GIỚI THIỆU
TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Kinh tế quốc gia không thể phát triển bền vững nếu hệ thống tài chính hoạt động không hiệu quả và thiếu ổn định.
Hoạt động tín dụng mang nhiều rủi ro, và một trong những chỉ tiêu quan trọng để đo lường mức độ rủi ro này là tỷ lệ nợ xấu Dữ liệu từ báo cáo tài chính của các ngân hàng cho thấy, trong giai đoạn 2006 – 2012, tỷ lệ nợ xấu đã tăng gấp đôi từ 2% lên 4,08% Tuy nhiên, trong những năm tiếp theo, tỷ lệ nợ xấu đã có sự cải thiện, giảm xuống còn 2,52% vào năm 2016, tức là giảm 1,56% Mặc dù vậy, tổng 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
Theo "Báo cáo Tổng quan thị trường tài chính năm 2017" của Uỷ ban Giám sát Tài chính quốc gia, tỷ lệ nợ xấu trong ngành ngân hàng đạt 9,5%, cao hơn nhiều so với con số mà các ngân hàng tự báo cáo.
Dƣ nợ xấu cuối năm Tỉ lệ nợ xấu
Mặc dù tỷ lệ nợ xấu nội bảng hiện tại cao gấp ba lần mức "dưới 3%" mà Ngân hàng Nhà nước công bố, nhưng theo Uỷ ban giám sát, tỷ lệ này đã giảm đáng kể từ 11,5% vào năm 2016.
Chất lượng tài sản của hệ thống tổ chức tín dụng đã được cải thiện đáng kể, với tỷ lệ nợ xấu giảm mạnh Sự giảm này 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 từ bên ngoài đã giảm.
Trước đó, tại phiên chất vấn trên Quốc hội hồi giữa tháng 11/2017, Thống đốc
Theo báo cáo của Ngân hàng Nhà nước, tỷ lệ nợ xấu tính đến cuối tháng 9/2017 là 2,34%, giảm so với 2,46% vào cuối năm trước Lê Minh Hưng nhấn mạnh rằng đây chỉ là tỷ lệ nợ xấu nội bảng của các ngân hàng, chưa bao gồm các nợ xấu đã bán cho VAMC và không còn trong bảng cân đối tài sản.
Tính đến cuối tháng 9/2017, tổng mức nợ xấu, bao gồm cả nợ tiềm ẩn và nợ VAMC đã mua, đạt khoảng 566.000 tỷ đồng, tương đương tỷ lệ 8,61%, theo thông tin từ ông Hưng.
Theo Uỷ ban Giám sát, quá trình xử lý nợ xấu đã được đẩy nhanh nhờ Nghị quyết 42/2017/QH14, đặc biệt trong những tháng cuối năm Trong năm 2017, ngành ngân hàng đã xử lý tổng cộng 70.000 tỷ đồng nợ xấu Lượng trích lập dự phòng rủi ro của các ngân hàng tăng 24,7% so với cuối năm 2016, với tỷ lệ dự phòng rủi ro tín dụng trên tổng nợ xấu đạt 65,8%.
1 https://kinhdoanh.vnexpress.net/tin-tuc/ebank/uy-ban-giam-sat-ty-le-no-xau-ngan-hang-nam-2017-la-9-5-
Hình 1.2 Kết quả xử lý nợ xấu ngành Ngân hàng theo các hình thức giai đoạn 2012 – 2015
Theo hình 1.2, việc xử lý nợ xấu chủ yếu được thực hiện thông qua VAMC, chiếm 42%, trong khi các ngân hàng thương mại cổ phần (NHTMCP) vẫn phải trích lập dự phòng với tỷ lệ 27% và tự xử lý bằng các nghiệp vụ khác Điều này cho thấy rằng các NHTMCP chủ yếu sử dụng các phương pháp chuyển giao nợ xấu, mà không thể triệt tiêu hoàn toàn nợ xấu.
Nghiên cứu các nhân tố gây nợ xấu tại các ngân hàng thương mại (NHTM) sẽ giúp nhà quản lý ngân hàng chủ động khắc phục và tìm ra giải pháp, chính sách phù hợp để giảm nợ xấu, bên cạnh các yếu tố vĩ mô ngoài tầm kiểm soát Với kinh nghiệm làm việc tại Phòng quản lý rủi ro tín dụng của Ngân hàng TMCP Á Châu, tác giả chọn đề tài “Các nhân tố tác động đến nợ xấu tại các Ngân hàng Thương mại Cổ phần Việt Nam” cho khóa luận Nghiên cứu này nhằm xác định các nhân tố thực sự ảnh hưởng đến nợ xấu của NHTM Việt Nam và mức độ tác động của chúng.
Khách hàng trả nợ Bán phát mại TSBĐ TCTD sử dụng quỹ DPRR Bán nợ cho VAMC Bán nợ khác Hình thức khác
MỤC TIÊU NGHIÊN CỨU
Mục tiêu nghiên cứu của đề tài là xác định các yếu tố ảnh hưởng đến nợ xấu trong hệ thống ngân hàng thương mại cổ phần (TMCP) Việt Nam Tác giả sẽ phân tích, đánh giá và giải thích nguyên nhân của những tác động này Dựa trên những kết quả đạt được, bài viết sẽ đưa ra một số giải pháp và khuyến nghị nhằm kiểm soát và quản lý nợ xấu hiệu quả cho các ngân hàng.
Đề tài này tập trung vào việc làm rõ các lý luận cơ bản và lý thuyết nền tảng liên quan đến nợ xấu, đồng thời phân tích những yếu tố ảnh hưởng đến nợ xấu Bài viết cũng tổng hợp các nghiên cứu trước đây về nợ xấu đã được thực hiện trên thế giới và tại Việt Nam, nhằm cung cấp cái nhìn toàn diện về vấn đề này.
- Xây dựng mô hình hồi quy và phương pháp nghiên cứu các nhân tố tác động đến nợ xấu
- Kết quả hồi quy, ƣớc lƣợng 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 TƢỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tƣợng 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
Khóa luận nghiên cứu các nhân tố vĩ mô và vi mô ảnh hưởng đến nợ xấu của 25 ngân hàng thương mại cổ phần (NHTMCP) tại Việt Nam Theo thống kê của NHNN Việt Nam, tính đến ngày 30/06/2017, cả nước có 31 NHTMCP, trong đó một số ngân hàng đã sáp nhập như MHB – BIDV (2015), Mekong Bank - Maritime Bank (2015), Southern Bank – Sacombank (2015), Habubank vào SHB (2012) và Đại Á vào HDBank (2013) Tuy nhiên, nghiên cứu chỉ tập trung vào 25 ngân hàng đáp ứng tiêu chí hoạt động đến hết năm 2017 và công bố đầy đủ dữ liệu cần thiết.
2 Danh sách ngân hàng cụ thể đƣợc đề cập ở phụ lục 1
Trong giai đoạn 2006 – 2016, nghiên cứu về các nhân tố ảnh hưởng đến nợ xấu ngân hàng trở nên quan trọng, vì dữ liệu thu thập được trong thời kỳ này đầy đủ và phù hợp với phương pháp nghiên cứu.
PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU
Bài viết này áp dụng các phương pháp nghiên cứu định tính như thống kê, so sánh, phân tích và tổng hợp, cùng với các phương pháp diễn dịch và quy nạp Đồng thời, nó cũng chú trọng vào việc sử dụng phương pháp định lượng để thực hiện các phân tích một cách có hệ thống.
