NPL_TL GDPT_1 UNT RIRT ROAIT_1 LLR_TL _LOAN
NPL_TL 1.000000 -0.138156 -0.117301 0.002589 -0.266598 0.476197 -0.301672 GDPT_1 -0.138156 1.000000 0.050047 -0.384492 0.156132 -0.248313 0.179361 UNT -0.117301 0.050047 1.000000 -0.073689 0.175187 -0.173545 0.169931 RIRT 0.002589 -0.384492 -0.073689 1.000000 -0.313880 0.010440 0.086374 ROAIT_1 -0.266598 0.156132 0.175187 -0.313880 1.000000 -0.282501 0.305795 LLR_TL 0.476197 -0.248313 -0.173545 0.010440 -0.282501 1.000000 -0.307600 _LOAN -0.301672 0.179361 0.169931 0.086374 0.305795 -0.307600 1.000000
Nguồn: kết quả xử lý dữ liệu từ Eviews
Dựa vào bảng ma trận hệ số tương quan giữa các biến cho thấy các biến vĩ mơ GDP, UN, RIR có mối tương quan thấp và GDP, UN có biến động ngược chiều với NPL/TL, tức là một sự tăng lên của các biến vĩ mô sẽ tác động làm giảm nợ xấu nhưng với tỷ lệ thấp; RIR thì có biến động cùng chiều với NPL/TL.
Trong khi đó thì các biến thuộc đặc trưng riêng của ngân hàng thì có mối tương quan cao với NPL/TL: ROAi,t-1,∆LOAN biến động ngược chiều; LLR/TL thì có biến động cùng chiều với NPL/TL.
Có thể thấy rằng hầu hết các hệ số tương quan giữa các cặp biến độc lập đều khá nhỏ, và điều này cho thấy có rất ít mối bận tâm về hiện tượng đa cộng tuyến giữa các biến độc lập trong phần này. Điều này chứng minh cho thực tế là hiện tượng đa cộng tuyến không phải là vấn đề đối với đa cộng tuyến, nhưng để đảm bảo tin cậy thì sẽ được kiểm định phần sau.
2.2.5 Mơ hình hồi quy
Với cách tổ chức dữ liệu giữa các ngân hàng qua thời gian, phương pháp tiếp cận dữ liệu bảng sẽ được sử dụng cho bài nghiên cứu này. Mơ hình hồi quy cơ bản như sau:
Trong đó i thể hiện chiều ngân hàng và t cho biết chiều thời gian, là hệ số tự do, đến là hệ số hồi quy riêng. Hệ số này cho biết ảnh hưởng của từng biến độc lập lên giá trị của biến phụ thuộc. là sai số ngẫu nhiên.
Đối với mơ hình dữ liệu bảng này, có 2 phương pháp tiếp cận gồm phương pháp ảnh hưởng cố định FEM (Fixed Effects Model) và ảnh hưởng ngẫu nhiên REM (Radom Effects Model).
2.2.6 Các kiểm định và lựa chọn mô
2.2.6.1 Kiểm định đa cộng tuyến
Đối với trường dữ liệu bảng, vấn đề đa cộng tuyến mang tính chất “quy tắc ngón tay cái” (“rule of thumb”), nghĩa là việc chỉ dẫn liên quan đến vấn đề này hoàn toàn xuất phát từ kinh nghiệm thực hành hơn là nghiên cứu lý thuyết. Hiện tượng đa cộng tuyến là vấn đề khơng thể loại bỏ hồn tồn trong thống kê; sự đa cộng tuyến càng ở mức thấp thì càng tốt. Thực tế, Bảng 2.7 cũng thể hiện mức ý nghĩa thống kê đối với các hệ số tương quan giữa các biến. Hầu hết các hệ số đều có ý nghĩa thống kê khác 0, và giữa các cặp biến độc lập, hầu hết các hệ số này đều khá nhỏ, điều này cho thấy sự thiên lệch do hiện tượng đa cộng tuyến không đặt thành vấn đề ở đây.
