3.2.1. Biến phụ thuộc
Biến phụ thuộc là NPLi,t, biến này đại diện cho tỷ lệ nợ xấu trên dư nợ cho vay của ngân hàng i trong năm t. NPL (Non-performing loans) là nợ xấu hoặc nợ khó đòi (Fofack, 2005) hoặc các khoản vay có vấn đề (Berger và De Young, 1997) hoặc khoản nợ không trả được (defaulted loans) mà ngân hàng không thể thu lợi từ nó (Ernst & Young, 2004) hoặc nợ thuộc các nhóm 3, 4 và 5 quy định theo điều 10, 11
nợ xấu khi nó xuất hiện 1 hoặc cả 2 dấu hiệu sau là quá hạn trả nợ gốc và lãi; và khách hàng vay vốn bị tổ chức tín dụng hoặc ngân hàng coi là không có khả năng trả nợ.
3.2.2. Các biến độc lập
NPLi,t-1, bằng chứng của các nghiên cứu trước đây chỉ ra rằng nợ xấu trước đây có thể ảnh hưởng đến nợ xấu hiện tại một cách đáng kể. Salas & Saurina (2002), Klein (2013) đã kiểm tra mối quan hệ giữa nợ xấu trong quá khứ với nợ xấu hiện tại, kết quả cho thấy nợ xấu trong quá khứ cao thể hiện khả năng quản trị rủi ro trong cho vay của ngân hàng kém và tác động cùng chiều với nợ xấu hiện tại. Jalan (2001) giải thích vấn đề về nợ xấu có thể phát sinh đáng kể từ sự yếu kém trong quá trình thu hồi nợ hiện có, nguồn dự phòng không tương xứng với các tài sản bị tịch thu, phá sản hay những khó khăn trong việc thi hành quyết định của toà án. Hay Roland Beck và cộng sự (2013) và Nguyễn Thị Thùy Dương (2016) cũng tìm thấy tỷ lệ nợ xấu kỳ trước tác động cùng chiều đến tỷ lệ nợ xấu kỳ hiện tại.
Giả thuyết 1. Nợ xấu kỳ trước có mối quan hệ cùng chiều với nợ xấu kỳ này
SIZEi,t là quy mô của ngân hàng i hay tổng tài sản của ngân hàng i tại thời điểm t. Biến Size được tính bằng cách lấy log của tổng tài sản (Shrieves &Dahl, 1992). Các nghiên cứu thực nghiệm cho thấy có ý kiến trái chiều về mối quan hệ giữa quy mô ngân hàng và nợ xấu. Rajan và Dhal (2003), Salas và Saurina (2002), Hu và cộng sự (2006) cho rằng quy mô ngân hàng có mối quan hệ ngược chiều với nợ xấu, nghĩa là các ngân hàng lớn có chiến lược quản lý rủi ro tốt hơn nhờ đa dạng hóa danh mục cho vay do đó nợ xấu thấp hơn các ngân hàng có quy mô nhỏ. Tuy nhiên, các ngân hàng có quy mô lớn dễ rơi vào trạng thái “quá lớn để đổ vỡ” (too big to fail) hay các ngân hàng có quy mô lớn cho rằng chính phủ sẽ sẵn sàng hỗ trợ để họ không sụp đổ khi có bất ổn tài chính nào xảy ra vì kỷ luật thị trường không áp đặt cho các ngân hàng lớn (Stern & Feldman, 2004). Vì vậy mà các ngân hàng có quy mô lớn có mức độ chấp nhận rủi ro cao hơn trong việc lựa chọn khách hàng cho vay để đạt mức lãi suất hay lợi nhuận cao hơn. Trong những năm 1980, các ngân
hàng lớn ở Mỹ ủng hộ xu hướng có danh mục đầu tư rủi ro cao hơn do chính phủ khuyến khích chính sách “too big to fail”.
