NGÂN HÀNG NHÀ NƯỚC VIỆT NAM BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH TRẦN NGUYỄN TƯỜNG VY CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM KHÓA LUẬN[.]
GIỚI THIỆU CHUNG
Tính cấp thiết của đề tài
Hệ thống ngân hàng đóng vai trò quan trọng trong sự thịnh vượng kinh tế của mỗi quốc gia, đặc biệt trong bối cảnh hội nhập tài chính quốc tế hiện nay Các ngân hàng thương mại đã có những bước tiến đáng kể trong việc nâng cao hoạt động cấp tín dụng, góp phần ổn định thị trường tiền tệ và kiềm chế lạm phát Tuy nhiên, ngành ngân hàng vẫn phải đối mặt với rủi ro kinh doanh không thể tránh khỏi, có thể dẫn đến hiệu ứng dây chuyền và sụp đổ toàn bộ hệ thống Do đó, việc xử lý hiệu quả rủi ro nợ xấu trong hoạt động ngân hàng là vấn đề cấp bách cần được chú trọng.
Nợ xấu luôn tồn tại trong hoạt động của ngân hàng và là một trong những nguyên nhân đe dọa an ninh hệ thống ngân hàng, gây bất ổn vĩ mô Theo nghiên cứu của Berger và De Young (1997), nợ xấu gây tổn hại đến hoạt động tài chính của ngân hàng Waweru và Kalami (2009) chỉ ra rằng nợ xấu có mối liên hệ chặt chẽ với các cuộc khủng hoảng ngân hàng, khẳng định tầm quan trọng của việc quản lý nợ xấu trong ngành ngân hàng.
(2010) hay Nkusu (2011) tỷ lệ nợ xấu được sử dụng như dấu hiệu báo động cho một cuộc khủng hoảng ngân hàng trong tương lai
Để kiểm soát tỷ lệ nợ xấu và đảm bảo trích lập dự phòng rủi ro tại các ngân hàng, Chính phủ và Ngân hàng Nhà nước đã triển khai nhiều giải pháp Tuy nhiên, theo báo cáo của NHNN, tỷ lệ nợ xấu trong hệ thống ngân hàng vẫn ở mức cao, với các số liệu từ năm 2012 đến 2017 lần lượt là 4,8%; 3,79%; 3,7%; 2,55%; 2,46% và 2,34% Đặc biệt, Báo cáo Tổng quan thị trường tài chính 2017 của Ủy ban Giám sát tài chính quốc gia chỉ ra rằng tỷ lệ nợ xấu đã tăng lên 9,5%, cho thấy tình hình nợ xấu chưa được xử lý triệt để Nếu tình trạng này kéo dài, nó không chỉ ảnh hưởng đến hoạt động kinh doanh của hệ thống ngân hàng mà còn gây gánh nặng cho sự phát triển bền vững của toàn bộ nền kinh tế.
Việc tìm hiểu nguyên nhân và phân tích tác động của nợ xấu đến hoạt động ngân hàng là yêu cầu cấp bách nhằm ngăn chặn khủng hoảng tài chính trong tương lai Cần đề ra giải pháp tối ưu và kế hoạch từng bước để xử lý rủi ro nợ xấu, thúc đẩy lưu thông dòng tiền và tái quay vòng vốn nhanh trong nền kinh tế Điều này cũng giúp hạn chế vấn đề thanh khoản và các ảnh hưởng tiêu cực khác.
“Các nhân tố tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam” để làm đề tài nghiên cứu của mình.
Mục tiêu nghiên cứu của đề tài
Mục tiêu chính của bài viết là phân tích các yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam Từ những phân tích này, bài viết sẽ đề xuất các khuyến nghị nhằm giảm thiểu rủi ro liên quan đến nợ xấu, góp phần nâng cao hiệu quả quản lý rủi ro trong hệ thống ngân hàng.
- Xác định các nhân tố tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam
- Đánh giá mức độ ảnh hưởng các nhân tố tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam.
Câu hỏi nghiên cứu
Nhằm đạt được mục tiêu nghiên cứu đã đặt ra, nội dung đề tài tìm câu trả lời cho các câu hỏi sau:
(i) Các nhân tố nào ảnh hưởng đến nợ xấu của các NHTM Việt Nam
(ii) Chiều hướng và mức độ ảnh hưởng của các nhân tố đó.
Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu của đề tài: Nợ xấu và các nhân tố tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam
Phạm vi nghiên cứu của đề tài:
- Về nội dung: Nghiên cứu thực trạng một số nhân tố vĩ mô và vi mô tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam
- Về thời gian: giai đoạn từ 2007 – 2017
Tính đến ngày 31/12/2016, cả nước có 34 ngân hàng nhà nước và ngân hàng thương mại cổ phần (NHTMCP) Tuy nhiên, luận văn chỉ phân tích 20 NHTM nổi bật trong giai đoạn 2007 – 2017, vì các ngân hàng này đáp ứng tiêu chí tồn tại và hoạt động liên tục đến năm 2017, đồng thời cung cấp số liệu thống kê đầy đủ và rõ ràng.
Bài nghiên cứu này tập trung vào các ngân hàng thương mại (NHTM) tiêu biểu tại Việt Nam, bao gồm: Agribank, BIDV, Eximbank, ACB, Sacombank, HDBank, Maritime Bank, MB, Saigonbank, Techcombank, VIB, Vietcombank, VietinBank, VPBank, NCB, SHB, ABBank, SCB, PG Bank và OCB Các ngân hàng này đại diện cho sự phát triển và đa dạng hóa của ngành ngân hàng Việt Nam.
Phương pháp nghiên cứu
Khóa luận sử dụng phương pháp thống kê mô tả để tổng hợp thông tin và dữ liệu thu thập được, kết hợp với phương pháp so sánh nhằm đánh giá thực trạng nợ xấu tại các ngân hàng thương mại (NHTM) ở Việt Nam.
Bài nghiên cứu áp dụng mô hình hồi quy dữ liệu bảng để phân tích nợ xấu tại các ngân hàng thương mại Việt Nam, trong bối cảnh dữ liệu gặp phải các vấn đề như phương sai sai số thay đổi, tự tương quan và nội sinh Để khắc phục những khuyết tật này, tác giả sử dụng kết hợp hai phương pháp hồi quy: Bình phương tối thiểu tổng quát (GLS) và Phương pháp Moment tổng quát (GMM) nhằm đánh giá chính xác các yếu tố tác động đến nợ xấu.
Dữ liệu cho mô hình nghiên cứu được thu thập từ các trang web chính thức của Ngân hàng Thế giới (World Bank), Ngân hàng Nhà nước (NHNN) và các báo cáo tài chính hợp nhất của các ngân hàng thương mại Việt Nam Phần mềm Stata 13.0 được sử dụng để kiểm định và ước lượng hệ số hồi quy của các biến, nhằm phục vụ cho quá trình phân tích.
