình 1 sử dụng biến phụ thuộc là tăng trưởng tín dụng (Credit_Gr), mô hình 2 sử dụng quy mô tín dụng (LnLoan) để kiểm định độ nhất quán của các kết quả. Dữ liệu bảng động được xử lý theo phương pháp Arellano-Bond, đồng thời kiểm định bằng các tiêu chí AR(1), AR(2), Sargan và Hansen để đảm bảo tính phù hợp của mô hình.

• Kết quả nghiên cứu chỉ ra rằng:

Tăng trưởng tiền gửi (Deposit_Gr) có tác động cùng chiều và có ý nghĩa thống kê cao trong cả hai mô hình, phản ánh mối quan hệ chặt chẽ giữa khả năng huy động vốn và hoạt động cho vay của ngân hàng.

Yếu tố trễ của tín dụng (Credit_Grt−1 và LnLoant−1) đều có tác động dương, cho thấy có quán tính trong chính sách tín dụng giữa các kỳ.

Quy mô ngân hàng (LnSize) có tác động cùng chiều và có ý nghĩa thống kê trong mô hình 2, trong khi không có ý nghĩa trong mô hình 1.

Nợ xấu (NPL) chỉ có tác động ngược chiều trong mô hình 2, phù hợp với kỳ vọng lý thuyết về ảnh hưởng tiêu cực của chất lượng tín dụng đối với quy mô tín dụng.

Tỷ lệ thanh khoản (LIQ) và ROA cho thấy ảnh hưởng không nhất quán giữa hai mô hình. Trong đó ROA có tác động âm ở mô hình 1, trái ngược với kỳ vọng. ROA mang dấu âm ở mô hình 1 có thể phản ánh việc các ngân hàng có lợi nhuận cao ưu tiên duy trì an toàn và hiệu quả thay vì mở rộng tín dụng, đặc biệt trong bối cảnh rủi ro nợ xấu tăng. Trong khi đó, tác động biến động của LIQ cho thấy thanh khoản dồi dào không luôn thúc đẩy tín dụng, vì có thể phản ánh nhu cầu vay yếu hoặc ngân hàng thận trọng trong giải ngân. Điều này cho thấy mối quan hệ giữa lợi nhuận, thanh khoản và tăng trưởng tín dụng phụ thuộc vào điều kiện thị trường và chiến lược từng ngân hàng. Kết quả cho thấy tỷ lệ thanh khoản (LIQ) có tác động dương trong mô hình 2, cho thấy khi khả năng thanh khoản của ngân hàng tốt hơn, ngân hàng có xu hướng mở rộng tín dụng mạnh hơn. Điều này phản ánh vai trò tích cực của thanh khoản trong việc đảm bảo nguồn vốn sẵn có cho vay và giảm rủi ro thanh toán. Tuy nhiên, sự khác biệt dấu giữa hai mô hình cho thấy tác động của LIQ phụ thuộc vào đặc điểm biến phụ thuộc: ở mô hình tăng trưởng tín dụng ngắn hạn, thanh khoản cao có thể phản ánh vốn dư thừa do cầu vay yếu; trong khi ở mô hình quy mô tín dụng, thanh khoản tốt lại thể hiện năng lực tài chính vững, giúp ngân hàng mở rộng cho vay dài hạn an toàn hơn.

Kết quả các kiểm định mô hình như AR(1), AR(2), Sargan và Hansen đều có p-value > 0,05, cho thấy mô hình GMM sử dụng là phù hợp, các biến công cụ là hợp lệ và không tồn tại hiện tượng tự tương quan hay quá xác định.

5.2 Khuyến nghị

Dựa trên các kết quả thực nghiệm trong nghiên cứu, một số hàm ý chính sách được đề xuất nhằm hỗ trợ các ngân hàng thương mại (NHTM) tại Việt Nam nâng cao hiệu quả hoạt động tín dụng, bảo đảm tăng trưởng bền vững trong bối cảnh kinh tế – tài chính đầy biến động hiện nay. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Trước hết, để tạo nền tảng ổn định cho hoạt động cho vay, các ngân hàng cần đẩy mạnh huy động tiền gửi một cách bền vững, đồng thời tuân thủ các chuẩn mực an toàn vốn và thanh khoản theo Basel III. Kết quả nghiên cứu cho thấy tăng trưởng tiền gửi có tác động tích cực và có ý nghĩa thống kê đến tín dụng, khẳng định vai trò then chốt của nguồn vốn huy động trong việc đảm bảo khả năng cấp tín dụng dài hạn. Do đó, các Ngân hàng thương mại nên đa dạng hóa sản phẩm huy động như chứng chỉ tiền gửi linh hoạt, tài khoản tiết kiệm bậc thang, hoặc sản phẩm tích hợp tiện ích (bảo hiểm, thanh toán điện tử), song song với việc ứng dụng ngân hàng số (eKYC, mobile banking, chatbot, hệ sinh thái thanh toán trực tuyến) nhằm thu hút thế hệ khách hàng trẻ và doanh nghiệp nhỏ. Lãi suất huy động cần được duy trì ở mức cạnh tranh nhưng vẫn tuân thủ trần điều hành để bảo đảm ổn định thanh khoản hệ thống.