Giả thuyết 2: Quy mô ngân hàng có mối quan hệ cùng chiều với nợ xấu
ROAi,t là khả năng sinh lợi, thể hiện chất lượng quản trị của ngân hàng. Biến ROA được tính bằng cách lấy lợi nhuận sau thuế chia cho tổng tài sản (Dahl& Shrieve, 1990). Berger và DeYoung (1997) đã xác định quản lý kém hay hiệu quả thấp quan hệ cùng chiều với sự gia tăng nợ xấu trong tương lai. Khi nghiên cứu các yếu tố tác động đến nợ xấu Godlewski (2004) đã sử dụng khả năng sinh lợi và cho thấy rằng tác động của lợi nhuận của các ngân hàng là ngược chiều đến tỷ lệ nợ xấu. Louzis và cộng sự (2012), Ahlem Selma Messai và Fathi Jouini (2013) cũng cho rằng chất lượng quản trị có quan hệ ngược chiều với tỷ lệ nợ xấu.
Giả thuyết 3: Khả năng sinh lợi có mối quan hệ ngược chiều với nợ xấu
CAPi,t tỷ lệ vốn chủ sở hữu trên tổng tài sản của ngân hàng i tại thời điểm t.
Berger và DeYoung (1997) cho rằng các nhà quản trị ngân hàng sẽ chấp nhận mức độ rủi ro cao hơn trong danh mục cho vay của mình khi tỷ lệ vốn chủ sở hữu trên tổng tài sản của ngân hàng thấp hay tỷ lệ đòn bẩy tài chính cao. Keeton và Morris (1987) cũng đã chỉ ra tỷ lệ tổn thất sẽ tăng cao đặc biệt ở các ngân hàng có tỷ lệ vốn hóa trên tổng tài sản thấp hay các ngân hàng có khuynh hướng chấp nhận nhiều rủi ro hơn, bao gồm hình thức cho vay vượt mức cuối cùng nhận tổn thất lớn hơn. Podpiera và Weill (2008) và Salas và Saurina (2002) cũng xác nhận mối tương quan cùng chiều giữa đòn bẩy tài chính và rủi ro tín dụng trong các nghiên cứu thực nghiệm của mình.
Giả thuyết 4 : Tỷ lệ vốn chủ sở hữu trên tổng tài sản có mối quan hệ ngược chiều với nợ xấu
biến động của thu nhập hay tỷ lệ dự phòng rủi ro là một trong những cách để các ngân hàng kiểm soát rủi ro. Hasan và Wall (2004) khi nghiên cứu 24 quốc gia trong giai đoạn 1993-2000 đã tìm thấy mức độ cao của các khoản nợ xấu có mối quan hệ cùng chiều với mức độ cao của tỷ lệ dự phòng rủi ro tín dụng. Luận văn đo lường biến này bằng cách sử dụng tỷ lệ giá trị trích lập dự phòng rủi ro tín dụng năm t chia cho tổng dư nợ tín dụng năm (t-1). Đây là cách đo lường khác với các nghiên cứu trước (nghiên cứu trước đo lường bằng cách lấy tỷ lệ giá trị trích lập dự phòng rủi ro tín dụng năm t chia cho tổng dư nợ cho vay năm t). Sở dĩ luận văn đo lường theo cách này vì khách hàng vay thông thường không phát sinh rủi ro tín dụng ngay trong năm vay vốn nên việc trích lập dự phòng là trích lập cho các năm trước. Cách đo lường này cũng được tìm thấy trong nghiên cứu của Foos và các tác giả (2010), là một nghiên cứu chuyên sâu về rủi ro tín dụng.
Giả thuyết 5:Tỷ lệ dự phòng rủi ro tín dụng có mối quan hệ cùng chiều với nợ xấu.
