Mức độ tập trung thị trường của NHTM
Tập trung ngân hàng là một vấn đề khác liên quan đến cho vay doanh nghiệp nhỏ Từ góc độ lý thuyết kinh tế, việc sử dụng quyền lực thị trường trong hoạt động ngân hàng sẽ dẫn đến lãi suất cao hơn và nguồn cung tín dụng khả dụng thấp hơn so với thị trường cạnh tranh hoàn hảo Mặt khác, dường như không có sự thống nhất trong tài liệu về tác động chính xác của cấu trúc thị trường ngân hàng đối với nguồn cung cấp vốn có thể cho vay Có hai giả thuyết trái ngược nhau về ảnh hưởng của mức độ cạnh tranh giữa các ngân hàng tới hoạt động cho vay DN vừa và nhỏ Một số nghiên cứu cho rằng các NHTM có sức mạnh thị trường tạo ra nhiều khoản vay cho các DN vừa và nhỏ hơn so với các NHTM khác Lý do được đưa ra là việc cho vay các DN vừa và nhỏ thường đòi hỏi người ngân hàng và người đi vay phải xây dựng mối quan hệ lâu dài Tuy nhiên, các NHTM chỉ có thể duy trì chi phí để bắt đầu mối quan hệ với các DN này khi sức mạnh thị trường cho phép họ có thể bù đắp chi phí ở các giai đoạn sau nếu khoản vay thành công (Cetorelli, 2001) Khi có sức mạnh thị trường (mức độ tập trung cao), các ngân hàng có nhiều động lực hơn để đầu tư vào việc thu thập thông tin mềm thông qua quan hệ ngân hàng (bằng cách thiết lập mối quan hệ chặt chẽ) với người vay theo thời gian, do đó, tăng cường cung cấp tín dụng do đó làm giảm các hạn chế tài chính của các công ty (Dell’Ariccia và Marquez, 2004) Những nhận định này đã nhận được sự đồng tình bởi nghiên cứu thực chứng của Petersen và Rajan (1995) Hai tác giả này cho rằng ngân hàng có thị phần lớn hơn có thể thu được lợi nhuận đủ cao từ những người đi vay chất lượng cao để bù đắp tổn thất từ các DN
nhỏ, gặp nhiều vấn đề về thông tin bất đối xứng Do đó, các ngân hàng có sức mạnh thị trường có thể cho vay DN nhỏ và vừa nhiều hơn so với các NHTM chịu nhiều cạnh tranh Ngoài ra, Boot và Thakor (2000) lập luận rằng, mặc dù người đi vay có nguy cơ phải trả lãi suất cao hơn trong bối cảnh thị trường ngân hàng không cạnh tranh, nhưng người đi vay có thể hưởng lợi từ việc nguồn tài chính sẵn có sẽ nhiều hơn
Tuy nhiên, hướng nghiên cứu của Cetorelli và Strahan (2006) lại cho rằng tại các thị trường có mức độ tập trung thị trường cao, hay nói cách khác là có mức độ cạnh tranh thấp, các doanh nghiệp vừa và nhỏ lại gặp khó khăn hơn trong việc tiếp cận tín dụng so với các thị trường mà ngân hàng cạnh tranh hơn Nghiên cứu của Cetorelli và Strahan (2006) cho thấy sức mạnh thị trường có thể làm giảm sự gia nhập thị trường của các công ty nhỏ Các ngân hàng có sức mạnh thị trường sẽ sẵn sàng cho vay đối với những khách hàng đã có của họ hơn là những người đi vay mới Giá trị của các mối quan hệ cho vay hiện tại của một ngân hàng sẽ phụ thuộc vào khả năng sinh lời trong tương lai của những người đi vay, điều này lại phụ thuộc vào sự gia nhập và phát triển của các đối thủ cạnh tranh mới Đối với thị trường có mức độ tập trung cao, sự gia nhập