Luận văn Thạc sĩ Kinh tế: Các nhân tố tác động đến rủi ro hệ thống ngân hàng thương mại tại Việt Nam

NGÂN HÀNG NHÀ NƢỚC VIỆT NAM BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH

CHÂU HỒ QUỐC BẢO

CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO HỆ THỐNG CÁC NGÂN HÀNG THƢƠNG MẠI TẠI VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP. HỒ CHÍ MINH – NĂM 2016

NGÂN HÀNG NHÀ NƢỚC VIỆT NAM BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH

CHÂU HỒ QUỐC BẢO

CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO HỆ THỐNG CÁC NGÂN HÀNG THƢƠNG MẠI TẠI VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 60 34 02 01

LUẬN VĂN THẠC SĨ KINH TẾ

Ngƣời hƣớng dẫn khoa học: PGS. TS. HẠ THỊ THIỀU DAO

TP. HỒ CHÍ MINH – NĂM 2016

TÓM TẮT

Thông qua đề tài “Các nhân tố tác động đến rủi ro hệ thống các ngân

hàng thƣơng mại tại Việt Nam”, tác giả nghiên cứu với sự thay đổi của tăng

trưởng kinh tế (GDP), tăng trưởng vốn huy động của hệ thống ngân hàng thương

mại (TD), tỷ lệ nợ xấu (NPL) và bản thân rủi ro hệ thống (PD) thì rủi ro hệ thống

các ngân hàng thương mại tại Việt Nam bị tác động như thế nào. Trước đó, bằng

phương pháp quyền chọn (CCA), rủi ro hệ thống được đo lường bằng xác suất phá

sản của danh mục 26 ngân hàng thương mại trong thời hạn 1 năm tiếp theo. Phương

pháp tự hồi quy vector theo dữ liệu bảng (panel VAR) với hai ứng dụng là hàm

phản ứng đẩy và phân rã phương sai được sử dụng nhằm xem xét mối quan hệ của

các nhân tố đến rủi ro hệ thống ngân hàng thương mại tại Việt Nam. Sau khi tiến

hành phân tích thống kê mô tả, phân tích hồi quy kết hợp với đánh giá tình hình

hoạt động thực tế của hệ thống ngân hàng thương mại, nghiên cứu nhận thấy việc

tăng trưởng kinh tế quá nhanh, gia tăng vốn huy động đột ngột, bùng phát tỷ lệ nợ

xấu hay cách quản trị rủi ro thiếu hiệu quả đều làm tăng rủi ro hệ thống, điều này

cho thấy cần phải có những chính sách, biện pháp quản lý phù hợp đối với nền kinh

tế vĩ mô lẫn tài chính, đặc biệt cần phải ổn định khu vực ngân hàng để kiểm soát rủi

ro hệ thống, tránh gây những hậu quả bất lợi cho nền kinh tế.

LỜI CAM ĐOAN

Tôi là Châu Hồ Quốc Bảo, học viên lớp cao học CH16B2, trường đại học

Ngân Hàng TP. Hồ Chí Minh, niên khóa 2014 – 2016. Luận văn này chưa từng

được trình nộp để lấy học vị thạc sĩ tại bất cứ một trường đại học nào. Luận văn này

là công trình nghiên cứu riêng của tác giả, kết quả nghiên cứu là trung thực, trong

đó không có các nội dung đã được công bố trước đây hoặc các nội dung do người

khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong luận văn.

Tôi xin chịu hoàn toàn trách nhiệm về lời cam đoan của tôi.

Tp. Hồ Chí Minh, ngày 24 tháng 09 năm 2016

Người thực hiện

CHÂU HỒ QUỐC BẢO

LỜI CẢM ƠN

Tôi cảm ơn rất nhiều người hướng dẫn của mình, PGS. TS. Hạ Thị Thiều

Dao, người đã tận tình hướng dẫn và hỗ trợ tôi trong suốt quá trình viết luận văn.

Luận văn này chắc chắn không thể hoàn thành nếu không có sự hướng dẫn tận tâm

của cô.

Tôi cũng cảm ơn cha mẹ, anh chị, bạn Nguyễn Thị Hải Yến đã giúp đỡ, hỗ

trợ, cho tôi những nhận xét nghiêm khắc nhưng công bằng nhất. Tôi biết ơn, trân

trọng những kinh nghiệm, góp ý, khuyến khích của mọi người kể từ khi bắt đầu viết

luận văn này.