LGi,t đại diện cho tốc độ tăng trưởng dư nợ cho vay của ngân hàng i trong năm t. Biến này được tính bằng sự thay đổi phần trăm hàng năm trong danh mục cho vay của ngân hàng. Tăng trưởng tín dụng của các NHTM thường được xác định là một yếu tố quyết định quan trọng của nợ xấu. Berger và cộng sự (2004) cho thấy rằng việc tăng trưởng tín dụng nhanh sẽ ảnh hưởng đến khả năng quản trị rủi ro và quản lý thông tin khách hàng của ngân hàng làm cho rủi ro tín dụng có thể gia tăng. Hay tỷ lệ tăng trưởng dư nợ tín dụng cao thể hiện việc chấp nhận rủi ro quá mức góp phần làm cho nợ xấu cao hơn trong giai đoạn tiếp theo (Klein, 2013). Các nghiên cứu thực nghiệm khác cũng ủng hộ giả thuyết tăng trưởng tín dụng nhanh thường gắn liền với tỷ lệ nợ xấu cao (Salas và Saurina, 2002; và Jimenez và Saurina, 2005; Keeton và Morris, 1987; và Sinkey và Greenwalt, 1991; và Keeton, 1999).
GDPt đại diện cho sự tăng trưởng hàng năm của GDP thực tế tại thời điểm t. Mối quan hệ giữa môi trường kinh tế vĩ mô và chất lượng của khoản vay đã được nghiên cứu qua các giai đoạn của chu kỳ kinh tế. Ở giai đoạn kinh tế tăng trưởng, GDP cao đồng nghĩa với việc thu nhập tăng giúp cải thiện khả năng trả nợ của người vay, ngược lại khi kinh tế suy giảm thì nợ xấu có xu hướng tăng lên vì thất nghiệp gia tăng và khách hàng vay gặp nhiều khó khăn trong việc hoàn trả khoản nợ của mình (theo Salas và Saurina, 2002; Rajan và Dhal, 2003; Fofack, 2005; và Jimenz và Saurina, 2005). Công thức tính: GDPt ={( GDPt -GDPt-1) /GDPt }*100
Giả thuyết 7: Tăng trưởng GDP có mối quan hệ ngược chiều với nợ xấu.
LIRt là lãi suất cho vay trung bình của hệ thống ngân hàng trong từng năm. Biến này được lấy dữ liệu từ số liệu thống kê của World Bank. Sở dĩ biến lãi suất cho vay được đo lường theo cách này (mà không phải là lãi suất cho vay của từng ngân hàng) vì lãi suất cho vay của từng ngân hàng trong các năm tính toán rất khó và không đáng tin cậy. Ngoài ra lãi suất cho vay theo từng ngân hàng là lãi suất danh nghĩa công bố và đa số các ngân hàng đều cho vay với lãi suất ngang nhau, nhưng lãi suất thực tế các ngân hàng cho vay thì khác và không có nguồn đáng tin cậy để lấy. Các tác động của lãi suất lên nợ xấu đã được chứng minh trong nhiều nghiên cứu. Việc tăng lãi suất ảnh hưởng đến khả năng trả nợ, đặc biệt là trong trường hợp các khoản vay có suất thả nổi (Louzis, Vouldis và Metaxas, 2010). Điều này ngụ ý rằng tác động của lãi suất lên nợ xấu là cùng chiều, và do đó, nợ xấu sẽ gia tăng do tiền lãi phải trả tăng (Bofondi và Ropele, 2011). Các nghiên cứu của Jimenez và Saurina (2005) và Fofack (2005) cũng cho kết quả rằng lãi suất cao làm nợ xấu gia tăng.
