GIỚI THIỆU
TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Kinh tế của một quốc gia sẽ không phát triển bền vững nếu hệ thống tài chính của quốc gia đó hoạt động kém hiệu quả và không ổn định (Badar & Javid,
2013) Tuy nhiên, hoạt động tín dụng là hoạt động chứa nhiều rủi ro Một trong những chỉ tiêu để đo lường mức độ rủi ro tín dụng chính là chỉ tiêu nợ xấu Theo số liệu trên các báo cáo tài chính của các ngân hàng, trong giai đoạn 2006 – 2012, tỷ lệ nợ xấu tăng gấp đôi, từ 2% (năm 2006) lên đến 4,08% (năm 2012) Trong những năm tiếp theo, tỷ lệ nợ xấu được cải thiện, năm 2016 còn 2,52% (giảm 1,56%) Tuy nhiên, về quy mô, dư nợ xấu vẫn có xu hướng tăng qua các năm.
Hình 1.1 Nợ xấu hệ thống ngân hàng TMCP Việt Nam giai đoạn 2006 - 2016
Nguồn: Tác giả tự tổng hợp từ Báo cáo thường niên và sbv.gov.vn
Trong khi đó, theo “Báo cáo Tổng quan thị trường tài chính năm 2017” do Uỷ ban Giám sát Tài chính quốc gia hé lộ tỷ lệ nợ xấu là 9,5% - cao hơn nhiều con số ngành ngân hàng tự báo cáo.
Dù mức này cao hơn gấp ba lần con số "dưới 3%" mà Ngân hàng Nhà nước báo cáo là "nợ xấu nội bảng" nhưng theo Uỷ ban giám sát, đã giảm mạnh từ con số 11,5% (năm 2016).
Chất lượng tài sản hệ thống tổ chức tín dụng cải thiện Tỷ lệ nợ xấu giảm mạnh chủ yếu do các khoản nợ xấu tiềm ẩn trong nợ cơ cấu lại, trái phiếu doanh nghiệp và các khoản phải thu khó đòi bên ngoài giảm.
Trước đó, tại phiên chất vấn trên Quốc hội hồi giữa tháng 11/2017, Thống đốc
Lê Minh Hưng cho biết tỷ lệ nợ xấu đến cuối tháng 9/2017 theo báo cáo của Ngân hàng Nhà nước là 2,34%, giảm so với mức 2,46% cuối năm sau Ông Hưng cũng cho biết đây chỉ là tỷ lệ nợ xấu nội bảng của các ngân hàng, chưa gộp các nợ xấu đã bán sang VAMC và được đưa ra khỏi bảng cân đối tài sản.
Nếu tính thận trọng bao gồm cả một số khoản nợ tiềm ẩn, nợ VAMC đã mua cùng với nợ xấu nội bảng tại ngân hàng thì tổng mức nợ xấu đến cuối tháng 9/2017 là khoảng 566.000 tỷ đồng, theo ông Hưng, tương đương tỷ lệ 8,61%.
Mặc dù vậy, theo Uỷ ban Giám sát, quá trình xử lý nợ xấu đã được đẩy nhanh hơn, đặc biệt trong những tháng cuối năm nhờ tác động Nghị quyết 42/2017/QH14 – Về thí điểm xử lý nợ xấu của các tổ chức tín dụng Tính cả năm, ngành ngân hàng đã xử lý được 70.000 tỷ đồng Lượng trích lập dự phòng rủi ro của các ngân hàng năm 2017, theo Uỷ ban, tăng 24,7% so với cuối năm 2016 Tỷ lệ dự phòng rủi ro tín dụng trên tổng nợ xấu theo các ngân hàng báo cáo là 65,8% 1
Hình 1.2 Kết quả xử lý nợ xấu ngành Ngân hàng theo các hình thức giai đoạn 2012 – 2015
Quan sát hình 1.2, có thể thấy xử lý nợ xấu chủ yếu từ VAMC (chiếm 42%), các NHTMCP vẫn phải trích lập dự phòng (chiếm tỷ lệ cao 27%) và tự xử lý bằng các nghiệp vụ khác Do đó, các ngân hàng TMCP vẫn chủ yếu sử dụng các phương pháp chuyển giao nợ xấu, chứ ko triệt tiêu được nợ xấu hoàn toàn.
Như vậy, việc nghiên cứu và tìm ra nhân tố gây nợ xấu đối với các NHTM sẽ giúp cho các nhà quản lý ngân hàng chủ động hơn trong việc tự khắc phục, thay đổi, tìm ra giải pháp, chính sách phù hợp để giảm bớt nợ xấu bên cạnh những yếu tố vĩ mô bên ngoài mà ngân hàng không kiểm soát được Bên cạnh đó, xuất phát từ việc người viết hiện đang có cơ hội được làm việc tại Phòng quản lý rủi ro tín dụng – Khối Quản lý rủi ro của Ngân hàng TMCP Á Châu, một trong những NHTMCP hàng đầu tại Việt Nam Do vậy, tác giả chọn đề tài “Các nhân tố tác động đến nợ xấu tại các Ngân hàng Thương mại Cổ phần Việt Nam” làm đề tài khóa luận của mình Thông qua đó, đề tài nghiên cứu thực nghiệm xác định xem các nhân tố nào thực sự tác động đến nợ xấu các ngân hàng thương mại Việt Nam và mức độ tác động của các nhân tố này như thế nào.
Khách hàng trả nợ Bán phát mại TSBĐTCTD sử dụng quỹ DPRR Bán nợ cho VAMCBán nợ khácHình thức khác
MỤC TIÊU NGHIÊN CỨU
Mục tiêu tổng quát: mục tiêu nghiên cứu của đề tài là tìm ra các nhân tố tác động đến nợ xấu của hệ thống các ngân hàng TMCP Việt Nam Đồng thời, tác giả phân tích, đánh giá và giải thích nguyên nhân của sự tác động Từ đó, đề xuất một số giải pháp và khuyến nghị nhằm giúp kiểm soát và quản lý nợ xấu của ngân hàng.
- Đề tài làm rõ những lý luận cơ bản và những lý thuyết cơ sở của nợ xấu, những nhân tố nào tác động đến nợ xấu; những nghiên cứu có liên quan đã được thực hiện trước đây trên thế giới và Việt Nam.
- Xây dựng mô hình hồi quy và phương pháp nghiên cứu các nhân tố tác động đến nợ xấu
-Kết quả hồi quy, ước lượng tác động và phân tích, đánh giá các nhân tố.
-Đề xuất kiến nghị nhằm quản trị rủi ro tín dụng, giúp giảm thiểu nợ xấu của các ngân hàng TMCP Việt Nam.
ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
1.3.1 Đối tượng nghiên cứu Đối tượng của nghiên cứu là nợ xấu, các yếu tố vi mô và vĩ mô tác động đến tỷ lệ nợ xấu của hệ thống NHTMCP Việt Nam.
Về không gian, khóa luận tập trung nghiên cứu các nhân tố vĩ mô và vi mô tác động đến nợ xấu của 25 NHTMCP 2 tại Việt Nam Trong khi đó, theo thống kê của NHNN Việt Nam, tính đến ngày 30/06/2017, cả nước có 31 NHTMCP Trong đó, có một số cặp ngân hàng sáp nhập 3 với nhau như MHB – BIDV (2015), Mekong Bank - Maritime Bank (2015), Southern Bank – Sacombank (2015), Habubank nhập vào SHB (2012) và Đại Á vào HDBank (2013)… Tuy nhiên, phạm vi nghiên cứu của khóa luận là 25 ngân hàng như đã đề cập, bởi vì các ngân hàng này đáp ứng tiêu chí còn tồn tại và hoạt động đến hết năm 2017 và công bố đủ dữ liệu mà khóa luận cần.
Theo thời gian, đề tài nghiên cứu các nhân tố tác động đến nợ xấu ngân hàng trong giai đoạn 2006 – 2016, vì trong thời gian này, dữ liệu mà tác giả cần có thể thu thập đủ và độ dài là phù hợp với phương pháp nghiên cứu.
PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU
1.4.1 Phương pháp nghiên cứu Đề tài sử dụng phương pháp nghiên cứu định tính như phương pháp thống kê, so sánh, phân tích và tổng hợp, phương pháp diễn dịch và quy nạp. Đồng thời, bài viết tập trung sử dụng phương pháp định lượng, lần lượt chạy
05 mô hình ước lượng Cụ thể, ban đầu tác giả lần lượt chạy Pooled Ordinary Least Squares (Pooled OLS), Fixed effects model (FEM) và Random effects model (REM) và sử dụng các kiểm định để lựa chọn mô hình phù hợp Sau đó tác giả kiểm định các khuyết tật của mô hình như hiện tượng tự tương quan, đa cộng tuyến và phương sai thay đổi Trong đó, mô hình sử dụng biến trễ của biến phụ thuộc làm biến động nên mô hình nghiên cứu có số liệu dạng bảng động và biến trễ của biến phụ thuộc có khả năng là biến nội sinh Do đó, nghiên cứu tiếp tục sử dụng phương pháp Mô-men tổng quát (GMM) của Arellano và Bonds (1991) để kiểm định mối quan hệ giữa các nhân tố tác động đến nợ xấu NHTMCP Việt Nam Tuy nhiên, với dữ liệu thu thập được thì mô hình GMM trong trường hợp này chưa đủ vững Vì vậy, cuối cùng, tác giả sử dụng phương pháp bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares – FGLS) để kiểm soát được hiện tượng phương sai thay đổi Phương pháp này sẽ ước tính mô hình theo phương pháp OLS (ngay cả trong trường hợp có sự tồn tại của hiện tượng phương sai thay đổi hay tự tương quan).
Các số liệu thuộc về yếu tố vi mô được lấy từ báo cáo thường niên của các ngân hàng được niêm yết, các nhân tố vĩ mô được lấy từ trang thông tin Ngân hàng Thế giới Trong giai đoạn thu thập dữ liệu, một số ngân hàng TMCP Việt Nam không công bố thông tin ở một số năm nên bảng dữ liệu trở thành bảng không cân bằng.
