NHTM
tại Việt Nam trong giai đoạn từ 2008-2018 bằng phương pháp ước lượng SGMM. Nghiên cứu sử dụng hai chỉ tiêu là chỉ số Z-score và tỷ lệ nợ xấu NPL để đo lường ổn định ngân hàng. Kết quả nghiên cứu có chỉ ra rằng, khi NHTW tăng lượng cung tiền M2 vào nền kinh tế, đồng thời cho phép các NHTM tăng tỷ lệ cho vay trên tổng tiền gửi ngân hàng sẽ làm gia tăng bất ổn ngân hàng.
2.2.2 Các yếu tố đặc thù trong ngân hàng tác động đến rủi ro tín dụngngân hàng ngân hàng
Bên cạnh những yếu tố vĩ mô tác động đến rủi ro tín dụng của ngân hàng được
thể hiện trong các nghiên cứu trước đây, thì rủi ro tín dụng còn chịu tác động bởi các yếu tố đặc thù trong ngân hàng.
Berger và DeYoung (1997) đã mô tả mối quan hệ giữa các biến cụ thể của ngân hàng và các khoản vay có vấn đề bằng cách sử dụng một số giả thuyết. Họ sử dụng tính không hiệu quả để mô tả “quản lý kém” và mức độ an toàn vốn để thể hiện “rủi ro đạo đức”. Giả thuyết “quản lý kém” của Berger và DeYoung (1997) lập luận hiệu quả thấp quan hệ cùng chiều với sự gia tăng nợ xấu trong tương lai. Nghiên cứu đã lấy mẫu các ngân hàng Hoa Kỳ từ năm 1985 đến năm 1994 và kết luận rằng hiệu quả giảm dẫn đến gia tăng các khoản vay có vấn đề trong tương lai. Tương tự, Podpỉera và Weill (2008) tiếp tục kiểm tra mối quan hệ giữa hiệu và các khoản nợ xấu trong ngành ngân hàng tại Séc giai đoạn 1994-2005. Nghiên cứu cũng cung cấp bằng chứng thực nghiệm về mối quan hệ ngược chiều giữa hiệu quả giảm và nợ xấu trong tương lai.
Godlewski (2004) đã sử dụng lợi nhuận trên tổng tài sản (ROA) và lợi nhuận trên vốn chủ sở hữu (ROE) làm chỉ số đo lường ảnh hưởng đến rủi ro tín dụng. Kết quả cho thấy ROA và ROE có tương quan ngược chiều với nợ xấu. Tuy nhiên, kết quả nghiên cứu Garciya và Robles (2008) tại 129 Ngân hàng Tây Ban Nha giai đoạn 1993-2000 chỉ ra rằng lợi nhuận trên vốn chủ sở hữu (ROE) cao sẽ làm tăng rủi ro nợ
xấu.
Nir Klein (2013) nghiên cứu nợ xấu trên mẫu dữ liệu các quốc gia Trung, Đông
và Nam Đông Âu giai đoạn 1998 - 2011 bằng phương pháp FE và GMM. Kết quả cho thấy có mối tương quan âm giữa ROE và tỷ lệ nợ xấu.
Salas và Saurina (2002) dựa trên dữ liệu của các NHTM Tây Ban Nha trong giai đoạn 1985-1997 để kiểm tra các yếu tố tác động đến các khoản vay có vấn đề của các NHTM thông qua phương pháp GMM. Kết quả nghiên cứu đã cho thấy rằng có mối liên hệ ngược chiều giữa nợ xấu và tỉ lệ vốn chủ sở hữu trên tài sản. Đồng thời, nghiên cứu cũng tìm thấy mối quan hệ ngược chiều giữa quy mô với tỷ lệ nợ xấu ngân hàng và cho rằng quy mô lớn cho phép cơ hội đa dạng hóa nhiều hơn. Bên cạnh đó, tỷ lệ nợ xấu trong quá khứ cũng được Salas và Saurina (2002) sử dụng để kiểm tra mối quan hệ 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. Tương tự, nghiên cứu của Klein (2013) cũng có cho thấy nợ xấu trong quá khứ có mối quan hệ cùng chiều đến nợ xấu hiện tại.