2.2.6.2 Đánh giá mức độ phù hợp mơ hình bằng hệ số R2
Việc hồi quy đồng 2 mơ hình FEM và REM đặt ra vấn đề là ta phải so sánh 2 mơ hình này với nhau. Từ các kết quả hồi quy, căn cứ đầu tiên để tiên đoán mức độ phù hợp của mơ hình là hệ số xác định R2. Như ta đã biết, hệ số R2 dùng để đánh giá mức độ thích hợp của một mơ hình hồi quy, nghĩa là mơ hình hồi quy giải thích được bao nhiêu % sự thay đổi của biến phụ thuộc. Hệ số R2 càng gần 1 thì mơ hình hồi quy càng có ý nghĩa.
2.2.6.3 Kiểm định lựa chọn mơ hình: kiểm định Hausman
Trong phương pháp tiếp cận dữ liệu bảng, kiểm định Hausman được sử dụng để đánh giá tính phù hợp (consistent) và tính hiệu quả (efficient) giữa mơ hình FEM và mơ hình REM. Giả thiết Ho của kiểm định Hausman cho rằng cả hai mơ hình này đều phù hợp nhưng mơ hình REM hiệu quả cịn REM thì khơng. Giả thiết đối H1 (giả thiết lựa chọn) cho rằng mơ hình REM khơng thích hợp và mơ hình FEM là phù hợp.
Giả thiết kiểm địnhHo : là phù hợp nhưng không hiệu quả. là phù hợp và hiệu quả
Giả thiết kiểm định H1 : là phù hợp là không phù hợp
2.2.7 Các kết quả hồi quy dữ liệu các yếu tố ảnh hƣởng đến nợ xấu (NPL/TL)
Kết quả hồi quy sẽ kiểm định giả thuyết trên dựa vào hai phương pháp hồi quy dữ liệu bảng FEM và REM.
2.2.7.1 Kết quả hồi quy dữ liệu theo Fixed Effect Model Bảng 2.8: Kết quả hồi quy NPL/TL theo fixed effect model
2.2.7.2 Kết quả hồi quy dữ liệu theo Random Effect Model Bảng 2.9: Kết quả hồi quy NPL/TL theo Random Effect model
Phƣơng trình hồi quy theo từng phƣơng pháp nhƣ sau:
NPL/TL = 0.221708 + 0.090406 ∆GDPi,t-1 + 0.174041 UNt + 0.026988 RIRt + 0.085472 ROAi,t-1 + 0.757878 LLR/TLi,t - 0.003977 ∆Loani,t.+ €i,t
Với R2
= 58.73% (FEM)
NPL/TL = 0.799784 + 0.053757 ∆GDPi,t-1 + 0.107390 UNt + 0.011870 RIRt -0.039908 ROAi,t-1 + 0.710524 LLR/TLi,t - 0.003131 ∆Loani,t.+ €i,t
Với R2= 32.16%(REM)
Bảng 2.10: So sánh kết quả hồi quy NPL/TL theo FEM và REM (*** tương ứng mức ý nghĩa1%, ** ý nghĩa 5%, * ý nghĩa 10%) (*** tương ứng mức ý nghĩa1%, ** ý nghĩa 5%, * ý nghĩa 10%)
Biến FEM REM
C 0.221708 0.799784 GDPt-1 0.090406 0.053757 UNt 0.174041 0.107390 RITt 0.026988 0.011870 ROAi,t-1 0.085472 -0.039908 LLR/TLi,t 0.757878 *** 0.710524 *** ∆Loani,t - 0.003977 *** - 0.003131 *** R2= 58.73% R2= 32.16%(
Nguồn: kết quả xử lý dữ liệu từ Eviews
Bảng kết quả hồi quy NPL/TL cho thấy tác động của các biến vĩ mô và vi mô như sau :
GDP của năm trước có tác động rất thấp vào sự thay đổi của tỷ lệ nợ xấu, khi GDP tăng lên 1% thì làm cho nợ xấu tăng lên khoảng 9% ( dựa trên kết quả hồi quy FEM & REM). Cả hai hồi quy đều khơng có ý nghĩa thống kê.
UN cũng có tác động với tỷ lệ nợ xấu, khi tỷ lệ thất nghiệp năm t tăng lên 1% thì ảnh hưởng đến tỷ lệ nợ xấu năm đó khoảng 17% (đối với hồi quy FEM) và 11% (đối với hồi quy REM). Điều này cũng phù hợp với lý thuyết, vì khi tỷ lệ thất nghiệp tăng lên thì rủi ro ngân hàng thu hồi khoản cho vay càng cao, dẫn đến tỷ lệ nợ xấu gia tăng. Kết quả hồi quy cho dữ liệu này khơng có ý nghĩa thống kê.
