Số thứ tự Ký hiệu Ngân hàng
1 ABB NHTMCP An Bình
2 ACB NHTMCP Á Châu
3 BID NHTMCP Đầu tư và phát triển Việt Nam
4 CTG NHTMCP Công thương Việt Nam
5 EAB NHTMCP Đông Á
6 EIB NHTMCP Xuất nhập khẩu Việt Nam
8 LVP NHTMCP Bưu điện Liên Việt
9 MBB NHTMCP Quân đội
10 MSB NHTMCP Hàng hải
11 NVB NHTMCP Quốc dân
12 OCB NHTMCP Phương Đông
13 PGB NHTMCP Xăng dầu Petrolimex
14 SCB NHTMCP Sài Gịn
15 SEA NHTMCP Đơng Nam Á
16 SGB NHTMCP Sài Gịn cơng thương
17 SHB NHTMCP Sài Gòn - Hà Nội
18 STB NHTMCP Sài Gịn thương tín
19 TPB NHTMCP Tiên phong
20 TCB NHTMCP Kỹ thương Việt Nam
21 VCB NHTMCP Ngoại thương Việt Nam
22 VIB NHTMCP Quốc tế Việt Nam
23 VPB NHTMCP Việt Nam thịnh vượng
Nguồn: Tổng hợp của tác giả từ dữ liệu của đề tài
Dữ liệu được thu thập từ hệ thống dữ liệu ngân hàng Bankscope và các báo cáo kết quả hoạt động kinh doanh, bảng cân đối kế toán trong báo cáo thường niên trên website của các ngân hàng. Tỷ lệ tăng trưởng GDP thu thập theo thống kê hằng năm của Tổng cục thống kê.
3.4. Trình tự nghiên cứu
Dữ liệu bảng được cấu thành bởi những quan sát theo không gian và những quan sát theo thời gian. Những mơ hình sử dụng dữ liệu bảng thường được ước lượng bởi mô hình tổng quát về dữ liệu bảng như sau:
𝐘𝐢𝐭 = 𝛂 + 𝛃𝟐𝐗𝟐𝐢𝐭+ 𝛃𝟑𝐗𝟑𝐢𝐭+ ⋯ + 𝛃𝐧𝐗𝐧𝐢𝐭+ 𝐮𝐢𝐭 (3.2)
Trong đó (𝐮𝐢𝐭) là sai số kết hợp của mơ hình với 𝐮𝐢𝐭 = 𝐯𝐢 + 𝐞𝐢𝐭. Trong sai số kết hợp này, (𝐯𝐢) được coi là những ảnh hưởng đặc thù của từng đơn vị i không quan sát được và không thay đổi theo thời gian, còn (𝐞𝐢,𝐭) là những biến số ngẫu nhiên xuất hiện ở sai số hay còn gọi là sai số đặc thù quan sát được và thay đổi theo thời gian. Trong trường hợp (𝐯𝐢) không tác động lên các biến số độc lập và (𝐞𝐢,𝐭) khơng bị tự tương quan thì phương pháp ước lượng phù hợp là Pooled OLS.
Tuy nhiên, do (𝐯𝐢) là một thành phần của sai số và nó có thể tác động lên các biến số độc lập X. Nếu (𝐯𝐢) tương quan với bất kỳ biến độc lập nào thì ước lượng hồi quy từ hồi quy Y theo X sẽ bị ảnh hưởng chéo bởi những nhân tố không đồng nhất không quan sát được, làm cho ước lượng bị chệch. Thậm chí, nếu (𝐯𝐢) khơng tương quan với bất kỳ một biến giải thích nào thì sự có mặt của nó cũng làm cho cho các ước lượng OLS không hiệu quả và sai số tiêu chuẩn khơng có hiệu lực. Vì vậy, để khắc phục các nhược điểm gặp phải ở mơ hình Pooled OLS, mơ hình Fixed Effect Model (FEM) và Random Effect Model (REM) được sử dụng.