Nghiên cứu của Ekanayake và Azeez (2015) với mô hình hồi quy dữ liệu bảng,
tác giả điều tra các yếu tố quyết định của rủi ro tín dụng sau khi xem xét các khoản nợ xấu là một biến số đại diện trong lĩnh vực NHTM của Sri Lanka. Dữ liệu là một mẫu gồm 9 NHTM trong giai đoạn 1999-2012. Kết quả nghiên cứu cho thấy, tỷ lệ nợ
xấu bị ảnh hưởng bởi yếu tố vĩ mô và vi mô. Cụ thể, tỷ lệ dư nợ trên tổng tài sản, lãi suất thực có mối quan hệ cùng chiều với nợ xấu; quy mô, hiệu quả hoạt động của ngân hàng, tốc độ tăng tín dụng, GDP, lạm phát có mối quan hệ ngược chiều với tỷ lệ nợ xấu.
Nghiên cứu của Rajha (2016) tại Ngân hàng Jordan giai đoạn 2008-2012 cũng
chỉ ra rằng nợ xấu chịu tác động từ hai nhóm yếu tố vĩ mô và vi mô. Kết quả nghiên cứu cho thấy ở nhóm yếu tố vĩ mô có quan hệ ngược chiều giữa tốc độ tăng trưởng và tỷ lệ lạm phát đến nợ xấu. Ở nhóm yếu tố vi mô, có mối quan hệ cùng chiều với tỷ lệ nợ xấu năm trước đó, và chỉ số nợ trên tổng tài sản.
Ngoài việc sử dụng tỷ lệ dư nợ trên tổng tài sản để đánh giá tác động đến các khoản cho vay có vấn đề như trong các nghiên cứu của Rajha (2016), Ekanayake và Azeez (2015). Các tác giả thường sử dụng tỷ lệ dư nợ cho vay trên tổng nguồn vốn huy động để kiểm tra sự tác động đến rủi ro tín dụng. Theo Ahmad và Bashir (2013) cho rằng tỷ lệ cho vay trên vốn huy động tương quan tích cực với nợ xấu. Louzis và các cộng sự (2010) cho thấy tỷ lệ dư nợ cho vay trên tổng vốn huy động tác động cùng chiều lên tỷ lệ nợ xấu đối với các khoản cho vay thương mại và tiêu dùng.
Tỷ lệ tiền gửi của khách hàng trên tổng tài sản đo lường khả năng huy động vốn của ngân hàng, tiền gửi khách hàng là nguồn vốn chủ yếu của các ngân hàng với chi phí thấp nhất. Càng nhiều nguồn tiền gửi sẽ được chuyển nhiều các khoản vay với
biên sinh lời cao hơn. Do đó tiền gửi có ảnh hưởng tích cực đến lợi nhuận các ngân hàng (Javid và cộng sự, 2011; Gul và cộng sự, 2011). Tuy nhiên một số nghiên cứu
khác lại đưa kết quả ngược chiều với lợi nhuận ngân hàng (Davydenko, 2010). Mặt khác trong khi nghiên cứu của Godlewski (2004), Nir Klein (2013), Lê Thị Mỹ Nhàn
(2016) cho thấy rằng lợi nhuận của ngân hàng lại có mối tương quan âm với rủi ro tín
dụng thì nghiên cứu của Garciya và Robles (2008) cho kết quả lợi nhuận ngân hàng có tác động cùng chiều đến rủi ro tín dụng ngân hàng. Vì vậy có thể nói rằng, tỷ lệ tiền gửi của khách hàng trên tổng tài sản có thể hoặc tác động cùng chiều hoặc tác động ngược chiều với rủi ro tín dụng ngân hàng.
Tại Việt Nam, có nhiều nghiên cứu về các yếu tố vi mô đặc thù trong ngân hàng tác động đến rủi ro tín dụng. Chẳng hạn, có một số nghiên cứu sau:
Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013), tác giả dựa trên dữ liệu thu thập
được từ 10 ngân hàng lớn với các biến vi mô như hiệu quả hoạt động, quy mô hoạt động của ngân hàng, tỷ lệ nợ xấu kỳ trước. Kết quả nghiên cứu cho thấy, mối quan hệ cùng chiều giữa quy mô ngân hàng, nợ xấu kỳ trước với tỷ lệ nợ xấu; quan hệ ngược chiều giữa hiệu quả hoạt động với tỷ lệ nợ xấu.
