Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank

Mục lục

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank 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: Ứng dụng phương pháp Bayes nghiên cứu các nhân tố ảnh hưởng đến hiệu quả hoạt động của Ngân Hàng Thương Mại Cổ Phần Công Thương Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

4.1. Thực trạng hiệu quả hoạt động của VietinBank từ năm 2022 đến năm 2026.

Trong giai đoạn 2022–2026, VietinBank duy trì vị thế là một trong những ngân hàng thương mại cổ phần hàng đầu Việt Nam với quy mô tài sản lớn, cơ cấu khách hàng đa dạng và năng lực tài chính ổn định. Mặc dù đối mặt với nhiều biến động vĩ mô và thách thức từ đại dịch COVID-19, ngân hàng vẫn thể hiện khả năng thích ứng linh hoạt và duy trì hiệu quả hoạt động tích cực.

Trong những năm đầu của giai đoạn, VietinBank ưu tiên chính sách hỗ trợ khách hàng, cơ cấu lại danh mục tín dụng và kiểm soát rủi ro, qua đó vẫn đảm bảo được mức sinh lời và chất lượng tài sản ổn định. Bước sang giai đoạn phục hồi, ngân hàng tập trung mở rộng tín dụng có chọn lọc, đa dạng hóa nguồn thu, tăng cường quản trị chi phí và nâng cao năng lực vốn.

Đặc biệt, VietinBank đẩy mạnh quá trình chuyển đổi số toàn diện, cải tiến quy trình vận hành, phát triển kênh giao dịch trực tuyến và mở rộng hệ sinh thái dịch vụ số. Các yếu tố liên quan đến số hóa quy trình (PORR) và mức độ sử dụng kênh số của khách hàng (DUS) được cải thiện rõ rệt, góp phần gia tăng hiệu quả kinh doanh và năng lực cạnh tranh.

Tổng thể, hiệu quả hoạt động của VietinBank trong giai đoạn 2022–2026 được củng cố nhờ ba trụ cột chính:

Kiểm soát tốt chi phí và rủi ro tín dụng;
Duy trì năng lực sinh lời ổn định;
Thúc đẩy chuyển đổi số để nâng cao hiệu quả vận hành.

Những yếu tố này là cơ sở thực tiễn quan trọng để phân tích định lượng trong mô hình Bayes, làm rõ mối quan hệ giữa CIR, NPL, PORR, DUS và hiệu quả hoạt động (ROA, ROE) của VietinBank.

4.2. Thống kê mô tả dữ liệu Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Bảng 4.1 Kết quả thống kê mô tả

Bảng 4.1 trình bày các đặc trưng cơ bản của những biến số được sử dụng trong nghiên cứu, bao gồm: số quan sát, giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất. Dữ liệu được thu thập từ Ngân hàng Thương mại cổ phần Công Thương Việt Nam (VietinBank) trong một khoảng thời gian liên tục, phản ánh xu hướng biến động nội tại của ngân hàng qua các kỳ.

Tỷ suất sinh lời trên tổng tài sản (ROA) đạt trung bình 4,17%, dao động trong khoảng từ 2,21% đến 5,41%, với độ lệch chuẩn ở mức 0,95%. Điều này cho thấy mức sinh lời của VietinBank trên tổng tài sản là tương đối ổn định, phản ánh hiệu quả sử dụng tài sản để tạo ra lợi nhuận là khá đều qua các kỳ quan sát. Tỷ suất sinh lời trên vốn chủ sở hữu (ROE) có giá trị trung bình là 7,50%, độ lệch chuẩn 1,51%, dao động từ 4,40% đến 9,44%. Chỉ số này thể hiện năng lực sinh lời từ nguồn vốn của cổ đông, và mức ROE đạt được cho thấy VietinBank đã sử dụng nguồn vốn một cách tương đối hiệu quả để gia tăng lợi nhuận cho nhà đầu tư. Tỷ lệ chi phí trên thu nhập (CIR) ghi nhận giá trị trung bình là 31,67%, dao động từ 27,53% đến 38,05%, với độ lệch chuẩn 3,18%. CIR là thước đo quan trọng để đánh giá khả năng kiểm soát chi phí của ngân hàng. Giá trị này phản ánh rằng VietinBank đang duy trì một mức chi phí vận hành hợp lý so với thu nhập tạo ra, thể hiện hiệu quả trong quản trị nội bộ. Tỷ lệ nợ xấu (NPL) – một chỉ số then chốt phản ánh chất lượng tín dụng – có giá trị trung bình là 1,37%, dao động từ 0,88% đến 1,87%, với độ lệch chuẩn 0,26%. Mặc dù vẫn còn ở mức tương đối cao so với chuẩn an toàn thông thường, song mức biến động không lớn cho thấy VietinBank vẫn duy trì được khả năng kiểm soát rủi ro tín dụng nhất định. Tỷ lệ số hóa quy trình vận hành (PORR) có giá trị trung bình đạt 66,05%, với biên độ dao động lớn từ 20% đến 95% và độ lệch chuẩn là 22,89%. Đây là biến thể hiện mức độ ứng dụng công nghệ trong các hoạt động nội bộ. Mức độ biến động cao phản ánh tiến trình chuyển đổi số đang được triển khai từng bước và có sự cải thiện đáng kể qua thời gian. Tỷ lệ khách hàng sử dụng dịch vụ số (DUS) ghi nhận giá trị trung bình 69,30%, dao động từ 35% đến 92%, với độ lệch chuẩn là 17,10%. Sự gia tăng tỷ lệ khách hàng sử dụng dịch vụ số cho thấy hiệu quả của các chiến lược chuyển đổi số trong mảng dịch vụ, đồng thời phản ánh xu hướng thay đổi hành vi người tiêu dùng trong lĩnh vực ngân hàng hiện đại.

Như vậy, các chỉ số tài chính và chỉ số về chuyển đổi số tại VietinBank đều cho thấy xu hướng tích cực và ổn định trong quá trình phát triển. Đây là cơ sở quan trọng để tiếp tục tiến hành các phân tích sâu hơn trong các mô hình hồi quy và phân tích Bayes nhằm kiểm định mối quan hệ giữa chuyển đổi số và hiệu quả tài chính của ngân hàng.

Bên cạnh đó ma trận tương quan giữ các biến được trình bày ở bảng 4.2

Bảng 4.2 Ma trận tương quan giữa các biến trong mô hình

Theo bảng 4.2, hệ số tương quan cặp giữa tất các các biến đều nhỏ hơn 0.8 nên không có hiện tượng đa cộng tuyến trong mô hình nghiên cứu. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

4.3. Lựa chọn mô hình

Mô hình 1: Mô hình hồi quy hiệu ứng hỗn hợp Bayes với thông tin tiên nghiệm của tất cả các tham số cấu trúc là phân phối chuẩn N (0,1) và thông tin tiên nghiệm của phương sai Ig (0.01. 0.01). Kết quả thực hiện trong bảng 4.3.

