TP HỒ CHÍNH MINH, NĂM 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH HUỲNH THỊ KIM CHI CÁC ҮẾU TỐ ẢNH HƯỞNG ĐẾN NỢ ХẤU CỦA NGÂNẾU TỐ ẢNH HƯỞNG ĐẾN NỢ Х[.]
GIỚI THIỆU NGHIÊN CỨU
TÍNH CẤP THIẾP CỦA ĐỀ TÀI
Trong nền kinh tế Việt Nam, hệ thống trung gian tài chính nói chung và ngân hàng thương mại nói riêng đóng vai trò quan trọng cho sự phát triển của nền kinh tế. Kwanbai và Wandera (2013) cho rằng ngân hàng thương mại đóng vai trò then chốt trong nền kinh tế phát triển, giúp luân chuyển vốn từ nơi thừa vốn sang nơi thiếu vốn, phân bổ nguồn vốn giữa khách hàng gửi tiết kiệm và khách hàng đi vay, thặng dư bị thâm hụt do hoạt động cho vay quá nhiều Từ đó, có thể hiểu hoạt động kinh doanh chính của ngân hàng đến từ huy động tiền gửi tiết kiệm và cho vay. Đặc biệt, hoạt động cho vay luôn gắn liền với rủi ro cao mà bất cứ ngân hàng thương mại nào cũng không thể tránh khỏi Sau khủng hoảng kinh tế năm 2008, tỷ lệ nợ xấu tăng mạnh và trở thành vấn đề nhứt nhối trong nền kinh tế Ngân hàng nhà nước và ngân hàng thương mại đã đề ra nhiều giải pháp để hạn chế tỷ lệ nợ xấu tăng cao sau giai đoạn khủng hoảng kinh tế và đạt được nhiều kết quả.
Tuy nhiên đến năm 2020, đại dịch Covid – 19 bùng phát trên toàn thế giới, gây ra sức ép lớn đến nền kinh tế và đời sống xã hội Tại Việt Nam, đại dịch Covid – 19 khiến cho hoạt động kinh doanh của tổ chức, cá nhân bị gián đoạn trong thời gian dài, thậm chí phá sản nền kinh tế trì trệ và gần như đóng cửa toàn bộ Chính vì vậy, nhiều tổ chức và khách hàng không có khả năng chi trả khoản vay của ngân hàng.
Sau năm 2020, tỷ lệ nợ xấu tăng cao và một lần nữa trở thành tâm điểm của ngân hàng Theo thống kê từ ngân hàng nhà nước cho thấy tỷ lệ nợ xấu nội bảng tăng trong các tháng đầu năm 2021 đạt 1,78% Tỷ lệ nợ xấu tăng cao làm giảm lợi nhuận, giảm khả năng hoạt động kinh doanh và khả năng thanh toán của ngân hàng Theo Ahmed và cộng sự
(2006), tỷ lệ nợ xấu cao có thể tồn tại rủi ro trong hệ thống từ đó ảnh hưởng đến tiền gửi và hạn chế hoạt động của trung gian tài chính, kết quả là tác động tiêu cực đến sự tăng trưởng đầu tư và kinh tế Đặc biệt, nếu tình trạng nợ xấu không được cải thiện sẽ khiến ngân hàng thương mại bị mất uy tín trong hoạt động tín dụng hay trường hợp xấu nhất dẫn đến phá sản.
Xuất phát từ những lý do trên, bài nghiên cứu phân tích “Các yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam” trong giai đoạn 2011 – 2021 Bài nghiên cứu kỳ vọng kết quả nghiên cứu sẽ góp phần đưa ra những khuyến nghị cải thiện nợ xấu trong thời gian sắp tới.
MỤC TIÊU CỦA NGHIÊN CỨU
Xác định các yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam giai đoạn 2011 – 2021, từ đó đưa ra những khuyến nghị hạn chế nợ xấu của ngân hàng thương mại trong thời gian tới.
Xác định yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam giai đoạn 2011 – 2021. Đo lường mức độ ảnh hưởng của các yếu tố đến nợ xấu tại ngân hàng thương mại ở Việt Nam giai đoạn 2011 – 2021. Đưa ra một số khuyến nghị hạn chế nợ xấu của ngân hàng thương mại tại ViệtNam trong thời gian tới.
CÂU HỎI NGHIÊN CỨU
Để đạt được mục tiêu trên, đề tài nghiên cứu sẽ tập trung trả lời các câu hỏi sau:
Những yếu tố nào ảnh hưởng đến nợ xấu tại ngân hàng thương mại ở Việt Nam giai đoạn 2011 – 2021?
