1. 7 Giới thiệu sơ lược kết cấu đề tài
4.1.2 thị phân tán có đường hồi quy
Để xem xét mối quan hệ biến thiên giữa biến phụ thuộc (biến tăng trưởng tín dụng) với từng biến độc lập, tác giả sử dụng đồ thị phân tán có đường hồi quy để thể hiện rõ mối quan hệ giữa các cặp biến số.
+ Tăng trưởng tín dụng và khối lượng tiền gửi
(Nguồn: lấy từ phần mềm Eviews)
Hình 4.1: Đồ thị phân tán có đường hồi quy giữa tăng trưởng tín dụng và khối lượng tiền gửi.
+ Tăng trưởng tín dụng và hạn mức tín dụng
(Nguồn: lấy từ phần mềm Eviews)
Hình 4.2: Đồ thị phân tán có đường hồi quy giữa tăng trưởng tín dụng và hạn mức tín dụng
+ Tăng trưởng tín dụng và dự trữ bắt buộc
(Nguồn: lấy từ phần mềm Eviews)
Hình 4.3: Đồ thị phân tán có đường hồi quy giữa tăng trưởng tín dụng và dự trữ bắt buộc
+ Tăng trưởng tín dụng và lãi suất cho vay
(Nguồn: lấy từ phần mềm Eviews)
Hình 4.4: Đồ thị phân tán có đường hồi quy giữa tăng trưởng tín dụng và lãi suất cho vay
+ Tăng trưởng tín dụng và tỷ lệ thanh khoản
(Nguồn: lấy từ phần mềm Eviews)
Hình 4.5: Đồ thị phân tán có đường hồi quy giữa tăng trưởng tín dụng và tỷ lệ thanh khoản
Nhìn vào các đồ thị phân tán có đường hồi quy trên, ta thấy đặc điểm chung của các đồ thị là có sự phân tán rộng khắp nhưng chủ yếu vẫn tập trung nhiều ở tại điểm giữa và điểm đầu của đường thẳng và có xu hướng tiến sát lại đường thẳng. Ta có thể kết luận rằng tăng trưởng tín dụng và các biến khối lượng tiền gửi, hạn mức tín dụng, dự trữ bắt buộc, lãi suất cho vay, tỷ lệ thanh khoản có mối quan hệ tuyến tính với nhau.
4.1.3 Ma trận tương quan
Đa cộng tuyến là hiện tượng các biến giải thích trong mô hình phụ thuộc tuyến tính lẫn nhau. Một trong những dấu hiệu để nhận biết có đa cộng tuyến trong mô hình hồi quy là hệ số xác định RP
2
Pcó giá trị cao, trong khi các giá trị t quan sát lại nhỏ, kiểm định t mâu thuẫn với kiểm định F, dấu của một hệ số hồi quy không như kì vọng.
Để xem xét và kết luận hiện tượng đa cộng tuyến trong mô hình, trước tiên ta tìm ma trận tương quan giữa các biến giải thích, nếu hệ số tương quan giữa hai biến giải thích mà > 0.8 trong khi t thấp thì có thể xem như mô hình có đa cộng tuyến cao.
(Nguồn: tính toán của tác giả) Kết quả của ma trận tương quan cho thấy mức độ tương quan giữa các biến độc lập là thấp và nhỏ hơn 0.8. Như vậy vấn đề đa cộng tuyến trong mô hình hồi qui là hoàn toàn không có khả năng xảy ra.
Khối lượng tiền gửi (KLTG) có tương quan ngược chiều với tăng trưởng tín dụng (hệ số tương quan là -0.535). Điều này cho thấy trong mô hình này tăng trưởng tín dụng ít chịu tác động từ yếu tố khối lượng tiền gửi từ khách hàng.
Chỉ có duy nhất biến dự trữ bắt buộc (DTBB) là có tương quan cùng chiều với tăng trưởng tín dụng với giá trị là 0.162. Việc này đồng nghĩa với tỷ lệ dự trữ bắt buộc có tác động khá đáng kể đến tình hình tăng trưởng tín dụng của ngân hàng. Tỷ lệ dự trữ bắt buộc giảm xuống thì đi đôi với việc tăng trưởng tín dụng.
