VIF SQRTTolerance R-
Nguồn: Kết quả xử lý dữ liệu từ Stata Từ bảng kết quả 4.3 cho thấy, tất cả các biến trong mô hình nghiên cứu có chỉ số Tolerance đều lớn hơn 0.5 và chỉ số VIF đều nhỏ hơn 2 chứng tỏ hệ số tương quan giữa các cặp biến đều không quá lớn. Kết quả VIF trung bình của kiểm định là 1.42 nên nghiên cứu cho thấy rằng hiện tượng đa cộng tuyến không ảnh hưởng đến kết quả mô hình.
4.4. KIỂM ĐỊNH SỰ PHÙ HỢP CỦA MÔ HÌNH
Cùng với kiểm định khuyết tật về đa cộng tuyến, tác giả tiến hành kiểm định hiện tượng phuong sai sai số thay đổi và tự tương quan nhằm tìm ra mô hình phù hợp nhất VIF Squared LNPL 1.13 1.06 0.8843 0.1157 LEV 1.05 1.02 0.9535 0.0465 ROE 1.81 1.35 0.5510 0.4490 UEP 1.45 1.21 0.6881 0.3119 INF 1.51 1.23 0.6634 0.3366 GDP 1.38 1.18 0.7223 0.2777 LLR 1.49 1.22 0.6689 0.3311 LNSIZE 1.5 1.22 0.6670 0.3330 Mean VIF 1.42
cho mô hình. Phương sai sai số thay đổi là hiện tượng phương sai của các sai số ước lượng không bằng nhau, trong khi đó, tự tương quan chuỗi là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian trong các số liệu chuỗi thời gian hoặc được sắp xếp theo thứ tự không gian, đối với các số liệu quan sát theo không gian. Để kiểm định các vấn đề trên, nghiên cứu sử dụng ba phương pháp ước lượng cho mô hình nghiên cứu là mô hình Pooled OLS, mô hình tác động cố định và tác động ngẫu nhiên. Ngoài ra, tác giả cũng sử dụng các kiểm định như kiểm định mẫu nhỏ (F-test), Breusch and Pagan và Hausman để lựa chọn mô hình phù hợp. Những kiểm định này hỗ trợ cho việc lựa chọn giữa mô hình Pooled OLS, FEM và REM.
Bảng 4.4. Kết quả ước tính các nhân tố theo Pooled OLS, FEM,REM
Mô hình OLS-ROBUST FEM REM
LNPL 0.464*** 0.351*** 0.464*** (0.0774) (0.0550) (0.0509) LEV 0.344 -3.246 0.344 (0.514) (2.125) (0.527) ROE -0.0385*** -0.0465*** -0.0385*** (0.0145) (0.0130) (0.0113) UEP -0.207 -0.398 -0.207 (0.337) (0.314) (0.281) INF 0.0306*** 0.0286* 0.0306* (0.0110) (0.0169) (0.0164) GDP -0.198* -0.360*** -0.198* (0.110) (0.138) (0.115) LLR 0.0262 0.0374** 0.0262* (0.0192) (0.0168) (0.0145) LNSIZE 0.0438 0.467** 0.0438 (0.0631) (0.206) (0.0667) Hằng số 1.883 -1.018 1.883
Số quan sát 279 279 279 R-Squared 0.327 0.205 Kiểm định F (P- Value) 0.12 Kiểm định Hausman (P-Value) 0.0002
Sai số chuẩn trong *** p<0.01, ** p<0.05, *p<0.1
Nguồn: Kết quả xử lý dữ liệu từ Stata Dựa vào bảng kết quả thu được, mô hình Pooled OLS có thể giải thích 32.7% sự thay đổi các yếu tố tác động đến NPL. Bảng trên cho thấy các biến LNPL, ROE, INF có ý nghĩa thống kê ở mức 1%, biến GDP có ý nghĩa thống kế tại mức 10% trong khi các biến LEV, UEP, LLR, LNSIZE chưa thể hiện có ý nghĩa thông kê trong mô hình nghiên cứu. Các biến LNPL, LEV, INF, LLR và LNSIZE có tác động đồng biến với NPL, trong khi các biến ROE, GDP và UEP có tác động nghịch biến đối với RRTD. Kiểm định mẫu nhỏ F-test được dùng để kiểm tra sự phù hợp của mô hình Pooled OLS và mô hình tác động cố định FEM với giả thuyết như sau:
H0: Ước lượng mô hình Pooled OLS hiệu quả hơn.