1.4.2 Dữ liệu nghiên cứu của đề tài
Bộ dữ liệu vĩ mô
Dữ liệu vĩ mô trong đề tài khóa luận này bao gồm: tốc độ tăng trưởng GDP, tỷ lệ lạm phát và tỷ lệ thất nghiệp hằng năm thuộc giai đoạn 2006 đến 2016 Dữ liệu được thu thập từ các báo cáo thường niên của NHNN, số liệu tổng hợp được công bố trên website chính thức của NHNN, tổng cục thống kê, WB, IMF Khi so sánh dữ liệu từ các nguồn trên, tác giả thấy rằng trong nhiều trường hợp số liệu không giống nhau, có thể xuất phát từ cách tính, cách lấy số liệu theo từng nguồn là khác nhau Trong đó, số liệu tại Việt Nam tác giả gặp khó khăn trong việc thu thập các số liệu cũ trong quá khứ Vì vậy, tác giả lựa chọn bộ dữ liệu vĩ mô từ trang thông tin Ngân hàng Thế giới WB.
Các số liệu được thu thập dưới dạng tỷ lệ phần trăm, được trình bày cụ thể ở phần phụ lục.
Bộ dữ liệu vi mô
Dữ liệu vi mô cấp ngân hàng gồm các yếu tố: tăng trưởng tín dụng, tăng trưởng quy mô ngân hàng, tỷ lệ nợ xấu năm trước và tỷ lệ ROE hằng năm của 25 NHTMCP Việt Nam trong giai đoạn 2006 – 2016 Dữ liệu được thu thập chính từ các báo cáo thường niên, báo cáo tài chính của các NHTM hằng năm.
KẾT CẤU CỦA KHÓA LUẬN
Ngoài lời mở đầu, kết luận và danh mục tài liệu tham khảo, khóa luận gồm 5 chương:
- Chương 2: Cơ sở lý luận về nợ xấu và các nhân tố tác động đến nợ xấu
- Chương 3: Mô hình và phương pháp nghiên cứu
- Chương 4: Kết quả nghiên cứu thực nghiệm
- Chương 5: Kết luận và kiến nghị
Ngân hàng thương mại đang ngày càng chứng tỏ được vai trò của mình trong hệ thống tài chính Tuy nhiên, hoạt động của các NHTM ngày nay đang tiềm ẩn nhiều rủi ro dưới tác động của các nhân tố vĩ mô và vi mô Tác giả tiến hành nghiên cứu này với mong muốn tìm ra những bằng chứng thực nghiệm về sự tác động của các nhân tố vĩ mô và vi mô đến nợ xấu của các NHTM Việt Nam, từ đó đưa ra một số kiến nghị nhằm ngăn ngừa và hạn chế nợ xấu Ở chương 1, tác giả đã giới thiệu tổng quát về toàn bộ bài nghiên cứu.
CƠ SỞ LÝ LUẬN VỀ NỢ XẤU VÀ CÁC NHÂN TỐ TÁC ĐỘNG NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN VIỆT NAM
TỔNG QUAN VỀ NỢ XẤU TRONG NGÂN HÀNG THƯƠNG MẠI
Vậy câu hỏi đặt ra ở đây là Nợ xấu là gì? Thước đo và những chuẩn mực phân loại nợ xấu như thế nào?
Nợ xấu là thuật ngữ được sử dụng phổ biến trên thế giới như “Non- performing loans” (NPL), “bad debt”, “doubtful debt” chỉ các khoản nợ khó đòi (Fofack, 2005) hoặc các khoản vay có vấn đề (Berger và De Young, 1997) hoặc khoản nợ không trả được (defaulted loans) mà ngân hàng không thể thu lợi từ nó (Ernst & Young, 2004) hay các khoản cho vay bắt đầu được đưa vào nợ xấu khi đã quá hạn trả nợ gốc và lãi 90 ngày trở lên (Peter Rose, 2004); Mishkin, 2010) Hiện tại không có một quy tắc hay chuẩn mực thống nhất khi thảo luận về vấn đề nợ xấu
Có thể đề cập đến một số khái niệm về nợ xấu như sau:
Theo hướng dẫn để tính toán các chỉ số lành mạnh tài chính của Quỹ Tiền tệ Quốc tế (IMF): “Một khoản cho vay được coi là không sinh lời (nợ xấu) khi tiền thanh toán lãi và/hoặc tiền gốc đã quá hạn 90 ngày trở lên, hoặc các khoản thanh toán lãi đến 90 ngày hoặc hơn đã được tái cơ cấu hay gia hạn nợ, hoặc các khoản thanh toán dưới 90 ngày nhưng có các nguyên nhân nghi ngờ việc trả nợ sẽ không được thực hiện đầy đủ” (IMF's Comilation Guide on Fniancial Soundness Indicators, 2004) Với quan điểm này, nợ xấu được nhận dạng qua hai góc độ là thời gian quá hạn và khả năng trả nợ đáng nghi ngờ Đồng quan điểm của IMF, nhóm chuyên gia tư vấn (AEG) của Liên hợp quốc cho rằng “về cơ bản, một khoản nợ được coi là nợ xấu khi quá hạn trả lãi và/hoặc gốc trên 90 ngày, hoặc các khoản lãi chưa trả từ 90 ngày trở lên đã được nhập gốc, tái cấp vốn hoặc chậm trả theo thỏa thuận, hoặc các khoản phải thanh toán đã quá hạn dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ về khả năng khoản nợ sẽ được thanh toán đầy đủ” (Advisory Expert Group (AEG), 2004).
Trong khi đó, Ủy ban Basel về Giám sát Ngân hàng, họ không đưa ra một xấu tại một số quốc gia, họ cho rằng một khoản nợ được coi là không có khả năng hoàn trả khi xảy ra một trong hai hoặc cả hai điều kiện sau:
Một là, ngân hàng xác định người đi vay không có khả năng trả nợ đầy đủ khi ngân hàng chưa thực hiện bất cứ động thái gì để thu hồi nợ như xử lý tài sản bảo đảm.
Hai là, người vay đã quá hạn trả nợ (trên 90 ngày).
Tại Việt Nam, theo quan điểm của Ngân hàng Nhà nước Việt Nam, nợ xấu 4 được định nghĩa là những khoản nợ được phân loại vào nhóm 3 (Nợ dưới tiêu chuẩn), nhóm 4 (Nợ nghi ngờ) và nhóm 5 (Nợ có khả năng mất vốn) Trong đó, về định lượng, nợ nhóm 3 là các khoản nợ quá hạn từ 90 ngày đến 180 ngày; nợ nhóm
4 là các khoản nợ quá hạn từ 181 ngày đến 360 ngày và nợ nhóm 5 là các khoản nợ quá hạn trên 360 ngày.
Như vậy, theo phương pháp định lượng, cách xác định nợ xấu từ 90 ngày trở lên khá tương đồng giữa khái niệm của các tổ chức trên thế giới cũng như tại Việt Nam Tuy nhiên, để đánh giá một cách chính xác và toàn diện hơn thì cũng cần xem xét đến khả năng trả nợ của khách hàng.
Theo Đinh Thị Thanh Vân (2012), phân loại nợ là quá trình các ngân hàng xem xét danh mục cho vay của mình để đưa các khoản vay vào các nhóm khác nhau dựa trên rủi ro và đặc điểm tương đồng của các khoản vay Việc thường xuyên xem xét và phân loại nợ giúp cho ngân hàng có thể kiểm soát chất lượng danh mục cho vay và trong trường hợp cần thiết sẽ có biện pháp xử lý các vấn đề phát sinh trong chất lượng tín dụng các danh mục cho vay Việc phân loại nợ khó có tiêu chuẩn kế toán quốc tế thống nhất Việc tiếp cận phân loại nợ được coi như trách nhiệm của người quản lý hoặc chỉ là vấn đề báo cáo giám sát (Laurin và cộng sự, 2002).
4 Được quy định tại Thông tư 02/2013/ TT-NHNN ngày 21 tháng 01 năm 2013 của Thống đốc Ngân hàng Nhà nước Việt Nam quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro và
Bảng 2.1 Phân loại nợ của một số nước trên thế giới Nước Số lượng nhóm vay
Ghi chú Đức 4 Dự phòng cụ thể
4 nhóm bao bồm: cho vay không rủi ro, cho vay có dấu hiệu rủi ro, nợ có dấu hiệu không thu hồi, nợ xấu Ý 5 Không có quy định cụ thể về lập dự phòng
Nhật 5 Dự phòng cụ thể
Chi phí dự phòng cho 3 nhóm cuối với tỷ lệ lần lượt là 15%, 70%, 100%
Brazil 9 Dự phòng cụ thể
9 nhóm đưa ra bao gồm AA (0%), A (0,5%), B (1%), C (3%), D (10%), E (30%), F (50%), G (70%) và H (100%)
Mỹ 5 Không đưa ra quy định cụ thể
Argentina 5 Dự phòng chung và dự phòng cụ thể
Tỷ lệ dự phòng cho 5 nhóm lần lượt là 1%, 3%, 12%, 25%, 50% Úc 5 Không đưa ra quy định cụ thể về lập dự phòng Trung
5 Dự phòng cụ thể và dự phòng chung
Tỷ lệ dự phòng cho 5 nhóm lần lượt là 1%, 3%, 25%, 75%, 100% Ấn Độ
4 Dự phòng cụ thể và dự phòng chung
Chia cụ thể làm 2 loại có bảo đảm hoặc không có bảo đảm có tỷ lệ dự phòng khác nhau và linh hoạt
Mexico 7 7 nhóm được phân loại dựa trên rủi ro quốc gia, rủi ro tài chính, rủi ro ngành và lịch sử thanh toán Nhóm không trích lập dự phòng A-1 (0,5%); A-2(0.99%); B-1 (20%); C-1 (20 – 40%);
Singapore 5 Dự phòng cụ thể
Tỷ lệ trích lập dự phòng cho 3 nhóm cuối tối thiểu lần lượt là 10%, 50%, 100%
Nga 4 Dự phòng chung và dự phòng cụ thệ
Tỷ lệ trích lập dự phòng cho 3 nhóm cuối lần lượt là 205, 50%, 100% Dự phòng nhóm 1 là 1%
6 Dự phòng chung và dự phòng cụ thể
Tỷ lệ dự phòng chung 0,51%, còn cho 3 nhóm cuối là 10%, 25 – 100%, 100%
Nguồn: (Laurin và cộng sự, 2002)
Ngân hàng thế giới (World Bank) đã tiến hành phân loại nợ như sau:
Bảng 2.2 Phân loại nợ của World Bank Khoản vay Những đặc thù và thời hạn Đạt tiêu chuẩn - Không nghi ngờ gì về khả năng trả nợ
- Tài sản được bảo đảm hoàn toàn bằng tiền hoặc tương đương
- Quá hạn dưới 90 ngày Cần theo dõi - Những điểm yếu tiềm tàng có thể ảnh hưởng tới khả năng trả nợ
- Các điều kiện kinh tế hoặc viễn cảnh tài chính khó khăn
- Quá hạn dưới 90 ngày Dưới tiêu chuẩn - Các nhược điểm rõ rệt về tín dụng có thể ảnh hưởng tới khả năng trả nợ
- Những khoản nợ đã được thỏa thuận lại
- Quá hạn từ 90 – 180 ngày Đáng ngờ - Không chắc thu hồi được toàn bộ nợ dựa trên các điều kiện hiện tại.