Mơ hình FEM phát triển từ mơ hình Pooled OLS khi có thêm sự kiểm sốt từng đặc điểm khác nhau giữa các đơn vị, và có sự tương quan giữa phần dư của mơ hình và các biến độc lập. Do vậy, khi (𝐯𝐢) có tác động lên các biến số độc lập thì phương pháp ước lượng phù hợp là FEM. Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi đơn vị với các biến giải thích qua đó kiểm sốt và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Mơ hình REM cũng phát phát triển từ mơ hình Pooled OLS khi có thêm sự kiểm soát từng đặc điểm khác nhau giữa các đơn vị. Tuy nhiên, điểm khác biệt giữa mơ hình REM và FEM được thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tương quan đến biến độc lập trong mơ hình FEM thì trong
mơ hình REM sự biến động giữa các đơn vị (𝐯𝐢) được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích.
Để xem xét mơ hình FEM hay REM phù hợp hơn, sử dụng kiểm định Hausman để xem xét có tồn tại sự tương quan giữa (𝐯𝐢) và các biến độc lập hay không với giả thuyết Ho: (𝐯𝐢) và biến độc lập không tương quan. Nếu giá trị p-value < 0.05 thì bác bỏ Ho, khi đó (𝐯𝐢) và biến độc lập tương quan với nhau, mơ hình phù hợp là FEM. Ngược lại, mơ hình REM phù hợp để nghiên cứu.
Tuy nhiên, các phương pháp ước lượng trên chỉ đúng nếu như biến độc lập trong mơ hình khơng chứa độ trễ của biến phụ thuộc, có nghĩa là khơng chứa Yi,t−h (h là độ trễ của Y). Lúc này Yt-h là biến nội sinh (endogeous), có nghĩa là Yt-h sẽ tương quan với sai số. Ngoài ra, sự hiện diện của biến số này sẽ làm tăng sự tự tương quan của sai số (Arellano và Bond, 1991; Mileva, 2007). Để xử lý các vấn đề này, phương pháp ước lượng Generalized Method of Moments (GMM) được xem là phương pháp ước lượng hồi quy cho kết quả vững và hiệu quả.
3.4.1. Phương pháp Generalized Method of Moments
GMM được Lars Peter Hansen trình bày lần đầu tiên vào năm 1982 trong bài viết “Large Sample Properties of Generalized Methods of Moments Estimators” dựa trên phương pháp ước lượng Method of Moments (MM). Ước lượng MM chỉ cho ra kết quả vững, chưa xét đến tính hiệu quả của mơ hình. Do đó, Hansen đã phát triển từ phương pháp MM, để cho ra một một mơ hình vừa vững và hiệu quả, khắc phục được các vi phạm giả thiết của mơ hình là phương sai thay đổi, tự tương quan và biến số nội sinh. Một cách tổng quan, GMM là phương pháp tổng quát của rất nhiều phương pháp ước lượng phổ biến như OLS, GLS… Ngay cả trong điều kiện giả thiết của mơ hình bị vi phạm, phương pháp GMM cho ra các hệ số ước lượng vững, không chệch, phân phối chuẩn và hiệu quả. Sau đó, hai phương pháp Difference GMM (DGMM) và System GMM (SGMM) đã được phát triển bởi Arellano và Bond (1991); Arellano và Bover (1995); Blundell and Bond (1998) và ngày càng được sử dụng phổ biến trong các nghiên cứu (Roodman, 2009).
Arellano và Bond (1991) xây dựng phương pháp DGMM bằng cách chuyển đổi các biến hồi quy để loại bỏ tác động cố định, sử dụng sai phân bậc nhất để chuyển hóa phương trình (3.2) thành:
∆𝐘𝐢𝐭 = 𝛃𝟐∆𝐗𝟐𝐢𝐭+ 𝛃𝟑∆𝐗𝟑𝐢𝐭+ ⋯ + 𝛃𝐧∆𝐗𝐧𝐢𝐭+ ∆𝐮𝐢,𝐭 (3.3)
Bằng cách biến đổi hồi quy ở sai phân bậc nhất, tác động cố định đặc thù sẽ bị loại trừ bởi vì nó có đặc tính khơng thay đổi theo thời gian.