Mức độ tác động của các yếu tố này tác động như thế nào đến các ngân hàng thương mại ở Việt Nam giai đoạn 2011 – 2021?
Những khuyến nghị nào cần đưa ra để hạn chế nợ xấu của các ngân hàng thương mại tại Việt Nam trong thời gian tới?
ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tượng nghiên cứu: Nợ xấu và các yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam.
Phạm vi nghiên cứu về không gian: Các ngân hàng thương mại tại Việt Nam.
Phạm vi nghiên cứu về thời gian: Bài nghiên cứu dựa trên tình hình hoạt động kinh doanh của các ngân hàng thương mại tại Việt Nam giai đoạn 2011 – 2021 Bài nghiên cứu chọn cột mốc thời gian năm 2011 vì trong giai đoạn này, ngân hàng thương mại Việt Nam trải qua thời kì tăng trưởng với nhiều sự kiện đáng quan tâm như tăng trưởng tín dụng, bất động sản và chứng khoán sụt giảm Khoảng thời gian năm 2011 –
2013 cũng là giai đoạn chính phủ ban hành Quyết định số 254/QĐ-TTg ngày 01/3/2012 phê duyệt Đề án Cơ cấu lại hệ thống các tổ chức tín dụng (TCTD) giai đoạn 2011 – 2015 và Nghị quyết số 02/NQ-CP ngày 07/02//2013 về một số giải pháp tháo gỡ khó khăn cho sản xuất - kinh doanh, hỗ trợ thị trường và giải quyết nợ xấu Bên cạnh đó, giai đoạn 2020– 2021 đại dịch Covid – 19 bùng phát, nền kinh tế chịu nhiều ảnh hưởng trong đó việc thu hồi nợ ngân hàng thương mại gặp nhiều khó khăn.
PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp và mô hình nghiên cứu: Đề tài sử dụng phương pháp nghiên cứu định lượng nhằm đánh giá các yếu tố ảnh hưởng đến nợ xấu của các ngân hàng thương mại bằng cách sử dụng phương pháp hồi quy dữ liệu bảng (panel data) cùng với mô hình hồi quy Pooled OLS, mô hình FEM (Fixed Effects Model – FEM) và mô hình REM (Random Effects Model – REM) cùng với các kiểm định được sử dụng để so sánh kết quả giữa các mô hình, kiểm định các giả thuyết của nghiên cứu thông qua phần mềm STATA 16.0.
Nguồn dữ liệu: Tác giả thu thập số liệu từ World Bank, Fiinpro, báo cáo tài chính,báo cáo thường niên của 25 ngân hàng thương mại tại Việt Nam giai đoạn 2011 – 2021 đã được kiểm toán.
ĐÓNG GÓP CỦA ĐỀ TÀI
Nghiên cứu tổng hợp một số lý thuyết về nợ xấu và phân tích các yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam giai đoạn 2011 – 2021.
Nghiên cứu đưa ra một số khuyến nghị nhằm hạn chế nợ xấu của ngân hàng thương mại tại Việt Nam trong thời gian sắp tới nhằm thúc đẩy sự phát triển bền vững của ngân hàng.
BỐ CỤC KHOÁ LUẬN
Đề tài khoá luận nghiên cứu gồm có 5 chương, được chia theo bố cục sau:
CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
CƠ SỞ LÝ THUYẾT
Theo các nghiên cứu trước đây, khái niệm nợ xấu vô cùng phong phú và đa dạng tùy thuộc vào cách tiếp cận cũng như quan điểm của những người nghiên cứu Thuật ngữ
“nợ xấu” trong tiếng Anh ngoài từ “Non -performing loan” có thể được thay thế bằng các thuật ngữ khác như “Bad debt” hay “Doubtful debt” (Fofack, 2005) Nợ xấu được định nghĩa là các khoản nợ đã quá hạn gốc và lãi từ 90 ngày trở lên (Rose, 2004).
Trong FSIS (2004), Quỹ Tiền tệ Thế giới IMF đưa ra định nghĩa về nợ xấu “Các khoản cho vay được xem là nợ xấu khi các khoản thanh toán gốc và lãi đã quá hạn từ ba tháng (90 ngày) trở lên hoặc các khoản thanh toán lãi tương ứng với ba tháng (90 ngày) trở lên đã được vốn hóa (tái đầu tư vào số tiền gốc), được tái cấp vốn hoặc thanh toán đã bị trì hoãn theo thỏa thuận Ngoài ra, nợ xấu cũng nên bao gồm những khoản cho vay có các khoản thanh toán quá hạn dưới 90 ngày được công nhận là nợ xấu theo hướng dẫn giám sát quốc gia — nghĩa là, tồn tại bằng chứng để phân loại một khoản vay là nợ xấu ngay cả khi không có khoản thanh toán quá hạn 90 ngày, chẳng hạn như nếu con nợ nộp đơn xin phá sản Sau khi một khoản vay được phân loại là nợ xấu, khoản vay được phân loại cho đến khi xóa sổ hoặc nhận được các khoản thanh toán lãi và gốc cho khoản vay này hoặc các khoản vay tiếp theo thay thế khoản vay ban đầu”.
