3.2.1. Xây dựng các biến số
Khi nói đến TTTD chúng ta thường đề cập đến hai yếu tố đó chính là tăng trưởng về số tuyệt đối (quy mô tín dụng) và tăng trưởng về số tương đối (tốc độ TTTD). Do đó, trong phạm vi nghiên cứu của đề tài này, tác giả sẽ xây dựng cả hai mô hình nghiên cứu với hai biến phụ thuộc là quy mô tín dụng (LnLoan) và tốc độ TTTD (LoanGr) để xem xét các yếu tố nào có ảnh hưởng đến tín dụng ngân hàng và dựa trên kết quả nghiên cứu để chọn ra mô hình phù hợp.
Như đã đề cập ở chương 2 có hai nhóm yếu tố ảnh hưởng đến TTTD của các NHTM Việt Nam. Đó là nhóm các yếu tố kinh tế vĩ mô và nhóm các yếu tố vi mô bên trong ngân hàng. Các yếu tố vĩ mô được tác giả đề cập đến trong nghiên cứu này bao gồm tăng trưởng GDP, lạm phát. Trên cơ sở kế thừa có chọn lọc và phát huy các nghiên cứu trước, tác giả đã lựa chọn các yếu tố vi mô bên trong ngân hàng để phân tích ảnh hưởng của chúng đến TTTD ngân hàng là tốc độ TTTD kỳ trước (khi biến phụ thuộc là LoanGr), quy mô tín dụng kỳ trước (khi biến phụ thuộc là LnLoan), tỷ lệ gia tăng vốn huy động hằng năm (DepositGr), tỷ lệ nợ xấu (NPL).
Bảng 3.1 Tóm tắt các biến số trong mô hình nghiên cứu STT Biến số Phương pháp tính Dấu kỳ
vọng Nguồn dữ liệu A Biến phụ thuộc 1 LoanGr Tốc độ tăng/giảm dư nợ tín dụng hằng năm =
Báo cáo tài chính NHTM
2 LnLoan LnLoan =log(các khoản cho vay khách hàng)
Báo cáo tài chính NHTM B Biến độc lập 1 LoanGr kỳ trước LoanGrt-1= + 2 LnLoan kỳ trước
LnLoant-1 =log(các khoản cho vay khách hàng năm t-1)
3 DepositGr
Tốc độ gia tăng tiền gửi hằng năm của ngân hàng=
+
Báo cáo tài chính, báo cáo thường niên NHTM
4 NPL Tỷ lệ nợ nhóm 3, 4, 5 trên
tổng dư nợ của ngân hàng -
Báo cáo tài chính, báo cáo thường niên NHTM 5 GDP Tốc độ tăng trưởng GDP hằng năm = + Tổng cục thống kê 6 INF Thay đổi lạm phát hằng năm thông qua chỉ số giá tiêu dùng CPI
- Tổng cục thống kê
Nguồn: Tổng hợp của tác giả
3.2.2. Mô hình nghiên cứu
3.2.2.1. Dạng mô hình
Dựa trên nền tảng của các nghiên cứu trước, đồng thời có sự thay đổi để phù hợp với tình hình hoạt động của các NHTM Việt Nam. Với hai biến phụ thuộc là tốc độ TTTD và quy mô tín dụng tác giả xây dựng nên hai mô hình nghiên cứu có dạng tổng quát như sau:
Mô hình 1: Với biến phụ thuộc là tốc độ TTTD
LoanGri,t = 0 + 1*LoanGri,t-h + 2* DepositGri,t-h + 3*NLPi,t-h + 4* GDPi,t-h
+ 5* INFi,t-h + it
Mô hình 2: Với biến phụ thuộc là quy mô tín dụng
LnLoani,t = 0 + 1*LnLoani,t-h + 2* DepositGri,t-h + 3*NLPi,t-h + 4* GDPi,t-h
Trên cơ sở kế thừa và phát huy các nghiên cứu thực nghiệm trước. Đồng thời căn cứ vào tình hình thực tế tại các NHTM Việt Nam, tác giả đưa ra các giả thuyết về mối quan hệ giữa các biến độc lập và biến phụ thuộc, để từ đó tiến hành phân tích hồi quy và tìm ra kết quả chính xác
- Giả thuyết H1: TTTD kỳ trước có ảnh hưởng cùng chiều đến TTTD của NHTM Việt Nam
- Giả thuyết H2: Tốc độ gia tăng vốn huy động hằng năm có ảnh hưởng cùng chiều đến TTTD của các NHTM Việt Nam
- Giả thuyết H3: Tỷ lệ nợ xấu của ngân hàng có ảnh hưởng ngược chiều đến TTTD của NHTM Việt Nam
- Giả thuyết H4: Tăng trưởng kinh tế hằng năm có ảnh hưởng cùng chiều đến TTTD của NHTM Việt nam.