- Có khả năng thất thoát
Mất vốn - Các khoản vay không thu hồi được
Ngoài ra, Viện Tài chính Quốc tế (Institute of International Finance) cũng phân loại nợ thành 5 nhóm sau:
Bảng 2.3 Phân loại nợ của Viện Tài chính Quốc tế (IIF)
Khoản vay Những đặc thù và thời hạn
Nợ đủ tiêu chuẩn Là nợ có gốc và lãi trong hạn, không có dấu hiệu khó khăn trong thanh toán nợ và dự báo có thể thanh toán gốc và lãi đúng hạn, đầy đủ theo cam kết.
Nợ cần chú ý Là nợ trong tình trạng nếu không có các biện pháp xử lý có thể tăng nguy cơ không thanh toán đầy đủ gốc và lãi Vì vậy đây là khoản nợ cần được chú ý hơn mức bình thường.
Là khoản nợ nghi ngờ về khả năng thanh toán đầy đủ gốc, lãi theo cam kết, hoặc gốc hoặc/và lãi quá hạn trên 90 ngày, hoặc tài sản bảo đảm giảm giá trị dẫn đến nguy cơ giảm giá trị khoản vay nếu không xử lý kịp thời.
Nợ nghi ngờ Là nợ được xác định không thể thu hồi đầy đủ gốc, lãi trong điều kiện hiện hành hoặc lãi hoặc/và gốc quá hạn trên 180 ngày
Nợ nhóm này đã bị giảm giá trị nhưng chưa mất vốn hoàn toàn vì còn có những yếu tố được xác định có thể tác động cải thiện chất lượng nợ.
Nợ mất vốn Là nợ được đánh giá không có khả năng thu hồi hoặc gốc hoặc/và lãi quá hạn trên một năm
Tại Việt Nam, theo phân loại nợ của NHNN, nợ được phân loại theo 5 nhóm:
Bảng 2.4 Phân loại nợ của Việt Nam Nhóm nợ Phương pháp định lượng Phương pháp định tính
1.Nợ chuẩn đủ tiêu Nợ trong hạn, hoặc quá hạn dưới 10 ngày.
Có khả năng thu hồi đầy đủ cả nợ gốc và lãi đúng hạn.
2.Nợ cần chú ý Quá hạn 10 - 90 ngày; nợ điều chỉnh hạn trả nợ lần đầu.
Có khả năng thu hồi đầy đủ cả gốc và lãi, nhưng có dấu hiệu suy giảm khả năng trả nơ.
3.Nợ chuẩn dưới tiêu Quá hạn 91- 180 ngày; nợ gia hạn lần đầu; miễn hoặc giảm lãi.
Không có khả năng thu hồi nợ gốc và lãi khi đến hạn; có khả năng tổn thất
4.Nợ nghi ngờ Quá hạn từ 181 – 360 ngày; nợ cơ cấu lại thời hạn trả nợ lần thứ hai.
Có khả năng tổn thất cao
5.Nợ có khả năng mất vốn
Nợ quá hạn trên 360 ngày; nợ có cơ cấu lại thời hạn trả nợ lần đầu thứ hai nhưng lại quá hạn; nợ cơ cấu lại thời hạn trả nợ lần thứ ba trở lên
Không còn khả năng thu hồi, mất vốn
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
2.2.1 Các nghiên cứu quốc tế về các nhân tố tác động đến nợ xấu
Salas và Suarina (2002) dùng dữ liệu bảng, so sánh các yếu tố quyết định của nợ xấu (vĩ mô và nội tại) ở các ngân hàng thương mại và Quỹ tiết kiệm Tây Ban Nha trong giai đoạn 1985 – 1987 Nghiên cứu chỉ ra rằng GDP và nợ xấu có mối quan hệ ngược chiều, khi GDP tăng thì nợ xấu giảm và ngược lại; Quy mô của ngân hàng tác động tiêu cực lên nợ xấu, tăng trưởng tín dụng là yếu tố quan trọng quyết định tỷ lệ nợ xấu.
Roland Beck, Petr Jakubik và Anamaria Piloiu (2013) sử dụng bộ dữ liệu của
75 quốc gia trong giai đoạn 2005 – 2010 để nghiên cứu các yếu tố tác động đến nợ xấu Nghiên cứu sử dụng kĩ thuật thống kê mômen tổng quát với cách tiếp cận theo lệ nợ xấu với độ trễ một năm và lãi suất cho vay có tác động cùng chiều đến tỷ lệ nợ xấu Không chỉ vậy, nghiên cứu cũng tìm thấy tác động ngược chiều của tỷ lệ tăng trưởng kinh tế đến tỷ lệ nợ xấu ở các quốc gia này.
Ahlem Selma Messai và Fathi Jouini (2013) sử dụng dữ liệu 85 ngân hàng trong ba nước (Ý, Hy Lạp và Tây Ban Nha) trong giai đoạn 2004 – 2008 để nghiên cứu Ba nước đã đề cập đại diện cho các nước gặp nhiều bất ổn sau khủng hoảng
2008 Các ngân hàng được lựa chọn là các ngân hàng lớn và có số lượng nợ xấu lớn Các biến kinh tế vĩ mô gồm tỷ lệ tăng trưởng GDP, tỷ lệ thất nghiệp và tỷ lệ lãi suất cho vay thực và các biến vi mô gồm tỷ suất sinh lời trên tổng tài sản (ROA), sự thay đổi trong các khoản vay và tỷ lệ dự phòng rủi ro Kết quả nghiên cứu cho thấy rằng lãi suất cho vay, tỷ lệ dự phòng rủi ro tín dụng tác động thuận chiều với tỷ lệ nợ xấu Đồng thời, tỷ lệ tăng trưởng kinh tế, ROA tỷ lệ nghịch với nợ xấu tại các nước này.
Klein (2013) đã thực hiện ba phương pháp ước lượng là FE, DGMM của Arellano và Bond (1991), SGMM của Arellano & Bover (1995), Blundell & Bond
(1998) và thu thập dữ liệu từ 10 ngân hàng ở mỗi quốc gia trên tổng 16 quốc gia để nghiên cứu các nhân tố tác động đến nợ xấu ở khu vực Trung, Đông và Đông Nam châu Âu Các yếu tố tác động đến nợ xấu của ngân hàng gồm các yếu tố đặc trưng của ngân hàng (ROE, tổng dư nợ trên tổng tài sản, tỷ lệ tăng trưởng tín dụng), các yếu tố vĩ mô đặc trưng của mỗi quốc gia (tỷ lệ thất nghiệp, tỷ lệ lạm phát, tỷ lệ hối đoái) và các yếu tố vĩ mô đặc trưng của khu vực (tốc độ tăng trưởng GDP thực của khu vực châu Âu, chỉ số cổ phiếu 500 của Standard & Poor – VIX) Kết quả ước lượng cho thấy ROE tỷ lệ nghịch với tỷ lệ nợ xấu Ngược lại, tổng dư nợ trên tổng tài sản, tốc độ tăng trưởng GDP của khu vực tác động đáng kể đến khả năng thanh toán của các doanh nghiệp.
Makri và cộng sự (2014), nghiên cứu các yếu tố tác động đến nợ xấu của 17 quốc gia khu vực Châu Âu giai đoạn 2000 – 2008 Nghiên cứu xác định được mối quan hệ ngược chiều giữa tỷ lệ nợ xấu với tăng trưởng GDP; và cùng chiều với tỷ lệ thất nghiệp Bên cạnh đó, nghiên cứu còn cho thấy mối quan hệ giữa tỷ lệ nợ xấu với tỷ lệ an toàn vốn tối thiểu, tỷ lệ nợ xấu năm trước và lợi nhuận trên vốn chủ sở
Ekanayake (2015) thực hiện nghiên cứu với mẫu nghiên cứu 9 ngân hàng thương mại tại Sri Lanka giai đoạn năm 1999 đến năm 2012 Kết quả nghiên cứu cho thấy nợ xấu do tác động của cả các yếu tố vĩ mô và yếu tố vi mô cụ thể bên trong ngân hàng Trong các yếu tố vĩ mô GDP và lạm phát có tác động tiêu cực (theo nghiên cứu này thì trong tình hình lạm phát cao thì tỷ lệ nợ xấu lại thấp hơn so với các thời điểm khác) và lãi suất cho vay có tác động tích cực với nợ xấu.
Fillip (2015) thiết kế và thử nghiệm hai mô hình kinh tế với xử lý dữ liệu bảng đối với trường hợp Romania và châu Âu trong giai đoạn 2000 – 2012 Kết quả của nghiên cứu cho thấy mối tương quan nghịch chiều có ý nghĩa giữa sự biến động của tỷ lệ nợ xấu và mức tăng trưởng GDP thực; sự thuận chiều với sự biến động tỷ lệ thất nghiệp và lạm phát.
Ghosh (2015) thực hiện nghiên cứu cho tất cả các NHTM và các tổ chức tiết kiệm trên 50 tiểu bang Hoa Kỳ và các quận thuộc Columbia trong giai đoạn 1984 –
2013 Về các yếu tố vĩ mô tác giả cho rằng tăng trưởng GDP và tăng trưởng thu nhập cá nhân và tăng giá nhà ở tỷ lệ nghịch với nợ xấu; trong khi đó, tỷ lệ thất nghiệp, và nợ công Mỹ tăng làm tăng đáng kể nợ xấu Hơn nữa, tác giả thấy vốn hóa lớn hơn, rủi ro thanh khoản, chất lượng tín dụng kém, chi phí không hiệu quả lớn hơn và quy mô ngành ngân hàng làm tăng đáng kể nợ xấu, trong khi lợi nhuận ngân hàng lớ hơn làm giảm nợ xấu.
Vithessonthi (2016) thực hiện nghiên cứu sử dụng hồi quy OLS và hồi quy hai bước GMM cho dữ liệu bảng gồm 82 NHTM niêm yết công khai tại Nhật Bản trong giai đoạn 1993 – 2013 Nghiên cứu cho thấy tăng trưởng tín dụng ngân hàng tương quan cùng chiều với các khoản nợ xấu trước khi bắt đầu đầu cuộc khủng hoảng tài chính toàn cầu năm 2007, nhưng tương quan nghịch chiều với các khoản nợ xấu sau khi bắt đầu cuộc khủng hoảng Kết quả cho thấy cuộc khủng hoảng tài chính toàn cầu năm 2007 đã làm thay đổi mối liên hệ giữa tăng trưởng tín dụng và nợ xấu Một ngụ ý của những kết quả này là cuộc khủng hoảng này đã thay đổi cơ chế cho vay ngân hàng ảnh hưởng đến các khoản nợ xấu cho các ngân hàng tại Nhật Bản Điều này được cho là do các nước đang chịu áp lực giảm phát để kích thích tăng trưởng kinh tế nhưng có liên quan đến nguy cơ tiềm ẩn lớn hơn trong hệ thống ngân hàng không phải lúc nào cũng dẫn đến mức nợ xấu cao hơn Ngoài ra, tác giả còn khẳng định tăng tỷ lệ tăng trưởng tín dụng và nợ xấu không ảnh hưởng đến lợi nhuận.
2.2.2 Các nghiên cứu trong nước về các nhân tố tác động đến nợ xấu Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013), thu thập từ 10 NHTM lớn hoạt động trong giai đoạn 2005 – 2006 đến 2010 – 2011 Các biến vĩ mô gồm tốc độ tăng trưởng GDP thực tế, tỷ lệ thất nghiệp hàng năm, tỷ lệ lạm phát; các biện nội tại của ngân hàng gồm: quy mô ngân hàng, tỷ lệ nợ xấu năm trước, tốc độ tăng trưởng tín dụng và dư nợ trên tổng tài sản Các yếu tố vĩ mô như lạm phát và tốc độ tăng trưởng GDP tác động đáng kể đến mức độ nợ xấu trong giai đoạn nghiên cứu Tốc độ tăng trưởng GDP tại thời điểm hiện tại và nợ xấu có mối quan hệ ngược chiều, khi nền kinh tế tăng trưởng chậm, mức độ nợ xấu trong tương lai tăng lên Khi lạm phát cao, dẫn đến nợ xấu tăng Các yếu tố vi mô: quy mô ngân hàng, nợ xấu năm trước tỷ lệ thuận với tỷ lệ nợ xấu năm tiếp theo; tăng trưởng tín dụng tại thời điểm hiện tại và sau một năm đều có ảnh hưởng rất mạnh đến nợ xấu Mặc dù tăng trưởng tín dụng của thời điểm hiện tại có quan hệ ngược chiều với nợ xấu nhưng tác động ngược lại xảy ra sau một năm Như vậy, tăng trưởng tín dụng cao chưa làm tăng nợ xấu ngay lập tức mà sau một năm Tỷ lệ nợ trên tổng tài sản tác động tích cực đến nợ xấu, có nghĩa là các NHTM chấp nhận rủi ro cao có khả năng dẫn đến nợ xấu cao hơn.
Bùi Duy Tùng và Đặng Thị Bạch Vân (2015), sử dụng phương pháp dữ liệu bảng động để đánh giá ảnh hưởng của các yếu tố nội tại đến nợ xấu các NHTM Việt Nam giai đoạn 2004 – 2014 Sau khi xử lý GMM hai bước với các biến vĩ mô làm biến kiểm soát, kết quả cho thấy nợ xấu các NHTM Việt Nam chịu tác động nghịch chiều bởi các yếu tố nội tại của ngân hàng (chất lượng quản trị, rủi ro đạo đức); mức độ kiểm soát của chủ sở hữu cùng chiều với tỷ lệ nợ xấu (ngược chiều so với cơ sở lý thuyết).
Lê Hoàng Anh và Mai Thị Phương Thùy (2015) sử dụng phương pháp vector tự hồi quy (Vector Autogression – VAR), dữ liệu chuỗi tời gian theo quý từ quý IV năm 2006 đến quý I năm 2015 Các biến được sử dụng trong nghiên cứu gồm: tốc độ tăng trưởng GDP, chỉ số giá tiêu dùng, tăng trưởng tín dụng được tác giả đưa vào
NHTM Việt Nam Kết quả kiểm định nhân quả Granger cho thấy không tồn tại mối quan hệ hai chiều giữa nợ xấu của hệ thống NHTM Việt Nam và các biến chỉ số giá tiêu dùng, tăng trưởng tín dụng - mối quan hệ giữa các biến này là quan hệ một chiều.
Nguyễn Thị Hồng Vinh (2015), phân tích các yếu tố tác động đến nợ xấu của hệ thống NHTM Việt Nam giai đoạn 2007 – 2014 Ba mô hình ước lượng dữ liệu bảng là FE, DGMM và SGMM được sử dụng để kiểm định Kết quả nghiên cứu cho thấy các yếu tố đặc thù và vĩ mô đều có tác động quan trọng đến nợ xấu của hệ thống NHTM Việt Nam Trong đó, khả năng sinh lời và tăng trưởng kinh tế là những yếu tố chính có tác động ngược chiều đến nợ xấu của hệ thống NHTM Việt Nam Ngoài ra, nợ xấu trong quá khứ, quy mô ngân hàng, tăng trưởng tín dụng tác động cùng chiều đến nợ xấu Đặc biệt, phương pháp GMM hệ thống cung cấp bằng chứng vốn chủ sở hữu và lạm phát tác động có ý nghĩa đến tỷ lệ nợ xấu của các NHTM Việt Nam.
MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
MÔ HÌNH NGHIÊN CỨU VÀ GIẢ THUYẾT NGHIÊN CỨU
Dựa trên cơ sở lý thuyết, các nghiên cứu trong và ngoài nước trước đây đã được đề cập trong chương 2 của nghiên cứu này, có thể thấy rằng có rất nhiều yếu tố ảnh hưởng đến nợ xấu được tìm thấy trên thế giới Tác giả nhận thấy trong nhiều yếu tố tác động đến nợ xấu, bao gồm các yếu tố vĩ mô như tốc độ tăng trưởng GDP, tỷ lệ lạm phát, tỷ lệ thất nghiệp Các yếu tố vi mô thuộc ngân hàng là quy mô ngân hàng, tỷ lệ tăng trưởng tín dụng, tỷ lệ ROE Đồng thời, sau khi xem xét thực trạng nợ xấu của các NHTM Việt Nam hiện nay, tác giả thấy rằng nguyên nhân chính dẫn đến tình trạng nợ xấu trong giai đoạn 2006 đến nay có thể là do những yếu tố đã đề cập ở trên Do đó, tác giả lựa chọn 07 nhân tố để sử dụng trong mô hình nghiên cứu cho đề tài.
NPLit = ∝ 𝑁𝑃𝐿it-1 + 𝛽(𝐿)𝑋it + 𝛾𝑀it + 𝜀it, , | ∝ | < 1, 𝑖 = 1, … , 𝑛
- i và t biểu thị đường chéo và chiều thời gian trong mẫu dữ liệu bảng tương ứng, NPLit là biến phụ thuộc, được xác định bằng logarit của tỷ lệ nợ xấu ngân hàng thứ i trong năm t Theo Nguyễn Thị Hồng Vinh (2015), Nguyễn Tuấn Kiệt và Định Hùng Phú (2016), điều này nhằm đảm bảo biến phụ thuộc nằm trong khoảng [-
∞; +∞] và được phân phối đối xứng
- Biến phụ thuộc NPLit được giải thích bởi độ trễ của nó là NPLit-1 hay tỷ lệ nợ xấu năm trước đó (NPLit), 𝛽(𝐿) biểu thị độ trễ vecto đa thức Xit là vecto của biến các yếu tố vi mô đặc thù của ngân hàng (ngoài biến nợ xấu trong quá khứ) bao gồm: khả năng sinh lời (ROEit), tỷ lệ tăng trưởng tín dụng (CREDITit), quy mô ngân hàng (SIZEit) Các biến này cũng được lấy giá trị logarit tự nhiên.