Cuối cùng, tôi cảm ơn tất cả thầy cô, bạn bè đã hỗ trợ, góp ý giúp tôi hoàn

thiện những thiếu sót của luận văn này, do thời gian và kiến thức còn hạn chế mà

còn nhiều khuyết điểm không thể tránh khỏi.

MỤC LỤC

TÓM TẮT ......................................................................................................................................... 1

LỜI CAM ĐOAN ............................................................................................................................. 2

LỜI CẢM ƠN ................................................................................................................................... 3

MỤC LỤC ......................................................................................................................................... 4

DANH MỤC CHỮ VIẾT TẮT ....................................................................................................... 7

DANH MỤC BẢNG ......................................................................................................................... 8

DANH MỤC HÌNH .......................................................................................................................... 9

CHƢƠNG 1: GIỚI THIỆU ........................................................................................................... 10

1.1. ĐẶT VẤN ĐỀ .......................................................................................................................... 10

1.2. TÍNH CẤP THIẾT CỦA ĐỀ TÀI ......................................................................................... 11

1.3. MỤC TIÊU NGHIÊN CỨU ................................................................................................... 13

1.3.1. Mục tiêu tổng quát ........................................................................................................... 13

1.3.2. Mục tiêu cụ thể ................................................................................................................. 13

1.4. CÂU HỎI NGHIÊN CỨU ...................................................................................................... 13

1.5. ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU ....................................................................... 13

1.5.1. Đối tƣợng nghiên cứu ....................................................................................................... 13

1.5.2. Phạm vi nghiên cứu .......................................................................................................... 13

1.6. PHƢƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU ...................................... 14

1.7. ĐÓNG GÓP CỦA ĐỀ TÀI ..................................................................................................... 14

1.8. KẾT CẤU CỦA ĐỀ TÀI ........................................................................................................ 15

CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VỀ RỦI RO HỆ THỐNG VÀ CÁCH ĐO LƢỜNG RỦI RO HỆ THỐNG ............................................................................................................................. 16

2.1. KHÁI NIỆM RỦI RO HỆ THỐNG ...................................................................................... 16

2.2. ĐO LƢỜNG RỦI RO HỆ THỐNG ....................................................................................... 18

2.2.1. Các phƣơng pháp đo lƣờng ............................................................................................. 18

2.2.2. Phƣơng pháp CCA ........................................................................................................... 19

2.3. CÁC NHÂN TỐ ẢNH HƢỞNG ĐẾN RỦI RO HỆ THỐNG CÁC NHTM ...................... 23

2.3.1. Tăng trƣởng kinh tế ......................................................................................................... 24

2.3.2. Tăng trƣởng vốn huy động .............................................................................................. 25

2.3.3. Tỷ lệ nợ xấu ...................................................................................................................... 25

2.3.4. Quản trị rủi ro hệ thống .................................................................................................. 26

2.4. TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI ...................................... 26

CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU ......................................................................... 32

3.1. ĐO LƢỜNG RỦI RO HỆ THỐNG ....................................................................................... 32

3.2. PHƢƠNG PHÁP ƢỚC LƢỢNG ........................................................................................... 34

3.2.1. Mô hình tự hồi quy vector VAR ..................................................................................... 34

3.2.2. Ƣớc lƣợng mô hình panel VAR ....................................................................................... 35

3.2.2.1. Kiểm định tính dừng đối với chuỗi dữ liệu .................................................................. 35

3.2.2.2. Lựa chọn độ trễ thích hợp ........................................................................................... 37

3.2.3. Kiểm định chẩn đoán mô hình panel VAR .................................................................... 37

3.2.3.1. Tính ổn định của mô hình ............................................................................................ 37

3.2.3.2. Kiểm định chẩn đoán đối với phần dư ........................................................................ 37

3.2.4. Kiểm định nhân quả ........................................................................................................ 38

3.2.5. Phản ứng đẩy và phân rã phƣơng sai ............................................................................. 39

3.2.5.1. Phản ứng đẩy .............................................................................................................. 39

3.2.5.2. Phân rã phương sai ..................................................................................................... 39

3.3. MÔ TẢ CÁC BIẾN ................................................................................................................. 39

3.3.1. Biến phụ thuộc – Rủi ro hệ thống PDi,t........................................................................... 39

3.3.2. Biến độc lập ....................................................................................................................... 40

3.3.2.1. Tăng trưởng kinh tế – GDP ......................................................................................... 40

