Phân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt Nam

Phân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt NamPhân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt Nam

Tính cấp thiết của đề tài

Ngân hàng thương mại là tổ chức tài chính hoạt động trong nền kinh tế thị trường, đặt mục tiêu tối đa hóa lợi nhuận như các doanh nghiệp kinh doanh thông thường Do đó, ngân hàng thương mại luôn hướng đến hiệu quả trong mọi hoạt động để đạt được mục tiêu kinh doanh của mình.

Trong kinh tế học cũng như tài chính, có nhiều chỉ tiêu để đo lường hiệu quả và NIM là một chỉ tiêu phổ biến Để duy trì tăng trưởng bền vững NIM, cần nhận diện các nhân tố quan trọng và đánh giá tác động của chúng đến NIM của ngân hàng

Từ năm 2020, dịch bệnh Covid-19 lây lan toàn cầu sau khi xuất hiện ở Wuhan (Trung Quốc), gây nên một cuộc khủng hoảng kinh tế khắc nghiệt, trong đó khách hàng vay vốn của NHTM bao gồm doanh nghiệp và hộ gia đình bị ảnh hưởng rất nặng nề Trong bối cảnh đó, NHTM cần hạ lãi vay để khách hàng tiếp tục duy trì quan hệ tín dụng mà không chuyển thành nợ xấu Để giữ hiệu quả hoạt động không bị suy giảm, NHTM cũng cần giảm lãi suất huy động mà có thể làm giảm lượng tiền gửi, ảnh hưởng đến NIM Như vậy, nhân tố Covid-19 đưa vào phân tích là cần thiết Đáng chú ý là các nghiên cứu thực nghiệm trước về NIM có hai hạn chế: Thứ nhất, theo lược khảo của tác giả, tất cả các phân tích sử dụng cách tiếp cận tần suất (frequentist) thường cho các kết quả thiếu tin cậy, thiếu ổn định và thậm chí mẫu thuẫn, đặc biệt khi sử dụng một mẫu dữ liệu nhỏ; Thứ hai, phần lớn các mô hình thực nghiệm không có biến Covid-19

Nghiên cứu này xác định mục tiêu nhận dạng và đánh giá các nhân tố chính ảnh hưởng đáng kể đến tỷ lệ thu nhập ròng (NIM) của các ngân hàng thương mại (NHTM) tại Việt Nam trong giai đoạn từ sau Đại suy thoái 2008-2009 đến khi dịch COVID-19 bùng phát trên toàn cầu Mục đích của nghiên cứu là hỗ trợ các nhà quản lý NHTM trong việc đưa ra các quyết định sáng suốt nhằm cải thiện hiệu quả hoạt động và duy trì sức khỏe tài chính của các ngân hàng.

Chính vì vậy, tác giả chọn chủ đề cho nghiên cứu luận văn của mình như sau:

“Phân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt Nam”

Nhận diện, phân tích và đánh giá ảnh hưởng của các nhân tố chọn lọc đến NIM của các NHTM Việt Nam

Với bằng chứng thực nghiệm nhận được từ phân tích Bayes, luận văn gợi ý một số hàm ý chính sách góp phần tăng trưởng vững chắc NIM của các NHTM Việt Nam

 Các mục tiêu cụ thể:

(i) Nhận diện một nhóm các nhân tố quan trọng có ảnh hưởng mạnh đến NIM của những NHTM Việt Nam

(ii) Phân tích và đánh giá chiều hướng và mức độ tác động của các nhân tố chọn lọc đến NIM của những NHTM Việt Nam

(iii) Đề xuất các hàm ý chính sách có thể giúp những NHTM Việt Nam tăng trưởng vững chắc lợi nhuận và NIM.

Câu hỏi nghiên cứu

 Những nhân tố quan trọng nào có ảnh hưởng tới NIM của các NHTM tại Việt Nam?

 Mức độ ảnh hưởng của những nhân tố quan trọng tới NIM như thế nào?

 Những hàm ý chính sách quan trọng gì cần được thực hiện để góp phần tăng trưởng bền vững NIM cho những NHTM Việt Nam?

Đối tượng và phạm vi nghiên cứu

 Đối tượng: Nhóm những nhân tố có tác động mạnh đến NIM của những NHTM Việt Nam

 Phạm vi: Bằng chứng từ 24 NHTM Việt Nam cho giai đoạn 2009-2021.

Dữ liệu, cách tiếp cận và phương pháp

 Dữ liệu: Số liệu của những biến vi mô (mang tính đặc thù ngân hàng) được rút ra và xử lý từ các báo cáo tài chính hợp nhất chính thức của các NHTM Việt Nam trong thời kỳ 2009-2021 Số liệu môi trường vĩ mô có nguồn gốc từ hệ thống dữ liệu của Ngân hàng thế giới.

 Cách tiếp cận và phương pháp: Để thực hiện phân tích, luận văn sử dụng cả cách tiếp cận định tính (qualitative methods) lẫn định lượng (quatitative methods) Các phương pháp định tính quan trọng như phân tích - tổng hợp, quy nạp

- suy diễn được vận dụng để khám phá các quy luật riêng trong xu hướng chung và các xu hướng chung chi phối quy luật riêng trong mục tiêu tăng trưởng vững chắc NIM của ngân hàng dưới sự ảnh hưởng của nhiều nhân tố đặc thù ngân hàng cùng với các nhân tố liên quan môi trường vĩ mô Thông qua phân tích dữ liệu bảng bằng thuật toán Hydrid MH (kết hợp MH với Gibbs) trong khuôn khổ cách tiếp cận tuyến tính Bayes (Bayesian multivariate linear regression), dựa trên phần mềm Stata 18, nghiên cứu này thu được các khám phá thực nghiệm tin cậy và vững về sự ảnh hưởng mạnh của một nhóm các nhân tố đến NIM đối với các NHTM Việt Nam.

Giá trị lý thuyết và tác động thực tiễn

 Về cách tiếp cận và phương pháp: trong bối cảnh cách tiếp cận thống kê tần suất truyền thống bị chỉ trích nặng nề bởi vì trong việc kiểm định những giả thuyết thống kê, việc vận dụng P-values không thể mang lại các ước lượng không chệch và chính xác, các phương pháp Bayes trở thành một cách tiếp cận thống kê thay thế có năng suất và tính linh hoạt cao Giữa những lợi thế chính của cách tiếp cận Bayes, khả năng kết hợp linh hoạt các phân phối tiên nghiệm cùng dữ liệu có sẵn để cung cấp những kết quả mô phỏng tin cậy và chính xác (các phân phối hậu nghiệm) là một lợi thế vượt trội

 Sau khi được thực hiện hoàn chỉnh, luận văn được kỳ vọng sẽ cung cấp những kết quả thực nghiệm tin cậy, chính xác cho những giải pháp và chính sách hữu hiệu Cụ thể, các kết quả mô phỏng mô hình Bayes sẽ giúp các NHTM thực hiện nhiều biện pháp để hạn chế những nhân tố gây ảnh hưởng tiêu cực và phát huy các nhân tố tạo hiệu ứng tích cực, từ đó góp phần tăng trưởng bền vững NIM.