- Mit là các biến các yếu tố vĩ mô gồm: tỷ lệ lạm phát (INFit), tốc độ tăng trưởng kinh tế (GDPit), tỷ lệ thất nghiệp (UNTit)
Hình 3.1 Sơ đồ khung nghiên cứu
Nguồn: Tác giả đề xuất
Biến phụ thuộc của mô hình là tỷ lệ nợ xấu trên tổng dư nợ (NPLit) Biến này đo lường chất lượng tài sản của ngân hàng, được tính bằng giá tổng giá trị nợ dưới tiêu chuẩn (nợ nhóm 3), nợ nghi ngờ (nợ nhóm 4), nợ có khả năng mất vốn (nợ nhóm 5) chia cho tổng dư nợ tín dụng sau khi lấy giá trị logarit tự nhiên.
𝑇ổ𝑛g 𝑑ư 𝑛ợ ) Nhiều ngân hàng sử dụng chỉ tiêu NPL khi thực hiện các nghiên cứu về nợ xấu các ngân hàng Tiêu biểu trên thế giới có Ekanayake (2015), Al-Khazali và cộng sự (2017) và tại Việt Nam có nghiên cứu của Nguyễn Thị Hồng Vinh (2015), Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2016) …
Nhân tố vi mô: Đây là nhóm nhân tố lớn trong việc phát sinh nợ xấu Phần lớn các khoản nợ xấu có thể phòng tránh và kiểm soát nếu bản thân ngân hàng chủ động hạn chế các tác động tiêu cực của các nhân tố vi mô.
+ Quy mô ngân hàng (SIZE it ) thể hiện năng lực thị trường của ngân hàng đó.
Cách đo lường: Quy mô ngân hàng được đo lường bằng cách lấy logarit tự nhiên của tổng tài sản.
Hầu hết các kết quả nghiên cứu theo tác giả thống kê thì yếu tố quy mô ngân hàng tác động cùng chiều đến tỷ lệ nợ xấu Cụ thể, có thể kể đến nghiên cứu của Rajan & Dhal (2003), Ghosh (2015), Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013), Nguyễn Thị Hồng Vinh (2015), Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2015).
Trong khi đó, tương quan nghịch chiều giữa quy mô và nợ xấu cũng được tìm thấy trong nghiên cứu của Salas và Suarina (2002).
Ngân hàng với tổng tài sản lớn thể hiện quy mô ngân hàng lớn Quy mô ngân hàng lớn cho phép các NHTM có điều kiện để đầu tư cải thiện quy trình tín dụng, chất lượng quản trị rủi ro cũng như nguồn nhân lực chất lượng cao Đồng thời, quy mô ngân hàng lớn cùng với thị phần cao cho phép các NHTM có thể đa dạng hóa hoạt động tín dụng của mình, từ đó giúp giảm thiểu rủi ro tập trung tín dụng (Louzis, 2012)
Từ kết quả các nghiên cứu trước và lý thuyết về quy mô ngân hàng trình bày ở trên, nghiên cứu đưa ra giả thuyết như sau:
Giả thuyết H 0 : Quy mô ngân hàng tác động cùng chiều đến nợ xấu.
Tăng trưởng tín dụng = 𝑙𝑜𝑔𝑎𝑟𝑖𝑡 (𝐷ư 𝑛ợ 𝑛ă𝑚 ℎ𝑖ệ𝑛 𝑡ạ𝑖−𝐷ư 𝑛ợ 𝑛ă𝑚 𝑡𝑟ướ𝑐
𝐷ư 𝑛ợ 𝑛ă𝑚 𝑡𝑟ướ𝑐 ) Các nghiên cứu về ảnh hưởng của yếu tố tăng trưởng tín dụng có các kết quả không thống nhất.
Một phần các nghiên cứu trước chỉ ra rằng tỷ lệ nợ quá hạn và nợ xấu có liên quan đến tốc độ tăng trưởng tín dụng nhanh chóng Keeton (1999) sử dụng dữ liệu nghiên cứu từ các ngân hàng thương mại tại Hoa Kỳ từ 1982 – 1996 và một mô hình hồi quy đa hướng chỉ ra mối liên hệ giữa tăng trưởng tín dụng nhanh chóng và tỷ lệ nợ xấu Salas và Saurina (2002) đã nghiên cứu các ngân hàng Tây Ban Nha phát hiện ra rằng tăng trưởng dư nợ cho vay có liên quan đến khoản vay không khả năng thanh toán Weinberg (1995) đưa ra giả thuyết rằng rủi ro cho vay tăng trong thời kỳ phát triển kinh tế vì lợi nhuận kỳ vọng từ các dự án đầu tư được cải thiện và do đó, lợi nhuận kỳ vọng từ tất cả các khoản vay đã khiến ngân hàng thường xuyên nới lỏng các tiêu chuẩn bảo lãnh phát hành, trong khi hoạt động tín dụng cần được dụng Ngoài ra, các kết quả nghiên cứu của Klein (2013), Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013) và Nguyễn Thị Hồng Vinh (2015) cũng đồng quan điểm trên.
Trong khi đó, nghiên cứu của Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2016) lại cho rằng tốc độ tăng trưởng tín dụng tương quan nghịch với nợ xấu Điều này được lý giải là trong giai đoạn nghiên cứu ở Việt Nam các khoản tín dụng của các ngân hàng thường sau một năm mới phát sinh nợ xấu, có nghĩa là nếu năm nay ngân hàng tăng trưởng tín dụng thấp vì năm trước đó ngân hàng có tỷ lệ nợ xấu cao, nên ngân hàng phải bắt buộc tập trung xử lý nợ xấu kèm theo việc hạn chế tăng trưởng tín dụng do áp đặt của ngân hàng Nhà nước.
Vì vậy, tác giả kỳ vọng nợ xấu bị ảnh hưởng cùng chiều với tốc độ tăng trưởng tín dụng.
Giả thuyết H 0 : Tốc độ tăng trưởng tín dụng tác động thuận chiều với tỷ lệ nợ xấu.
+ Khả năng sinh lời của ngân hàng (ROE it )
Cách đo lường: bằng logarit tự nhiên của ( 𝑙ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế )
Hầu hết các nghiên cứu thực nghiệm khóa luận tiếp cận được đều có kết quả nghiên cứu là nợ xấu và khả năng lời của ngân hàng có quan hệ ngược chiều: Klein
(2013), Ghosh (2015), Lê Hoàng Anh và Mai Thị Phương Thùy (2015), Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2016).
Thật vậy, một ngân hàng có khả năng sinh lời cao sẽ có ít động cơ tham gia vào các hoạt động cấp tín dụng với rủi ro cao Ngược lại, những ngân hàng hoạt động kém hiệu quả sẽ cố gắng sinh lời bằng việc cấp các khoản tín dụng không đạt chuẩn, do đó tại các gân hàng này dễ dàng nảy sinh các khoản nợ xấu hơn.
Vấn đề này cũng rất hợp lý khi các ngân hàng Việt Nam lợi nhuận thu được chủ yếu là từ hoạt động tín dụng, cho nên khi lợi nhuận các hàng này cao thì chất lượng các khoản vay của các ngân hàng này tốt, nên vốn và lãi được thu hồi đầy đủ và nợ xấu sẽ thấp (Nguyễn Tuấn Kiệt & Đinh Hùng Phú (2016).
Vì vậy, tác giả đưa ra giả thuyết cho mô hình nghiên cứu như sau:
Giả thuyết H 0 : Khả năng sinh lời của ngân hàng tác động ngược chiều với tỷ
+ Tỷ lệ nợ xấu kỳ trước (NPL it-1 )
Cách đo lường: NPL it-1= logarit(𝑁ợ 𝑛ℎó𝑚 3+𝑁ợ 𝑛ℎó𝑚 4+𝑁ợ 𝑛ℎó𝑚 5
𝑇ổ𝑛g 𝑑ư 𝑛ợ ) Theo Marki và cộng sự (2014), việc thu hồi nợ không hiệu quả là nguyên nhân tăng nợ xấu cũng như những khó khăn gặp phải khi xử lý các khoản nợ xấu Thêm vào đó, các khoản nợ xấu tồn đọng các năm trước đến hiện tại chưa được giải quyết triệt để thì sẽ làm tăng nợ xấu trong năm hiện tại.
Giả thuyết H 0 : Tỷ lệ nợ xấu kỳ trước tác động thuận chiều với tỷ lệ nợ xấu năm hiện tại
Nhân tố vĩ mô: Các nhân tố vĩ mô gây ra nợ xấu là những nhân tố xuất phát từ môi trường bên ngoài mà ngân hàng không thể kiểm soát và diễn ra ngoài ý muốn, không thể dự đoán một cách chính xác.
+ Tốc độ tăng trưởng kinh tế GDP
DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.2.1.Dữ liệu nghiên cứu Đối với các dữ liệu vi mô từ ngân hàng: Khóa luận thu thập từ báo cáo tài chính của 25 NHTMCP Việt Nam 5 trong giai đoạn 2006 – 2016 Lý do luận văn chỉ sử dụng dữ liệu của 25 ngân hàng này trong giai đoạn được đề cập vì trong giai đoạn này chỉ có 25 NHTMCP công bố đủ dữ liệu mà luận văn cần Các ngân hàng được chọn đáp ứng tiêu chí còn tồn tại và hoạt động cho tới hết năm 2016, có số liệu thống kê liên tục trong 10 năm
Với một số dữ liệu vĩ mô, tác giả lấy từ các nguồn uy tín như: tốc độ tăng trưởng kinh tế GDP, tỷ lệ lạm phát và tỷ lệ thất nghiệp được lấy từ số liệu thống kê của World Bank, IMF.
