4.2.1 Thống kê mô tả
Bảng 4.3: Thống kê mô tả các biến trong mô hình
Variable Obs Mean Std. Dev. Min Max
npl 265 0.021774 0.015747 0.0008 0.11 loan_gr 265 0.388151 0.295807 -0.22 1.48 roe 265 0.105057 0.071484 0 0.29 size 265 28.96015 6.00163 3.22 35 llp 265 0.043208 0.055704 0 0.2 gdp 265 0.062755 0.00756 0.05 0.07 inf 265 0.065434 0.048655 0.01 0.19
Nguồn: Kết quả từ Stata
Kết quả thống kê mô tả mô hình (Bảng 4.3) cho thấy giá trị nhỏ nhất của tỷ lệ nợ xấu là 0.0008 và giá trị lớn nhất là 0.11; tương ứng giá trị trung bình và độ lệch chuẩn là 0.022 và 0.016. Biến tăng trưởng tín dụng có giá trị nhỏ nhất và lớn nhất tương ứng -0.22; 1.48 với giá trị trung bình là 0.388. Để xây dựng mô hình hồi quy, tác giả tiến hành kiểm định hiện tượng đa cộng tuyến và hiện tượng phương sai sai số thay đổi, hiện tượng tự tương quan.
Bảng 4.4: Hệ số VIF
Variable VIF 1/VIF
size 2.47 0.405236 llp 2.18 0.458263 loan_gr 1.74 0.574406 inf 1.25 0.799143 gdp 1.24 0.808177 roe 1.1 0.906363
Mean VIF 1.66
Nguồn: Kết quả từ Stata
Bảng 4.4 cho thấy hệ số VIF (Variance Inflation Factor – hệ số phóng đại phương sai) – một tiêu chí dùng để nhận biết hiện tượng đa cộng tuyến trong mô hình. Hiện tượng đa cộng tuyến cho thấy mô hình tồn tại mối quan hệ tuyến tính giữa một số hoặc tất cả các biến độc lập trong mô hình. Để kiểm tra hiện tượng đa cộng tuyến, hệ số VIF được sử dụng, nếu hệ số VIF nhỏ, khả năng xảy ra hiện tượng đa cộng tuyến thấp và ngược lại. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), nguyên tắc chung trường hợp hệ số VIF lớn hơn 10, mô hình có khả năng xảy ra hiện tượng đa cộng tuyến. Cùng với quan điểm này, tác giả Nguyễn Đình Thọ (2011) đã cho rằng nếu hệ số VIF của một biến độc lập nào đó lớn hơn 10 thì biến này được coi là có đa cộng tuyến cao. Theo kết quả của Bảng 4.3, các hệ số VIF đều nhỏ hơn 10, nên mô hình có khả năng không xảy ra hiện tượng đa cộng tuyến.
Bảng 4.5: Ma trận hệ số tương quan trong mô hình
npl loan_gr roe size llp gdp inf
npl 1 loan_gr -0.2864 1 roe -0.1766 0.2372 1 size 0.2093 -0.573 -0.0145 1 llp -0.1641 0.5242 0.0945 -0.7216 1 gdp -0.0666 0.0888 -0.014 0.0666 -0.0121 1 inf 0.0976 -0.134 0.0495 -0.0211 -0.021 -0.426 1
Nguồn: Kết quả từ Stata
Ma trận hệ số tương quan ở Bảng 4.5 là một bảng thể hiện hệ số tương quan giữa các biến. Ma trận tương quan bao gồm các hàng và cột hiển thị các biến. Mỗi ô trong bảng chứa hệ số tương quan. Mỗi ô trong bảng hiển thị mối tương quan giữa hai biến. Ma trận tương quan được sử dụng để tóm tắt dữ liệu, làm đầu vào cho một phân tích và chẩn đoán cho phân tích mô hình. Ma trận mô tả mối tương quan giữa tất cả các cặp giá trị có thể có trong bảng. Hệ số tương quan nằm trong khoảng từ -1 đến +1, với -1 cho biết mối quan hệ ngược chiều hoàn hảo, +1 cho thấy mối quan hệ
cùng chiều hoàn hảo và 0 cho thấy giữa hai biến không có mối quan hệ. Một biến tương quan với chính nó sẽ luôn có hệ số tương quan là 1. Ma trận hệ số tương quan Pearson ở Bảng 4.5 thể hiện hệ số tương quan giữa các biến độc lập không quá lớn (nhò hơn 0.8) cho thấy hiện tượng đa cộng tuyến có khả năng không tồn tại trong mô hình nghiên cứu. Đồng thời, ma trận hệ số tương quan còn thể hiện sự tương quan giữa biến phụ thuộc và các biến độc lập. Từ đó, tác giả xây dựng mô hình hồi quy tuyến tính bội với kết quả được thể hiện như sau.