Cấu trúc luận văn

Chương I: Giới thiệu đề tài

Chương này trình bày sự cần thiết của đề tài, mục tiêu chính cùng với những mục tiêu cụ thể và những câu hỏi nghiên cứu, đối tượng cùng với phạm vi nghiên cứu, cách tiếp cận Bayes, phương pháp lấy mẫu MCMC, dữ liệu vi mô và vĩ mô cần thiết cho phân tích

Chương II: Cơ sở lý thuyết về thu nhập lãi cận biên ngân hàng và các phân tích thực nghiệm

Chương II bao gồm: trình bày những khái niệm cơ bản về NIM, lược khảo những lý thuyết nền tảng và tổng quan các phân tích thực nghiệm nổi bật

Chương III: Phương pháp luận, mô hình và dữ liệu

Chương này giới thiệu cách tiếp cận, phương pháp phân tích dữ liệu, mô hình Bayes trên cơ sở tham khảo các nghiên cứu trước và các lý thuyết nền tảng Mẫu dữ liệu bảng cần thiết để thực hiện mô phỏng mô hình Bayes được mô tả

Luận văn cũng thực hiện các kiểm định thống kê cần thiết để so sánh và lựa chọn mô hình Bayes phù hợp nhất, thực hiện các kiểm định hội tụ chuỗi MCMC và tính hợp lý của mô hình Bayes

Chương IV: Kết quả mô phỏng Bayes và thảo luận

Chương IV trình bày các kết quả thống kê mô tả dữ liệu và các kết quả mô phỏng mô hình Bayes, kiểm định hội tụ chuỗi MCMC, kiểm định tính hợp lý của mô hình Bayes được chọn

Tiếp theo, các kết quả mô phỏng mô hình Bayes được phân tích, thảo luận để đưa ra những nhận định kết luận cuối cùng

Chương V: Kết luận, hàm ý chính sách và hạn chế của nghiên cứu

Chương này trình bày những kết quả chính, đồng thời dựa trên các kết luận, luận văn đề xuất một số gợi ý chính sách đề góp phần tăng trưởng bền vững NIM cho các NHTM Việt Nam

Chương I đã thực hiện một số nội dung chính sau đây: phân tích sự cần thiết của luận văn; đề xuất mục tiêu chính cùng với những mục tiêu cụ thể, các câu hỏi nghiên cứu tương ứng; mô tả đối tượng, phạm vi đối tượng; giới thiệu cách tiếp cận, phương pháp luận Bayes; dữ liệu, các đóng góp kỳ vọng về cách tiếp cận và phương pháp phân tích cũng như các tác động thực tiễn

CƠ SỞ LÝ THUYẾT VỀ THU NHẬP LÃI CẬN BIÊN NGÂN

HÀNG VÀ CÁC PHÂN TÍCH THỰC NGHIỆM

Lý luận về thu nhập lãi cận biên

Net Interest Margin (NIM) represents the net profitability of a bank's earning assets It is calculated as the ratio of net interest income (the difference between interest income and interest expense) to total earning assets, which include investment securities, loans, and leases NIM is a key metric for evaluating a bank's financial performance and profitability.

“biên độ (spread) cho một quý hoặc một năm” (Golin, 2001) và được tính theo công thức sau:

Về phương diện kinh tế, “NIM thể hiện tỷ suất sinh lời hay hiệu quả của ngân hàng” (Golin, 2001) Hay nói cánh khác, NIM phản ánh một NHTM có khả năng đảm bảo tăng trưởng thu nhập cao hơn so với chi phí bỏ ra

Phân tích động thái tỷ suất lợi nhuận ròng (NIM) giúp ngân hàng đưa ra quyết định đầu tư phù hợp NIM cao biểu thị hiệu quả hoạt động ngân hàng, thể hiện khả năng kiểm soát chi phí và tối ưu hóa tài sản sinh lời Tuy nhiên, NIM cao cũng có thể dẫn đến hệ quả tiêu cực nếu đi kèm với lãi vay cao cho người vay vốn, từ đó cản trở tăng trưởng GDP.

Các lý thuyết nền tảng

Theo lý thuyết Hiệu quả X (Tên tiếng Anh: X-efficiency theory), “một ngân hàngđạt hiệu quả cao hơn nếu có ưu thế hơn về quản trị hay tiết kiệm nhiều hơn chi phí hoạt động; từ đó, thu được lợi nhuận cao hơn các ngân hàng khác” (Giordano &

Lopes, 2015) Nhờ vận hành năng suất cao, ngân hàng tiết kiệm một phần chi phí đáng lẽ phải bỏ ra, giảm được lãi suất cho vay để thu hút nhiều khách hàng mới, mở rộng thị phần và tăng lợi nhuận

Bởi vậy, khi ngân hàng đạt một tỷ lệ thấp chi phí trên thu nhập, chứng tỏ ngân hàng này vận hành hiệu quả vì nó giảm đáng kể chi phí và tăng thu nhập Lý luận trên gợi ý rằng hoạt động quản trị tốt góp phần giảm chi phí cho các NHTM và tăng trưởng NIM

Hình 2.1: Tóm tắt lý thuyết Hiệu quả X 2.2.2 Lý thuyết Lợi thế kinh tế nhờ quy mô

Lợi thế kinh tế nhờ quy mô (Tên tiếng Anh: Economies of scale theory) là một lý thuyết nền tảng khác cần tham khảo

Theo lý thuyết này, mọi công ty tìm cách tăng quy mô sản lượng Quy mô lớn của công ty cho thấy công ty đó sở hữu lợi thế lớn về chi phí sản xuất bởi vì chi phí trung bình của nó giảm nhờ một mức chi phí sản xuất cố định được phân bổ đều cho mỗi đơn vị sản phẩm

Thế nhưng, mỗi công ty có một mức quy mô tối ưu nên nếu vượt mức tối ưu đó, lợi ích kinh tế sẽ mất đi Tương tự, các NHTM vận dụng lý thuyết này để tăng quy mô tới một mức tối ưu nào đó thì khi đó, chúng sẽ vận hành hiệu quả hơn nhờ tiết kiệm đáng kể chi phí

Như vậy, theo luận điểm này, những ngân hàng biết cách tăng quy mô (tăng trưởng tài sản) thì sẽ đạt được mức lợi nhuận lớn hơn

2.2.3 Lý thuyết Sức mạnh thị trường tương đối

Sức mạnh thị trường tương đối (Tên tiếng Anh: Relative market power) là một cơ sở lý thuyết quan trọng nữa trong phân tích NIM (Giordano & Lopes, 2015)

Lý thuyết này chỉ ra rằng nếu một doanh nghiệp tạo được một (những) sản phẩm khác biệt và chiếm lĩnh một thị phần lớn thì nhờ vận hành hiệu quả sẽ có cơ hội lớn cho thu nhập vượt trội

Tương tự những doanh nghiệp phi tài chính, các NHTM mở rộng thị phần hoặc tăng quy mô thông qua mua bán, sáp nhập và nhờ đó khai thác được sức mạnh thị trường, đề xuất được các mức lãi vay cao hơn cho khách hàng nên nâng cao biên độ (spread) cũng như kiếm được mức lợi nhuận cao hơn Để tăng biên độ, các NHTM giảm lãi suất tiền gửi và đồng thời tăng lãi vay Theo suy luận, một ngân hàng mở rộng đáng kể thị phần thì kiếm được mức NIM cao

Hình 2.2: Tóm tắt lý thuyết Sức mạnh thị trường tương đối

Phương pháp luận

Luận văn tiếp cận một công cụ kinh tế lượng mới, thuật toán Hydrid MH trong khuôn khổ hồi quy tuyến tính Bayes

Quay lại lịch sử, Thomas Bayes (1701-1761), một mục sư người Anh là người đầu tiên đề xuất cách tiếp cận thống kê mang tên ông sau này Tuy vậy, mãi đến năm 1763, khi Richard Price, một người bạn của Thomas Bayes quá cố xuất bản một bài báo có tựa đề “An Essay towards solving a Problem in the Doctrine of Chances” trên tạp chí “Philosophical Transactions of the Royal Society”, phương pháp này mới được phổ biến rộng rãi Là một phương pháp phân tích thống kê hiệu quả, phân tích Bayes ước lượng các hệ số chưa biết (unknown parameters) trong một mô hình thông qua việc đưa ra những tuyên bố xác suất (probability statements)

Cách tiếp cận Bayes mang vào khoa học thống kê một ý tưởng cách mạng là kết hợp hai nguồn thông tin: lòng tin (belief) và kiến thức nền tảng (background knowledge) về các hệ số trước khi quan sát dữ liệu (phân phối tiên nghiệm) và dữ liệu có sẵn (phân phối hợp lý) để rút ra những kết luận hậu nghiệm

Phân tích Bayes tuân theo quy tắc Bayes (Bayes rule), một quy tắc xác suất đơn giản, đó là nó đề xuất một công thức cho sự liên kết giữa phân phối tiên nghiệm và phân phối dữ liệu Quy tắc Bayes được vận dụng để định dạng phân phối hậu nghiệm cho các tham số (hệ số hồi quy) của mô hình

Phân tích Bayes là một mô hình hậu nghiệm xuất phát từ việc kết hợp dữ liệu quan sát với phân phối tiên nghiệm Mô hình này tạo ra phân phối xác suất của tất cả các tham số, cho phép ước tính xác suất của các kết quả khác nhau dựa trên dữ liệu đã quan sát.

