- Dữ liệu nghiên cứu
Đề tài tập trung nghiên cứu các nhân tố ảnh hưởng đến nợ xấu tại NHTMCP Á Châu giai đoạn 2018 - 2020, bên cạnh đó sẽ bổ sung thêm dữ liệu từ năm 2013 - 2017 để làm cơ sở cho yếu tố lịch sử và đánh giá cho tương lai.
- Phương pháp nghiên cứu
Qua xem xét các bài nghiên cứu trước đây, tác giả nhận thấy phương pháp bình phương nhỏ nhất OLS là phương pháp phù hợp. Đây là phương pháp hồi quy đơn giản và dễ sử dụng đối với phạm vi quy mô của đề tài nên tác giả chọn phương pháp OLS để để xây dựng mô hình hồi quy cho bài nghiên cứu của mình.
Quy trình nghiên cứu:
Bài nghiên cứu lựa chọn sử dụng phần mềm Stata phiên bản 14 để phân tích mô hình nghiên cứu. Quy trình nghiên cứu như sau:
Bước 1: Phân tích thống kê mô tả
Tác giả tiến hành phân tích thống kê mô tả bằng phần mềm Stata. Kết quả thu được bao gồm các thông số Obs (Số quan sát), Mean (Giá trị trung bình), Std.Dev (Độ lệch chuẩn), Max (Giá trị lớn nhất) và Min (Giá trị nhỏ nhất) của các biến.
Bước 2: Phân tích tương quan mô hình nghiên cứu và kiểm định
Phân tích tương quan cho thấy mức tương quan giữa các biến trong mô hình nghiên cứu. Nếu hệ số tương quan của biến độc lập và biến phụ thuộc có giá trị dương thì biến độc lập đó tác động cùng chiều với biến phụ thuộc và ngược lại. Nếu hệ số tương quan giữa hai biến độc lập trong mô hình lớn thì mô hình dễ bị hiện tượng đa cộng tuyến.
Tác giả tiến hành kiểm định hiện tượng đa cộng tuyến bằng chỉ số phóng đại phương sai VIF, và hiện tượng phương sai thay đổi bằng kiểm định White.
Bước 3: Hồi quy mô hình bằng phương pháp bình quân nhỏ nhất OLS. Và
STT Biến Số quan
sát Trungbình Độ lệchchuẩn nhỏ nhấtGiá trị lớn nhấtGiá trị
1 NPL 32 .0147344 .009928 .0044 .0334 2 GDP 32 .0614663 .0185583 .016 .0791 3 CPI 32 .04161 .0141806 .02668 .06595 5 CRE 32 .0286177 .0353267 -.0789 .0858 6 ROA 32 .1784134 .2514625 .0207 1.1567 7 ETA 32 .0661481 .0078072 .0559 .0798 8 SIZE 32 4.239538 1.564077 2.086 7.641 9 LLR 32 .0076081 .0007611 .0062 .0102 3.3. Thống kê mô tả:
NPL ROA ETA SIZE LLR GDP CPI NPL 1 ROA 0.2807 1 ETA 0.4926 0.2042 1 SIZE -0.5592 -0.4170 -0.2475 1 LLR 0.5267 0.2766 0.2650 -0.2654 1 GDP -0.0255 -0.0814 -0.7277 0.1251 -0.0125 1 CPI 0.6721 0.0630 0.4561 -0.2646 0.1883 -0.1072 1
Nguồn: Kết xuất từ phần mềm Stata
Bảng thống kê trên cho thấy nợ xấu trung bình của Ngân hàng ACB trong giai đoạn nghiên cứu là 1,4%, trong đó nợ xấu cao nhất là giai đoạn quý 3 năm 2013, nợ xấu lên đến 3,3% do ảnh hưởng của khủng hoảng năm 2012 tỷ lệ nợ xấu thấp nhất là 0,44% vào quý 4 năm 2019. Độ lệch chuẩn 0,9% thể hiện mức độ phân tán nợ xấu không quá lớn giữa các giai đoạn tại NHTMCP Á Châu.
Khả năng sinh lời ROA, thể hiện HQHĐ của Ngân hàng, có giá trị trung tương đối ổn định và có xu hướng tăng khá nhanh trong giai đoạn từ quý 1 năm 2019 đến quý 4 năm 2020.