Tại Việt Nam, theo Khoản 8 Điều 3 của Thông tư Số: 11/2021/TT-NHNN ngày 30/7/2021 của NHNN quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro của NHNN Việt Nam định nghĩa nợ xấu là các khoản nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn) Trong đó:
– Nợ nhóm 3 (Nợ dưới tiêu chuẩn): thời gian quá hạn từ 90 – 180 ngày.
– Nợ nhóm 4 (Nợ nghi ngờ): thời gian quá hạn từ 181 – 360 ngày.
– Nợ nhóm 5 (Nợ có khả năng mất vốn): thời gian quá hạn trên 360 ngày.
Cho đến thời điểm hiện tại có rất nhiều khái niệm về nợ xấu, tổng quan nợ xấu trong nghiên cứu này là các khoản vay quá hạn thanh toán từ 90 ngày trở lên Tỷ lệ nợ xấu được xác định theo công thức:
2.1.2 Phân loại và phương pháp đánh giá nợ xấu
Tổ chức tín dụng phân loại nợ dựa vào tiêu chí định lượng và định tính để đánh giá rủi ro khoản vay và cam kết ngoại bảng Từ đó đưa khoản vay vào nhóm nợ thích hợp.
Theo Laurin và cộng sự (2002), không có chuẩn mực phân loại nợ chung trên thế giới gây khó khăn cho việc đánh giá và phân loại nợ khi so sánh nợ xấu tại các quốc gia.
Theo nghiên cứu của Lastra và cộng sự (2016) cho thấy sự khác biệt trong phân loại nợ ở một số nước G-20 Bảng 2.1 chỉ ra rằng Hoa Kỳ và Đức có phân loại rõ ràng trong các nhóm nợ Ở Anh và Hà Lan, không có quy định về phân loại nợ, cho phép các nhà quản lý ngân hàng tự phân loại và được các giám sát viên ngân hàng xem xét định kỳ.
Pháp quy định một hệ thống các yêu cầu tối thiểu đối với các khoản vay được phân loại là có dấu hiệu suy giảm nhưng không có hướng dẫn cụ thể chi tiết về phân loại. Cách tiếp cận tương tự xuất hiện ở Ý cung cấp năm loại nợ, nhưng chỉ có hướng dẫn chung về việc thực hiện phân loại Có thể thấy, phần lớn các nước châu Âu quy định một hệ thống các yêu cầu tối thiểu với các khoản vay được phân loại là có dấu hiệu suy giảm nhưng không có hướng dẫn cụ thể chi tiết về cách phân loại Trong khi đó, các nước châu Á thường quy định các khoản nợ vay theo bốn hoặc năm nhóm và khá giống nhau về phân loại.
Bảng 2.1: Phân loại nợ của các nước trên thế giới Quốc gia Phân loại nợ xấu
Argentina Các khoản cho vay thương mại được phân loại như sau: Thông thường, theo dõi đặc biệt, không đạt tiêu chuẩn, rủi ro mất khả năng thanh toán cao, không thể phục hồi, không thể phục hồi dựa trên các tiêu chí kỹ thuật. Úc Khoản nợ được xem là nợ xấu không kể là 90 ngày hay không, mà là khoản nợ bị nghi ngờ khả năng trả nợ, bao gồm lãi và các khoản thu khác Trong hệ thống tài chính của Úc, yêu cầu về xác định đầy đủ mức độ mất mát đặc biệt áp dụng cho phạm vi của các khoản tài trợ linh hoạt, bao gồm khoản cho vay mà trả nợ gốc chỉ thanh toán 1 lần khi đến hạn.
Brazil Khoản nợ quá hạn 90 ngày, nợ không quá 90 ngày nhưng xếp loại E, F, G hoặc H theo quy định phân loại rủi ro, nợ tái cơ cấu: Phân loại nợ theo 9 nhóm AA, A, B, C, D, E, F, G hoặc H.
Canada Khoản tiền đặt cọc với tổ chức tài chính hoặc nợ cơ cấu lại vốn là 90 ngày theo hợp đồng.