Bảng 4.3 Kết quả ước lượng mô hình 1

Mô hình 2: Mô hình hồi quy hiệu ứng hỗn hợp Bayes với thông tin tiên nghiệm của tất cả các tham số cấu trúc là phân phối chuẩn N (0,10000) và thông tin tiên nghiệm của phương sai Ig (0.01. 0.01). Kết quả thực hiện trong bảng 4.4.

Bảng 4.4 Kết quả ước lượng mô hình 2

Mô hình 3: Mô hình sử dụng hồi quy hiệu ứng hỗn hợp Bayes với thông tin tiên nghiệm phân phối chuẩn của tất cả các tham số cấu trúc được rút từ ước lượng hồi quy hiệu ứng hỗn hợp ML (maximum likelihood) (Bảng 4.5) và thông tin tiên nghiệm Ig (0,01, 0,01) cho các phương sai. Hệ số hồi quy từ ước lượng mixed ML được sử dụng làm giá trị trung bình cho phân phối chuẩn, còn giá trị phương sai là 1 theo Block và cộng sự (2011). Kết quả ước lượng mô hình 3 được trình bày trong Bảng 4.6.

Bảng 4.5 Kết quả hồi quy hiệu ứng hỗn hợp ML
Bảng 4.6 Kết quả ước lượng mô hình 3

Để xác định mô hình Bayes phù hợp nhất với bộ dữ liệu nghiên cứu, tác giả đã tiến hành so sánh ba mô hình khác nhau dựa trên các tiêu chí đánh giá phổ biến trong phân tích Bayes, bao gồm: Chỉ số thông tin DIC, tỷ lệ chấp thuận (acceptance rate) và hiệu quả lấy mẫu trung bình (average efficiency). Kết quả được trình bày trong Bảng 4.7 cho cả hai biến phụ thuộc ROA và ROE.

Đối với mô hình dự đoán ROA, Mô hình 1 có chỉ số DIC thấp nhất (-58.09145), cho thấy khả năng phù hợp mô hình tốt hơn so với hai mô hình còn lại. Đồng thời, tỷ lệ chấp thuận của mô hình 1 là 0.3062 – cao hơn đáng kể so với Mô hình 2 (0.1696) và Mô hình 3 (0.2058). Hiệu quả lấy mẫu trung bình của mô hình 1 tuy thấp hơn một chút so với mô hình 3 nhưng vẫn đảm bảo mức độ ổn định cần thiết trong phân tích Bayes.

Tương tự, đối với biến phụ thuộc ROE, Mô hình 1 tiếp tục cho kết quả DIC thấp nhất (-52.19691), thể hiện mức độ phù hợp cao nhất. Tỷ lệ chấp thuận và hiệu quả lấy mẫu của Mô hình 1 cũng ở mức cao nhất trong ba mô hình được so sánh (lần lượt là 0.2735 và 0.02684), cho thấy mô hình vận hành ổn định và đáng tin cậy trong quá trình lấy mẫu.

Tổng hợp các kết quả trên, có thể nhận định rằng Mô hình 1 là mô hình tối ưu trong ba mô hình được đánh giá. Với chỉ số DIC thấp nhất và đồng thời đảm bảo các điều kiện về tỷ lệ chấp thuận và hiệu quả lấy mẫu, Mô hình 1 sẽ được sử dụng làm cơ sở cho các bước suy luận thống kê và phân tích sâu hơn trong phần tiếp theo của nghiên cứu.

Bảng 4. 7 Kết quả so sánh 3 mô hình theo DIC

4.4. Kiểm định hội tụ chuỗi MCMC đối với mô hình 1 Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Không giống như các mô hình hồi quy cổ điển, phương pháp Bayes cho phép tích hợp thông tin tiên nghiệm với dữ liệu thực tế nhằm ước lượng phân phối hậu nghiệm của các tham số trong mô hình. Trong khuôn khổ nghiên cứu này, việc ước lượng các tham số được thực hiện thông qua thuật toán Monte Carlo Markov Chain (MCMC), cụ thể là sự kết hợp giữa hai kỹ thuật Metropolis-Hastings và Gibbs sampling, giúp tạo ra các mẫu đại diện từ phân phối hậu nghiệm của từng hệ số.

Phân tích được triển khai trên phần mềm Stata 17, sử dụng các công cụ phân tích Bayes đã được tích hợp sẵn. Các giả định tiên nghiệm trong mô hình được thiết lập ở dạng phi thông tin, hoặc chỉ cung cấp mức độ thông tin rất hạn chế, nhằm hạn chế tối đa sự chi phối từ các giả định chủ quan của người nghiên cứu, đồng thời đảm bảo kết quả phản ánh chân thực hơn từ dữ liệu khảo sát thu thập được. Cụ thể, các hệ số hồi quy βₖ được giả định theo phân phối chuẩn N(0, 100²), trong khi phương sai sai số σ² tuân theo phân phối nghịch gamma với các tham số (0.01, 0.01).

Mô hình được chạy với 10.000 mẫu MCMC, đảm bảo chuỗi đạt tới trạng thái hội tụ và ổn định. Từ kết quả chuỗi MCMC, các thống kê hậu nghiệm như: giá trị trung bình, độ lệch chuẩn hậu nghiệm, khoảng tin cậy 95% và xác suất tham số lớn hơn 0 (P 0) được sử dụng để đánh giá mức độ ảnh hưởng và ý nghĩa thống kê của từng biến độc lập đối với chất lượng dịch vụ tổng thể.

Việc ứng dụng mô hình Bayes trong nghiên cứu này không chỉ tận dụng được tối đa dữ liệu sơ cấp từ khảo sát thực tế mà còn cho phép phân tích sâu sắc các yếu tố ảnh hưởng ngay cả khi kích thước mẫu không lớn và dữ liệu có tính phân tán cao. Đây là một phương pháp phù hợp với đặc thù của các nghiên cứu trong lĩnh vực dịch vụ – nơi mà cảm nhận chủ quan của khách hàng đóng vai trò trọng yếu.

Khi sử dụng một thuật toán lấy mẫu MCMC trong phân tích Bayes, cần thực hiện kiểm định hội tụ chuỗi MCMC cho tất cả các tham số trong mô hình trước khi sử dụng kết quả hồi quy để phân tích. Có hai phương pháp kiểm định hội tụ: biểu đồ và hình thức. Trước hết, nghiên cứu sử dụng các biểu đồ vết, tự tương quan, histogram và density.