Kết cấu của đề tài
Khóa luận có kết cấu gồm 5 chương, nội dung chính được thể hiện qua từng chương cụ thể như sau:
Trong chương này, tác giả trình bày tính cấp thiết của đề tài nghiên cứu, xác định mục tiêu nghiên cứu, đối tượng và phạm vi nghiên cứu, cũng như phương pháp nghiên cứu và cấu trúc của khóa luận.
Chương 2: Cơ sở lý luận và khảo lược những nghiên cứu thực nghiệm về nợ xấu tại các Ngân hàng thương mại
Bài viết sẽ trình bày khung lý thuyết về nợ xấu, bao gồm tiêu chí phân loại và nguyên nhân dẫn đến nợ xấu Nó cũng sẽ chỉ ra những tác động tiêu cực mà nợ xấu gây ra Đồng thời, tác giả sẽ tóm lược các nhân tố vi mô và vĩ mô ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam, thông qua việc khảo sát các nghiên cứu thực nghiệm trên toàn cầu và trong nước Mục tiêu là xây dựng mô hình thực nghiệm về các yếu tố tác động đến nợ xấu và ảnh hưởng của nợ xấu đến hoạt động của các ngân hàng.
Chương 3: Mô hình nghiên cứu các nhân tố tác động đến nợ xấu tại các Ngân hàng thương mại Việt Nam
Chương này xây dựng mô hình nghiên cứu về các nhân tố và tác động của nợ xấu dựa trên lý thuyết và nghiên cứu thực nghiệm Đồng thời, tác giả cũng trình bày các giả thuyết liên quan đến ảnh hưởng của các biến độc lập đến tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam, cùng với nguồn dữ liệu khai thác được mô tả chi tiết.
Chương 4: Kết quả nghiên cứu
Trong chương này, tác giả sử dụng phần mềm Stata 13.0 để kiểm định các giả thuyết hồi quy dựa trên dữ liệu thu thập từ 20 ngân hàng thương mại Việt Nam Mục tiêu là xác định mô hình phù hợp nhất và phân tích, thảo luận các kết quả thu được dựa trên nền tảng lý thuyết nghiên cứu.
Chương 5: Một số khuyến nghị nhằm giảm thiểu rủi ro nợ xấu tại các NHTM Việt Nam
Từ kết quả ước lượng, tác giả đề xuất một số khuyến nghị chính sách nhằm kiểm soát tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam.
CƠ SỞ LÝ LUẬN VÀ NHỮNG NGHIÊN CỨU THỰC NGHIỆM VỀ NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI
Tổng quan về nợ xấu tại các ngân hàng thương mại
2.1.1 Khái niệm về nợ xấu
Tùy vào cách tiếp cận và mục tiêu nghiên cứu, thuật ngữ "nợ xấu" trở nên đa dạng và phức tạp, thường được gọi là "Bad debt", "Non-performing loan" hay "Doubtful debt" Nợ xấu được xác định là các khoản nợ khó đòi hoặc các khoản vay đã quá hạn thanh toán gốc và lãi từ 90 ngày trở lên Trong lĩnh vực tài chính – ngân hàng, "Bad debt" thường xuất hiện trong các bài báo, trong khi "Non-performing loan" được sử dụng nhiều hơn trong các nghiên cứu học thuật.
Mặc dù khái niệm nợ xấu không hoàn toàn thống nhất giữa các quốc gia, có thể xác định một số trường hợp điển hình Ủy ban Basel về Giám sát ngân hàng (BCBS) chưa đưa ra định nghĩa cụ thể về nợ xấu, nhưng trong nghiên cứu “Quantitative Impact: Study 3 - Technical Guidance” (2002), BCBS cho rằng nợ được coi là không có khả năng hoàn trả khi ngân hàng nhận thấy người vay không thể trả nợ hoặc khi người vay đã quá hạn trả nợ hơn 90 ngày BCBS cũng nhấn mạnh tầm quan trọng của "mất mát có thể xảy ra trong tương lai" khi đánh giá các khoản vay.
Theo định nghĩa của Nhóm chuyên gia tư vấn Advisory Expert Group (AEG) của Liên hiệp quốc, một khoản nợ được coi là nợ xấu khi có các dấu hiệu sau: quá hạn trả lãi và/hoặc gốc trên 90 ngày; lãi chưa trả từ 90 ngày trở lên đã được nhập vào gốc, tái cấp vốn hoặc chậm trả theo thỏa thuận; hoặc nợ quá hạn thanh toán dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ khả năng thanh toán đầy đủ.
Theo Quỹ tiền tệ quốc tế (IMF), một khoản nợ được xem là nợ xấu khi quá hạn thanh toán gốc hoặc lãi 90 ngày trở lên, hoặc khi lãi quá hạn đã được vốn hóa, tái cơ cấu, hoặc trì hoãn theo thỏa thuận Ngoài ra, các khoản thanh toán đến hạn dưới 90 ngày nhưng có dấu hiệu rõ ràng về khả năng không hoàn trả của người vay cũng được coi là nợ xấu Khi một khoản vay đã được phân loại là nợ xấu, nó hoặc bất kỳ khoản vay thay thế nào cũng sẽ tiếp tục được xem là nợ xấu cho đến khi được xóa nợ hoặc thu hồi thành công lãi và gốc.
Tại Việt Nam, Thông tư 02/2013/TT-NHNN ban hành vào ngày 21/01/2013
Quy định về phân loại tài sản có và mức trích lập dự phòng rủi ro trong tổ chức tín dụng được nêu rõ trong Điều 3, trong đó nợ xấu (NPL) bao gồm nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn) Tiêu chí đánh giá nợ xấu chủ yếu dựa vào thời gian quá hạn trả nợ trên 90 ngày và khả năng cam kết trả nợ của người vay.
Khung pháp lý của các nghiên cứu xác định nợ xấu dựa trên hai yếu tố chính: (i) yếu tố định lượng, cụ thể là thời gian quá hạn trả nợ trên 90 ngày, và (ii) yếu tố định tính, liên quan đến sự nghi ngờ về khả năng trả nợ của người vay.
Hệ thống phân loại nợ hiện chưa có tiêu chuẩn kế toán quốc tế hoàn chỉnh, và việc phân loại này chủ yếu phụ thuộc vào trách nhiệm của người quản lý hoặc là vấn đề báo cáo giám sát (Bholat và ctg, 2016) Ngân hàng dựa vào các tiêu chí về mức độ rủi ro và sự tương đồng của các khoản vay để đánh giá và phân nhóm chúng Việc phân loại nợ cần được thực hiện thường xuyên và liên tục nhằm giúp ngân hàng kiểm soát chính xác tình trạng nợ, từ đó đưa ra các giải pháp xử lý kịp thời khi phát hiện dấu hiệu bất thường trong chất lượng tín dụng của các danh mục vay.
