PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Mơ hình nghiên cứu
Bernanke và Blinder (1992) cho rằng dữ liệu chuỗi thời gian vĩ mơ thì khơng hữu ích trong việc xác định kênh cho vay ngân hàng – một phân kênh của kênh tín dụng. Dữ liệu tổng hợp khơng cho phép chúng tôi phân biệt giữa các yếu tố cung và cầu tác động đến hoạt động cho vay của các ngân hàng. Ngược lại, dữ liệu phân tách của các ngân hàng có thể nắm bắt được một cách hiệu quả các tác động phân phối của chính sách tiền tệ qua kênh cho vay ngân hàng.
Hai phương pháp thường được sử dụng trong các nghiên cứu thực nghiệm để kiểm tra sự tồn tại của kênh cho vay bằng dữ liệu phân tách của các ngân hàng. Một là phân chia các ngân hàng theo quy mơ, vốn hóa, và thanh khoản (ví dụ như Kashyap và Stein, 1995, 2000; Kishan và Opiela, 2000, 2006; Altunbas và cộng sự, 2002). Cách tiếp cận này đòi hỏi một số lượng ngân hàng lớn, điều này khơng có vấn đề đối với Mỹ. Nhưng số lượng ngân hàng ở Việt Nam thì tương đối nhỏ, vì vậy cách tiếp cận này là không khả thi. Một phương pháp thay thế khác là sử dụng mơ hình bảng, cho phép phản ứng của tín dụng ngân hàng đối với những thay đổi trong chính sách tiền tệ trở nên phụ thuộc vào các đặc điểm ngân hàng (theo Ehrmann và cộng sự, 2003; Matousek và Sarantis, 2009). Cách tiếp cận này giúp tránh được vấn đề liên quan đến số lượng ngân hàng như đã nêu ở trên, và nó được sử dụng trong bài nghiên cứu của chúng tôi.
Matousek và Sarantis (2009) đã phát triển mơ hình thị trường tín dụng được rút ra từ Bernanke và Blinder (1988). Bằng chứng về kênh cho vay ngân hàng được thu thập bằng cách ước lượng một hàm số tín dụng ngân hàng khơng chỉ tính đến chỉ số chính sách tiền tệ và các biến số kinh tế vĩ mơ, mà cịn tính đến các đặc điểm đặc trưng ngân hàng, thể hiện phản ứng của tín dụng ngân hàng đối với chính sách tiền tệ một cách trực tiếp (thơng qua kênh lãi suất truyền thống, hay cịn gọi là kênh tiền tệ) và đối với các đặc điểm ngân hàng (kênh cho vay). Tương tự Matousek và Sarantis
(2009), sau khi tính đến những thay đổi trong ngắn hạn, mơ hình ước lượng trong bài nghiên cứu của chúng tơi được chi tiết hóa bởi phương trình sau:
trong đó i = 1,…,N, N là số lượng ngân hàng, t = 1,…,T, T là thời gian nghiên cứu, và j = 0,…,k, thể hiện số độ trễ. Loansi,t là tín dụng của ngân hàng i trong năm t. ∆Ratet – j là sai phân bậc nhất của lãi suất ngắn hạn danh nghĩa, được sử dụng như một chỉ số của tình hình chính sách tiền tệ. ∆GDPt – j và ∆CPIt – j lần lượt là tỷ lệ tăng trưởng GDP và tỷ lệ lạm phát, đại diện cho nhu cầu về tín dụng. Các đặc điểm đặc trưng ngân hàng được đo lường bởi vector Zi,t – 1. Cuối cùng, chúng tơi tính đến các tác động cố định qua các ngân hàng, được đo lường bởi hệ số chặn αi.