Biểu đồ cho biến phụ thuộc ROA:

Hình 4.1 Biểu đồ TracePlots
Hình 4.2 Biểu đồ histogram
Hình 4. 3 Biểu đồ tự tương quan
Hình 4.4 Biểu đồ Density

Biểu đồ vết (Trace plots):

Các biểu đồ trace plot (Trình bày tại hình 4.1) cho thấy chuỗi các giá trị lấy mẫu dao động ổn định quanh một giá trị trung tâm nhất định, không có xu hướng tăng dần hoặc giảm dần rõ rệt theo thời gian. Điều này cho thấy các chuỗi MCMC đã đạt đến trạng thái dừng và đang lấy mẫu ngẫu nhiên từ phân phối hậu nghiệm mục tiêu. Mức dao động của chuỗi là đều đặn và có tính ngẫu nhiên cao, đây là dấu hiệu tích cực về chất lượng trộn lẫn của chuỗi.

Biểu đồ tự tương quan (Autocorrelation plots) Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Biểu đồ autocorrelation (Hình 4.2) đánh giá mức độ phụ thuộc giữa các mẫu lấy liên tiếp trong chuỗi. Lý tưởng là mức tự tương quan sẽ giảm nhanh về 0 khi độ trễ (lag) tăng. Kết quả quan sát cho thấy các chuỗi đều có xu hướng giảm dần hệ số tự tương quan khi độ trễ tăng lên, đặc biệt là ở khoảng từ lag 1 đến lag 10. Mặc dù một số chuỗi vẫn còn giữ mức tự tương quan nhẹ ở lag cao hơn, nhưng xu hướng giảm rõ rệt cho thấy chuỗi đã có sự pha trộn tốt và hiệu quả lấy mẫu đủ cao để đại diện cho phân phối hậu nghiệm.

Biểu đồ histogram

Biểu đồ histogram (Hình 4.3) mô tả phân phối hậu nghiệm của các tham số sau khi lấy mẫu, cung cấp cái nhìn sơ bộ về hình dạng của các phân phối này. Các histogram của các biến cho thấy phân phối tương đối đối xứng, đơn đỉnh và tập trung quanh một giá trị trung tâm. Các biểu đồ không cho thấy dấu hiệu phân phối lệch mạnh hay đa đỉnh, điều này củng cố giả định rằng các chuỗi đã lấy mẫu hiệu quả từ phân phối hậu nghiệm ổn định của từng tham số.

Biểu đồ mật độ (Density plots)

Biểu đồ mật độ hậu nghiệm (Hình 4.4) cung cấp cái nhìn trực quan về sự ổn định của phân phối hậu nghiệm giữa các giai đoạn khác nhau của chuỗi MCMC. Biểu đồ cho thấy các đường cong mật độ tương ứng với toàn bộ chuỗi (“overall”) và hai nửa chuỗi đầu (“1st-half”) và sau (“2nd-half”) gần như trùng khít nhau đối với tất cả các biến phân tích. Điều này chứng tỏ rằng phân phối hậu nghiệm không thay đổi đáng kể theo thời gian chạy chuỗi, và chuỗi đã đạt được trạng thái hội tụ vững chắc.

Biểu đồ cho biến phụ thuộc ROE

Hình 4.5 Biểu đồ Traceplots ROE
Hình 4.6 Biểu đồ histogram ROE
Hình 4.7 Biểu đồ tự tương quan
Hình 4.8 Biểu đồ Density ROE

Biểu đồ vết (Trace plots) Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Các biểu đồ trace (xem Hình 4.5) cho thấy chuỗi giá trị lấy mẫu dao động ổn định quanh một mức trung tâm, không xuất hiện xu hướng tăng hoặc giảm rõ rệt theo thời gian. Điều này cho thấy chuỗi MCMC đã đạt được trạng thái dừng, và các mẫu thu được đang đại diện chính xác cho phân phối hậu nghiệm mong muốn. Chuỗi dao động đều đặn, mang tính ngẫu nhiên cao – một dấu hiệu tích cực cho thấy khả năng trộn tốt của thuật toán.

Biểu đồ tự tương quan (Autocorrelation plots)

Biểu đồ tự tương quan (Hình 4.6) được sử dụng để đánh giá mức độ liên hệ giữa các mẫu liên tiếp trong chuỗi MCMC. Theo lý thuyết, tự tương quan nên giảm nhanh về mức 0 khi độ trễ (lag) tăng. Kết quả minh họa rằng, từ lag 1 đến lag 10, mức tự tương quan giảm rõ rệt ở hầu hết các chuỗi. Dù một số chuỗi vẫn còn giữ mức tương quan nhẹ ở các lag xa hơn, nhưng xu hướng suy giảm nhất quán này cho thấy chuỗi có khả năng trộn tốt và độ hiệu quả lấy mẫu đạt yêu cầu.

Biểu đồ tần suất (Histogram)

Biểu đồ histogram trong Hình 4.7 cho thấy phân phối hậu nghiệm của từng tham số sau quá trình lấy mẫu. Các biểu đồ này biểu hiện phân phối đơn đỉnh, khá đối xứng và tập trung quanh giá trị trung tâm. Không phát hiện dấu hiệu lệch hay sự tồn tại của nhiều đỉnh, điều đó củng cố thêm bằng chứng rằng việc lấy mẫu từ phân phối hậu nghiệm là hiệu quả và ổn định.

Biểu đồ mật độ (Density plots)

Biểu đồ mật độ hậu nghiệm (Hình 4.8) phản ánh sự ổn định trong phân phối của các chuỗi MCMC qua các giai đoạn khác nhau. Khi so sánh các đường mật độ tổng thể (overall) với hai phần đầu và cuối chuỗi (1st-half và 2nd-half), ta thấy chúng gần như trùng khít với nhau đối với tất cả biến phân tích. Điều này cho thấy sự ổn định trong suốt quá trình lấy mẫu và xác nhận chuỗi đã hội tụ, từ đó có thể tin cậy trong các phân tích tiếp theo.