Khoản thanh toán cho bất kỳ các khoản vay khác (không bao gồm khoản vay bằng thẻ tín dụng) theo hợp đồng 90 ngày trừ khi khoản vay được đảm bảo đầy đủ, việc thu nợ đang được tiến hành và những nỗ lực thu thập được dự kiến sẽ dẫn đến việc hoàn trả nợ hoặc khôi phục nó vào tình trạng hiện tại trong vòng
180 ngày kể từ ngày thanh toán.
Khoản thanh toán cho bất kỳ khoản vay là 180 ngày Bất kỳ khoản vay thẻ tín dụng nào có thanh toán 180 ngày trễ sẽ được xoá sổ.
Trung Quốc Nợ đủ tiêu chuẩn, nợ cần chú ý, nợ dưới tiêu chuẩn, nợ nghi ngờ, nợ mất vốn.
Pháp Quy định một hệ thống các yêu cầu tối thiểu để các khoản vay được phân loại là có dấu hiệu xấu đi nhứng không có chi tiết hướng dẫn cụ thể về phân loại. Đức Cho vay không rủi ro, cho vay có dấu hiệu rủi ro, nợ có dấu hiệu không thu hồi, nợ xấu. Ấn Độ Nợ xấu là khoản nợ mà lãi suất và/hoặc phần gốc vẫn còn quá hạn hơn 90 ngày, khoản nợ không có khả năng thanh toán và quá hạn hơn 90 ngày trong trường hợp mua hoặc chiết khấu thương phiếu.
Indonesia Nợ dưới tiêu chuẩn, nợ nghi ngờ và nợ có khả năng mất vốn. Ý Nợ xấu, nợ dưới chuẩn, nợ tái cấu trúc, nợ quá hạn.
Nhật Bản Bị phá sản hoặc bán phá sản, nợ nghi ngờ, nợ cần chú ý, nợ đủ tiêu chuẩn.
Hoa Kỳ Nguyên tắc kế toán chung yêu cầu các chủ nợ đo lường nợ xấu dựa trên giá trị hợp lý của tài sản thế chấp Ngoài ra, GAAP cho phép chủ nợ đo lường nợ xấu về khả năng hoàn trả các khoản vay dự kiến bởi tài sản thế chấp dựa trên giá trị hợp lý của các tài sản thế chấp.
Nguồn: Bholat và cộng sự (2016)
Tại Việt Nam, theo Quyết định 493/2005/ NHNN và Thông tư số 02/2013/ NHNN cho phép các tổ chức tín dụng được phân loại nợ theo phương pháp định tính và định lượng Hiện nay, các tổ chức tài chính thường phân loại nợ theo phương pháp định lượng và chưa xét đến phương pháp định tính trừ ngân hàng Agribank, BIDV và VCB Nợ được phân loại theo 5 nhóm sau:
- Nhóm 1: Nợ đủ tiêu chuẩn
- Nhóm 3: Nợ dưới tiêu chuẩn
- Nhóm 5: Nợ có khả năng mất vốn
PHƯƠNG PHÁP VÀ MÔ HÌNH NGHIÊN CỨU
PHƯƠNG PHÁP NGHIÊN CỨU
Tác giả sử dụng phần mềm stata 16.0 để làm công cụ phân tích hỗ trợ cho việc đồng nhất và thực hiện các mục tiêu nghiên cứu đặt ra Nghiên cứu được thực hiện theo quy trình dưới đây:
Hình 3.1 Quy trình nghiên cứu
Bước 1 Thống kê mô tả dữ liệu
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau thông qua giá trị trung bình (Mean), giá trị lớn nhất (Max), giá trị nhỏ nhất (Mean), sai số chuẩn của các biến đưa vào mô hình Từ đó, khóa luận có thể quan sát đặc trưng của từng biến và điều chỉnh cho phù hợp đồng thời phát hiện thiếu sót trước khi chạy mô hình và đọc kết quả nghiên cứu.
Bước 2 Mô hình Pooled OLS và kiểm định mô hình
Tác giả thực hiện ước lượng hồi quy mô hình Pooled OLS và kiểm định đa cộng tuyến, phương sai sai số thay đổi, kiểm tra tự tương quan của mô hình.
