Kết Quả Mô Hình Hồi Quy Được Sử Dụng Để Dự Đoán Tỷ Lệ Nợ Xấu

VNI

1.19
DEXG	1.14
VND	1.09
LN_NPL	1.06
Mean VIF	1.23

Có thể bạn quan tâm!

Xem toàn bộ 185 trang tài liệu này.

Nguồn: Tác giả tổng hợp và tính toán bằng phần mềm STATA

4.1.6.4. Kiểm định Hausmann

Kết quả chạy kiểm định Hausman cho như sau:

Coefficients

(b) fixed	(B) random	(b-B) Difference	sqrt(diag(V_b-V_B)) S.E.
lnNPL
L1.	.8898857	.9100124	-.0201267	.0192997
gdp	10.15838	10.08211	.076272	.614901
dcpi
L2.	-.4544174	-.5650946	.1106773	.128732
dm2
L2.	.0818859	.0579034	.0239825	.0662808
dexg	.5468246	.564938	-.0181134	.033389
vni
L1.	.1518158	.1591898	-.007374	.0241783
vndq
L1.	-.4152373	-.4789843	.063747	.1805992
vamc	-.2018876	-.1856778	-.0162097	.0137936
q4d	.1028449	.1000329	.002812	.0064524
var38	-.360278	-.339413	-.020865	.0677397
var39	-1.37797	-1.378129	.0001585	.0566663

b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic chi2(9) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 2.32

Prob>chi2 = 0.9970

Kết quả p-value > 5%, nên giả thuyết Ho không được bác bỏ, sự khác biệt giữa các hệ số không có tính hệ thống. Vì vậy, phương pháp ước lượng ngẫu nhiên phù hợp với số liệu của mô hình. Kết quả này khác với kết quả Hausman test tại nghiên cứu của Lê Vân Chi và Hoàng Trung Lai (2014), khi phương pháp ước

lượng cố định được coi là mô hình phù hợp để đánh giá nhân tố tác động đến RRTD tại 13 NHTM Việt Nam trong giai đoạn 2007 đến 2013. Tuy nhiên, điều này có thể lý giải bởi sự khác biệt về các nhân tố độc lập được lựa chọn. Mô hình của Lê Vân Chi và Hoàng Trung Lai (2014) bao gồm 6/7 nhân tố là đặc trưng của ngân hàng như quy mô tổng tài sản, tỷ lệ an toàn vốn, tốc độ tăng tín dụng, tỷ lệ cho vay bất động sản

4.1.7. Kết quả mô hình

4.1.7.1. Mô hình đầy đủ

Phần này xem xét tác động của các nhân tố khác nhau đến tỷ lệ nợ xấu NHTM theo phương trình 1 (“Mô hình đầy đủ”). Bảng 4.10 báo cáo kết quả hồi quy đối với mẫu nghiên cứu sử dụng phương pháp ước lượng ngẫu nhiên REM. Kết quả gốc của mô hình được trình bày tại Phụ lục 2. Giá trị thống kê R2 cao, đạt 85,84%, xác nhận ý nghĩa thống kê và độ tin cậy của mô hình thực nghiệm. Số trong ngoặc là p-value của hệ số beta, *, ** và *** thể hiện mức ý nghĩa 1%, 5% và 10%, cụ thể:

Bảng 4.10: Kết quả mô hình hồi quy mô hình đầy đủ

Biến số

Hệ số
Constant	-0.2671 (0.142)
Lag1.Ln(NPL)	0.9100* (0.000)
GDP	10.0821*(0.001)
Lag2.DCPI	-0.5651(0.395)
Lag2.DM2	0.0579(0.900)
DEXG	0.5649*(0.008)
Lag1.VNI	0.1592(0.324)
Lag1.VND	-0.4790(0.665)
VAMC	-0.1857*(0.000)
Q4D	0.1000**(0.012)
BIDV	-0.3394(0.144)
SHB	-1.3781*(0.000)

Kiểm định Wald chi2(11)

1703.44*(0.000)
R-squared	85.84%

Nguồn: Tính toán của tác giả từ phần mềm thống kê STATA

Kết quả hồi quy phù hợp với mong đợi về dấu và có ý nghĩa thống kê p<0.1% đối với hai biến nợ xấu trễ 1 quý (Lag1.lnNPL) và tăng trưởng gdp; với ý nghĩa thống kê xấp xỉ 10% đối với ba biến tỷ giá VNĐ/USD, lạm phát và tăng trưởng xuất khẩu. Riêng biến độc lập chỉ số thị trường chứng khoán có dấu “+” phù hợp như mong đợi với so lnNPL, nhưng không có ý nghĩa thống kê tốt.