Kết luận về hội tụ: Từ các biểu đồ trực quan nêu trên, có thể kết luận rằng tất cả các chuỗi MCMC trong mô hình Bayes đều đã hội tụ tốt. Các chuỗi cho thấy dấu hiệu ổn định, không có xu hướng bất thường, tự tương quan giảm dần và phân phối hậu nghiệm nhất quán giữa các giai đoạn. Nhờ đó, các mẫu hậu nghiệm thu được có thể được sử dụng một cách đáng tin cậy trong các phân tích tiếp theo để đánh giá tác động của các nhân tố chọn lọc đến hiệu quả hoạt động của Ngân hàng Thương mại Cổ phần Công Thương Việt Nam. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Tiếp theo, nghiên cứu kiểm định hội tụ chuỗi MCMC bằng phương pháp ESS (Effective sample size). Một trong những tiêu chí quan trọng trong đánh giá độ tin cậy của chuỗi MCMC là chỉ số kích thước mẫu hiệu quả (ESS). Chỉ số này phản ánh số lượng mẫu độc lập tương đương mà chuỗi MCMC sinh ra được, sau khi đã loại trừ ảnh hưởng của sự tự tương quan giữa các mẫu. Giá trị ESS càng lớn thì các ước lượng hậu nghiệm càng ổn định và đáng tin cậy. Trong thực tiễn phân tích Bayes, ngưỡng ESS ≥ 200 thường được xem là đảm bảo cho việc suy luận thống kê. Kết quả kiểm định ESS đối với các biến độc lập trong mô hình được trình bày tại Bảng 4.8 cho thấy:

Bảng 4. 8 Kiểm định ESS

Để đánh giá chất lượng hội tụ và hiệu quả của chuỗi MCMC trong mô hình Bayes, nghiên cứu đã sử dụng chỉ số kích thước mẫu hiệu quả (ESS), cùng với thời gian tương quan và hiệu suất lấy mẫu của từng biến trong mô hình. Kết quả được trình bày trong Bảng 4.9 cho thấy sự khác biệt đáng kể giữa hai mô hình hồi quy theo biến phụ thuộc là ROA và ROE.

Đối với mô hình ROA, các biến độc lập đều có giá trị ESS khá cao, lần lượt là CIR (710.34), NPL (242.45), PORR (443.55) và DUS (622.70). Những giá trị này vượt xa ngưỡng tối thiểu 200 mẫu thường được khuyến nghị trong phân tích Bayes, cho thấy rằng chuỗi MCMC đã lấy mẫu hậu nghiệm một cách ổn định và đáng tin cậy. Đồng thời, các biến này có thời gian tương quan thấp (dao động từ 14.08 đến 41.25), phản ánh mức độ phụ thuộc giữa các mẫu liên tiếp là không đáng kể. Hiệu suất lấy mẫu cũng đạt mức cao, với các giá trị từ 0.0242 đến 0.071, chứng tỏ khả năng “pha trộn” của chuỗi là tốt và kết quả suy luận hậu nghiệm có độ tin cậy cao.

Ngược lại, ở mô hình ROE, chỉ có một vài biến đạt giá trị ESS lớn, như NPL (593.53), PORR (403.34) và DUS (412.16), trong khi biến CIR chỉ đạt 29.25, thấp hơn rất nhiều so với ngưỡng khuyến nghị. Điều này cho thấy chuỗi MCMC đối với biến CIR trong mô hình ROE có mức tự tương quan cao, dẫn đến hiệu suất lấy mẫu rất thấp (0.0029), từ đó ảnh hưởng đến chất lượng suy luận hậu nghiệm của biến này. Trong khi đó, ba biến còn lại đều có thời gian tương quan thấp hơn đáng kể (từ 16.85 đến 24.79) và hiệu suất ổn định (từ 0.0403 đến 0.0594), cho phép tin tưởng vào ước lượng hậu nghiệm của chúng.

Từ kết quả trên, có thể thấy mô hình ROA có độ tin cậy cao hơn rõ rệt so với ROE về mặt thống kê Bayes, xét theo chỉ số ESS. Đặc biệt, các biến trong mô hình ROA không chỉ đạt ESS lớn mà còn có hiệu suất cao, cho thấy chuỗi MCMC đã vận hành hiệu quả và phản ánh tốt phân phối hậu nghiệm mục tiêu. Điều này có thể đến từ cấu trúc dữ liệu, mức độ biến thiên trong biến phụ thuộc hoặc mối quan hệ chặt chẽ hơn giữa các biến độc lập với ROA. Trong khi đó, đối với mô hình ROE, mặc dù có một số biến ổn định, nhưng sự không hiệu quả rõ rệt ở biến CIR.

4.5. Kiểm định tính vững của ước lượng các tham số Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Bằng cách thực hiện nhiều mô phỏng MCMC thông qua việc thay đổi giá trị phương sai trong phân phối chuẩn (normal) của thông tin tiên nghiệm (prior) đối với tất cả các tham số với các cấp độ khác nhau trong khoảng 1-10000, từ thông tin tiên nghiệm phổ quát N(0,1), thông tin tiên nghiệm yếu N(0,10) cho đến thông tin siêu loãng N(0,10000), rồi quan sát sự thay đổi đầu kỳ vọng của giá trị trung bình (mean) của hệ số hồi quy của tất cả các biến để đánh giá độ nhạy của kết quả hậu nghiệm so với sự thay đổi của thông tin tiên nghiệm.

Bảng 4. 9 Kiểm định tính vững của ước lượng ROA

Kết quả phân tích độ nhạy trong Bảng 4.9 cho thấy đa số các biến độc lập trong mô hình hồi quy Bayes đối với ROA có mức độ ổn định tương đối cao khi thay đổi phân phối tiên nghiệm (prior). Cụ thể, với sự thay đổi phương sai trong phân phối chuẩn từ N(0,1) đến N(0,10000), giá trị trung bình hậu nghiệm của các hệ số hồi quy chỉ dao động trong phạm vi hẹp.

Các biến như NPL, PORR, và DUS thể hiện độ nhạy thấp với giả định tiên nghiệm. Giá trị kỳ vọng hậu nghiệm của các hệ số này gần như không thay đổi nhiều khi tăng độ phân tán của prior, cho thấy kết quả ước lượng của các biến này chủ yếu được chi phối bởi dữ liệu thực nghiệm hơn là giả định ban đầu. Điều này phản ánh tính ổn định và độ tin cậy của các hệ số này trong mô hình. Riêng biến CIR có xu hướng tăng nhẹ về giá trị trung bình hậu nghiệm khi prior trở nên “lỏng hơn” (tức là phương sai lớn hơn), tuy nhiên mức biến động vẫn nằm trong ngưỡng chấp nhận được. Sự thay đổi này cho thấy CIR có thể nhạy cảm hơn đôi chút với giả định tiên nghiệm, nhưng không đến mức gây sai lệch nghiêm trọng cho mô hình.

Bảng 4. 10 Kết quả phân tích độ nhạy ROE Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Kết quả phân tích độ nhạy cho thấy, các giá trị trung bình hậu nghiệm của các hệ số hồi quy trong mô hình ROE tương đối ổn định khi thay đổi phân phối tiên nghiệm từ phân phối chặt (N(0,1)) đến phân phối rất lỏng (N(0,10000)). Sự dao động giữa các hệ số là không đáng kể, cho thấy mô hình có tính ổn định và đáng tin cậy, không bị ảnh hưởng mạnh bởi giả định về thông tin tiên nghiệm. Với biến CIR, hệ số dao động nhẹ quanh khoảng 0.1143 – 0.1239, cho thấy ảnh hưởng dương của CIR lên ROE là nhất quán bất kể mức độ thông tin tiên nghiệm. Biến NPL có hệ số âm khá ổn định, dao động hẹp trong khoảng -0.0192 đến -0.0198, củng cố mối quan hệ tiêu cực giữa tỷ lệ nợ xấu và hiệu quả sinh lời ROE. Biến PORR và DUS cũng giữ được tính ổn định tương tự, với sự dao động rất nhỏ quanh giá trị trung bình ban đầu, cho thấy độ nhạy thấp với phân phối tiên nghiệm và kết quả đáng tin cậy về mặt thống kê.