Khi nghiên cứu về kênh cho vay ngân hàng ở các quốc gia khu vực Trung Âu và Đông Âu, Matousek và Sarantis (2009) đã đưa vào mơ hình một biến giả hình thức sở hữu (Own) để xác định các tác động khác nhau của ngân hàng nước ngoài và ngân hàng trong nước đến tăng trưởng tín dụng ngân hàng tổng thể. Tuy nhiên, hoạt động của các ngân hàng nước ngồi tại Việt Nam hiện nay vẫn cịn nhiều hạn chế, số liệu về các ngân hàng nước ngồi cũng khơng được cơng bố rộng rãi. Do đó, chúng tơi sẽ khơng đưa biến giả này vào mơ hình khi nghiên cứu về kênh cho vay ngân hàng tại Việt Nam.
Nhiều nhà nghiên cứu đã gợi ý vài đặc điểm ngân hàng để xác định các ngân hàng khác nhau nhạy cảm như thế nào đối với những thay đổi trong chính sách tiền tệ. Theo Matousek và Sarantis (2009), chúng tôi sử dụng ba đặc điểm ngân hàng là quy mô (Size), thanh khoản (Liq), và vốn hóa (Cap) để kiểm tra sự tồn tại của các tác động phân phối của chính sách tiền tệ giữa các ngân hàng tại Việt Nam, cách đo lường các biến này được thực hiện tương tự như Ehrmann và cộng sự (2003) và Gambacorta (2005):
trong đó:
Sizei,t đại diện cho quy mơ của ngân hàng i trong thời kỳ t; Liqi,t đại diện cho thanh khoản của ngân hàng i trong thời kỳ t; Capi,t đại diện cho vốn hóa của ngân hàng i trong thời kỳ t; Nt là số lượng ngân hàng trong thời kỳ t.
Ai,t là tổng tài sản của ngân hàng i trong thời kỳ t;
Li,t là tổng tài sản thanh khoản của ngân hàng i trong thời kỳ t. Ci,t là tổng vốn chủ sở hữu của ngân hàng i trong thời kỳ t.
Quy mô của từng ngân hàng được định nghĩa như là logarit tự nhiên của tổng tài sản, thanh khoản được đo lường bằng tỷ số của tài sản thanh khoản trên tổng tài sản, vốn hóa ngân hàng được đo lường bằng tỷ số của tổng vốn chủ sở hữu trên tổng tài sản. Cả ba đặc điểm ngân hàng này đều được chuẩn hóa đối với giá trị trung bình của chúng qua tất cả các ngân hàng trong mẫu nghiên cứu. Việc xây dựng cơng thức tính tốn cho các đặc điểm ngân hàng trong phương trình (3.3) và (3.4) đặt giá trị trung bình chung của thanh khoản và vốn hóa bằng khơng qua thời gian và qua các ngân hàng. Bằng cách này, những thay đổi theo thời gian của thanh khoản và vốn hóa trung bình khơng bị loại bỏ trong phân tích. Mặt khác, diễn giải về đặc điểm quy mô trong phương trình (3.2) khơng bao gồm sự tăng trưởng nhanh chóng của ngành ngân hàng, bằng cách đặt quy mơ trung bình của một ngân hàng là khơng cho từng thời kỳ. Để tránh việc có nhiều giá trị khác nhau của các biến đặc điểm ngân hàng cho một
thời kỳ nhất định, chỉ có một độ trễ của các biến đặc điểm đặc trưng ngân hàng được đưa vào mơ hình hồi quy.
Đặc điểm quan trọng nhất của mơ hình là bao gồm các đại lượng tương tác (interaction terms), đó là tích số của chỉ số chính sách tiền tệ và các đặc điểm đặc trưng ngân hàng. Như đã được thảo luận, đại lượng tương tác của các đặc điểm đặc trưng ngân hàng với lãi suất ngắn hạn sẽ nắm bắt các tác động phân phối của tình hình chính sách tiền tệ. Giả định rằng các ngân hàng có quy mơ nhỏ, thanh khoản kém, và vốn hóa thấp sẽ phản ứng mạnh hơn đối với những thay đổi trong chính sách tiền tệ so với các ngân hàng có quy mơ lớn, thanh khoản tốt, và vốn hóa cao. Do đó, chúng tơi kiểm định các giả thuyết liên quan về sự tồn tại của kênh cho vay ngân hàng bằng cách đưa ra bằng chứng:
- Thứ nhất, ∂2Loansi,t / ∂∆Ratet – j ∂Sizei,t – 1 > 0. Điều này hàm ý rằng hoạt động cho vay của các ngân hàng lớn thì ít nhạy cảm hơn đối với những thay đổi trong chính sách tiền tệ so với hoạt động cho vay của các ngân hàng nhỏ. Kashyap và Stein (1995, 2000) và Kishan và Opiela (2000) cho rằng các ngân hàng nhỏ thì dễ gặp phải vấn đề bất cân xứng thông tin hơn các ngân hàng lớn. Điều này sẽ làm cho các ngân hàng nhỏ nhạy cảm hơn đối với các cú sốc chính sách tiền tệ, vì khơng giống như các ngân hàng lớn có thể dễ dàng gia tăng các nguồn vốn phi tiền gửi để đối phó với các cú sốc tiền tệ.
