Mô Hình Nghiên Cứu Các Yếu Tố Ảnh Hưởng Đến Rrtd 51506

Phương pháp nghiên cứu

-Sử dụng phương pháp định lượng với mô hình hồi quy đa biến trên dữ liệu bảng nhằm xác định các yếu tố ảnh hưởng đến RRTD và nghiên cứu tác động của RRTD đến HQKD của các NHTM Việt Nam.

-phương pháp nghiên cứu diễn dịch quy nạp và thống kê mô tả, tổng hợp, so sánh, phân tích để thực hiện mục tiêu nghiên cứu tổng quan về các yếu tố ảnh hưởng đến RRTD của các NHTM, thực trạng RRTD, hiệu quả kinh doanh của NHTM Việt Nam

Kết quả nghiên cứu

- Đo lường các yếu tố ảnh hưởng đến RRTD tại các NHTM Việt Nam.

- Kết luận có sự tác động của RRTD đến HQKD của các NHTM Việt Nam.

- Đề xuất hàm ý chính sách nhằm hạn chế RRTD và nâng cao HQKD của các NHTM Việt Nam.

Có thể bạn quan tâm!

Xem toàn bộ 168 trang tài liệu này.

3.2 MÔ HÌNH NGHIÊN CỨU CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN RRTD

Quy trình nghiên cứu định lượng

Thu thập và xử lý số liệu

Thống kê mô tả và hệ số tương quan giữa các biến

Kiểm định các giả thuyết của OLS: Kiểm định tự tương quan, kiểm định đa cộng tuyến , phương sai thay đổi.

Xác định các yếu tố ảnh hưởng đến RRTD bằng cách hồi quy theo mô hình Pooled, Fixed Effect, Random Effect và sử dụng phương pháp GMM để giải quyết nội sinh. Thực hiện Sargan test và Arellano-Bond test để kiểm định tính phù hợp của phương pháp GMM.

Kiểm định các giả thuyết đã đặt ra

Với cách tiếp cận theo hướng nghiên cứu nêu trên, tác giả lựa chọn mô hình xuất phát từ lý do sau:

Thứ nhất: theo các nghiên cứu thực nghiệm về RRTD trước đây, với hai xu hướng nghiên cứu chủ yếu: xác định các yếu tố ảnh hường đến rủi ro tín dụng và nghiên cứu tác động của RRTD đến HQKD, đây chính là cơ sở để tác giả lựa chọn các mô hình nghiên cứu có liên quan. Hầu hết các mô hình từ nghiên cứu thực nghiệm thông thường sử dụng mô hình hồi quy đa biến, với dữ liệu bảng nghiên cứu cho các NHTM của từng quốc gia hoặc nhiều quốc gia.

Thứ hai: Lựa chọn mô hình hồi quy đa biến, sử dụng dữ liệu bảng của 26 NHTM Việt Nam trong thời gian từ 2005 -2015. Do dữ liệu bảng tổng hợp phải đảm bảo tính cân đối nên tác giả chọn được 26 NHTM để thực hiện nghiên cứu. (Phụ lục 1, mẫu nghiên cứu). Dữ liệu cụ thể của 26 NHTM được trình bày trong Phụ lục 2

Thứ ba: Để đảm bảo các ước lượng mô hình hồi quy có tính chính xác, lựa chọn biến phù hợp tác giả đã tiến hành kiểm định đa cộng tuyến, phương sai thay đổi và tự tương quan. Bên cạnh đó tác giả chạy FEM, REM, GMM, FGLS để thực hiện kiểm định các giả thuyết đưa ra, cách tiếp cận này phù hợp với xu hướng nghiên cứu trong và ngoài nước.Các nghiên cứu gần đây cho vấn đề này đều sử dụng dữ liệu dạng bảng động (Dynamic Panel Data ), ví dụ Cheng và Kwan (2000), Calderon và Chong (2001), Salas và Saurina (2002), Beck và Levine (2004), Santos-Paulino và Thirlwall