Như vậy, kết quả phân tích độ nhạy khẳng định rằng mô hình Bayes được sử dụng trong nghiên cứu có độ ổn định cao, đặc biệt khi xét đến các biến độc lập cốt lõi. Điều này củng cố tính khách quan và độ tin cậy của kết luận rút ra từ mô hình, ngay cả trong điều kiện cỡ mẫu hạn chế.

4.6. Phân tích kết quả mô hình 1

Bảng 4. 11 Kết quả ước lượng mô hình 1

Kết quả ước lượng mô hình hồi quy Bayes cho thấy các yếu tố CIR, NPL, PORR và DUS đều có tác động có ý nghĩa thống kê đến hiệu quả tài chính của VietinBank, được đo lường thông qua ROA và ROE. Việc sử dụng phương pháp Bayes với mô phỏng MCMC cho phép ước lượng phân phối hậu nghiệm của các tham số, qua đó cung cấp cái nhìn toàn diện hơn về mức độ bất định của hệ số so với cách tiếp cận điểm ước lượng truyền thống. Các khoảng tin cậy hậu nghiệm 95% của các biến không bao gồm giá trị 0, khẳng định độ tin cậy của kết quả nghiên cứu.

Đối với biến CIR, kết quả cho thấy hệ số tác động đến ROA và ROE đều mang dấu dương, với mức ảnh hưởng lần lượt là 0.0428 và 0.0771. Kết quả này có phần khác biệt so với phần lớn các nghiên cứu trước đây. Theo lý thuyết hiệu quả X của Farrell (1957) và các nghiên cứu thực nghiệm như Nguyễn Thị Ngân (2013), Phạm Hải Nam (2022) hay Ngô Thanh Bình (2024), CIR thường có mối quan hệ ngược chiều với hiệu quả hoạt động, bởi chi phí vận hành cao phản ánh năng lực quản trị kém và làm suy giảm lợi nhuận. Tuy nhiên, trong bối cảnh cụ thể của VietinBank giai đoạn 2022–2026, dấu dương của CIR có thể được lý giải bởi đặc điểm chu kỳ đầu tư chuyển đổi số. Trong giai đoạn 2022–2023, ngân hàng đẩy mạnh đầu tư hạ tầng công nghệ, hệ thống core banking và nền tảng số trong bối cảnh đại dịch COVID-19, khiến chi phí hoạt động gia tăng tạm thời và CIR dao động ở mức cao. Tuy nhiên, từ năm 2024 trở đi, khi các dự án công nghệ bắt đầu phát huy hiệu quả, CIR giảm dần và năng suất lao động cải thiện rõ rệt. Điều này cho thấy CIR trong giai đoạn nghiên cứu không đơn thuần phản ánh chi phí kém hiệu quả, mà còn phản ánh giai đoạn tái cấu trúc và đầu tư chiến lược. Như vậy, kết quả nghiên cứu bổ sung góc nhìn động cho các nghiên cứu trước, cho thấy tác động của CIR có thể thay đổi theo chu kỳ đầu tư – vận hành công nghệ.

Đối với biến NPL, kết quả cho thấy hệ số tác động âm đến cả ROA và ROE, với khoảng tin cậy hậu nghiệm nằm hoàn toàn phía âm. Kết quả này hoàn toàn phù hợp với kỳ vọng lý thuyết và đồng nhất với hầu hết các nghiên cứu trước đây. Theo lý thuyết rủi ro – sinh lợi của Markowitz (1952), gia tăng rủi ro sẽ làm suy giảm lợi nhuận nếu không được kiểm soát hiệu quả. Trong lĩnh vực ngân hàng, rủi ro tín dụng là yếu tố ảnh hưởng trực tiếp đến lợi nhuận thông qua chi phí dự phòng và tổn thất tín dụng. Các nghiên cứu của Nguyễn Việt Hùng (2008), Phạm Hải Nam (2022), Ngô Thanh Bình (2024) và Nguyễn Ngọc Thùy An (2026) đều xác nhận vai trò tiêu cực của tỷ lệ nợ xấu đối với khả năng sinh lời. Kết quả tại VietinBank tiếp tục củng cố bằng chứng thực nghiệm này, cho thấy kiểm soát chất lượng tín dụng vẫn là yếu tố cốt lõi trong việc nâng cao hiệu quả hoạt động, đặc biệt trong bối cảnh nền kinh tế phục hồi sau đại dịch và tiềm ẩn nhiều rủi ro. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Đáng chú ý, hai biến đại diện cho chuyển đổi số là PORR và DUS đều có tác động tích cực và ổn định đến hiệu quả tài chính. Hệ số của PORR cho thấy khi tỷ lệ số hóa quy trình vận hành tăng lên, ROA và ROE đều được cải thiện đáng kể. Điều này phản ánh vai trò quan trọng của tự động hóa và chuẩn hóa quy trình trong việc nâng cao năng suất lao động, giảm thiểu sai sót và tối ưu hóa chi phí vận hành. Kết quả này mở rộng các nghiên cứu trước vốn chủ yếu tập trung vào yếu tố tài chính truyền thống. Duca và McLaughlin (1990) từng đề cập đến tác động của đổi mới công nghệ đối với lợi nhuận ngân hàng, song chưa lượng hóa cụ thể mức độ số hóa quy trình. Trong khi đó, các nghiên cứu trong nước như Nguyễn Việt Hùng (2008) hay Ngô Thanh Bình (2024) chưa đưa biến chuyển đổi số nội bộ vào mô hình. Như vậy, nghiên cứu hiện tại góp phần bổ sung bằng chứng thực nghiệm về tác động trực tiếp của số hóa vận hành đến hiệu quả tài chính ngân hàng trong bối cảnh Việt Nam.

Tương tự, biến DUS – tỷ lệ khách hàng sử dụng dịch vụ số – cũng cho thấy tác động dương rõ rệt đến cả ROA và ROE. Điều này cho thấy việc gia tăng mức độ thâm nhập kênh số không chỉ giúp giảm áp lực chi phí tại các điểm giao dịch truyền thống mà còn tạo điều kiện mở rộng thị trường và gia tăng doanh thu dịch vụ. Kết quả này phù hợp với xu hướng nghiên cứu quốc tế về ngân hàng số, trong đó công nghệ được xem là nguồn tạo lợi thế cạnh tranh bền vững. So với các nghiên cứu trước tại Việt Nam, vốn chủ yếu tập trung vào quy mô, chi phí, rủi ro tín dụng và các yếu tố vĩ mô, nghiên cứu này đã tích hợp thêm yếu tố hành vi khách hàng số như một biến số chiến lược. Điều đó cho thấy chuyển đổi số không chỉ cải thiện hiệu quả nội bộ mà còn tạo giá trị gia tăng thông qua nâng cao trải nghiệm và mức độ gắn kết của khách hàng.