H1: Ước lượng mô hình tác động cố định FEM hiệu quả hơn.
Kết quả mô hình cho thấy, nghiên cứu sử dụng phương pháp ước lượng Pooled OLS phù hợp hơn so với FEM vì Prob > Chi2 = 0.12 > 5%.
Tuy nhiên, khi ước tính theo mô hình Pooled OLS, dữ liệu chéo thông thường sẽ bị ràng buộc chặt chẽ về không gian và thời gian khi các hệ số hồi quy không đổi. Điều này đôi khi khiến mô hình Pooled OLS không phản ánh được tác động của sự khác biệt của mỗi ngân hàng, dẫn đến mức ảnh hưởng thật sự của biến độc lập lên biến phụ thuộc giảm mạnh và kết quả có thể không phù hợp với điều kiện thực tế. Tuy nhiên, cũng chưa khẳng định được mô hình REM là mô hình đúng. Vậy nên nghiên cứu sẽ tiếp tục sử dụng kiểm định Hausman để lựa chọn giữa FEM và REM. Thực chất, kiểm định Hausman là xem xét có tồn tại sự tương quan giữa Ui và Xit hay không. Nếu kiểm định Hausman cho một kết quả có ý nghĩa thì mô hình tác
động cố định phù hợp hơn so với mô hình tác động ngẫu nhiên. Kiểm định Hausman với giả định:
H0: Ước lượng của mô hình tác động cố định và mô hình tác ngẫu nhiên không khác nhau.
H1: Ước lượng của mô hình tác động cố định và mô hình tác ngẫu nhiên khác nhau.
Về lý thuyết, kiểm định Hausman cho thấy P = 0.000 < 5% nghĩa là cơ sở để bác bỏ H0 và chấp nhận H1. Khi ước lượng mô hình tác động cố định và mô hình tác động ngẫu nhiên có sự khác biệt thì nghiên cứu sẽ sử dụng mô hình tác động cố định để có ý nghĩa cao hơn.
Căn cứ vào bảng kết quả cho thấy mô hình các nhân tố tác động cố định FEM là hình phù hợp cho nghiên cứu vì Prob = 0.0002 < 5%.
Từ kết quả kiểm định Hausman, mô hình FEM đã được lựa chọn là mô hình phù hợp hơn REM, trong khi trước đó mô hình OLS tốt hơn mô hình FEM. Vì vậy, tác giả sẽ sử dụng mô hình Pooled OLS để xác định các yếu tố đến RRTD của các NHTM tại Việt Nam. Để có kết luận đáng tin cậy nhất, bước tiếp theo, tác giả tiến hành kiểm định OLS với tùy chọn Robust đê kiểm tra các khuyết tật thường gặp của mô hình.
Ngoài ra, hiện tượng biến nội sinh cũng sẽ làm cho các ước lượng thu được bằng phương pháp OLS không vững. Mô hình nghiên cứu sử dụng biến trễ của biến phụ thuộc (NPLi,t-1) làm biến độc lập nên theo Abhiman Das & Saibal Ghosh (2007), Daniel Foos & ctg (2010), Gabriel Jimenez & Jesus Saurina (2006), Richard Blundell & 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) là biến nội sinh. Với kết quả kiểm định ở trên cho thấy hiện tượng đa cộng tuyến được đánh giá là không nghiêm trọng trong mô hình nghiên cứu. Tuy nhiên, mô hình có sự tự tương quan bậc nhất giữa các sai số và có hiện tượng biến nội sinh. Hiện tượng này sẽ làm cho các ước lượng thu được bằng phương pháp OLS không vững và không hiệu quả, các kiểm định hệ số hồi qui không còn đáng tin cậy. Vì thế tác giả sử dụng phương pháp hồi quy Moment tổng thể (GMM) để khắc phục hiện tượng trên. Với hồi quy
GMM phải đảm bảo thỏa mãn hai kiểm định sau: kiểm định Hansen và kiểm định Arellano – Bond hay kiểm định AR(2).