Bảng 4.6: Kết quả hồi quy tuyến tính bội
npl Coef. Std. Err. t P>t [95% Conf. Interval]
loan_gr -0.010 0.004 -2.420 0.016 -0.018 -0.002 roe -0.031 0.014 -2.240 0.026 -0.057 -0.004 size 0.000 0.000 1.490 0.137 0.000 0.001 llp 0.014 0.025 0.550 0.583 -0.035 0.062 gdp -0.064 0.136 -0.470 0.640 -0.332 0.205 inf 0.023 0.021 1.070 0.286 -0.019 0.065 _cons 0.020 0.012 1.710 0.088 -0.003 0.044
Nguồn: Kết quả từ Stata
Kết quả hồi quy tuyến tính bội (Bảng 4.6) cho thấy mô hình có hai biến mang ý nghĩa thống kê ở mức 5%, đó là tăng trưởng tín dụng và lợi nhuận ròng trên vốn chủ sở hữu. Hệ số xác định (coefficient of determination) R2 bằng 10.81% (Phụ lục 4), là số thống kê tổng hợp khả năng giải thích của một phương trình. Nó biểu thị tỷ lệ biến thiên của biến phụ thuộc do tổng mức biến thiên của các biến giải thích gây ra. Để kiểm định sự khiếm khuyết của mô hình OLS, tác giả lần lượt thực hiện các kiểm định về phương sai thay đổi và hiện tượng tự tương quan. Ngoài ra, dữ liệu nghiên cứu là dữ liệu bảng động, có sự xuất hiện của biến trễ và biến nội sinh, nên phương pháp ước lượng OLS sẽ không vững và bị chệch. Vấn đề nội sinh trong mô hình được coi là một trong những vi phạm nghiêm trọng các giả định của mô hình hồi quy và nó gây ra các thiên chệch trong kết quả. Để giải quyết vấn đề nội sinh đối với dữ liệu
bảng động, phương pháp GMM được đề xuất bởi Hansen (1982). Việc sử dụng ước lượng GMM sẽ cho phép khắc phục cả vi phạm tự tương quan, phương sai thay đổi và biến nội sinh nên kết quả ước lượng lúc này sẽ không chệch, vững và hiệu quả nhất - đặc biệt khi chuỗi thời gian nghiên cứu (T) nhỏ hơn nhiều lần so với số quan sát cho mỗi đơn vị thời gian (N).
Bảng 4.7: Kiểm định hiện tượng phương sai thay đổi
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance
Variables: fitted values of npl
chi2(1) = 0.00 Prob > chi2 = 0.9937
Nguồn: Kết quả từ Stata
Bảng 4.7 trình bày kết quả kiểm định hiện tượng phương sai thay đổi. Giá trị p- value = 0.9937 lớn hơn 5% nên giả thuyết H0 không đủ bằng chứng để bác bỏ. Điều này cho thấy mô hình không tồn tại hiện tượng phương sai thay đổi. Tiếp theo, tác giả thực hiện kiểm định hiện tượng tự tương quan cho mô hình nghiên cứu.