Bảng 3.1: Bảng tóm tắt các biến trong mô hình và dấu kỳ vọng
Biến phụ thuộc
Biến Mô tả Ký hiệu
Dấu kỳ vọng
Rủi ro tín
dụng Tỷ lệ nợ xấu (Dư nợ xấu/Tổng dư nợ) NPLi,t
Biến độc lập thể hiện đặc trưng của NHTM Rủi ro tín dụng
Tỷ lệ nợ xấu kỳ trước (Dư nợ xấu kỳ
trước /Tổng dư nợ kỳ trước) NPLi,t-1 (+) Quy mô hoạt
động Quy mô tài sản (Ln(Tổng tài sản)) Sizeit (+) Tăng trưởng
tín dụng
Tăng trưởng dư nợ ((Dư nợ kỳ t - Dư
nợ kỳ t-1)/Dư nợ kỳ t-1)) LGi,t (+) Hiệu quả
quản trị
Khả năng sinh lời (ROA: LNST/Tổng
tài sản bình quân) ROAi,t (-) Cấu trúc vốn Tỷ lệ vốn chủ sở hữu (Vốn chủ sở
hữu/Tổng tài sản) CAPi,t (-) Dự phòng rủi ro tín dụng Tỷ lệ dự phòng rủi ro tín dụng (Giá trị trích lập dự phòng rủi ro tín dụng kỳ t /Tổng dư nợ kỳ t-1) LLRi,t (+) Biến độc lập vĩ mô Chu kỳ của
nền kinh tế Tốc độ tăng trưởng GDP thực GDPt (-) Lãi suất Lãi suất cho vay bình quân LIRt (+)
Chú thích: dấu + th hiện mối quan hệ tỷ lệ thu n với iến phụ thuộc và dấu - th hiện mối quan hệ tỷ lệ ngh ch với iến phụ thuộc.
3.3. Dữ liệu nghiên cứu
Dữ liệu được thu thập từ báo cáo tài chính của 18 NHTM Việt Nam (gồm ACB, AnBinh Bank, TCB, NamA Bank, NCB, VPBank, HDBank, MB, VIB, Saigonbank, Sacombank, PG Bank, Eximbank, Vietcombank, Vietinbank, BIDV, SHB, Orient Bank) trong giai đoạn 2008-2015. Riêng tỷ lệ tăng trưởng kinh tế
(GDPt) và lãi suất cho vay (LIRt) được lấy từ số liệu thống kê của World Bank. Lý do luận văn chỉ sử dụng dữ liệu của 18 NHTM Việt Nam trong giai đoạn 2008-2015 vì trong giai đoạn này chỉ có 18 NHTM là công bố đủ dữ liệu mà luận văn cần. Các ngân hàng được chọn đáp ứng tiêu chí còn tồn tại và hoạt động cho tới hết năm 2015, có số liệu thống kê liên tục trong 7 năm.
3.4. Phƣơng pháp nghiên cứu
Có thể sử dụng các mô hình như Pooled OLS, FEM và REM để ước lượng dữ liệu bảng. Mô hình Pooled OLS có đặc điểm gộp tất cả các dữ liệu lại không phân biệt đặc tính thay đổi theo thời gian. Mô hình FEM sử dụng với giả định giá trị trung bình của biến phụ thuộc thay đổi theo đơn vị chéo nhưng không thay đổi theo thời gian. Mô hình FEM được ước lượng theo phương pháp chuyển đổi nội tại, phương pháp này giúp tránh phải hồi quy với quá nhiều biến giả. Mô hình REM giống như mô hình FEM nhưng được ước lượng theo phương pháp Genaralized Last Squares. Mô hình Pooled OLS và REM cho kết quả ước lượng nhất quán khi mô hình không có hiện tượng nội sinh.
Luận văn lần lượt sử dụng 03 mô hình trên để ước lượng mô hình nghiên cứu và sử dụng các kiểm định để lựa chọn các mô hình. Để lựa chọn giữa Pooled OLS và FEM luận văn dùng kiểm định F và FEM vì F<1%. Với cặp ước lượng FEM và REM, tác giả sử dụng kiểm định Hausman. Kết quả kiểm định cho thấy trong hầu hết các trường hợp, xác suất thống kê chi bình phương đều lớn hơn 10%, nên mô hình hồi quy sử dụng ước lượng ngẫu nhiên REM được lựa chọn.