Trong số các nước G-10, Mỹ và Đức có cách tiếp cận phân loại nợ rõ ràng, trong khi nhiều quốc gia khác thiếu cơ chế quản lý chi tiết Tại những nơi này, các nhà quản lý ngân hàng thường phải xây dựng quy định và quy trình phân loại nợ nội bộ Phân loại nợ chịu ảnh hưởng lớn từ tình hình tài chính và hoàn cảnh của từng quốc gia, nhưng đề xuất của Viện Tài chính quốc tế (IIF) là phổ biến nhất Theo tài liệu "Xử lý nợ xấu trong thống kê kinh tế vĩ mô" (2001) của Adriaan M Bloem và Cornelis N Gorter, IIF phân loại nợ thành 5 nhóm chính.
Nhóm 1 - Nợ đủ tiêu chuẩn (Standard): Là các khoản nợ có gốc và lãi trong hạn Đồng thời, không có xuất hiện khó khăn nào trong việc thanh toán nợ và dự báo có thể trả nợ đầy đủ theo cam kết
Nhóm 2 - Nợ cần chú ý (Watch): Là các khoản nợ trong tình trạng có thể gặp phải nguy cơ không thanh toán đầy đủ nếu không có những biện pháp xử lý Vì vậy, cần chú ý đến các khoản nợ này hơn bình thường
Nhóm 3 - Nợ dưới tiêu chuẩn (Substandard): Là các khoản nợ bị nghi ngờ về khả năng thanh toán đầy đủ gốc và/hoặc lãi đã quá hạn trên 90 ngày, hoặc tài sản đảm bảo của khoản nợ đó bị giảm giá trị dẫn đến mất mát nếu không có biện pháp xử lý kịp thời
Nhóm 4 - Nợ nghi ngờ (Doubtful): Là khoản nợ được xác định là không thể thu hồi được gốc và/hoặc lãi đã quá hạn trên 180 ngày Tuy nhiên, nợ thuộc nhóm này vẫn chưa hẳn là mất vốn hoàn toàn vì vẫn còn những yếu tố có thể cải thiện được tình hình, ví dụ như sát nhập hoặc tiếp vốn
Nhóm 5 - Nợ mất vốn (Loss): Là khoản nợ được cho là không còn khả năng thu hồi khi gốc và/hoặc lãi đã quá hạn trên 1 năm
Trong đó, nợ xấu là các khoản nợ thuộc 3 nhóm cuối
Tại Việt Nam, Quyết định 493/2005/NHNN và Thông tư số 02/2013/NHNN quy định việc phân loại nợ thành 5 nhóm, trong đó nợ xấu được xác định là các khoản nợ thuộc nhóm 3, 4 và 5 Theo Điều 10 và 11 của Thông tư, việc phân biệt các nhóm nợ có thể thực hiện thông qua hai phương pháp khác nhau.
Phương pháp định lượng trong các tổ chức tín dụng dựa vào thời gian quá hạn hoàn trả của khoản nợ Khi có nghi ngờ về khả năng trả nợ của khách hàng, các tổ chức này có thể chủ động phân loại khoản nợ vào nhóm rủi ro cao hơn.
Phương pháp định tính trong đánh giá khả năng trả nợ của khách hàng là yếu tố quan trọng đối với các tổ chức tín dụng Mỗi tổ chức cần xây dựng hệ thống xếp hạng tín dụng nội bộ và có chính sách dự phòng rủi ro cùng với quản lý rủi ro được NHNN phê duyệt Hàng năm, các tổ chức tín dụng phải đánh giá lại hệ thống xếp hạng tín dụng nội bộ để đảm bảo tính phù hợp với thực tế và các quy định pháp luật mới.
Những nhân tố tác động đến nợ xấu tại các ngân hàng thương mại
Nợ xấu chịu ảnh hưởng từ hai nhóm nhân tố chính: nhóm nhân tố nội tại thuộc về các ngân hàng thương mại (nhân tố vi mô) và nhóm nhân tố ngoại sinh từ nền kinh tế (nhân tố vĩ mô).
2.2.1 Lý thuyết các nhân tố vi mô tác động đến nợ xấu
Theo giả thuyết "Hiệu ứng quy mô", các ngân hàng có quy mô lớn mang lại cơ hội đa dạng hóa cao hơn, giúp tối ưu hóa hoạt động và giảm rủi ro.
Giả thuyết "Quá lớn để phá sản" (Too Big To Fail) cho rằng các ngân hàng lớn chấp nhận rủi ro cao hơn bằng cách gia tăng vốn cho vay, dẫn đến tình trạng nợ xấu gia tăng, vì nhiều người tin rằng Chính phủ sẽ can thiệp nếu ngân hàng gặp khó khăn (Stern & Feldman, 2004) Boyd & Gertler (1994) chỉ ra rằng trong những năm 1980, các ngân hàng Mỹ thường thực hiện các danh mục đầu tư rủi ro cao hơn do chính sách này Tóm lại, giả thuyết này cho thấy rằng quy mô ngân hàng có mối quan hệ ngược chiều với tỷ lệ nợ xấu thông qua việc đa dạng hóa danh mục cho vay.
Hiệu quả hoạt động của ngân hàng: theo giả thuyết “Quản lý kém hiệu quả” (Bad
Nghiên cứu của Berger và DeYoung (1997) chỉ ra rằng hiệu quả ngân hàng thấp trong hệ thống ngân hàng thương mại Mỹ giai đoạn 1985-1994 dẫn đến tỷ lệ nợ xấu cao Nguyên nhân chính của sự kém hiệu quả này là do quản trị lỏng lẻo, ảnh hưởng đến thẩm định tài sản đảm bảo, giám sát chất lượng tín dụng và kiểm soát chi phí Nhiều nghiên cứu thực nghiệm khác như của Podpiera và Weill (2008), Espinoza và Prasad cũng đã củng cố lý thuyết này.
Nghiên cứu của Messai và Jouini (2010, 2013) chỉ ra rằng quản lý không hiệu quả trong hoạt động ngân hàng có thể dẫn đến tỷ lệ nợ xấu gia tăng trong tương lai.
Mức độ vốn hóa : theo giả thuyết “Rủi ro đạo đức” (Moral Hazard), Keeton và
Morris (1987) chỉ ra rằng các ngân hàng có tỷ trọng vốn chủ sở hữu thấp có nguy cơ gia tăng nợ xấu trong tương lai Những ngân hàng này, với vốn và khả năng thanh toán hạn chế, thường mạo hiểm đầu tư vào các khoản tín dụng lợi nhuận cao để cải thiện thanh khoản Hệ quả là chi phí lãi suất tăng lên cho khách hàng vay, do các nhà quản lý huy động vốn với lãi suất cao, dẫn đến việc ngân hàng phải đối mặt với nhiều rủi ro và tổn thất hơn Nhiều nghiên cứu thực nghiệm khác, như của Berger và DeYoung, cũng xác nhận giả thuyết này.
