Luận án tiến sĩ tài chính ngân hàng khả năng sinh lời của các ngân hàng thương mại việt nam trong bối cảnh khủng hoảng kinh tế thế giới

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH PHẠM HẢI NAM KHẢ NĂNG SINH LỜI CỦA CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM TRONG BỐI CẢNH KHỦNG HOẢNG KINH TẾ THẾ GIỚI LUẬN ÁN TIẾN SĨ TÀI CHÍNH NGÂN HÀNG TP HỒ CHÍ MINH - NĂM 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH PHẠM HẢI NAM KHẢ NĂNG SINH LỜI CỦA CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM TRONG BỐI CẢNH KHỦNG HOẢNG KINH TẾ THẾ GIỚI LUẬN ÁN TIẾN SĨ TÀI CHÍNH NGÂN HÀNG Chuyên ngành: Tài – Ngân hàng Mã số: 9.34.02.01 Người hướng dẫn khoa học: PGS.TSKH Nguyễn Ngọc Thạch PGS.TS Hà Văn Dũng TP HỒ CHÍ MINH - NĂM 2021 i LỜI CAM ĐOAN Luận án chưa được trình nộp để lấy học vị Tiến sĩ sở đào tạo Luận án cơng trình nghiên cứu riêng tác giả, số liệu, kết nêu Luận án trung thực chưa công bố hình thức trước đây, trích dẫn Luận án được ghi rõ nguồn gốc đầy đủ Nghiên cứu sinh Phạm Hải Nam ii LỜI CẢM ƠN Đầu tiên, tác giả muốn gửi lời tri ân sâu sắc tới tập thể giảng viên hướng dẫn: PGS.TSKH Nguyễn Ngọc Thạch tận tình bảo đặt nền móng, định hướng nghiên cứu suốt trình tác giả thực Luận án, PGS.TS Hà Văn Dũng có góp ý chi tiết q trình tác giả hồn thiện Luận án hỡ trợ tác giả việc công bố kết nghiên cứu Luận án Tác giả cũng xin gửi lời cảm ơn chân thành đến Ban lãnh đạo, cán phụ trách Khoa Sau Đại học – Trường Đại học Ngân hàng TP.HCM tạo điều kiện tốt để tác giả học tập hồn thành chương trình đào tạo Cuối cùng, xin cảm ơn gia đình, đặc biệt con, nguồn động viên tinh thần cho tác giả suốt năm học trường thời gian hoàn thành Luận án Sự giúp đỡ thành viên gia đình chính động lực giúp tác giả có thể nỡ lực để hoàn thành Luận án iii TÓM TẮT Luận án được thực nhằm nghiên cứu yếu tố tác động đến KNSL NHTM Việt Nam giai đoạn khủng hoảng hậu khủng hoảng kinh tế giới, so sánh chiều hướng tác động yếu tố hai giai đoạn; tác động khủng hoảng kinh tế giới đến KNSL NHTM Việt Nam Nghiên cứu được thực bằng phương pháp định tính định lượng theo phương pháp Bayes thông qua thuật toán lấy mẫu Gibbs nhằm thực mục tiêu nghiên cứu Dữ liệu được thu thập từ báo cáo tài chính 30 NHTM Việt Nam giai đoạn 2007 – 2018 Kết nghiên cứu cho thấy quy mô ngân hàng, vốn ngân hàng, dự phòng rủi ro tín dụng, dư nợ cho vay yếu tố có chiều hướng tác động đến KNSL NHTM Việt Nam hai giai đoạn toàn thời kỳ nghiên cứu Các yếu tố tài sản khoản, chi phí hoạt động có chiều hướng tác động thay đổi so sánh hai thời kỳ Ngoài ra, chi phí trả lãi, lạm phát, tăng trưởng kinh tế yếu tố tác động đến KNSL NHTM, mặc dù chiều hướng tác động khác lên tiêu ROA ROE Nghiên cứu cũng tìm thấy bằng chứng KNSL NHTM Việt Nam giai đoạn khủng hoảng tốt so sánh với giai đoạn hậu khủng hoảng kinh tế giới Ngoài ra, so sánh với phương pháp GMM hệ thống (SGMM), kết nghiên cứu cũng cho thấy NHTM Việt Nam đạt được KNSL cao giai đoạn khủng hoảng Từ kết nghiên cứu Luận án, tác giả đưa kết luận khuyến nghị ban lãnh đạo NHTM nhà hoạch định chính sách vĩ mô nhằm xây dựng hệ thống ngân hàng vững chắc, đảm bảo việc kinh doanh ngân hàng an toàn, lành mạnh, hạn chế tác động tiêu cực khủng hoảng kinh tế giới nâng cao hiệu hoạt động NHTM Việt Nam Từ khóa: Bayes, khả sinh lời, khủng hoảng kinh tế, ngân hàng thương mại iv ABSTRACT The puupose of this thesis is