- Thứ hai, ∂2Loansi,t / ∂∆Ratet – j ∂Liqi,t – 1 > 0. Điều này hàm ý rằng các ngân hàng có thanh khoản cao thì ít nhạy cảm hơn đối với những thay đổi trong chính sách tiền tệ so với các ngân hàng có thanh khoản thấp. Kashyap và Stein (2000) và Ehrmann và cộng sự (2003) cho rằng trước một cú sốc tiền tệ thắt chặt, các ngân hàng thanh khoản cao có thể bảo vệ danh mục tín dụng của họ bằng cách giảm tài sản thanh khoản, trong khi các ngân hàng thanh khoản thấp thì khơng thể làm điều tương tự.
- Cuối cùng, ∂2Loansi,t / ∂∆Ratet – j ∂Capi,t – 1 > 0. Điều này hàm ý rằng các ngân hàng vốn hóa cao thì ít nhạy cảm hơn đối với những thay đổi trong chính sách tiền tệ so với các ngân hàng vốn hóa thấp. Peek và Rosengren (1995) và Kishan
và Opiela (2000, 2006) lập luận rằng các ngân hàng có nguồn vốn yếu kém sẽ giảm mức cung tín dụng của họ nhiều hơn so với các ngân hàng có nguồn vốn tốt sau một sự thắt chặt tiền tệ, do khả năng hạn chế của họ trong việc tiếp cận với các nguồn vốn phi tiền gửi.
Về các biến kinh tế vĩ mô, tương tự như Matousek và Sarantis (2009), chúng tôi sử dụng lãi suất điều hành ngắn hạn để đại diện cho chỉ số chính sách tiền tệ, và những thay đổi giá cả (những thay đổi trong CPI) và tăng trưởng GDP thực để giải thích cho tác động của mơi trường kinh tế vĩ mơ đến nhu cầu tín dụng.
Bảng 3.1. Các biến trong mơ hình và mối tương quan mong đợi
Biến Kỳ vọng
về dấu Giải thích
∆ln(loans)i,t – 1 +
Tăng trưởng tín dụng năm trước tạo quán tính làm tăng trưởng tín dụng năm sau (Altunbas và cộng sự, 2009)
∆GDPt – j +
Kinh tế tăng trưởng sẽ làm tăng nhu cầu tín dụng, dẫn đến cung tín dụng gia tăng (Kashyap và cộng sự, 1993)
∆CPIt – j + Giá cả gia tăng sẽ làm tăng nhu cầu tín dụng, dẫn đến cung tín dụng gia tăng (Benkovskis, 2008)
∆Ratet – j - Lãi suất tăng sẽ hạn chế tăng trưởng tín dụng (Bernanke và Gertler, 1995)
Sizei,t – 1 +/-
Ngân hàng thương mại có quy mơ càng lớn, có thể tăng trưởng tín dụng cao hơn hoặc thấp hơn (Kashyap và Stein, 1995)
Liqi,t – 1 + Thanh khoản ngân hàng năm trước càng lớn, sẽ giúp mở rộng tín dụng năm sau (Stein, 1998)
Capi,t – 1 + Vốn hóa ngân hàng năm trước càng lớn, sẽ giúp mở rộng tín dụng năm sau (Van den Heuvel, 2002)
Sizei,t – 1∆Ratet – j +
Các ngân hàng có quy mơ càng nhỏ thì càng nhạy cảm đối với những thay đổi trong chính sách tiền tệ (Kashyap và Stein, 2000)
Liqi,t – 1∆Ratet – j +
Các ngân hàng càng kém thanh khoản thì càng nhạy cảm đối với những thay đổi trong chính sách tiền tệ (Ehrmann và cộng sự, 2003)