Tiếp theo, các ngân hàng cần nâng cao chất lượng tín dụng và kiểm soát nợ xấu hiệu quả – yếu tố được Basel III coi là trọng tâm trong quản trị rủi ro. Việc ứng dụng công nghệ dữ liệu lớn (Big Data), AI và machine learning trong thẩm định, xếp hạng tín dụng nội bộ và giám sát sau giải ngân là cần thiết nhằm giảm thiểu thông tin bất cân xứng, đặc biệt đối với khách hàng SME. Hệ thống cảnh báo sớm và mô hình dự báo nợ xấu cần được tích hợp vào nền tảng quản trị rủi ro tổng thể theo hướng Basel III – Pillar 2, đảm bảo ngân hàng duy trì vốn dự phòng phù hợp cho các khoản vay rủi ro cao.

Song song với quản lý rủi ro, việc mở rộng quy mô và hiện đại hóa hạ tầng công nghệ cũng là điều kiện tiên quyết. Kết quả nghiên cứu cho thấy quy mô ngân hàng có tác động tích cực đến tín dụng, hàm ý rằng ngân hàng lớn thường có khả năng huy động và phân bổ vốn hiệu quả hơn. Vì vậy, Chính phủ và Ngân hàng Nhà nước nên tiếp tục thúc đẩy tái cơ cấu, sáp nhập và hợp nhất các ngân hàng nhỏ, đồng thời khuyến khích đầu tư mạnh vào Fintech, tự động hóa quy trình phê duyệt tín dụng và mô hình ngân hàng số toàn diện, góp phần tăng khả năng tiếp cận vốn cho khu vực nông thôn và vùng sâu vùng xa.

Đối với quản trị thanh khoản, các Ngân hàng thương mại cần triển khai các chỉ số giám sát như Liquidity Coverage Ratio (LCR) và Net Stable Funding Ratio (NSFR) theo chuẩn Basel III để bảo đảm khả năng chi trả và ổn định nguồn vốn dài hạn. Dù tác động của biến thanh khoản trong mô hình thực nghiệm chưa rõ ràng, nhưng duy trì tính thanh khoản an toàn là yêu cầu cốt lõi để ngân hàng chống chịu tốt trước biến động thị trường.

Cuối cùng, về chính sách lợi nhuận, các ngân hàng cần điều chỉnh chiến lược ROA theo hướng dài hạn, gắn với quản trị rủi ro toàn diện và phát triển bền vững thay vì chỉ tập trung vào lợi nhuận ngắn hạn. ROA cao nhưng tăng trưởng tín dụng thấp có thể phản ánh xu hướng thận trọng quá mức. Do đó, việc cân bằng giữa hiệu quả sinh lời, tuân thủ Basel III và chiến lược tín dụng bền vững là cần thiết. Đồng thời, ngân hàng nên kết hợp các chỉ tiêu phi tài chính như mức độ bao phủ tín dụng, trải nghiệm khách hàng và chỉ số chuyển đổi số để hướng tới một mô hình ngân hàng linh hoạt, an toàn và đáp ứng định hướng phát triển ngân hàng số quốc gia.

5.3 Hạn chế và hướng nghiên cứu tiếp theo Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

Dù đạt được những kết quả nhất định, nghiên cứu vẫn tồn tại một số hạn chế như: Phạm vi biến số chủ yếu tập trung vào các yếu tố nội tại ngân hàng mà chưa xét đến các yếu tố vĩ mô như lãi suất điều hành, tốc độ tăng GDP, hay các chính sách tín dụng của Nhà nước; Dữ liệu hạn chế trong khoảng thời gian và số lượng ngân hàng khiến khả năng khái quát có thể bị ảnh hưởng; Chưa phân tích sự khác biệt giữa nhóm ngân hàng (quốc doanh, cổ phần, nước ngoài), điều này có thể được mở rộng trong các nghiên cứu tiếp theo.

Hướng nghiên cứu tiếp theo có thể mở rộng theo các hướng: Kết hợp thêm các yếu tố vĩ mô và tác động chính sách; Phân nhóm ngân hàng để phân tích sâu sắc hơn theo loại hình và quy mô; Ứng dụng các mô hình phi tuyến hoặc mô hình panel threshold để kiểm tra tính chất phi tuyến trong mối quan hệ tín dụng.

• KẾT LUẬN CHƯƠNG 5

Tổng hợp từ các kết quả định lượng, chương 5 đã đưa ra các hàm ý chính sách có tính thực tiễn nhằm hỗ trợ các Ngân hàng thương mại Việt Nam nâng cao hiệu quả hoạt động tín dụng và đảm bảo tăng trưởng bền vững. Những gợi ý bao gồm việc đẩy mạnh huy động vốn, tăng cường năng lực quản trị rủi ro tín dụng, mở rộng quy mô hoạt động ngân hàng, quản lý thanh khoản chủ động và định hướng chiến lược lợi nhuận hợp lý. Các đề xuất không chỉ dựa trên các kết luận thống kê có ý nghĩa mà còn bám sát thực tiễn vận hành của ngành ngân hàng Việt Nam hiện nay. Từ đó, chương 5 góp phần hoàn thiện chuỗi phân tích trong toàn bộ luận văn, làm cơ sở cho các quyết định quản lý và nghiên cứu tiếp theo trong lĩnh vực tài chính – ngân hàng. Luận văn: KQNC thúc đẩy tăng trưởng tín dụng tại các ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Nhân tố thúc đẩy tăng trưởng tín dụng tại các ngân hàng