Trong nghiên cứu này, tác giả đã áp dụng năm mô hình ước lượng, bắt đầu với việc sử dụng Pooled Ordinary Least Squares (Pooled OLS), Fixed Effects Model (FEM) và Random Effects Model (REM) để xác định mô hình phù hợp Sau đó, tác giả kiểm tra các khuyết tật của mô hình như tự tương quan, đa cộng tuyến và phương sai thay đổi Đặc biệt, với việc sử dụng biến trễ của biến phụ thuộc, nghiên cứu đã xác định rằng mô hình có dữ liệu dạng bảng động và biến trễ có thể là biến nội sinh Do đó, phương pháp Mô-men tổng quát (GMM) của Arellano và Bonds (1991) được áp dụng để kiểm định mối quan hệ giữa các yếu tố tác động đến nợ xấu của NHTMCP Việt Nam Tuy nhiên, dữ liệu thu thập không đủ vững cho mô hình GMM, vì vậy tác giả đã chuyển sang phương pháp bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares – FGLS) để kiểm soát hiện tượng phương sai thay đổi, ước tính mô hình theo phương pháp OLS ngay cả khi có hiện tượng phương sai thay đổi hoặc tự tương quan.
Dữ liệu vi mô được thu thập từ báo cáo thường niên của các ngân hàng niêm yết, trong khi dữ liệu vĩ mô được lấy từ trang thông tin của Ngân hàng Thế giới Trong quá trình thu thập, một số ngân hàng thương mại cổ phần Việt Nam không công bố thông tin trong một số năm, dẫn đến bảng dữ liệu không cân bằng.
1.4.2 Dữ liệu nghiên cứu của đề tài
Bộ dữ liệu vĩ mô
Dữ liệu vĩ mô trong khóa luận này bao gồm tốc độ tăng trưởng GDP, tỷ lệ lạm phát và tỷ lệ thất nghiệp hàng năm từ 2006 đến 2016, được thu thập từ các báo cáo thường niên của Ngân hàng Nhà nước (NHNN) và các nguồn như Tổng cục Thống kê, WB, IMF Qua việc so sánh dữ liệu từ các nguồn này, tác giả nhận thấy sự khác biệt do phương pháp tính toán và cách thu thập số liệu không đồng nhất Đặc biệt, việc thu thập số liệu cũ tại Việt Nam gặp nhiều khó khăn, do đó, tác giả đã quyết định sử dụng bộ dữ liệu vĩ mô từ trang thông tin của 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 bao gồm các yếu tố như tăng trưởng tín dụng, tăng trưởng quy mô ngân hàng, tỷ lệ nợ xấu năm trước và tỷ lệ ROE hàng năm của 25 NHTMCP Việt Nam trong giai đoạn 2006 – 2016 Thông tin này được thu thập chủ yếu từ các báo cáo thường niên và báo cáo tài chính của các ngân hàng thương mại hàng 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 đóng vai trò quan trọng trong hệ thống tài chính, nhưng hiện nay đang phải đối mặt với nhiều rủi ro do ảnh hưởng của các yếu tố vĩ mô và vi mô Nghiên cứu này nhằm tìm hiểu tác động của những yếu tố này đến nợ xấu của các NHTM Việt Nam, từ đó đưa ra các kiến nghị để ngăn ngừa và hạn chế nợ xấu Chương 1 của bài nghiên cứu cung cấp cái nhìn tổng quát về nội dung 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 nhƣ thế nào?
Nợ xấu, hay còn gọi là “Non-performing loans” (NPL), “bad debt” hay “doubtful debt”, là các khoản nợ khó thu hồi mà ngân hàng không thể kiếm lợi từ chúng Theo định nghĩa, nợ xấu bao gồm các khoản vay có vấn đề hoặc khoản nợ không trả được, thường được xác định khi đã quá hạn trả nợ gốc và lãi 90 ngày trở lên Hiện tại, chưa có quy tắc hay chuẩn mực thống nhất nào để thảo luận về vấn đề nợ xấu.
Có thể đề cập đến một số khái niệm về nợ xấu nhƣ sau:
Theo hướng dẫn của Quỹ Tiền tệ Quốc tế (IMF), nợ xấu được xác định khi khoản vay có tiền thanh toán lãi và/hoặc gốc quá hạn trên 90 ngày, hoặc các khoản thanh toán lãi đã được tái cơ cấu nhưng vẫn quá hạn, hoặc thậm chí các khoản dưới 90 ngày nhưng có lý do nghi ngờ về khả năng thanh toán Nhóm chuyên gia tư vấn của Liên hợp quốc cũng đồng tình với quan điểm này, nhấn mạnh rằng nợ xấu cơ bản là các khoản vay quá hạn trên 90 ngày hoặc các khoản lãi chưa trả từ 90 ngày trở lên đã được nhập gốc hoặc tái cấp vốn, cùng với những khoản thanh toán dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ khả năng hoàn trả đầy đủ.
Ủy ban Basel về Giám sát Ngân hàng không đưa ra định nghĩa cụ thể về nợ xấu, nhưng trong các hướng dẫn quản lý nợ xấu tại một số quốc gia, họ xác định 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.
Ngân hàng xác định rằng người vay không đủ khả năng trả nợ khi chưa thực hiện bất kỳ biện pháp nào để thu hồi nợ, như việc xử lý tài sản đảm bảo.
Hai là, người vay đã quá hạn trả nợ (trên 90 ngày)
Tại Việt Nam, Ngân hàng Nhà nước định nghĩa nợ xấu là những khoản nợ thuộc nhóm 3 (Nợ dưới tiêu chuẩn), nhóm 4 (Nợ nghi ngờ) và nhóm 5 (Nợ có khả năng mất vốn) Cụ thể, nợ nhóm 3 bao gồm các khoản nợ quá hạn từ 90 đến 180 ngày.
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
Theo phương pháp định lượng, việc xác định nợ xấu từ 90 ngày trở lên có sự tương đồng giữa các tổ chức quốc tế và Việt Nam Tuy nhiên, để có đánh giá chính xác và toàn diện, cần xem xét khả năng trả nợ của khách hàng.
Theo Đinh Thị Thanh Vân (2012), phân loại nợ là quá trình mà các ngân hàng đánh giá danh mục cho vay để phân chia các khoản vay thành các nhóm khác nhau dựa trên rủi ro và đặc điểm tương đồng Việc này giúp ngân hàng kiểm soát chất lượng danh mục cho vay và xử lý kịp thời các vấn đề liên quan đến tín dụng Tuy nhiên, việc phân loại nợ thiếu tiêu chuẩn kế toán quốc tế thống nhất, và nó thường được xem như trách nhiệm của người quản lý hoặc vấn đề báo cáo giám sát (Laurin và cộng sự, 2002).
Thông tư 02/2013/TT-NHNN, ban hành ngày 21 tháng 01 năm 2013, quy định bởi Thống đốc Ngân hàng Nhà nước Việt Nam, nêu rõ các quy định về phân loại tài sản có, mức trích và phương pháp trích lập dự phòng rủi ro Thông tư cũng hướng dẫn việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của tổ chức tín dụng và chi nhánh ngân hàng nước ngoài.
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
Bài viết này phân loại nợ thành bốn nhóm chính: cho vay không rủi ro, cho vay có dấu hiệu rủi ro, nợ có dấu hiệu không thu hồi, và nợ xấu Đặc biệt, cần lưu ý rằng hiện tại không có quy định cụ thể nào về việc lập dự phòng cho các nhóm nợ này.
