Average of ROA Average of NPL
50%
0.00%
018 (blank)
Values
Nguồn: Tính toán từ báo cáo tài chính của NHTM, 2018
Hình 4.4 cho thấy tỷ lệ dư nợ cho vay khách hàng của các NHTM không ngừng tăng lên qua từng năm. Tuy nhiên, tỷ lệ nợ xấu của NHTM tăng mạnh trong khoảng thời gian từ năm 2010 đến năm 2012, điều đó cho thấy rằng tốc độ tăng trưởng kinh tế giảm xuống sẽ kéo theo thu nhập của các cá nhân và doanh nghiệp giảm theo nên không có khả năng thanh toán các khoản nợ đúng hạn cho ngân hàng. Từ năm 2013 trở đi, tỷ lệ nợ xấu của ngân hàng giảm từ mức dưới 3% đến khoảng 1.75%, điều đó cho thấy rằng các NHTM có chính sách tốt để kiểm soát nợ xấu.
Hình 4.4. Diên biên dư nợ cho vay và nợ xâu
Nguồn: Tính toán từ báo cáo tài chính của NHTM, 2018
Hình 4.5 thể hiện mối tương quan giữa tỷ lệ chi phí hoạt động và tỷ lệ nợ xấu trong giai đoạn 2010 - 2018. Nhìn chung, có thể thấy rằng tỷ lệ nợ xấu có tương quan cùng chiều với tỷ lệ chi phí hoạt động. Từ năm 2012 đến năm 2013 là năm có mức tỷ lệ nợ xấu và tỷ lệ chi phí hoạt động cao nhất, đạt mức gần 3% đối với tỷ lệ nợ xấu và 60% đối với tỷ lệ chi phí hoạt động. Từ năm 2013 trở đi, tỷ lệ chi phí hoạt động của các NHTM giảm dần nên tỷ lệ nợ xấu giảm theo.
Hình 4.5. Diễn biến chi phí hoạt động và nợ xấu
Nguồn: Tính toán từ báo cáo tài chính của NHTM, 2018
Hình 4.6 thể hiện mối tương quan giữa tỷ lệ nợ xấu và tỷ lệ trích lập dự phòng cho vay khách hàng trong giai đoạn từ năm 2010 đến 2018. Nhìn chung, có thể thấy rằng tỷ lệ trích lập dự phòng có mối tương quan cùng chiều với tỷ lệ nợ xấu. Năm 2012 là năm có mức trích lập dự phòng cho vay khách hàng cao nhất, đạt mức 1.61% dẫn đến tỷ lệ nợ xấu của NHTM đạt mức 2.87%. Từ năm 2012 trở đi, tỷ lệ trích lập dự phòng có khuynh hướng giảm dần và đến năm 2018 thì đạt mức 1.23%.
Hình 4.6. Diễn biến tỷ lệ trích lập dự phòng và nợ xấu
Nguồn: Tính toán từ báo cáo tài chính của NHTM, 2018
Hình 4.7 thể hiện mối quan hệ giữa tỷ lệ nợ xấu và quy mô tổng tài sản ngân hàng trong thời gian từ năm 2010 đến 2018. Từ năm 2010 đến năm 2012 là năm có tỷ lệ nợ xấu tăng cùng chiều với quy mô tài sản ngân hàng, điều đó cho thấy rằng trong năm 2010, do bị ảnh huởng từ việc suy thoái nền kinh tế nên các NHTM gặp nhiều khó khăn trong việc thu hồi nợ từ việc cho vay khách hàng. Tuy nhiên, từ năm 2012 trở đi, khi quy mô tổng tài sản của NHTM liên tục tăng thì nợ xấu của NHTM có xu huớng giảm dần, điều dó cho thấy rằng các NHTM càng lớn thì công tác thu hồi nợ có tiến triển tốt nên tỷ lệ nợ xấu của NHTM giảm dần. Đến cuối năm 2018 thì tỷ lệ nợ xấu của NHTM đạt 1.78% trong khi quy mô tổng tài sản là 18.96.