RIR năm t lại tác động rất thấp đến tốc độ tăng trưởng nợ xấu tác động dương khi hồi quy FEM (chỉ tác động khoảng 2.7%) và khi hồi quy REM (tác động khoảng 1.2%). Kết quả hồi quy cho dữ liệu này khơng có ý nghĩa thống kê.
ROA năm t-1 đều tác động đến nợ xấu, khi hồi quy FEM tác động khoảng 8.5% và khi hồi quy REM có tác động ngược chiều đối với nợ xấu khoảng 4%, Kết quả hồi quy cho dữ liệu này khơng có ý nghĩa thống kê.
Tỷ lệ dự phịng LLR/TL tăng lên góp phần rất lớn thúc đẩy làm tăng tỷ lệ nợ xấu khi hệ số hồi quy là 75.8% khi hồi quy với FEM và 71.1% khi hồi quy với REM, điều này cũng phù hợp với lý thuyết, kết quả này cũng tương tự như kết quả của Hasan và Wall (2004). Cả hai hồi quy đều có ý nghĩa thống kê với mức 1%.
Tốc độ tăng trưởng khoản vay ∆Loan tác động tương đối thấp đến thay đổi tỷ lệ nợ xấu NPL/TL. Khi hồi quy với FEM và REM đều cho kết quả tương quan âm với tỷ lệ tương ứng là 0.40% và 0.31%. Cả hai hồi quy đều có ý nghĩa thống kê với mức 1%.
Như ta đã biết R2
dùng để đánh giá mức độ phù hợp của một mơ hình hồi quy. Ở đây ta thấy R2 theo hồi quy FEM (55.73%) cao hơn nhiều so với hồi quy REM (32.16%), tức là FEM giải thích kết quả mơ hình cao hơn REM. Tuy nhiên để kiểm tra mơ hình nào phù hợp ta thực hiện bước kiểm định sau.
2.2.7.3 Kiểm định Hausman test
Để lựa chọn mơ hình thích hợp giữa hồi quy theo FEM và REM thực hiện kiểm định Hausman test với giả thiết.
Ho: REM là mơ hình thích hợp hơn FEM.
Ngun tắc quyết định là nếu P-value của chi–sq thấp hơn mức tin cậy của nghiên cứu là 5% thì bác bỏ Ho.
Nếu p-value <0,05 : bác bỏ Ho , tức là FEM là mơ hình phù hợp hơn.
Bảng 2.11: Kết quả kiểm định Hausman Test
Correlated Random Effects - Hausman Test Equation: Untitled
Test cross-section random effects
Test Summary
Chi-Sq.
Statistic Chi-Sq. d.f. Prob. Cross-section random 0.000000 6 1.0000 * Cross-section test variance is invalid. Hausman statistic set to zero. Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob. GDPT_1 0.090406 0.053757 0.000352 0.0509 UNT 0.174041 0.107390 0.004032 0.2939 RIRT 0.026988 0.011870 0.000048 0.0290 ROAIT_1 0.085472 -0.039908 0.005681 0.0962 LLR_TL 0.757878 0.710524 0.005098 0.5072 _LOAN -0.003977 -0.003131 0.000000 0.0031
Cross-section random effects test equation: Dependent Variable: NPL_TL
Method: Panel Least Squares Date: 11/04/14 Time: 10:20 Sample: 2005 2013
Periods included: 9
Cross-sections included: 17
Total panel (balanced) observations: 153
Variable Coefficient Std. Error t-Statistic Prob. C 0.221708 1.528369 0.145062 0.8849 GDPT_1 0.090406 0.102979 0.877904 0.3816 UNT 0.174041 0.554293 0.313988 0.7540 RIRT 0.026988 0.028561 0.944921 0.3465 ROAIT_1 0.085472 0.166030 0.514796 0.6076 LLR_TL 0.757878 0.154685 4.899502 0.0000 _LOAN -0.003977 0.000849 -4.686181 0.0000 Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.557316 Mean dependent var 2.018084 Adjusted R-squared 0.482401 S.D. dependent var 1.243809 S.E. of regression 0.894851 Akaike info criterion 2.753430 Sum squared resid 104.0985 Schwarz criterion 3.208986 Log likelihood -187.6374 Hannan-Quinn criter. 2.938485 F-statistic 7.439250 Durbin-Watson stat 1.564224 Prob(F-statistic) 0.000000
Nguồn: Kết quả kiểm định dữ liệu từ Eviews
Kết quả Prob = 1> 0.05 nên chấp nhận giả thuyết Ho là REM là mơ hình phù hợp hơn FEM.