Bảng 4.8: Kiểm định hiện tượng tự tương quan
Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation
F(1, 23) = 6.377 Prob > F = 0.0189
Nguồn: Kết quả từ Stata
Kiểm định hiện tượng tự tương quan được thể hiện ở bảng 4.8 với kết quả cho thấy giá trị p-value = 0.0189 nhỏ hơn 5%, nên giả thuyết H0 bị bác bỏ. Vì vậy, mô hình tồn tại hiện tượng tự tương quan. Mặc dù mô hình OLS không tồn tại hiện tượng phương sai thay đổi, nhưng hiện tượng về tự tương quan vẫn tồn tại. Như đã lập bên trên, việc sử dụng OLS sẽ không hiệu quả, do sự tồn tại của vấn đề nội sinh. Vì vậy, tác giả sử dụng phương pháp GMM để ước lượng tác động của tăng trưởng tín dụng đến nợ xấu của các NHTM CP.
Bảng 4.9: Kết quả hồi quy bằng phương pháp GMM
Group variable: BANK Number of obs = 232 Time variable: year Number of groups = 25 Number of instruments = 20 Obs per group: min = 5 F(8, 25) = 78.93 avg = 9.28 Prob > F = 0.000 max = 10
npl Coef. Std. Err. t P>t [95% Conf. Interval] npl L1. 0.1332 0.1202 1.1100 0.2780 -0.1143 0.3807 loan_gr -0.0502 0.0093 -5.3900 0.0000 -0.0694 -0.0310 lloan_gr -0.0135 0.0042 -3.2500 0.0030 -0.0221 -0.0050 roe -0.0037 0.0004 -9.5400 0.0000 -0.0045 -0.0029 size -0.0002 0.0005 -0.5400 0.5970 -0.0012 0.0007 llp 0.0008 0.0003 2.4900 0.0200 0.0001 0.0014 gdp -0.0787 0.0135 -5.8300 0.0000 -0.0509 0.1065 inf 0.1042 0.0354 2.9400 0.0070 0.0312 0.1772 Arellano-Bond test for AR(1) in first differences: z = -2.73 Pr > z = 0.006 Arellano-Bond test for AR(2) in first differences: z = 0.09 Pr > z = 0.927 Sargan test of overid. restrictions: chi2(12) = 1.13 Prob > chi2 = 1 (Not robust, but not weakened by many instruments.)
Hansen test of overid. restrictions: chi2(12) = 11.46 Prob > chi2 = 0.49 (Robust, but weakened by many instruments.)
Nguồn: Kết quả từ Stata
Kết quả hồi quy theo phương pháp GMM cho thấy, mô hình có 6 biến có ý nghĩa thống kê ở mức 5%, do giá trị p-value của các biến đều nhỏ hơn 5%. Các biến đó bao gồm tăng trưởng tín dụng; độ trễ một năm của tăng trưởng tín dụng; lợi nhuận ròng trên VCSH; tỷ lệ dự phòng; tăng trưởng tổng sản phẩm quốc nội; và tỷ lệ lạm phát. Trong đó, các biến có tác động ngược chiều đến nợ xấu là tăng trưởng tín dụng; độ trễ một năm của tăng trưởng tín dụng; lợi nhuận ròng trên VCSH; và tăng trưởng tổng sản phẩm quốc nội. Các biến có tác động cùng chiều đến nợ xấu của các NHTM CP là tỷ lệ dự phòng; và tỷ lệ lạm phát.
4.2.2 Kiểm định khuyết tật của mô hình
Bên cạnh việc khắc phục các khuyết tật của mô hình gồm, hiện tượng phương sai sai số thay đổi, một ưu điểm của phương pháp ước lượng GMM là giải quyết và
khắc phục được hiện tượng nội sinh trong mô hình có biến trễ. Vấn đề biến nội sinh có nghĩa là các biến giải thích ở trong tình trạng không hoàn toàn độc lập với biến được giải thích và phát sinh mối ảnh hưởng 2 chiều giữa các biến này, dẫn đến phương pháp ước lượng OLS không hiệu quả và bị chệch. Các biến độc lập có quan hệ hai chiều với biến phụ thuộc được gọi là biến nội sinh, các biến còn lại gọi là biến công cụ (Phan Thanh Hiệp, 2016).