- Giả thuyết H5: Tỷ lệ lạm phát hằng năm có ảnh hưởng ngược chiều đến TTTD của các NHTM Việt nam
3.3. Các phương pháp hồi quy dữ liệu
Luận văn nghiên cứu các yếu tố ảnh hưởng đến TTTD của các NHTM Việt Nam từ năm 2009 đến năm 2018, do vậy dữ liệu thu thập là số liệu của 16 NHTM Việt Nam hoạt động liên tục trong khoảng thời gian 10 năm. Hay nói cách khác dữ liệu nghiên cứu có dạng dữ liệu bảng, vừa có yếu tố không gian (16 NHTM Việt Nam) và vừa có yếu tố thời gian (từ năm 2009 đến năm 2018). Đối với mỗi dạng mô hình chúng ta sẽ có những phương pháp ước lượng phù hợp. Đối với mô hình tĩnh sẽ có phương pháp tĩnh để ước lượng và ngược lại mô hình động ta sẽ ước lượng bằng phương pháp động. Đối với các mô hình có dữ liệu bảng tĩnh tuyến tính thì chúng ta có thể ước lượng bằng các phương pháp như Pooled OLS, Fixed Effect, Random effects,...Tuy nhiên, trong mô hình nghiên cứu này có sự tồn tại của các vấn đề tự tương quan của các sai số, vấn đề biến nội sinh, biến trễ biến phụ thuộc sẽ làm ảnh hưởng sai lệch đến kết quả ước lượng. Do đó, với loại mô hình tồn tại các vấn đề này ta có thể chọn một phương pháp ước lượng khác phù hợp hơn đó là phương pháp moment tổng quát (GMM)
Phương pháp Pooled OLS hay còn gọi là phương pháp ước lượng bình
phương bé nhất dữ liệu gộp. Phương pháp này được sử dụng với giả định không có sự khác biệt giữa các đơn vị chéo, hay nói cách khác là mô hình hồi quy có các hệ số không biến đổi. Tuy nhiên, điều này rất hiếm xảy ra trong thực tế. Việc ước lượng theo phương pháp Pooled OLS rất dễ bị vi phạm các giả định về tự tương quan, phương sai thay đổi và đa cộng tuyến.
Mô hình tác động cố định (Fixed Effect Model - FEM): đây là mô hình phổ
biến được sử dụng đối với dữ liệu bảng. Mô hình này đưa ra giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi đơn vị với các biến giải thích qua đó kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc. Trong mô hình FEM tung độ gốc thay đổi theo không gian nhưng không đổi theo thời gian, do đó các biến giả được sử dụng để đưa vào mô hình nhằm đại diện cho sự khác biệt về độ dốc của các biến hồi quy. Tuy nhiên, nếu đưa quá nhiều biến giả vào mô hình sẽ làm giảm số bậc tự do và có khả năng gây ra hiện tượng đa cộng tuyến cho mô hình.
Mô hình ước lượng được sử dụng: Yit = it + k* X’k,it + uit
Trong đó tung độ góc k là giá trị trung bình của tất cả các tung độ góc theo đơn vị không gian, uit là sai số theo không gian và thời gian kết hợp
Mô hình tác động ngẫu nhiên (Random Effect Model - REM) còn được gọi
là mô hình các thành phần sai số. Mô hình REM tương tự như mô hình FEM, tuy nhiên trong mô hình REM các hệ số chặn của từng đơn vị chéo được phát sinh từ một hệ số chặn chung không đổi theo thời gian và một biến ngẫu nhiên i là một thành phần của sai số thay đổi theo không gian nhưng không thay đổi theo thời gian. Trong khi FEM nhận định các đơn vị chéo khác nhau ở hệ số chặn cố định thì REM lại cho rằng các đơn vị chéo khác nhau ở sai số
Mô hình ước lượng được sử dụng:
Với it = i + uit làsai số phức hợp
Trong đó tung độ góc k là giá trị trung bình của tất cả các tung độ góc theo đơn vị không gian, uit là sai số theo không gian và thời gian kết hợp
Mô hình moment tổng quát (GMM): Phương pháp GMM là một phương pháp thống kê được sử dụng phổ biến trong các ước lượng với dữ liệu bảng động tuyến tính hoặc các dữ liệu bảng vi phạm tính chất HAC (Heteroskedasticity and AutoCorrelation). Phương pháp GMM lần đầu tiên được xây dựng bởi giáo sư kinh tế Đại học Chicago - Lars Peter hansen năm 1982. Các ước lượng của phương pháp GMM sẽ phù hợp sử dụng khi dữ liệu bảng có nhiều quan sát với ít mốc thời gian (T<N), có mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập, mô hình có chứa biến trễ, biến nội sinh, trong mô hình tồn tại vấn đề phương sai thay đổi hoặc tự tương quan. Khi trong mô hình nghiên cứu xảy ra các vấn đề này thì các ước lượng theo phương pháp OLS, FEM hay REM sẽ không còn phù hợp vì có thể gây ra những thiên lệch về kết quả nghiên cứu hoặc gặp phải các vấn để khuyết tật mô hình như tự tương quan, phương sai thay đổi hoặc hiện tượng đa cộng tuyến. Theo như Arellano và Bond (1991) đối với những mô hình này thì phương pháp ước lượng GMM sẽ cho ra kết quả ước lượng hồi quy vững và hiệu quả hơn.