Quy mô tài sản của Ngân hàng Á Châu có giá trị trung bình giai đoạn quý 1 năm 2016 đến quý 4 năm 2020 là 314 nghìn tỷ đồng, và có xu hướng tăng ổn định. Tốc độ tăng trưởng trung bình qua các quý đạt 2,08%, nhờ vào cơ cấu tài sản được cấu trúc theo hướng gia tăng tỷ trọng tài sản sinh lời.
Với biến tăng trưởng kinh tế GDP có giá trị bình quân trong giai đoạn nghiên cứu là 6,1% với độ biến thiên 1,8%, do năm 2020 có tác động của dịch bệnh Covid -19 khiến kinh tế Việt Nam gặp nhiều khó khăn, dẫn đến mức độ tăng trưởng GDP giảm so với giai đoạn trước. Dịch bệnh Co-vid 19 cũng ảnh hưởng đến tỷ lệ lạm phát tại Việt Nam tuy nhiên lạm phát trung bình giai đoạn này đạt 4,1% và có độ lệch chuẩn 1,4% trong bối cảnh Chính phủ và Nhà nước Việt Nam đã và đang rất nỗ lực trong việc kiềm chế và ổn định lạm phát.
3.4. Kiểm định giả thuyết mô hình nghiên cứu3.4.1. Phân tích tương quan giữa các biến 3.4.1. Phân tích tương quan giữa các biến
Biến VIF 1/VIF ETA 3.51 0.284544 GDP 2.66 0.375480 CPI 1.53 0.651829 SIZE 1.33 0.750537 ROA 1.29 0.774771 LLR 1.24 0.805197 Trung bình VIF 1.93
Nguồn: Kết xuất từ phần mềm Stata
Dựa vào bảng trên ta thấy: kết quả phân tích tương quan mô hình nghiên cứu, có thể thấy các biến độc lập bao gồm R O A t, E TA t L L R t và C P It tác động cùng
chiều đến NPLt; các biến độc lập còn lại bao gồm SIZEt, CPIt tác động ngược
chiều đến
N PLt.
Theo Farrar và Glauber (1967) “Hệ số tương quan cặp nếu vượt quá 0,8 thì phương trình hồi quy sẽ gặp vấn đề về đa cộng tuyến”. Trong bảng không có hệ số tương quan nào lớn hơn 0,8 (nhỏ nhất là 0,7), như vậy có thể nói mô hình không có hiện tượng đa cộng tuyến nghiêm trọng.
3.4.2. Kiểm định hiện tượng đa cộng tuyến
Tác giả tiến hành sử dụng chỉ số phóng đại phương sai VIF (Variance Inflation Factor) để kiểm định giả thiết không bị hiện tượng đa cộng tuyến. “Đa cộng tuyến là hiện tượng các biến độc lập trong mô hình tương quan tuyến tính với nhau” (Kumari, 2008). Hiện tượng đa cộng tuyến sẽ gây ra sự sai lệch trong dự báo và gây khó khăn trong việc phân tích tác động riêng từng phần của một biến.
Hệ số VIF lớn hơn 10 sẽ gây ra vấn đề đa cộng tuyến nghiêm trọng (Hair và cộng sự, 1995). Có thể thấy tất cả các hệ số VIF của các biến trong mô hình đều <10, vì vậy có thể khẳng định mô hình không có hiện tượng đa cộng tuyến.
3.4.2. Kiểm định phương sai thay đổi
Tác giả sử dụng kiểm định White để kiểm định giả thuyết phương sai của sai số không đổi, giả thuyết H0: Không có hiện tượng phương sai thay đổi
Bảng 3.5. Kiểm định White
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(31) = 30.27 Prob > chi2 = 0.3021
(Nguồn: Kết xuất từ phần mềm Stata)
Với mức ý nghĩa 1%, kiểm định White cho kết quả Prob= 0,3021 >1% nên chấp nhận giả thuyết H0: Không có hiện tượng phương sai thay đổi trong mô hình.