2.2.7.4 Kiểm tra hiện tượng tự tương quan trong mơ hình
Hệ số Durbin – Watson stat trong mơ hình hồi quy NPL/TL theo hiệu ứng REM bằng 1,564224 nằm trong khoảng giá trị từ 1 đến 3 nên có thể chấp nhận hiện tượng tương quan giữa các biến độc lập không xảy ra.
2.2.7.5 Giải thích ý nghĩa các hệ số hồi quy
NPL/TL = 0.799784 + 0.053757 ∆GDPi,t-1 + 0.107390 UNt + 0.011870 RIRt -0.039908 ROAi,t-1 + 0.710524 LLR/TLi,t - 0.003131 ∆Loani,t.+ €i,t
Với R2
= 32.16%(REM)
Biến ∆Loan có tác động ngược chiều với NPL/TL với mức ý nghĩa 1%, điều này cho thấy khi tốc độ tăng trưởng các khoản vay tăng lên sẽ giúp cải thiện được tỷ lệ nợ xấu, ngược với dấu kỳ vọng. RIR có tác động cùng chiều với nợ xấu nhưng khơng có ý nghĩa thống kê.
Các biến GDP và LLR/TL đều có tác động cùng chiều với NPL/TL, tức là tốc độ tăng trưởng của GDP và khoản dự phòng rủi ro khoản cho vay tăng lên sẽ làm tỷ lệ nợ xấu tăng lên. Khi khoản dự phòng rủi ro khoản cho vay ở mức độ lệch chuẩn là 0.753463 thì kết hợp với một sự giảm xuống là (0.753463 x 0.710524 = 0.5354) tức với mức giảm 0.75% của khoản dự phòng rủi ro khoản cho vay thì nợ xấu sẽ giảm 0.53%. Tuy nhiên GDP có tác động ngược với dấu kỳ vọng.
Hai biến cịn lại là UN có tác động cùng chiều với NPL/TL và ROA có tác động ngược chiều với NPL/TL nhưng đều khơng có ý nghĩa thống kê.
R2 = 32,16% là mức độ giải thích của mơ hình là 32,16% nghĩa là những thay đổi trong các biến trên chỉ giải thích được 32,16% sự thay đổi của nợ xấu.
2.2.8 Kiểm định hiện tƣợng đa cộng tuyến
Hệ số tương quan giữa các cặp biến trong mô hình đều khơng q lớn nên dự đốn sẽ khơng có hiện tượng đa cộng tuyến giữa các biến. Nhưng mơ hình hồi quy cho kết quả tác động một số biến có dấu ngược với dấu kỳ vọng nên chúng ta sẽ vẫn thực hiện kiểm định này.
Một trong những phương pháp được sử dụng để kiểm tra đa cộng tuyến giữa các biến độc lập là nhân tử phóng đại phương sai (VIF) cho mỗi biến độc lập. VIF có thể được tính thơng qua phương trình sau đây:
VIF= 1 / (1 – R2) (2.10) Sử dụng mơ hình hồi quy phụ để tính đa cộng tuyến
Bảng 2.12: Kết quả mơ hình hồi quy phụ để tính đa cộng tuyến
Với R2 = 0,236217
Nhân tử phóng đại phương sai: VIF = 1/( 1- 1/ ( 1- 0,2362172) = 1,05909 Vì VIF = 1,05909< 10 nên mơ hình khơng xảy ra hiện tượng đa cộng tuyến, tức là các biến giải thích khơng tương quan nhau, do đó mơ hình là phù hợp.