(2004) và Carstensen và Toubal (2004) Athanasoglou et al. (2009) và Merkl và Stolz (2009). Tác giả lựa chọn mô hình hồi quy đa biến phù hợp với các nghiên cứu trước đây, chủ yếu dựa theo mô hình nghiên cứu gốc của các tác giả Hasna Chaibi và Zied Ftiti năm 2015 (xem phụ phục 4) để xác định các yếu tố ảnh hưởng đến RRTD của ngân hàng. Mô hình Dynamic Panel Data áp dụng trong nghiên cứu có dạng như sau:

NPLit = α+ γNPLi,t-1 + βjXi,t + vi + εi,t (1)

Trong đó:

α là hệ số chặn

NPLi,t-1 là tỷ lệ nợ xấu của ngân hàng i vào năm t. Hầu hết từ các nghiên cứu thực nghiệm trước đây cho thấy khi nghiên cứu RRTD, các tác giả đều chọn biến phụ thuộc là tỷ lệ nợ xấu để đánh giá RRTD, mặc dù khi đánh giá RRTD có thể sẽ có nhiều chỉ tiêu như: tỷ lệ nợ xấu, tỷ lệ dự phòng rủi ro tín dụng. Tỷ lệ nợ xấu đã được sử dụng để đo lường mức độ rủi ro tín dụng trong ngành ngân hàng. Biến này đã được sử dụng trong nhiều nghiên cứu như của Hasna Chaibi và Zied Ftiti năm 2015 hoặc Vania Andriani, Sudarso Kaderi Wiryono năm 2015.

γ là tác động của biến trễ tỷ lệ nợ xấu đến tỷ lệ nợ xấu năm t

Xi,t là vector các biến độc lập, bao gồm cả biến vĩ mô và biến nội tại trong ngân hàng. Biến nội tại trong ngân hàng: ETAi,t , LEVi,t , SIZE i,t , EFFi,t , ROE i,t , NII i,t ,

PLL i,t; biến vĩ mô: GGDPt , INRt , INFt , UNRt , EXRt

βj là tác động của vector biến độc lập đến tỷ lệ nợ xấu

vi là các đặc điểm riêng không quan sát được giữa các ngân hàng εi,t là phần dư của mô hình

Biến trễ của biến phụ thuộc là NPLi,t-1 có tương quan với vi . Nên nếu ước lượng bằng phương pháp bình phương nhỏ nhất OLS sẽ gây ra ước lượng bị chệch và không vững. Phương trình hồi quy (1) sẽ vững nếu được ước lượng bằng phương pháp GMM (Generalized method of moments) được giới thiệu bởi Arellano và Bond (1991), Arellano và Bover (1995), Blundell và Bond (1998). Ước lượng theo phương

pháp GMM của Arellano và Bond (1991) dựa trên phương trình hồi quy (1) và chuyển thành các biến sai phân bậc 1 để loại bỏ tác động của vi

ΔNPLi,t-1 = ΔγNPLi,t-1 + βjΔXi,t + Δεi,t (1’)

Với Δ là sai phân bậc 1

Trong phương trình (1’) ΔNPLi,t-1 có tương quan với phần dư Δεi,t làm cho mô hình hồi quy bị chệch và không vững. Tuy nhiên NPLi,t-2 tương quan với ΔNPLi,t-1 nhưng lại không tương quan với Δεi,t, với t=3,…,T có thể sử dụng để làm biến công cụ cho phương trình (1’)

Tính vững của mô hình ước lượng bằng phương pháp GMM (Generalized method of moments) phụ thuộc vào các biến trễ làm biến công cụ. Một điều kiện cần thiết cho các biến công cụ là nó không được tương quan với phần dư của mô hình. Để giải quyết vấn đề này, bài nghiên cứu sử dụng 2 kiểm định được đưa ra bởi Arellano and Bond (1991). Đầu tiên là kiểm định tính over-identifying của các biến công cụ. Sau đó sẽ kiểm định phần dư của mô hình có tự tương quan bậc 2 hay không. Nếu cả hai kiểm định đều cho kết quả thuận lợi thì kết quả ước lượng từ phương pháp GMM là hoàn toàn có thể tin cậy và được sử dụng cho phân tích kết quả.