Phạm Hoàng Bảo Ngọc (2019), tác giả dựa trên dữ liệu của 24 NHTM Việt Nam và sử dụng ước lượng bình phương bé nhất Pool OLS, mô hình hồi quy tác động
ngẫu nhiên - Random Effect Model (REM), mô hình hồi quy tác động cố định - Fix Effects Model (FEM) để kiểm tra sự tác động của yếu tô vi mô ngân hàng và yếu tố vĩ mô đến tỷ lệ nợ xấu. Kết quả nghiên cứu cho thấy quy mô ngân hàng, tốc độ tăng trưởng kinh tế và tỷ lệ thất nghiệp có quan hệ ngược chiều với tỷ lệ nợ xấu. Tỷ lệ nợ xấu năm trước và tỷ lệ lạm phát có quan hệ cùng chiều với tỷ lệ nợ xấu.
Lê Thị Mỹ Nhàn (2016) tập trung nghiên cứu các yếu tố vi mô đến nợ xấu tại các NHTM Việt Nam. Số lượng mẫu nghiên cứu gồm 23 NHTM cổ phần Việt Nam trong giai đoạn 2008-2015. Kết quả nghiên cứu cho thấy tỷ suất sinh lời trên tổng tài sản, biến tỷ suất sinh lời trên vốn chủ sở hữu, tỷ lệ vốn chủ sở hữu tác động ngược chiều đến nợ xấu, trong khi các biến tốc độ tăng trưởng tín dụng, tỷ lệ chi phí hoạt động trên thu nhập hoạt động và tỷ lệ cho vay trên vốn huy động tác động cùng chiều
đến nợ xấu.
2.2.3 Tổng hợp các nghiên cứu
1 Sự bất ổn kinh tếvĩ
mô Cùng chiều
Shigui Tao và Mengqiao Xu (2019), Baker và cộng sự. (2013), Qinwei Chi and Wenjing Li
(2016), Li Li (2019)
2 Tỷ lệ lạm phát
Cùng chiều
Badar và Javid (2013), Ravi Prakash (2013), Nguyễn Thị Hồng Vinh (2015), Polodoo và cộng
sự, 2015, Đặng Thị Ngọc Lan (2019), Phạm Hoàng Bảo Ngọc (2019)
Ngược chiều Ekanayake và Azeez (2015), Rajha (2016)
3 GDPTăng trưởng Ngược chiều
Fungacova và Jakubik (2013), Jakubik và Reininger (2013), Badar và Javid (2013), Castro (2013), Akinlo và Emmanuel (2014), Roland và các cộng sự (2013), Ekanayake và Azeez (2015),
Rajha (2016), Nguyễn Thị Hồng Vinh (2015), Nguyễn Thị Như Quỳnh và các cộng sự (2018),
Đặng Thị Ngọc Lan (2019), Phạm Hoàng Bảo Ngọc (2019)
5 Tỷ giá hối đoái
Ngược chiều Badar và Javid (2013), Roland và các cộng sự(2013)
6 nghiệpTỷ lệ thất Ngược chiều Quỳnh và các cộng sự (2018), Phạm Hoàng BảoAkinlo và Emmanuel (2014), Nguyễn Thị Như Ngọc (2019)
7 Lãi suất
Ngược chiều Islamoglu (2015),
Cùng chiều các cộng sự (2011), de Moraes và de MendoncaBadar và Javid (2013), Castro (2013), Asari và (2019), Ekanayake và Azeez (2015)
Các yếu tố dặc thù ngân hàng
8 Nợ xấu năm trước Cùng chiều
Nguyễn Thị Như Quỳnh và các cộng sự (2018), Klein (2013), Rajha (2016), Salas và Saurina
(2002),
Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013), Phạm
Hoàng Bảo Ngọc (2019)
9 Hiệu quả hoạt động Ngược chiều
Berger và DeYoung (1997), Podpỉera và Weill (2008), Ekanayake và Azeez (2015), Đỗ Quỳnh
Anh
11 ROE
Ngược chiều Godlewski (2004), Nir Klein (2013), Lê Thị MỹNhàn (2016)
Cùng chiều Garciya và Robles (2008)
12
Tỷ lệ vốn chủ sở hữu trên tổng tài
sản Ngược chiều