Hình 4.7. Diễn biến quy mô ngân hàng và nợ xấu
Nguồn: Tính toán từ báo cáo tài chính của NHTM, 2018
4.3.2. Mối tương quan giữa các yếu tố vĩ mô và nợ xấu
Tốc độ tăng trưởng kinh tế trong khoảng thời gian nghiên cứu dao động từ mức 5% đến mức gần 8%, mức cao nhất là năm 2018 (đạt 7.08%) và mức thấp nhất là năm 2012 (đạt mức 5.24%). Hình 4.8 cho thấy tốc độ tăng trưởng kinh tế GDP có mối tương quan ngược chiều đến nợ xấu, điều này lý giải rằng khi nền kinh tế tăng trưởng tốt thì thu nhập của các cá nhân và doanh nghiệp tăng lên, do đó khả năng thanh khoản của các thành phần trong nền kinh tế và từ đó góp phần giảm nợ xấu cho ngân hàng. Điều này phù hợp với thực tế của nền kinh tế Việt Nam, khi tăng trưởng kinh tế vẫn còn lệ thuộc vào việc tăng cung tín dụng.
Về chỉ số lạm phát, từ năm 2010 đến 2011 là khoảng thời gian có chỉ số lạm phát tăng nhanh nhất, đạt đỉnh điểm ở mức 18.67% trong năm 2011. Tuy nhiên, từ năm 2012 trở đi, lạm phát được NHNN kiềm chế, tuy nhiên, giá cả hàng hóa nhìn chung vẫn cao khiến nhiều doanh nghiệp gặp khó trong việc bán hàng. Điều này khiến nhiều doanh nghiệp không bán được hàng hóa hoặc dịch vụ để trang trải chi phí. Do đó, hàng loạt
NPL ROA LA OPE LLP SIZE GDP INF UNE
NPL 1
doanh nghiệp mất khả năng thanh toán hoặc tuyên bố phá sản. Đến năm 2013, tình kinh tế diễn biến tích cực hơn khi tốc độ tăng trưởng kinh tế GDP cao hơn năm 2012, nhiều thương vụ mua bán nợ giữa NHTM và VAMC diễn ra nhằm mục đích là làm sạch bảng cân đối kế toán nên tỷ lệ nợ xấu của NHTM giảm.
Hình 4.8. Diễn biến giữa GDP, lạm phát, tỷ lệ thất nghiệp và nợ xấu
Nguồn: Báo cáo kinh tế vĩ mô của World Bank, IMF, Tổng cục thống kê và BCTC của NHTM năm 2018
58
ROA -0.0671** 1 LA 0.0170 0.0558 1 OPE 0.1565** -0.6990*** -0.0148* 1 LLP 0.3895*** 0.0372 -0.1638** -0.0267 1 SIZE -0.1065 -0.0375 0.2654*** -0.2048*** 0.1486** 1 GDP -0.2922*** 0.0306 0.2748*** -0.1295** -0.2879*** 0.1950*** 1 INF -0.0199 0.3671*** -0.3632*** -0.2688*** 0.1764*** -0.2201*** -0.3221*** 1 UNE -0.0967 -0.2333*** 0.4378*** 0.1563** -0.2466*** 0.3054*** 07314*** -0.7465*** 1
NPL Hệ số Độ lệch chuẩn t Prob ROA 0.053158 0.1732541 0ÃĨ 0.759 LA 0.0120355 0.0064666 L86 0.064 OPE 0.0067548 0.0081756 013 0.410 LLP 1.060534 0.1640213 647 0.000 SIZE -0.0021602 0.0007442 -2.90 0.004 GDP -0.7836999 0.2259593 -3.47 0.001 INF 0.0021449 0.0253379 018 0.933 UNE 0.8050644 0.4384947 L84 0.068 Hằng số 0.071971 0.0194731 31Õ 0.000 Tổng số quan sát = 234 Prob > F = 0.000 R2 = 0.2676
Ghi chú: *Hệ số có ý nghĩa 10%, **Hệ số có ý nghĩa 5%, ***Hệ số có ý nghĩa 1 %
Nguồn: Tính toán từ STATA
59
Kết quả phân tích ma trận tương quan ở bảng 4.2 cho thấy biến tỷ lệ nợ xấu (NPL) có tác động cùng chiều với biến chi phí hoạt động (OPE) và tỷ lệ trích lập dự phòng cho vay khách hàng (LLP) với hệ số lần lượt là 0.1565 và 0.3895. Ngược lại, các biến có tác động ngược chiều với NPL là tỷ lệ lợi nhuận trên tổng tài sản (ROA) và tốc độ tăng trưởng kinh tế (GDP) với hệ số tác động lần lượt lượt là - 0.0671 và - 0.2922.