Kiểm định đa cộng tuyến (VIF):
- VIF > 10: Mô hình có hiện tượng đa cộng tuyến
- VIF < 10: Mô hình không có hiện tượng đa cộng tuyến
Kiểm định phương sai sai số thay đổi bằng kiểm định White:
- Prob>chi2 nhỏ hơn 5%: Có hiện tượng phương sai sai số thayđổi
- Prob>chi2 lớn hơn 5%: Không có hiện tượng phương sai saisốthay đổi
Kiểm tra tự tương quan bằng mô hình Wooldridge:
- Prob>F nhỏ hơn 5%: Có hiện tượng tự tương quan
- Prob>F lớn hơn 5%: Không có hiện tượng tự tương quan
Bước 3: Mô hình FEM và REM
Sau khi thực hiện mô hình Pooled OLS nếu mô hình đủ độ tin cậy thì sẽ không thực hiện các bước tiếp theo Tuy nhiên để đảm bảo độ tin cậy của mô hình, tác giả tiếp tục kiểm định FEM và REM.
Kiểm định Hausman để lựa chọn mô hình FEM hay REM phù hợp cho nghiên cứu Với các điều kiện:
Bước 5: Kiểm phương sai sai số thay đổi và tự tương quan mô hình FEM/REM
Kiểm định phương sai sai số thay đổi tương ứng:
- Nếu lựa chọn mô hình FEM thì sử dụng kiểm định Modified Wald
- Nếu lựa chọn mô hình REM thì sử dụng kiểm định Breusch and Pagan
• Prob>chi2 nhỏ hơn 5%: Có hiện tượng phương sai sai số thay đổi
• Prob>chi2 lớn hơn 5%: Không có hiện tượng phương sai sai số thay đổi Kiểm định tự tương quan mô hình FEM và REM bằng kiểm định Wooldridge:
- Prob>F nhỏ hơn 5%: Có hiện tượng tự tương quan
- Prob>F lớn hơn 5%: Không có hiện tượng tự tương quan
Bước 6: Sử dụng mô hình FGLS khắc phục toàn bộ khuyết tật mô hình
Sau khi chọn mô hình phù hợp và tiến hành kiểm định hiện tượng tự tương quan và phương sai sai số thay đổi tác giả tiến hành dùng phương pháp ước lượngFGLS (Generalized Least Squares) để khắc phục khuyết tật mô hình đã chọn.
DỮ LIỆU NGHIÊN CỨU
Trong bài nghiên cứu, tác giả sử và phân tích số liệu của 25 NHTM tại Việt Nam gồm: ABB, ACB, AGB, BID, BVB, CTG, EIB, HDB, KLB, LPB, MBB, MSB, NAB, OCB, PGB, PVcomBank, SCB, SSB, SHB, STB, TCB, TPB, VCB, VIB, VPB 25 NHTM được đưa vào bài nghiên cứu có quy mô lớn, trung bình và nhỏ, có thể đại diện bao quát cho NHTM tại Việt Nam Việc thống kê số liệu đầy đủ và cụ thể của 25 ngân hàng đáp ứng được mục tiêu nghiên cứu của tác giả giai đoạn 2011 –
2021 Nghiên cứu sử dụng dữ liệu của 25 NHTM tại Việt Nam giai đoạn 2011 –
2021 Từ đó xác định được cỡ mẫu là 25*11= 275 quan sát.
Bộ số liệu được sử dụng chủ yếu từ các chỉ số tài chính của báo cáo thường niên, báo cáo tài chính của 25 NHTM giai đoạn 2011 – 2021 đã được kiểm toán.Đồng thời số liệu còn được thu thập từ Finnpro, World bank,… Tác giả sử dụng
Tác giả lựa chọn mô hình nghiên cứu dựa vào những nghiên cứu trước đây của Salas và Sarina (2002), Louzis và cộng sự (2010), Bùi Duy Tùng và Đặng Thị Bạch Vân (2015), Nguyễn Thị Hồng Vinh (2017), Nguyễn Kim Phước và cộng sự
(2017) Tác giả lựa chọn NPL làm biến phụ thuộc đo lường tỷ lệ nợ xấu của các ngân hàng thương mại Việt Nam Bên cạnh 5 yếu tố vi mô đặc thù ngân hàng là khả năng sinh lời (ROE), tỷ lệ tăng trưởng tín dụng (CREDIT), quy mô ngân hàng (SIZE), dự phòng rủi ro tín dụng (LLR), tỷ lệ nợ xấu năm trước (NPL it-1 ) và 3 yếu tố vĩ mô là tốc độ tăng trưởng (GDP), tỷ lệ thất nghiệp (UNT), tỷ lệ lạm phát (INF) được chọn làm 8 biến độc lập.
Mô hình đề xuất cụ thể như sau:
NPL it = β 0 + β 1 ROE it + β 2 CREDIT it + β 3 SIZE it + β 4 LLR it + β 5 NPL it-1 + β 6 GDP it + β 7 UNT it + β 8 INF it + à it (3.1)
NPL it : Tỷ lệ nợ xấu của ngân hàng i trong năm t β0 : Hằng số của mô hình β 1 – β 8 : Hệ số hồi quy của biến độc lập à it : Sai số của mụ hỡnh hồi quy
ROEit : Khả năng sinh lời của ngân hàng i trong năm t
CREDIT it : Tăng trưởng tín dụng của ngân hàng i trong năm t
SIZEit : Quy mô ngân hàng i trong năm t
LLR it : Dự phòng rủi ro tín dụng i trong năm t
NPLit-1 : Tỷ lệ nợ xấu năm trước đó của ngân hàng i
GDP it : Tốc độ tăng trưởng kinh tế năm t
UNT it : Tỷ lệ thất nghiệp năm t
INFit : Tỷ lệ lạm phát năm t lệ nợ xấu của ngân hàng
Quy mô ngân hàng là một trong những yếu tố tác động đến nợ xấu và được dùng làm biến độc lập trong nhiều nghiên cứu trước Quy mô ngân hàng lớn ngoài thể hiện tổng tài sản cao, còn biểu thị cho cơ cấu tổ chức, quản lý chuyên nghiệp, ổn định Từ đó có kế hoạch kinh doanh mang lại lợi nhuận cao và hạn chế thấp nhất rủi từ các khoản cho vay. Ở nghiên cứu trước đây Salas và Saurina (2002) đã đưa ra kết luận nghiên cứu về quy mô ngân hàng có mối quan hệ ngược chiều với tỷ lệ nợ xấu.
Giả thuyết 2: Tăng trưởng tín dụng (CREDIT) có mối tương quan cùng chiều với tỷ lệ nợ xấu của ngân hàng
Theo Nguyễn Văn Tiến (2013) thì tăng trưởng tín dụng là việc các ngân hàng thương mại sử dụng chính sách nhằm tăng nguồn vốn huy động, đáp ứng cho việc cấp tín dụng, chiết khấu, đầu tư vào những đối tượng là các tổ chức kinh tế, cá nhân,
… có nhu cầu vay vốn Từ đó, từng bước nâng cao lợi nhuận, thị phần và thương hiệu trên thị trường.
Các nghiên cứu Nguyễn Kim Phước và cộng sự (2017), Nguyễn Thị Hồng Vinh (2017) đã đưa ra kết luận nghiên cứu về tăng trưởng tín dụng có mối quan hệ cùng chiều với nợ xấu.
Giả thuyết 3: Khả năng sinh lời (ROE) có mối tương quan ngược chiều với tỷ lệ nợ xấu Để tồn tại và phát triển, các NHTM phải hoạt động có hiệu quả, do vậy khả năng sinh lời là mối quan tâm hàng đầu Bởi vì khả năng sinh lời là một trong những chỉ tiêu kinh tế tổng hợp để đánh giá hiệu quả hoạt động kinh doanh của các ngân hàng (Tô Ngọc Hưng và Nguyễn Đức Trung, 2011) Vì thế khả năng sinh lời cao thể hiện ngân hàng hoạt động hiệu quả nhiều khía cạnh và kiểm soát được hoạt động cấp tín dụng từ chính sách quản lý đến việc thu hồi nợ từ đó làm giảm tỷ lệ nợ xấu.
Những nghiên cứu trước đây của Nguyễn Kim Phước và cộng sự (2017),
Giả thuyết 4: Dự phòng rủi ro tín dụng (LLR) có mối tương quan cùng chiều với tỷ lệ nợ xấu
Hoạt động tín dụng mang lại nhiều rủi ro tiềm ẩn cho ngân hàng thương mại trên thế giới nói chung và Việt Nam nói riêng Cụ thể, rủi ro tín dụng là các khoản nợ không thu hồi được từ tổ chức, cá nhân Để hạn chế được rủi ro tín dụng ảnh hưởng đến hoạt động kinh doanh của ngân hàng thì khoản dự phòng rủi ro có đóng góp to lớn Cụ thể, tỷ lệ nợ xấu càng cao thì dự phòng rủi ro càng lớn để bù đắp cho rủi ro tín dụng.
Cùng với những nghiên cứu trước đây của Messai và Jouini (2013), Nguyễn Thị Hồng Vinh ( 2017), Bùi Duy Tùng và Đặng Thị Bạch Vân (2015) đã kết luận dự phòng rủi ro có mối quan hệ cùng chiều với tỷ lệ nợ xấu.