(1997), Salas và Saurina (2002) Tóm lại, giả thuyết này cho rằng mức độ vốn hóa sẽ có tác động ngược chiều đến tỷ lệ nợ xấu
Chính sách tín dụng : theo giả thuyết “Chính sách tín dụng có tính chu kỳ”
Chính sách tín dụng procyclical cho thấy ngân hàng thường áp dụng chính sách mở rộng trong giai đoạn kinh tế bùng nổ và thắt chặt trong thời kỳ suy thoái Rajan (1994) chỉ ra rằng ban lãnh đạo ngân hàng phải đối mặt với áp lực tạo ra lợi nhuận ngắn hạn, và nếu không điều chỉnh chính sách tín dụng phù hợp với tình hình kinh tế, uy tín của họ sẽ bị ảnh hưởng Khi theo đuổi chính sách này, ngân hàng có thể chấp nhận các khoản vay rủi ro cao để đạt mục tiêu tăng trưởng, nhưng khi tăng trưởng kinh tế giảm, khả năng trả nợ của người vay có thể gặp vấn đề, dẫn đến tăng nguy cơ nợ xấu (Jimenez và Saurina, 2005) Vì vậy, quyết định về chính sách tín dụng có tác động đáng kể đến tỷ lệ nợ xấu.
2.2.2 Lý thuyết các nhân tố vĩ mô tác động đên nợ xấu
Giả thuyết “Kém may mắn” chỉ ra rằng nợ xấu gia tăng khi tăng trưởng kinh tế giảm, tỷ lệ thất nghiệp và lãi suất tăng, dẫn đến ngân hàng phải chi nhiều hơn cho việc theo dõi và xử lý các khoản vay gặp vấn đề Nghiên cứu của Khemraj và Pasha (2009), Salas và Sarina (2002), cùng Bernanke và Gertler (1989) đã làm rõ kết quả này Như vậy, các yếu tố ngoại sinh có ảnh hưởng lớn đến nợ xấu và chất lượng tài sản của ngân hàng.
2.2.2.1 Lý thuyết thông tin bất cân xứng (Asymmetric Information)
Lý thuyết thông tin bất cân xứng được George Akerlof đề cập vào những năm
Sự bất cân xứng thông tin, như đã được chỉ ra vào năm 1970, là trạng thái không có sự cân bằng trong việc nắm giữ thông tin giữa các bên tham gia giao dịch, dẫn đến giá cả không phản ánh đúng giá trị thị trường, có thể quá thấp hoặc quá cao Điều này gây ra sự không hiệu quả trong thị trường và dẫn đến hai hệ quả phổ biến: rủi ro ngược (adverse selection) và rủi ro đạo đức (moral hazard).
Lựa chọn nghịch là vấn đề phát sinh từ thông tin bất cân xứng trước khi giao dịch, dẫn đến rủi ro ngược Trong các giao dịch, bên bán hoặc bên mua có thể nắm rõ hơn một số đặc điểm của sản phẩm, trong khi bên còn lại không biết Kết quả là, bên thiếu thông tin có thể nhận được sản phẩm không như mong đợi, gây ra tổn thất xã hội và ảnh hưởng đến sức khỏe người tiêu dùng, cũng như làm suy giảm lòng tin vào các sản phẩm chất lượng tốt trên thị trường.
Rủi ro đạo đức là tình trạng mà cá nhân hoặc tổ chức thực hiện hành động không thể quan sát, dẫn đến sự gian dối và không trung thực Hiện tượng này xảy ra khi một cá nhân hay tập thể không nhận toàn bộ trách nhiệm cho hành động của mình, khiến người khác phải gánh chịu một phần hậu quả.
Lý thuyết thông tin bất cân xứng chỉ ra rằng những người vay nợ xấu thường không nhận được sự thiện cảm từ các ngân hàng, dẫn đến các quyết định cho vay không tối ưu và rủi ro đạo đức Trong lĩnh vực cho vay, ngân hàng thường gặp khó khăn trong việc kiểm soát số lượng khách hàng xấu, đồng thời có nguy cơ mất đi những khách hàng tốt do thiếu thông tin về dự án và mục đích sử dụng khoản tín dụng từ phía khách hàng.
2.2.2.2 Lý thuyết kênh cho vay (Bank Lending Channel Theory)
Kênh cho vay ngân hàng, được đề xuất bởi Bernanke và Gertler (1995), xuất phát từ vấn đề thông tin bất cân xứng và vai trò của trung gian tài chính trong việc giảm thiểu vấn đề này Kênh này bao gồm hai khía cạnh chính: bảng cân đối tài sản của người đi vay và khả năng cấp tín dụng của hệ thống ngân hàng Kênh tín dụng đóng vai trò quan trọng trong việc truyền tải chính sách tiền tệ, bổ sung cho kênh lãi suất để khuếch đại tác động đến các biến số kinh tế vĩ mô thông qua cung tín dụng của ngân hàng thương mại Khi NHTW thắt chặt chính sách tiền tệ, nguồn vốn của ngân hàng thương mại sẽ bị suy giảm Theo Bernanke & Blinder (1988), để bù đắp cho sự giảm sút này, ngân hàng thương mại sẽ phải cắt giảm cung cấp tín dụng nếu gặp khó khăn trong việc huy động vốn từ thị trường.
Phần dư nguồn vốn bên ngoài là chênh lệch giữa nguồn vốn huy động từ bên ngoài và nguồn vốn từ lợi nhuận giữ lại, phản ánh sự không hoàn hảo của thị trường tín dụng Điều này tạo ra sự khác biệt giữa lợi nhuận kỳ vọng của người cho vay và chi phí của người đi vay Chính sách tiền tệ tác động trực tiếp lên lãi suất thông qua sự thay đổi trong phần dư nguồn vốn bên ngoài Bernanke và Gertler đã đề xuất hai kênh truyền tải, bao gồm bảng cân đối tài sản của người đi vay và khối lượng tín dụng từ khả năng cấp tín dụng của hệ thống ngân hàng.
2.2.2.3 Lý thuyết hiệu ứng số nhân tài chính (Financial Accelerator Theory)
Nghiên cứu của Bernanke và Gertler (1995) chỉ ra rằng lý thuyết hiệu ứng số nhân tài chính cho thấy một thay đổi nhỏ có thể khuếch đại ảnh hưởng tiêu cực lên nền kinh tế, tạo ra chu kỳ phản hồi cho thị trường tài chính Khi nền kinh tế biến động, NHTW có thể điều chỉnh chính sách, như tăng lãi suất, dẫn đến giá trị dự trữ ngân hàng bị ảnh hưởng do giá cổ phiếu và trái phiếu giảm Điều này cản trở khả năng huy động vốn của các ngân hàng, làm giảm hoạt động cho vay do thông tin bất cân xứng giữa người vay và người cho vay Ngân hàng thường yêu cầu tài sản đảm bảo, nhưng nếu giá trị tài sản giảm, bảng cân đối tài sản và giá trị ròng của doanh nghiệp sẽ xấu đi, dẫn đến khả năng trả nợ suy giảm và ảnh hưởng tiêu cực đến đầu tư Lý thuyết hiệu ứng số nhân tài chính giải thích rằng sự khác biệt trong chi phí vốn bên ngoài và bên trong có thể làm giảm giá trị tài sản ròng và tăng phần dư nguồn vốn bên ngoài khi dòng tiền hiện tại của người vay thấp.
