Bảng 4.46: Thống kê mô tả điểm hiệu quả chi phí (cost efficiency)
2007 | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | |
Average | 0.868718685 | 0.809972705 | 0.825682818 | 0.928008725 | 0.431644175 | 0.763809835 | 0.682477696 | 0.788485691 |
SD | 0.210368873 | 0.225909165 | 0.2203263 | 0.130269396 | 0.400537382 | 0.248511069 | 0.311926822 | 0.243198015 |
Maximum | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
Minimum | 0.180156185 | 0.190125105 | 0.370494008 | 0.492248312 | 0.011470606 | 0.214288037 | 0.120454098 | 0.29083528 |
Số lượng DMUs hiệu quả | 20 | 18 | 20 | 26 | 10 | 15 | 13 | 14 |
Số lượng DMUs không hiệu quả | 14 | 20 | 19 | 13 | 28 | 21 | 21 | 18 |
Có thể bạn quan tâm!
-
Điểm Hiệu Quả Ngân Hàng Của Pnb Khi Có Sự Ảnh Hưởng Của Đầu Ra Không Mong Muốn Là Nợ Xấu -
Điểm Hiệu Quả Ngân Hàng Của Hdb Khi Có Sự Ảnh Hưởng Của Đầu Ra Không Mong Muốn Là Nợ Xấu -
Điểm Hiệu Quả Ngân Hàng Của Shb Khi Có Sự Ảnh Hưởng Của Đầu Ra Không Mong Muốn Là Nợ Xấu -
Các Kết Luận Về Hiệu Quả Ngân Hàng Khi Đo Lường Thông Qua Mô Hình Dea Với Đầu Ra Không Mong Muốn Là Nợ Xấu. -
Kết Luận Về Đo Lường Hiệu Quả Chi Phí (Cost Efficiency) -
Kiến Nghị Các Ngân Hàng Thương Mại Hướng Đến Mảng Kinh Doanh Ngân Hàng Bán Lẻ Như Một Chiến Lược Dài Hạn Nhằm Nâng Cao Hiệu Quả Ngân Hàng Và Giảm
Xem toàn bộ 200 trang tài liệu này.
Nguồn: Kết quả phân tích từ phần mềm DEA_Solver_LV8
4.3.2. Kết quả nghiên cứu về mức độ ảnh hưởng của nợ xấu đến hiệu quả chi phí qua mô hình dữ liệu bảng động với phương pháp S – GMM hai bước
Bảng 4.47: Thống kê mô tả các biến trong ước lượng S – GMM hai bước và mô hình PVAR
Giá trị trung bình | Độ lệch chuẩn | Giá trị thấp nhất | Giá trị cao nhất | |
!" | 0.76039 | 0.30058 | 0.01147 | 1 |
#$%& | 0.02845 | 0.04518 | 0 | 0.5531 |
'!" | -0.4507283 | 0.7797204 | -4.467968 | 0 |
'#$%& | -4.216763 | 2.450788 | -23.02585 | -0.5922165 |
Ghi chú: lCE, lNPLR là logarit của CE, NPLR Nguồn: Kết quả tổng hợp từ phân mềm Stata 13
Kết quả phân tích ước lượng dữ liệu bảng động với phương pháp S – GMM hai bước được thể hiện ở bảng 4.48 và 4.49 với câu lệnh xtabond2 được giới thiệu bởi Roodmand. Tính hợp lệ của hai mô hình và của các biến công cụ được thể hiện ở số biến công cụ là 33 nhỏ hơn số nhóm quan sát là 38.
Ngoài ra, kiểm định Sargan hoặc Hansen sẽ cho thấy tính hiệu lực của mô hình. Đối với cả hai mô hình (1) và (2), kiểm định Hansen cho thấy giá trị p>0.1,
nghĩa là giả thuyết ban đầu bác bỏ và mô hình có tính hiệu lực; còn kiểm định AR(2) cũng cho kết quả p>0.1, nên giả thuyết ban đầu về việc không tồn tại mối tương quan chuỗi 2 bậc bị loại bỏ. Do đó, tất cả các kết quả trong S – GMM cho mô hình (1) và (2) đều có ý nghĩa.