Còn những biến còn lại như hạn mức tín dụng (HMTD), lãi suất cho vay (LSCV) và biến tỷ lệ thanh khoản (TLTK) đều có tương quan nghịch chiều với tăng trưởng tín dụng với các giá trị lần lượt là -0.261, -0.436, -0.229.
4.1.4 Kiểm tra hiện tượng đa cộng tuyến bằng nhân tử phóng đại phương sai VIF
Như ở trên ta đã thực hiện kiểm định đa cộng tuyến bằng ma trận tương quan giữa các biến, để chắc chắn rằng mô hình hoàn toàn không có đa cộng tuyến, ta tiếptục thực hiện kiểm định với hệ số nhân tử phóng đại phương sai VIF. Ta có công thức:
VIF =1/ (1- RP
2
PRjR). Nếu VIF >= 10 (tương đương RP
2
PRj R>=0.9)P
2
Pthì kết luận mô hình có đa cộng tuyến cao.
Bảng 4.3: Kiểm tra hiện tượng đa cộng tuyến bằng nhân tử phóng đại phương sai VIF:
(Nguồn: tính toán của tác giả)
Qua bảng 4.3, nhìn vào cột giá trị Centered VIF, ta thấy giá trị VIF của tất cả các biến trong mô hình đều thấp và nhỏ hơn 10 ( chẳng hạn VIF của KLTG = 1.473547, của DTBB là 1.327066 ) nên ta có thể dễ dàng kết luận mô hình không có đa cộng tuyến.
4.1.5 Mô hình hồi quy
Chạy mô hình hồi quy với mô hình sau:
TTRTD = βR0R + KLTG x βR1R + DTBB x βR2 + HMTD x βR R3R + LSCV x βR4R +TLTK x βR5R + u.
(Nguồn: tính toán của tác giả)
Trong mô hình hồi quy trên, ta nhận thấy các biến như khối lượng tiền gửi (KLTG), lãi suất cho vay (LSCV), và hằng số C đều có gía trị P-value < 0.05. Và các biến còn lại như dự trữ bắt buộc (DTBB), hạn mức tín dụng (HMTD) và tỷ lệ thanh khoản (TLTK) có giá trị P-value >0.05.
Hệ số xác định R-squared không cao (với giá trị 0.495620) và Prob (F-statistic) nhỏ (= 0.002147). Từ đó ta có thể dự đoán rằng mô hình không có tự tương quan.
Sau khi hồi quy ta có được phần dư u chính là phần resid trên bảng hồi quy.Tiếp theo, ta tiến hành kiểm định hiện tượng tự tương quan cho mô hình.
Để phát hiện tự tương quan trong mô hình, ta có thể sử dụng kiểm định Breusch – Godfrey ( kiểm định BG).
Kiểm định BG được tiến hành trên hàm hồi quy phụ. Với cặp giả thiết:
HR0: Rα1 = α2 = ….=αp = 0, mô hình gốc không có tự tương quan đến bậc p H0 :∃ αj ≠ 0, (j =1: p) , mô hình gốc có tự tương quan ở ít nhất một bậc.
Từ cửa sổ Equation chọn lệnh: Residdual Diagnostics / Serial Correlation LM Test, chọn trễ bậc 1 ta được:
Bảng 4.5 : Kiểm định Breusch – Godfrey (BG)
(Nguồn: tính toán của tác giả)
P (F > 16.69280) = 0.0003 < 0.05 P (χP
2
P
> 12.64342 ) = 0.0004 <0.05.
Các giá trị đều < 0.05. Do đó, ta bác bỏ H0, tóm lại mô hình hồi quy gốc có hiện tượng tự tương quan bậc 1.
* Khắc phục hiện tượng tự tương quan
Tác giả dùng phương pháp Bình phương nhỏ nhất (Generalized Least Squares – GLS) để khắc phục hiện tượng tự tương quan.