to study the factors affecting the profitability of Vietnamese commercial banks in the world economic crisis and post-crisis period, comparing the trend of impacts of factors in two phases; the impact of the world economic crisis on the profitability of Vietnamese commercial banks The research was done by qualitative method and quantitative method by Bayesian method via Gibbs sampling algorithm to accomplish research objectives Data were collected from the financial statements of 30 Vietnamese commercial banks for the period 2007 – 2018 The research results show bank size, bank capital, loan loss provision, bank loans are factors that tend to equally affect Vietnam's commercial banks in two periods and entire period Factors of liquid assets, operating expenses tend to change when comparing two periods In addition, interest expenses, inflation, economic growth are factors affecting the profitability of commercial banks, although the trend of impacts varies with each indicator ROA and ROE The study also found evidence of better profitability of Vietnamese commercial banks in the world economic crisis period when compared to the post-crisis period In addition, when compared with the system GMM method (SGMM), the research results also show that Vietnamese commercial banks achieved higher profitability during the crisis period From the research results of the thesis, the author gives conclusions and recommendations for the leaders of commercial banks, and macro policy-makers to build a sustainable banking system to ensure a safe and healthy banking operation, limit the negative impacts of the world economic crisis and improve the operational efficiency of Vietnamese commercial banks Keywords: Bayes, profitability, economic crisis, commercial bank v MỤC LỤC LỜI CAM ĐOAN i TÓM TẮT iii MỤC LỤC v DANH MỤC TỪ VIẾT TẮT viii DANH MỤC BẢNG ix DANH MỤC HÌNH x CHƯƠNG GIỚI THIỆU 1.1 LÝ DO CHỌN ĐỀ TÀI 1.1.1 Bối cảnh nghiên cứu giới nước 1.1.2 Tổng quan nghiên cứu liên quan khoảng trống khoa học 1.2 MỤC TIÊU VÀ CÂU HỎI NGHIÊN CỨU 1.2.1 Mục tiêu tổng quát 1.2.2 Mục tiêu cụ thể 1.2.3 Câu hỏi nghiên cứu 1.3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1.3.1 Đối tượng nghiên cứu 1.3.2 Phạm vi nghiên cứu 1.4 PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU 1.5 ĐÓNG GÓP MỚI CỦA LUẬN ÁN 1.6 KẾT CẤU LUẬN ÁN 12 CHƯƠNG CƠ SỞ LÝ THUYẾT VỀ TÁC ĐỘNG CỦA KHỦNG HOẢNG KINH TẾ ĐẾN KHẢ NĂNG SINH LỜI CỦA NGÂN HÀNG THƯƠNG MẠI 13 2.1 CƠ SỞ LÝ THUYẾT VỀ CHU KỲ KINH TẾ VÀ KHỦNG HOẢNG KINH TẾ 13 2.1.1 Khái niệm về chu kỳ kinh tế khủng hoảng kinh tế 13 2.1.2 Các lý thuyết về chu kỳ kinh tế khủng hoảng kinh tế 14 2.2 CƠ SỞ LÝ THUYẾT VỀ KHẢ NĂNG SINH LỜI CỦA NGÂN HÀNG THƯƠNG MẠI 19 vi 2.2.1 Các quan điểm về hiệu kinh doanh khả sinh lời ngân hàng thương mại 19 2.2.2 Các lý thuyết về khả sinh lời ngân hàng thương mại 24 2.2.3 Các tiêu phản ánh khả sinh lời ngân hàng thương mại 26 2.3 TÁC ĐỘNG CỦA KHỦNG HOẢNG KINH TẾ ĐẾN KHẢ NĂNG SINH LỜI CỦA NGÂN HÀNG THƯƠNG MẠI 28 2.3.1 Khủng hoảng kinh tế ảnh hưởng đến kinh tế vĩ mô 28 2.3.2 Khủng hoảng kinh tế làm tăng rủi ro tín dụng 29 2.3.3 Khủng hoảng kinh tế làm tăng rủi ro khoản 29 2.4 CÁC NGHIÊN CỨU THỰC NGHIỆM 31 2.4.1 Nghiên cứu yếu tố ảnh hưởng đến khả sinh lời ngân hàng thương mại 31 2.4.2 Nghiên cứu thực nghiệm tác động khủng hoảng kinh tế đến khả sinh lời ngân hàng thương