4.4. Ước lượng mô hình hồi quy
Khóa luận tiếp tục sử dụng mô hình Pooled OLS, mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM) để phân tích mức độ tác động của các biến yếu tố vi mô và vĩ mô đến tỷ lệ nợ xấu của các NHTM Việt Nam trong giai đoạn 2010 - 2018. Chi tiết về kết quả ước lượng được mô tả như sau:
4.4.1. Ước lượng Pooled OLS
NPL Hệ số Độ lệch chuẩn t Prob ROA 0.0198372 0.1840777 0ÃĨ 0.914 LA -0.0142543 0.0100479 -1.42 0.158 OPE -0.0016893 0.0096909 -0.17 0.862 LLP 1.179062 0.1892438 623 0.000 SIZE -0.0048311 0.0025333 -191 0.058 GDP -0.9323417 0.2157826 -4.32 0.000 INF 0.0004026 0.0232926 ÕÕ2 0.986 UNE 1.570904 0.5042499 3712 0.002 Hằng số 0.1363658 0.046923 291 0.004 Tổng số quan sát = 234 Prob > F = 0.000
Nguồn: Tính toán từ STATA
Kết quả ước lượng hồi quy Pooled OLS được trình bày ở bảng 4.3 cho thấy hệ số R2 của mô hình ở mức 0.2676. Điều này lý giải rằng 100% sư biến động của tỷ lệ nợ xấu (NPL) trong mô hình giải thích được 26.76% kết quả do biến độc lập tác động đến.
60
Trong mô hình Pooled OLS, tất cả các biến đều có ý nghĩa ngoại trừ 3 biến bị loại là ROA, OPE và INF do có giá trị Prob lớn hơn mức ý nghĩa 10%. Kết quả uớc luợng mô hình Pooled OLS đuợc trình bày nhu sau:
NPL = 0.71971 + 0.0120355*LA + 1.060534*LLP - 0.0021602*SIZE - 0.7836999*GDP + 0.8050644*UNE
Tuy nhiên, vì mô hình Pooled OLS là một mô hình bình thuờng nên có nhuợc điểm là ràng buộc quá chặt về các đơn vị chéo, điều này khiến cho số liệu uớc luợng không đúng với thực tế. Do đó, mô hình tác động cố định (FEM) và mô hinh tác động ngẫu nhiên (REM) tiếp tục đuợc sử dụng trong khóa luận này.
4.4.2. ước lượng FEM
NPL Hệ số Độ lệch chuẩn t Prob ROA 0.0091442 0.1725817 ÕÕ5 0.958 LA 0.00188 0.0078012 024 0.810 OPE 0.0011175 0.0086118 043 0.897 LLP 1.100471 0.1707745 644 0.000 SIZE -0.0024706 0.0010502 -235 0.019 GDP -0.8462819 0.2101643 -403 0.000 INF 0.0009291 0.0231842 ÕÕ4 0.968 UNE 1.042348 0.4196577 2.48 0.013 Hằng số 0.0864099 0.0233238 3.70 0.000 Tổng số quan sát = 234 Prob > F = 0.000
Nguồn: Tính toán từ STATA
Kết quả uớc luợng mô hình FEM ở bảng 4.4 cho thấy mô hình này đã khắc phục một số nhuợc điểm của mô hình Pooled OLS, chẳng hạn nhu các yếu tố không quan sát đuợc khác nhau giữa các đối tuợng nhung không thay đổi theo thời gian trong khi Pooled OLS là một mô hình bình thuờng và không phân biệt theo năm và đối tuợng. Kết quả uớc luợng mô hình FEM đuợc trình bày nhu sau:
61
NPL = 0.1363658 + 1.179062*LLP - 0.0048311*SIZE - 0.9323417*GDP + 1.570904*UNE
Tuy nhiên, để ước lượng mô hình FEM chính xác hơn thì tác giả phải sử dụng biến giả. Việc sử dụng quá nhiều biến giả ước lượng sẽ làm mất bậc tự do của dữ liệu khi ước lượng. Để khắc phục nhược điểm này, tác giả tiếp tục sử dụng mô hình REM.