Trong phạm vi nghiên cứu của luận văn này, mô hình nghiên cứu là mô hình động có chứa biến trễ của biến phụ thuộc, đồng thời có chứa các biến nội sinh. Hơn nữa, luận văn chỉ nghiên cứu dựa trên dữ liệu của 16 NTHM Việt Nam trong khoảng thời gian 10 năm từ năm 2009 đến năm 2018. Trong khi đó, các mô hình hồi quy theo OLS, REM, FEM thì đòi hỏi dữ liệu nghiên cứu phải lớn và mô hình nghiên cứu là mô hình tĩnh. Do đó, tác giả chọn phương pháp GMM để ước lượng mô hình nhằm tìm ra các yếu tố ảnh hưởng đến TTTD của các NHTM Việt Nam một cách hiệu quả và chính xác nhất.
Như chúng ta đã biết phương pháp ước lượng GMM có thể giải quyết tốt các vấn đề liên quan đến biến nội sinh, vấn đề tự tương quan của phần dư, đồng thời khắc phục sự tự tương quan giữa các tác động riêng lẻ với các biến giải thích trong mô hình bảng tĩnh. Theo như Arellano và Bond (1991) thì phương pháp GMM sử
dụng các biến công cụ để giải quyết vấn đề biến nội sinh trong mô hình. Vì vậy, trước khi áp dụng phương pháp ước lượng GMM thì vấn đề cần làm là phải xác định được đâu là biến nội sinh trong mô hình và từ đó đưa ra được các biến công cụ cho phù hợp.
3.4. Các bước thực hiện mô hình nghiên cứu
Theo như nghiên cứu của Arellano và Bond (1991), để lựa chọn một mô hình nghiên cứu phù hợp đối với dữ liệu bảng động có chứa các biến nội sinh, biến trễ thì cần phải:
- Bước 1: Kiểm tra các khuyết tật mô hình như phân tích ma trận tương quan, kiểm định phương sai thay đổi và kiểm định hiện tượng tự tương quan (tương quan chuỗi). Nếu mô hình vi phạm các khuyết tật này thì chúng ta chọn mô hình GMM để phân tích thay vì các mô hình cổ điển như OLS, FEM, REM.
- Bước 2: Tiến hành chạy mô hình GMM với các biến phụ thuộc đã được xác định. Phân tích đánh giá kết quả đạt được và lựa chon mô hình tốt nhất, phản ánh rõ nét nhất ảnh hưởng của các yếu tố bên trong và bên ngoài ngân hàng đến TTTD của các NHTM Việt Nam.
Trước khi thực hiện mô hình GMM chúng ta cần quan tâm đến các kiểm định quan trọng như kiểm định phương sai thay đổi của Breusch_Pagan, Kiểm định tương quan chuỗi (Wooldridge test)
Kiểm định của Breusch_Pagan là một trong những phương pháp dùng để
kiểm định phương sai thay đổi (hay còn gọi là phương sai của sai số thay đổi). Trong kiểm định phương sai thay đổi có các giả thuyết
H0: Phương sai các sai số ngẫu nhiên bằng 0 (Hay còn gọi là phương sai qua các thực thể là không đổi)
H1: Phương sai các sai số ngẫu nhiên khác 0 (Hay còn gọi là phương sai qua các thực thể thay đổi)
Khi kiểm định mô hình nếu P-value < mức ý nghĩa (thường chọn mức 5%) thì ta bác bỏ giả thuyết H0. Tức là mô hình vi phạm giả thuyết phương sai thay đổi.
Trong các mô hình hồi quy ta luôn mong đợi P-value > mức ý nghĩa (thường chọn mức 5%).
Kiểm định Wooldridge là một phương pháp dùng để kiểm tra hiện tượng tự
tương quan (tương quan chuỗi) đối với dữ liệu bảng trong mô hình hồi quy. Với giả thuyết.
H0: Không có hiện tượng tự tương quan H1: Có hiện tượng tự tương quan
Khi kiểm định mô hình nếu P-value > mức ý nghĩa (thường chọn mức 5%) ta chấp nhận giả thuyết H0. Tức là mô hình không vi phạm hiện tượng tự tương quan. Ngược lại, nếu P-value < mức ý nghĩa (thường chọn mức 5%) ta bác bỏ giả thuyết H0. Tức là mô hình vi phạm hiện tượng tự tương quan.
Ngoài ra, sau khi chạy xong mô hình GMM chúng ta cần tiến hành kiểm định độ tin cậy và tính hợp lý của các biến công cụ được sử dụng trong mô hình với hai kiểm định quan trọng là kiểm định Sargan test và kiểm định AR (2).
Kiểm định AR (2) hay còn gọi là kiểm định sự tự tương quan của phần dư.
Theo Arellano & Bond (1991), ước lượng GMM yêu cầu có sự tương quan bậc 1 và không có sự tương quan bậc 2 của phần dư. Với giả thuyết Ho: không có sự tương quan bậc 1 (kiểm định AR(1)) và không có sự tương quan bậc 2 của phần dư (kiểm định AR(2)). Một mô hình đạt yêu cầu khi và chỉ khi kết quả hồi quy bác bỏ giả thuyết H0 (Pr < ) ở kiểm định AR (1) và chấp nhận giả thuyết Ho (Pr > ) ở kiểm định AR (2).
Kiểm định Sargan: nhằm kiểm tra tính phù hợp của mô hình và các biến
công cụ trong mô hình GMM. Đây là kiểm định về nội sinh trong mô hình của Sargan (1958), với giả thuyết H0: biến công cụ là biến ngoại sinh, không có tương quan với sai số trong mô hình. Nếu giá trị P-value của Sargan < mức ý nghĩa thì ta bác bỏ giả thuyết H0, hay biến công cụ có tương quan với sai số của mô hình. Ngược lại, nếu P-value của Sargan > mức ý nghĩa thì các biến công cụ là ngoại sinh và không có tương quan với sai số của mô hình. Kết quả kiểm định mô hình có giá trị P-value của thống kê Sargan càng lớn thì càng tốt.
KẾT LUẬN CHƯƠNG 3
Trên nền tảng cơ sở lý thuyết được trình bày ở chương 2, tác giả xây dựng nên hai mô hình nghiên cứu cụ thể tại chương 3 với biến phụ thuộc là quy mô tín dụng (LnLoan) và tốc độ TTTD (LoanGr), cùng với các độc lập như quy mô tín dụng kỳ trước (biến phụ thuộc là LnLoan), tốc độ TTTD kỳ trước (biến phụ thuộc là LoanGr), tốc độ tăng trưởng vốn huy động hằng năm, tỷ lệ nợ xấu, GDP và lạm phát. Đồng thời, chỉ ra phương pháp nghiên cứu và cơ sở dữ liệu trong mô hình. Phương pháp nghiên cứu được sử dụng trong mô hình là phương pháp định lượng sử dụng mô hình GMM trong phần mềm Stata để phân tích các yếu tố ảnh hưởng đến TTTD của các NHTM Việt Nam.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Trong chương 4, tác giả trình bày sơ lược về tình hình TTTD, huy động vốn và nợ xấu của hệ thống NHTM Việt nam giai đoạn 2009 – 2018. Đồng thời sử dụng phần mềm Stata để tiến hành các kiểm định và thực hiện chạy mô hình hồi quy GMM với hai biến phụ thuộc là LnLoan và LoanGr. Từ đó, giải thích các kết quả đạt được.
4.1. Tăng trưởng tín dụng của các Ngân hàng thương mại Việt Nam giai đoạn 2009-2018 đoạn 2009-2018
Sau cuộc khủng hoảng kinh tế toàn cầu, TTTD của hệ thống ngân hàng Việt Nam năm 2009- 2010 tăng lên khá cao so với năm 2008. Trong năm 2009 và năm 2010, TTTD lần lượt đạt mức 37,53% và 31,19%. Trong giai đoạn này chính phủ thực hiện chính sách nới lỏng tiền tệ nhằm để kích cầu sau giai đoạn khó khăn của nền kinh tế nên làm cho hoạt động cho vay của các ngân hàng tăng lên. Cơ cấu tín dụng ngân hàng phân theo các ngành kinh tế không thay đổi nhiều so với tỷ trọng của năm 2008. Tỷ trọng tín dụng phục vụ phát triển nông thôn chiếm 22,8% (năm