Luận văn cũng kiểm định các khuyết tật của mô hình như sự tự tương quan giữa các biến đôc lập trong mô hình hay hiện tượng đa cộng tuyến bằng chỉ số phóng đại VIF, phương sai của sai số thay đổi hay hiện tượng phương sai thay đổi bằng kiểm định White, các sai số có mối quan hệ tương quan với nhau hay hiện tượng tự tương quan bằng kiểm định Wooldridge. Kết quả kiểm định cho thấy mô hình có hiện tượng đa cộng tuyến không nghiêm trọng, có sự tự tương quan giữa các sai số và hiện tượng phương sai thay đổi. Ngoài ra, mô hình nghiên cứu sử dụng
Stephen Bond (1998), thì nghiên cứu thuộc dạng mô hình với số liệu dạng bảng động (Dynamic panel data) và với biến trễ của biến phụ thuộc (NPLi,t-1) có khả năng là biến nội sinh. Cũng theo Richard Blundell & Stephen Bond (1998) và Nguyễn Thị Hồng Vinh (2015), tác giả dùng phương pháp thống kê mô men tổng quát (GMM) để khắc phục hiện tượng tự tương quan giữa các sai số, hiện tượng phương sai thay đổi và hiện tượng biến nội sinh để đảm bảo ước lượng thu được vững và hiệu quả. Trong đó, biến nội sinh là NPLi,t-1, các biến công cụ (Instrument Variables) được sử dụng là NPLi,t-2 và GDPt-1. Kiểm định AR(2) có mức ý nghĩa là 0.702 > 10% nên mô hình không có hiện tượng tự tương quan, Kiểm định Sargan test có mức ý nghĩa là 0.720 nên mô hình không có hiện tượng nội sinh. Ngoài ra, mô hình có số lượng biến công cụ (14) nhỏ hơn số lượng các nhóm (18) nên đảm bảo tính vững.
3.5. Quy trình nghiên cứu
Hiện nay phần mềm Stata đang được sử dụng rất nhiều để phục vụ cho việc phân tích dữ liệu. Với việc cập nhật liên tục các chức năng mới, Stata trở thành công cụ mạnh trong phân tích dữ liệu cùng với các phần mềm như Eviews, phần mềm SPSS,…Stata là phần mềm thống kê được phát triển từ năm 1985 bởi Statacorp, là một trong những công cụ xử lý và phân tích dữ liệu định lượng phổ biến nhất hiện nay đang được sử dụng rộng rãi trong cộng đồng giới nghiên cứu tại Việt Nam cũng như trên thế giới. Phần mềm có nhiều ưu điểm vượt trội cùng với khả năng quản lý và phân tích dữ liệu mạnh mẽ, thân thiện với người sử dụng. Vì vậy, luận văn lựa chọn sử dụng phần mềm Stata phiên bản 11 để phân tích đánh giá mô hình nghiên cứu. Quy trình nghiên cứu như sau:
(i) Phân tích thống kê mô tả
Với bộ dữ liệu thu thập được, luận văn định dạng lại và chuyển số liệu sang phần mềm Stata. Để xử lý số liệu dạng bảng luận văn sử dụng cú pháp xtest bank year. Cú pháp “sum (biến phụ thuộc) (các biến độc lâp)” được sử dụng để phân tích thống kê mô tả. Kết quả được trình bày trên một bảng 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). Kết quả thống kê cho ra các chỉ số lớn nhất, nhỏ nhất và trung bình của các biến nghiên cứu.
(ii)Phân tích tƣơng quan mô hình nghiên cứu
Phân tích tương quan cho thấy mức tương quan giữa các biến trong mô hình nghiên cứu. Để tìm ma trận tương quan giữa các biến, luận văn thực hiện câu lệnh “corr (biến phụ thuộc) (các biến độc lâp)”. 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 02 biến độc lập trong mô hình lớn thì mô hình dễ bị hiện tượng đa cộng tuyến.
(iii)Kiểm định các giả thiết hồi quy mô hình nghiên cứu
Để kiểm để định các khuyết tật của mô hình đầu tiên luận văn thực hiện phân tích hồi quy theo phương pháp ước lượng Pooled OLS với cú pháp: “reg (biến phụ