mại 45 2.5 THẢO LUẬN NHỮNG NGHIÊN CỨU TRƯỚC 51 CHƯƠNG PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU 55 3.1 THIẾT KẾ NGHIÊN CỨU 55 3.2 PHƯƠNG PHÁP NGHIÊN CỨU 56 3.2.1 Phương pháp Bayes 56 3.2.2 Tính ưu việt phương pháp Bayes so với phương pháp tần suất 59 3.3 MƠ HÌNH NGHIÊN CỨU 61 3.3.1 Quy trình nghiên cứu 61 3.3.2 Mơ hình nghiên cứu đề xuất 62 3.3.3 Giả thuyết nghiên cứu 64 3.4 DỮ LIỆU NGHIÊN CỨU 73 3.4.1 Mô tả liệu nghiên cứu 73 3.4.2 Kiểm định mơ hình 74 CHƯƠNG KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 76 4.1 KHẢ NĂNG SINH LỜI CỦA NGÂN HÀNG THƯƠNG MẠI VIỆT NAM TRONG GIAI ĐOẠN KHỦNG HOẢNG KINH TẾ THẾ GIỚI 76 4.1.1 Thống kê mô tả tương quan biến 76 vii 4.1.2 Lợi nhuận tổng tài sản (ROA) 78 4.1.3 Lợi nhuận vốn chủ sở hữu (ROE) 82 4.1.4 Phân tích thảo luận kết 86 4.2 KHẢ NĂNG SINH LỜI CỦA NGÂN HÀNG THƯƠNG MẠI VIỆT NAM TRONG GIAI ĐOẠN HẬU KHỦNG HOẢNG KINH TẾ THẾ GIỚI 91 4.2.1 Thống kê mô tả tương quan biến 91 4.2.2 Lợi nhuận tổng tài sản (ROA) 93 4.2.3 Lợi nhuận vốn chủ sở hữu (ROE) 97 4.2.4 Phân tích thảo luận kết 100 4.3 TÁC ĐỘNG CỦA KHỦNG HOẢNG KINH TẾ THẾ GIỚI ĐẾN KHẢ NĂNG SINH LỜI CỦA CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM 105 4.3.1 Lợi nhuận tổng tài sản (ROA) 105 4.3.2 Lợi nhuận vốn chủ sở hữu (ROE) 109 4.3.3 So sánh chiều hướng tác động phương pháp Bayes với phương pháp truyền thống 112 4.3.4 Thảo luận tác động khủng hoảng kinh tế giới đến khả sinh lời ngân hàng thương mại Việt Nam 114 4.4 THẢO LUẬN KẾT QUẢ NGHIÊN CỨU 115 CHƯƠNG KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH ĐỂ CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM ĐẠT ĐƯỢC KHẢ NĂNG SINH LỜI HỢP LÝ TRONG BỐI CẢNH KHỦNG HOẢNG KINH TẾ THẾ GIỚI 122 5.1 KẾT LUẬN 122 5.2 GỢI Ý CHÍNH SÁCH ĐỂ CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM ĐẠT ĐƯỢC KHẢ NĂNG SINH LỜI HỢP LÝ TRONG BỐI CẢNH KHỦNG HOẢNG KINH TẾ THẾ GIỚI 124 5.2.1 Đối với ngân hàng thương mại 125 5.2.2 Đối với quan quản lý nhà nước 131 5.3 HẠN CHẾ CỦA LUẬN ÁN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO 133 DANH MỤC TÀI LIỆU THAM KHẢO i CÁC CÔNG BỐ CỦA TÁC GIẢ CÓ LIÊN QUAN ĐẾN LUẬN ÁN xiii PHỤ LỤC xiv viii DANH MỤC TỪ VIẾT TẮT DIỄN GIẢI ĐẦY ĐỦ KÝ HIỆU AN VIẾT TẮT TIẾNG VIỆT TIẾNG ANH HQKD Hiệu kinh doanh ESS Số lượng mẫu hiệu Effective Sample Size FEM Mơ hình tác động cố định Fixed Effects Model Phương pháp bình phương bé Feasible Generalized Least tởng qt Squares FGLS GMM GDP Mơ hình hồi quy moment tổng quát Tổng sản phẩm quốc nội IMF Quỹ tiền tệ Quốc tế KNSL Khả sinh lời MCMC Generalized Method of Moments Gross Domestic Product International Monetary Fund Markov Chain Monte Carlo NHNN Ngân hàng Nhà nước NIM Tỷ lệ thu nhập lãi cận biên NHTM Ngân hàng thương mại OLS Ordinary Least Squares REM Bình phương nhỏ thơng thường Mơ hình tác động ngẫu nhiên ROA Lợi nhuận tổng tài sản Return on Assets ROE Lợi nhuận vốn chủ sở hữu Return on Equity RRTD Rủi ro tín dụng RRTK Rủi ro khoản WB Ngân hàng Thế giới Net Interest Margin Random Effects Model World Bank xviii Tầng Tòa nhà Vincom, Xuất Nhập Khẩu 29 (Viet nam Commercial số 72 Lê Thánh Tôn Export Joint Import Stock - Eximbank) Bến Nghé, Quận 1, TP Hồ Chí Minh Phát triển Thành phố Hồ Chí Minh 30 47 Lý Tự Trọng, phường 12.355,2 25 bis Nguyễn Thị Minh (Ho Chi Minh city Development Khai, phường Bến Nghé, 9.810 Joint Stock Commercial Bank - Quận 1, TP Hồ Chí Mịnh HDBank) Nguồn: Ngân hàng Nhà nước Việt Nam PHỤ LỤC 2: Thuật toán lấy mẫu Metropolis-Hastings và Gibbs Trong Luận án này, tác giả áp dụng phương pháp Bayes thơng qua thuật tốn Random-walk Metropolis-Hastings phương pháp lấy mẫu Gibbs Metropolis cộng (1953) người đầu tiên đề xuất thuật toán Metropolis Sau đó, Hastings (1970) phát triển thuật toán hiệu Phương pháp lấy mẫu Gibbs trường hợp đặc biệt thuật toán Metropolis-Hastings (Gelfand & cộng sự, 1990) Thuật tốn Metropolis-Hastings được thực thơng qua giai đoạn sau: Giai đoạn 1: Tạo mẫu giá trị cho mỗi biến ngẫu nhiên Phân phối đề xuất cho mỗi mẫu q(.) x(0) ~ q(x) Mẫu từ phân phối đề xuất q(x(n)|x(n-1)) xproposal ~ q(x(n)|x(n-1)) Sau đó thực vòng lặp mẫu giá trị đó với 𝑛 = 1,2 … Phân phối đề xuất phân phối đối xứng 𝑞(𝑥 (𝑛−1) |𝑎(𝑛) ) = 𝑞(𝑥 (𝑛) |𝑥 (𝑛−1) ) Giai đoạn 2: Tính tốn tỷ lệ chấp nhận Hàm chấp nhận Metropolis-Hastings được thực để đảm bảo cân bằng hai ràng buộc sau: xix 𝜋(𝑥 𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙 ) 𝜋(𝑥 (𝑛−1) ) Ràng buộc nhằm mục tiêu mẫu có xu hướng nằm khu vực phân phối cao mật độ kết hợp toàn (full joint density): 𝜋(𝑥 (𝑛−1) |𝑥 𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙 ) 𝜋(𝑥 𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙 |𝑥 (𝑛−1) ) Giới hạn làm mẫu khám phá không gian tránh bị kẹt vào khu vực, mẫu có thể đảo ngược tính tốn trước đó không gian vectơ Hàm chấp nhận Metropolis-Hastings phải có dạng cụ thể để đảm bảo rằng thuật toán Metropolis-Hastings thỏa mãn điều kiện cân bằng (Gilks & cộng sự, 1996) Hàm chấp nhận trường hợp đề xuất đối xứng là: Ѳ(𝑥 (𝑛) |𝑥 (𝑛−1) ) = {1, 𝑞(𝑥 𝑞(𝑥 (𝑛−1) (𝑛) |𝑥 |𝑥 (𝑛) (𝑛−1) )𝜋(𝑥 (𝑛) ) )𝜋(𝑥 (𝑛−1) ) } Trong đó Ѳ xác suất chấp nhận 𝜋 (.) mật độ kết hợp toàn Giá trị nhỏ được tính để đảm bảo xác suất chấp nhận không lớn Khi phân phối đề xuất đối xứng 𝑞(𝑥 (𝑛−1) |𝑥 (𝑛) ) = 𝑞(𝑥 (𝑛) |𝑥 (𝑛−1) ), hàm chấp nhận có thể được viết lại: Ѳ(𝑥 (𝑛) |𝑥 (𝑛−1) ) = {1, 𝜋(𝑥 (𝑛) ) 𝜋(𝑥 (𝑛−1) ) } Giai đoạn 3: Đây bước cuối cùng, dựa xác suất chấp nhận Ѳ, định chấp nhận hay bác bỏ đề xuất Nếu giá trị đề xuất nhỏ Ѳ, chấp nhận giá trị này, ngược lại bác bỏ Phương pháp lấy mẫu Gibbs (Gibbs sampling) Phương pháp lấy mẫu Gibbs về trường hợp đặc biệt thuật toán MetropolisHastings, thuật toán cho phép tạo mẫu số liệu từ hàm phân phối xác suất đồng thời mà không đòi hỏi phải biết đầy đủ thông tin về phân phối Giả sử, với k mẫu vectơ X = (x1, x2, …, xn) từ xác suất hợp (joint probability) p (x1, x2…, xn) Đặt mẫu thứ i 𝑋 (𝑖) = (𝑖) (𝑖) (𝑥1 , … , 𝑥𝑛 ) Thuật toán thực sau: xx Bước 1: Bắt đầu với vài giá trị 𝑋 (𝑖) ban đầu (𝑖+1) Bước 2: Gọi mẫu 𝑋 (𝑖+1) Do 𝑋 (𝑖+1) = (𝑥1 (𝑖+1) , 𝑥2 (𝑖+1) … , 𝑥𝑛 ) vectơ, thuật tốn (𝑖+1) lấy mẫu mỡi thành phần vectơ Điều kiện thành phần 𝑋 (𝑖+1) tới 𝑥𝑗−1 sau (𝑖) (𝑖) đó, điều kiện thành phần 𝑋 (𝑖) được bắt đầu từ 𝑥𝑗−1 tới 𝑥𝑛 Để đạt được điều này, (𝑖) nghiên cứu lấy mẫu thành phần theo thứ tự, bắt đầu tự thành phần đầu tiên Để lấy mẫu 𝑥𝑗−1 cần cập (𝑖) nhật (𝑖+1) 𝑝(𝑥𝑗−1 |𝑥1 theo (𝑖+1) phân (𝑖) phối được xác định xác suất điều kiện (𝑖) , … , 𝑥𝑗−1 , 𝑥𝑗+1 , … , 𝑥𝑛 Lưu ý rằng, thuật toán sử dụng thành phần thứ (𝑗 + 1) có mẫu thứ i, khơng phải mẫu thứ (𝑖 + 1) Bước 3: Lặp lại bước k lần Điều quan trọng phải thực phương pháp lấy mẫu là: - Tất mẫu xấp xỉ phân phối xác suất hợp cho tất biến - Phân phối biên tập biến (subset) có thể được xấp xỉ bằng việc xem xét đơn giản