Như vậy, kết quả nghiên cứu cho thấy hiệu quả hoạt động của VietinBank trong giai đoạn 2022–2026 chịu ảnh hưởng đồng thời bởi các yếu tố truyền thống và các yếu tố chuyển đổi số. Trong khi NPL tiếp tục là yếu tố rủi ro cản trở khả năng sinh lời, thì chuyển đổi số – thể hiện qua PORR và DUS – đóng vai trò động lực thúc đẩy hiệu quả tài chính. Riêng CIR cho thấy tác động mang tính điều kiện, phụ thuộc vào chu kỳ đầu tư công nghệ. Những phát hiện này vừa kế thừa các bằng chứng thực nghiệm trước đây, vừa mở rộng khung phân tích bằng cách tích hợp yếu tố chuyển đổi số vào mô hình Bayes, qua đó cung cấp góc nhìn toàn diện hơn về hiệu quả hoạt động ngân hàng trong bối cảnh chuyển đổi số mạnh mẽ hiện nay.

CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

5.1 Kết luận

Đề tài tập trung vào việc xác lập và đo lường mức độ tác động của bốn nhân tố chính đến hiệu quả hoạt động của Ngân hàng Thương mại Cổ phần Công Thương Việt Nam (VietinBank) trong giai đoạn 2022–2026. Cụ thể, bốn nhân tố được xem xét bao gồm: CIR (Chi phí hoạt động trên thu nhập hoạt động), NPL (Tỷ lệ nợ xấu), PORR (Chuyển đổi số cấp quy trình), và DUS (Chuyển đổi số cấp khách hàng). Hai biến phụ thuộc đại diện cho hiệu quả hoạt động của ngân hàng là ROA (Tỷ suất lợi nhuận trên tổng tài sản) và ROE (Tỷ suất lợi nhuận trên vốn chủ sở hữu).

Phương pháp nghiên cứu được sử dụng là hồi quy Bayes (Bayesian Regression Model) – một hướng tiếp cận tiên tiến cho phép kết hợp thông tin dữ liệu thực nghiệm với kiến thức tiên nghiệm (prior knowledge) nhằm tăng cường tính chính xác và ổn định của mô hình. Trong nghiên cứu này, ba cấu hình tiên nghiệm (prior configurations) được xây dựng và so sánh nhằm xác định mô hình có độ phù hợp cao nhất đối với dữ liệu nghiên cứu.

Kết quả mô phỏng cho thấy Mô hình 1, với phân phối tiên nghiệm chuẩn (Normal prior N(0,1)) cho các hệ số hồi quy và phân phối nghịch gamma (Inverse-Gamma) cho phương sai sai số (σ²), cho giá trị DIC (Deviance Information Criterion) thấp nhất ở cả hai mô hình phụ thuộc ROA và ROE. Điều này chứng tỏ Mô hình 1 có mức độ phù hợp tốt hơn so với hai mô hình còn lại, đồng thời đạt tỷ lệ chấp nhận (acceptance rate) cao và hiệu quả lấy mẫu (sampling efficiency) vượt trội.

Trên cơ sở đó, Mô hình 1 được lựa chọn làm mô hình tham chiếu (reference model) cho các bước phân tích suy luận (posterior inference) và đánh giá mức độ ảnh hưởng của các nhân tố CIR, NPL, PORR và DUS đến hiệu quả hoạt động của VietinBank trong giai đoạn nghiên cứu. Kết quả của mô hình này góp phần cung cấp bằng chứng định lượng quan trọng cho việc hoạch định chính sách quản trị chi phí, kiểm soát rủi ro và thúc đẩy chuyển đổi số trong hoạt động của ngân hàng.

Kết quả ước lượng hậu nghiệm cho thấy:

CIR tác động dương có ý nghĩa tới ROA và ROE – hàm ý chi phí tăng trong giai đoạn chuyển đổi số mang tính đầu tư cho năng lực vận hành và sẽ hoàn vốn qua cải thiện hiệu quả – khác biệt với trực giác kế toán thuần nhưng phù hợp bối cảnh đầu tư công nghệ lớn. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

NPL tác động âm có ý nghĩa tới cả ROA và ROE – khẳng định rủi ro tín dụng vẫn là biến phá hoại hiệu quả then chốt – đòi hỏi quản trị rủi ro theo hướng chủ động và sớm.

PORR tác động dương mạnh – nhấn vai trò số hóa quy trình nội bộ trong giảm lỗi – tăng tốc độ xử lý – tạo dữ liệu quản trị theo thời gian thực – hiệu ứng mạnh hơn trên ROE do cải thiện đòn bẩy năng suất vốn.

DUS tác động dương ổn định – thể hiện biên lợi nhuận theo quy mô khi tỉ lệ người dùng kênh số tăng – giúp gia tăng thu phí – giảm tải chi nhánh – mở rộng biên dữ liệu để cá nhân hóa sản phẩm.

Kiểm định tương quan cặp biến nhỏ hơn ngưỡng đa cộng tuyến – chuỗi MCMC hội tụ vững qua trace – density – autocorrelation – ESS cao với mô hình ROA – riêng ở ROE biến CIR có ESS thấp hơn phản ánh cần tinh chỉnh tham số lấy mẫu hoặc cấu trúc mô hình khi phân tích ROE.

Thống kê mô tả cho thấy các chỉ số hiệu quả và chuyển đổi số cải thiện dần trong giai đoạn nghiên cứu – đồng nhịp với câu chuyện kinh doanh và tái cấu trúc của ngân hàng sau đại dịch – từ đó tạo nền cho kết luận nhân quả Bayes ở trên.

Tổng hợp theo logic thực chứng – hiệu quả của VietinBank trong giai đoạn 2022–2026 không chỉ được giải thích bởi kỷ luật chi phí và kiểm soát rủi ro mà còn bởi tiến triển chuyển đổi số cả mặt quy trình nội bộ lẫn hành vi khách hàng – điều này làm rõ “khoảng cách hiệu quả” với các ngân hàng dẫn đầu không chỉ nằm ở biên lãi mà còn ở tốc độ số hóa và mức thâm nhập dịch vụ số.