Capi,t – 1∆Ratet – j +
Các ngân hàng có vốn hóa càng thấp thì càng nhạy cảm đối với những thay đổi trong chính sách tiền tệ (Kishan và Opiela, 2006)
Nguồn: Tổng hợp từ các nghiên cứu trước đây
3.2. Phương pháp nghiên cứu
Mơ hình (3.1) được sử dụng trong bài nghiên cứu là một mơ hình bảng động (Dynamic Panel Model). Do tính động của mơ hình, nếu ước lượng mơ hình bằng các phương pháp OLS, FEM hay REM, thì dù thừa nhận hay không thừa nhận mối tương quan giữa tác động riêng biệt αi (của từng ngân hàng, không đổi theo thời gian) và biến độc lập, thì kết quả ước lượng vẫn bị chệch và khơng vững vì ở mơ hình (3.1) cịn xuất hiện thêm mối tương quan giữa sai số εi,t và biến trễ của biến phụ thuộc Δln(loans)i,t – 1 (được sử dụng như biến độc lập) chưa được xử lý, gây thêm vấn đề nội sinh cho mơ hình (Nickell, 1981).
Nhằm khắc phục các tồn tại này, Arellano và Bond (1991) đề nghị giải pháp dùng mơ hình GMM sai phân (Difference Generalized Method of Moments – DGMM), tức là ước lượng mơ hình (3.1) dưới dạng sai phân bậc nhất và sử dụng độ trễ của biến phụ thuộc và của các biến độc lập bị nội sinh như các biến công cụ (instrumental variables). Bằng sự chuyển hóa các biến hồi quy sang sai phân bậc nhất thì tác động riêng biệt αi đã bị loại, đồng thời việc sử dụng các độ trễ của biến phụ
thuộc và của các biến độc lập bị nội sinh như các biến công cụ cho phép tạo ra những điều kiện trực giao (orthogonal conditions) giữa sai số εi,t và các biến giải thích (bao gồm cả biến trễ của biến phụ thuộc Δln(loans)i,t – 1), tức loại bỏ được sự tương quan giữa chúng nhằm giải quyết vấn đề nội sinh tiềm ẩn.
Tuy nhiên, Blundell và Bond (1998) cho rằng khi biến phụ thuộc có mối tương quan cao giữa giá trị hiện tại và giá trị ở thời kỳ trước đó, và số thời kỳ là khơng q dài, thì mơ hình GMM (1991) là khơng hiệu quả, các biến cơng cụ sử dụng được đánh giá là không đủ mạnh. Blundell và Bond (1998) đã mở rộng mơ hình GMM (1991) với việc xem xét đồng thời hệ thống hai mơ hình – mơ hình cơ bản (Level Equation) và mơ hình sai phân (First – Difference Equation) – gọi chung là mơ hình GMM hệ thống (System Generalized Method of Moments – SGMM). Đối với mơ hình cơ bản, sẽ sử dụng biến công cụ là các biến trễ của sai phân bậc nhất các biến giải thích, đối với mơ hình sai phân, sẽ sử dụng biến cơng cụ là các biến trễ của các biến giải thích (biến giải thích bao gồm cả biến trễ của biến phụ thuộc Δln(loans)i,t – 1).