Nhật 5 Dự phòng cụ thể
Chi phí dự phòng cho 3 nhóm cuối với tỷ lệ lần lƣợt là 15%, 70%, 100%
Brazil 9 Dự phòng cụ thể
9 nhóm đƣa 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 đƣa ra quy định cụ thể
Argentina 5 Dự phòng chung và dự phòng cụ thể
Tỷ lệ dự phòng cho 5 nhóm lần lƣợt là 1%, 3%, 12%, 25%, 50% Úc 5 Không đƣa 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 lƣợt 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 đƣợc 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
Nguồn: (Laurin và cộng sự, 2002)
Ngân hàng thế giới (World Bank) đã tiến hành phân loại nợ nhƣ 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 đƣợc thỏa thuận lại
- Quá hạn từ 90 – 180 ngày Đáng ngờ - Không chắc thu hồi đƣợc toàn bộ nợ dựa trên các điều kiện hiện tại
Singapore 5 Dự phòng cụ thể
Tỷ lệ trích lập dự phòng cho 3 nhóm cuối tối thiểu lần lƣợt 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 lƣợt 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%
- Có khả năng thất thoát
- Quá hạn từ 180 – 360 ngày Mất vốn - Các khoản vay không thu hồi đƣợc
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 loại nợ có gốc và lãi được thanh toán đúng hạn, không có dấu hiệu khó khăn trong việc thanh toán, và dự báo khả năng hoàn trả gốc cùng lãi đầy đủ theo cam kết.
Nợ cần chú ý là những khoản nợ có nguy cơ cao không được thanh toán đầy đủ gốc và lãi nếu không có biện pháp xử lý kịp thời Do đó, việc quản lý và giám sát các khoản nợ này là rất quan trọng để giảm thiểu rủi ro tài chính.
Khoản nợ này được xác định là có nguy cơ không thanh toán đầy đủ gốc và lãi theo cam kết, bao gồm cả trường hợp gốc hoặc lãi quá hạn trên 90 ngày Ngoài ra, sự giảm giá trị của tài sản bảo đảm cũng có thể dẫn đến rủi ro giảm giá trị khoản vay nếu không được xử lý kịp thời.
Nợ nghi ngờ là khoản nợ mà khả năng thu hồi đầy đủ gốc và lãi trong tình hình hiện tại là không khả thi, hoặc khoản nợ có lãi và/hoặc gốc đã quá hạn trên 180 ngày.
Nợ nhóm này đã giảm giá trị nhưng vẫn chưa mất hoàn toàn vốn, vì còn tồn tại những yếu tố có khả năng cải thiện chất lượng nợ.
Nợ mất vốn Là nợ đƣợc 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 đƣợc phân loại theo 5 nhóm:
Bảng 2.4 Phân loại nợ của Việt Nam Nhóm nợ Phương pháp định lượng Phương pháp định tính
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, nhƣng có dấu hiệu suy giảm khả năng trả nơ
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 và nợ đã được cơ cấu lại thời hạn trả nợ lần thứ hai nhưng vẫn quá hạn, cũng như nợ được cơ cấu lại thời hạn trả nợ từ lần thứ ba trở lên đều là những vấn đề nghiêm trọng cần được chú ý.
Không còn khả năng thu hồi, mất vốn
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
Nghiên cứu của Salas và Suarina (2002) sử dụng dữ liệu bảng để phân tích các yếu tố quyết định nợ xấu tại các ngân hàng thương mại và Quỹ tiết kiệm Tây Ban Nha trong giai đoạn 1985 – 1987 Kết quả cho thấy có mối quan hệ ngược chiều giữa GDP và nợ xấu, tức là khi GDP tăng thì nợ xấu giảm và ngược lại Ngoài ra, quy mô ngân hàng cũng có tác động tiêu cực đến nợ xấu, trong khi tăng trưởng tín dụng được xác định 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
Nghiên cứu trên 75 quốc gia trong giai đoạn 2005 – 2010 nhằm phân tích các yếu tố ảnh hưởng đến nợ xấu đã sử dụng kỹ thuật thống kê mômen tổng quát với mô hình hai bước của Arellano – Bond Kết quả chỉ ra rằng tỷ lệ nợ xấu với độ trễ một năm và lãi suất cho vay có tác động tích cực đến tỷ lệ nợ xấu Bên cạnh đó, nghiên cứu cũng phát hiện ra rằng tỷ lệ tăng trưởng kinh tế có tác động ngược chiều đến tỷ lệ nợ xấu ở các quốc gia này.
Ahlem Selma Messai và Fathi Jouini (2013) đã tiến hành nghiên cứu dựa trên dữ liệu của 85 ngân hàng tại ba quốc gia là Ý, Hy Lạp và Tây Ban Nha trong giai đoạn từ 2004 đến 2008 Ba quốc gia này đại diện cho những nước chịu nhiều bất ổn sau khủng hoảng kinh tế.
Năm 2008, các ngân hàng lớn với số lượng nợ xấu cao đã được lựa chọn để nghiên cứu Các biến kinh tế vĩ mô như tỷ lệ tăng trưởng GDP, tỷ lệ thất nghiệp và lãi suất cho vay thực, cùng với các biến vi mô như tỷ suất sinh lời trên tổng tài sản (ROA), sự thay đổi trong các khoản vay và tỷ lệ dự phòng rủi ro, đã được xem xét Kết quả cho thấy lãi suất cho vay và tỷ lệ dự phòng rủi ro tín dụng có tác động thuận chiều với tỷ lệ nợ xấu, trong khi tỷ lệ tăng trưởng kinh tế và ROA lại tỷ lệ nghịch với nợ xấu tại các quốc gia 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
Nghiên cứu năm 1998 đã thu thập dữ liệu từ 10 ngân hàng ở 16 quốc gia, nhằm phân tích các yếu tố ảnh hưởng đến nợ xấu tại khu vực Trung, Đông và Đông Nam châu Âu Các yếu tố này bao gồm đặc trưng ngân hàng như ROE, tổng dư nợ trên tổng tài sản và tỷ lệ tăng trưởng tín dụng, cùng với các yếu tố vĩ mô của từng quốc gia như tỷ lệ thất nghiệp, tỷ lệ lạm phát và tỷ lệ hối đoái Ngoài ra, các yếu tố vĩ mô khu vực như tốc độ tăng trưởng GDP thực và chỉ số cổ phiếu 500 của Standard & Poor – VIX cũng được xem xét Kết quả cho thấy ROE có mối quan hệ tỷ lệ nghịch với nợ xấu, trong khi tổng dư nợ trên tổng tài sản và tốc độ tăng trưởng GDP khu vực có ảnh hưởng đáng kể đến khả năng thanh toán của doanh nghiệp.
Nghiên cứu của Makri và cộng sự (2014) về nợ xấu tại 17 quốc gia Châu Âu trong giai đoạn 2000 – 2008 chỉ ra rằng có mối quan hệ ngược chiều giữa tỷ lệ nợ xấu và tăng trưởng GDP, trong khi đó tỷ lệ nợ xấu lại có mối quan hệ cùng chiều với tỷ lệ thất nghiệp Ngoài ra, nghiên cứu cũng xác định các yếu tố ảnh hưởng đến nợ xấu như tỷ lệ an toàn vốn tối thiểu, tỷ lệ nợ xấu năm trước và lợi nhuận trên vốn chủ sở hữu Cụ thể, khi GDP tăng trưởng, tỷ lệ nợ xấu của các ngân hàng có xu hướng giảm.
Ekanayake (2015) đã tiến hành nghiên cứu trên 9 ngân hàng thương mại tại Sri Lanka trong giai đoạn từ năm 1999 đến 2012 Kết quả cho thấy nợ xấu chịu ảnh hưởng từ cả các yếu tố vĩ mô và vi mô trong ngân hàng Trong số các yếu tố vĩ mô, GDP và lạm phát có tác động tiêu cực, với nhận định rằng trong thời kỳ lạm phát cao, tỷ lệ nợ xấu lại thấp hơn so với các thời điểm khác Ngược lại, lãi suất cho vay có tác động tích cực đến nợ xấu.