∆𝐮𝐢,𝐭 = 𝐮𝐢,𝐭− 𝐮𝐢,𝐭−𝟏 = (𝐯𝐢 + 𝐞𝐢,𝐭) − (𝐯𝐢+ 𝐞𝐢,𝐭−𝟏) = (𝐯𝐢 − 𝐯𝐢) + (𝐞𝐢,𝐭 − 𝐞𝐢,𝐭−𝟏) = ∆𝐞𝐢,𝐭
Như vậy, phương pháp GMM xử lý hiện tượng tự tương quan bằng cách sử dụng phân tích khác biệt (diffence) và kết hợp với các biến công cụ (instrument) phù hợp để xử lý biến số bị nội sinh. Theo đó, để ước lượng GMM hiệu quả, biến cơng cụ phải thỏa mãn hai điều kiện đó là, tương quan với biến nội sinh và không tương quan với phần dư. Theo Judson và các tác giả (1996), nếu các biến được dự đoán là nội sinh (tương đương với ngoại sinh khơng nghiêm ngặt) thì xếp vào nhóm biến được cơng cụ theo tiếp cận GMM; và khi đó chỉ có giá trị trễ của các biến này mới là cơng cụ thích hợp. Cịn nếu như các biến giải thích được xác định là ngoại sinh nghiêm ngặt cũng như các biến công cụ được thêm vào (nếu có) thì xếp vào nhóm biến cơng cụ. Các biến ngoại sinh nghiêm ngặt thì giá trị hiện tại và giá trị trễ của chúng đều là các cơng cụ thích hợp.
Sau đó, Arellano và Bover (1995), Blundell và Bond (1998) đã phát triển phương pháp DGMM bằng cách đưa thêm giả thuyết rằng điểm khác biệt đầu tiên của các biến công cụ là không tương quan với hiệu ứng tác động cố định. Điều này cho phép sự ra đời của các cơng cụ nhiều hơn và có thể cải thiện đáng kể hiệu quả ước lượng. Nó xây dựng một hệ thống gồm hai phương trình: phương trình ban đầu và phương trình chuyển đổi, do đó được gọi là phương pháp hệ thống GMM. Như vậy, phương pháp SGMM thay biến Yi,t−1 và các biến nội sinh khác bằng biến không tương quan với các tác động cố định được gọi là biến công cụ. Phương pháp SGMM có ưu điểm hơn trong việc lựa chọn biến cơng cụ, việc có nhiều lựa chọn và
số lượng nhiều hơn các biến công cụ được đưa vào giúp việc ước lượng trở nên dễ dàng hơn.
Quay trở lại mơ hình nghiên cứu đề xuất (3.1), việc sử dụng biến trễ của biến phụ thuộc như một biến độc lập trong mơ hình nên nghiên cứu tiến hành ước lượng hồi quy dữ liệu bảng động (Dynamic Panel Data). Dựa trên lý thuyết và dữ liệu thực tế, mơ hình nghiên cứu đề xuất có thể tồn tại một số đặc điểm và khuyết tật làm cho quá trình ước lượng thiếu hiệu quả, thậm chí không đáng tin cậy nếu khơng được khắc phục, đó là:
Vấn đề 1: Việc sử dụng biến trễ của biến phụ thuộc Yi,t−1 như một biến độc lập trong mơ hình có thể xảy ra hiện tượng tự tương quan và có biến nội sinh trong mơ hình.
Vấn đề 2: Tác động cố định hàm chứa sai số trong phương trình (3.1) bao gồm tính đặc thù của các biến khơng quan sát được (𝐯𝐢) và sai số đặc thù quan sát được (𝐞𝐢,𝐭): 𝐮𝐢,𝐭 = 𝐯𝐢 + 𝐞𝐢,𝐭. Điều này có nghĩa, tồn tại một số đặc trưng của ngân hàng không thay đổi theo thời gian có tác động đến lợi nhuận khó được xác định hoặc đo lường trong phương trình (được gọi là tính khơng đồng nhất không quan sát được). Nếu tác động của những đặc trưng này khơng được tính đến, có thể xảy ra tương quan giữa sai số và các biến giải thích trong mơ hình.