và phát triển của các NHTM cạnh tranh không phải là sự đe dọa với các NHTM nắm giữ thị phần lớn Do đó, họ có động cơ để tiếp tục duy trì hoạt động cho vay đối với các khách hàng cũ, trong khi đó họ lại thiếu động cơ để mở rộng cho vay với các DN nhỏ và vừa Bằng cách kiểm tra giả thuyết này, Cetorelli và Strahan (2006) đã xác nhận rằng các điều kiện trên thị trường tín dụng càng kém cạnh tranh thì động cơ cho NHTM tài trợ cho các công ty mới thành lập hoặc các doanh nghiệp vừa và nhỏ (những DN có sự không rõ ràng về mặt thông tin) càng thấp Ngoài ra trong một thị trường có tính cạnh tranh cao, lãi suất cho vay sẽ thấp hơn, do đó, nhiều nguồn tài chính hơn cho các doanh nghiệp Nói cách khác, sự tập trung làm gia tăng những trở ngại về tài chính đối với các doanh nghiệp và ngược lại tính cạnh tranh của thị trường làm tăng các nguồn vốn cung cấp cho DN nhỏ và vừa, đặc biệt ở các nước đang phát triển (Beck và cộng sự, 2004)
Bảng 2 3: Tổng hợp kết quả nghiên cứu về các nhân tố tác động đến hoạt động cho vay DNSN của NHTM
Nhân tố Kết quả các nghiên cứu trước
Thuận chiều Nghịch chiều
Lạm phát Stepanyan và Guo (2011) Boyd và cộng sự (2001), Huybens và Smith (1999)
Nhân tố Kết quả các nghiên cứu trước
Thuận chiều Nghịch chiều
trưởng kinh tế
Barajas và Stein (2002)
Lãi suất Wright và Alamgir (2004) Hoffman (2004), Calza và cộng sự (2003) và McKinnon (2009) Quy mô ngân hàng Berger và Black (2011); Ongena và Şendeniz-Yüncü (2011) Carter và cộng sự (2004); Nakamura (1994); Petersen và Rajan (1995); Avery và Samolyk (2004); Berger và cộng sự (2004); Peek và Rosengren (1998); Sapienza (2002); Berger và cộng sự (1998), Degryse và cộng sự (2011); Di Patti và Gobbi (2007); McNulty và cộng sự (2013)
Nợ xấu Fukuda và cộng sự (2006); Tomak
(2013), Amidu (2014); Mkhaiber và Werner (2021); Peek và Rosengren (1998)
Khả năng sinh lời
Peek và Rosengren (1998) Carter và McNulty (2005); Mkhaiber và Werner (2021) Mức độ thanh khoản Aisen và Franken (2010); Abdul Karim và cộng sự (2011); Kashyap và Stein (2000); Sengonul và Thorbecke (2005)
Karim (2011); Goldfield và Chandler (1980); Aisen và Franken (2010); Pilbeam (2005); Sarath và Phạm Văn Đại (2015) Huy động vốn Sharma và Gounder (2012); Aiyar (2012); Jayaratne và Morgan (1997); McNulty và cộng sự (2013) Trần Việt Dũng (2020) Mức độ chịu rủi ro của Bouvatier và Lepetit (2008); Constant và Ngomsi (2012); Alhassan và cộng sự (2013) Mkhaiber và Werner (2021)
Nguồn: nghiên cứu của tác giả
Nhân tố Kết quả các nghiên cứu trước
Thuận chiều Nghịch chiều
NHTM Mức độ tập trung thị trường Cetorelli (2001); Dell’Ariccia và Marquez (2004); Petersen và Rajan (1995); Boot và Thakor (2000)
Cetorelli và Strahan (2006); Beck và cộng sự (2004)
TÓM TẮT CHƯƠNG 2