Giả thuyết 5: Tốc độ tăng trưởng kinh tế (GDP) có mối quan hệ ngược chiều với tỷ lệ nợ xấu
Biến tốc độ tăng trưởng kinh tế được đưa vào làm biến độc lập của nhiều bài nghiên cứu trước đây Cụ thể, nghiên cứu Dimitrios và cộng sự (2012), Fofack
(2005), Messai và Jouini (2013), Amit Ghosh (2015), Nguyễn Thị Hồng Vinh (2017), đã đưa ra kết luận về tốc độ tăng trưởng có mối quan hệ ngược chiều với tỷ lệ nợ xấu.
Giả thuyết 6: Tỷ lệ thất nghiệp ( UNIT) có mối tương quan cùng chiều với tỷ lệ nợ xấu
Khi thất nghiệp xảy ra, thu nhập của người đi vay sẽ giảm, do đó khả năng hoàn trả nợ gốc cũng như lãi vay của họ sẽ giảm điều này dẫn đến tỷ lệ nợ xấu của ngân hàng sẽ tăng lên (Filip, 2015) Các nghiên cứu của Dimitrios và cộng sự (2012), Messai và Jouini(2013), Amit Ghosh (2015) đưa ra kết luận tỷ lệ thất nghiệp có mối tương quan cùng chiều với tỷ lệ nợ xấu.
Giả thuyết 7: Tỷ lệ lạm phát (INF) có mối tương quan cùng chiều với tỷ lệ nợ xấu
Lạm phát tăng cao sẽ làm cho lãi suất khoản vay tăng ảnh hưởng đến khả
Vân (2015), Nguyễn Thị Như Quỳnh và cộng sự (2018) đã chỉ ra tỷ lệ lạm phát có mối tương quan cùng chiều với tỷ lệ nợ xấu.
Giả thuyết 8: Tỷ lệ nợ xấu năm trước ( NPL it-1 ) có mối tương quan cùng chiều với tỷ lệ nợ xấu
Nợ xấu năm trước đó thể hiện khả năng quản trị đầy rủi ro của ngân hàng từ đó làm nguyên nhân tiềm ẩn cho nợ xấu những năm tiếp theo tăng cao Các nghiên cứu trước đây đã đưa ra kết quả về tỷ lệ nợ xấu năm trước có mối tương quan cùng chiều với tỷ lệ nợ xấu là Salas và Saurina (2002), Nguyễn Thị Như Quỳnh và cộng sự (2018).
Bảng 3.1 Mô tả các biến và mối tương quan kỳ vọng với biến phụ thuộc Tên biến
Mô tả Dấu kỳ vọng
Nghiên cứu có liên quan
SIZE Quy mô tổng tài sản - Salas và Saurina (2002), Amit
Ghosh (2015) CREDIT Tỷ lệ thay đổi dư nợ tín dụng trên dư nợ tín dụng trước đó
+ Nguyễn Kim Phước và cộng sự
(2017) ROE Tỷ lệ lợi nhuận sau thuế trên vốn chủ sở hữu bình quân
- Nguyễn Kim Phước và cộng sự
(2017), Amit Ghosh (2015) nợ cho vay Tùng và Đặng Thị Bạch Vân
(2015) GDP Tốc độ tăng trưởng kinh tế
(2013), Amit Ghosh (2015), Nguyễn Thị Hồng Vinh (2017) UNIT Tỷ lệ thất nghiệp + Dimitrios và cộng sự (2012),
Ghosh (2015) INF Tỷ lệ lạm phát + Bùi Duy Tùng và Đặng Thị Bạch
Vân (2015), Nguyễn Thị Như Quỳnh và cộng sự (2018) NPL it-1 Tỷ lệ nợ xấu trên tổng dư nợ
Thị Như Quỳnh và cộng sự (2018)
Nguồn: Tác giả tổng hợp
THẢO LUẬN KẾT QUẢ NGHIÊN CỨU
PHÂN TÍCH TỰ TƯƠNG QUAN GIỮA CÁC BIẾN
Nguồn: Tác giả trích xuất từ phần mêm stata 16.0
Dựa vào hình 4.3 về ma trận tương quan giữa các biến độc lập tác động ngược chiều đến tỷ lệ nợ xấu bao gồm: SIZE (Quy mô ngân hàng), ROE (Khả năng sinh lời), UNIT (Tỷ lệ thất nghiệp).
Các biến độc lập còn lại: CREDIT (Tăng trưởng tín dụng), GDP (Tốc độ tăng trưởng kinh tế), INF (Tỷ lệ lạm phát), NPL it-1 (Tỷ lệ nợ xấu năm trước), LLR (Dự phòng rủi ro tín dụng) tác động cùng chiều đến tỷ lệ nợ xấu.