3.2.2.Phương pháp nghiên cứu Để đo lường tác động của các nhân tố vĩ mô và vi mô đến nợ xấu ngân hàng, tác giả sử dụng phương pháp phân tích dữ liệu bảng (panel data) với ba phương pháp khác nhau: phương pháp pooled OLS, phương pháp random effects (REM) và phương pháp fixed effects (FEM) Tuy nhiên, việc ước lượng theo mô hình pooled OLS không phản ánh được tác động riêng biệt, mang tính đặc thù của từng ngân hàng Do đó, để khắc phục hạn chế này ở mô hình pooled OLS, nghiên cứu sử dụng Hausman test để lựa chọn giữa FEM và REM Giả thuyết H0 làm nền tảng cho kiểm định Hausman là tác động cá biệt của mỗi đơn vị chéo không gian không có tương quan với các biến hồi quy khác trong mô hình Nếu có tương quan (giả thuyết H0 bị từ chối), mô hình hồi quy theo REM sẽ cho kết quả bị thiên lệch, vì vậy mô hình theo FEM được ưa thích hơn.
Tiếp theo, tác giả kiểm định các khuyết tật của mô hình FEM:
- Kiểm định hiện tượng đa cộng tuyến bằng ma trận tương quan giữa các biến và hệ số nhân tử phóng đại VIF để loại trừ các biến có mối liên hệ với nhau.
-Hiện tượng phương sai thay đổi thông qua đồ thị và kiểm định Wald.
- Hiện tượng tư tương quan thông qua phương pháp Durbin Watson
Kết quả cho thấy mô hình FEM có hiện tượng phương sai thay đổi.
Sau đó, mô hình Generalized method of moments (GMM) được sử dụng để khắc phục hiện tượng nội sinh và phương sai thay đổi Trong đó, hiện tượng biến nội sinh (được miêu tả qua biến khác) là biến độc lập trong mô hình có quan hệ hai chiều với biến phụ thuộc và/hoặc bị phần dư của mô hình tác động Để khắc phục hiện tượng này, Lars Peter Hansen (1982) đã phát triển đưa thêm biến công cụ (có quan hệ chặt với biến độc lập, phụ thuộc trong mô hình cũ những không có quan hệ với phần dư) Trong nghiên cứu này, các biến SIZEit, CREDITit, ROEit được xếp vào nhóm các biến được công cụ và được lấy giá trị độ trễ thứ nhất Còn các biến NPLit-1, GDPit, INFit và UNTit được xếp vào nhóm các biến công cụ và giá trị hiện tại của chúng là công cụ thích hợp Tính hợp lý của các biến công cụ được sử dụng trong phương pháp GMM được đánh giá qua các thống kê Sargan (1958) và để kiểm định Sargan (1958) không bị yếu thì số lượng các biến công cụ được lựa chọn phải nhỏ hơn hoặc bằng số lượng các nhóm đối tượng nghiên cứu (số liệu mỗi ngân hàng trong giai đoạn 2006 – 2016 được xem là một nhóm, do đó nghiên cứu này có
25 nhóm tương ứng với 25 ngân hàng) Bên cạnh đó, kiểm định Arellano & Bond –
AR (1991) để kiểm tra tính chất tự tương quan của phương sai sai số mô hình GMM ở dạng sai phân và sử dụng tương quan ở bậc hai AR (2) vì nó kiểm tra tự tương quan ở mọi cấp độ Tuy nhiên, kết quả mô hình cho thấy kiểm định Sargan không thỏa điều kiện, mặc dù các điều kiện khác đều thỏa Do đó, phương pháp GMM trong dữ liệu nghiên cứu này là chưa khả thi.
Cuối cùng, tác giả sử dụng phương pháp bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares – FGLS) để kiểm soát được hiện tượng phương sai thay đổi Phương pháp này sẽ ước tính mô hình theo phương pháp OLS (ngay cả trong trường hợp có sự tồn tại của hiện tượng phương sai thay đổi hay tự tương quan) Các sai số được rút ra từ mô hình sẽ được dùng để ước tính ma trận phương sai – hiệp phương sai của sai số Cuối cùng, sử dụng ma trận này để chuyển đổi các tham số cần tìm trong mô hình Kết quả p-value mô hình có ý nghĩa về mặt thống kê cao ở mức 1% Vì vậy các hệ số trong mô hình FGLS được lựa chọn làm kết quả cuối cùng của khóa luận.
Mục tiêu của chương này là đề xuất mô hình nghiên cứu cụ thể, cách chọn biến, giả thuyết nghiên cứu và lý giải lý do chọn biến trong mô hình Đồng thời, chương này trình bày rõ các nguồn dữ liệu được thu thập và cách đo lường các biến Đặc biệt, phương pháp ước lượng mô hình và các kiểm định lần lượt được tác giả làm rõ.
Chương 4 sẽ trình bày các kết quả nghiên cứu về tác động của các nhân tố đến nợ xấu cùng với thảo luận ý nghĩa của kết quả đạt được.
KẾT QUẢ NGHIÊN CỨU THỰC NGHIỆM
THỐNG KÊ MÔ TẢ
Đầu tiên, về đặc điểm mẫu nghiên cứu, hiện nay, có nhiều kỹ thuật để xác định kích thước mẫu đại diện cho mẫu tổng thể Một trong những kỹ thuật xác định kích thước mẫu dựa trên kinh nghiệm của Green (1991), tác giả khuyến nghị công thức xác định cỡ mẫu nghiên cứu như sau: n ≥ 50 + 8m (2)
Trong đó, n là kích thước mẫu tối thiểu cần thiết và m là số lượng biến độc lập trong mô hình.
Với công thức (2) và số biến độc lập trong mô hình (1) đã xây dựng ở chương
3, ta có kích thước mẫu tối thiểu là 106 số quan sát.
Ngoài ra, Tabachnick và Fidell (2007) cho rằng công thức xác định kích thước mẫu đủ lớn để kết quả hồi quy được thuyết phục hơn là: n ≥ 104 + m (3)
Như vậy, theo công thức (3), kích thước mẫu tối thiểu là 111 số quan sát.
Trong nghiên cứu này, mẫu nghiên cứu được hình thành từ việc thu thập dữ liệu của 25 ngân hàng TMCP hoạt động trên lãnh thổ Việt Nam có báo cáo tài chính, báo cáo thường niên được công bố công khai trong giai đoạn từ năm 2006 đến 2016 Do có một số ngân hàng mới công bố công khai trong vài năm gần đây và một số ngân hàng đã tiền hành hợp nhất, sáp nhập số liệu nên mẫu nghiên cứu sau cùng là 275 số quan sát Số quan sát này mẫu nghiên cứu thỏa điều kiện ở công thức
Sau đó, để có một bức tranh cụ thể về các biến quan sát, khóa luận sử dụng số trung bình, độ lệch chuẩn, giá trị lớn nhất và giá trị nhỏ nhất để làm rõ hơn về những đặc trưng của các biến quan sát trong mẫu nghiên cứu Lưu ý là giá trị các biến đã được lấy giá trị logarit tự nhiên nhằm đảm bảo điều kiện giá trị nằm trong khoảng [-∞; +∞] và được phân phối đối xứng.
Bảng 4.1 Thống kê mô tả các biến trong mô hình
Trung bình Độ lệch chuẩn Giá trị nhỏ nhất Giá trị lớn nhất
Nguồn: Kết xuất từ phần mềm Stata 13
Như vậy, bảng 4.1 mô tả giá trị trung trình, độ lệch chuẩn, giá trị nhỏ nhất và giá trị lớn nhất Cỡ mẫu nghiên cứu gồm 275 - 269 quan sát cho mỗi biến Đây là cỡ mẫu chấp nhận được để thực hiện hồi quy trong thống kê.
KẾT QUẢ MÔ HÌNH NGHIÊN CỨU
4.2.1 Phân tích tương quan mô hình nghiên cứu
Bảng 4.2 Kết quả phân tích tương quan các biến trong mô hình nghiên cứu
Biến NPL it NPL it-1 GDP it INF it UNT it CREDIT i t ROE it SIZE it
Nguồn: Kết xuất từ phần mềm Stata 13
Hệ số tương quan đơn tuyến tính giữa các cặp biến Pearson dùng để chỉ mối quan hệ giữa các biến trong mô hình Dựa vào kết quả ma trận tương quan, tác giả sẽ phân tích mối tương quan giữa các biến phụ thuộc với các biến độc lập trong mô hình và mối tương quan giữa các biến độc lập với nhau Theo đó, dựa vào bảng 4.2
Kết quả phân tích tương quan mô hình nghiên cứu, có thể thấy các biến độc lập gồm
GDPit, INFit, UNTit, CREDITit tác động ngược chiều đến NPLit; các biến độc lập còn lại gồm NPLit-1, ROEit, SIZEit ảnh hưởng cùng chiều với NPLit. Để phát hiện hiện tượng đa cộng tuyến giữa các biến, ta xem xét ma trận tương quan giữa các biến Theo Farrar & Glauber (1967), Gujarati (1995) và White
(1998), nếu hệ số tương quan cặp vượt quá 0,8 thì phương trình hồi quy sẽ gặp vấn đề đa cộng tuyến Do đó, để giảm tối đa hiện tượng đa cộng tuyến, tác giả tiến hành kiểm tra sự tương quan giữa các biến để loại bỏ biến không cần thiết ra khỏi mô hình Có thể nhận thấy các cặp biến ở mô hình đều có hệ số tương quan nhỏ hơn
0,8 Tác giả kiểm tra lại bằng phương pháp phóng đại nhân tử phương sai VIF phóng đại VIF của các biến đều nhỏ hơn 10 Do đó, không có hiện tượng đa cộng tuyến nghiêm trọng hay hiện tượng tự tương quan giữa các biến độc lập trong mô hình.
Bảng 4.3 Kết quả sử dụng VIF để kiểm định hiện tượng đa cộng tuyến
Nguồn: Kết xuất từ phần mềm Stata 13
4.2.2.Lựa chọn mô hình phù hợp
- Kết quả mô hình Pooled OLS, REM và FEM
Kết quả chạy hồi quy mô hình Pooled OLS, FEM và REM lần lượt được trình bày trong bảng 4.4:
Bảng 4.4 Tổng hợp kết quả mô hình nghiên cứu Pooled OLS, FEM và REM
Biến POOLED OLS REM FEM
Nguồn: Tổng hợp của tác giả
Ghi chú: số liệu ở trong dấu ngoặc () là sai số chuẩn của hệ số hồi quy Ký hiệu *, **, *** có ý nghĩa thống kê lần lượt tại 10%, 5%, 1%.