Do đó, để giải quyết vấn đề nội sinh, biến công cụ sẽ được sử dụng. Tính hợp lý của các biến công cụ được sử dụngtrong mô hình GMM thông qua hai kiểm định, đó làkiểm định về nội sinh của Sargan (1958) và kiểm định tự tương quan của Arellano – Bond (1991). Theo Driffill & các cộng sự (1998), phương pháp hồi quy GMM tốt hơn các phương pháp hồi quy thông thường trên dữ liệu bảng trong việc kiểm tra sự chuyển động của các biến tài chính. Bài viết sử dụng kiểm định Sargan nhằm xác định tính chất phù hợp của các biến công cụ trong ước lượng GMM. Kiểm định về nội sinh trong mô hình của Sargan (1958) với giả thuyết H0 biến công cụ là ngoại sinh (không có tương quan với sai số). Kết quả kiểm định giá trị p của thống kê Sargan càng lớn càng tốt. Kiểm định Sargan với giả thuyết H0: biến công cụ là ngoại sinh, nghĩa là biến công cụ không tương quan với sai số của mô hình. Để kiểm định hiện tượng tự tương quan, bài nghiên cứu sử dụng kiểm định Arellano-Bond với giả thuyết H0: không có hiện tượng tự tương quan.
Với kết quả của mô hình (Bảng 4.9), giá trị p-value trong kiểm định Sargan bằng 1, lớn hơn 5%. Vì vậy, có thể kết luận biến công cụ không tương quan với sai số của mô hình (Sargan, 1958).
Kiểm định về tự tương quan trong mô hình của Arellano – Bond (1991) với giả thuyết H0: không tự tương quan với sai số sai phân. Kết quả kiểm định hồi quy bậc nhất AR(1) thường cho kết quả bác bỏ giả thuyết, vì vậy kết quả hồi quy bậc hai AR(2) thường cho kết quả tốt hơn. Kết quả hồi quy bậc 2 AR(2) của mô hình có giá trị p-value bằng 0.927 lớn hơn 5% nên không tồn tại hiện tượng tự tương quan trong mô hình (theo Arellano – Bond, 1991).
4.2.3 Thảo luận kết quả nghiên cứu
Bảng 4.10: Bảng tổng hợp kiểm định giả thuyết nghiên cứu Giả thuyết Yếu tố Giá trị Beta Sig. Đánh giá
H1 Độ trễ 1 năm của nợ xấu 0.1332 0.2780 Bác bỏ H2 Tăng trưởng tín dụng -0.0502 0.0000 Chấp nhận H3 Độ trễ 1 năm của tăng trưởng
tín dụng -0.0135 0.0030 Chấp nhận
H4 Lợi nhuận ròng trên VCSH -0.0037 0.0000 Chấp nhận
H5 Quy mô ngân hàng -0.0002 0.5970 Bác bỏ
H6 Tỷ lệ dự phòng 0.0008 0.0200 Chấp nhận
H7 Tăng trưởng GDP -0.0787 0.0000 Chấp nhận
H8 Tỷ lệ lạm phát 0.1042 0.0070 Chấp nhận
Nguồn: tổng hợp từ kết quả hồi quy
- Giả thuyết H2: Biến tăng trưởng tín dụng có ảnh hưởng cùng chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định mô hình sig. <
0.5 do đó giả thuyết H2: được chấp nhận. Đồng thời, hệ số beta âm (-0.0502) nên tăng trưởng tín dụng có ảnh hưởng ngược chiều đến nợ xấu và đối lập với dấu kỳ vọng ban đầu. Tuy nhiên, kết quả nghiên cứu của tác giả phù hợp với kết quả nghiên cứu của một số nghiên cứu của Boudriga và cộng sự (2010); Rifat (2016); Zheng và cộng sự (2019); Nguyễn Kim Quốc Trung (2020).
- Giả thuyết H3: Biến độ trễ một năm của tăng trưởng tín dụng có ảnh hưởng cùng chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định mô hình sig. < 0.05 do đó giả thuyết H3: được chấp nhận. Đồng thời, hệ số beta âm (-0.0135) nên độ trễ một năm của tăng trưởng tín dụng có ảnh hưởng ngược chiều đến nợ xấu và đối lập với dấu kỳ vọng ban đầu.