2.5. Phân tích mô hình hồi quy
Bảng 3.6. Ket quả hồi quy mô hình OLS
Bien Hệ số Sai số chuẩn Giá trị P> \z\
NPL
ROA -.0006234 .0041751 0.883
ETA .5968588 .2218995 0.013
SIZE -.00213 .000682 0.004
GDP -.2135166 .0812636 0.014
CPI .2556686 .0807172 0.004
(Nguồn: Kết xuất từ phần mềm Stata)
Với mô hình tuyến tính với mức ý nghĩa 0.0000 < 0.1, ta có thể biểu diễn thông qua phương trình sau:
N P L t= -0,049 + 0,59E TA t- 0.0020SIZ E t+ 3 . 3 1 L L R t- 0,21 G D P t +0,25 CP
It +
Ut
Đánh giá mô hình hồi quy
Giá trị thống kê F = 15.07 đảm bảo được độ tin cậy của mô hình (Prob> F =0.0000) Với R2 và R2 hiệu chỉnh ( R2 squared) lần lượt là 78,34% và 73,14% > 50% mô hình tốt, cho thấy mô hình hồi quy tuyến tính đa biến phù hợp với tập dữ liệu.
Bảng 3.7. Kết quả kiểm định sự phù hợp
dự phòng RRTD (LLR), tăng trưởng kinh tế (GDP) và tỷ lệ lạm phát (CPI). Trong đó biến độc lập S I Z Et và GD Pt có tác động cùng chiều đến N P Lt. Biến độc lâp E TAt, L L Rt và C P I t có tác động ngược chiều lên N P Lt.
Tỷ lệ sinh lời trên vốn chủ sở hữu có quan hệ cùng chiều với nợ xấu tại Ngân hàng TMCP Á Châu với ý nghĩa thống kê 5% đồng nghĩa với với việc Ngân hàng có tỷ lệ sinh lời trên vốn chủ sở hữu cao thì sẽ có tỷ lệ nợ xấu cao. Điều này trái với kỳ vọng ban đầu của tác giả. Nguyên nhân là do theo Thông tư 13/2012/TT- NHNN và Thông tư 36/2014/TT - NHNN, tỷ lệ an toàn vốn tự có trên tổng tài sản phải đảm bảo tối thiểu 9%. Bên cạnh đó, NHTMCP Á Châu là một trong những ngân hàng đầu tiên thí điểm Basel 2, nên Ngân hàng cần phải tăng vốn tự có để đảm bảo đúng theo quy định. Điều này dẫn đến quy mô cho vay tại Ngân hàng sẽ tăng. Tuy nhiên, khi thị trường bước vào giai đoạn bão hòa của tăng trưởng tín dụng nóng, Ngân hàng cần đảm bảo tăng trưởng tín dụng vì vậy Ngân hàng đã lựa chọn các khách hàng có độ an toàn thấp hơn, khả năng trả nợ của nhóm khách hàng này cũng thấp hơn và nợ xấu gia tăng là tất yếu.
Quy mô ngân hàng có mối quan hệ ngược chiều với nợ xấu Ngân hàng TMCP Á Châu. Điều này trùng với kỳ vọng ban đầu của tác giả. Với mức ý nghĩa 1%, khi quy mô ngân hàng tăng 1% thì tương ứng nợ xấu sẽ giảm 0,002%. Hệ số này phản ánh quy mô ngân hàng càng lớn thì sẽ có tỷ lệ nợ xấu thấp. Điều này là do trong giai đoạn 2018 - 2020, ACB đã đa dạng hóa danh mục cho vay tại Ngân hàng. Cụ thể thay vì tập trung cho vay đối tượng cá nhân như giai đoạn trước, Ngân hàng đã đẩy mạnh tăng trưởng cho vay đối với doanh nghiệp vừa và nhỏ (với mức tăng trưởng trung bình đạt 12%).