cho tập biến đó, lờ phần lại - Giá trị kỳ vọng biến có thể được xấp xỉ bằng lấy trung bình tất mẫu Khi thực lấy mẫu: - Giá trị ban đầu biến có thể được xác định ngẫu nhiên hoặc được thực bằng thuật toán khác tối đa hóa giá trị kỳ vọng (expectation-maximization) - Khơng cần thiết phải xác định giá trị ban đầu cho mẫu biến đầu tiên - Do giá trị xuất phát không ảnh hưởng đến hội tụ đó thực hành người ta thường bỏ vài giá trị đầu nó còn được gọi trình burn-in period Lý điều (1) phân phối dừng (Stationary distribution) chuỗi Markov được thõa mãn phân phối hợp với tất biến, nó có thể tốn thời gian để đạt được phân phối dừng (2) mẫu liên tiếp không phụ thuộc lẫn nhau, từ chuỗi Markov với tương quan định Thỉnh thoảng, thuật toán được sử dụng để xác định mức độ tự tương quan (Autocorrelation) mẫu giá trị n được tính từ xxi - Tiến trình thuật tốn mơ luyện kim (Simulated Annealing – kỹ thuật xác suất để xấp xỉ tối đa hóa khơng gian tìm kiếm lớn siêu liệu) thường được sử dụng để giảm “bước ngẫu nhiên” (random walk) giai đoạn đầu trình lấy mẫu) PHỤ LỤC 3: Giai đoạn 2007 – 2011 Variable Obs Mean ROA ROE SIZE LLP LOAN 132 132 133 128 133 0122723 1099978 31.17319 0110188 4980299 CAP DEP LIQUI INT OPE 133 131 133 132 132 INFLAT GGDP 133 133 Efficiency summaries Std Dev Min Max 0094089 1006951 1.259605 0064496 1460224 -.0551175 -.8200213 28.34221 0013969 113841 0595185 2846444 33.76356 0378056 8516832 1282458 5197855 3467763 0675589 0139167 0771619 1280773 1551646 0282006 0057466 0425561 1851091 0508746 0237756 0039602 4624462 7655939 8078276 1499806 051961 1330173 0657714 0640113 0100761 0688 0532 2297 0846 MCMC sample size = Efficiency: = avg = max = 10,000 8557 9848 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 10000.00 10000.00 10000.00 10000.00 9622.31 10000.00 10000.00 10000.00 10000.00 10000.00 10000.00 1.00 1.00 1.00 1.00 1.04 1.00 1.00 1.00 1.00 1.00 1.00 1.0000 1.0000 1.0000 1.0000 0.9622 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 var 8556.96 1.17 0.8557 ROA xxii Efficiency summaries MCMC sample size = Efficiency: = avg = max = 10,000 8637 9763 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 10000.00 9690.10 10000.00 9803.67 10000.00 10000.00 9556.55 9472.21 10000.00 10000.00 10000.00 1.00 1.03 1.00 1.02 1.00 1.00 1.05 1.06 1.00 1.00 1.00 1.0000 0.9690 1.0000 0.9804 1.0000 1.0000 0.9557 0.9472 1.0000 1.0000 1.0000 var 8637.16 1.16 0.8637 ROE SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP INFLAT GGDP SIZE LLP LOAN CAP DEP LIQUI INT OPE 1.0000 0.5886 -0.0359 -0.7036 0.3503 -0.0358 -0.1462 -0.1689 -0.0101 -0.1212 1.0000 0.1235 -0.3253 0.2422 -0.1802 0.0107 0.0062 0.0788 -0.2282 1.0000 -0.0068 0.4451 -0.8398 0.2223 0.1928 -0.0820 0.0269 1.0000 -0.3523 0.0078 0.1486 0.2549 0.1609 -0.0122 1.0000 -0.3094 -0.0247 -0.0108 -0.0618 -0.0424 1.0000 -0.2347 -0.1213 0.0393 0.0414 1.0000 0.5150 0.6752 -0.2087 1.0000 0.3329 -0.2967 INFLAT GGDP 1.0000 -0.1754 1.0000 xxiii Model summary Likelihood: ROA ~ normal(xb_ROA,{var}) Priors: {ROA:SIZE} {ROA:LLP} {ROA:LOAN} {ROA:CAP} {ROA:DEP} {ROA:LIQUI} {ROA:INT} {ROA:OPE} {ROA:INFLAT} {ROA:GGDP} {ROA:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROA Block summary 1: 2: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} {var} Bayesian normal regression Gibbs sampling MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max Log