5.2 Hàm ý chính sách Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Kết quả ước lượng mô hình hồi quy Bayes cho thấy các biến CIR, NPL, PORR và DUS đều có tác động có ý nghĩa thống kê đến hiệu quả hoạt động của VietinBank, được đo lường thông qua ROA và ROE trong giai đoạn 2022–2026. Điều này hàm ý rằng hiệu quả tài chính của ngân hàng không chỉ chịu ảnh hưởng bởi các yếu tố truyền thống như quản lý chi phí và chất lượng tín dụng, mà còn chịu tác động mạnh mẽ từ quá trình chuyển đổi số nội bộ và hành vi sử dụng dịch vụ số của khách hàng. Trên cơ sở đó, các hàm ý chính sách cần được xây dựng theo hướng tích hợp giữa quản trị rủi ro, tối ưu hóa chi phí và thúc đẩy đổi mới công nghệ.

Trước hết, kết quả cho thấy tỷ lệ nợ xấu (NPL) có tác động tiêu cực rõ rệt đến cả ROA và ROE. Đây là phát hiện phù hợp với lý thuyết rủi ro – sinh lợi và đồng nhất với nhiều nghiên cứu thực nghiệm trước đó, khẳng định rằng chất lượng tín dụng vẫn là yếu tố nền tảng quyết định hiệu quả hoạt động ngân hàng. Do vậy, VietinBank cần xem quản trị rủi ro tín dụng là trụ cột chiến lược trong giai đoạn tới. Thay vì chỉ tập trung xử lý nợ xấu sau khi phát sinh, ngân hàng cần chuyển sang mô hình quản trị rủi ro theo vòng đời khoản vay, tích hợp dữ liệu hành vi số, lịch sử giao dịch và dữ liệu phi truyền thống để nâng cao độ chính xác trong thẩm định. Việc xây dựng hệ thống cảnh báo sớm (Early Warning System) dựa trên phân tích dữ liệu lớn sẽ giúp ngân hàng phát hiện rủi ro từ giai đoạn trước khi khoản vay chuyển nhóm nợ, qua đó giảm chi phí dự phòng và ổn định lợi nhuận. Đồng thời, việc gắn KPI của bộ phận tín dụng với chỉ tiêu NPL điều chỉnh theo rủi ro sẽ tạo động lực kiểm soát chất lượng danh mục tín dụng một cách bền vững.

Thứ hai, biến CIR trong mô hình cho thấy mối quan hệ mang tính điều kiện đối với hiệu quả tài chính. Mặc dù theo lý thuyết truyền thống, CIR cao thường phản ánh hiệu quả chi phí thấp, song trong bối cảnh VietinBank đang ở giai đoạn đầu tư mạnh cho chuyển đổi số, chi phí tăng lên có thể là chi phí chiến lược nhằm tạo nền tảng cho tăng trưởng dài hạn. Điều này hàm ý rằng chính sách quản trị chi phí của ngân hàng cần được tiếp cận theo hướng tối ưu hóa giá trị thay vì cắt giảm chi phí tuyến tính. Cụ thể, ngân hàng cần phân tách rõ chi phí đầu tư công nghệ và chi phí vận hành thường xuyên, đồng thời thiết lập cơ chế đánh giá hiệu quả đầu tư dựa trên thời gian hoàn vốn, chi phí trên mỗi giao dịch số và mức gia tăng doanh thu phí. Việc quản trị CIR theo chu kỳ đầu tư – khai thác sẽ giúp ngân hàng duy trì kỷ luật tài chính nhưng vẫn đảm bảo nguồn lực cho đổi mới sáng tạo. Như vậy, mục tiêu không phải là giảm CIR bằng mọi giá, mà là bảo đảm rằng mỗi đồng chi phí bỏ ra tạo ra giá trị gia tăng thực sự cho hiệu quả hoạt động. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Thứ ba, kết quả cho thấy tỷ lệ số hóa quy trình vận hành (PORR) có tác động tích cực và ổn định đến cả ROA và ROE. Điều này khẳng định rằng chuyển đổi số nội bộ không chỉ là xu hướng công nghệ mà là động lực trực tiếp cải thiện năng suất và lợi nhuận. Do đó, VietinBank cần tiếp tục đẩy mạnh tự động hóa quy trình lõi, đặc biệt trong các khâu có chi phí xử lý cao như tín dụng bán lẻ, phê duyệt doanh nghiệp nhỏ và vừa, quản trị tài sản – nợ và xử lý hồ sơ thu hồi nợ. Việc tăng tỷ lệ phê duyệt tự động và xử lý end-to-end sẽ giúp giảm thời gian xử lý, giảm sai sót do yếu tố con người và nâng cao khả năng phục vụ khách hàng. Tuy nhiên, song hành với mở rộng tự động hóa, ngân hàng cần bảo đảm hệ thống kiểm soát nội bộ và quản trị rủi ro được tích hợp ngay trong thiết kế quy trình số, tránh nguy cơ gia tăng rủi ro hệ thống khi mức độ tự động hóa tăng cao.

Thứ tư, biến DUS – tỷ lệ khách hàng sử dụng dịch vụ số – cũng cho thấy tác động tích cực rõ rệt đến hiệu quả tài chính. Điều này hàm ý rằng giá trị của chuyển đổi số không chỉ nằm ở cải thiện quy trình nội bộ mà còn ở khả năng thay đổi hành vi khách hàng. Khi tỷ lệ khách hàng sử dụng kênh số tăng lên, chi phí biên cho mỗi giao dịch giảm, đồng thời ngân hàng có thể khai thác dữ liệu hành vi để phát triển các sản phẩm cá nhân hóa, gia tăng doanh thu phí và tăng mức độ gắn kết khách hàng. Vì vậy, VietinBank cần triển khai chiến lược phát triển khách hàng số theo vòng đời, kết hợp giữa khuyến khích sử dụng dịch vụ số và thiết kế các gói sản phẩm tích hợp đa dịch vụ trên nền tảng số. Mục tiêu dài hạn không chỉ là tăng số lượng người dùng, mà là tăng mức độ hoạt động và giá trị giao dịch trên mỗi khách hàng số.

Ở cấp độ cơ quan quản lý, các kết quả nghiên cứu cũng gợi mở những định hướng quan trọng. Việc NPL tiếp tục có tác động tiêu cực mạnh mẽ cho thấy cần hoàn thiện cơ chế chia sẻ thông tin tín dụng theo thời gian thực và nâng cao chất lượng dữ liệu tại Trung tâm Thông tin Tín dụng Quốc gia (CIC). Đồng thời, tác động tích cực của PORR và DUS cho thấy cơ quan quản lý nên xây dựng bộ tiêu chí chuẩn hóa đo lường chuyển đổi số trong ngành ngân hàng, nhằm tạo cơ sở so sánh và giám sát minh bạch giữa các tổ chức tín dụng. Việc hoàn thiện khung pháp lý cho ngân hàng mở, chia sẻ dữ liệu và sandbox pháp lý sẽ tạo điều kiện để hệ thống ngân hàng khai thác hiệu quả giá trị dữ liệu mà vẫn bảo đảm an toàn hệ thống.