2.2.2.4 Lý thuyết chu kỳ kinh doanh (Business Cycle Theory)
MÔ HÌNH NGHIÊN CỨU CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM
Thực trạng nợ xấu tại ngân hàng thương mại Việt Nam
Mỗi tổ chức tài chính tại Việt Nam đều công bố tỷ lệ nợ xấu trong báo cáo tài chính theo Chuẩn mực Kế toán Việt Nam (VAS) và quy định phân loại nợ của Ngân hàng Nhà nước (NHNN) Dựa trên dữ liệu từ các ngân hàng thương mại, NHNN sẽ tính toán và công bố tỷ lệ nợ xấu toàn hệ thống ngân hàng trên website chính thức của mình.
Hình 3.1 Nợ xấu của hệ thống ngân hàng Việt Nam giai đoạn 2007 – 2017
Nguồn: Ngân hàng Nhà nước Việt Nam
Tỷ lệ nợ xấu trong hệ thống ngân hàng thương mại Việt Nam đã liên tục tăng từ năm 2007, chủ yếu do sự gia tăng mạnh mẽ của dư nợ tín dụng, trong khi chất lượng tín dụng và công tác quản lý nợ vay còn nhiều hạn chế Đặc biệt, giai đoạn 2008 – 2011 chứng kiến sự gia tăng nhanh chóng của nợ xấu, với tổng nợ xấu đạt 85,000 tỷ đồng vào cuối năm 2011.
Tỷ lệ nợ xấu trong ngành ngân hàng hiện đạt 3.3% tổng dư nợ, với xu hướng giảm về tỷ lệ nhưng tăng về quy mô từ năm 2012 đến 2016 Năm 2012 ghi nhận mức nợ xấu cao nhất là 118,408 tỷ đồng, tương ứng 4.86% Tuy nhiên, từ năm 2017, tỷ lệ nợ xấu đã có sự cải thiện, giảm còn 2.34% Cần lưu ý rằng con số này chỉ phản ánh nợ xấu nội bảng, chưa bao gồm nợ xấu mà Công ty mua bán nợ VAMC đã mua nhưng chưa xử lý, với tổng số nợ xấu này lên đến trên 200.000 tỷ đồng, chiếm 3.29% tổng dư nợ.
Theo Ủy ban Giám sát Tài chính quốc gia, tỷ lệ nợ xấu của hệ thống tổ chức tín dụng đã giảm chủ yếu nhờ vào việc giảm các khoản nợ xấu tiềm ẩn trong nợ cơ cấu lại, trái phiếu doanh nghiệp và các khoản phải thu bên ngoài khó thu hồi Tuy nhiên, nợ xấu vẫn chủ yếu tập trung ở các ngân hàng thương mại yếu kém hoặc những ngân hàng đang trong diện tái cơ cấu.
Nợ xấu tại Việt Nam chủ yếu tập trung vào năm lĩnh vực chính: công nghiệp chế biến, chế tạo; kinh doanh bất động sản, dịch vụ; bán buôn, bán lẻ, sửa chữa ô tô, xe máy; vận tải, kho bãi và xây dựng Đến cuối tháng 6/2012, tổng nợ xấu của năm ngành này đạt gần 96,000 tỷ đồng, chiếm khoảng 80.49% tổng nợ xấu toàn nền kinh tế, với bất động sản và chứng khoán là hai lĩnh vực chịu ảnh hưởng nặng nề nhất Tính thanh khoản kém của bất động sản (7.83%) và sự sụt giảm của thị trường chứng khoán (19.25%) đã tác động tiêu cực đến khả năng trả nợ của các khoản đầu tư, đặc biệt trong bối cảnh biến động kinh tế vĩ mô.
Hình 3.2 Cơ cấu nợ xấu theo ngành của các NHTM Việt Nam
Nguồn: Ngân hàng nhà nước năm 2012
Vào năm 2012, nợ xấu trong ngành ngân hàng chủ yếu đến từ các doanh nghiệp nhà nước (DNNN), với tỷ lệ lên tới 70% tổng nợ xấu, trong khi khu vực tư nhân chỉ chiếm khoảng 30% Mặc dù dư nợ của khu vực tư nhân chiếm 80-83% tổng dư nợ, nhưng tài sản đảm bảo của họ hầu hết vẫn chưa được xử lý kịp thời Tỷ lệ nợ xấu tại các ngân hàng thương mại nhà nước (NHTM Nhà Nước) là 54.2%, trong khi tỷ lệ này ở các ngân hàng thương mại cổ phần (NHTMCP) chỉ là 26.28% Đặc biệt, 12 tập đoàn kinh tế nhà nước có tổng nợ vay lên tới gần 218,740 tỷ đồng, với các khoản nợ lớn như Tập đoàn Dầu khí (PVN – 72,300 tỷ) và Điện lực (EVN – 62,800 tỷ) Nguyên nhân chính dẫn đến tình trạng này là do quy trình thẩm định cho vay lỏng lẻo và hoạt động kinh doanh chưa hiệu quả của các DNNN, ảnh hưởng tiêu cực đến tỷ lệ nợ xấu toàn hệ thống.
19% Công nghiệp chế biến, chế tạo
Bất động sản và hoạt động dịch vụ Buôn bán, sửa chữa ô tô, xe máy Vận tải, kho bãi
Nguồn: Tổng hợp từ Báo cáo của NHNN Việt Nam, 2012
Nợ xấu trong hệ thống ngân hàng thương mại Việt Nam đang trở thành vấn đề nghiêm trọng, đặc biệt khi tập trung vào các lĩnh vực như bất động sản, chứng khoán và tỷ trọng cao của doanh nghiệp nhà nước trong cơ cấu nợ.
Xây dựng mô hình nghiên cứu
Dựa trên các công trình nghiên cứu thực nghiệm của Salas và ctg (2002), Khemraj & ctg (2009), Ahlem Selma Messai, Fathi Jouini (2013), Phan Thị Mỹ Huệ
Theo nghiên cứu của tác giả vào năm 2013 và Nguyễn Thị Hồng Vinh năm 2017, một số yếu tố chính ảnh hưởng đến tỷ lệ nợ xấu bao gồm: nợ xấu của năm trước và quy mô ngân hàng.
(3) khả năng sinh lời, (4) vốn chủ sở hữu, (5) tốc độ tăng trưởng tín dụng, (6) tốc độ tăng trưởng kinh tế và (7) tỷ lệ lạm phát
Như vậy, mô hình nghiên cứu được xây dựng có dạng phương trình sau:
NH liên doanh, nước ngoài, 5%
Hình 3.3 Cơ cấu nợ xấu theo thành phần kinh tế của các NHTM Việt Nam
i và t = [1, 2, …, N], với i là số NHTM (20 NHTM) và t là số năm nghiên cứu
Biến phụ thuộc là tỷ lệ nợ xấu 𝑁𝑃𝐿 𝑖,𝑡
Biến độc lập bao gồm:
- Biến vi mô: Nợ xấu năm trước (𝑁𝑃𝐿 𝑖,𝑡−1 ), quy mô ngân hàng (𝑆𝐼𝑍𝐸 𝑖,𝑡 ), khả năng sinh lời (𝑅𝑂𝐸 𝑖,𝑡 ), vốn chủ sở hữu (𝐸𝑇𝐴 𝑖,𝑡 ), tốc độ tăng trưởng tín dụng (𝐿𝐺𝑅 𝑖,𝑡 )
- Biến vĩ mô: Tốc độ tăng trưởng (𝐺𝐷𝑃 𝑖,𝑡 ) và tỷ lệ lạm phát (𝐼𝑁𝐹 𝑖,𝑡 )
Biến phụ thuộc 𝑁𝑃𝐿 𝑖,𝑡 biểu thị tỷ lệ nợ xấu trên tổng dư nợ của ngân hàng i trong năm t NPL (Non-performing loan) được xác định bởi hai yếu tố chính: thời gian quá hạn trả nợ và khả năng trả nợ của người vay Theo Thông tư 02/2013/TT – NHNN, nợ xấu được phân loại vào nhóm nợ 3, 4 và 5 và được đo lường bằng một công thức cụ thể.
NPL = Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5
Tỷ lệ nợ xấu trên tổng dư nợ là chỉ số quan trọng đánh giá chất lượng và hiệu quả tín dụng của ngân hàng Khi tỷ lệ nợ xấu cao, ngân hàng đối mặt với nguy cơ không thu hồi được nợ vay, dẫn đến khả năng mất vốn và ảnh hưởng tiêu cực đến khả năng thanh toán cũng như hiệu quả kinh doanh.
NPL i,t-1 là tỷ lệ nợ xấu trên tổng dư nợ của ngân hàng i trong năm t – 1, phản ánh tác động của quản lý kém đối với nợ xấu Nếu nợ xấu không được xử lý triệt để trong quá khứ, nó có thể ảnh hưởng tiêu cực đến tỷ lệ nợ xấu hiện tại Nghiên cứu của Nir Klein (2013) đã chỉ ra rằng tỷ lệ nợ xấu trong quá khứ có thể dẫn đến sự gia tăng không mong muốn của tỷ lệ nợ xấu hiện tại, do đó, tác giả chọn giả thuyết đầu tiên cho nghiên cứu này.
Giả thuyết 1: Nợ xấu kỳ trước có mối quan hệ cùng chiều với nợ xấu năm hiện tại
Quy mô ngân hàng có ảnh hưởng trực tiếp đến tỷ lệ nợ xấu, theo giả thuyết "Quá lớn không thể bị phá sản" Các ngân hàng lớn thường chấp nhận rủi ro cao hơn bằng cách gia tăng vốn cho vay, dẫn đến tỷ lệ nợ xấu cao hơn Tại Việt Nam, các ngân hàng thương mại nhà nước thường có quy mô lớn hơn so với ngân hàng thương mại cổ phần, do đó, các khoản vay rủi ro của họ được cho là sẽ được chính phủ bảo vệ trong trường hợp xảy ra phá sản.
Giả thuyết 2: Quy mô tổng tài sản của ngân hàng có mối quan hệ cùng chiều với tỷ lệ nợ xấu
ROE (Return on Equity) là chỉ số quan trọng phản ánh khả năng sinh lời của ngân hàng i trong năm t, cùng với tỷ lệ nợ xấu năm trước, đóng vai trò trong giả thuyết “Quản lý kém” Chỉ số này đo lường hiệu quả quản lý vốn của ngân hàng, cho thấy mỗi đồng vốn đầu tư mang lại bao nhiêu đồng lợi nhuận ROE thấp chỉ ra chính sách quản lý yếu kém, làm tăng nguy cơ nợ xấu Nghiên cứu thực nghiệm tại các ngân hàng Hy Lạp giai đoạn 2003 – 2009 của Dimitrios Louzis và cộng sự (2010) đã chứng minh rằng ROE có tác động ngược chiều đến nợ xấu, kết luận này cũng được hỗ trợ bởi nghiên cứu của Makr, Tsagkanos và Athanasios.
Giả thuyết 3: Khả năng sinh lời có mối quan hệ ngược chiều với nợ xấu
ETAi,t là chỉ số phản ánh mức độ vốn hóa, thể hiện tỷ lệ vốn chủ sở hữu so với tổng tài sản của ngân hàng i tại thời điểm t Khi ngân hàng có tỷ lệ vốn chủ sở hữu thấp, ban lãnh đạo thường có xu hướng chấp nhận nhiều rủi ro hơn Nghiên cứu thực nghiệm của Keeton và Morris nhằm kiểm tra giả thuyết về "Rủi ro đạo đức" đã chỉ ra mối liên hệ này.
Nghiên cứu năm 1987 chỉ ra rằng mức độ vốn hóa ảnh hưởng đến rủi ro đạo đức và tỷ lệ nợ xấu của ngân hàng Cụ thể, các ngân hàng có tỷ lệ vốn chủ sở hữu trên tổng tài sản thấp thường gặp phải tỷ lệ nợ xấu cao Hơn nữa, vốn thấp phản ánh năng lực tài chính yếu kém của ngân hàng thương mại, vì họ thường sử dụng vốn chủ sở hữu để bảo vệ giá trị tài sản và duy trì khả năng thanh toán.
Giả thuyết 4: Tỷ lệ vốn chủ sở hữu trên tổng tài sản có mối quan hệ ngược chiều với nợ xấu
Tăng trưởng tín dụng (LGR i,t) đại diện cho tốc độ tăng trưởng của ngân hàng i trong năm t, dự kiến sẽ tương quan với nợ xấu Tăng trưởng tín dụng phản ánh sự gia tăng giá trị khoản vay qua các năm, được tính bằng phần trăm thay đổi giữa dư nợ cho vay của kỳ này so với kỳ trước.
Theo giả thuyết “Chính sách tín dụng có tính chu kỳ”, nghiên cứu của de Lis và cộng sự (2000) chỉ ra rằng tăng trưởng tín dụng có mối liên hệ chặt chẽ với chu kỳ phát triển kinh tế, với tốc độ tăng trưởng tín dụng thường vượt qua tốc độ tăng trưởng GDP trong giai đoạn hưng thịnh Điều này được giải thích bởi quy luật cung – cầu, trong đó cầu phụ thuộc vào xu hướng đầu tư và tiêu dùng, còn cung phụ thuộc vào chính sách tín dụng của ngân hàng Khi nền kinh tế phát triển, các ngân hàng thường nới lỏng điều kiện xét duyệt tín dụng, dẫn đến tích lũy rủi ro và nợ xấu trong giai đoạn suy thoái Salas và Saurina (2002) đã xác nhận mối tương quan thuận giữa tốc độ tăng trưởng tín dụng và tỷ lệ nợ xấu, trong khi Berger và cộng sự (2004) nhấn mạnh rằng tăng trưởng tín dụng nhanh có thể dẫn đến việc chấp nhận rủi ro quá mức, làm gia tăng nợ xấu trong tương lai.