Từ những ưu điểm chính của SGMM so với DGMM cũng như việc phù hợp với mơ hình nghiên cứu, tác giả quyết định sử dụng phương pháp SGMM để tìm ra các hệ số trong mơ hình hổi quy với ước lượng hiệu quả và chính xác hơn. Theo nghiên cứu này, biến trễ của lợi nhuận Yi,t−1 là biến nội sinh, các biến độc lập còn lại là biến ngoại sinh. Như vậy, biến được công cụ là Yi,t−1, các biến công cụ được sử dụng là Yi,t−2, LAi,t−1, LDR và GDP; đây là các biến có tương quan đến biến nội sinh Yi,t−1 và không tương quan đến phần sai số. Nghiên cứu sử dụng phần mềm Stata phiên bản 14 để hồi quy dữ liệu bảng động với câu lệnh xtabond2 kế thừa từ nghiên cứu của Roodman (2009).
3.4.2. Kiểm định sự phù hợp của mơ hình
Phương pháp GMM đòi hỏi việc sử dụng biến công cụ (instrumental variable) phải phù hợp. Kiểm định Sargan (hoặc kiểm định Hansen) là kiểm định chi bình phương về tính phù hợp của biến cơng cụ. Đây là kiểm định giới hạn về nội sinh (over-identifying restrictions) của mơ hình với giả thuyết H0: Biến cơng cụ là ngoại sinh, nghĩa là không tương quan với sai số trong mơ hình. Do đó, giá trị p-
value của thống kê Sargan/Hansen phải lớn hơn 0.1. Ngoài ra, khi thực hiện hồi quy vững nhằm khắc phục hiện tượng phương sai không đồng nhất, việc đưa quá nhiều biến cơng cụ vào mơ hình có thể làm cho kiểm định Sargan/Hansen trở nên thiếu tin cậy. Theo Roodman (2009), để kiểm định Sargan khơng bị yếu thì số lượng biến công cụ phải nhỏ hơn hoặc bằng số nhóm quan sát.
3.4.3. Kiểm định tự tương quan
Để kiểm định sự tự tương quan của mơ hình động, nghiên cứu sử dụng kiểm định Arellano – Bond được đề xuất bởi Arellano – Bond (1991) để kiểm tra tính chất tự tương quan của phương sai sai số mơ hình GMM ở dạng sai phân bậc 1 với
giả thuyết H0: khơng có sự tự tương quan. Do đó, giá trị p-value cần phải lớn hơn
0.1. Đối với kiểm định AR(1) trong sai phân bậc 1, chuỗi sai phân khảo sát mặc nhiên có tương quan bậc 1 bởi vì ∆𝐞𝐢,𝐭= 𝐞𝐢,𝐭 − 𝐞𝐢,𝐭−𝟏 và ∆𝐞𝐢,𝐭−𝟏 = 𝐞𝐢,𝐭−𝟏− 𝐞𝐢,𝐭−𝟐, cả hai đều có 𝐞𝐢,𝐭−𝟏, do đó thường bác bỏ giả thuyết Ho. Chính vì vậy, kết quả kiểm định AR(2) (kiểm định tương quan chuỗi bậc 2) được xem xét vì nó kiểm định tự tương quan ở các cấp độ.