marginal-likelihood = -.74757551 Mean Std Dev MCSE Median = = = = = = = = (Gibbs) (Gibbs) 12,500 2,500 10,000 133 8557 9848 Equal-tailed [95% Cred Interval] ROA SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 0028688 -.2124825 0059199 0986451 0157872 0026785 -.0114077 -.3451738 -.0136359 0175301 -.0932824 0238967 3.17732 2537006 3433373 1555988 2176729 9827032 3.513205 4035873 1.848883 8183932 000239 030721 002537 003433 001586 002177 009827 035132 004036 018489 008184 0025476 -.2201485 0054476 0974444 0165515 -.0018528 -.007183 -.3504431 -.0133268 -.0259349 -.0937272 -.0441114 -6.41249 -.4863881 -.5805027 -.2889355 -.423879 -1.958638 -7.278633 -.8088171 -3.556433 -1.711612 0498292 5.891316 5031439 7741976 3134644 4356535 1.908994 6.568389 7714637 3.669589 1.500539 var 0399465 0051275 000055 0395236 0312262 0512572 xxiv Model summary Likelihood: ROE ~ normal(xb_ROE,{var}) Priors: {ROE:SIZE} {ROE:LLP} {ROE:LOAN} {ROE:CAP} {ROE:DEP} {ROE:LIQUI} {ROE:INT} {ROE:OPE} {ROE:INFLAT} {ROE:GGDP} {ROE:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROE Block summary 1: 2: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} {var} Bayesian normal regression Gibbs sampling MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max Log marginal-likelihood = -9.5816475 Mean Std Dev MCSE Median = = = = = = = = (Gibbs) (Gibbs) 12,500 2,500 10,000 133 8637 9763 Equal-tailed [95% Cred Interval] ROE SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 0453588 -4.123411 1965802 3312666 1119171 0684824 0287201 -8.542678 0122988 -1.049228 -1.299219 0252713 3.389193 2747121 3634407 165338 2348397 1.051564 3.673791 4284535 1.980878 8648199 00025 03443 002747 003671 001653 00232 010757 037748 004285 019809 008648 0451861 -4.093688 200494 3352165 1107981 0667658 0347319 -8.53363 0175902 -1.04855 -1.290619 -.004523 -10.82127 -.3373665 -.3696099 -.2069125 -.3933814 -2.044787 -15.74472 -.8366407 -4.960801 -2.99182 0940147 2.471433 7357301 1.043917 4360057 5327749 2.07741 -1.34208 8628654 2.825973 4340139 var 04537 0057479 000062 0448747 0355642 0577458 xxv PHỤ LỤC 4: Giai đoạn 2012 – 2018 Variable Obs Mean ROA ROE SIZE LLP LOAN 206 206 206 206 206 0060187 0704603 32.25111 0132046 5543287 CAP DEP LIQUI INT OPE 206 206 206 206 206 INFLAT GGDP 206 206 Std Dev Min Max 004973 0567846 1.085509 00477 1171049 0000829 0006827 30.21753 0054339 2223948 0264346 2444132 34.81112 034058 7530163 0923233 6692231 2714091 0532647 0166055 0393111 1065786 104699 0194253 0052347 0322527 4140806 0545048 0134608 0037028 2383814 8937174 6292637 1345339 0328927 0457073 062115 024844 0064872 0063 0525 0921 0708 SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP INFLAT GGDP SIZE LLP LOAN CAP DEP LIQUI INT OPE 1.0000 0.1311 0.2389 -0.6779 0.2651 -0.1587 -0.3827 -0.2355 -0.1910 0.2608 1.0000 -0.3757 0.0062 -0.1888 0.2172 0.0695 0.0473 0.3123 -0.3250 1.0000 -0.0543 0.5364 -0.6771 -0.1630 0.1829 -0.2156 0.3434 1.0000 -0.2184 0.0147 0.4248 0.4794 0.3047 -0.3547 1.0000 -0.5817 -0.1188 0.0111 -0.2913 0.2434 1.0000 -0.0844 -0.1503 0.0426 -0.0894 1.0000 0.2688 0.6542 -0.5627 1.0000 0.1921 -0.1386 INFLAT GGDP 1.0000 -0.8226 1.0000 xxvi Efficiency summaries MCMC sample size = Efficiency: = avg = max = 10,000 8924 9894 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 10000.00 10000.00 10000.00 10000.00 10000.00 9800.04 10000.00 10000.00 10000.00 10000.00 10000.00 1.00 1.00 1.00 1.00 1.00 1.02 1.00 1.00 1.00 1.00 1.00 1.0000 1.0000 1.0000 1.0000 1.0000 0.9800 1.0000 1.0000 1.0000 1.0000 1.0000 var 8923.85 1.12 0.8924 ROE Efficiency summaries MCMC sample size = Efficiency: = avg = max = 10,000 8915 989 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 10000.00 10000.00 10000.00 10000.00 10000.00 10000.00 10000.00 9766.42 10000.00 10000.00 10000.