Tốc độ tăng trưởng tín dụng không phải lúc nào cũng ảnh hưởng tích cực đến tỷ lệ nợ xấu Trong một số trường hợp, khi tín dụng tăng do nhu cầu cao, nợ xấu có thể giảm, cho thấy rằng động lực tăng trưởng tín dụng có thể đến từ cầu thay vì cung.
Giả thuyết 5: Tốc độ tăng trưởng tín dụng có mối quan hệ cùng chiều hoặc ngược chiều với nợ xấu
Tăng trưởng GDP là chỉ số quan trọng phản ánh giá trị sản phẩm được sản xuất trong một quốc gia tại thời điểm t, và mối quan hệ giữa môi trường kinh tế vĩ mô và chất lượng khoản vay đã được nghiên cứu qua các giai đoạn của chu kỳ kinh tế Nhiều nghiên cứu, như của Rajiv Rajan và Sarat Chandra Dhal (2003), Dimitrios và cộng sự (2010), Nir Klein (2013), đã chỉ ra rằng nền kinh tế tăng trưởng tích cực tạo điều kiện thuận lợi cho khách hàng vay vốn ngân hàng đầu tư và sản xuất, từ đó nâng cao khả năng trả nợ và giảm rủi ro nợ xấu, phù hợp với giả thuyết “Kém may mắn”.
Giả thuyết 6: Tốc độ tăng trưởng GDP có mối quan hệ ngược chiều với nợ xấu
Tỷ lệ lạm phát, hay còn gọi là INF i,t, phản ánh sự gia tăng mức giá chung trong nền kinh tế theo thời gian và đồng thời là sự mất giá trị của tiền tệ Nghiên cứu của Vasiliki và cộng sự (2014) cùng với Đỗ Quỳnh Anh và Nguyễn Đức Hùng (2013) đã chỉ ra rằng tỷ lệ lạm phát có ảnh hưởng trực tiếp đến nợ xấu, theo giả thuyết “Kém may mắn” Cụ thể, lạm phát cao có thể làm giảm nhanh chóng vốn chủ sở hữu của các ngân hàng thương mại và đồng thời gia tăng tỷ lệ nợ xấu Khi lạm phát tăng, thu nhập thực tế giảm, dẫn đến lãi suất tăng và ảnh hưởng tiêu cực đến khả năng trả nợ, từ đó làm tăng nguy cơ nợ xấu.
Giả thuyết 7: Tỷ lệ lạm phát có mối quan cùng chiều với nợ xấu
Bảng 3.1 Tổng hợp các biến sử dụng trong mô hình nghiên cứu
Yếu tố Tên biến Ký hiệu Đo lường Giả thuyết tương ứng
Nợ xấu Tỷ lệ nợ xấu NPL i,t Nợ xấu i,t
Nhân tố đặc thù ngân hàng
Nợ xấu năm trước NPL i,t−1 Nợ xấu
Tổng dư nợ Quản lý kém (+)
Quy mô ngân hàng SIZE i,t Ln (Tổng tài sản i,t ) Hiệu ứng quy mô (+)
Khả năng sinh lời ROE i,t Lợi nhuận sau thuế
VCSH bình quân Quản lý kém (-)
Vốn chủ sở hữu trên tổng tài sản
ETA i,t Vốn chủ sở hữu i,t
Tổng tài sản i,t Rủi ro đạo đức (-)
Tốc độ tăng trưởng tín dụng
LGR i,t Dư nợ i,t − Dư nợ i,t−1
Chính sách tín dụng có tính chu kỳ
Nhân tố kinh tế vĩ mô
Tốc độ tăng trưởng kinh tế
Nguồn: Tổng hợp từ tác giả
Phương pháp nghiên cứu
3.3.1 Hồi quy dữ liệu bảng
Dữ liệu bảng (Panel Data) là loại dữ liệu phổ biến trong nghiên cứu vi mô và vĩ mô, giúp phân tích mối liên hệ giữa các thành phần kinh tế theo thời gian và sự khác biệt giữa các nhóm đối tượng Dạng dữ liệu này được kết hợp từ hai loại dữ liệu khác nhau, mang lại hiệu quả cao trong việc nghiên cứu.
Dữ liệu chuỗi thời gian (time series) là tập hợp các quan sát của một biến số được thu thập theo thời gian với tần suất quan sát cụ thể Ngược lại, dữ liệu chéo (cross-section data) là tập hợp thông tin của nhiều biến tại một thời điểm cụ thể.
Dữ liệu bảng được phân loại thành hai loại: cân bằng và không cân bằng Dữ liệu bảng được coi là cân bằng khi có đầy đủ thông tin và số liệu của tất cả các đối tượng trong toàn bộ thời gian quan sát, không bị thiếu số liệu trong bất kỳ năm nào Ngược lại, dữ liệu bảng không cân bằng xảy ra khi thiếu thông tin của một hoặc nhiều đối tượng nghiên cứu.
Dữ liệu bảng ngày càng phổ biến nhờ khả năng đo lường hiệu quả các ảnh hưởng không thể quan sát, vượt trội hơn so với dữ liệu chuỗi thời gian và dữ liệu chéo theo không gian Nó hỗ trợ nghiên cứu các mô hình phức tạp và giải quyết nhiều vấn đề trong phân tích dữ liệu.
Tính dị biệt trong dữ liệu bảng cho phép phân tích thông tin liên quan đến các đối tượng như cá nhân, doanh nghiệp, thành phố và đất nước qua chuỗi thời gian Kỹ thuật ước lượng dữ liệu bảng xem xét các biến số đặc thù của từng đối tượng, giúp cải thiện độ chính xác của phân tích Bên cạnh đó, việc kết hợp các chuỗi thời gian từ các quan sát không gian mang lại dữ liệu phong phú và đa dạng hơn, giảm thiểu hiện tượng đa cộng tuyến giữa các biến số, đồng thời tăng cường bậc tự do và hiệu quả trong phân tích.
Dữ liệu bảng được coi là phù hợp hơn để nghiên cứu tính động của thay đổi thông qua việc phân tích các quan sát theo không gian lặp lại Cụ thể, dữ liệu bảng cho phép phân tích hiệu quả hơn các biến động liên tục trong tỷ lệ thất nghiệp và lưu chuyển lao động.
Dữ liệu bảng mang lại tính chính xác cao nhờ vào việc thu thập một lượng lớn số liệu, giúp giảm thiểu sai lệch khi tổng hợp thông tin từ nhiều cá nhân hay doanh nghiệp Hơn nữa, với khả năng phân tích theo thời gian và không gian, dữ liệu bảng có thể giải quyết hiệu quả vấn đề phân phối chuẩn của các biến.