Về việc lựa chọn độ trễ, các nghiên cứu mà tác giả tham khảo đều có sử dụng độ trễ khá đa dạng, từ 1 đến 3. Điều này phản ánh sự tác động khác nhau của các biến vĩ mô tới chất lượng nợ xấu của ngân hàng, có những yếu tố có tác động tức thì, có những biến sẽ tác động chậm hơn tới khả năng trả nợ của doanh nghiệp đối với ngân hàng. Kết quả hồi quy mô hình cho thấy hệ số R-squared vẫn đạt mức cao (84,67%). Các hệ số đều có chiều dấu trong mô hình hợp lý và đều có ý nghĩa thống kê. Do vậy, mô hình này sẽ được sử dụng để dự đoán tỷ lệ nợ xấu của ngân hàng Vietinbank trong thời gian tới. Việc điều chỉnh các biến theo độ trễ nhằm tránh xảy ra hiện tượng thiếu biến và xảy ra hiện tượng biến độc lập tương quan với phần dư.

Thứ nhất, hệ số hồi quy của biến Lag1.lnNPL mang dấu dương (hệ số 0,904) với xác suất 0,0000 cho thấy tỷ lệ nợ xấu của quý trước luôn có tác động cùng chiều với tỷ lệ nợ xấu quý sau. Điều này phù hợp với diễn biến số liệu tỷ lệ nợ luôn có xu hướng tăng trong thời kỳ nghiên cứu 2009-2015, ngay cả đối với cả những NHTM lớn như BID, VCB và Vietinbank. Xét về cơ cấu nợ của toàn hệ thống, thì nợ nhóm 3 và nợ nhóm 5 tiếp tục gia tăng lần lượt là 51% và 22% trong năm 2015. Điều này đồng nghĩa, nợ xấu không tĩnh mà động với xu hướng từ nhóm 3 dịch chuyển ngày càng gần nhóm 5. Và ba vấn đề cần đặt ra là: (i) nợ nhóm 1 và nhóm 2 vẫn đang dịch chuyển rất nhanh qua nhóm 3; (ii) nợ nhóm 4 xu hướng giảm bởi chuyển dần sang nợ nhóm 5; (iii) các ngân hàng vẫn loay hoay trong giải quyết nợ xấu và chỉ tập trung hoạt động bán nợ tạm thời cho công ty VAMC.

Hiện tương ứ đọng nợ xấu trong hệ thống ngân hàng cũng diễn ra tại nhiều

nước khác trên thế giới. Ví dụ, nghiên cứu của Das và Gosh (2007) về các NHTM nhà nước của Ấn Độ trong giai đoạn 1994-2005 cũng tìm thấy kết quả dương của biến Lag1.lnNPL với hệ số 0,854 và xác suất 0,0033. Bimal Jalan, Thống đốc Ngân hàng Trung ương Ấn Độ (Jalan, B., 2001), giải thích bởi sự yếu kém trong quá trình thu nợ, tầm quan trọng hơn nữa của khâu thi hành án, vốn chỉ được coi là biện pháp xử lý cuối cùng đối với bên vay nợ xấu. Ngoài ra, để xử lý nợ xấu triệu để hơn, cần tạo lập một thị trường thứ cấp cho mua bán nợ xấu, công khai thông tin để các công ty mua bán nợ có thể tìm kiếm, đàm phán với các tổ chức tín dụng mua nợ.