5.3 Hạn chế của nghiên cứu

Mặc dù kết quả nghiên cứu cung cấp những bằng chứng định lượng có giá trị về tác động của các nhân tố CIR, NPL, PORR và DUS đến hiệu quả hoạt động (ROA, ROE) của VietinBank, song vẫn tồn tại một số hạn chế cần được thừa nhận:

Phạm vi dữ liệu chỉ tập trung vào một ngân hàng duy nhất (VietinBank), nên tính khái quát với toàn hệ thống còn hạn chế; bối cảnh cạnh tranh và cấu trúc khách hàng của các ngân hàng nhỏ hoặc ngân hàng nước ngoài có thể khác biệt đáng kể.

Chuỗi thời gian ngắn (2022–2026), trong đó năm 2022–2023 chịu tác động mạnh từ đại dịch, có thể gây hiệu ứng cấu trúc gãy và làm kết quả nhạy cảm với giai đoạn chọn mẫu. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Đo lường các biến chuyển đổi số (PORR, DUS) còn phụ thuộc dữ liệu công bố, thiếu chuẩn hóa liên ngân hàng, dẫn đến nguy cơ sai lệch đo lường.

Biến CIR mang dấu dương phản ánh hợp lý theo góc nhìn đầu tư công nghệ, song cũng có thể chịu vấn đề nội sinh khi chi phí và hiệu quả đồng thời bị tác động bởi biến ẩn như cường độ đầu tư số hoặc chu kỳ tín dụng.

Rủi ro thiên lệch do biến bị bỏ sót, khi các yếu tố vĩ mô (GDP, lạm phát, lãi suất, tỷ giá, thị trường BĐS) chưa được kiểm soát, có thể ảnh hưởng đồng thời đến biến độc lập và phụ thuộc.

Kích thước mẫu nhỏ và ESS thấp ở một số biến, đặc biệt là CIR trong mô hình ROE, khiến độ tin cậy của ước lượng cần được xem xét thận trọng.

Cuối cùng, các kết luận mang tính thống kê cần được diễn giải song song với góc nhìn quản trị và năng lực triển khai thực tế, để tránh suy luận vượt phạm vi dữ liệu nghiên cứu.

5.4 Đề xuất hướng nghiên cứu tiếp theo Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

Mặc dù nghiên cứu đã cung cấp bằng chứng thực nghiệm về tác động của các yếu tố truyền thống và yếu tố chuyển đổi số đến hiệu quả hoạt động của VietinBank thông qua phương pháp hồi quy Bayes, song vẫn tồn tại một số giới hạn nhất định, từ đó mở ra những hướng nghiên cứu tiếp theo có giá trị về mặt học thuật và thực tiễn.

Thứ nhất, phạm vi nghiên cứu hiện tại chỉ tập trung vào một ngân hàng cụ thể trong giai đoạn 2022–2026 với số lượng quan sát hạn chế. Do đó, các nghiên cứu trong tương lai có thể mở rộng mẫu sang nhiều ngân hàng thương mại tại Việt Nam nhằm xây dựng mô hình dữ liệu bảng theo hướng tiếp cận Bayes phân cấp. Cách tiếp cận này sẽ cho phép so sánh sự khác biệt giữa các nhóm ngân hàng, đồng thời đánh giá tính bền vững của tác động chuyển đổi số trong toàn hệ thống.

Thứ hai, nghiên cứu hiện tại mới chỉ xem xét bốn biến nội tại gồm CIR, NPL, PORR và DUS, trong khi hiệu quả hoạt động ngân hàng còn chịu ảnh hưởng của nhiều yếu tố vĩ mô như tăng trưởng GDP, lạm phát, lãi suất điều hành, chính sách tiền tệ và mức độ cạnh tranh ngành. Do đó, hướng nghiên cứu tiếp theo có thể tích hợp các biến kinh tế vĩ mô vào mô hình Bayes nhằm đánh giá tác động đồng thời của môi trường kinh tế và chuyển đổi số đến hiệu quả tài chính ngân hàng.

Thứ ba, các biến đại diện cho chuyển đổi số trong nghiên cứu được đo lường chủ yếu dưới dạng tỷ lệ quy trình số hóa và tỷ lệ khách hàng sử dụng dịch vụ số. Trong tương lai, các nghiên cứu có thể phát triển bộ chỉ số chuyển đổi số đa chiều, bao gồm mức độ tích hợp dữ liệu, năng lực phân tích AI, mức độ tự động hóa quyết định và trải nghiệm khách hàng số. Việc xây dựng chỉ số tổng hợp sẽ giúp phản ánh đầy đủ hơn mức độ trưởng thành công nghệ của ngân hàng thay vì chỉ đo lường từng khía cạnh riêng lẻ.

Thứ tư, về phương pháp, nghiên cứu đã sử dụng mô hình hồi quy tuyến tính Bayes với giả định mối quan hệ tuyến tính giữa các biến. Tuy nhiên, trong thực tế, tác động của chuyển đổi số đến hiệu quả tài chính có thể mang tính phi tuyến hoặc có độ trễ theo thời gian. Do đó, các nghiên cứu tiếp theo có thể xem xét mô hình Bayes phi tuyến (Bayesian Nonlinear Models), mô hình VAR Bayes hoặc mô hình Bayes động để phân tích tác động dài hạn và hiệu ứng lan tỏa theo chu kỳ.

Thứ năm, một hướng nghiên cứu tiềm năng khác là xem xét vai trò điều tiết hoặc trung gian của chuyển đổi số trong mối quan hệ giữa quản trị rủi ro và hiệu quả tài chính. Ví dụ, chuyển đổi số có thể làm giảm tác động tiêu cực của NPL đến ROA thông qua cải thiện chất lượng thẩm định và giám sát tín dụng. Việc phân tích cấu trúc trung gian bằng mô hình Bayes cấu trúc sẽ giúp làm rõ cơ chế truyền dẫn giữa các biến.

Thứ sáu, trong bối cảnh toàn cầu hóa và hội nhập tài chính, các nghiên cứu tương lai có thể mở rộng phạm vi so sánh quốc tế, phân tích tác động của chuyển đổi số đến hiệu quả hoạt động ngân hàng tại các nền kinh tế mới nổi trong khu vực ASEAN. Điều này không chỉ giúp kiểm định tính khái quát của kết quả nghiên cứu mà còn đóng góp vào kho tàng nghiên cứu quốc tế về ngân hàng số và tài chính công nghệ. Luận văn: KQNC Ảnh hưởng đến hoạt động Ngân Hàng VietinBank.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:

===>>> Luận văn: Ảnh hưởng đến hoạt động của Ngân Hàng VietinBank

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website: https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com

Post Views: 7