3.3.2 Các phương pháp hồi quy dữ liệu
Các phương pháp ước lượng phổ biến cho dữ liệu bảng bao gồm Mô hình Pooled, Mô hình Fixed Effect (FEM) và Mô hình Random Effect (REM) Tuy nhiên, khi gặp hiện tượng tự tương quan hoặc phương sai thay đổi, kết quả của các phương pháp này sẽ bị thiên lệch và không còn đáng tin cậy Do đó, lựa chọn ước lượng bằng GLS (nếu không có nội sinh) hoặc GMM (khi có nội sinh) sẽ mang lại kết quả chính xác hơn.
3.3.2.1 Phương pháp Bình phương tối thiểu tổng quát (GLS)
Phương pháp ước lượng GLS tương tự như OLS, nhưng với các biến số đã được điều chỉnh để đáp ứng các giả thuyết bình phương tối thiểu Trong dữ liệu bảng, sai số thường gặp phải hiện tượng phương sai không đồng nhất và tương quan lẫn nhau, thường xuất phát từ các đơn vị chéo không đồng nhất, tương quan giữa các đơn vị chéo, và tương quan theo chuỗi thời gian của một đơn vị chéo.
Khi ước lượng OLS không còn là ước lượng nhất quán, phương pháp GLS trở thành giải pháp thay thế hiệu quả Phương pháp GLS giúp đảm bảo rằng không có sự tương quan giữa các sai số của một đơn vị qua thời gian Tuy nhiên, cần lưu ý rằng GLS vẫn không thể giải quyết vấn đề nội sinh trong mô hình.
3.3.2.2 Phương pháp Moment tổng quát (GMM)
Các phương pháp ước lượng phổ biến như OLS, 2SLS và GLS thực chất là những trường hợp đặc biệt của GMM, đi kèm với nhiều ràng buộc phức tạp GMM nổi bật với tính bao quát, có khả năng áp dụng trong hầu hết các tình huống.
Trong trường hợp mô hình không có nội sinh, không có phương sai sai số thay đổi và không xuất hiện hiện tượng tự tương quan, phương pháp GMM sẽ cho ra kết quả tương tự như phương pháp OLS.
Trong mô hình có yếu tố nội sinh nhưng không có phương sai sai số thay đổi và không xuất hiện hiện tượng tự tương quan, phương pháp GMM sẽ cho kết quả tương tự như phương pháp 2SLS.
Trong trường hợp mô hình không bị nội sinh nhưng có phương sai sai số thay đổi hoặc hiện tượng tự tương quan, phương pháp GMM sẽ cho kết quả tương tự như phương pháp GLS.
GMM có khả năng xử lý các hàm hồi quy phi tuyến và đảm bảo tính bền vững khi sử dụng đúng biến công cụ, bất kể mức độ tương quan giữa biến công cụ và biến bị nội sinh.
Một số kiểm định tính phù hợp của kết quả ước lượng bằng GMM
(1) Kiểm định Arellano – Bond (AR): Kiểm định này được đề xuất bởi Arellano –
Trình tự nghiên cứu
Nghiên cứu này sử dụng phần mềm Stata 13.0 để phân tích dữ liệu, một công cụ phổ biến trong cộng đồng nghiên cứu tại Việt Nam và trên thế giới nhờ vào nhiều ưu điểm vượt trội Quy trình nghiên cứu bắt đầu bằng phân tích thống kê mô tả, trong đó bộ dữ liệu thu thập được sẽ được chuyển sang phần mềm Stata để xử lý Kết quả thống kê mô tả sẽ được trình bày trong bảng với các thông số như Obs (Số quan sát).
Giá trị trung bình (Mean), độ lệch chuẩn (Std.Dev), giá trị lớn nhất (Max) và giá trị nhỏ nhất (Min) cung cấp thông tin thống kê về các biến nghiên cứu Phân tích tương quan trong mô hình nghiên cứu giúp đánh giá mối quan hệ giữa các biến, thông qua ma trận tương quan Nếu hệ số tương quan giữa biến độc lập và biến phụ thuộc là dương (+), điều này cho thấy biến độc lập ảnh hưởng tích cực đến biến phụ thuộc; ngược lại, hệ số âm cho thấy ảnh hưởng tiêu cực Ngoài ra, nếu hệ số tương quan giữa hai biến độc lập cao, có thể xảy ra hiện tượng đa cộng tuyến trong mô hình Cuối cùng, việc kiểm định các giả thuyết hồi quy là cần thiết để xác định tính chính xác của mô hình nghiên cứu.
Kiểm định đa cộng tuyến là quá trình xác định sự tự tương quan giữa các biến độc lập trong mô hình Hiện tượng này có thể làm cho các ước lượng OLS và sai số chuẩn trở nên nhạy cảm với những thay đổi nhỏ trong dữ liệu, dẫn đến ước lượng khoảng tin cậy không còn chính xác Để phát hiện hiện tượng đa cộng tuyến, tác giả đã sử dụng kiểm định VIF, với ngưỡng VIF > 10 cho thấy sự hiện diện của vấn đề này.
Kiểm định phương sai sai số thay đổi được thực hiện thông qua kiểm định Lagrangian với giả thuyết H0 là phương sai của sai số không đổi Hiện tượng phương sai thay đổi có thể làm cho kết quả của phương trình hồi quy sử dụng phương pháp OLS trở nên không chính xác, dẫn đến việc đánh giá sai chất lượng của phương trình hồi quy Nếu kết quả kiểm định cho thấy Prob nhỏ hơn mức ý nghĩa, giả thuyết H0 sẽ bị bác bỏ.
Kiểm định tự tương quan là một phương pháp quan trọng trong nghiên cứu, sử dụng kiểm định Wooldridge để đánh giá mối quan hệ giữa các sai số Giả thuyết H0 được đặt ra là không có hiện tượng tự tương quan bậc 1 Nếu kết quả kiểm định cho thấy có sự tồn tại của tự tương quan, điều này có thể ảnh hưởng đến độ tin cậy của mô hình phân tích.
Khi giá trị Prob nhỏ hơn mức ý nghĩa, giả thuyết Ho sẽ bị bác bỏ Phương pháp ước lượng GLS được áp dụng để xử lý vi phạm về phương sai sai số thay đổi và tự tương quan trong mô hình Mặc dù phương pháp này không làm thiên lệch kết quả ước lượng của hệ số, nhưng có thể làm giảm hiệu quả của các ước lượng, đặc biệt là khiến sai số chuẩn không còn là nhỏ nhất Để khắc phục hiện tượng nội sinh do mô hình sử dụng biến trễ của biến phụ thuộc (𝑁𝑃𝐿 𝑖,𝑡−1), khóa luận áp dụng phương pháp ước lượng moment tổng quát (GMM), nhằm đảm bảo tính chính xác cao hơn cho kết quả thu được.