Thứ hai, GDP có hệ số dương (10,325) và p-value 0,005 với lnNPL, phù hợp với kết quả tại các nghiên cứu nước ngoài như Salas và Saurina (2002), Jimenez và Saurina (2005), Fofack (2005) và các nghiên cứu trong nước như Trương Đông Lộc, Nguyễn Văn Thép (2015) tại các quỹ tín dụng Đồng Bằng Sông Cửu Long, Nguyễn Trâm (2014) cho các NHTM niêm yết. Trên thực tế, tăng trưởng GDP cao sẽ giúp làm giảm nợ xấu trong hệ thống ngân hàng. Ngược lại, mức tăng trưởng kinh tế thấp trong giai đoạn nghiên cứu làm suy yếu hệ thống ngân hàng và góp phần làm tăng RRTD. Suy thoái kinh tế thường đi trước tình trạng bất ổn trong hệ thống tài chính ngân hàng.Tại các nước có nền kinh tế chuyển đổi như Việt Nam, những vấn đề này có thể trầm trọng hơn do làm chậm lại quá trình tái cấu trúc các doanh nghiệp nhà nước.

Thứ ba, giả thuyết về tỷ lệ nợ xấu quý 4 thường thấp hơn các quý khác được chứng minh đối với các NHTM trong mẫu nghiên cứu với hệ số tương quan 0,174 và p-value = 0,001. Diễn biến này mang tính quy luật, khi nợ xấu thường tăng vào những tháng đầu năm và được xử lý tích cực vào cuối năm.

Thứ tư, giả thuyết tỷ lệ nợ xấu (sau khi cộng lại giá trị đã bán cho VAMC) tăng mỗi khi ngân hàng bán nợ cho VAMC được chứng minh với xác suất ý nghĩa thống kê p-value = 0,0000, hệ số -0,257.Mặc dù hệ số không lớn, nhưng kết quả này nói lên phần tích cực của VAMC là động lực để các NHTM phân loại đúng nhóm nợ xấu hơn, giảm bớt những hành vi tái cơ cấu khoản vay nhằm giữ nguyên nhóm

nợ tốt.

Thứ năm, mối quan hệ giữa chỉ số chứng khoán với độ trễ 1 quý và tỷ lệ nợ xấu ngân hàng thể hiện chiều dấu như mong đợi, nhưng với p-value không có ý nghĩa thống kê (0,174). Tương tự, gia tốc tăng trưởng tổng kim ngạch xuất khẩu cũng có tác dụng tốt, làm giảm tỷ lệ nợ xấu ngân hàng, nhưng với p-value = 0,18.

Những giả thuyết khác về tác động của biến động tỷ giá, tăng tổng phương tiện thanh toán M2 và CPI đối với RRTD ngân hàng không được chứng minh vì có p-value quá cao. Tuy nhiên, dấu của các hệ số này đều phù hợp với các lý thuyết kinh tế. Việc p-value cao có thể được giải thích bởi tác động quá lớn của tỷ lệ nợ xấu quý trước đối với NPL quý sau của các NHTM trong mẫu nghiên cứu. Điều này khá tương đồng với kết quả của Nguyễn Trâm (2014) khi các biến số Tỷ giá bình quân liên ngân hàng USD/VND, chỉ số giá tiêu dùng CPI cũng không có ý nghĩa thống kê khi đánh giá tác động tới tỷ lệ nợ xấu khi sử dụng dữ liệu quý về các NHTM niêm yết trong giai đoạn 2006-2013.

4.1.7.2. Mô hình rút gọn

∑

Mục tiêu cơ bản của Luận án nghiên cứu là khám phá khả năng tác động của các nhân tố kinh tế vĩ mô đối với RRTD NHTM, để từ đó lựa chọn một vài biến số cơ bản xây dựng giả định về kịch bản cú sốc kiểm định. Vì vậy, sau khi ra kết quả chạy hồi quy mô tại Bảng 4.10, bài nghiên cứu sẽ loại bỏ những biến có p-value lớn và rút gọn mô hình còn GDP, cũng như các biến độ trễ 1 quý của tỷ lệ nợ xấu, biến giả tác động của hiện tượng quý 4, biến giả VAMC và SHB. Mô hình rút gọn có dạng như sau và kết quả mô hình sẽ được trình bày tại Bảng 4.11. Kết quả gốc của mô hình được trình bày tại Phụ lục 3.