Chương 2 đã nêu lên những vấn đề cơ bản về các DNSN cũng như lý thuyết về hoạt động cho vay DNSN của NHTM như khái niệm, đặc điểm hoạt động cho vay, căn cứ cho vay Ngoài ra trong chương này, các lý thuyết cơ sở làm nền tảng cho nghiên cứu về các nhân tố ảnh hưởng tới hoạt động cho vay DNSN của NHTM cũng được phân tích Trên cơ sở đó, lý thuyết về các nhân tố ảnh hưởng và chiều hướng tác động của các nhân tố này tới hoạt động cho vay DNSN của NHTM cũng đã được phân tích và tổng hợp trong nội dung của chương
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3 1 Phương pháp nghiên cứu
3 1 1 Thiết kế nghiên cứu
Trên cơ sở tiếp cận lý thuyết về hoạt động cho vay của NHTM và DNSN, luận án định hướng nghiên cứu về các nhân tố ảnh hưởng đến hoạt động cho vay DNSN của các NHTM Trên cơ sở đó, luận án đã thiết kế nghiên cứu như sau:
(1) Xác định và làm rõ vấn đề nghiên cứu
- Đo lường hoạt động cho vay DNSN của NHTM
- Các nhân tố ảnh hưởng đến hoạt động cho vay DNSN của NHTM (2) Xác định và làm rõ nội dung nghiên cứu
- Nghiên cứu các cơ sở lý thuyết về hoạt động cho vay DNSN của NHTM - Tổng quan các nghiên cứu về hoạt động cho vay DNSN của NHTM - Thực trạng hoạt động cho vay DNSN của các NHTM Việt Nam
- Nghiên cứu các nhân tố ảnh hưởng đến hoạt động cho vay DNSN của các NHTM Việt Nam
- Đưa ra các khuyến nghị phù hợp dựa trên kết quả nghiên cứu (3) Phương pháp nghiên cứu
- Phương pháp nghiên cứu định lượng được sử dụng để xác định và kiểm định tác động của các nhân tố ảnh hưởng tới hoạt động cho vay DNSN của các NHTM Việt Nam
- Phương pháp nghiên cứu phân tích và tổng hợp được sử dụng để đánh giá thực trạng hoạt động cho vay DNSN của các NHTM Việt Nam
(4) Kết quả nghiên cứu
- Tìm ra các nhân tố ảnh hưởng tới hoạt động cho vay DNSN của các NHTM Việt Nam và chiều hướng tác động của các nhân tố
- Đề xuất các khuyến nghị về hoạt động cho vay DNSN của các NHTM Việt Nam
Nghiên cứu sử dụng phương pháp nghiên cứu định lượng Quy trình nghiên cứu được thực hiện qua 5 bước cụ thể như sau:
Bước 1: Thu thập và xử lý dữ liệu
Nghiên cứu sử dụng phương pháp phân tích dữ liệu bảng (panel data) để nghiên cứu tác động của các đặc điểm kinh tế vĩ mô và các đặc tính của NHTM tới hoạt động cho vay DNSN ở Việt Nam Dữ liệu được sử dụng trong nghiên cứu được lấy từ dữ liệu của các NHTM và dữ liệu kinh tế vĩ mô của Việt Nam trong 10 năm (từ 2011 đến 2020) Cụ thể nghiên cứu đã sử dụng số liệu của 26 NHTM Việt Nam (xem danh sách NHTM cụ thể trong phụ lục) Dữ liệu bảng được lựa chọn sử dụng vì phương pháp này cho phép cung cấp cái nhìn tổng quan hơn so với việc sử dụng chỉ dữ liệu theo thời gian (chuỗi thời gian) hay chỉ sử dụng dữ liệu chéo Dữ liệu bảng (dữ liệu hỗn hợp) là sự kết hợp dữ liệu theo cả thời gian và không gian, do đó nó có thể cung cấp các dữ liệu có nhiều thông tin hơn, đa dạng hơn Sử dụng dữ liệu bảng cũng là phương pháp làm tăng được số lượng quan sát trong mô hình, đồng thời ít xảy ra cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn (Hsiao, 2007)
Bước 2: Thống kê mô tả và hệ số tương quan giữa các biến
Trong phần này, các đặc điểm cơ bản của bộ dữ liệu sẽ được khái quát sơ bộ, biểu hiện qua các tiêu chí: giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất và độ lệch chuẩn
Bước 3: Kiểm định và khắc phục khuyết tật của mô hình
Trước khi tiến hành kiểm định, để đảm bảo được tính khách quan, hợp lý và chính xác của ước lượng, nghiên cứu tiến hành một số kiểm tra chẩn đoán để kiểm định một số khuyết tật có thể có của mô hình Những kiểm định được thực hiện để kiểm tra khuyết tật của mô hình bao gồm: kiểm định đa cộng tuyến, kiểm định phương sai của sai số thay đổi, kiểm định tự tương quan
- Kiểm định đa cộng tuyến
Đa cộng tuyến là hiện tượng xảy ra khi hai hoặc nhiều biến độc lập có mối quan hệ tương quan với nhau và một biến có thể được sử dụng thay cho biến còn lại
(Nguyễn Quang Dong, 2006) Mô hình có tồn tại đa cộng tuyến có thể khiến cho R2
của mô hình cao nhưng kiểm định t có ít ý nghĩa Hơn thế nữa dấu của các ước lượng của hệ số hồi quy trong mô hình có thể sai Để phát hiện sự tồn tại của đa cộng tuyến, nghiên cứu sử dụng hệ số nhân tử phóng đại phương sai (Variance inflation factor - VIF) Hệ số VIF được tính cho từng biến độc lập Theo quy tắc ngón tay cái, nếu hệ số
VIF từ 10 trở lên (tương ứng với dung sai nhỏ hơn hoặc bằng 0 10) mô hình có tồn tại vấn đề đa cộng tuyến (Garson, 2012)
- Kiểm định phương sai của sai số thay đổi
Mô hình hồi quy tuyến tính cổ điển giả định rằng các nhiễu ngẫu nhiên trong hàm hồi quy tổng thể có phương sai không đổi (Koop, 2006) Nếu giả thiết này bị vi phạm trong dữ liệu có tồn tại hiện tượng phương sai của sai số thay đổi Nếu một hồi quy được kiểm định mà không tính đến giả thiết quan trọng này, khoảng tin cậy và các kiểm định giả thiết dựa trên phân phối t và F không còn đáng tin cậy nữa Do đó nếu tiếp tục sử dụng thủ tục kiểm định giả thiết thông thường có thể dẫn đến những kết luận sai lầm Để có thể phát hiện ra hiện tượng phương sai của sai số thay đổi, một số kiểm định có thể được sử dụng như kiểm định Park, kiểm định Glejser, kiểm định tương quan hạng của Spearman, kiểm định Goldfeld-Quandt, kiểm định Breusch- Pagan, kiểm định Wald, kiểm định White, kiểm định Breusch and Pagan Lagrangian (Koop, 2006)
- Kiểm định tự tương quan
Tự tương quan là sự tương quan giữa các thành phần của chuỗi các quan sát (Verbeek, 2008) Để có thể phát hiện vấn đề tự tương quan trong dữ liệu bảng, nghiên cứu sử dụng kiểm định Wooldridge Kiểm định này có giả thiết H0: Mô hình không có hiện tượng tự tương quan Vì vậy nếu giá trị P-value lớn hơn 0 1, không có cơ sở bác bỏ giả thiết H0, tức là hiện tượng tự tương quan không tồn tại Trong trường hợp ngược lại tồn tại tự tương quan
Bước 4: Lựa chọn phương pháp ước lượng phù hợp
Sau khi thực hiện các kiểm định chẩn đoán các khuyết tật có thể có của mô hình, trong bước tiếp theo, nghiên cứu sẽ thực hiện các kiểm tra để lựa chọn phương pháp ước lượng thích hợp cho mô hình Đối với dữ liệu bảng một số phương pháp ước lượng phổ biến gồm có:
- Ước lượng bình phương nhỏ nhất (Pooled OLS)
- Ước lượng tác động ngẫu nhiên (Random effects model - REM) - Ước lượng tác động cố định (Fixed effects model - FEM)
- Ước lượng Moment tổng quát (Generalized Method of Moment - GMM) Trong đó phương pháp ước lượng Moment tổng quát (GMM) thường được sử dụng để ước lượng các dữ liệu bảng với một hoặc nhiều đặc điểm sau: Dữ liệu bảng có biến trễ (hay còn được gọi là dữ liệu bảng động), dữ liệu bảng không cân bằng dạng vi
mô (với số lượng biến theo chuỗi không gian N lớn hơn số lượng biến theo chuỗi thời gian T), dữ liệu bảng tồn tại một số khuyết tật như phương sai của sai số thay đổi, đa cộng tuyến hoặc tự tương quan của phần dư trong mô hình Phương pháp ước lượng Pooled OLS, FEM, REM tỏ ra phù hợp với các mô hình dữ liệu bảng tĩnh tuyến tính (Hsiao, 2007)
Để lựa chọn giữa phương pháp ước lượng FEM hay REM, Kiểm định Hausman có thể cho biết phương pháp nào là phù hợp hơn (Greene, 2001) Kiểm định Hausman kiểm tra sự tồn tại của mối tương quan có ý nghĩa giữa các hiệu ứng ngẫu nhiên cụ thể của ngân hàng không được quan sát và các biến hồi quy Nếu có thể thấy rằng không có mối tương quan nào như vậy thì mô hình REM có thể phù hợp Mặt khác, nếu có sự tương quan như vậy, thì mô hình FEM sẽ là lựa chọn tốt hơn Greene (2001) lưu ý thêm rằng nếu kết luận rằng FEM là mô hình được lựa chọn thì cần kiểm tra để đưa các tác động cố định về thời gian ước lượng của mô hình
Nếu kiểm định Hausman dẫn đến việc lựa chọn mô hình REM thì cần phải kiểm tra xem phương pháp Pooled OLS và REM, phương pháp nào phù hợp hơn Breusch và Pagan (1980) đề xuất kiểm định hệ số nhân Lagrange để lựa chọn giữa phương pháp ước lượng REM và mô hình hồi quy Pooled OLS Giả thuyết H0 được giả định là phương sai giữa các ngân hàng bằng 0; nghĩa là không có hiệu ứng dữ liệu bảng
Trong trường trường hợp mô hình được kiểm định tồn tại khuyết tật (phương sai của sai số thay đổi, đa cộng tuyến) thì kết quả ước lượng của các mô hình sử dụng phương pháp Pooled OLS, REM, hay FEM sẽ kém tin cậy để kết luận, nghiên cứu sẽ sử dụng phương pháp ước lượng GMM để có kết quả ước lượng có thể tin cậy được (Baltagi, 2008) Phương pháp ước lượng Moment tổng quát GMM được giới thiệu chính thức lần đầu bởi Hansen (1982) và kể từ đó phương pháp này đã trở thành phương pháp được sử dụng rộng rãi nhất cho các mô hình trong kinh tế và tài chính Theo Baltagi (2008), trong điều kiện giả thiết nội sinh bị vi phạm, phương pháp GMM vẫn cho ra các hệ số ước lượng vững, không chệch, phân phối chuẩn và hiệu quả Để khắc phục vấn đề nội sinh, phương pháp ước lượng GMM đã đưa vào biến công cụ vào mô hình Biến công cụ là biến có quan hệ chặt với biến độc lập Theo Baum và cộng sự (2002), một biến công cụ tốt phải vừa phù hợp vừa có hiệu lực: tức là vừa phải tương quan với các biền hồi quy nội sinh và đồng thời không có tương quan với sai số ngẫu nhiên Do đó, sau khi tiến hành hồi quy với phương pháp GMM, các kiểm định