Các biến độc lập trong mô hình: dựa theo bài nghiên cứu “Credit risk determinants: Evidence from a cross-country study” của tác giả Hasna Chaibi và Zied Ftiti năm 2015. Sử dụng các biến sau đây cho bài nghiên cứu:

* Biến nội tại trong ngân hàng:

(1) Dự phòng RRTD (LLR ) = Loan loss reserve/Total loan (Dự phòng rủi ro tín dụng/Tổng dư nợ): được coi như là một cách để kiểm soát tổn thất của các khoản cho vay, cho phép ngân hàng phát hiện và bảo hiểm rủi ro cho các khoản vay của mình. Do đó, khi ngân hàng dự đoán nguy cơ bị mất vốn trên các khoản vay cao thì nên trích dự phòng cao hơn để làm giảm thu nhập (Hasan và Wall, 2003). Như vậy, dự phòng

RRTD cao cho thấy ngân hàng có tỷ lệ nợ xấu cao và dự kiến mối quan hệ cùng chiều giữa hai biến số này.

Giả thuyết 1: Có mối quan hệ cùng chiều giữa dự phòng RRTD với tỷ lệ nợ xấu

(2) Kém hiệu quả chi phí hoạt động (OEFF- Operating inefficiency) = Operating expenses/Operating income = Chi phí hoạt động/Thu nhập hoạt động: Berger và DeYoung (1997), Vania Andriani và Sudarso Kaderi Wiryono (2015) đã phát triển các giả thuyết về hiệu quả. Họ phân tích nhiều tình huống trong đó RRTD liên quan đến hiệu quả, phát hiện có một mối quan hệ ngược chiều giữa hiệu quả chi phí và tính ổn định của NHTM. Họ cho rằng các ngân hàng quản lý chi phí không hiệu quả có thể có xu hướng gặp vấn đề về cho vay đối với một số lý do. Thứ nhất, các ngân hàng cho vay không hiệu quả, gặp vấn đề giám sát chi phí nội bộ của họ, có thể đánh giá các khoản vay xấu. Do đó, việc quản lý kém chi phí có liên quan với sự gia tăng nợ xấu trong tương lai. Các tác giả gọi đây là giả thuyết quản lý rủi ro kém. Thứ hai, các khoản nợ xấu có thể xảy ra vì một lý do ngoài tầm kiểm soát của ngân hàng. Do đó, các ngân hàng phải dành nhiều nguồn lực để phục hồi các khoản vay có vấn đề. Berger và DeYoung (1997) gọi đây là giả thuyết "kém may mắn ". Các tác giả cũng cho thấy một mối quan hệ ngược chiều giữa các khoản vay có vấn đề và hiệu quả chi phí. Dự kiến mối quan hệ giữa sự kém hiệu quả và nợ xấu là cùng chiều.

Giả thuyết 2: Có mối tương quan cùng chiều giữa sự kém hiệu quả chi phí hoạt động với tỷ lệ nợ xấu

(3) Đòn bẩy (LEV) = Total liabilities/Total assets = Tổng huy động/Tổng tài sản: Cơ cấu vốn có khả năng ảnh hưởng đến RRTD. Vốn có đòn bẩy cao dẫn đến một xu hướng chấp nhận rủi ro cao hơn vì sự cần để tạo ra lợi nhuận cao hơn với vốn thấp hơn. Từ mối quan hệ rủi ro tài chính tăng lên khi đòn bẩy tăng, dự kiến một mối quan hệ cùng chiều giữa rủi ro của ngân hàng và đòn bẩy.