4.4.3. Ước lượng REM
So với mô hình FEM thì mô hình REM coi sự biến động của mỗi đơn vị là ngẫu nhiên và không tương quan đến biến giải thích. Hơn nữa, mô hình REM không có sử dụng biến giả nên bậc tự do dữ liệu không bị thay đổi khi ước lượng dữ liệu. Kết quả ước lượng mô hình REM được trình bày như sau:
Nguồn: Tính toán từ STATA
Qua bảng 4.5, có thể thấy rằng tất cả các biến đều bị loại do có mức ý nghĩa lớn hơn 10% ngoại trừ bốn biến bao gồm tỷ lệ dự phòng cho vay khách hàng trên tổng tài sản (LLP), quy mô ngân hàng (SIZE), tốc độ tăng trưởng kinh tế (GDP) và tỷ lệ thất nghiệp (UNE). Kết quả ước lượng được trình bày như sau:
NPL = 0.0864099 + 1.100471*LLP - 0.0024706*SIZE - 0.8462819*GDP + 1.042348*UNE
Để xác định mô hình Pooled OLS, FEM hay REM là phù hợp, tác giả tiếp tục sử dụng kiểm định Hausman.
4.4.4. Lựa chọn mô hình Pooled OLS, FEM hay REM
Kiểm định Hausman được thực hiện để lựa chọn mô hình Pooled OLS, FEM hay REM là phù hợp dựa trên giả thuyết như sau:
H0: mô hình Pooled OLS và REM là phù hợp H1: mô hình FEM là phù hợp
Kết quả kiểm định Hausman ở Bảng C.6 phụ lục C cho thấy hệ số Prob>chi2 = 0.4212 > 0.1, do đó chấp nhận giả thuyết H0, nghĩa là mô hình Pooled OLS và REM là phù hợp cho việc nghiên cứu tiếp theo. Để lựa chọn hai mô hình Pooled OLS hay REM là phù hợp, tác giả sử dụng kiểm định Breusch-Pagan.
4.4.5. Lựa chọn mô hình Pooled OLS hay REM
Kiểm định Breusch-Pagan được thực hiện để kiểm định mô hình Pooled OLS hay REM là phù hợp trên cơ sở giả thuyết như sau:
H0: mô hình Pooled OLS là phù hợp H1: mô hình REM là phù hợp
Kết quả kiểm định ở bảng C.4 phụ lục E cho thấy hệ số Prob > chi2 = 0.000 < 0.01, nghĩa là bác bỏ giả thuyết H0. Do đó mô hình REM là phù hợp nhất cho việc nghiên cứu. Tuy nhiên, để đảm bảo độ tin cậy cho các hệ số trong mô hình, tác giả sẽ kiểm định các khuyết tật trong mô hình để chắc chắn rằng mô hình không bị vi phạm các giả thuyết trong nghiên cứu. Các khuyết tật thường gặp nhất trong mô hình là hiện tượng phương sai sai số thay đổi, đa cộng tuyến, hiện tượng nội sinh và hiện tượng tự tương quan giữa các biến trong mô hình.
Tên biến VIF Hệ số phóng đạiphương sai R2
4.5. Kiểm định các khuyết tật của mô hình nghiên cứu
4.5.1. Kiểm định Breusch và Pagan Lagrangian multiplier
Tác giả sử dụng kiểm định Breusch và Pagan Lagrangian multiplier hiện tượng phương sai sai số thay đổi sau khi ước lượng mô hình REM với giả thuyết kiểm định như sau:
H0: Không có hiện tượng phương sai sai số thay đổi H1: Có hiện tượng phương sai sai số thay đổi
Kết quả kiểm định Breusch and Pagan Lagrangian multiplier ở bảng C.5 cho mô hình REM cho thấy hệ số Prob = 0.0000< 5%, do đó chấp nhận giả thuyết H1, nghĩa là mô hình có hiện tượng phương sai sai số thay đổi. Đây là điều không mong muốn trong nghiên cứu. Để đảm bảo mô hình không bị vi phạm giả thuyết nghiên cứu, tác giả tiếp tục thực hiện các kiểm định tiếp theo.