- Giả thuyết H4: Biến Lợi nhuận ròng trên VCSH (ROE) có ảnh hưởng ngược chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định
mô hình sig. < 0.05 do đó giả thuyết H4: được chấp nhận. Đồng thời, hệ số beta âm (-0.0037) nên biến ROE có ảnh hưởng ngược chiều đến nợ xấu và mang ý nghĩa thống kê ở mức 5%. Điều này chứng tỏ, biến ROE có ảnh hưởng ngược chiều đến nợ xấu và phù hợp với dấu kỳ vọng ban đầu mà tác giả đặt ra. Ngoài ra, kết quả của mối tương quan này phù hợp với kết quả nghiên cứu của Hess và cộng sự (2009); Boudriga và cộng sự (2010); Nguyễn Kim Quốc Trung (2019).
- Giả thuyết H6: Biến tỷ lệ dự phòng có ảnh hưởng cùng chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định mô hình sig. < 0.05 do đó giả thuyết H6: được chấp nhận. Đồng thời, hệ số beta dương (0.0008) nên biến tỷ lệ dự phòng có ảnh hưởng cùng chiều đến nợ xấu và mang ý nghĩa thống kê ở mức 5%. Điều này chứng tỏ, biến tỷ lệ dự phòng có ảnh hưởng cùng chiều đến nợ xấu và trái với dấu kỳ vọng ban đầu mà tác giả đặt ra. Ngoài ra, kết quả của mối tương quan này phù hợp với kết quả nghiên cứu của Hess và cộng sự (2009); Boudriga và cộng sự (2010); Nguyễn Kim Quốc Trung (2019).
- Giả thuyết H7: Biến tăng trưởng tổng sản phẩm quốc nội có ảnh hưởng ngược chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định mô hình sig. < 0.05 do đó giả thuyết H7: được chấp nhận. Đồng thời, hệ số beta âm (- 0.0787) nên biến tăng trưởng tổng sản phẩm quốc nội có ảnh hưởng ngược chiều đến nợ xấu và mang ý nghĩa thống kê ở mức 5%. Điều này chứng tỏ, kết quả tương quan trong mối quan hệ giữa 2 biến phù hợp với dấu kỳ vọng ban đầu. Ngoài ra, kết quả của mối tương quan này phù hợp với kết quả nghiên cứu của Hess và cộng sự (2009); Boudriga và cộng sự (2010); Louzis và cộng sự (2012); Curak và cộng sự (2013); Kjosevski và Petkovski (2017); Nguyễn Kim Quốc Trung (2019).
- Giả thuyết H8: Biến tỷ lệ lạm phát có ảnh hưởng ngược chiều đến nợ xấu của các NHTM CP tại Việt Nam. Theo Bảng 4.10, giá trị kiểm định mô hình sig. < 0.05 do đó giả thuyết H8: được chấp nhận. Đồng thời, hệ số beta dương (0.1042) nên biến tỷ lệ lạm phát có ảnh hưởng cùng chiều đến nợ xấu và mang ý nghĩa thống kê ở mức 5%. Điều này chứng tỏ, kết quả tương quan trong mối quan hệ giữa hai biến trái với
dấu kỳ vọng ban đầu mà tác giả đặt ra. Tuy nhiên, kết quả của mối tương quan giữa tỷ lệ lạm phát và nợ phát phù hợp với kết quả nghiên cứu của Curak và cộng sự (2013), Klein (2013); Nguyễn Thị Hồng Vinh (2017); Phạm Nguyễn Phương Thảo và Nguyễn Linh Đan (2018); Nguyễn Kim Quốc Trung (2020).
TÓM TẮT CHƯƠNG 4
Nội dung chương 4 của luận văn đã trình bày khái quát về hệ thống NHTM Việt Nam; mức tăng trưởng tín dụng và tỷ lệ nợ xấu của các NHTM Việt Nam trong giai đoạn nghiên cứu (NHTM nhà nước và NHTM cổ phần). Đồng thời bằng phương pháp nghiên cứu định lượng (sử dụng phương pháp GMM), dựa trên cơ sở