Bên cạnh đó, giá trị tuyệt đối của hệ số tương quan đều nhỏ hơn 0,8 cho thấy các biến độc lập không có tương quan mạnh với nhau.
ƯỚC LƯỢNG MÔ HÌNH POOLED OLS
4.4.1 Kết quả ước lượng mô hình
Bảng 4.2 Kết quả ước lượng mô hình Pooled OLS NPL Hệ số hồi quy Độ lệch chuẩn Prob
Nguồn: Tác giả trích xuất từ phần mềm stata 16.0
Kết quả ước lượng mô hình Pooled OLS cho thấy biến CREDIT, GDP, UNIT, INF) không có ý nghĩa thống kê Các biến SIZE, ROE, NPL it-1 , LLR có ý nghĩa thông kê ở mức 5% Mức độ giải thích mô hình ở mức 29,87% với ý nghĩa các biến độc lập được đưa vào mô hình giải thích 29,87% sự thay đổi của biến phụ thuộc NPL.
4.4.2 Kiểm định đa cộng tuyến
Bảng 4.3 Kiểm định đa cộng tuyến (VIF)
Kết quả trong bảng 4.3 cho thấy không có hệ số VIF của biến nào vượt quá 10 và trung bình VIF là 1,57 Vì vậy, kết luận rằng mô hình không xuất hiện hiên tượng đa cộng tuyến Điều đó thể hiện các biến độc lập không có mối quan hệ tuyến tính với nhau, có thể sử dụng để ước lượng mô hình.
4.4.3 Kiểm định phương sai sai số thay đổi
Sau khi điểm định đa cộng tuyến cho mô hình, tác giả tiếp tục thực hiện kiểm định phương sai sai số thay đổi bằng kiểm định White Dựa vào điều kiện dưới đây để phát hiện hiện tượng phương sai sai số thay đổi:
- Prob>chi2 nhỏ hơn 5% (0,05): Hiện tượng phương sai sai số thay đổi
- Prob>chi2 lớn hơn 5% (0,05): Không có hiện tượng phương sai sai số thay đổi
Bảng 4.4 Kiểm định phương sai sai số thay đổi
Mô hình Giá trị P-value
Nguồn: Tác giả trích xuất từ phần mêm stata 16.0
Dựa vào kết quả bảng 4.4, mô hình nghiên cứu có hiện tượng phương sai sai số thay đổi (Prob > chi2 = 0,0000 < 0,05).
4.4.4 Kiểm định tự tương quan
Sau khi kiểm định phương sai sai số thay đổi, tác giả tiếp tục thực hiện kiểm định Whooldridge để phát hiện tự tương quan như sau:
- Prob>F nhỏ hơn 5% (0,05): Có hiện tượng tự tương quan
- Prob>F lớn hơn 5% (0,05): Không có hiện tượng tự tương quan
Nguồn: Tác giả trích xuất từ phần mêm stata 16.0
Dựa vào bảng 4.5, mô hình có hiện tượng tự tương quan (Prob>F = 0,0001 < 0,05).
ƯỚC LƯỢNG MÔ HÌNH FEM
Bảng 4.6 Kết quả ước lượng mô hình FEM NPL Hệ số hồi quy Độ lệch chuẩn Prob
Nguồn: Tác giả trích xuất từ phần mềm stata 16.0
Kết quả ước lượng theo mô hình FEM cho thấy có 4 biến SIZE, ROE, NPLit- 1, LLR có ý nghĩa thông kê ở mức 5% ngược lại các biến CREDIT, GDP, UNIT,
ƯỚC LƯỢNG MÔ HÌNH REM
Bảng 4.7 Kết quả ước lượng mô hình REM NPL Hệ số hồi quy Độ lệch chuẩn Prob
Nguồn: Tác giả trích xuất từ phần mềm stata 16.0
Kết quả ước lượng mô hình REM cho thấy các biến SIZE, ROE, NPLit-1, LLR có ý nghĩa thống kê ở mức 5%, ngược lại các biến CREDIT, GDP, UNIT, INF không có ý nghĩa thống kê Hệ số R 2 = 29,86% (0,298) thể hiện biến độc lập giải thích được29,86% sự biến thiên của mô hình.
TỔNG HỢP KẾT QUẢ MÔ HÌNH NGHIÊN CỨU POOLED OLS, FEM, REM 38
Nguồn: Tác giả tổng hợp từ Stata 16.0
Từ các phân tích trên cho ta thấy rằng mô hình Pooled OLS bị hiện tượng phương sai sai số thay đổi và tự tương quan nên tác giả tiếp tục thực thiện kiểm địnhFEM và REM để tìm ra mô hình phù hợp.