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.02 1.00 1.00 1.00 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9766 1.0000 1.0000 1.0000 var 8914.57 1.12 0.8915 ROA xxvii Model summary Likelihood: ROA ~ normal(xb_ROA,{var}) Priors: {ROA:SIZE} {ROA:LLP} {ROA:LOAN} {ROA:CAP} {ROA:DEP} {ROA:LIQUI} {ROA:INT} {ROA:OPE} {ROA:INFLAT} {ROA:GGDP} {ROA:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROA Block summary 1: 2: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} {var} Bayesian normal regression Gibbs sampling Log marginal-likelihood = Mean MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max 60.374986 Std Dev MCSE Median = = = = = = = = (Gibbs) (Gibbs) 12,500 2,500 10,000 206 8915 989 Equal-tailed [95% Cred Interval] ROA SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 0021508 -.0417101 0105042 0505338 -.0024644 0163054 -.0361421 4187812 0882065 2471057 -.1004701 0152412 2.700477 1583876 4518202 1428097 1619706 8495553 2.487336 9200721 3.155909 5566176 000147 027005 001584 004417 001428 00162 008496 025169 009032 031559 005397 0019141 -.0338744 0085945 0497504 -.0030165 016677 -.0376351 4116701 0793091 2768542 -.100025 -.0273612 -5.377006 -.3008076 -.8303646 -.282636 -.3030894 -1.714141 -4.481809 -1.713346 -6.011606 -1.22435 0324138 5.283718 322571 9530707 2785935 3327952 1.634228 5.310291 1.874656 6.454099 9828202 var 0252174 002526 000027 0251005 0206765 0306069 xxviii Model summary Likelihood: ROE ~ normal(xb_ROE,{var}) Priors: {ROE:SIZE} {ROE:LLP} {ROE:LOAN} {ROE:CAP} {ROE:DEP} {ROE:LIQUI} {ROE:INT} {ROE:OPE} {ROE:INFLAT} {ROE:GGDP} {ROE:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROE Block summary 1: 2: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} {var} Bayesian normal regression Gibbs sampling Log marginal-likelihood = Mean MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max 54.934942 Std Dev MCSE Median = = = = = = = = (Gibbs) (Gibbs) 12,500 2,500 10,000 206 8924 9894 Equal-tailed [95% Cred Interval] ROE SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons 029814 -.900563 1779039 0357271 -.0568046 2005992 -.5087952 3.882138 6435787 1.136071 -1.135144 0157946 2.760241 1620679 4689696 1464829 1668298 8870023 2.566411 9522655 3.258897 5795993 000158 027602 001621 00469 001465 001685 00887 025664 009523 032589 005796 0296599 -.9019002 1782862 0377903 -.0575909 200285 -.520582 3.893116 6534489 1.139661 -1.126815 -.0009323 -6.388154 -.1424808 -.8773911 -.3433418 -.1231219 -2.264962 -1.120688 -1.245535 -5.250398 -2.289786 0609972 4.506352 4957963 9328628 231206 5309689 1.234749 8.83788 2.493923 7.453526 0107659 var 0266987 0026768 000028 0264898 0220054 0324113 xxix PHỤ LỤC 5: Toàn thời kỳ 2007 – 2018 Efficiency summaries MCMC sample size = Efficiency: = avg = max = 10,000 9446 9912 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons 10000.00 10000.00 9682.95 10000.00 10000.00 10000.00 10000.00 10000.00 