Fillip (2015) đã thiết kế và thử nghiệm hai mô hình kinh tế sử dụng dữ liệu bảng cho Romania và châu Âu trong giai đoạn 2000 – 2012 Nghiên cứu chỉ ra mối quan hệ nghịch chiều có ý nghĩa giữa tỷ lệ nợ xấu và tăng trưởng GDP thực, đồng thời cho thấy sự tương quan thuận chiều với 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 –
Năm 2013, tác giả chỉ ra rằng tăng trưởng GDP, thu nhập cá nhân và giá nhà ở có mối quan hệ tỷ lệ nghịch với nợ xấu Ngược lại, tỷ lệ thất nghiệp và nợ công Mỹ gia tăng đã làm tăng đáng kể nợ xấu Bên cạnh đó, các yếu tố như vốn hóa lớn hơn, rủi ro thanh khoản, chất lượng tín dụng kém, chi phí không hiệu quả cao và quy mô ngành ngân hàng cũng góp phần làm gia tăng nợ xấu, trong khi lợi nhuận ngân hàng cao hơn lại giúp giảm nợ xấu.
Nghiên cứu của Vithessonthi (2016) áp dụng hồi quy OLS và hồi quy hai bước GMM trên dữ liệu bảng của 82 NHTM niêm yết tại Nhật Bản trong giai đoạn 1993 – 2013, cho thấy rằng tăng trưởng tín dụng ngân hàng có mối quan hệ tích cực với nợ xấu trước khủng hoảng tài chính toàn cầu năm 2007, nhưng lại chuyển sang mối quan hệ tiêu cực sau khủng hoảng Kết quả này chỉ ra rằng cuộc khủng hoảng đã làm thay đổi cơ chế cho vay ngân hàng, ảnh hưởng đến nợ xấu tại Nhật Bản Các quốc gia đang đối mặt với áp lực giảm phát để thúc đẩy tăng trưởng kinh tế, nhưng điều này cũng tiềm ẩn nguy cơ lớn hơn cho hệ thống ngân hàng do tăng nguồn cung Tác giả nhấn mạnh rằng tăng trưởng tín dụng không nhất thiết dẫn đến nợ xấu cao hơn và khẳng định rằng tỷ lệ tăng trưởng tín dụng và nợ xấu không ảnh hưởng đến lợi nhuận của ngân hàng.
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 dƣ nợ trên tổng tài sản Các yếu tố vĩ mô nhƣ 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) đã áp dụng phương pháp dữ liệu bảng động để phân tích ảnh hưởng của các yếu tố nội tại đến nợ xấu của các ngân hàng thương mại Việt Nam trong giai đoạn 2004 – 2014 Qua việc xử lý GMM hai bước với các biến vĩ mô làm biến kiểm soát, nghiên cứu cho thấy nợ xấu của các ngân hàng thương mại Việt Nam bị ảnh hưởng nghịch chiều bởi các yếu tố nội tại như chất lượng quản trị và rủi ro đạo đức Đặc biệt, mức độ kiểm soát của chủ sở hữu lại có mối quan hệ cùng chiều với tỷ lệ nợ xấu, điều này trái ngược với lý thuyết hiện hành.
Lê Hoàng Anh và Mai Thị Phương Thùy (2015) áp dụng phương pháp vector tự hồi quy (VAR) để phân tích dữ liệu chuỗi thời gian theo quý từ quý IV năm 2006 đến quý I năm 2015 Nghiên cứu sử dụng các biến như tốc độ tăng trưởng GDP, chỉ số giá tiêu dùng và tăng trưởng tín dụng nhằm đánh giá tác động của các cú sốc từ những biến này đến tỷ lệ nợ xấu trong hệ thống.
Kết quả kiểm định nhân quả Granger cho thấy rằng không có mối quan hệ hai chiều giữa nợ xấu trong hệ thống ngân hàng thương mại Việt Nam và các chỉ số như giá tiêu dùng cũng như tăng trưởng tín dụng Thay vào đó, mối quan hệ giữa các biến này chỉ mang tính chất một chiều.
Nguyễn Thị Hồng Vinh (2015) đã phân tích các yếu tố tác động đến nợ xấu của hệ thống ngân hàng thương mại (NHTM) Việt Nam trong giai đoạn 2007 – 2014, sử dụng ba mô hình ước lượng dữ liệu bảng là FE, DGMM và SGMM Nghiên cứu cho thấy cả yếu tố đặc thù và vĩ mô đều ảnh hưởng quan trọng đến nợ xấu, trong đó khả năng sinh lời và tăng trưởng kinh tế có tác động ngược chiều Bên cạnh đó, nợ xấu trong quá khứ, quy mô ngân hàng và tăng trưởng tín dụng đều tác động cùng chiều đến nợ xấu Đặc biệt, phương pháp GMM hệ thống chỉ ra rằng vốn chủ sở hữu và lạm phát có ảnh hưởng đáng kể 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 lý thuyết và các nghiên cứu trước đây, có nhiều yếu tố ảnh hưởng đến nợ xấu trên toàn cầu Các yếu tố vĩ mô như tốc độ tăng trưởng GDP, tỷ lệ lạm phát và tỷ lệ thất nghiệp đóng vai trò quan trọng Bên cạnh đó, các yếu tố vi mô trong ngân hàng như quy mô ngân hàng, tỷ lệ tăng trưởng tín dụng và tỷ lệ ROE cũng ảnh hưởng đáng kể Qua việc phân tích thực trạng nợ xấu của các ngân hàng thương mại Việt Nam từ năm 2006 đến nay, tác giả nhận thấy rằng các yếu tố này là nguyên nhân chính dẫn đến tình trạng nợ xấu Vì vậy, tác giả đã lựa chọn 07 nhân tố để sử dụng trong mô hình nghiên cứu cho đề tài.
NPLit = it-1 ( ) it it it,
Biến i và t đại diện cho đường chéo và chiều thời gian trong mẫu dữ liệu bảng, trong đó NPL it là biến phụ thuộc, được xác định bằng logarit của tỷ lệ nợ xấu ngân hàng thứ i trong năm t Theo nghiên cứu của Nguyễn Thị Hồng Vinh (2015) và Nguyễn Tuấn Kiệt cùng Định Hùng Phú (2016), việc này nhằm đảm bảo rằng biến phụ thuộc nằm trong khoảng [- và có phân phối đối xứng.
Biến phụ thuộc NPLit được giải thích bởi độ trễ NPLit-1, tức là tỷ lệ nợ xấu của năm trước Độ trễ này được biểu thị qua vecto đa thức Xit là vecto của các yếu tố vi mô đặc thù của ngân hàng, bao gồm khả năng sinh lời (ROE it), tỷ lệ tăng trưởng tín dụng (CREDIT it) và quy mô ngân hàng (SIZE it) Tất cả các biến này đều được tính bằng 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 trong mô hình nghiên cứu là tỷ lệ nợ xấu trên tổng dư nợ (NPLit), phản ánh chất lượng tài sản của ngân hàng Tỷ lệ này được tính bằng tổng giá trị nợ dưới tiêu chuẩn (nợ nhóm 3), nợ nghi ngờ (nợ nhóm 4) và nợ có khả năng mất vốn (nợ nhóm 5), chia cho tổng dư nợ tín dụng, sau khi áp dụng giá trị logarit tự nhiên.
Nhiều ngân hàng trên thế giới và tại Việt Nam sử dụng chỉ tiêu NPL để nghiên cứu nợ xấu Các nghiên cứu tiêu biểu bao gồm Ekanayake (2015) và Al-Khazali cùng cộng sự (2017) ở quốc tế, cùng với các công trình của Nguyễn Thị Hồng Vinh (2015) và Nguyễn Tuấn Kiệt, Đinh Hùng Phú (2016) trong nước.