Với kiểm định Hansen, mục đích của kiểm định này là kiểm định biến công cụ được chọn là phù hợp và mô hình sử dụng biến đó để ước lượng cũng phù hợp với giả thiết:
H0: Biến công cụ là biến ngoại sinh, phù hợp với mô hình GMM H1: Biến công cụ không phù hợp với mô hình GMM
Với kiểm định Arellano – Bond, mục đích dùng để kiểm tra tính chất tự tương quan của phương sai sai số mô hình GMM ở dạng sai phân bậc 1. Do đó, chuỗi sai phân khảo sát mặc nhiên có tương quan bậc 1, AR(1) nên kết quả kiểm định được bỏ qua. Tương quan bậc 2, AR(2) được kiểm định trên chuỗi sai phân của sai số để phát hiện hiện tượng tự tương quan bậc nhất của phần dư mô hình. Với giả thiết như sau:
H0: Phần dư mô hình GMM không xảy ra hiện tượng tự tương quan bậc nhất H1: Phần dư mô hình GMM xảy ra hiện tượng tự tương quan bậc nhất
4.5. KẾT QUẢ HỒI QUY
Bảng 4.5 trình bày kết quả hồi quy GMM các yếu tố tác động đến RRTD của các NHTM tại Việt Nam. Tất cả các ước lượng đều thực hiện bằng cách sử dụng hồi quy GMM hai bước. Sau khi chạy mô hình bằng phương pháp GMM, tác giả sử dụng kiểm định Arellano – Bond cho mô hình nghiên cứu và nhận thấy Prob > Chi2 là 26.7% lớn hơn mức ý nghĩa 10% nên chấp nhận giả thiết H0: Phần dư của mô hình GMM không xảy ra hiện tượng tự tương quan bậc nhất.
Để kiểm định sự phù hợp của biến công cụ, tác giả thực hiện kiểm định Hansen cho mô hình. Giá trị thống kê Prob > Chi2 của mô hình lớn hơn α = 0,1 cũng xác nhận sự phù hợp của số lượng các biến công cụ được chọn, các biến công cụ không tương quan với sai số trong mô hình.
Bảng 4.5. Tổng hợp kết quả kiểm định
Mô hình OLS-ROBUST FEM REM GMM
LNPL 0.464*** 0.351*** 0.464*** 0.492*** (0.0774) (0.0550) (0.0509) (0.029) LEV 0.344 -3.246 0.344 0.434*** (0.514) (2.125) (0.527) (0.116) ROE -0.0385*** -0.0465*** -0.0385*** -0.047*** (0.0145) (0.0130) (0.0113) (0.006) UEP -0.207 -0.398 -0.207 -0.337*** (0.337) (0.314) (0.281) (0.065) INF 0.0306*** 0.0286* 0.0306* 0.049*** (0.0110) (0.0169) (0.0164) (0.006) GDP -0.198* -0.360*** -0.198* -0.135*** (0.110) (0.138) (0.115) (0.030) LLR 0.0262 0.0374** 0.0262* 0.022*** (0.0192) (0.0168) (0.0145) (0.006) LNSIZE 0.0438 0.467** 0.0438 0.123*** (0.0631) (0.206) (0.0667) (0.041) Hằng số 1.883 -1.018 1.883 0.078 (1.175) (3.214) (1.379) (0.702) Số quan sát 279 279 279 279 R-Squared 0.327 0.205 F-test (P-Value) 0.12 Hausman (P-Value) 0.0002 AR(2) (P-value) 0.267 Hansen test (P-Value) 0.287
Sai số chuẩn trong *** p<0.01, ** p<0.05, *p<0.1
Kết quả từ bảng 4.5 cũng cho thấy các biến độc lập LNPL, LEV, ROE, UEP, INF, GDP, LLR, LNSIZE đều có ý nghĩa thống kê ở mức 1%, nên việc đưa vào mô hình là hoàn toàn thuyết phục. Vì vậy, ta được phương trình hồi quy như sau:
NPL = 0.078 + 0.492LNPL + 0.434LEV – 0.047ROE -0.337UEP + 0.049INF – 0.135GDP + 0.022LLR + 0.123LNSIZE
Phương trình hồi quy trên cho thấy có sự tác động cùng chiều của biến LNPL với tỷ lệ nợ xấu và có ý nghĩa thống kê ở mức ý nghĩa 1%. Với kết quả này có cơ sở để chấp nhận giả thuyết H1: Tỷ lệ nợ xấu năm trước tác động cùng chiều với tỷ lệ nợ xấu của các NHTM.