9720.33 10000.00 10000.00 10000.00 1.00 1.00 1.03 1.00 1.00 1.00 1.00 1.00 1.03 1.00 1.00 1.00 1.0000 1.0000 0.9683 1.0000 1.0000 1.0000 1.0000 1.0000 0.9720 1.0000 1.0000 1.0000 var 9446.28 1.06 0.9446 ROA xxx Efficiency summaries MCMC sample size = Efficiency: = avg = max = 10,000 9089 9865 ESS Corr time Efficiency SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons 10000.00 10000.00 9780.10 10000.00 10000.00 10000.00 10000.00 10000.00 9379.82 10000.00 10000.00 10000.00 1.00 1.00 1.02 1.00 1.00 1.00 1.00 1.00 1.07 1.00 1.00 1.00 1.0000 1.0000 0.9780 1.0000 1.0000 1.0000 1.0000 1.0000 0.9380 1.0000 1.0000 1.0000 var 9088.75 1.10 0.9089 ROE xxxi Model summary Likelihood: ROA ~ normal(xb_ROA,{var}) Priors: {ROA:SIZE} {ROA:LLP} {ROA:LOAN} {ROA:CAP} {ROA:DEP} {ROA:LIQUI} {ROA:INT} {ROA:OPE} {ROA:DUMMY} {ROA:INFLAT} {ROA:GGDP} {ROA:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROA Block summary 1: 2: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons}(Gibbs) {var} (Gibbs) Bayesian normal regression Gibbs sampling Log marginal-likelihood = Mean MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max 188.98258 Std Dev MCSE Median 000088 013673 000903 001697 000674 000859 004215 013796 000244 002103 009661 003009 0024558 -.0972482 0120426 0831773 0032538 0105017 -.0280848 -.0190255 0066783 -.0049607 -.0197989 -.0916022 = = = = = = = = 12,500 2,500 10,000 339 9446 9912 Equal-tailed [95% Cred Interval] ROA SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons 0025566 -.0941885 0121481 084374 0035272 0109637 -.0322164 -.0219991 006662 -.004481 -.0083757 -.0921787 0087918 1.367339 088871 1696984 0674165 085944 4214742 1.411969 0240297 210277 9661023 30093 -.0147936 -2.773618 -.1627977 -.25224 -.1290358 -.1549287 -.8719096 -2.774357 -.0401433 -.4152328 -1.929775 -.6846828 0197917 2.595 18897 4198967 1343332 1843016 7907562 2.742507 0545728 406147 1.895046 4972008 xxxii Model summary Likelihood: ROE ~ normal(xb_ROE,{var}) Priors: {ROE:SIZE} {ROE:LLP} {ROE:LOAN} {ROE:CAP} {ROE:DEP} {ROE:LIQUI} {ROE:INT} {ROE:OPE} {ROE:DUMMY} {ROE:INFLAT} {ROE:GGDP} {ROE:_cons} {var} ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) normal(1,100) igamma(2.5,2.5) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) (1) Parameters are elements of the linear form xb_ROE Block summary 1: 2: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons}(Gibbs) {var} (Gibbs) Bayesian normal regression Gibbs sampling Log marginal-likelihood = Mean MCMC iterations Burn-in MCMC sample size Number of obs Acceptance rate Efficiency: avg max 146.51599 Std Dev MCSE Median 000099 015305 001035 001944 00077 00099 004911 016202 00028 002389 010694 003431 0318384 -1.328436 1923053 1823995 0087061 1296542 -.3481191 -1.693114 0657536 0220427 -.6085143 -1.021106 = = = = = = = = 12,500 2,500 10,000 339 9089 9865 Equal-tailed [95% Cred Interval] ROE SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons 0318922 -1.351348 1925586 1830741 0087931 1281524 -.3503326 -1.696525 0657158 0222854 -.6046472 -1.021216 0099287 1.530506 1023751 1944296 0770309 0989892 491104 1.620228 0271235 2389412 1.069358 3430581 0123357 -4.404625 -.0101855 -.1930543 -.1414137 -.0686511 -1.325941 -4.790776 0124103 -.4380741 -2.721304 -1.691691 0512876 1.624732 3933352 5656626 1613576 3212034 6124404 1.477829 1190212 5067051 1.489015 -.3512835