2.2.9 Giải thích kết quả mơ hình các yếu tố ảnh hƣởng đến nợ xấu của NHTM Việt Nam.
Bảng 2.13: Kết quả kiểm tra mơ hình
(Ghi chú:*** tương ứng mức ý nghĩa 1%, ** ý nghĩa 5%, * ý nghĩa 10%)
Biến Hệ số Giá trị p C 0.799784 0.5930 GDPt-1 0.053757 0.5963 UNt 0.107390 0.8456 RITt 0.011870 0.6690 ROAi,t-1 -0.039908 0.7877 LLR/TLi,t 0.710524 *** 0.0000 ∆Loani,t - 0.003131 *** 0.0001 R2= 32.16%(
Nguồn: kết quả xử lý dữ liệu từ Eviews
Tìm hiểu nguyên nhân nợ xấu gia tăng của hệ thống NHTM Việt Nam, tác giả chia thành 2 nhóm nguyên nhân: (1) nguyên nhân từ môi trường vĩ mô, (2) nguyên nhân từ phía ngân hàng. Mặc dù nợ xấu khơng chỉ phát sinh từ tình hình vĩ mơ bên ngồi và từ phía ngân hàng mà cịn phụ thuộc vào phía khách hàng. Tuy nhiên bài viết không xét đến nguyên nhân từ phía khách hàng do những hạn chế về số liệu thu thập. Với nhiều chỉ số vĩ mô và biến đặc trưng ngân hàng, tác giả chỉ lựa chọn một số biến để khảo sát tác động của chúng đến nợ xấu ngân hàng.
Kết quả kiểm định về các yếu tố dẫn đến nợ xấu của ngân hàng cho ta các kết quả như sau:
Nhóm biến vĩ mơ: Trong 3 biến vĩ mô được kiểm định là tăng trưởng của nền
kinh tế (GDP), tỷ lệ thất nghiệp (UN) và tỷ lệ lãi suất thực (RIR). Kết quả kiểm định cho thấy cả 3 biến tác động cùng chiều vớn nợ xấu nhưng cả 3 biến này đều khơng có ý nghĩa thống kê. Như vậy có thể thấy yếu tố vĩ mơ khơng có ảnh hưởng đến ngun nhân gây ra nợ xấu của các NHTM Việt Nam.
2.2.9.1 Biến tốc độ tăng trưởng của nền kinh tế: GDP (+)
Mối quan hệ đồng biến giữa tốc độ tăng trưởng của nền kinh tế giai đoại trước với tỷ lệ nợ xấu của ngân hàng trong giai đoạn này. Ngược lại với giả thuyết ban đầu đưa ra là mối quan hệ ngược chiều giữa GDP và nợ xấu. Kết quả này cũng tương đồng vơi kết quả nghiên cứu gần đây về “Mối quan hệ giữa GDP và nợ xấu: bằng chứng từ Nigeria giai đoạn 2005 – 2009 của Inekwe, Murumba (2013)
Nhìn vào (hình 2.6) giai đoạn 2005 – 2012 hầu hết GDP năm trước đều tác động cùng chiều đến nợ xấu của NHTM.
Hình 2.6: Ảnh hƣởng của GDP giai đoạn 2005 – 2012 lên nợ xấu
Nguồn: sách Triển vọng Kinh tế Việt Nam năm 2014 của Trần Hoàng Ngân và cộng sự. Và từ trang web WB. 3.2 3.0 2.0 3.5 2.2 2.6 3.4 4.1 7.54 7.55 6.98 7.13 5.66 5.40 6.42 6.24 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 2005 2006 2007 2008 2009 2010 2011 2012 Tỷ lệ nợ xấu (t)(%) Tốc độ tăng trưởng DGP(t-1) (%)
Đây là yếu tố gây ngạc nhiên khi cho thấy mối quan hệ cùng chiều với nợ xấu, ngược chiều với dấu kỳ vọng và trái với các nghiên cứu trước đây. Tuy nhiên vấn đề này vẫn có thể lý giải trong trường hợp Việt Nam, mối quan hệ này có thể xuất phát từ sự thiếu chuẩn xác trong hệ thống đánh giá cho vay của bên cho vay, dẫn đến không loại trừ việc cho vay đối với các dự án có lợi nhuận thấp hoặc thậm chí phi lợi nhuận của các công ty đang đối mặt với kiệt quệ tài chính.
Thực tế cho thấy tốc độ tăng trưởng GPD năm 2007 tăng lên so với 2006 cũng như năm 2010 tăng lên so với năm 2009 nhưng nợ xấu năm 2008 và 2010 vẫn tăng lên so với năm trước đó. Điều này có thể lập luận rằng sự cải thiện trong nền kinh tế thực là không đáng kể để dẫn đến việc giảm nợ xấu, cũng như việc sử dụng khoản vay không đúng mục đích của khách hàng hoặc khách hàng hoạt động trong môi trường