3.1.2 Biến độc lập 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
Nghiên cứu cho thấy quy mô ngân hàng có tác động tích cực đến tỷ lệ nợ xấu, với nhiều tác giả như 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) ủng hộ quan điểm này Tuy nhiên, nghiên cứu của Salas và Suarina (2002) lại chỉ ra mối tương quan nghịch chiều giữa quy mô ngân hàng và tỷ lệ nợ xấu.
Ngân hàng có tổng tài sản lớn thể hiện quy mô lớn, giúp nâng cao khả năng đầu tư vào quy trình tín dụng và quản trị rủi ro Quy mô lớn cùng với thị phần cao cho phép ngân hàng thương mại đa dạng hóa hoạt động tín dụng, từ đó giảm thiểu rủi ro tập trung tín dụng.
Từ kết quả các nghiên cứu trước và lý thuyết về quy mô ngân hàng trình bày ở trên, nghiên cứu đƣa ra giả thuyết nhƣ sau:
Giả thuyết H 0 : Quy mô ngân hàng tác động cùng chiều đến nợ xấu
) Các nghiên cứu về ảnh hưởng của yếu tố tăng trưởng tín dụng có các kết quả không thống nhất
Nhiều nghiên cứu đã chỉ ra rằng tỷ lệ nợ quá hạn và nợ xấu có mối liên hệ chặt chẽ với tốc độ tăng trưởng tín dụng nhanh chóng Keeton (1999) đã phân tích dữ liệu từ các ngân hàng thương mại tại Hoa Kỳ trong giai đoạn 1982 – 1996 và xác định rằng sự tăng trưởng tín dụng nhanh chóng dẫn đến tỷ lệ nợ xấu cao Tương tự, Salas và Saurina (2002) đã phát hiện mối liên hệ giữa tăng trưởng dư nợ cho vay và khoản vay không khả năng thanh toán ở các ngân hàng Tây Ban Nha Weinberg (1995) cho rằng rủi ro cho vay gia tăng trong thời kỳ phát triển kinh tế do lợi nhuận kỳ vọng từ các dự án đầu tư cải thiện, dẫn đến việc ngân hàng nới lỏng tiêu chuẩn bảo lãnh phát hành, trong khi hoạt động tín dụng cần thắt chặt hơn, từ đó làm gia tăng nợ xấu Các nghiên cứu của Klein (2013), Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013), cùng Nguyễn Thị Hồng Vinh (2015) cũng đồng tình với quan điểm này.
Nghiên cứu của Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2016) cho thấy tốc độ tăng trưởng tín dụng có mối tương quan nghịch với nợ xấu Cụ thể, tại Việt Nam, các khoản tín dụng thường phát sinh nợ xấu sau một năm, điều này dẫn đến việc ngân hàng phải giảm tốc độ tăng trưởng tín dụng khi tỷ lệ nợ xấu cao trong năm trước Hơn nữa, ngân hàng cũng phải tập trung vào việc xử lý nợ xấu do áp lực từ 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 (
Hầu hết các nghiên cứu thực nghiệm về nợ xấu cho thấy có mối quan hệ ngược chiều giữa nợ xấu và khả năng sinh lời của ngân hàng, theo Klein.
(2013), Ghosh (2015), Lê Hoàng Anh và Mai Thị Phương Thùy (2015), Nguyễn Tuấn Kiệt và Đinh Hùng Phú (2016)
Ngân hàng có khả năng sinh lời cao thường ít tham gia vào các hoạt động cấp tín dụng rủi ro, trong khi những ngân hàng hoạt động kém hiệu quả lại có xu hướng cấp tín dụng không đạt chuẩn để cải thiện lợi nhuận Điều này dẫn đến việc các ngân hàng kém hiệu quả dễ dàng phát sinh các khoản nợ xấu hơn.
Lợi nhuận của các ngân hàng Việt Nam chủ yếu đến từ hoạt động tín dụng, do đó, khi lợi nhuận cao, chất lượng các khoản vay cũng tốt Điều này dẫn đến việc vốn và lãi được thu hồi đầy đủ, đồng thời tỷ lệ nợ xấu sẽ thấp (Nguyễn Tuấn Kiệt & Đinh Hùng Phú, 2016).
Vì vậy, tác giả đƣa ra giả thuyết cho mô hình nghiên cứu nhƣ sau:
Giả thuyết H 0 : Khả năng sinh lời của ngân hàng tác động ngược chiều với tỷ lệ nợ xấu
+ Tỷ lệ nợ xấu kỳ trước (NPL it-1 )
Cách đo lường: NPLit-1 = logarit(
Theo nghiên cứu của Marki và cộng sự (2014), việc thu hồi nợ không hiệu quả góp phần làm gia tăng nợ xấu và gây khó khăn trong xử lý các khoản nợ này Hơn nữa, các khoản nợ xấu chưa được giải quyết triệt để từ các năm trước sẽ tiếp tục 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 là những yếu tố từ môi trường bên ngoài mà ngân hàng không thể kiểm soát, dẫn đến tình trạng nợ xấu Những yếu tố này thường diễn ra ngoài ý muốn và khó có thể dự đoán chính xác.
+ Tốc độ tăng trưởng kinh tế GDP
DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Luận văn sử dụng dữ liệu vi mô từ báo cáo tài chính của 25 ngân hàng thương mại cổ phần (NHTMCP) Việt Nam trong giai đoạn 2006 – 2016 Việc lựa chọn 25 ngân hàng này là do chúng là những ngân hàng duy nhất công bố đầy đủ dữ liệu cần thiết trong khoảng thời gian đó Các ngân hàng được chọn phải đáp ứng tiêu chí tồn tại và hoạt động đến hết năm 2016, đồng thời có số liệu thống kê liên tục trong suốt 10 năm.
Tác giả sử dụng dữ liệu vĩ mô từ các nguồn uy tín như World Bank và IMF, bao gồm tốc độ tăng trưởng GDP, tỷ lệ lạm phát và tỷ lệ thất nghiệp để phân tích tình hình kinh tế.
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 đƣợc 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 đƣợc ƣa thích hơn
Tiếp theo, tác giả kiểm định các khuyết tật của mô hình FEM:
Để kiểm định hiện tượng đa cộng tuyến, chúng ta sử dụng ma trận tương quan giữa các biến và hệ số nhân tử phóng đại VIF Phương pháp này giúp loại trừ các biến có mối liên hệ chặt chẽ với nhau, đảm bảo độ chính xác trong phân tích dữ liệu.
- 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
5 Đƣợc đề cập trong phần phụ lục
Mô hình Generalized Method of Moments (GMM) được áp dụng để giải quyết vấn đề nội sinh và phương sai thay đổi trong nghiên cứu Hiện tượng nội sinh xảy ra khi biến độc lập có mối quan hệ hai chiều với biến phụ thuộc hoặc bị ảnh hưởng bởi phần dư của mô hình Để khắc phục điều này, Lars Peter Hansen (1982) đã giới thiệu việc sử dụng biến công cụ, có mối liên hệ chặt chẽ với biến độc lập và phụ thuộc nhưng không tương quan với phần dư Trong nghiên cứu này, các biến SIZEit, CREDITit, ROEit được sử dụng làm biến công cụ với giá trị độ trễ thứ nhất, trong khi NPL it-1, GDP it, INF it và UNT it được xem là biến công cụ với giá trị hiện tại Tính hợp lý của các biến công cụ trong phương pháp GMM được kiểm tra qua thống kê Sargan (1958), với yêu cầu số lượng biến công cụ không vượt quá số nhóm đối tượng nghiên cứu, trong đó mỗi ngân hàng trong giai đoạn 2006 – 2016 được coi là một nhóm.