Bảng 4.48: Kết quả ước lượng bằng phương pháp S – GMM hai bước lCE
Mô hình (1)4 '!" | |
'!"()* | -0.2827763*** |
'#$%&( | -0.5033986*** |
'#$%&()* | 0.1616791*** |
'#$%&()+ | -0.0701159** |
Số lượng các quan sát | 205 |
Số lượng nhóm quan sát | 38 |
Số lượng các công cụ | 27 |
Kiểm định F | 5.44*** |
AR(1) | -3.2*** |
AR(2) | -0.19 |
Kiểm định Hansen | 34.01 |
Difference-in-Hansen | 13.43 |
Ghi chú: *** p<0.01, ** p<0.05, *p<0.1
Nguồn: Kết quả tổng hợp từ phần mềm Stata 13 Kết quả ở bảng 4.48 và giải thích cho mô hình (1) nhằm phân tích mức độ ảnh hưởng của nợ xấu đến hiệu quả ngân hàng (hiệu quả ngân hàng được đo lường qua
hiệu quả chi phí), cụ thể như sau:
- Tỷ lệ nợ xấu của năm hiện tại t tác động tiêu cực và có ý nghĩa thống kê lên hiệu quả chi phí. Lúc này, tỷ lệ nợ xấu ở thời điểm cuối năm t tăng 1 phần trăm thì hiệu quả chi phí giảm 0.5034 phần trăm. Điều này có thể giải thích bởi lý thuyết “kém may mắn” (bad luck), nợ xấu gia tăng là do ảnh hưởng bởi các yếu tố kinh tế
4 ,-. là biến phụ thuộc (mô hình 1)
vĩ mô như: lạm phát, tăng trưởng kinh tế, giảm lãi suất, tăng cung tiền..., và làm các ngân hàng phải gia tăng chi phí liên quan danh mục tín dụng và các khoản nợ quá hạn.
- Tỷ lệ nợ xấu ở bậc trễ 1 có tác động tích cực làm gia tăng hiệu quả chi phí và có ý nghĩa thống kê. Như vậy, nợ xấu năm liền kề trước tăng 1 phần trăm thì hiệu quả chi phí tăng 0.16 phần trăm.
- Tuy nhiên, ở bậc trễ 2 của tỷ lệ nợ xấu thì tác động tiêu cực lại đến hiệu quả chi phí và có mức ý nghĩa thống kê.
Đối với mô hình (2), sự ảnh hưởng ngược lại của hiệu quả chi phí đến tỷ lệ nợ xấu, nhằm đánh giá toàn diện quan hệ tuyến tính giữa nợ xấu và hiệu quả chi phí. Cụ thể:
Bảng 4.49: Kết quả ước lượng bằng phương pháp S – GMM hai bước cho lNPLR
Mô hình (2)5 '#$%& | |
'#$%&()* | 0.175014*** |
'!"( | -0.1441335** |
'!"()* | -0.3102955*** |
'!"()+ | -0.2087932*** |
Số lượng các quan sát | 205 |
Số lượng nhóm quan sát | 38 |
Số lượng các công cụ | 33 |
Kiểm định F | 12.68*** |
AR(1) | -2.21*** |
AR(2) | -1 |
Kiểm định Hansen | 32.22 |
Difference-in-Hansen | 14.91 |
Ghi chú: *** p<0.01, ** p<0.05, *p<0.1
Nguồn: Kết quả tổng hợp từ phần mềm Stata 13
5 ,/012 là biến phụ thuộc (mô hình 2)
- Bậc trễ 1 của tỷ lệ nợ xấu tác động tích cực đến tỷ lệ nợ xấu năm quan sát và có ý nghĩa thống kê. Nghĩa là, bậc trễ 1 của tỷ lệ nợ xấu tăng 1 phần trăm thì tỷ lệ nợ xấu năm quan sát tăng 0.175 phần trăm.
- Hiệu quả chi phí năm t và hai bậc trễ (1,2) đều tác động tiêu cực đến tỷ lệ nợ xấu. Điều này thể hiện, hiệu quả chi phí thấp làm ảnh hưởng tích cực làm tăng tỷ lệ nợ xấu và kết quả có thể hỗ trợ cho giả thuyết “quản lý kém” (bad management) – hiệu quả chi phí thấp là tín hiệu của hoạt động quản trị kinh doanh yếu kém gây ra nợ xấu tăng cao.