Bảng 4.6: Khắc phục hiện tượng tự tương quan
Từ bảng 4.6 ta thấy được kết quả hồi quy chỉ khác mô hình gốc tại các giá trị sai số chuẩn của các tham số ước lượng của mô hình, do đó các giá trị t quan sát và các P-value cũng khác. Giá trị P-value của các biến (HMTD), (DTBB), (LSCV) và (TLTK) lần lượt có các giá trị là : 0.0420; 0.2640; 0.7385; 0.7555.
4.1.7 Kiểm định phương sai sai số ngẫu nhiên thay đổi
Để thực hiện kiểm định hiện tượng phương sai sai số ngẫu nhiên thay đổi, trước tiên ta cần tiến hành hồi quy Y, sau đó ta chọn View/ Residual Diagnostics / Heteroskedasticity Test. Và ta chọn kiểm định White để thực hiện. Với cặp giả thiết :
H0 : RP
2
P
[2]=0 , mô hình gốc có phương sai phần dư không đổi H0 : R2[2] ≠ 0 , mô hình gốc có phương sai phần dư thay đổi. Trong đó : R2[2]: hệ số xác định của hàm hồi quy
Từ bảng kết quả trên, dựa vào phương pháp P-value , ta có thể kết luận dễ dàng : P (F > 2.816138 ) = 0.0405 < 0.05
P (χ2 > 26.77146 ) = 0.1418 >0.05
P (χ2 > 39.53086 ) = 0.0057 < 0.05
Dựa vào Prob. Chi Squared (20) = 0.1418 > 0.05 , ta kết luận rằng chấp nhận H0, mô hình gốc có phương sai phần dư không đổi.
4.1.8 Ước lượng điều chỉnh sai số chuẩn (Robust Standard Errors)
Phương pháp điều chỉnh sai số chuẩn được sử dụng không nhằm khắc phục phương sai thay đổi mà để các kiểm định đáng tin cậy hơn.
Trong mô hình ước lượng có hiện tượng phương sai của phần dư thay đổi thì các tham số của mô hình vẫn là ước lượng không chệch( nếu các giả thiết khác vẫn đảm bảo), chỉ có phương sai của các hệ số ước lượng và hiệp phương sai giữa các tham số ước lượng bị chệch. Do đó, White (1980) đề xuất phương pháp “Robust Standard Errors”, giữ nguyên các giá trị ước lượng của các tham số của phương pháp OLS, chỉ ước lượng lại phương sai.
(Nguồn: tính toán của tác giả)
Nhìn vào Bảng 4.8 ta thấy được rằng kết quả hồi quy chỉ khác mô hình gốc tại các giá trị sai số chuẩn của các tham số ước lượng của mô hình, do đó các giá trị t quan sát và các P-value cũng khác. Chẳng hạn như trong bảng mô hình hồi quy thì biến Dự trữ bắt buộc (DTBB) có sai số chuẩn là 1.175936, giá trị t-statistic là 0.464238 và giá trị của p- value là 0.6463 (bảng 4.4). Còn trong bảng ước lượng điều chỉnh sai số chuẩn thì các giá trị lần lượt tương ứng là 0.946723 ; 0.576636 ; và 0.5691.
4.1.9 Kiểm định sai số ngẫu nhiên không phân phối chuẩn Jarque- Bera (JB)
Với phương pháp OLS, khi sai số ngẫu nhiên không phân phối chuẩn thì các thống kê t và F không có phân phối Student và phân phối Fisher tương ứng. Để kiểm định phân
phối chuẩn của u, ta dùng kiểm định Jarque – Bera (JB ), được đề xuất bởi Jarque và Bera (1987).
Một biến ngẫu nhiên phân phối chuẩn sẽ có hệ số bất đối xứng bằng 0 và hệ số độ nhọn bằng 3. Khi một biến ngẫu nhiên có các hệ số khác xa giá trị này thì đó là dấu hiệu không phân phối chuẩn.