Dựa vào bảng 4.4 tác giả nhận xét kết quả như sau: Đầu tiên, nghiên cứu tiến hành ước lượng hồi quy theo mô hình POOLED OLS, REM, FEM Kết quả bảng 4.3 cho thấy R 2 lần lượt của POOLED OLS, REM, FEM là 34,46%, 34,46%, 14,53% Điều này thể hiện rằng các biến độc lập được sử dụng trong mô hình có thể đã giải thích được 34,46%, 34,46%, 14,53% sự thay đổi trong tỷ lệ nợ xấu của các ngân hàng.
Giá trị p-value của mô hình được ước lượng theo 3 phương pháp trên đều là 0,0000 – giá trị này nhỏ hơn ∝ = 0,01 Như vậy, ước lượng của ba phương pháp này đều có ý nghĩa thống kê.
Theo kết quả ở cột 1 của bảng 4.3, hệ số hồi quy của các biến GDPit, UNTit, INFit, NPLit-1 đều có ý nghĩa về mặt thống kê Trong đó, biến GDPit, UNTit tác động ngược chiều đến NPLit với mức ý nghĩa 1%, còn biến INFit và NPLit-1 tác động cùng chiều với NPLit với mức ý nghĩa lần lượt là 10%, 1% Tuy nhiên, các biến SIZEit,
CREDITit mặc dù có tác động ngược chiều lên NPLit nhưng lại không có ý nghĩa thống kê Ngoài ra còn biến ROEit có tác động cùng chiều với tỷ lệ nợ xấu nhưng cũng không có ý nghĩa thống kê.
Tuy nhiên, việc ước lượng theo mô hình Pooled OLS không phản ánh được tác động riêng biệt, mang tính đặc thù của từng ngân hàng Do đó, để khắc phục hạn chế này ở mô hình Pooled OLS, nghiên cứu tiếp tục lựa chọn ước lượng mô hình hồi quy theo phương pháp tác động cố định FEM và tác động ngẫu nhiên REM Kết quả hồi quy cho thấy kết quả mô hình REM có các thông số giống với mô hình Pooled OLS, còn mô hình FEM thì các biến GDPit, UNTit, INFit, NPLit-1 đều cùng dấu với mô hình Pooled OLS và có ý nghĩa nhưng mức độ tác động và mức ý nghĩa lại có sự khác nhau ở 2 mô hình Bên cạnh đó, ở mô hình FEM có thêm một biến có ý nghĩa ở mức 5% là biến ROEit – ngược dấu với tỷ lệ nợ xấu ngân hàng.
Vì vậy, để xác định mô hình nào phù hợp hơn, nghiên cứu thực hiện kiểm định Hausman Test để chọn lựa giữa mô hình FEM và REM.
Cả hai mô hình FEM và REM đều phù hợp nên tác giả sẽ dùng kiểm định Hausman Test (Green, 2008) với giả thuyết H0 – REM hiệu quả hơn, không có sự tương quan giữa sai số đặc trưng giữa các ngân hàng với các biến giải thích trong mô hình Qua đó, kiểm soát các yếu tố đặc trưng của mỗi ngân hàng có khả năng tác động đến nợ xấu.
Bảng 4.5 Kiểm định Hausman để lựa chọn giữa REM và FEM
Test: H0: difference in coefficients not systemtic Chi2(7) = (b-B)‟[(V_b-V_B) ^ (-1)] (b-B)
= 23,48 Prob > chi2 = 0,0014 (V_b-V_B is not positive definite)
Nguồn: Kết xuất từ phần mềm Stata 13
Kiểm định cho kết quả p-value = 0,0014 < ∝ = 0,05 Với mức ý nghĩa 1%, ta bác bỏ giả thuyết H0, tức mô hình FEM được chọn Như vậy, trong ba mô hình Pooled OLS, REM và FEM khi hồi quy dữ liệu bảng thì mô hình FEM là phù hợp nhất với tổng thể số liệu nghiên cứu các nhân tố tác động đến tỷ lệ nợ xấu tại các NHTM.
4.2.3.Kiểm định các giả thiết hồi quy mô hình nghiên cứu
Với việc lựa chọn mô hình FEM, các kiểm định phương sai sai số thay đổi và tự tương quan cần được thực hiện để đảm bảo rằng mô hình không vi phạm những giả định về sự phù hợp của mô hình.
- Kiểm định tự tương quan
Khi sử dụng mô hình FEM thì sẽ không còn lo ngại hiện tượng tự tương quan vì mô hình FEM chỉ quan tâm đến những khác biệt mạng tính cá nhân đóng góp vào mô hình nên sẽ không có hiện tượng tự tương quan trong mô hình Tuy nhiên, tác giả vẫn thực hiện kiểm định Durbin – Watson để đảm bảo điều kiện này:
Giả thuyết H o : Không có tự tương quan bậc nhất
Bảng 4.6 Kiểm định hiện tự tương quan trong mô hình FEM
Variable Coefficient Std Error t-Statistic Prob.
Effects Specification Cross-section fixed (dummy variables)
Nguồn: Kết xuất từ phần mềm Eview 8
Ta có: 1 < giá trị Durbin-Watson = 2,003961 < 3 Do vậy, tác giả kết luận mô hình không có hiên tượng tự tương quan.
S.E of regression 0.613546 Akaike info criterion 1.995708
Sum squared resid 70.01768 Schwarz criterion 2.492514
Log likelihood -185.5321 Hannan-Quinn criter 2.196375
- Kiểm định hiện tượng phương sai thay đổ i
Hình 4.1 Kết quả đồ thị phương sai của mô hình
Nguồn: Kết xuất từ phần mềm Eview 8
Quan sát hình 4.1, đồ thị phần dư có sự phân tán khá ít Như vậy, hiện tượng phương sai thay đổi có thể xảy ra trong mô hình. Để có kết luận, tác giả dùng kiểm định Wald trong stata để phát hiện xem mô hình hồi quy theo FEM có bị phương sai và sai số thay đổi hay không (nhằm để đảm bảo các giá trị thống kê của các hệ số hồi quy là đáng tin cậy).
ACB - 0 6 ACB - 1 6 ABB - 15 VietCap italBank - 14 LPB - 13 VietinBa nk - 12 BIDV - 11 EAB - 10 Seaba nk - 09 KLB - 08 MSB - 07 TECHCOMBANK - 06 TECHCOMBANK - 16 NAMABANK - 15 VCB - 1 4 HDBan k - 13 OCB - 12 MBB - 11 VIB - 10 NCB - 09 SGB - 08 SHB - 0 7 Sacomba nk - 06 Sacomba nk - 16 VIETABank - 15 VPBank - 14 PGBank - 13 Eximban k - 12
Bảng 4.7 Kiểm định Wald để kiểm tra hiện tượng phương sai thay đổi
Modified Wald test for groupwise heteroskedastricity in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i Chi2 (25) = 266,86
Nguồn: Kết xuất từ phần mềm Stata 13
THẢO LUẬN KẾT QUẢ NGHIÊN CỨU
Nghiên cứu các nhân tố tác động đến nợ xấu của các NHTM Việt Nam trong giai đoạn 2006 – 2016 sử dụng số liệu nghiên cứu từ 25 NHTMCP Việt Nam đã tìm ra tác động cụ thể của các nhân tố vi mô và vĩ mô.
4.3.1 Biến nợ xấu trong quá khứ
Hệ số hồi quy của NPLit-1 là 0,5427097 và giá trị p-value của hệ số này là 0,000 nhỏ hơn mức ý nghĩa ∝ = 0,01 Như vậy, có thể kết luận rằng tỷ lệ nợ xấu năm trước có mối tương quan thuận chiều với tỷ lệ nợ xấu năm hiện tại (NPLit) với mức ý nghĩa thống kê tại mức 1% Kết quả này phù hợp với kỳ vọng về dấu của tác giả và đồng thời chấp nhận giả thuyết: Tỷ lệ nợ xấu năm trước có tác động thuận chiều (tương quan dương) mạnh mẽ đến tỷ lệ nợ xấu năm hiện tại Như vậy, trong điều kiện tất cả các yếu tố không đổi, khi biến NPLit-1 tăng 1 đơn vị thì tác động làm biến NPLit tăng 0,5427097 đơn vị, tức là làm cho nợ xấu ở hiện tại tăng lên Điều này cho thấy chất lượng tín dụng có xu hướng tăng ở năm trước sẽ kéo theo nợ xấu năm sau tăng và ngược lại Kết quả này cũng phù hợp với các nghiên cứu trước như Salas và Saurina (2002), Klein (2013), Đỗ Quỳnh Anh và Nguyễn Đức Hùng
Nợ xấu trong quá khứ cao thể hiện khả năng quản trị rủi ro trong cho vay của ngân hàng kém dẫn đến nợ xấu gia tăng trong hiện tại Một cú số với nợ xấu sẽ có ảnh hưởng lâu dài đối với hệ thống ngân hàng (Nguyễn Thị Hồng Vinh, 2015).
4.3.2 Biến tốc độ tăng trưởng tín dụng
Mô hình hồi quy có kết quả cho hệ số hồi quy biến CREDITit là -0,0886631 với giá trị p-value = 0,000 nhỏ hơn mức ý nghĩa thống kê tại ∝ = 0,01 Do đó, hệ số hồi quy này có giá trị về mặt thống kê Tác giả kết luận rằng tốc độ tăng trưởng tín dụng (CREDITit) giải thích được cho sự thay đổi của tỷ lệ nợ xấu Cụ thể, đây là mối quan hệ ngược chiều với mức ý nghĩa 1% Xét về mức độ tác động thì biến tốc độ tăng trưởng tín dụng có tác động yếu nhất trong các biến có ý nghĩa (𝛽=- 0,0886631) Kết quả này ngược chiều với dấu kỳ vọng ban đầu của tác giả.