Giả thuyết 3: Có mối tương quan cùng chiều giữa đòn bẩy với tỷ lệ nợ xấu

(4)Thu nhập ngoài lãi (NII ) = Non-interest income/Total income (Thu nhập ngoài lãi/Tổng thu nhập: Louzis et al. (2012) sử dụng thu nhập ngoài lãi như một biến để đo lượng việc đa dạng hóa các khoản thu nhập. Tác giả cho rằng tỷ lệ này phản ánh thực tế là các ngân hàng còn có các khoản thu nhập thay thế khác ngoài thu nhập lãi, và do đó có thể đa dạng hóa doanh thu. Do đó, dự kiến có một mối quan hệ ngược chiều giữa nợ xấu và thu nhập ngoài lãi.

Giả thuyết 4: Có mối tương quan ngược chiều giữa thu nhập ngoài lãi với tỷ lệ nợ xấu

(5) Quy mô ngân hàng (SIZE ) = Natural log of total assets (Logarit Tổng tài sản): Theo giả định "quá lớn để sụp đổ", các ngân hàng lớn sẽ tạo ra nhiều rủi ro hơn. Stern và Feldman (2004) lập luận rằng giả định "quá lớn để sụp đổ" đã đóng một vai trò quan trọng trong một số cuộc khủng hoảng ngân hàng trên thế giới đã xảy ra trong những thập kỷ gần đây. Họ giải thích rằng các ngân hàng lớn có xu hướng tạo ra nhiều rủi ro hơn vì kỷ luật thị trường không được áp đặt bởi chủ nợ của họ, những người mong đợi chính phủ bảo vệ trong trường hợp ngân hàng của họ thất bại. Do đó, các ngân hàng đẩy mạnh đòn bẩy của họ, tăng cho vay với các khách hàng xấu, và do đó có nhiều nợ xấu. Theo Louzis et al. (2012), tác giả kỳ vọng mối quan hệ cùng chiều về sự ảnh hưởng của đòn bẩy đến nợ xấu thông qua quy mô ngân hàng. Một nghiên cứu khác cho thấy một tác động tiêu cực đối với kích thước của ngân hàng về RRTD. Như vậy, với các nghiên cứu trước có có sự không đồng nhất trong kết luận về quy mô của ngân hàng tác động đến RRTD. Theo ghi nhận của Zribi và Boujelbène (2011), điều này có thể chỉ ra rằng các ngân hàng lớn hơn, đa dạng hơn, và có thể có tay nghề cao hơn trong quản lý rủi ro, cho phép họ để đối phó hơn có hiệu quả với khách hàng có nợ xấu. Dự kiến mối quan hệ hệ cùng chiều giữa quy mô ngân hàng và RRTD.

Giả thuyết 5: Có mối tương quan cùng chiều giữa quy mô ngân hàng với tỷ lệ nợ

xấu

(6) Lợi nhuận ngân hàng (ROE) = Net income/Total equity (Lợi nhuận sau thuế/Vốn chủ sở hữu): Biểu hiện được mối quan hệ âm với sự gia tăng các khoản nợ xấu trong tương lai. Ngoài ra, lợi nhuận tốt trong quá khứ có thể phản ánh chất lượng

quản lý tốt (Louzis et al., 2012), dẫn đến nợ xấu thấp. Dự kiến lợi nhuận ngân hàng để có một tác động ngược chiều đến nợ xấu.

Giả thuyết 6: Có mối tương quan ngược chiều giữa lợi nhuận ngân hàng với tỷ lệ nợ xấu

* Biến vĩ mô

(7) Lạm phát (INF) = Inflation rate: Lạm phát có thể có những tác động hỗn hợp đến nợ xấu. Một mặt, lạm phát cao hơn có thể làm cho việc trả nợ dễ dàng hơn vì hai lý do. Đầu tiên, có thể làm giảm giá trị thực của khoản vay và thứ hai gắn liền với tỷ lệ thất nghiệp thấp hơn như đường cong của Phillips (Castro, năm 2013). Mặt khác, lạm phát có thể gây ra việc vỡ nợ của khách hàng khi thu nhập thực tế của họ bị giảm đi. Ở những nước có lãi suất cho vay thay đổi, lạm phát có thể ảnh hưởng xấu đến khả năng trả nợ vay của khách hàng vì những thay đổi trong chính sách tiền tệ nhằm chống lạm phát, hoặc điều chỉnh lãi suất được thực hiện bởi những người cho vay để duy trì lợi nhuận (Nkusu, 2011). Do đó, mối quan hệ giữa lạm phát và nợ xấu có thể là cùng chiều hoặc ngược chiều.