Giả thuyết H2 cho rằng đòn bẩy tài chính (LEV) sẽ tác động cùng chiều đến tỷ lệ nợ xấu. Từ kết quả bảng 4.5 cho thấy hệ số của biến LEV có giá trị dương và có ý nghĩa thống kê với mức ý nghĩa 1%. Kết quả này cho thấy có cơ sở để chấp nhận giả thuyết H2: Có mối quan hệ cùng chiều giữa đòn bẩy tài chính và tỷ lệ nợ xấu của các NHTM.
Tuy nhiên ở giả thuyết H3 nghiên cứu cho rằng quy mô ngân hàng (LNSIZE) sẽ tác động nghịch chiều đến tỷ lệ nợ xấu. Trong khi kết quả bảng 4.5 cho thấy hệ số của biến LNSIZE có giá trị dương và có ý nghĩa thống kê với mức ý nghĩa 1%. Kết quả này cho thấy tác giả không có cơ sở để chấp nhận giả thuyết H3: Có mối quan hệ ngược chiều giữa quy mô ngân hàng và tỷ lệ nợ xấu của các NHTM.
Tương tự, giả thuyết của nghiên cứu cho rằng UEP có tác động cùng chiều với tỷ lệ nọ xấu. Tuy nhiên kết quả lại cho thấy hai biến có mối quan hệ nghịch chiều nhau và cũng có ý nghĩa ở mức 1%. Điều này dẫn đến nghiên cứu không có cơ sở để chấp nhận giả thuyết H5 như đã định.
Các biến còn lại như ROE, INF, GDP, LLR đều có ý nghĩa thống kê ở mức ý nghĩa 1%. Hệ số của biến INF và LLR lần lượt là 0.049 và 0.022, hệ số của biến ROE và GDP lần lượt là -0.047 và -0.135. Đây là cơ sở để chấp nhận các giả thuyết H4, H6, H7 và H8.
Bảng 4.6. Kết luận giải thuyết về các yếu tố tác động đến rủi ro tín dụng của các NHTM tại Việt Nam
Giả thuyết Diễn giải Kết luận
H1 Tỷ lệ nợ xấu năm trước tác động cùng
chiều với tỷ lệ nợ xấu của các NHTM. Chấp nhận
H2 Đòn bẩy tài chính tác động cùng chiều
với tỷ lệ nợ xấu của các NHTM. Chấp nhận
H3 Quy mô ngân hàng tác động ngược chiều
với tỷ lệ nợ xấu của các NHTM. Bác bỏ
H4 Lợi nhuận ngân hàng tác động ngược
chiều với tỷ lệ nợ xấu của các NHTM. Chấp nhận
H5 Tỷ lệ thất nghiệp tác động cùng chiều với
tỷ lệ nợ xấu của các NHTM. Bác bỏ
H6 Lạm phát tác động cùng chiều với tỷ lệ
nợ xấu của các NHTM. Chấp nhận
H7 Tăng trưởng GDP tác động ngược chiều
với tỷ lệ nợ xấu của các NHTM. Chấp nhận
H8 Dự phòng rủi ro tín dụng tác động cùng
chiều với tỷ lệ nợ xấu của các NHTM. Chấp nhận
Nguồn: Tổng hợp từ giả thuyết và kết quả nghiên cứu
4.6. THẢO LUẬN KẾT QUẢ
Dựa trên bảng tổng hợp từ giả thuyết và kết quả nghiên cứu, tác giả đưa phương trình phù hợp cho để tài nghiên cứu sau khi bác bỏ biến quy mô ngân hàng và tỷ lệ thất nghiệp như sau:
NPL = 0.078 + 0.492LNPL + 0.434LEV – 0.047ROE + 0.049INF – 0.135GDP + 0.022LLR
Dựa theo kết quả cho thấy, tại Việt Nam, tỷ lệ nợ xấu năm trước thể hiện tác động cùng chiều đến tỷ lệ nợ xấu của các ngân hàng trong mẫu nghiên cứu với mức ý nghĩa là 1%. Điều này phù hợp với giả thuyết được nghiên cứu đưa ra và có thể giải thích
là do các khoản nợ xấu của năm trước sẽ trực tiếp làm giảm lợi nhuận của ngân hàng và hiệu quả hoạt động trong dài hạn. Khi nợ xấu gia tăng lên một cách đáng kể trong danh mục cho vay của ngân hàng thì sẽ gây ra các ảnh hưởng nghiêm trọng đối với quá trình hoạt động kinh doanh của ngân hàng. Kết quả có sự tương đồng với nghiên cứu của tác giả Phạm Dương Phương Thảo và Nguyễn Linh Đan (2018), Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013).