Salas và Saurina (2002), Lê Thị Mỹ Nhàn (2016)
13 Quy mô ngânhàng
Ngược chiều Salas và Saurina (2002), Ekanayake và Azeez(2015), Phạm Hoàng Bảo Ngọc (2019)
Cùng chiều Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013)
14 Dư nợ trên tổngtài
tổng vốn huy động 16 Tỷ lệ tiền gửi khách hàng trên tổng tài sản
Ngược chiều Javid và cộng sự (2011), Gul và cộng sự (2011),Godlewski (2004), Nir Klein (2013), Lê Thị Mỹ Nhàn (2016)
chắc chắn của kinh tế vĩ mô có mối tương quan mạnh mẽ đến rủi ro tín dụng của NHTM. Bên cạnh đó, các biến số vĩ mô đơn lẻ và các yếu tố vi mô trong ngân hàng đều có ý nghĩa thống kê mạnh mẽ đến rủi ro tín dụng. Trong bài nghiên cứu này, tác giả sử dụng các yếu tố đo lường độ bất ổn các biến số kinh tế vĩ mô, bao gồm biến động của GDP, biến động của lạm phát và biến động của cung tiền M2 dựa trên các nghiên cứu của Shu Lin và Haichun Ye (2007), Denizer và các cộng sự (2002), Abu Wahid và Abdul Jalil (2010), Acedanski và Pietrucha (2019), Matteo Bugamelli và Fracesco Paterno (2011) và kết hợp với các nghiên cứu khác được trình bày trong Bảng 2.1 nhằm xây dựng mô hình nghiên cứu phù hợp. Từ đó đánh giá tác động của biến động các yếu tố vĩ mô tại Việt Nam đến rủi ro tín dụng của các NHTM Việt Nam.
TÓM TẮT CHƯƠNG 2
Chương 2 trình bày khung cơ sở lý thuyết về bất ổn các yếu tố vĩ mô và rủi ro tín dụng ngân hàng. Đồng thời tác giả đưa ra khái niệm đo lường độ bất ổn các yếu tố vĩ mô và rủi ro tín dụng của các ngân hàng. Bên cạnh đó, chương 2 lược khảo các nghiên cứu trước từ trong nước đến nước ngoài có liên quan về rủi ro tín dụng ngân hàng và các yếu tố kinh tế vĩ mô để làm cơ sở cho việc đề xuất mô hình mô hình nghiên cứu tác động của bất ổn các yếu tố vĩ mô đến rủi ro tín dụng của các NHTM Việt Nam.
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.1 Phương pháp nghiên cứu
Để nghiên cứu tác động của bất ổn các yếu tố vĩ mô đến rủi ro tín dụng của các NHTM cổ phần tại Việt Nam trong giai đoạn 2010-2019, khóa luận sử dụng phương pháp nghiên cứu định tính kết hợp với nghiên cứu định lượng.
Đầu tiên, phương pháp nghiên cứu định tính được áp dụng bằng cách khảo lược, tổng hợp, phân tích các nghiên cứu trước. Sau khi thực hiện khảo lược các nghiên cứu trước, mô hình nghiên cứu được đề xuất. Để phân tích được mô hình nghiên cứu, phương pháp định lượng với kỹ thuật hồi quy dữ liệu bảng được thực hiện. Các phương pháp ước lượng thường được dùng với hồi quy dữ liệu bảng bao gồm Pooled OLS, FEM, REM. Tuy nhiên trong trường hợp mô hình tồn tại các khuyết
tật như hiện tượng tương quan, phương sai thay đổi, nội sinh, kết quả ước lượng của Pooled OLS, FEM, REM sẽ bị thiên lệch, do đó để khắc phục các khuyết tật này, phương pháp GMM do Blundell và Bond (1998) đề xuất.