𝑷𝒐𝒔𝒕𝒆𝒓𝒊𝒐𝒓 ∝ 𝑳𝒊𝒌𝒆𝒍𝒊𝒉𝒐𝒐𝒅 × 𝒑𝒓𝒊𝒐𝒓 (2) Bởi vậy, để thực hiện một suy luận Bayes, “đòi hỏi phải có một thông tin tiên nghiệm (prior information) cho mỗi hệ số trong mô hình và kết hợp phân phối tiên nghiệm với dữ liệu để tạo nên các kết quả ước lượng hậu nghiệm” (Nguyễn Ngọc Thạch & ctg, 2021) Tiên nghiệm là thế mạnh nhưng đồng thời cũng là một điểm yếu của cách tiếp cận Bayes bởi vì thông thường, người nghiên cứu không có sẵn thông tin tiên nghiệm nên phải sử dụng tiên nghiêm phi thông tin hoặc tiên nghiệm thông tin xác định thiếu chuẩn xác (incorrectly specified priors)

Như vậy, phân phối hậu nghiệm là kết quả từ việc cập nhật thông tin tiên nghiệm bằng dữ liệu Những kết quả hậu nghiệm phản ánh xu hướng trung tâm (central tendency) đại diện cho những ước lượng điểm trong suy diễn thống kê Kết quả của phân tích Bayes là những ước lượng hậu nghiệm khác nhau cho mỗi tham số: các ước lượng điểm (point estimates) như số phần trăm (percentage), trung vị hậu nghiệm (posterior median), trung bình hậu nghiệm (posterior mean), độ lệch chuẩn hậu nghiệm (posterior standard deviation), MCSE (Monte Carlo standard error) và các ước lượng khoảng (interval estimates) như khoảng tin cậy hậu nghiệm 95% (credible intervals) (Nguyễn Ngọc Thạch & ctg, 2021)

Nếu phân phối hậu nghiệm được tạo nên bằng một phân phối dạng đóng

(close form) thì có thể suy diễn trực tiếp các kết quả Bayes Tuy vậy, trong thực tế, ngoại trừ một vài mô hình đặc thù ít ỏi, chúng ta thường không có sẵn một phân phối hậu nghiệm mà cần thực hiện một quá trình mô phỏng để tạo ra nó Để mô phỏng những ước lượng hậu nghiệm, cần thực hiện lấy mẫu MCMC (MCMC sampling) Phương pháp lấy mẫu MCMC yêu cầu thực hiện một thuật toán và kiểm tra sự hội tụ chuỗi MCMC để thỏa mãn các kết quả hậu nghiệm

Trong phân tích Bayes, cân bằng giữa phân phối tiên nhiệm và dữ liệu là một vấn đề hóc búa Đối với những tập dữ liệu lớn, quan điểm chung là không nên để thông tin tiên nghiệm chi phối quá trình phân phối dữ liệu.

Theo Định lý Bernstein – von Mises, với cỡ mẫu lớn, hậu nghiệm bị ảnh hưởng yếu bởi tiên nghiệm; vì vậy, suy diễn Bayes và suy diễn tần suất cho các kết quả tương đồng Ở một khía cạnh khác, cần lựa chọn một phân phối tiên nghiệm đủ mạnh để bù đắp cho một bằng chứng yếu khi chúng ta chỉ có cỡ mẫu nhỏ (small sample size).

Mô hình

Dựa trên các phân tích thực nghiệm trước đó về NIM (Raharjo & ctg, 2014; Khediria & Ben-Khedhiri, 2011; Nguyễn Kim Thư & Đỗ Thị Thanh Huyền, 2014; Triệu Trường Đăng, 2016; Singh & ctg, 2019) và những suy luận của tác giả về ảnh hưởng tiêu cực nghiêm trọng nhiều mặt của dịch bệnh Covid-19 trong giai đoạn 2020-2021, nghiên cứu xác định một mô hình kinh tế lượng tổng quát sau đây:

NIM it = a o + a 1 NPL it + a 2 LDR it + a 3 LIQ it + a 4 COST it + a 5 ROA it + a 6 SIZE it

+ a 7 GRO it + a 8 INF it + a 9 COV it +ε it (3)

 NIMit: Thu nhập lãi cận biên của NHTM i vào năm t ;

 NPLit: Tỷ lệ nợ xấu của NHTM i vào năm t;

 LDRit: Tỷ lệ cho vay trên tiền gửi của NHTM i vào năm t;

 LIQit: Tính thanh khoản của NHTM i vào năm t;

 COSTit: Tỷ lệ chi phí hoạt động trên thu nhập hoạt động của NHTM i vào năm t;

 ROAit: Tỷ lệ lợi nhuận trên tổng tài sản của NHTM i vào năm t;

 SIZEit: Quy mô ngân hàng của NHTM i vào năm t;

 INFit: Tỷ lệ lạm phát;

 a1 – a9: Hệ số góc (slope coefficient);

 ao: Hệ số chặn (intercept);

 it: Nhiễu trắng (error term);

 i: 1-24 NHTM Việt Nam trong mẫu nghiên cứu;

Công thức (3) được trình bày trên đây là hàm hợp lý, thành phần thứ nhất của một mô hình Bayes Thành phần thứ hai trong mô hình Bayes là phân phối tiên nghiệm (priors) của các hệ số (hệ số chặn, hệ số góc, phương sai) trong mô hình

Trong những mô hình tuyến tính Bayes, những tham số cấu trúc (structural parameters) thường được ấn định các tiên nghiệm tuân theo phân phối chuẩn (normal distribution) Do giá trị của các hệ số cấu trúc chưa biết trước và có thể mang giá trị âm hoặc dương; trong nghiên cứu này, tác giả chọn các tiên nghiệm phân phối chuẩn với các siêu tham số (hyperparameters) trong khoảng từ N(0,1) cho đến N(0,10000)

Ngoài ra, loại phân phối tiên nghiệm cho phương sai (overall variance) thường được chọn là Invgamma(0.01, 0.01), một dạng tiên nghiệm phi thông tin (non-informative prior) Như vậy, nghiên cứu trình bày tiên nghiệm N(0,1) cho các hệ số cấu trúc của mô hình như sau: ao~𝑁(0,1) a1~𝑁(0,1) a2~𝑁(0,1) a3~𝑁(0,1) a4~𝑁(0,1) a5~𝑁(0,1) a6~𝑁(0,1) a7~𝑁(0,1) a8~𝑁(0,1) a9~𝑁(0,1)

𝜎 2 ~ 𝐼𝑛𝑣𝑔𝑎𝑚𝑚𝑎 (0.01, 0.01) Với giá trị trung bình giống nhau là 0, phương sai của các phân phối chuẩn được thay đổi lần lượt là 1, 3, 5, 10, 20, 50, 100, 1000 và 10000 Trong đó, phân phối từ N(0,100) trở lên là phân phối chuẩn phi thông tin (non-informative), phân phối trong khoảng N(0.01)-N(0,1) là phân phối chuẩn thông tin yếu (weakly informative), phân phối trong khoảng N(0.001, 0.01) là phân phối chuẩn thông tin mạnh (informative)

Nghiên cứu sẽ thực hiện các phân tích độ nhạy thông qua hai kiểm định: Bayesian information criteria và model test để chọn tiên nghiệm (mô hình) phù hợp nhất cho suy diễn thống kê