∑

2c4

6d 2c4

b 1c4

a 12

= e + f ∑6d

b 1c4

a 12g4

+ h4 ∑6d

2 +

2c4

h6 ∑

6d 2c4

ijk2+ l4∑6d

$ %& + l6∑6d

m4 + 812 (Phương trình 2)

Bảng 4.11: Kết quả mô hình hồi quy được sử dụng để dự đoán tỷ lệ nợ xấu

Hệ số
Constant	-0.0704(0.641)
Lag1.Ln(NPL)	0.9156*(0.000)
GDP	6.4297*(0.008)
VAMC	-0.1857*(0.000)
Q4D	0.0994**(0.011)
SHB	-1.3759*(0.000)
Kiểm định Wald chi2(11)	1727.54*(0.000)
R-squared	84,67%

Nguồn: Tính toán của tác giả từ phần mềm thống kê STATA

Kết quả hồi quy mô hình cho thấy hệ số R-squared vẫn đạt mức cao (84,67%). Các hệ số đều có chiều dấu trong mô hình hợp lý và đều có ý nghĩa thống kê. Mô hình dự đoán khá tốt tỷ lệ nợ xấu của các NHTM niêm yết, trong đó có Vietinbank (Hình 4.2). Để dự đoán tỷ lệ nợ xấu, ngoài biến tỷ lệ tăng trưởng GDP, biến giả VAMC nhận giá trị bằng 0 (vì bài nghiên cứu muốn nghiên cứu nợ xấu thực tế của Vietinbank trong trường hợp không bán nợ xấu cho VAMC, điều này sẽ thể hiện rõ hơn thực trạng quản lý nợ xấu của Vietinbank), biến giả Q4D nhận giá trị bằng 1 vào quý 4 và giá trị 0 vào các quý khác của năm và biến giả SHB nhận giá trị bằng

0. Cụ thể, phương trình sau đây sẽ được sử dụng để dự đoán tỷ lệ nợ xấu của ngân hàng Vietinbank:

lnNPLt = -0.0704 + 0.9156 lnNPLt-1 + 6.4297 GDPt + 0.0994Q4Dt (phương trình 3)

ACB

	BID	CTG

EIB		MBB	NVB

SHB		STB	VCB

2009-Q32011-Q32013-Q32015-Q32009-Q32011-Q32013-Q32015-Q32009-Q32011-Q32013-Q32015-Q3

QUY

Graphs by NH

NPL NPLpre

0 .05 .1

Hình 4.2: Tỷ lệ nợ xấu thực tế và tỷ lệ nợ xấu tính theo mô hình rút gọn

Nguồn: Tính toán của tác giả từ phần mềm thống kê STATA

4.2. Xây dựng kịch bản Kiểm tra sức chịu đựng

4.2.1. Mô hình dự báo GDP

Luận án sử dụng mô hình dự báo ARIMA (p,I,q) để dự báo giá trị của GDP nên đã sửa lại là mô hình ARIMA (3,0,0). Lược đồ tự tương quan (ACF) ta có:

Lag

Bartlett's formula for MA(q) 95% confidence bands

Autocorrelations of gdp

-1.00

-0.50

0.00

0.50

1.00

Hình 4.3: Lược đồ tự tương quan (ACF) cho mô hình dự báo GDP

Nguồn: Tính toán của tác giả từ phần mềm thống kê STATA

Lag

99% Confidence bands [se = 1/sqrt(n)]

Partial autocorrelations of gdp

0.50

1.00

Lược đồ tương quan riêng phần (PACF) ta có:

-0.50

0.00

Hình 4.4: Lược đồ tự tương quan (ACF) cho mô hình dự báo GDP

Nguồn: Tính toán của tác giả từ phần mềm thống kê STATA

Từ lược đồ tương quan thấy để dự báo GDP có thể lựa chọn nhiều mô hình