25 nhóm tương ứng với 25 ngân hàng) Bên cạnh đó, kiểm định Arellano & Bond –
AR (1991) đã kiểm tra tính chất tự tương quan của phương sai sai số trong mô hình GMM ở dạng sai phân, sử dụng tương quan bậc hai AR (2) để kiểm tra tự tương quan ở mọi cấp độ Mặc dù các điều kiện khác đều thỏa mãn, kết quả mô hình cho thấy kiểm định Sargan không đạt yêu cầu Do đó, phương pháp GMM không khả thi trong nghiên cứu này.
Tác giả áp dụng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS) để kiểm soát hiện tượng phương sai thay đổi, ước tính mô hình bằng phương pháp OLS ngay cả khi có sự tồn tại của hiện tượng này Các sai số từ mô hình được sử dụng để ước tính ma trận phương sai – hiệp phương sai Cuối cùng, ma trận này giúp chuyển đổi các tham số cần tìm trong mô hình Kết quả p-value đạt ý nghĩa thống kê cao ở mức 1%, do đó, các hệ số trong mô hình FGLS được chọn làm kết quả cuối cùng của khóa luận.
Chương này nhằm đề xuất một mô hình nghiên cứu cụ thể, bao gồm cách chọn biến, giả thuyết nghiên cứu và lý do lựa chọn các biến trong mô hình Ngoài ra, chương cũng trình bày chi tiết về các nguồn dữ liệu thu thập và phương pháp đo lường các biến Đặc biệt, tác giả làm rõ phương pháp ước lượng mô hình và các kiểm định tương ứng.
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 đƣợc.
KẾT QUẢ NGHIÊN CỨU THỰC NGHIỆM
THỐNG KÊ MÔ TẢ
Trong nghiên cứu, việc xác định kích thước mẫu đại diện cho mẫu tổng thể là rất quan trọng Hiện nay, có nhiều kỹ thuật để thực hiện điều này Theo kinh nghiệm của Green (1991), công thức được khuyến nghị để xác định cỡ mẫu là n = 50 + 8m.
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 đƣợc thuyết phục hơn là: n 104 + m (3)
Theo công thức (3), kích thước mẫu tối thiểu cần có 111 số quan sát Nghiên cứu này sử dụng dữ liệu từ 25 ngân hàng thương mại cổ phần tại Việt Nam, với báo cáo tài chính và báo cáo thường niên công khai từ năm 2006 đến 2016 Do một số ngân hàng mới công bố thông tin gần đây và một số đã tiến hành hợp nhất, tổng số liệu cuối cùng trong mẫu nghiên cứu đạt 275 số quan sát, đảm bảo đáp ứng yêu cầu theo công thức đã đề ra.
Để có cái nhìn rõ nét về các biến quan sát, khóa luận áp dụng phương pháp thống kê mô tả với các chỉ tiêu như số quan sát, số trung bình, độ lệch chuẩn, giá trị lớn nhất và nhỏ nhất Những chỉ tiêu này giúp làm nổi bật các đặc trưng của các biến trong mẫu nghiên cứu Đặc biệt, giá trị của các biến đã được chuyển đổi sang logarit tự nhiên để đảm bảo chúng nằm trong khoảng [- và phân phối đối xứng.
Bảng 4.1 Thống kê mô tả các biến trong mô hình
Biến Số quan sát Trung bình Độ lệch chuẩn Giá trị nhỏ nhất
Nguồn: Kết xuất từ phần mềm Stata 13
Bảng 4.1 trình bày giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất và giá trị lớn nhất của các biến trong nghiên cứu Cỡ mẫu nghiên cứu gồm 275 quan sát, với 269 quan sát cho mỗi biến, cho thấy đây là cỡ mẫu chấp nhận được để thực hiện phân tích hồi quy trong thống kê.
KẾT QUẢ MÔ HÌNH NGHIÊN CỨU
Nguồn: Kết xuất từ phần mềm Stata 13
Hệ số tương quan đơn tuyến tính Pearson được sử dụng để xác định mối quan hệ giữa các biến trong mô hình Từ kết quả ma trận tương quan, tác giả phân tích sự tương quan giữa các biến phụ thuộc và biến độc lập, cũng như mối quan hệ giữa các biến độc lập với nhau, theo bảng 4.2.
Kết quả phân tích tương quan mô hình nghiên cứu, có thể thấy các biến độc lập gồm
GDP, INF, và UNT có tác động ngược chiều đến NPL, trong khi các biến độc lập như NPL-1, ROE và SIZE lại ảnh hưởng cùng chiều với NPL Để phát hiện hiện tượng đa cộng tuyến giữa các biến, cần xem xét ma trận tương quan giữa chúng, theo nghiên cứu của Farrar & Glauber (1967), Gujarati (1995) và White.
Năm 1998, nếu hệ số tương quan giữa các cặp biến vượt quá 0,8, phương trình hồi quy sẽ gặp vấn đề đa cộng tuyến Để giảm thiểu hiện tượng này, tác giả đã kiểm tra sự tương quan giữa các biến và loại bỏ những biến không cần thiết Kết quả cho thấy tất cả các cặp biến trong mô hình đều có hệ số tương quan nhỏ hơn 0,8 Khi áp dụng phương pháp phóng đại nhân tử phương sai (VIF), giá trị VIF trung bình là 1,22 và tất cả các hệ số VIF đều nhỏ hơn 10, cho thấy không có hiện tượng đa cộng tuyến nghiêm trọng hay tự tương quan giữa các biến độc lập trong mô hình.
Bảng 4.3 Kết quả sử dụng VIF để kiểm định hiện tƣợng 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 lƣợt đƣợc 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 lƣợt tại 10%, 5%, 1%
Theo bảng 4.4, tác giả nhận xét rằng nghiên cứu đã tiến hành ước lượng hồi quy với các mô hình POOLED OLS, REM, FEM Kết quả từ bảng 4.3 cho thấy R² lần lượt của POOLED OLS, REM và FEM là 34,46%, 34,46% và 14,53% Điều này cho thấy các biến độc lập trong mô hình đã giải thích được 34,46%, 34,46% và 14,53% sự thay đổi trong tỷ lệ nợ xấu của các ngân hàng.
Giá trị p-value của mô hình được ước lượng bằng ba phương pháp khác nhau đều là 0,0000, nhỏ hơn 0,01, cho thấy rằng ước lượng của cả ba phương pháp đều có ý nghĩa thống kê.
Kết quả từ cột 1 của bảng 4.3 cho thấy hệ số hồi quy của các biến GDP it, UNT it, INF it, và NPL it-1 đều có ý nghĩa thống kê Cụ thể, GDP it và UNT it có tác động ngược chiều đến NPL it với mức ý nghĩa 1%, trong khi INF it và NPL it-1 tác động cùng chiều với NPL it với mức ý nghĩa lần lượt là 10% và 1%.
Mặc dù CREDITit có tác động ngược chiều lên tỷ lệ nợ xấu (NPLit), nhưng không có ý nghĩa thống kê Hơn nữa, ROEit cũng có tác động cùng chiều với tỷ lệ nợ xấu, tuy nhiên, sự tác động này cũng không đạt được ý nghĩa thống kê.
Mô hình Pooled OLS không thể phản ánh tác động riêng biệt của từng ngân hàng, vì vậy nghiên cứu đã chuyển sang sử dụng mô hình hồi quy tác động cố định (FEM) và tác động ngẫu nhiên (REM) để khắc phục hạn chế này Kết quả cho thấy mô hình REM có các thông số tương tự như mô hình Pooled OLS, trong khi mô hình FEM cho thấy các biến GDP it, UNT it, INF it, và NPL it-1 đều cùng dấu và có ý nghĩa, nhưng mức độ tác động và mức độ ý nghĩa khác nhau giữa hai mô hình Đặc biệt, mô hình FEM còn phát hiện thêm biến ROE it có ý nghĩa ở mức 5%, 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
Kiểm định Hausman (Green, 2008) đặt ra giả thuyết H0 rằng mô hình hiệu ứng ngẫu nhiên (REM) là hiệu quả hơn, với giả định không có mối tương quan giữa sai số đặc trưng của từng ngân hàng và các biến giải thích trong mô hình Điều này giúp kiểm soát các yếu tố đặc trưng của mỗi ngân hàng có thể ảnh hưởng đến tỷ lệ 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
Kết quả kiểm định cho thấy p-value = 0,0014 < 0,05, dẫn đến việc bác bỏ giả thuyết H0 và chọn mô hình FEM Do đó, trong ba mô hình Pooled OLS, REM và FEM, mô hình FEM là phù hợp nhất để phân tích các nhân tố tác động đến tỷ lệ nợ xấu tại các ngân hàng thương mại.