4.3.3. Kết quả nghiên cứu về quan hệ nhân quả giữa nợ xấu và hiệu quả chi phí bằng mô hình ước lượng PVAR
Bảng 4.50 thể hiện kết quả lựa chọn độ trễ tối ưu cho ước lượng bằng mô hình PVAR và phân tích nhân quả Granger (bằng câu lệnh pvarsoc). Theo Andrews & Lu (2011), mô hình ước lượng PVAR với độ trễ 2 được lựa chọn bởi thỏa mãn các giá trị nhỏ nhất của MBIC, MAIC, MQIC, và CD của độ trễ 2 là lớn nhất. Đồng thời, độ trễ bậc 2 còn có thể dùng để thực hiện cho ước lượng S – GMM cho mô hình dữ liệu bảng động ở trên.
Bảng 4.50: Xác định độ trễ tối ưu cho mô hình PVAR
CD | J | J pvalue | MBIC | MAIC | MQIC | |
1 | 0.970754 | 23.18857 | 0.0031304 | -15.68993 | 7.188569 | -2.107428 |
2 | 0.975581 | 3.594773 | 0.463615 | -15.84448 | -4.405227 | -9.053226 |
3 | -6.194603 | - | - | - | - |
Nguồn: Kết quả phân tích từ phần mềm Stata 13
Đối với PVAR, điều kiện cần để thực hiện phân tích các giá trị thu được từ mô hình thì cần phải kiểm định tính dừng của các biến trong mô hình. Vì luận án sử dụng dữ liệu bảng không cân bằng nên kiểm định nghiệm đơn vị (unit root test) Fisher (Fisher – type test) là phù hợp với giả thuyết 34 là toàn bộ dữ liệu bảng không dừng. Kết quả của kiểm định ADF thường rất nhạy cảm với sự lựa chọn bậc trễ nên tiêu chuẩn bậc trễ tối ưu được lấy ở kết quả bảng 4.50. Qua kết quả ở bảng
4.51 cho thấy bốn kiểm định đều cho giá trị p –value với mức ý nghĩa dưới 5% nên không chấp nhận giả thuyết 34, nghĩa là lCE và lNPLR trong dữ liệu bảng không cân bằng đều có tính dừng.
Bảng 4.51: Kết quả kiểm định nghiệm đơn vị cho lCE và lNPLR
Giá trị thống kê | P - value | |
P (Inverse chi-squared) | 85.6086 | 0.0040 |
Z (Inverse normal) | -4.1438 | 0.0000 |
L* (Inverse logit t) | -3.8173 | 0.0001 |
Pm (Modified inv. chi-squared) | 3.0415 | 0.0012 |
lNPLR | Giá trị thống kê | P - value |
P (Inverse chi-squared) | 113.5457 | 0.0000 |
Z (Inverse normal) | -5.5173 | 0.0000 |
L* (Inverse logit t) | -5.3728 | 0.0000 |
Pm (Modified inv. chi-squared) | 5.7298 | 0.0000 |
Nguồn: Kết quả phân tích từ phần mềm Stata 13 Bên cạnh đó, một điều kiện quan trọng là kiểm định tính ổn định của mô hình PVAR. Câu lệnh pvarstable trong stata sẽ cho kết quả trị tuyệt đối của nghịch đảo
nghiệm đặc trưng nằm trong vòng tròn đơn vị thì kết luận mô hình có tính ổn định.
Bảng 4.52: Kết quả kiểm định tính ổn định của mô hình
Mô đun | ||
Số thực tế (Real) | Số ảo (Imaginary) | |
0.2263488 | 0.6663392 | 0.7037341 |
0.2263488 | -0.6663392 | 0.7037341 |
-0.5577298 | 0 | 0.5577298 |
0.0091222 | 0 | 0.0091222 |
Nguồn: Kết quả nghiên cứu từ phần mềm Stata 13
Roots of the companion matrix
-1
-.5
0
Real
.5
1
Imaginary 0
.5
1
Hình 4.1: Vòng tròn đơn vị về tính ổn định của mô hình
-1
-.5
Nguồn: Kết quả phân tích từ phần mềm Stata 13 Sau khi kiểm định tính dừng và tính ổn định của mô hình thì thực hiện ước lượng cho mô hình PVAR và kiểm định nhân quả Granger. Kết quả ước lượng theo mô hình tự hồi quy véc-tơ dữ liệu bảng được thể hiện ở bảng 4.53 với câu lệnh pvar. Kết quả ước lượng bằng mô hình PVAR không được dùng để đánh giá mối quan hệ tương quan, mà thể hiện mối quan hệ nhân quả. Kết quả ở bảng 4.53 có thể
cho kết luận giữa nợ xấu và hiệu quả chi phí có quan hệ nhân quả Granger hai chiều.