Về đòn bẩy tài chính, ta tìm được mối tương quan dương giữa biến độc lập này với tỷ lệ nợ xấu và được giải thích là do các ngân hàng có xu hướng sử dụng nguồn vốn cho hoạt động kinh doanh đến từ phần lớn tỷ trọng nợ trên tổng tài sản bình quân sẽ có nguy cơ gặp rủi ro tín dụng cao hơn các ngân hàng khác. Đồng thời kết quả này cũng được tìm thấy sự tương đồng trong các nghiên cứu thực nghiêm của Casu và Girardone (2006), Short (1979), Salas và Saurina (2002).
Trái với kỳ vọng, biến quy mô có tác động cùng chiều với RRTD, hay nói cách khác, quy mô càng tăng thì tỷ lệ nợ xấu cũng sẽ tăng theo cũng như nguy cơ gia tăng RRTD càng nhiều. Việc tìm ra sự tác động cùng chiều giữa quy mô và tỷ lệ nợ xấu đã phản ánh một thực trạng tại Việt Nam là những ngân hàng có quy mô tài sản lớn thường sẽ phải chịu nhiều rủi ro và mạo hiểm hơn các ngân hàng có quy mô nhỏ hơn khi cấp tín dụng cho các tập đoàn lớn sử dụng nhiều vốn và có nhiều ưu thế trong quan hệ vay mượn. Do đó, khi cho các doanh nghiệp có quy mô lớn vay vốn, thông thường các ngân hàng phải đơn giản hóa thủ tục thẩm định và điều này tiềm ẩn nguy cơ nợ quá hạn. Cụ thể về rủi ro khi cho vay các tập đoàn lớn như tập đoàn Vinashin gặp khó khăn dẫn đến khoản nợ quá hạn gầm 20.000 tỷ đồng vào năm 2011 đã khiến cho các ngân hàng lớn (BIDV, Techcombank, SHB) rơi vào tình trạng khó khăn. Tương tự các ngân hàng Vietcombank, Sacombank, BIDV cũng bị ảnh hưởng do sai sót trong khi cấp tín dụng cho công ty Thủy sản Phương Nam. Mối tương quan thuận chiều này phù hợp với nghiên cứu của Das và Ghost (2007), cho rằng quy mô càng lớn thì tâm lý chấp nhận rủi ro càng cao và kết quả là nợ xấu cao hơn trong tương lai. Hay Chemykh và Theodossiou (2011), cho rằng các ngân hàng lớn có nhiều cơ hội đa dạng nguồn vốn hơn và khả năng tiếp cận nhiều khách hàng hơn, theo đó dư nợ
tín dụng cũng như tiềm ẩn rủi ro về nợ xấu sẽ tăng cao.
Lợi nhuận sau thuế trên vốn chủ sở hữu bình quân cho thấy mối quan hệ ngược chiều với tỷ lệ nợ xấu của các ngân hàng. Kết quả này cho thấy rằng, khi lợi nhuận các ngân hàng càng cao thì mức nợ xấu trong danh mục dư nợ cho vay của các ngân hàng sẽ có xu hướng giảm. Giả thuyết có sự tương đồng với nghiên cứu