Giả thuyết 7: Có mối tương quan cùng chiều giữa tỷ lệ lạm phát với tỷ lệ nợ xấu

(8) Tăng trưởng GDP (GGDP) = GDP growth: tác giả sử dụng biến tăng trưởng GDP để kiểm soát cho các chu kỳ kinh tế vĩ mô. Trong thời kỳ nền kinh tế tăng trưởng, cá nhân và doanh nghiệp cần có đủ tiền để trả nợ, nhưng trong thời kỳ suy thoái, khả năng trả nợ của họ giảm. Do đó mở rộng tín dụng dẫn đến chất lượng cho vay thấp, từ đó gia tăng nợ xấu, có thể phát sinh mối quan hệ nghịch chiều giữa tăng trưởng GDP và nợ xấu.

Giả thuyết 8: Có mối tương quan nghịch chiều giữa tăng trưởng GDP với tỷ lệ nợ

xấu

(9) Lãi suất danh nghĩa (INR) = Real interest rate: Lãi suất có tác động trực tiếp đến khả năng trả nợ. Việc tăng lãi suất dẫn tới gia tăng gánh nặng nợ, làm suy yếu khả năng trả nợ của khách hàng vay, dẫn đến tỷ lệ nợ xấu cao hơn (Castro, năm 2013;.

Louzis et al, 2012; Nkusu, 2011). Do đó, dự kiến mối quan hệ cùng chiều giữa lãi suất và tỷ lệ nợ xấu.

Giả thuyết 9: Có mối tương quan cùng chiều giữa lãi suất danh nghĩa với tỷ lệ nợ

xấu

(10) Tỷ lệ thất nghiệp (UNR) = Unemployment rate: tỷ lệ thất nghiệp tăng gây ra sự suy giảm trong tiêu dùng từ đó giảm khả năng tạo ra tiền mặt và trả nợ của khách hàng. Đối với các tập đoàn, sự gia tăng tỷ lệ thất nghiệp dẫn việc tiêu thụ các sản phẩm và dịch vụ của họ thấp hơn, vì vậy làm giảm lượng tiền mặt của các công ty và tạo ra một vị thế yếu về khả năng trả nợ (Castro, năm 2013; Nkusu, 2011). Dự kiến mối quan hệ cùng chiều giữa tỷ lệ thất nghiệp và nợ xấu.

Giả thuyết 10: Có mối tương quan cùng chiều giữa tỷ lệ thất nghiệp với tỷ lệ nợ

xấu

(11) Tỷ giá (EXR) = Exchange rates: Sự gia tăng trong tỷ giá hối đoái có thể có những hậu quả hỗn hợp. Nghiên cứu thực nghiệm (Castro, năm 2013 và Nkusu, 2011) bao gồm biến tỷ giá để kiểm soát khả năng cạnh tranh với bên ngoài. Tiếp theo Fofack (2005), đánh giá biến tỷ giá có thể làm suy yếu khả năng cạnh tranh của các doanh nghiệp xuất khẩu và làm cho họ không thể trả nợ. Hơn nữa, sự tăng giá trị thực của đồng nội tệ sẽ đến hàng hóa và dịch vụ địa phương đắt hơn. Tuy nhiên, sự gia tăng trong tỷ giá hối đoái có thể cải thiện năng lực trả nợ của những người vay bằng ngoại tệ (Nkusu, 2011). Như vậy, mối quan hệ giữa tỷ giá hối đoái và nợ xấu có thể là cùng chiều hoặc ngược chiều.

Giả thuyết 11: Có mối tương quan ngược chiều giữa tỷ giá hối đoái với tỷ lệ nợ xấu.