Kết luận Chương 3
Chương 3 đã trình bày chi tiết các vấn đề liên quan đến mơ hình nghiên cứu dữ liệu bảng động và đặt ra các giả thuyết nghiên cứu. Đồng thời, các biến được sử dụng trong mơ hình cũng được định nghĩa, mơ tả rõ ràng; phương pháp nghiên cứu SGMM được trình bày với các bước thực hiện cụ thể cùng các kiểm định liên quan gồm kiểm định Sargan và kiểm định tự tương quan. Chương 4 tiếp theo sẽ trình bày cụ thể về kết quả nghiên cứu bao gồm thống kê mơ tả, phân tích hồi quy và thảo luận kết quả đạt được.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU
Chương 4 tập trung trình bày chi tiết và thảo luận các kết quả đạt được của luận văn theo trình tự phân tích thống kê mơ tả, phân tích ma trận tương quan, phân tích hồi quy và thảo luận kết quả nghiên cứu.
4.1. Phân tích thống kê mơ tả
Bảng 4.1 mơ tả thống kê tóm tắt các biến được sử dụng trong nghiên cứu. Đơn vị tính là tỷ lệ phần trăm (%).
Kết quả cho thấy tỷ suất sinh lời ROA và ROE có sự phân bổ khá dài, lần lượt từ -5.993% đến 7.936% và từ -56.326% đến 31.526%, cho thấy sự khác biệt khá lớn trong hiệu quả hoạt động kinh doanh của các ngân hàng. Đáng chú ý, giá trị nhỏ nhất của ROE và ROA âm là do kết quả hoạt động kinh doanh của ngân hàng TPB năm 2011. Ngân hàng TPB đi vào hoạt động vào năm 2008, tuy nhiên sau bốn năm hoạt động TPB đã sớm bộc lộ những yếu kém trong hoạt động và không thể cạnh tranh được trên thị trường. Năm 2011, mức nợ xấu của TPB tăng cao, bộ máy hoạt động kém hiệu quả, gặp khó khăn về thanh khoản, lãi giảm dần theo thời gian và âm qua các quý, có nguy cơ mất vốn điều lệ dưới quy định, Tổng giám đốc cũ vướng vào pháp lý,… đã khiến ngân hàng TPB rơi vào khủng hoảng nghiêm trọng vào năm 2011.
Bên cạnh đó, tỷ lệ tài sản thanh khoản LA cũng có sự chênh lệch khá lớn giữa các ngân hàng, thấp nhất là 5.602% của ngân hàng STB năm 2015 và cao nhất là 56.4% của ngân hàng TPB năm 2008. Năm 2015 đánh dấu bước ngoặc của STB khi ngân hàng PNB sáp nhập vào STB. Kết quả hoạt động kinh doanh yếu kém của PNB đã ảnh hưởng lớn đến thanh khoản của STB sau khi tiến hành sáp nhập. Đây chính là nguyên nhân dẫn đến việc ngân hàng STB có tỷ lệ tài sản thanh khoản năm 2015 ở mức thấp nhất trong giai đoạn nghiên cứu.
Ngoài ra, trong giai đoạn nghiên cứu, tỷ lệ cho vay trên tổng tiền gửi và huy động ngắn hạn có sự chênh lệch lớn, thấp nhất là 18.519% của ngân hàng TPB năm 2011 và cao nhất là 106.415% của ngân hàng EAB năm 2010. Điều này cho thấy,
trong khi một số ngân hàng chưa tận dụng hết nguồn vốn để đem lại hiệu quả sử dụng vốn, gia tăng lợi nhuận thì một số ngân hàng lại cho vay quá mức, điều này gây ảnh hưởng đến tình hình thanh khoản của các ngân hàng. Việc duy trì tỷ lệ LDR ở mức cao cũng là một trong những nguyên nhân ảnh hưởng đến thanh khoản của EAB, cùng với việc không đảm bảo chất lượng của các khoản cho vay dẫn đến việc lợi nhuận sụt giảm nghiêm trọng, EAB rơi vào diện bị kiểm soát đặc biệt1 của NHNN vào năm 2015.
Kết quả thống kê mô tả cũng cho thấy tốc độ tăng trưởng GDP của Việt Nam trong giai đoạn nghiên cứu khơng có sự chênh lệch q lớn, thấp nhất là 5.25% vào năm 2012 và cao nhất là 6.78% vào năm 2010.