Bảng 3.1: Đo lường biến trong mô hình Bayes

NIM (Thu nhập lãi - Chi phí lãi)/Tài sản sinh lợi bình quân

NPL Nợ xấu/Tổng dư nợ

LDR Tổng dư nợ/Tổng tiền gửi

(Tiền mặt, vàng bạc, đá quý+Tiền gửi tại NHNN Việt Nam + Tiền gửi tại và cho vay các TCTD khác+

Chứng khoán kinh doanh)/Tổng tài sản COST Chi phí hoạt động/Thu nhập hoạt động

ROA Lợi nhuận sau thuế/Tài sản bình quân

SIZE Ln(Tổng tài sản cuối kì của năm t)

COV Mang giá trị 1 cho các năm 2020, 2021 và 0 cho các năm khác

Quy trình thực hiện phân tích Bayes

Quy trình phân tích Bayes gồm có những bước cần thiết sau đây:

 Bước 1: Thu thập một bộ dữ liệu bảng cần thiết của biến phụ thuộc và các biến độc lập

 Bước 2: Báo cáo thống kê mô tả dữ liệu của các biến

 Bước 3: So sánh (comparison) và lựa chọn (selection) mô hình Bayes

 Bước 4: Ước lượng mô hình Bayes hợp lý nhất

 Bước 5: Kiểm định hội tụ chuỗi MCMC cho tất cả các tham số của mô hình Bayes được chọn

 Bước 6: Kiểm định tính phù hợp (goodness-of-fit) để xác định khả năng giải thích (explanatory power) của mô hình

 Bước 7: Trình bày, phân tích và thảo luận các kết quả mô phỏng mô hình Bayes (Bayesian simulation results).

Biến phụ thuộc

Biến phụ thuộc được chọn cho mô hình hồi quy Bayes là NIM được viết tắt từ cụm từ tiếng Anh - Net Interest Margin, dịch sang tiếng Việt là thu nhập lãi cận biên hay biên độ lãi ròng

Công thức tính NIM như sau:

Công thức (4) thể hiện thu nhập lãi thuần (thu nhập lãi trừ đi chi phí lãi) theo năm:

Tài sản sinh lời là trung bình cộng của giá trị đầu năm và giá trị cuối năm Thu nhập lãi thuần thể hiện NHTM nhận chênh lệch lãi suất bao nhiêu từ huy động tiền gửi và cấp tín dụng

Tài sản sinh lời là các khoản mục đầu tư được Ngân hàng thương mại thực hiện và được ghi nhận trên bảng cân đối kế toán Các loại tài sản sinh lời bao gồm: tiền gửi tại Ngân hàng Nhà nước, tiền gửi tại các tổ chức tín dụng khác, chứng khoán kinh doanh, cho vay khách hàng và chứng khoán đầu tư.

Các biến độc lập

Tỷ lệ nợ xấu (Tên tiếng Anh là Non Performing Loan – NPL) là tỷ lệ tổng các nhóm nợ 3, 4 và 5 trên tổng dư nợ (Raharjo & ctg, 2014; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018; Singh & van der Wel, 2019; Võ Phúc Trường Thành, 2019; Nguyễn Đình An & Tô Thị Hồng Gấm, 2021):

Số liệu về các nhóm nợ 3,4 và 5 được lấy từ các báo cáo chính thức của NHTM (báo cáo tài chính hay báo cáo thường niên), trong khi số liệu về dư nợ có sẵn trong báo cáo kết quả kinh doanh Là tiêu chí quan trọng phản ảnh chất lượng tín dụng, một NHTM có tỷ lệ nợ xấu cao chứng tỏ ngân hàng này kiểm soát kém việc đánh giá khách hàng và thu hồi nợ; hệ quả là dành nhiều hơn chi phí dự phòng rủi ro tín dụng và NIM sụt giảm

Tuy nhiên, trong trường hợp ngược lại, NHTM sẵn sàng chấp nhận rủi ro và nếu nó kinh doanh hiệu quả thì thu được mức NIM cao (Raharjo & ctg, 2014; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018; Võ Phúc Trường Thành, 2019)

Giả thuyết H 1 : Tỷ lệ nợ xấu tương quan cùng/nghịch chiều với NIM của NHTM

3.4.2 Tỷ lệ cho vay trên tiền gửi

Công thức tính tỷ lệ cho vay trên tiền gửi như sau (Raharjo & ctg, 2014; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018; Triệu Trường Đăng, 2016):

Tỷ lệ dư nợ trên tiền gửi thể hiện mối quan hệ giữa hoạt động cấp tín dụng và huy động vốn của ngân hàng thương mại (NHTM) Nó phản ánh mức độ NHTM sử dụng nguồn vốn huy động để cấp tín dụng cho khách hàng Tỷ lệ này có thể được tìm thấy trong các báo cáo kết quả kinh doanh của NHTM.

Vì thu nhập từ hoạt động tín dụng chiếm đa phần trong tổng thu nhập của NHTM nên nghiệp vụ này hiệu quả hơn các hoạt động đầu tư khác Bởi vậy, nếu tỷ lệ này cao thì NIM cao (Raharjo & ctg, 2014; Triệu Trường Đăng, 2016; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018)

Giả thuyết H 2 : Tỷ lệ cho vay trên tiền gửi tương quan cùng chiều với NIM của NHTM

Trong các phân tích của Raharjo & ctg (2014), Triệu Trường Đăng (2016), Nguyễn Anh Tứ & Phạm Trí Nghĩa (2018), tính thanh khoản (LIQ) là tỷ lệ giữa các tài sản có tính thanh khoản cao và tổng tài sản:

Bảng cân đối kế toán có ghi số liệu về tiền mặt, tiền gửi tại NHNN, tiền gửi tại và cho vay các TCTD khác, chứng khoán kinh doanh, vàng bạc, đá quý và tổng tài sản

Tính thanh khoản cho phép NHTM vận hành thông suốt và hiệu quả Điều quan trọng là NHTM cần giữ một mức thanh khoản hợp lý “để hoạt động của nó sinh lời cao vì không bỏ ra một mức chi phí quá lớn không cần thiết để nắm giữ những tài sản ngắn hạn có tỷ lệ sinh lời kém” (Triệu Trường Đăng, 2016)

Do đó, một mặt, khi có thanh khoản cao, NHTM tăng NIM nhờ nâng cao tín nhiệm, thu hút được tiền gửi với chi phí thấp; mặt khác, NHTM đối diện với chi phí cơ hội cao khi duy trì thanh khoản cao, làm giảm NIM Một số phân tích trước đây ủng hộ mối tương quan nghịch chiều giữa tính thanh khoản và NIM (Raharjo & ctg, 2014; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018)

Giả thuyết H 3 : Tính thanh khoản tương quan nghịch chiều với NIM của NHTM

3.4.4 Tỷ lệ chi phí hoạt động trên thu nhập hoạt động

Theo Khediria & Ben-Khedhiri (2011), Nguyễn Kim Thư & Đỗ Thị Thanh Huyền (2014), Raharjo & ctg (2014), Triệu Trường Đăng (2016), Nguyễn Anh Tứ

& Phạm Trí Nghĩa (2018), Singh & van der Wel (2019), công thức tính tỷ lệ như sau:

Số liệu về chi phí hoạt động và thu nhập hoạt động được lưu trữ trong báo cáo kết quả kinh doanh của NHTM Tỷ lệ này phản ánh chất lượng quản trị ngân hàng Một tỷ lệ cao thể hiện ngân hàng quản lý chi phí kém nên NIM giảm

Tiền mặt, + Tiền gửi tại ngân hàng + Tiền gửi tại và cho vay các TCTD khác + Chứng khoán kinh doanh + Vàng bạc, đá quý

Từ lập luận này, các phân tích thực nghiệm trước (Singh & van der Wel, 2019; Nguyễn Anh Tứ & Phạm Trí Nghĩa, 2018; Triệu Trường Đăng, 2016; Nguyễn Kim Thư & Đỗ Thị Thanh Huyền, 2014; Khediria & Ben-Khedhiri, 2011) đều cho một kết quả tương đồng tỷ lệ chi phí hoạt động trên thu nhập hoạt động tương quan nghịch với NIM Tuy nhiên, ngược lại, phát hiện về tương quan cùng chiều giữa tỷ lệ chi phí hoạt động trên thu nhập hoạt động và NIM được tìm thấy trong Raharjo & ctg (2014)

Giả thuyết H 4 : Tỷ lệ chi phí hoạt động trên thu nhập hoạt động tương quan cùng/nghịch chiều với NIM của NHTM

3.4.5 Tỷ lệ lợi nhuận trên tổng tài sản

Trong Raharjo & ctg (2014) và Nguyễn Đình An & Tô Thị Hồng Gấm (2021), tỷ lệ lợi nhuận trên tổng tài sản được tính theo công thức sau:

Số liệu về tổng tài sản được báo cáo trong bảng cân đối kế toán và lợi nhuận sau thuế trong báo cáo kết quả kinh doanh của NHTM Các nghiên cứu trước (Nguyễn Đình An & Tô Thị Hồng Gấm, 2021; Raharjo & ctg, 2014) phát hiện mối quan hệ thuận chiều giữa tỷ lệ này và NIM

Giả thuyết H 5 : Tỷ suất lợi nhuận trên tổng tài sản tương quan cùng chiều với NIM của NHTM

Quy mô ngân hàng là tổng tài sản của NHTM được tính theo công thức (10) (Nguyễn Đình An & Tô Thị Hồng Gấm, 2021; Singh & van der Wel, 2019; Raharjo & ctg, 2014; Gul & Zaman, 2011):

SIZE = ln(Tổng tài sản cuối kì) (10)

Bảng cân đối kế toán ghi nhận số liệu về những khoản mục tổng tài sản của NHTM NHTM có uy tín càng cao và được càng nhiều khách hàng tin cậy nếu quy mô của nó càng lớn và nhờ đó, ngân hàng hoạt động thuận lợi, dễ dàng hơn để tăng nguồn thu và NIM

Một số phân tích trước (Raharjo & ctg, 2014; Nguyễn Đình An & Tô Thị Hồng Gấm, 2021) tìm thấy quy mô ngân hàng tương quan thuận chiều với NIM, trong khi một số khác (Singh & van der Wel, 2019; Gul & Zaman, 2011) cho kết quả trái ngược

Giả thuyết H 6 : Quy mô ngân hàng tương quan cùng/nghịch chiều với NIM của NHTM

Thống kê mô tả dữ liệu

Kết quả thống kê mô tả dữ liệu cho tất cả 10 biến của mô hình được trình bày theo các tiêu chí then chốt (số quan sát, giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất và giá trị bé nhất) Động thái của các biến trong giai đoạn 2009-2021 sẽ được phân tích chi tiết trong nội dung tiếp theo

Bảng 4.1: Kết quả thống kê mô tả dữ liệu

Trung bình Độ lệch chuẩn Bé nhất Lớn nhất

Nguồn: Tác giả tính toán bằng phần mềm Stata 18

4.1.1 Thu nhập lãi cận biên

Theo thông tin trong Bảng 4.1 và Hình 4.1, giá trị bình quân giai đoạn 2009-

NIM năm 2021 của các ngân hàng thương mại Việt Nam trung bình đạt 3,246% Giá trị NIM cao nhất trong giai đoạn 2011-2021 là 9,453% (Ngân hàng Thương mại Cổ phần Việt Nam Thịnh Vượng năm 2019) và thấp nhất là -0,888% (Ngân hàng Thương mại Cổ phần Tiên Phong năm 2011).

Về tổng thể, NIM giảm đôi chút vào năm 2010 rồi tăng nhẹ lên trong hai năm 2011-2012; sau đó, chỉ tiêu này giảm từ mức 3,837% xuống còn 2,820% năm

2014 trước khi tăng lên 3,458% năm 2021 Đáng chú ý trong bối cảnh khủng hoảng thế giới 2008-2009, lãi vay giảm xuống mức một con số vào đầu năm 2009 cùng với chính sách thắt chặt tín dụng đối với các NHTM Chính vì vậy, NIM giảm từ 3,597% năm 2009 xuống còn 3,500% năm 2010

Nhờ các chính sách bình ổn (tiền tệ và tài khóa) mở rộng thận trọng, vừa khuyến khích tăng trưởng vừa kìm hãm lạm phát, nền kinh tế Việt Nam bắt đầu phục hồi từ năm 2010 Hoạt động của các NHTM dần tốt hơn Mức lạm phát cao xảy ra trong hai năm 2010-2011 khiến các mức lãi suất đều tăng, nên NIM tăng lên mức 6,377% năm 2011

Trong các năm từ 2013 đến 2019, NHNN ban hành một số chính sách quan trọng (Quyết định số 2646/QĐ-NHNN năm 2012, Quyết định 643-NHNN năm

2013, Quyết định 1424/QĐ-NHNN năm 2017, Quyết định số 1870/QĐ-NHNN năm 2019) tập trung mục tiêu giảm lãi vay và ngăn chặn lạm phát cao, NIM dao động quanh mức 2,995%

Trong giai đoạn 2019-2021, đại dịch Covid-19 đẩy kinh tế toàn cầu và Việt Nam vào khủng hoảng Tác động tích cực của việc ban hành kịp thời Thông tư 01/2020/TT-NHNN về việc TCTD, chi nhánh ngân hàng nước ngoài cơ cấu lại thời hạn trả nợ, miễn, giảm lãi, phí, giữ nguyên nhóm nợ là hỗ trợ kinh tế nước ta phục hồi, lãi suất huy động và lãi vay đều giảm tạo mức chênh lệch lãi lớn, đem lại lợi nhuận cao cho các NHTM NIM của các NHTM tăng từ mức 3,194% năm 2019 lên tới 3,458% năm 2021 (Hình 4.1)

Hình 4.1: NIM của NHTM Việt Nam – Nguồn: Tác giả tổng hợp

Theo thông tin trong Bảng 4.1 và Hình 4.2, giá trị bình quân, giá trị lớn nhất và giá trị bé nhất của tỷ lệ nợ xấu lần lượt là 1,997%; 11,402% và 0%

Trong giai đoạn 2009-2012, nợ xấu gia tăng đáng kể, đạt đỉnh 3,203% vào năm 2012 và 2,865% vào năm 2013 Tình trạng này chủ yếu do Ngân hàng Nhà nước Việt Nam thắt chặt chính sách tiền tệ năm 2011 để kiềm chế lạm phát gia tăng.

2017, NHNN đẩy mạnh thực hiện chủ trương tái cấu trúc các TCTD và chỉ đạo quyết liệt giải quyết vấn đề nợ xấu

Dịch bệnh Covid-19 bùng phát trong giai đoạn 2019-2021 gây nhiều hệ lụy Trong bối cảnh đó, NHNN thực hiện chủ trương cơ cấu lại nợ cho khách hàng bị ảnh hưởng bởi khủng hoảng, khiến nợ xấu gia tăng từ 1,646% năm 2019 lên 1,798% năm 2020 và sau sự phục hồi nhẹ của nền kinh tế vào năm 2021, nợ xấu giảm xuống mức 1,657% (Hình 4.2)

Hình 4.2: Nợ xấu của NHTM Việt Nam - Nguồn: Tác giả tổng hợp

4.1.3 Tỷ lệ cho vay trên tiền gửi

Theo Bảng 4.1 và Hình 4.3, chỉ tiêu này có giá trị bình quân 80,057%, giá trị lớn nhất 142,768% và giá trị bé nhất 34,343% trong giai đoạn 2009-2021 Xét theo từng năm, chỉ tiêu này giảm trong giai đoạn 2011-2015 và tăng trong giai đoạn 2016-2021.

Cụ thể, trong bối cảnh khủng hoảng kinh tế 2008-2009, nhu cầu vốn của nền kinh tế vẫn ở mức cao Trong thời kỳ 2011-2014, NHNN đưa ra nhiều chủ trương khuyến khích nhưng thận trọng để tăng cường tín dụng cho nền kinh tế, hỗ trợ khôi phục tăng trưởng Nhờ đó, lãi vay nhìn chung giảm từ 18,2% năm 2011 xuống thấp hơn 9% năm 2014 (Hình 4.3) Tuy nhiên, dư nợ tín dụng tăng trưởng chậm do tăng trưởng kinh tế yếu

Hình 4.3: Tỷ lệ cho vay trên tiền gửi của NHTM Việt Nam - Nguồn: Tác giả tổng hợp

Mức lãi suất ổn định trong thời kỳ 2014-2018 khi cơ cấu tín dụng được triển khai theo hướng tích cực: cho vay vào các lĩnh vực và ngành ưu tiên được khuyến khích, trong khi kiểm soát chặt chẽ tín dụng vào các khu vực rủi ro Tỷ lệ cho vay trên tiền gửi tăng từ mức 76,696% năm 2014 lên đến mức 84,860% năm 2018 (Hình 4.3)

Trong giai đoạn xảy ra đại dịch Covid-19 (2019-2021), để hỗ trợ tăng trưởng, NHNN triển khai nhiều biện pháp giúp các chủ thể kinh tế tiếp cận tín dụng với chi phí hợp lý, kéo lãi suất thị trường giảm Trong bối cảnh đó, tỷ lệ cho vay trên tiền gửi cao tiếp tục được duy trì, cụ thể 84,869% năm 2019 và 85,097% năm

Theo thông tin trong Bảng 4.1 và Hình 4.4, giá trị bình quân, giá trị lớn nhất và giá trị bé nhất của chỉ tiêu này lần lượt là 0,192%; 0,611% và 0,0452% Xu hướng chung là tính thanh khoản giảm đôi chút trong các năm 2009-2010 và tăng nhẹ vào năm 2011 rồi giảm dần qua từng năm trong thời kỳ 2012-2016 và lại tăng đều đặn trong giai đoạn 2017-2021 (Hình 4.4)

Về tổng thể, trong toàn bộ giai đoạn 2009-2021, các NHTM chứng kiến tính thanh khoản khá ổn định, không còn tình trạng thiếu thanh khoản cũng như dư thừa

LDR thanh khoản khiến việc sử dụng vốn hiệu quả thấp Xu hướng này chứng tỏ các NHTM đạt hiệu quả cao trong sử dụng vốn

Hình 4.4: Thanh khoản của NHTM Việt Nam - Nguồn: Tác giả tổng hợp 4.1.5 Tỷ lệ chi phí hoạt động trên thu nhập hoạt động

Theo thông tin trong Bảng 4.1 và Hình 4.5, giá trị trung bình, giá trị cao nhất và giá trị thấp nhất của chỉ tiêu này lần lượt là 0,783%; 86,302% và 0 Trừ năm

2011 chỉ tiêu này của NHTM cổ phần Tiên Phong tăng bất thường do chi phí hoạt động tăng quá cao

Về tổng thể, chỉ tiêu này giảm đều đặn trong các giai đoạn 2009-2010 và 2012-2021, từ mức 0,559% xuống 0,402% (Hình 4.5) Xu hướng này chứng tỏ các NHTM cố gắng giảm thiểu chi phí để hoạt động hiệu quả hơn

Hình 4.5: Tỷ lệ chi phí hoạt động trên thu nhập hoạt động của NHTM Việt

Nam Nguồn: Tác giả tổng hợp

4.1.6 Tỷ lệ lợi nhuận trên tổng tài sản

Theo thông tin trong Bảng 4.1 và Hình 4.6, giá trị bình quân, giá trị lớn nhất và giá trị thấp nhất của chỉ tiêu này lần lượt là 0,967%; 5,566% và -5,993% Về tổng thể, chỉ tiêu này chỉ giảm đáng kể trong các năm 2011-2016, nhưng tăng mạnh trong các giai đoạn 2009-2010 và 2016-2020 (Hình 4.6)

Kiểm tra hiện tượng tự tương quan

Trong Bảng 4.2, các hệ số tương quan trong khoảng -0,7 – 0,7, ngoại trừ mức tương quan cao giữa cặp biến GDP - COV Các biến độc lập NPL, LDR, ROA, INF và COV tương quan cùng chiều với biến phụ thuộc NIM, trong khi các biến LIQ, COST, SIZE và GDP có tương quan nghịch chiều

Hiện tượng đa cộng tuyến (multicollinearity) tồn tại do hệ số tương quan cao hơn 0,9 giữa GDP và COV Vấn đề đa cộng tuyến thường gây rắc rối cho các phương pháp tần suất

Tuy nhiên, chứng minh là một phương pháp hồi quy linh hoạt, cách tiếp cận Bayes được sử dụng trong phân tích này là một giải pháp tốt hơn đối với vấn đề đa cộng tuyến mà không gây nên các ước lượng bị chệch Đó là do các phương pháp Bayes có tính linh hoạt cao nhờ khả năng kết hợp thông tin tiên nghiệm với dữ liệu có sẵn Những thông tin tiên nghiệm có thông tin (informative priors) cho phép mã hóa các tương tác, mối quan hệ, chiều hướng và mức độ tác động giữa các biến trong mô hình Bayes

Bảng 4.2: Kết quả tự tương quan giữa các biến

NIM NPL LDR LIQ COST ROA SIZE GDP INF COV

Kết quả phân tích Bayes

4.3.1 So sánh và lựa chọn mô hình Bayes

Luận văn tiến hành chín lần mô phỏng chuỗi MCMC cho các hệ số hồi quy với thông tin tiên nghiệm theo phân phối chuẩn N(0,1) đến N(0,10000), trong khi phương sai được chọn theo phân phối Gamma nghịch đảo Invgamma(0.01, 0.01) Các bảng kết quả chi tiết cho từng thông tin tiên nghiệm được trình bày sau.

Kết quả mô phỏng mô hình Bayes với thông tin tiên nghiệm N(0,1) được trình bày trong Bảng 4.3

Bảng 4.3: Tóm tắt mô phỏng mô hình Bayes với N(0,1)

Tham số Trung bình Độ lệch chuẩn

Sai số chuẩn Monte Carlo

Trung vị Khoảng tin cậy

Biến được giải thích: NIM

Kết quả mô phỏng mô hình Bayes với thông tin tiên nghiệm N(0,3) được trình bày trong Bảng 4

Trung bình Độ lệch chuẩn

Bảng 4.11: Tóm tắt mô phỏng mô hình Bayes với tiên nghiệm N(0,10000)

Bảng 4.12: Các tiêu chuẩn thông tin Bayes

Mô hình DIC log(ML) log(BF)

Phương pháp Bayes vượt trội cách tiếp cận tần suất trong việc so sánh để lựa chọn mô hình phù hợp nhất Trong cách tiếp cận Bayes, các tiêu chuẩn thông tin (information criteria) như DIC, log(ML), log(BF) và P(My) được sử dụng cho mục đích này

Giá trị DIC càng thấp thì mô hình càng hợp lý; trong khi đó, ngược lại, giá trị log(ML), log(BF) và P(My) càng cao thì mô hình càng tốt (hợp lý hơn) Mặc dù DIC không phải thấp nhất, mô hình Bayes N(0,3) có giá trị các tiêu chuẩn thông tin còn lại cao nhất nên có thể kết luận là mô hình phù hợp nhất (Các Bảng 4.12 và 4.13) Như vậy, tác giả chọn mô hình Bayes N(0,3) cho suy diễn thống kê

Bảng 4.13: Kiểm định mô hình Bayes

Mô hình log(ML) P(M) P(My)

4.3.2 Kiểm định hội tụ chuỗi MCMC

Trong trường hợp sử dụng thuật toán lấy mẫu MCMC, trước khi bắt đầu bước suy diễn thống kê, cần phải kiểm định sự hội tụ chuỗi MCMC đối với tất cả các tham số của mô hình Nếu chuỗi MCMC hội tụ thì các tham số mô hình sẽ hội tụ về các giá trị hợp lý nhất

Trong phân tích này, tác giả kiểm định hội tụ chuỗi MCMC dựa trên các kết quả mô phỏng mô hình Bayes N(0,3)

Biến ESS Corr time Efficiency

Trong phân tích Bayes, hai loại kiểm định hội tụ thường được sử dụng: hình thức (ESS) và các dạng biểu đồ (biểu đồ vết, biểu đồ tự tương quan, biểu đồ cusum)

Theo kết quả kiểm định ESS ghi nhận trong Bảng 4.14, hiệu quả lấy mẫu (efficciency) cao hơn mức cảnh báo 0,1; số lần tương quan thấp hơn 33 (Corr time)

Ngoài ra, theo kết quả ước lượng, các chỉ báo ban đầu như tỷ lệ chấp nhận (acceptance rate) (gần bằng 0,5) và hiệu quả trung bình (average efficiency) (gần bằng 0,03) đều ở mức hợp lý Mặt khác, tác giả xem xét các kết quả kiểm định bằng biểu đồ (Phụ lục 3, 4, 5)

Các biểu đồ vết cho thấy chuỗi MCMC chuyển động nhanh qua miền hậu nghiệm (posterior domain), không phân tán ra những xu hướng khác biệt rõ rệt, dao động đều xung quanh một giá trị trung bình (mean) với phương sai (variance) gần như cố định

Ngoài ra, biểu đồ tự tương quan rớt nhanh sau tối đa 33 độ trễ Biểu đồ cusum có hình răng cưa, cắt trục hoành nhiều lần Các kết quả kiểm định biểu đồ không phát hiện dấu hiệu bất thường cho thấy các chuỗi MCMC không hội tụ

Như vậy, theo các kiểm định hình thức và biểu đồ, chuỗi MCMC hội tụ đối với tất cả các tham số trong mô hình Bayes N(0,3) Do vậy, kết quả mô phỏng của mô hình này có thể được sử dụng tiếp cho phân tích và thảo luận

4.3.3 Kiểm định tính phù hợp của mô hình Bayes

Trong thống kê Bayes, các kiểm định biểu đồ được sử dụng để đánh giá mức độ phù hợp của mô hình với dữ liệu hoặc khả năng giải thích của mô hình đối với hiện thực quan sát.

Trước hết, tác giả xem xét biểu đồ Quan sát so với dự báo Trong Hình 4.10, biểu đồ (scatter) bám sát đường phân giác (diagonal), tức là các điểm quan sát (actual data) và điểm dự báo tương quan khá chặt chẽ, thể hiện rằng mô hình Bayes N(0,3) phù hợp cao với dữ liệu quan sát

Hình 4.10: Giá trị quan sát so với dự báo

Hình 4.11: Giá trị sai số so với dự báo

Dạng biểu đồ kiểm định tiếp theo là biểu đồ Phần dư (sai số) so với dự báo Trên biểu đồ này (Hình 4.11), các điểm (scatter) chuyển động đều dọc theo trục hoành cho thấy sai số dự báo tương đối ổn định và do vậy, tính phù hợp khá cao của mô hình

Dạng biểu đồ thứ ba là phần trăm các điểm quan sát nằm trong khoảng dự báo (predictive interval), tức là giữa đường bound trên (màu xanh lá cây) và bound dưới (màu vàng) Một tỷ lệ thấp hơn chứng tỏ mô hình phù hợp hơn

Hình 4.12: Tỷ lệ số liệu quan sát trong khoảng dự báo

Theo tính toán của phần mềm Stata 18, tỷ lệ này tương đương 96% chứng tỏ mức độ phù hợp cao của mô hình Bayes N(0,3)

Dạng biểu đồ kiểm định thứ tư là biểu đồ Q-Q cho phần dư (sai số) Biểu đồ Q-Q so sánh phân phối của phần dư với đường chéo (diagonal line) đại diện cho phân phối Gauss, tức là phân phối chuẩn N(0,1)

Nếu biểu đồ phần dư càng bám sát đường chéo, ta có thể hiểu phân phối xác suất của phần dư càng tuân theo phân phối Gauss Hình 4.13 cho thấy phân phối xác suất của phần dư mô phỏng một phân phối Gauss, phản ánh mô hình Bayes của chúng ta là phù hợp

Hình 4.13: Biểu đồ Q & Q cho phần dư

Những kiểm định biểu đồ được thực hiện ở phần trên chỉ ra rằng mô hình Bayes N(0,3) có mức độ phù hợp (năng lực giải thích) cao.

Kết luận

Luận văn đặt mục tiêu phân tích ảnh hưởng của một nhóm 9 nhân tố chọn lọc đến NIM của các NHTM Việt Nam trong thời kỳ 2009-2021 Để đạt được mục tiêu, luận văn áp dụng thuật toán Hydrid MH trong cách tiếp cận tuyến tính Bayes cho một mẫu dữ liệu bảng bao gồm 24 ngân hàng Để đạt được mục tiêu chung, ba mục tiêu cụ thể được giải quyết như sau: (i) Để xác định mô hình tuyến tính Bayes: Tác giả chọn một nhóm bao gồm chín nhân tố có ảnh hưởng đến NIM của 24 NHTM Việt Nam Chín nhân tố đó là:

 NPL (tỷ lệ nợ xấu)

 LDR (tỷ lệ cho vay trên tiền gửi)

 COST (tỷ lệ chi phí hoạt động trên thu nhập hoạt động)

 ROA (tỷ suất lợi nhuận trên tổng tài sản)

 SIZE (quy mô ngân hàng), GRO (tăng trưởng GDP)

 INF (tỷ lệ lạm phát) và COV (Covid-19)

(ii) Dùng thuật toán Hydrid MH để mô phỏng mô hình tuyến tính Bayes, luận văn đánh giá tác động của nhóm các nhân tố chọn lọc đến NIM của các NHTM trong mẫu nghiên cứu

Kết quả thực hiện mục tiêu này cho thấy:

 NPL (tỷ lệ nợ xấu), LDR (tỷ lệ cho vay trên tiền gửi), COST (tỷ lệ chi phí hoạt động trên thu nhập hoạt động), ROA (tỷ suất lợi nhuận trên tổng tài sản) và INF (tỷ lệ lạm phát) tương quan cùng chiều với NIM

Ngược lại, các biến về tính thanh khoản (LIQ), quy mô ngân hàng (SIZE), tăng trưởng GDP (GRO) và COVID-19 (COV) ngoại trừ SIZE có tác động yếu thì các biến giải thích còn lại trong mô hình được khám phá đều có tương quan mạnh mẽ với NIM.

(iii) Dựa trên các phát hiện thực nghiệm từ mô phỏng mô hình Bayes, nghiên cứu gợi ý một số giải pháp và chính sách quan trọng nhằm góp phần tăng trưởng vững chắc NIM cho các NHTM Việt Nam

Bảng 5.1: Tóm tắt kết quả mô phỏng Bayes

Biến Trung bình Kỳ vọng dấu Giả thuyết Kết luận

Nguồn: Tác giả tổng hợp

Một số hàm ý chính sách

 Kéo giảm tỷ lệ nợ xấu (NPL)

Theo những kết quả mô phỏng mô hình Bayes, NPL tương quan mạnh và cùng chiều với NIM

Một mức nợ xấu cao phản ánh quản trị ngân hàng kém dẫn đến chất lượng tín dụng thấp

Hạn chế này thu hẹp khả năng tín dụng, đồng thời ảnh hưởng xấu đến tính thanh khoản, hình ảnh và khả năng cạnh tranh của ngân hàng

Do vậy, ngân hàng phải giảm mức này xuống dưới mức bình quân của ngành ngân hàng và đồng thời nâng cao năng lực quản lý của mình đối với các hoạt động cấp tín dụng.