Bảng 4.53: Kết quả ước lượng bằng mô hình PVAR
'!" | '#$%& | |
,-.5)6 | -0.4407958 *** | -0.1825516*** |
,-.5)7 | 0.0428415 | -0.1390112** |
,/0125)6 | 0.9421948*** | 0.3448857*** |
,/0125)7 | 0.0634415 | .3448857*** |
Ghi chú: *** p<0.01, ** p<0.05, *p<0.1
Nguồn: Kết quả phân tích từ phần mềm Stata 13
Mặc dù quan hệ nhân quả Granger cho mô hình PVAR với độ trễ là 2 có thể suy luận từ kết quả của ước lượng PVAR ở trên. Nhưng kết quả kiểm định khi sử
dụng câu lệnh pvargranger sẽ cho kết quả rõ ràng hơn. Với bảng 4.54, kết quả quan hệ nhân quả như sau: giả thuyết ,/012 không Granger với ,-. thì bác bỏ với độ tin cậy 99%; và giả thuyết ,-. không Granger ,/012 cũng bác bỏ với độ tin cậy 95%. Như vậy, thay đổi của tỷ lệ nợ xấu là nguyên nhân gây ra sự thay đổi của hiệu quả chi phí – kết quả này hỗ trợ cho giả thuyết H1 “kém may mắn” (bad luck); và sự thay đổi của hiệu quả chi phí cũng là nguyên nhân gây ra sự thay đổi của tỷ lệ nợ xấu – kết quả hỗ trợ cho giả thuyết H2 “quản lý kém” (bad management).
Bảng 4.54: Kết quả phân tích quan hệ nhân quả Granger
Chi2 | Prob>Chi2 | ||
,/012 | 22.058 | 0.000 | |
ALL | 22.058 | 0.000 | |
'#$%& | Chi2 | Prob>Chi2 | |
,-. | 8.968 | 0.011 | |
ALL | 8.968 | 0.011 | |
Nguồn: Kết quả phân tích từ phần mềm Stata 13
Bên cạnh đó, ước lượng qua mô hình PVAR còn cung cấp nhiều kết quả hơn thế, khi mà còn có thể phân tích được hàm phản ứng đẩy IRFs cùng với ma trận phân rã phương sai (FEVDs).
Đối với hàm phản ứng đẩy IRFs, một cú sốc lên tỷ lệ nợ xấu thì làm hiệu quả chi phí gia tăng ở giai đoạn đầu tiên nhưng lập tức sụt giảm nhanh chóng và kéo dài cho các giai đoạn tiếp theo cho đến giai đoạn thứ 5 thì không còn ảnh hưởng (ở góc phải bên trên của Hình 4.2).
Trong khi, một cú sốc làm đến hiệu quả chi phí (CE) sẽ làm tỷ lệ nợ xấu (NPLR) phản ứng giảm ngay ở giai đoạn hiện tại và giai đoạn thứ 2 (ở góc trái bên dưới Hình 4.2).
.4
.6
.4
.2
.2
0
0
-.2
-.2
.1
.5
0
0
-.1
-.2
-.5
0 5
10
step
0
5
10
impulse : response
95% CI Orthogonalized IRF
Hình 4.2: Kết quả phân tích hàm phản ứng đẩy IRFs
lNPLR : lNPLR |
lCE : lNPLR |
lNPLR : lCE |
lCE : lCE |
Nguồn: Kết quả phân tích từ phần mềm Stata 13 Bảng 4.55: Kết quả phân tích ma trận phân rã phương sai FEVDs
Impulse variable | ||
l-. | ,/012 | |
,-. | ||
0 | 0 | 0 |
1 | 1 | 0 |
2 | 0.7355772 | 0.2644227 |
3 | 0.7360945 | 0.2639056 |
4 | 0.7318006 | 0.2681994 |
5 | 0.7226767 | 0.2773233 |
6 | 0.7212421 | 0.2787579 |
7 | 0.7189896 | 0.2810104 |
8 | 0.7190146 | 0.2809853 |
9 | 0.7184545 | 0.2815455 |