Mô hình xảy ra hiện tượng nội sinh khi các biến giải thích (biến độc lập) có sự
tương quan với phần dư mô hình. Ngoài ra, khi biến độc lập (X) có mối quan hệ nhân
quả với biến phụ thuộc (Y), nghĩa là xảy tác động cả hai chiều hướng, từ biến X đến biến Y và ngược lại từ biến Y đến biến X, lúc này biến X được gọi là biến nội sinh nghiêm ngặt (Stricly endogenous variable). Khi biến Y không tác động trực tiếp với biến X trong kỳ t, nhưng có khả năng tác động đến biến X trong các kỳ tiếp theo (t+1,
t+2,...), lúc này biến X được biết đến là biến nội sinh tiềm ẩn (predetermined variable). Biến X sẽ là biến ngoại sinh nghiêm ngặt (Stricly exogenous variable) khi X không có tương quan với sai số của mô hình ở cả quá khứ và tương lai.
Trong các nghiên cứu thực nghiệm về rủi ro tín dụng hoặc các yếu tố nội tại trong ngân hàng, các tác giả thường sử dụng mô hình hồi quy có biến trễ của biến phụ thuộc làm biến độc lập, thì dữ liệu bảng lúc này là dữ liệu bảng động, trong đó biến trễ của biến phụ thuộc là biến nội sinh. Điều này xuất hiện trong các nghiên cứu của Klein (2013), Rajha (2016), Salas và Saurina (2002). Ngoài ra, rủi ro tín dụng
đặc biệt là tỷ lệ nợ xấu có tác động đáng kể đến lợi nhuận hoạt động của ngân hàng (Bhattarai, 2017). Đồng thời, khi hoạt động kinh doanh của ngân hàng hiệu quả, lợi nhuận tăng cao sẽ làm giảm rủi ro tín dụng của ngân hàng. Do vậy, ngoài biến độ trễ của biến phụ thuộc thì biến tỷ suất sinh lời của ngân hàng cũng là biến nội sinh trong mô hình nghiên cứu. Ngoài ra khi rủi ro tín dụng của ngân hàng gia tăng, các khách hàng, tổ chức có xu hướng e ngại khi gửi tiền vào trong ngân hàng, từ đó ảnh hưởng đến lượng tiền gửi trong ngân hàng và lợi nhuận hoạt động kinh doanh của ngân hàng.
Đồng thời khi rủi ro tín dụng gia tăng, buộc các ngân hàng phải giảm quy mô tín dụng
lại, xử lý nợ xấu, hoặc tái cơ cấu. Vì vậy, biến tiền gửi khách hàng và biến quy mô ngân hàng được tác giả nghi ngờ có khả năng xảy ra hiện tượng nội sinh. Sau khi thực
hiện kiểm định Hausman, mô hình được chọn có thể là FEM hoặc REM. Tuy nhiên sau khi tiền hành kiểm định Wald, mô hình nghiên cứu cho thấy có hiện tượng phương
sai sai số thay đổi, đồng thời kết quả kiểm định Wooldrige cho thấy mô hình nghiên cứu có hiện tượng tự tương quan. Vì vậy, tác giả sử dụng phương pháp GMM để ước lượng mô hình nghiên cứu. Phương pháp GMM hữu dụng trong việc khắc phục vấn đề phương sai sai số thay đổi, tự tương quan và giải quyết vấn đề nội sinh.
GMM có hai dạng ước lượng là ước lượng GMM sai phân (Difference GMM-
DGMM) và GMM hệ thống (System GMM - SGMM). Arellano và Bond (1991) đã đề nghị dùng mô hình GMM sai phân, phương pháp DGMM cho phép chuyển mô hình gốc ban đầu sang mô hình sai phân bậc nhất. Đồng thời đưa thêm biến trễ của biến phụ thuộc vào mô hình với vai trò như một biến giải thích. Việc lấy sai phân của
mô hình sẽ giúp loại bỏ được sự tương quan giữa phần dư (sai số) với các biến giải thích (vấn đề nội sinh). Tuy nhiên Blundell và Bond (1998) đã chứng minh rằng DGMM vẫn có các sai lệch về kết quả, các biến công cụ được đánh giá là không đủ mạnh làm cho mô hình có độ tin cậy thấp. Và để khắc phục nhược điểm này Blundell
và Bond (1998) đã đề xuất phương pháp SGMM, mô hình này sẽ sử dụng biến công