Kiểm định thực hiện với cặp giả thiết: H0 : u có phân phối chuẩn
H0 : u không phân phối chuẩn
Bảng 4.9: Kiểm định ngẫu nhiên không phân phối chuẩn JB
(Nguồn: lấy từ phần mềm Eviews)
Nhìn vào Bảng kết quả, ta có JB =13.71109 , với Prob = 0.001054 < 0.05. Nên ta có cơ sở kết luận được rằng bác bỏ giả thiết H0, điều này đồng nghĩa với việc phần dư u không có phân phối chuẩn.
Bảng 4.10 : Bảng kết quả kiểm định hồi quy của mô hình tăng trưởng tín dụng theo phương pháp hồi quy POOLED OLS
Y= β0 + β1X1 + β2X2 + β3X3 +β4X4 +β5X5 + u P-value C 0.635164 (2.092235) 0.0463 ** KLTG -1.40E-20 (-3.403202) 0.0022 *** DTBB 0.545914 (0.464238) 0.6463 HMTD 3.82E-21 (0.831543) 0.4132 LSCV -1.521647 (-2.896342) 0.0076 *** TLTK -0.261261 (-0.782684) 0.4409 (Nguồn: tác giả tự tổng hợp)
Ghi chú: bảng 4.10 trình bày kết quả hồi quy tác động của các yếu tố đến tăng trưởng tín dụng của ngân hàng. Thống kê t được trình bày trong dấu ngoặc đơn.
*chỉ các hệ số có ý nghĩa thống kê ở mức 10 %
**chỉ các hệ số có ý nghĩa thống kê ở mức 5 %
*** chỉ các hệ số có ý nghĩa thống kê ở mức 1%.
Theo kết quả mô hình hồi quy ta có R2 của mô hình đạt 49,56 % với giá trị P= 0.002147. Điều này cho ta thấy mô hình có ý nghĩa thống kê cao.
Với kết quả trình bày ở bảng trên, biến khối lượng tiền gửi có dấu ngược với kì vọng ban đầu. Biến khối lượng tiền gửi tỷ lệ nghịch với tăng trưởng tín dụng. Và ta có giá trị p= 0.0022, có ý nghĩa thống kê ở mức 1%.
Biến dự trữ bắt buộc tỷ lệ thuận với tăng trưởng tín dụng, và có dấu ngược với kì vọng ban đầu. Biến dự trữ bắt buộc có p=0.6463 >0.1 nên không có ý nghĩa thống kê. Tuy nhiên, so với thực tế, thì biến dự trữ bắt buộc có tác động đáng kể đến tăng trưởng tín dụng. Khi tỷ lệ dự trữ bắt buộc tăng cao thì ngân hàng hạn chế cho vay đồng nghĩa với việc tăng trưởng tín dụng cũng giảm.
Biến hạn mức tín dụng có dấu giống với dấu kì vọng ban đầu và tỷ lệ thuận với tăng trưởng tín dụng. Điều này đồng nghĩa với việc khi hạn mức tín dụng tăng thì tăng trưởng tín dụng cũng tăng lên theo. Nhưng biến dự trữ bắt buộc có p= 0.4132 >0.1 nên không có ý nghĩa thống kê.
Ngoài ra, biến tỷ lệ thanh khoản cũng tương tự với biến hạn mức tín dụng, không có ý nghĩa thống kê vì có p >0.1 và có cùng dấu với dấu kì vọng ban đầu nhưng nó tác động nghịch chiều với tăng trưởng tín dụng.
Cuối cùng là biến lãi suất cho vay, có ý nghĩa thống kê ở mức ý nghĩa 1% với p = 0.0076, nó tác động nghịch chiều với tăng trưởng tín dụng. Khi lãi suất cho vay giảm do chính sách nới lỏng tiền tệ của ngân hàng Nhà nước thì tăng trưởng tín dụng tăng lên nhanh chóng. Biến lãi suất cho vaycó dấu cùng với dấu kì vọng ban đầu.