Dự phòng RRTD có mối quan hệ cùng chiều với nợ xấu Ngân hàng TMCP Á Châu. Kết quả này trùng với kỳ vọng ban đầu của tác giả, và kết quả của các nghiên cứu trước đó. Với mức ý nghĩa thống kê 5%, mối quan hệ thuận chiều cho thấy khi ngân hàng trích lập dự phòng cao thì tỷ lệ nợ xấu cao. Nguyên nhân là do, trong giai đoạn dịch Covid -19, tình hình kinh tế gặp nhiều khó khăn, việc sản xuất kinh doanh và thu nhập của khách hàng bị giảm sút, dẫn đến suy giảm khả năng trả nợ cho Ngân hàng, tỷ lệ nợ các nhóm 3,4,5 tăng cao dẫn đến Ngân hàng
phải tăng dự phòng RRTD. Bên cạnh đó việc áp dụng Thông tư 01/2020/TT-NHNN của NHNN về việc cơ cấu lại thời gian trả nợ, miễn giảm lãi, phí, giữ nguyên nhóm nợ cho khách hàng bị ảnh hưởng bởi dịch Covid-19, có thể khiến các món nợ mặc dù chưa được ghi nhận là “xấu” nhưng có nguy cơ là nợ xấu trong tương lai. Chính vì vậy, Ngân hàng cần có sự chuẩn bị bằng việc trích lập dự phòng RRTD hợp lý.
Tốc độ tăng trưởng kinh tế có mối quan hệ ngược chiều với nợ xấu tại Ngân hàng TMCP Á Châu. Với mức ý nghĩa 5%, khi GDP tăng lên 1% thì nợ xấu tại ngân hàng Á Châu sẽ giảm 0,21%. Kết quả này trùng với kỳ vọng ban đầu của tác giả và cũng là kết quả của các nghiên cứu trước (Rajan và Dhal, 2003; Khemraj và Pasha,2009). Điều này có nghĩa là khi nền kinh tế có tốc độ tăng trưởng kinh tế tăng thì tỷ lệ nợ xấu tại Ngân hàng sẽ giảm. Khi nền kinh tế tăng trưởng tốt, khách hàng vay vốn tại Ngân hàng sẽ thuận lợi trong việc sản xuất, kinh doanh, tăng thu nhập, từ đó khả năng trả nợ cho Ngân hàng cũng sẽ tăng, vì thế tỷ lệ nợ xấu giảm.
Lạm phát có mối quan hệ cùng chiều với nợ xấu tại Ngân hàng TMCP Á Châu. Với mức ý nghĩa thống kê 1%, nếu tỷ lệ lạm phát tăng 1% thì nợ xấu tăng 0,25%. Điều này trùng với kỳ vọng ban đầu của tác giả. Lạm phát tăng sẽ làm giảm thu nhập của khách hàng. Tại ACB đối với các khoản vay trung và dài hạn với lãi suất cho vay thả nổi, khi lạm phát tăng, Ngân hàng sẽ điều chỉnh lãi suất cho vay tăng lên để đảm bảo lãi suất thực, từ đó làm giảm khả năng trả nợ của khách hàng, dẫn đến nợ xấu tăng cao.
2.6. Đánh giá các nhân tố ảnh hưởng đến nợ xấu tại Ngân hàng TMCP Á Châu
2.6.1. Kết quả đạt được
Ngân hàng Á Châu đã phần nào theo dõi và kiểm soát được các nhân tố ảnh hưởng đến nợ xấu nhằm hạn chế nợ xấu. Trong đó, đối với nhân tố tỷ lệ sinh lời trên vốn chủ sở hữu Ngân hàng đã luôn đảm bảo chỉ số an toàn vốn CAR theo đúng quy định của NHNN, nhân tố quy mô ngân hàng được kiểm soát bằng việc đa dạng hóa hơn danh mục cho vay, và luôn chú trọng tăng tỷ lệ dự phòng RRTD. Bên cạnh đó, các nhân tố như tỷ lệ nợ xấu năm trước, tăng trưởng tín dụng cũng được Ngân hàng kiểm soát khá tốt.
2.6.2. Hạn chế và nguyên nhân
Tuy nhiên, đối với một số nhân tố ảnh hưởng đến nợ xấu, Ngân hàng cần chú trọng hơn trong việc kiểm soát nhằm hạn chế nợ xấu trong thời gian tới
Đối với nhân tố ứng dụng công nghệ, Ngân hàng trong những năm vừa qua đã đẩy mạnh đầu tư cho công nghệ để tiến gần hơn với cuộc cách mạng fintech, trong đó là đầu tư công nghệ cho việc xây dựng hệ thống thông tin tín dụng trong việc quản lý rủi ro tín dụng. Tuy nhiên việc đầu tư công nghệ tại Ngân hàng vẫn chưa thực sự đủ và bên cạnh đó trong năm 2020 vừa qua do ảnh hưởng của dịch Covid - 19 Ngân hàng phải cắt giảm chi phí đầu tư cho công nghệ nhằm kiểm soát tổng chi phí của Ngân hàng. Đây là điểm mà Ngân hàng cần lưu ý vì việc sử dụng công nghệ thông tin trong thông tin tín dụng là việc rất cần thiết nhằm hỗ trợ cán bộ tín dụng cũng như các nhà quản trị trong việc giám sát và hạn chế nợ xấu.