4.5.2. Kiểm định hiện tượng nội sinh
Kiểm định Hansen và Sargan được Arellano & Bond (1991) đề xuất sử dụng trong mô hình để kiểm định hiện tượng nội sinh.
Giả thuyết sử dụng kiểm định Sargan nhằm kiểm định hiện tượng nội sinh trong mô hình như sau:
H0: Các biến là ngoại sinh
H1: Có hiện tượng nội sinh trong mô hình
Kết quả kiểm định Sargan ở bảng C.3 (Phụ lục) cho thấy các biến trong mô hình đều là biến ngoại sinh (Prob > 0.10), do đó chấp nhận giả thuyết H0 nghĩa là biến công cụ không có tương quan sai số trong mô hình.
4.5.3. Kiểm định hiện tượng tự tương quan
Tác giả sử dụng kiểm định Wooldridge cho mô hình nghiên cứu với giả thuyết kiểm định như sau:
H0: Không có hiện tượng tự tương quan chuỗi H1: Có hiện tượng tự tương quan chuỗi
64
Kết quả kiểm định Wooldridge test ở bảng C.2 cho mô hình Pooled OLS cho thấy hệ số Prob = 0.0058 < 5%, do đó chấp nhận giả thuyết H1, nghĩa là mô hình có hiện tượng tự tương quan chuỗi.
4.5.4. Kiểm định hiện tượng đa cộng tuyến
Trong mô hình hồi quy, nếu các biến độc lập có quan hệ chặt với nhau, các biến độc lập có mối quan hệ tuyến tính, nghĩa là các biến độc lập có tương quan chặt, mạnh với nhau thì sẽ có hiện tượng đa cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số. Để xác định mô hình có hiện tượng đa cộng tuyến hay không thì tác giả dựa trên hệ số VIF được mô tả ở bảng dưới đây:
NPL Ũ7 0.7324 0.2676 ROA 222 0.4498 0.5502 LA L39 0.7185 0.2815 ROE 241 0.4146 0.5854 LLP 1.40 0.7121 0.2879 SIZE 142 0.7022 0.2978 GDP 349 0.2863 0.7137 INF 303 0.3190 0.6810 UNE 613 0.1464 0.8536 Giá trị trung bình VIF 2.63
NPL Hệ số Độ lệch chuẩn t Prob ROA 0.549787 0.1221794 045 0.653 LA 0.0121082 0.0061351 1.97 0.048 OPE 0.0063069 0.0063582 0.99 0.321 LLP 0.971642 0.115984 8.38 0.000 SIZE -0.001745 0.0007223 -2.42 0.016 GDP -0.440438 0.1050877 -4.19 0.000 INF -0.002654 0.0100406 -0.24 0.810 UNE 0.3010789 0.2192806 1.37 0.170 Hằng số 0.0510217 0.0151294 3.37 0.001 Tổng số quan sát = 234 Prob > chi2 = 0.000
Nguồn: Tính toán từ STATA
Kết quả chạy VIF ở bảng 4.6 cho thấy hệ số VIF của các biến đều nhỏ hơn 10 và hệ số phóng đại phương sai (Tolerance) đều lớn hơn 0.1, điều đó chứng tỏ rằng không có hiện tượng đa cộng tuyến giữa các biến trong mô hình.
65
Sau khi thực hiện toàn bộ kiểm định cho mô hình REM, tác giả nhận thấy rằng mô hình REM có hiện tượng phương sai sai số thay đổi và hiện tượng tự tương quan chuỗi do đều có hệ số Prob < 0.01. Để khắc phục được các hiện tượng này, mô hình bình phương nhỏ nhất tổng quát (Generlized Least Squares) được tác giả sử dụng trong nghiên cứu này.
4.5.5. Ước lượng mô hình bình phương nhỏ nhất tổng quát GLS
Để khắc phục hiện tượng tự tương quan và phương sai sai số thay đổi, tác giả tiến hành sử dụng mô hình bình phương nhỏ nhất (GLS). Kết quả ước lượng mô hình GLS được trình bày như sau: