6. BỐ CỤC CỦA LUẬN ÁN
3.2.1. Mô hình nghiên cứu đề xuất
Nợ xấu là một trong những nguyên nhân chính ảnh hưởng đến hiệu quả ngân hàng. Đồng thời, tính hiệu quả trong hoạt động của ngân hàng cũng là nhân tố ảnh hưởng đến nợ xấu – đây là một trong những yếu tố nội tại của ngân hàng (bank specific). Vì vậy, nghiên cứu mối quan hệ giữa nợ xấu và hiệu quả ngân hàng đặt trong bối cảnh hệ thống ngân hàng thương mại Việt Nam không những giúp tìm hiểu mức độ tác động của nợ xấu đến hiệu quả chi phí, mà còn thực hiện được: (i) Tìm hiểu sự ảnh hưởng ngược lại của hiệu quả chi phí đến nợ xấu; (ii) phân tích được quan hệ nhân quả giữa nợ xấu và hiệu quả chi phí, nghĩa là nợ xấu có là nguyên nhân gây ra sự thay đổi của hiệu quả chi phí, hay hiệu quả chi phí là nguyên nhân gây ra thay đổi nợ xấu, hay cả hai; (iii) đánh giá những phản ứng của hiệu quả chi phí khi có một cú sốc đến nợ xấu, và ngược lại…
Các biến được lựa chọn là: Tỷ lệ nợ xấu (NPLR) và hiệu quả chi phí CE (Cost Efficiency). Sự tồn tại mối quan hệ của hai biến này sẽ được dùng kiểm định các giả thuyết nghiên cứu, cụ thể như sau:
- Một là, giả thuyết H1 “kém may mắn” (bad luck) cho rằng sự gia tăng của nợ xấu và có quan hệ nhân quả (Granger – cause) làm giảm hiệu quả chi phí. Lúc này,
61
nợ xấu gia tăng là do ảnh hưởng bởi các yếu tố vĩ mô/ngành GDP, lạm phát, thất nghiệp, giảm lãi suất, tăng cung tiền…Điều đó buộc các ngân hàng thương mại phải gia tăng hoạt động quản lý danh mục tín dụng, đặc biệt là các khoản tín dụng gần đáo hạn. Việc gia tăng hoạt động quản lý như theo dõi, thu hồi, đôn đốc thu hồi, quản trị nợ xấu chủ động, bán nợ…, đã dẫn đến chi phí gia tăng nên làm hiệu quả ngân hàng giảm xuống. Vì vậy:
H1: Nợ xấu gia tăng thường có liên quan tích cực đến giảm hiệu quả ngân chi phí
- Hai là, giả thuyết H2 “quản lý kém” (bad management). Giả thuyết này cho rằng, hiệu quả chi phí thấp là tín hiệu quả hoạt động quản trị kinh doanh yếu kém và có quan hệ nhân quả (Granger – cause) gây ra nợ xấu (NPLs) tăng cao. Kỳ vọng trong mối quan hệ này là tiêu cực giữa nợ xấu và hiệu quả chi phí. Vì vậy:
H2: Hiệu quả chi phí thấp sẽ ảnh hưởng tích cực đến tăng nợ xấu của các ngân hàng thương mại
- Ba là, giả thuyết H3 “hà tiện” (skimping) được kiểm tra tương tự như lý thuyết “quản lý kém” (bad management) nhưng dấu hiệu thì đảo ngược, nghĩa là một quan hệ nhân quả (Granger – cause) tiêu cực từ hiệu quả chi phí đến nợ xấu. Do đó, hiệu quả chi phí cao hơn sẽ có quan hệ nhân quả Granger tiêu cực với nợ xấu. Quan hệ tiêu cực này được cho là sự đánh đổi hiệu suất các khoản vay ở tương lai lấy hiệu quả chi phí ngân hàng trong ngắn hạn.
H3: Hiệu quả chi phí cao hơn tác động tiêu cực lên nợ xấu của các ngân hàng thương mại
Dựa trên giả thuyết H1, H2, H3, luận án đề xuất mô hình nghiên cứu như sau:
𝐶𝐸𝑖,𝑡 = 𝑓(𝐶𝐸𝑖,𝑡−1, … , 𝐶𝐸𝑖,𝑡−𝑛; 𝑁𝑃𝐿𝑅𝑖,𝑡−1, … , 𝑁𝑃𝐿𝑅𝑡−𝑛) + 𝑒𝑖+ 𝜂1𝑖,𝑡 (3.4)
𝑁𝑃𝐿𝑅𝑖,𝑡 = 𝑓(𝑁𝑃𝐿𝑅𝑖,𝑡−1, … , 𝑁𝑃𝐿𝑖,𝑡−𝑛; 𝐶𝐸𝑖,𝑡−1, … , 𝐶𝐸𝑡−𝑛) + 𝑒𝑖+ 𝜂1𝑖,𝑡 (3.5) Trong đó: n là số độ trễ, 𝑒𝑖 là hiệu ứng ngân hàng cụ thể mà ghi nhận sự khác biệt có hệ thống giữa các ngân hàng, 𝜂𝑖,𝑡 là sai số ngẫu nhiên có phân phối giống nhau và độc lập, CE là hiệu quả chi phí (cost efficiency), NPLR là tỷ lệ nợ xấu (non – performing loans ratio).
62
Phương trình (3.4) thể hiện tổng ảnh hưởng của tỷ lệ nợ xấu đến hiệu quả chi phí. Nếu ảnh hưởng này là tiêu cực và có ý nghĩa thống kê thì kết luận dữ liệu nghiên cứu phù hợp với giả thuyết “kém may mắn” (bad luck); ngược lại, phương trình (3.5) thể hiện tổng ảnh hưởng của hiệu quả chi phí đến tỷ lệ nợ xấu. Ảnh hưởng này có thể tích cực hoặc tiêu cực, và có ý nghĩa thống kê thì kết luận dữ liệu nghiên cứu có thể phù hợp với giả thuyết “hà tiện” (skimping) hoặc giả thuyết “quản lý kém” (bad management).
Để thực hiện phân tích trên, luận án sử dụng phương pháp ước lượng S – GMM hai bước cho mô hình dữ liệu bảng động (dynamic panel data models), mô hình tự hồi quy véc-tơ dữ liệu bảng PVAR (Panel – Vector Autoregression) và kỹ thuật phân tích nhân quả Granger (Granger Causality) nhằm kiểm chứng các giả thuyết đặt ra.
3.2.2. Phương pháp ước lượng S – GMM (system – Generalized method of moments) cho mô hình dữ liệu bảng động (dynamic panel data models)
Để giải quyết mục tiêu nghiên cứu là phân tích mức độ tác động của nợ xấu đến hiệu quả chi phí, luận án sử dụng phương pháp ước lượng dữ liệu bảng tổng quát hóa trên moment GMM hệ thống (S – GMM) được đề xuất bởi Arellano & Bond (1991) và Blundell & Bond (1998). Lý do luận án sử dụng phương pháp GMM bởi: (i) Dữ liệu bảng không cân bằng, và các biến giải thích là liên tục; (ii) có sự tương quan giữa các biến giải thích với tác động riêng lẻ và sự tương quan giữa các biến giải thích với thành phần sai số nhiễu; (iii) tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc và biến giải thích; (iv) mô hình động với một hoặc hai vế của phương trình có chứa biến trễ. Chính vì điều trên nên các ước lượng bằng phương pháp khác không hiệu quả hoặc bị chệch.
Ngoài ra, phương pháp GMM được sử dụng phổ biến cho các ước lượng dữ liệu bảng động hoặc dữ liệu bảng vi phạm tính chất phương sai thay đổi và tự tương quan. Với phương pháp GMM do Hansen (1982) đề xuất được dựa trên ước lượng hợp lý cực đại MLE (Maximun Likehood Estimation) của Fisher, và cho phép giải quyết những bài toán mà ở đó MLE cổ điển chịu bất lực. Tuy nhiên, Blunell &
63
Bond (1998) cho rằng, những ước lượng do Hansen đề xuất sẽ gặp trở ngại về vấn đề biến đại diện yếu khi các hệ số tiến đến 1. Khi hệ số bằng 1 thì những điều kiện moment sẽ không liên hệ các tham số thực và ước lượng sẽ phụ thuộc vào thời gian T. Sau này, có hai phương pháp được phát triển để giải quyết vấn đề trên: (i) Phương pháp GMM sai phân (D – GMM) của Blundell & Bond (1998); (ii) phương pháp GMM hệ thống (S – GMM) dựa trên GMM sai phân của Arellano & Bond (1995) với những ràng buộc nhất định.
Ở phương pháp GMM còn khai thác dữ liệu gộp của bảng và không ràng buộc độ dài chuỗi dữ liệu thời gian của các đơn vị bảng, nên sẽ cho phép sử dụng một cấu trúc trễ thích hợp để khai thác đặc tính năng động của dữ liệu. Tuy nhiên, nhược điểm của mô hình và phương pháp ước lượng có tính chính xác thấp nếu mẫu nhỏ và tính bền vững cao. Để khắc phục thì phương pháp S – GMM sẽ thực hiện ước lượng tốt hơn D – GMM.
Lúc này, xét phương trình hồi quy có dạng:
𝑦𝑖𝑡 = 𝛽0+ 𝑋𝑖𝑡 𝛽′+ 𝜂𝑖+ 𝜇𝑖,𝑡 (3.6) Trong đó:
𝑖 đại diện cho từng ngân hàng, t là biểu thị thời gian
𝑦𝑖𝑡 là biến phụ thuộc
𝑋𝑖𝑡 là biến giải thích
𝜂𝑖 là sai số không được quan sát (unobserved individual effect)
𝜇𝑖,𝑡 là sai số
Phương trình (3.6) được viết lại theo hồi quy động (dynamic regession):
𝑦𝑖,𝑡 = 𝛼𝑦𝑖,𝑡−1+ 𝛽′𝑥𝑖,𝑡+ 𝜀𝑖𝑡 i = 1,2,…N và t = 1,2,…T (3.7)
𝜀𝑖𝑡 = 𝜂𝑖+ 𝜇𝑖𝑡
𝐸(𝜂𝑖) = 0, 𝐸(𝜇𝑖𝑡) = 0, 𝐸(𝜂𝑖𝜇𝑖𝑡) = 0 i = 1,2,…N và t = 1,2,…T Trong đó:
𝑖 đại diện cho từng ngân hàng và t biểu thị cho thời gian
𝑦𝑖,𝑡 = biến phụ thuộc cho ngân hàng thứ i tại thời điểm t
64
𝜂𝑖= các biến không quan sát được
𝜇𝑖,𝑡 = sai số
𝜀𝑖𝑡 = 𝜂𝑖+ 𝜇𝑖,𝑡 là tác động cố định hàm chứa sai số
Các hệ số hồi quy của phương trình (3.7) được ước lượng theo phương pháp GMM do Arellano & Bond (1991) đề xuất; sau đó được Arellano & Bover (1995) và Blundell & Bond (1998) hoàn thiện. Lúc này, phương trình (3.7) được biến đổi thành phương trình sai phân có dạng:
𝑦𝑖,𝑡− 𝑦𝑖,𝑡−1 = 𝛼(𝑦𝑖,𝑡−1− 𝑦𝑖,𝑡−2) + 𝛽′(𝑥𝑖,𝑡 − 𝑥𝑖,𝑡−1) + (𝜀𝑖,𝑡− 𝜀𝑖,𝑡−1) (3.8) hay Δ𝑦𝑖,𝑡 = 𝛼Δ𝑦𝑖,𝑡−1 + 𝛽′Δ𝑥𝑖,𝑡 + Δ𝜀𝑖,𝑡
Với Δ là toán tử sai phân bậc 1
Sai phân hóa làm cho Δ𝑦𝑖,𝑡−1 tương quan với Δ𝜀𝑖,𝑡 và khiến các ước lượng của mô hình (3.8) bị chệch. Để xử lý hiện tượng nội sinh, Arellano & Bond (1991) đề xuất sử dụng độ trễ từ 𝑦𝑖,𝑡−2 để làm biến công cụ cho Δ𝑦𝑖,𝑡−1 vì 𝑦𝑖,𝑡−2 có tương quan với Δ𝑦𝑖,𝑡−1 nhưng lại không tương quan với Δ𝜀𝑖,𝑡, trong điều kiện 𝜀𝑖,𝑡 không bị tương quan chuỗi:
𝐸[𝑦𝑖,𝑡−𝑠∆𝜀𝑖,𝑡] = 0 với 𝑠 ≥ 2, t = 3,…,T
Mặt khác, giả định ngoại sinh hoàn toàn của các biến giải thích không còn đúng trong trường hợp có hiện tượng nhân quả ngược (𝐸[𝑥𝑖,𝑠𝜀𝑖,𝑡] ≠ 0 với t < s). Vì vậy, với các biến giải thích bị nội sinh yếu hay được xác định trước thì chỉ có các độ trễ của nó mới phù hợp làm biến công cụ:
𝐸[𝑥𝑖,𝑡−𝑠Δ𝜀𝑖,𝑡] = 0 với 𝑠 ≥ 2, t = 3,…,T
Với những giả định trên, phương trình (3.9) có thể được ước lượng với S - GMM một bước (one – step S – GMM). Trong giả định những phân sai số độc lập và phương sai đồng nhất thì GMM một bước sẽ cho các ước lượng vững. Tuy nhiên, khi xảy ra tương quan chuỗi hoặc phương sai số thay đổi ở các thành phần chuỗi thì áp dụng GMM hai bước sẽ cho kết quả tốt hơn. S – GMM hai bước (two step S –GMM) xây dựng ma trận phương sai và hiệp phương sai dựa trên ước lượng các phần dư và
65
có sử dụng phương pháp điều chỉnh ma trận phương sai – hiệp phương sai và GMM sai phân.
Lúc này, mô hình dữ liệu bảng động với phương pháp ước lượng S – GMM hai bước cho mục tiêu nghiên cứu thứ 2 là xác định mức độ ảnh hưởng của nợ xấu đến hiệu quả chi phí như sau:
Mô hình tổng quát : 𝑦𝑖,𝑡 = 𝛼𝑦𝑖,𝑡−1+ 𝛽𝑥𝑖,𝑡+ 𝜀𝑖𝑡 Mô hình cụ thể:
𝐶𝐸𝑖,𝑡 = 𝛼𝐶𝐸𝑖,𝑡−1+ 𝛽1𝑁𝑃𝐿𝑅𝑖,𝑡+ 𝛽2𝑁𝑃𝐿𝑅𝑖,𝑡−1+ 𝛽2𝑁𝑃𝐿𝑅𝑖,𝑡−2+ 𝜀𝑖𝑡 i = 1,2,…N và t = 1,2,…T (3.9)
Trong đó: 𝛼 và 𝛽 là các tham số ước lượng; 𝜀𝑖𝑡 = 𝜂𝑖 + 𝜇𝑖,𝑡 là tác động cố định hàm chứa sai số; 𝑥𝑖,𝑡(NPLR) là biến giải thích cho CE tại thời điểm t. Tuy nhiên, bậc trễ của NPLR có sự tác động đáng kể đến CE, và bậc trễ 2 của NPLR là tối ưu qua kết quả thông tin AIC, BIC, QIC là nhỏ nhất; các giá trị của CE và NPLR được xác định bằng logarit nhằm đảm bảo các biến nằm trong khoảng [- ∞, + ∞] và được phân phối đối xứng.
Ngoài ra, luận án đề xuất mô hình ngược lại nhằm xem xét những ảnh hưởng của hiệu quả chi phí đến tỷ lệ nợ xấu, nghĩa là hiệu quả chi phí có tồn tại mối quan hệ tuyến tính với nợ xấu ở thời gian t và các bậc trễ.
Mô hình cụ thể:
𝑁𝑃𝐿𝑖,𝑡 = 𝛾𝑁𝑃𝐿𝑖,𝑡−1 + 𝛿1𝐶𝐸𝑖,𝑡 + 𝛿2𝐶𝐸𝑖,𝑡−1 + 𝛿3𝐶𝐸𝑖,𝑡−1+ 𝜀𝑖𝑡 i = 1,2,…N và t = 1,2,…T (3.10)
Hơn nữa, hai biến NPLR và CE được nhận diện là biến nội sinh, nghĩa là có sự tương quan với phần dư. Các nghiên cứu khác cũng nhận diện là biến nội sinh như: Fiordelisi et al. (2011); Tabak et al. (2011); Kwan & Eisenbeis (1997); Williams (2004); Altunbas et al. (2007). Do đó, phương pháp GMM sẽ giúp ước lượng hiệu quả và không bị chệch.
Tuy nhiên, để kiểm tra việc lựa chọn biến công cụ có làm cho ước lượng có hiệu quả, và kiểm tra tính phù hợp của mô hình thì cần thực hiện các kiểm định, cụ thể:
66
- Thứ nhất, đối với phương pháp GMM khi cho ra kết quả cần xem xét hai luật như sau: Một là, số năm nghiên cứu (the number of period) phải luôn nhỏ hơn số đơn vị nghiên cứu (the number of units); hai là, số lượng công cụ (the number of instruments) không được vượt quá số lượng đơn vị nghiên cứu (the number of units).
- Thứ hai, sử dụng thống kê Sargan và Arellano – Bond (AR) sẽ kiểm tra được tính hợp lý của các công cụ trong phương pháp GMM. Theo đó, kiểm định Sargan sẽ xác định tính chất phù hợp của các biến công cụ, hay còn gọi là kiểm định giới hạn về nội sinh của mô hình. Kiểm định Sargan với giả thuyết 𝐻0 (biến công cụ là ngoại sinh) – nghĩa là không tương quan với sai số của mô hình. Lúc này, giá trị p của kiểm định Sargan phải càng lớn càng tốt. Còn kiểm định Arellano – Bond (AR(2)) giúp kiểm tra tự tương quan ở các cấp độ, giả thuyết là 𝐻0 (không tự tương quan, và giá trị p lớn hơn 0.1 có nghĩa là giả thuyết ban đầu về việc không tồn tại mối tương quan chuỗi 2 bậc bị loại bỏ.