Bên cạnh đó, một số nhân tố vĩ mô nằm ngoài tầm kiểm soát của Ngân hàng. Trong đó nhân tố tỷ lệ thất nghiệp là một nhân tố của ảnh hưởng khá lớn đến Ngân hàng. Là một ngân hàng bán lẻ hàng đầu với tỷ lệ tín dụng cá nhân chiếm tỷ trọng chủ yếu. Đặc biệt là trong tình hình dịch Covid - 19 năm qua, tỷ lệ thất nghiệp tại Việt Nam gia tăng, ảnh hưởng xấu đến thu nhập của người lao động, giảm khả năng trả nợ đối với Ngân hàng, dẫn đến tỷ lệ nợ xấu tại Ngân hàng tăng cao trong năm 2020. Ngân hàng cần phải chủ động những phương án tốt nhất nhằm thích ứng được những thay đổi của nền kinh tế mà vẫn hạn chế được nợ xấu, tăng HQHĐ.
KẾT LUẬN CHƯƠNG 3
Tác giả đã sử dụng phương pháp ước lượng bình quân nhỏ nhất để chạy mô hình hồi quy tuyến tính. Ket quả cho thấy các biến vĩ mô và vi mô đều tác động đến tỷ lệ nợ xấu tại Ngân hàng TMCP Á Châu. Trong đó tỷ lệ sinh lời trên vốn chủ sở hữu (ETA), tỷ lệ dự phòng RRTD (LLR), và tỷ lệ lạm phát (CPI) có mối tương quan ngược chiều với nợ xấu. Quy mô Ngân hàng (SIZE), tăng trưởng kinh tế (GDP) có mỗi tương quan cùng chiều. Như vậy các nhân tố tác động và mức độ tác động đến nợ xấu tại Ngân hàng ACB đã được làm rõ. Trong chương tiếp theo, tác giả sẽ dựa vào kết quả nghiên cứu để đưa ra một số giải pháp và kiến nghị nhằm giúp Ngân Hàng ACB hạn chế tỷ lệ nợ xấu trong những năm tiếp theo.
CHƯƠNG 4. ĐỀ XUẤT GIẢI PHÁP NHẰM HẠN CHẾ NỢ XẤU TẠI NGÂN HÀNG TMCP Á CHÂU
4.1. Định hướng của Chính phủ trong quản lý nợ xấu
Theo Nghị quyết số 01/NQ - CP ban hành ngày 01/01/2021 của Chính phủ và chỉ thị số 01/CT-NHNN về tổ chức thực hiện các nhiệm vụ trọng tâm của ngành Ngân hàng năm 2021 (ban hành ngày 07/01/2021) yêu cầu NHNN:
- Điều hành linh hoạt, chủ động chính sách tiền tệ và các chính sách vĩ mô được. Điều hành tín dụng hợp lý, tăng trưởng tín dụng gắn liền với nâng cao chất lượng tín dụng. Kiểm soát tín dụng các lĩnh vực tiềm ẩn rủi ro như bất động sản, BOT, BT giao thông.
- Tổng kết Đề án Cơ cấu nợ xấu tại hệ thống các TCTD gắn với xử lý nợ xấu giai đoạn 2016 - 2020 ban hành kèm theo Quyết định số 1058/QĐ - TTg ngày 19/7/2017 của Thủ tướng Chính phủ (Đề án 1058). Theo đó xây dựng Đề án cơ cấu lại hệ thống các TCTD gắn với xử lý nợ xấu giai đoạn 2021 - 2025. Cơ cấu lại các TCTD, đặc biệt là các tổ chức tín dụng yếu kém. Tích cực triển khai các biện pháp xử lý nợ xấu, kiểm soát và hạn chế nợ xấu mới phát sinh.