TÓM TẮT CHƯƠNG 4
Trong chương 4 tác giả đã sử dụng dữ liệu của ngân hàng Sacombank để chạy phần mềm Eviews. Kết quả mô hình không có các hiện tượng như đa cộng tuyến, không có phương sai sai số ngẫu nhiên thay đổi, mô hình chỉ có hiện tượng tự tương quan. Tuy nhiên tác giả cũng đã khắc phục được hiện tượng tự tương quan. Có thể kết luận rằng đây là một mô hình tốt và phù hợp. Với thời gian nghiên cứu và kiến thức còn hạn chế nên kết quả nghiên cứu chỉ xem xét trên một số khía cạnh của mô hình. Khi khảo sát cơ sở lý
thuyết tác giả thấy rằng chưa có nhiều nghiên cứu xem xét yếu tố nào tác động đến tăng trưởng tín dụng của ngân hàng. Ngoài ra, đứng trên góc độ ngân hàng hay góc độ tài chính việc nghiên cứu những yếu tố nào tác động đến tăng trưởng tín dụng rất cần thiết bởi vì các ngân hàng, các tổ chức tài chính có hiểu được tác động của những yếu tố này đến tăng trưởng tín dụng thì mới đề ra được chính sách hợp lý nhằm cải thiện tình hình tăng trưởng tín dụng của ngân hàng.
CHƯƠNG 5:KẾT LUẬN VÀ KIẾN NGHỊ 5.1 KẾT LUẬN
Đề tài đi sâu nghiên cứu về các yếu tố tác động đến tăng trưởng tín dụng của ngân hàng Sacombank bằng phương pháp sử dụng mô hình hồi quy, chạy số liệu trên phần mềm Eviews, phần mềm sẽ tự động cho ra kết quả, từ kết quả đó tác giả sẽ tổng hợp, phân tích và đưa ra kết luận cho việc ảnh hưởng của các yếu tố trong mô hình đến tăng trưởng tín dụng, từ đó có các biện pháp để nhằm cải thiện tình hình tăng trưởng tín dụng của ngân hàng. Mặt khác, nếu đứng trên quan điểm là cán bộ tín dụng tại ngân hàng Sacombank thì ngân hàng cần chú ý nhiều đến hạn mức tín dụng để có kế hoạch cho vay, thẩm định tín dụng tốt nhằm giảm thiểu rủi ro, mang lại lợi nhuận cho ngân hàng. Tuy nhiên, về lâu dài thì công cụ hạn mức tín dụng không phải là một công cụ tốt, khi Việt Nam buộc phải tháo bỏ hàng rào cho các nước vào đầu tư theo cam kết khi gia nhập WTO, sẽ có nhiều ngân hàng đến đầu tư tại Việt Nam. Do đó, Ngân hàng Nhà nước đặt ra câu hỏi nên hay không nên tiếp tục giữ công cụ này trong điều hành chính sách tiền tệ. Bởi vì việc sử dụng công cụ kiểm soát hạn mức tín dụng của Ngân hàng Nhà nước trong thời gian qua cũng đã bộ lộ một số hạn chế. Chẳng hạn như thời điểm áp dụng công cụ HMTD chưa phù hợp. Trong giai đoạn nền kinh tế đang khó khăn, suy kiệt tín dụng và giảm tổng cầu, thì công cụ này không những không phát huy được nhiều tác dụng với nhiều tổ chức tín dụng, mà ngược lại còn kiềm hãm tăng trưởng. Vì vậy, các nhà hoạch định quản trị của ngân hàng còn cần có những biện pháp, chiến lược khác nhằm tăng cường hoạt động tín dụng an toàn và hiệu quả. Chẳng hạn khi công cụ hạn mức tín dụng vẫn còn được NHNN sử dụng, nhà quản trị của ngân hàng nên có những kế hoạch cho vay cụ thể đối với từng lĩnh vực, số lượng phải đi kèm với chất lượng tín dụng, nhằm đem lại lợi nhuận và nâng cao vị thế của Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín Sacombank.
5.2 KIẾN NGHỊ
5.2.1 Kiến nghị đối với ngân hàng Sacombank
Đầu tưcông nghệ kỹ thuậtvà cơ sở vật chất thiết bị cho ngân hàng
Trước tiên, ngân hàng Sacombank nên đầu tư áp dụng công nghệ kỹ thuật, phát triển