4.2.3 Kiểm định các giả thiết hồi quy mô hình nghiên cứu
Khi áp dụng mô hình FEM, cần tiến hành kiểm định phương sai sai số thay đổi và tự tương quan nhằm đảm bảo rằng mô hình tuân thủ các giả định về sự phù hợp.
- Kiểm định tự tương quan
Khi áp dụng mô hình FEM, hiện tượng tự tương quan không còn là mối lo ngại, vì mô hình này chỉ chú trọng vào những khác biệt mạng tính cá nhân Do đó, hiện tượng tự tương quan sẽ không xảy ra trong mô hình Tuy nhiên, tác giả vẫn tiến hành kiểm định Durbin-Watson để xác nhận 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
Dependent Variable: NPL Method: Panel Least Squares Date: 04/12/18 Time: 20:48 Sample (adjusted): 2007 2016 Periods included: 10
Cross-sections included: 25 Total panel (unbalanced) observations: 218 Variable Coefficient Std Error t-Statistic Prob
ROE it -0.110784 0.052651 -2.104131 0.0367 SIZE it 1.204488 0.882161 1.365383 0.1738 UNT it -33.40755 20.00597 -1.669879 0.0966
Effects Specification Cross-section fixed (dummy variables)
R-squared 0.443701 Mean dependent var -3.970067 Adjusted R-squared 0.350984 S.D dependent var 0.761587 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 F-statistic 4.785564 Durbin-Watson stat
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
- Kiểm định hiện tượng phương sai thay đổi
Hình 4.1 Kết quả đồ thị phương sai của mô hình
A C B - 06 A C B - 16 A B B - 1 5 V ie tC ap it a lB an k - 14 LP B - 13 V ie ti n B a nk - 12 B ID V - 11 E A B - 1 0 S ea ba n k - 09 K LB - 08 M S B - 07 T E C H C O M B A N K - 06 T E C H C O M B A N K - 16 N A M A B A N K - 1 5 V C B - 14 H D B an k - 1 3 O C B - 12 M B B - 11 V IB - 10 N C B - 0 9 S G B - 0 8 S H B - 07 S ac o m ba nk - 06 S ac o m ba nk - 16 V IE T A B a nk - 15 V P B an k - 1 4 P G B an k - 1 3 E x im ba n k - 12
Nguồn: Kết xuất từ phần mềm Eview 8
Quan sát hình 4.1 cho thấy đồ thị phần dư có sự phân tán ít, điều này gợi ý về khả năng xảy ra hiện tượng phương sai thay đổi trong mô hình Để xác định điều này, tác giả đã sử dụng kiểm định Wald trong Stata nhằm phát hiện xem mô hình hồi quy theo phương pháp FEM có bị phương sai và sai số thay đổi hay không, nhằm đảm bảo tính đáng tin cậy của các giá trị thống kê của các hệ số hồi quy.
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
H 0 : sigma(i)^2 = sigma^2 for all i Chi2 (25) = 266,86
Nguồn: Kết xuất từ phần mềm Stata 13
Kết quả phân tích cho thấy giả thuyết H0 về phương sai đồng nhất đã bị bác bỏ với p-value 0,0000, nhỏ hơn 0,05, điều này chỉ ra rằng có sự biến đổi trong phương sai sai số trong mô hình với mức ý nghĩa 5%.
Sau khi kiểm định các giả thiết, mô hình hồi quy trong nghiên cứu đã vi phạm giả định về phương sai không thay đổi Do đó, tác giả đã áp dụng phương pháp ước lượng mô hình GMM như đã trình bày trong chương 3.
4.2.4 Ước lượng mô hình theo phương pháp GMM
Như đã trình bày trong chương 3 của đề tài, tác giả thực hiện ước lượng GMM hệ thống cho kết quả đƣợc trình bày ở bảng sau:
Bảng 4.8 Kết quả ƣớc lƣợng mô hình GMM
Dynamic panel – data estimation, one – step difference GMM
Group variable: BANK1 Number of obs 161 Time variable : YEAR Number of groups = 25 Number of instruments = 21 Obs per group: min = 1 F(7,154) = 7,91 avg = 6,44 Prob > F = 0,00 max = 9
Biến Hệ số Sai số chuẩn P - value
Instruments for first differences equation Strandard
D (L.SIZE L.CREDIT L.ROE) GMM-type (missing=0, separate instruments for each period unless collapsed)
THẢO LUẬN KẾT QUẢ NGHIÊN CỨU
Nghiên cứu về các yếu tố ảnh hưởng đến nợ xấu của các ngân hàng thương mại Việt Nam giai đoạn 2006 – 2016 đã được thực hiện dựa trên số liệu từ 25 ngân hàng thương mại cổ phần Kết quả cho thấy sự tác động rõ rệt của các yếu tố vi mô và vĩ mô đến tình hình nợ xấu trong ngành ngân hàng.
4.3.1 Biến nợ xấu trong quá khứ
Hệ số hồi quy của NPL it-1 là 0,5427097 với p-value là 0,000, nhỏ hơn mức ý nghĩa 0,01, cho thấy 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 1% Kết quả này xác nhận giả thuyết rằng tỷ lệ nợ xấu năm trước có tác động mạnh mẽ đến tỷ lệ nợ xấu hiện tại Cụ thể, khi NPLit-1 tăng 1 đơn vị, NPLit sẽ tăng 0,5427097 đơn vị, dẫn đến việc nợ xấu hiện tại gia tăng Điều này chỉ ra rằng chất lượng tín dụng tốt năm trước có thể kéo theo nợ xấu năm sau tăng và ngược lại, phù hợp với các nghiên cứu trước đây của Salas và Saurina (2002), Klein (2013), và Đỗ Quỳnh Anh cùng Nguyễn Đức Hùng.
Nợ xấu trong quá khứ cao cho thấy khả năng quản trị rủi ro trong cho vay của ngân hàng yếu kém, dẫn đến sự gia tăng nợ xấu trong hiện tại Một cú số với nợ xấu có thể gây ảnh hưởng lâu dài đến hệ thống ngân hàng (Nguyễn Thị Hồng Vinh, 2015).
4.3.2 Biến tốc độ tăng trưởng tín dụng
Mô hình hồi quy cho thấy hệ số hồi quy của biến CREDITit là -0,0886631 với p-value = 0,000, nhỏ hơn mức ý nghĩa thống kê 0,01, cho thấy giá trị thống kê của hệ số này Tác giả kết luận rằng tốc độ tăng trưởng tín dụng (CREDITit) có thể giải thích sự thay đổi của tỷ lệ nợ xấu, với mối quan hệ ngược chiều có ý nghĩa 1% Tuy nhiên, mức độ tác động của biến tốc độ tăng trưởng tín dụng là yếu nhất trong các biến có ý nghĩa, điều này trái ngược với kỳ vọng ban đầu của tác giả.