Ngoài vấn đề nội sinh được gây ra bởi biến trễ của biến phụ thuộc ở vế bên phải của phương trình (3.1), cịn có một vấn đề nội sinh khác xuất hiện, vì tín dụng ngân hàng có thể bị tương quan mạnh với các khoản mục khác trong bảng cân đối và do đó cũng bị tương quan mạnh với các đặc điểm đặc trưng ngân hàng (Benkovskis, 2008). Trong khi đó, chúng tơi giả định rằng chỉ số chính sách tiền tệ, tăng trưởng sản lượng, và tăng trưởng giá cả độc lập với tăng trưởng tín dụng ngân hàng riêng lẻ. Trong thực tế, tăng trưởng tín dụng của các ngân hàng lớn nhất vẫn có thể có một số ảnh hưởng đến các biến kinh tế vĩ mô trong nước. Tuy nhiên, việc giả định các biến kinh tế vĩ mô trong nước như là các biến ngoại sinh ngặt (strictly exogenous) không làm thay đổi đáng kể đến các kết quả nghiên cứu (Benkovskis, 2008).
Để giải thích tính chất tự hồi quy và khắc phục hiện tượng nội sinh của mơ hình (3.1), bao gồm sự nội sinh của biến trễ biến phụ thuộc và sự nội sinh có thể tồn tại của các biến đặc điểm đặc trưng ngân hàng, phương pháp GMM hệ thống (SGMM, 1998) được sử dụng trong bài nghiên cứu của chúng tôi. Bên cạnh việc xử lý tốt vấn đề nội sinh bằng các biến cơng cụ, phương pháp SGMM cịn phù hợp với các dữ liệu
bảng với chuỗi thời gian T ngắn và số lượng doanh nghiệp N nhiều. Trong bài nghiên cứu này, chúng tôi sử dụng dữ liệu bảng với thời gian ngắn chỉ 10 năm nhưng số lượng ngân hàng tương đối nhiều. Do đó, việc sử dụng phương pháp SGMM cũng phù hợp với nghiên cứu của chúng tôi về mặt dữ liệu.
Một vấn đề quan trọng khác đó là lựa chọn giữa ước lượng SGMM 1 bước và 2 bước. Sự khác biệt giữa hai ước lượng này cốt ở đặc trưng của một ma trận trọng số riêng lẻ, ước lượng 2 bước sử dụng phần dư của ước lượng 1 bước nên đạt hiệu quả cao hơn. Tuy nhiên, Benkovskis (2008) khuyến nghị rằng sai số chuẩn của ước lượng 2 bước có xu hướng bị chệch xuống trong các mẫu nhỏ, do đó, các kết quả của ước lượng 1 bước sẽ được sử dụng trong bài nghiên cứu của chúng tôi.
Các ước lượng trong bài nghiên cứu được thực hiện bằng phần mềm Stata 12, sử dụng lệnh xtabond2 được giới thiệu bởi Roodman (2009) với tùy chọn robust. Tùy chọn robust được sử dụng khi phần dư của mơ hình có phương sai thay đổi. Thông thường các phần dư trong GMM sẽ tồn tại vấn đề HAC (phương sai phần dư thay đổi và tự tương quan) nên sử dụng robust là phù hợp. Tùy chọn robust sẽ ước lượng với giá trị thực của ma trận hiệp phương sai của các tham số. Các sai số thực của hệ số ước lượng sẽ được tính tốn, theo đó, gia tăng tính tin cậy của hệ số ước lượng.
Mơ hình SGMM (1998) chỉ được xem là phù hợp khi thỏa hai điều kiện. Thứ nhất, tồn tại các hạn chế về giới hạn xác định quá mức (overidentifying restrictions), tức nhằm xác định tính phù hợp của các biến cơng cụ, kiểm định sự không tồn tại mối tương quan giữa các biến công cụ và sai số. Thứ hai, không tồn tại hiện tượng tự tương quan bậc hai trong phần dư sai phân bậc nhất.
Để kiểm định tính phù hợp của SGMM, kiểm định Hansen (1982) về giới hạn xác định quá mức và kiểm định Arellano – Bond (1991) về hiện tượng tự tương quan được sử dụng. Đầu tiên, kiểm định Hansen (1982) về giới hạn xác định quá mức trong ước lượng SGMM là kiểm định chi bình phương về tính hợp lệ của biến cơng cụ.