 Đảm bảo mức an toàn cho (LDR)

Theo những kết quả mô phỏng mô hình Bayes, LDR tương quan mạnh và nghịch chiều với NIM Việc đảm bảo mức an toàn cho LDR sẽ mang sự ổn định vào hoạt động của hệ thống ngân hàng và qua đó có ảnh hưởng lan tỏa tích cực lên toàn bộ các quan hệ kinh tế

 Duy trì mức thanh khoản hợp lý (LIQ)

Theo những kết quả mô phỏng mô hình Bayes, LIQ tương quan mạnh và nghịch chiều với NIM Mức thanh khoản cao đóng góp tăng cường sự ổn định cho ngân hàng

Thế nhưng, một dự trữ thanh khoản dồi dào quá mức có thể dẫn đến tình trạng việc quản lý nhiều tài sản có hiệu quả thấp, khiến chi phí cơ hội tăng cao, làm giảm thu nhập Chính vì vậy, các ngân hàng cần có những giải pháp để đạt được một mức thanh khoản hợp lý

 Nâng cao hiệu quả quản lý chi phí (COST)

Theo những kết quả mô phỏng mô hình Bayes, COST tương quan mạnh và cùng chiều với NIM Chính vì vậy, nhiều giải pháp khả thi cần được thực hiện để nâng cao thu nhập lãi cận biên cho các NHTM Tiêu chí tăng thu nhập lãi cận biên ở đây là giảm tỷ lệ chi phí lãi trung bình trên một đơn vị doanh thu

Một số biện pháp khả thi cần được triển khai để cải thiện tình hình kinh tế gồm có: Nâng cao chất lượng hoạt động tín dụng để hạn chế nợ xấu và trích lập dự phòng rủi ro hợp lý Bên cạnh đó, cần đầu tư máy móc công nghệ hiện đại tiên tiến để nâng cao năng suất và sức cạnh tranh Không những vậy, việc nâng cao công tác đào tạo đội ngũ nhân sự cũng là một yếu tố quan trọng góp phần vào sự phát triển kinh tế bền vững.

 Tăng tỷ suất lợi nhuận (ROA)

Theo những kết quả mô phỏng mô hình Bayes, ROA tăng sẽ kéo theo NIM tăng

Các ngân hàng cần thực hiện nhiều giải pháp khả thi nhằm cắt giảm đáng kể chi phí vận hành và tăng trưởng doanh thu bằng cách loại bỏ những khoản mục làm giảm thu nhập

Ngoài ra, cần thiết kế và thực thi những chiến lược và chiến thuật kinh doanh đột phá trong dài hạn để cạnh trạnh thành công trong thị trường tiền tệ - ngân hàng

 Tăng quy mô đi kèm với nâng cao hiệu quả quản lý (SIZE)

Theo những kết quả mô phỏng mô hình Bayes, SIZE tăng có ảnh hưởng làm giảm NIM

Tăng tài sản, mở rộng sản xuất là sự cần thiết cho quá trình tăng trưởng của mọi doanh nghiệp, bao gồm ngân hàng

Tuy vậy, ngân hàng cần chú trọng hiệu quả của hoạt động quản trị khi tăng trưởng quy mô sao cho thu nhập và lợi nhuận tăng theo tương ứng

 Ổn định tăng trưởng GDP (GRO)

Theo những kết quả mô phỏng mô hình Bayes, khi tăng trưởng GDP (GRO) tăng sẽ làm giảm thu nhập lãi cận biên (NIM) của các NHTM Tín dụng thường tăng nóng trong điều kiện tăng trưởng nóng Các ngân hàng phải tăng lãi suất tiền gửi để cân bằng thị trường vốn

Tuy nhiên, lãi suất cho vay tăng không theo kịp lãi suất tiền gửi nên làm giảm NIM Chính vì vậy, cần ổn định tăng trưởng GDP, tránh tăng trưởng quá nóng dẫn đến tăng trưởng tín dụng nóng, gây bất ổn cho toàn bộ hệ thống ngân hàng

 Dự báo mức lạm phát kỳ vọng (INF)

Theo những kết quả mô phỏng mô hình Bayes, INF tương quan mạnh và cùng chiều với NIM

Lạm phát tăng ổn định và được dự đoán chính xác giúp các NHTM nâng cao NIM, khi những nhà quản trị ngân hàng tìm cách điều chỉnh chênh lệch lãi suất theo hướng tăng doanh thu

Vì vậy, các NHTM cần tổ chức một bộ phận phân tích thị trường để dự báo những biến động kinh tế, giúp ngân hàng điều chỉnh chính sách lãi suất phù hợp với xu hướng lạm phát, đảm bảo tăng trưởng ổn định lợi nhuận

 Khắc phục khủng hoảng kinh tế (COV)

Theo những kết quả mô phỏng mô hình Bayes, khủng hoảng Covid-19 (COV) làm giảm NIM Trong thời gian khủng hoảng, doanh nghiệp và hộ gia đình bị giảm mạnh thu nhập Để ngăn nợ xấu tăng, ngân hàng cần giảm lãi suất cho vay nên lợi nhuận sẽ giảm sút Chính vì vậy, cần các mô hình kinh tế lượng dự đoán với mức độ chính xác cao xác suất của khủng hoảng

Ngoài ra, để nhanh chóng vượt qua khủng hoảng, các chính phủ cần triển khai nhiều chính sách bình ổn nền kinh tế khi suy thoái đã xảy ra.

Hạn chế và hướng nghiên cứu tương lai

 Hạn chế Đối với phân tích Bayes, mẫu dữ liệu nhỏ không ảnh hưởng hệ trọng đến kết quả so với phương pháp tần suất

Lợi thế này phương pháp Bayes có được là nhờ khả năng của phương pháp Bayes kết hợp linh hoạt kiến thức tiên nghiệm với dữ liệu Phân phối tiên nghiệm có thông tin (informative prior) rất quan trọng trong trường hợp mẫu nhỏ

Tác giả có thể chỉ chọn 24 trong số 31 NHTM Việt Nam giai đoạn 13 năm tạo nên một mẫu không đủ lớn đối với cách tiếp cận tần suất Nghiên cứu sử dụng tiên nghiệm chuẩn N(0,3), một phân phối chuẩn thông tin yếu (weakly informative) có hiệu ứng điều tiết tốt để giới hạn vừa phải các giá trị của các tham số

 Hướng nghiên cứu tương lai

Trong nghiên cứu tương lai về NIM, cần lựa chọn một phân phối tiên nghiệm có thông tin mạnh mà có thể được rút ra từ các công trình thực nghiệm trước đó hoặc dựa trên kiến thức nền tảng

Chương V tóm tắt những kết quả mô phỏng mô hình Bayes Dựa vào những kết quả mô phỏng, luận văn gợi ý những giải pháp, hàm ý chính sách liên quan đến các biến của mô hình nhằm đảm bảo tăng trưởng vững chắc lợi nhuận và NIM cho các NHTM Việt Nam

Bài luận cũng chỉ ra rằng hạn chế chính của phương pháp này là sử dụng thông tin yếu trước đây, điều này mở ra hướng nghiên cứu trong tương lai khi sử dụng phương pháp tiếp cận Bayes Tuy nhiên, kết quả phân tích của bài luận sẽ cung cấp thêm kiến thức về NIM của ngân hàng và các giải pháp thiết thực trong điều hành, qua đó đóng góp vào sự phát triển bền vững của các ngân hàng.

Tiêu đề	Phân tích Bayes các nhân tố tác động đến thu nhập lãi cận biên của các ngân hàng thương mại Việt Nam
Tác giả	Nguyễn Ngọc Thùy An
Người hướng dẫn	PGS.TSKH Nguyễn Ngọc Thạch
Trường học	Trường Đại học Ngân hàng Thành phố Hồ Chí Minh
Chuyên ngành	Tài chính - Ngân hàng
Thể loại	Luận văn Thạc sĩ Kinh tế
Năm xuất bản	2024
Thành phố	Thành phố Hồ Chí Minh

Định dạng
Số trang	102
Dung lượng	4,25 MB