Giai đoạn 2006 – 2016 tại Việt Nam chứng kiến sự phục hồi kinh tế sau khủng hoảng toàn cầu 2008, với mối quan hệ ngược chiều giữa tăng trưởng tín dụng và tỷ lệ nợ xấu Môi trường vĩ mô ổn định hơn đã dẫn đến sự suy giảm nợ xấu theo thời gian, trong khi tăng trưởng tín dụng tăng lên Khi tăng trưởng tín dụng được kiểm soát, chất lượng các khoản vay cũng được cải thiện, góp phần giảm nợ xấu Sự gia tăng trong tăng trưởng tín dụng phản ánh nhu cầu vay vốn cho các dự án kinh doanh, cho thấy sự phát triển kinh tế tích cực hơn so với các năm trước.
Kết quả ngược chiều trong ngành ngân hàng có thể được giải thích bởi việc các khoản tín dụng thường mất một năm để phát sinh nợ xấu Khi một ngân hàng có tỷ lệ nợ xấu cao trong năm trước, nó sẽ phải đối mặt với tốc độ tăng trưởng tín dụng thấp trong năm tiếp theo Điều này xảy ra do ngân hàng phải tập trung vào việc xử lý nợ xấu và hạn chế tăng trưởng tín dụng theo yêu cầu của Ngân hàng Nhà nước.
Do đó, kết quả này có thể đƣợc xem là phù hợp
4.3.3 Biến tốc độ tăng trưởng kinh tế GDP
Biến độc lập vĩ mô cho thấy rằng tăng trưởng kinh tế có tác động ngược chiều với tỷ lệ nợ xấu, với mức ý nghĩa 1% trong mô hình hồi quy FGLS Cụ thể, khi tốc độ tăng trưởng kinh tế tăng 1 đơn vị, tỷ lệ nợ xấu giảm 17,73401 đơn vị, cho thấy ảnh hưởng mạnh mẽ của tăng trưởng đến nợ xấu Kết quả này phù hợp với kỳ vọng ban đầu và các nghiên cứu trước đây như của Salas và Suarina (2002), Makri và cộng sự (2014), Nguyễn Thị Hồng Vinh (2015) Thực tế tại Việt Nam cũng chứng minh điều này, khi nợ xấu của các NHTM gia tăng từ năm 2009, trong khi tăng trưởng kinh tế giai đoạn 2008 – 2015 thấp hơn so với giai đoạn 2005 – 2007.
Khi nền kinh tế phát triển, thu nhập cá nhân và hộ gia đình tăng lên, dẫn đến việc tiêu dùng gia tăng, giúp doanh nghiệp hoạt động hiệu quả hơn và cải thiện khả năng thanh toán nợ Ngược lại, trong bối cảnh kinh tế kém phát triển, hoạt động sản xuất kinh doanh trì trệ sẽ làm giảm khả năng trả nợ, dẫn đến gia tăng tỷ lệ nợ xấu tại các ngân hàng.
4.3.4 Biến tỷ lệ lạm phát
Hệ số hồi quy của INFit là 1,76882 với p-value = 0,000, cho thấy tỷ lệ lạm phát có mối tương quan thuận với tỷ lệ nợ xấu ở mức ý nghĩa 1% qua ước lượng FGLS Khi các yếu tố khác không thay đổi, mỗi khi tỷ lệ lạm phát tăng 1 đơn vị, tỷ lệ nợ xấu sẽ tăng 1,76882 đơn vị, điều này phù hợp với kỳ vọng ban đầu của tác giả và các nghiên cứu trước đây.
Khi lạm phát tăng cao, Ngân hàng Nhà nước (NHNN) áp dụng chính sách tiền tệ thắt chặt, dẫn đến lãi suất cho vay tăng và chi phí đầu vào của doanh nghiệp gia tăng Điều này làm giảm hiệu quả kinh doanh của các doanh nghiệp vay vốn, ảnh hưởng trực tiếp đến khả năng trả nợ của họ với ngân hàng Việc ngân hàng siết chặt cho vay gây ra tình trạng thiếu thanh khoản trong nền kinh tế, khiến hoạt động sản xuất kinh doanh đình trệ, doanh nghiệp mất khả năng thanh toán và nhiều doanh nghiệp, đặc biệt là các doanh nghiệp vừa và nhỏ, đối mặt với nguy cơ phá sản, tạo gánh nặng nợ xấu cho các ngân hàng.
4.3.5 Biến tỷ lệ thất nghiệp
Hệ số hồi quy của tỷ lệ thất nghiệp là -32,87942 với mức ý nghĩa 1%, cho thấy rằng khi các yếu tố khác không thay đổi, tỷ lệ nợ xấu sẽ giảm 32,87942 đơn vị nếu tỷ lệ thất nghiệp tăng 1 đơn vị Kết quả này trái ngược với kỳ vọng ban đầu và các nghiên cứu trước đây của Messai, Jouini (2013), Klein (2013), Fillip (2015), Ghosh (2015), và Makri, Tsagkanos & Bellas (2014) Điều này đặt ra câu hỏi về tính phù hợp của kết quả này với thực tế tại Việt Nam trong giai đoạn nghiên cứu của đề tài.
Tình hình nợ xấu của các ngân hàng thương mại (NHTM) và tỷ lệ thất nghiệp tại Việt Nam trong giai đoạn 2009 – 2013 và năm 2015 cho thấy mối tương quan nghịch chiều Nguyên nhân chính bao gồm tỷ trọng cho vay cá nhân tiêu dùng còn thấp và tỷ lệ thất nghiệp ổn định, thấp hơn so với nhiều quốc gia khác Khi thất nghiệp tăng, nguy cơ nợ xấu có thể giảm nếu số người thất nghiệp không có giao dịch tín dụng với ngân hàng Thêm vào đó, đặc thù thị trường lao động Việt Nam cho phép người lao động làm nhiều loại công việc khác nhau, dẫn đến tỷ lệ thất nghiệp thấp và ít biến động Vì vậy, sự thay đổi của nợ xấu có thể bị ảnh hưởng bởi các yếu tố khác như GDP và các yếu tố ngân hàng, chứ không chỉ bởi tỷ lệ thất nghiệp.
Tóm lại, kết quả nghiên cứu của đề tài đƣợc tóm tắt trong bảng 4.10 đƣợc 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
Biến độc lập -Yếu tố vĩ mô
Tốc độ tăng trưởng kinh tế GDP it - - 1%
Tỷ lệ thất nghiệp UNTit + - 1%
Biến độc lập - Yếu tố vi mô
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
Khả năng sinh lời của ngân hàng ROEit - + Không có ý nghĩa thống kê
Nguồn: Tác giả tổng hợp
Trong chương 4, tác giả đã xác định mô hình FGLS là phù hợp nhất dựa trên lý thuyết và mô hình trước đó Kết quả nghiên cứu chỉ ra rằng có 5 trong 7 nhân tố nghiên cứu ảnh hưởng đến nợ xấu, bao gồm tốc độ tăng trưởng tín dụng (-), tỷ lệ nợ xấu năm trước (+) và tốc độ tăng trưởng kinh tế.
Nghiên cứu cho thấy có mối quan hệ đáng kể giữa tỷ lệ lạm phát và tỷ lệ thất nghiệp, với mức ý nghĩa thống kê cao (1%) Tuy nhiên, tác động của hiệu quả sinh lời và quy mô tài sản đến nợ xấu vẫn chưa được xác định rõ ràng qua các thực nghiệm.
Các nhân tố ảnh hưởng đến nợ xấu đã được xác định rõ ràng Trong chương tiếp theo, tác giả sẽ dựa vào kết quả nghiên cứu và thực trạng tại Việt Nam để đưa ra các đề xuất nhằm giảm tỷ lệ nợ xấu trong hệ thống ngân hàng thương mại Việt Nam, cũng như nêu ra một số hạn chế và hướng nghiên cứu tiếp theo cho đề tài.