Thật vậy, thực tế giai đoạn nghiên cứu 2006 – 2016 tại Việt Nam, trải qua thời kỳ suy giảm do ảnh hưởng của khủng hoảng kinh tế thế giới năm 2008 và chỉ phục hồi những năm sau đó Quan hệ ngược chiều giữa tăng trưởng tín dụng và tỷ lệ nợ xấu tại Việt Nam trong giai đoạn này phù hợp với chiều phục hồi của nền kinh tế sau khủng hoảng Môi trường vĩ mô từng bước ổn định hơn, nợ xấu suy giảm theo thời gian, cùng với đó là sự tăng về tăng trưởng tín dụng của nền kinh tế Khi tăng trưởng tín dụng ở mức kiểm soát được khi đó các khoản nợ vay có chất lượng sẽ được kiểm soát tốt và nợ xấu sẽ giảm Tăng trưởng tín dụng thể hiện sự tăng lên về nhu cầu của các khoản cho vay, nhu cầu vay nợ tài trợ cho các dự án hoạt động kinh doanh của nền kinh tế Sự tăng giá trị về tăng trưởng tín dụng thể hiện sự tăng trưởng của nền kinh tế, môi trường phát triển kinh tế tốt hơn so với những năm trước.
Mặt khác, kết quả ngược chiều này cũng được lý giải bởi các khoản tín dụng của các ngân hàng thường sau một năm mới phát sinh nợ xấu Nếu ngân hàng năm trước có tỷ lệ nợ xấu cao thì năm sau ngân hàng có tốc độ tăng trưởng tín dụng thấp vì ngân hàng bắt buộc phải tập trung xử lý nợ xấu và hạn chế tăng trưởng tín dụng bởi sự áp đặt của Ngân hàng Nhà nước (Nguyễn Tuấn Kiệt & Đinh Hùng Phú (2016).
Do đó, kết quả này có thể được xem là phù hợp.
4.3.3 Biến tốc độ tăng trưởng kinh tế GDP
Biến độc lập vĩ mô là tăng trưởng kinh tế có tác động ngược chiều với tỷ lệ nợ xấu với mức ý nghĩa 1% trong mô hình hồi quy cuối cùng FGLS Khi các yếu tố khác không đổi, tốc độ tăng trưởng kinh tế tăng 1 đơn vị thì tỷ lệ nợ xấu giảm 17,73401 đơn vị Đây là biến có tác động khá mạnh đến nợ xấu trong mô hình nghiên cứu thực nghiệm Kết quả này đúng với kỳ vọng ban đầu của tác giả và ủng hộ kết luận của các nhà nghiên cứu trước: Salas và Suarina (2002), Makri và cộng sự (2014), Nguyễn Thị Hồng Vinh (2015) … Điều này cũng hoàn toàn phù hợp với thực tiễn tại Việt Nam, trong giai đoạn nghiên cứu, nhìn chung nợ xấu của các NHTM gia tăng từ năm 2009 trong khi tăng trưởng kinh tế giai đoạn 2008 – 2015 thấp hơn giai đoạn 2005 – 2007.
Khi nền kinh tế tăng trưởng, thu nhập của cá nhân, hộ gia đình tăng sẽ khiến họ tiêu dùng nhiều hơn, tạo điều kiện cho các doanh nghiệp hoạt động có hiệu quả, thu nhập gia tăng và do đó khả năng thanh toán các khoản nợ dễ dàng hơn Ngược lại, khi kinh tế kém phát triển, hoạt động sản xuất kinh doanh bị trì trệ khiến họ không có khả năng trả nợ, từ đó khiến tỷ lệ nợ xấu các ngân hàng gia tăng.
4.3.4 Biến tỷ lệ lạm phát
Hệ số hồi quy của INFit là 1,76882 với giá trị p-value = 0,000 Do đó, biến tỷ lệ lạm phát có tương quan thuận chiều với tỷ lệ nợ xấu ở mức ý nghĩa 1% qua ước lượng FGLS Khi các yếu tố khác không thay đổi, tỷ lệ lạm phát tăng 1 đơn vị thì tỷ lệ nợ xấu tăng 1,76882 đơn vị Điều này phù hợp với kỳ vọng ban đầu của tác giả và các nghiên cứu trước đây.
Khi tỷ lệ lạm phát trong nền kinh tế tăng cao, NHNN thực hiện chính sách tiền tệ thắt chặt để chống lạm phát thì hoạt động tín dụng của các NHTM cũng sẽ bị ảnh hưởng Cụ thể, lãi suất cho vay tăng lên, chi phí đầu vào của doanh nghiệp bị đẩy lên, kèm theo đó là lãi suất tiền vay ngân hàng cao đã làm giảm hiệu quả kinh doanh của các doanh nghiệp vay vốn, từ đó ảnh hưởng trực tiếp đến khả năng trả nợ tiền vay của doanh nghiệp đối với các ngân hàng Bên cạnh đó, ngân hàng siết chặt việc cho vay sẽ dẫn đến tình trạng nền kinh tế thiếu tính thanh khoản, hoạt động sản xuất kinh doanh bị đình trệ, các doanh nghiệp chiếm dụng vốn lẫn nhau, mất khả năng thanh toán, nhiều doanh nghiệp, nhất là các doanh nghiệp vừa và nhỏ đứng trước nguy cơ phá sản, đẩy gánh nặng nợ xấu về phía các ngân hàng.
4.3.5 Biến tỷ lệ thất nghiệp
Hệ số hồi quy của biến tỷ lệ thất nghiệp là -32,87942 với mức ý nghĩa 1% Khi các yếu tố khác không thay đổi, nếu tỷ lệ thất nghiệp tăng 1 đơn vị thì tỷ lệ nợ xấu giảm -32,87942 đơn vị Điều này ngược dấu với kì vọng ban đầu và các nghiên cứu trước đây của các tác giả Messai, Jouini (2013), Klein (2013), Fillip (2015), Ghosh (2015), Makri, Tsagkanos & Bellas (2014) Câu hỏi đặt ra ở đây là liệu kết quả này có thể phù hợp với thực tế tại Việt Nam trong giai đoạn nghiên cứu của đề tài hay không.
Thật vậy, tình hình nợ xấu của các NHTM và tỷ lệ thất nghiệp Việt Nam trong giai đoạn 2009 – 2013 và năm 2015 ủng hộ cho kết quả nghiên cứu này của tác giả Mối tương quan nghịch chiều này có thể giải thích hai nguyên nhân như sau: tỷ trọng cho vay cá nhân tiêu dùng trên tổng dư nợ tín dụng vẫn còn thấp; Thứ hai đó là tỷ lệ thất nghiệp ở Việt Nam thấp và không biến động nhiều Do đó, về lý thuyết khi thất nghiệp tăng lên có thể dẫn đến gia tăng nợ xấu trong trường hợp số người thất nghiệp không có giao dịch tín dụng với ngân hàng ít thì nguy cơ rủi ro nợ xấu sẽ giảm xuống Nguyên nhân thứ hai xuất phát từ đặc thù thị trường tại Việt Nam cho phép người lao động có thể sẵn sàng làm bất kỳ công việc nào tuy khác với chuyên môn do đó tỷ lệ thất nghiệp ở Việt Nam thấp so với các nước trên thế giới và rất ít biến động Thất nghiệp dạng này gần với thất nghiệp tự nhiên của nền kinh tế Như vậy, điều này có nghĩa là tỷ lệ thất nghiệp tăng giảm không giải thích cho sự thay đổi của nợ xấu mà có thể nợ xấu thay đổi đơn thuần do những yếu tố khác tác động như GDP và các yếu tố ngân hàng.
Tóm lại, kết quả nghiên cứu của đề tài được tóm tắt trong bảng 4.10 được trình bày dưới dây:
Bảng 4.10 Tóm tắt kết quả nghiên cứu các nhân tố tác động đến nợ xấu của
Tên biến Kí hiệu Dấu kì vọng Kết quả Mức ý nghĩa
Tỷ lệ nợ xấu năm hiện tại NPLit
Tốc độ tăng trưởng kinh tế GDPit - - 1%
Tỷ lệ thất nghiệp UNTit + - 1%
Biến độc lập -Yếu tố vĩ mô Tỷ lệ lạm phát
Tỷ lệ nợ xấu năm trước NPLit-1 + + 1%
Quy mô ngân hàng SIZEit + - Không có ý nghĩa thống kê Tăng trưởng tín dụng của ngân hàng
Biến độc lập - Yếu tố vi mô
Khả năng sinh lời của ngân hàng ROEit - + Không có ý nghĩa thống kê
Nguồn: Tác giả tổng hợp
Trong chương 4, dựa trên cơ sở lý thuyết và mô hình đã xây dựng ở chương trước, tác giả đã lựa chọn được mô hình phù hợp cuối cùng là FGLS Kết quả mô hình nghiên cứu cho thấy có 05 nhân tố trong 07 nhân tố nghiên cứu tác động đến nợ xấu Cụ thể là tốc độ tăng trưởng tín dụng (-), tỷ lệ nợ xấu năm trước (+), tốc độ tăng trưởng kinh tế
(-), tỷ lệ lạm phát (+) và tỷ lệ thất nghiệp (-) với mức ý nghĩa thống kê cao (1%) Còn yếu tố hiệu quả sinh lời và quy mô tài sản, nghiên cứu chưa khẳng định được tác động đến nợ xấu bằng thực nghiệm.
Như vậy, các nhân tố tác động đến nợ xấu đã được xác định rõ Trong chương sau, tác giả sẽ dựa trên kết quả nghiên cứu và tình hình thực tế tại Việt Nam để đưa ra một số góp ý nhằm giảm tỷ lệ nợ xấu của hệ thống NHTM Việt Nam và một số hạn chế - hướng nghiên cứu tiếp theo của đề tài.