3.3.2.2. Tăng trưởng vốn huy động của hệ thống NHTM – TD ............................................... 40

3.3.2.3. Tỷ lệ nợ xấu – NPL ...................................................................................................... 40

3.3.2.4. Độ trễ của rủi ro hệ thống – PD ................................................................................. 41

3.4. MÔ HÌNH THỰC NGHIỆM ................................................................................................. 41

3.5. DỮ LIỆU NGHIÊN CỨU ....................................................................................................... 43

CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN ..................................................... 45

4.1. ĐÁNH GIÁ VỀ RỦI RO HỆ THỐNG .................................................................................. 45

4.1.2. Đánh giá rủi ro hệ thống các NHTM theo phân nhóm tăng trƣởng tín dụng ............ 47

4.1.3. Đánh giá rủi ro hệ thống các NHTM theo phân nhóm cơ cấu sở hữu ........................ 48

4.2. RỦI RO HỆ THỐNG VÀ CÁC NHÂN TỐ ẢNH HƢỞNG ................................................ 49

4.2.1. Rủi ro hệ thống và tăng trƣởng kinh tế .......................................................................... 49

4.2.2. Rủi ro hệ thống và tăng trƣởng vốn huy động .............................................................. 49

4.2.3. Rủi ro hệ thống và tỷ lệ nợ xấu ....................................................................................... 50

4.3. KẾT QUẢ HỒI QUY THEO MÔ HÌNH PANEL VAR ...................................................... 51

4.3.1. Kết quả ƣớc lƣợng mô hình panel VAR ......................................................................... 51

4.3.1.1. Kiểm định nghiệm đơn vị ............................................................................................ 51

4.3.1.2. Chọn độ trễ phù hợp.................................................................................................... 51

4.3.1.3. Kết quả ước lượng ....................................................................................................... 52

4.3.2. Kiểm định chẩn đoán mô hình ........................................................................................ 52

4.3.2.1. Tính ổn định của mô hình ............................................................................................ 52

4.3.2.2. Kiểm định chẩn đoán đối với phần dư ........................................................................ 53

4.3.2.3. Kiểm định phân phối chuẩn của phần dư ................................................................... 53

4.3.3. Kiểm định nhân quả Granger ......................................................................................... 53

4.3.4. Kết quả hàm phản ứng đẩy ............................................................................................. 54

4.3.4.1. Phản ứng của rủi ro hệ thống trước cú sốc tăng trưởng kinh tế ................................. 54

4.3.4.2. Phản ứng của rủi ro hệ thống trước cú sốc của tỷ lệ nợ xấu ...................................... 55

4.3.4.3. Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng vốn huy động ............... 56

4.3.3.4. Phản ứng của rủi ro hệ thống trước cú sốc của chính nó ........................................... 56

4.3.5. Phân rã phƣơng sai .......................................................................................................... 57

CHƢƠNG 5: KẾT LUẬN VÀ GỢI Ý VỀ CHÍNH SÁCH ......................................................... 59

5.1. KẾT LUẬN .............................................................................................................................. 59

5.2. GỢI Ý CHÍNH SÁCH ............................................................................................................ 60

5.2.1. Về tăng trƣởng kinh tế ..................................................................................................... 61

5.2.2. Về tăng trƣởng vốn huy động.......................................................................................... 61

5.2.3. Về tỷ lệ nợ xấu .................................................................................................................. 62

5.2.4. Về công tác quản trị rủi ro .............................................................................................. 63

5.3. HẠN CHẾ NGHIÊN CỨU VÀ HƢỚNG NGHIÊN CỨU TIẾP THEO ............................ 65

TÀI LIỆU THAM KHẢO ............................................................................................................. 67

PHỤ LỤC 1. ĐO LƢỜNG RỦI RO HỆ THỐNG ....................................................................... 72

PHỤ LỤC 2. KẾT QUẢ TỪ MÔ HÌNH PANEL VAR .............................................................. 75

PHỤ LỤC 3. KIỂM ĐỊNH CHẨN ĐOÁN MÔ HÌNH ............................................................... 81

DANH MỤC CHỮ VIẾT TẮT

Từ viết tắt Ý nghĩa

Công ty quản lý tài sản AMC (Asset Management Company)

Bất động sản BĐS

Ngân hàng Thanh toán Quốc tế BIS (Bank for International Settlements)

Phương pháp/Phân tích quyền chọn CCA (Contingent Claim Approach/Analysis)

Tổng cục Thống kê GSO

Quỹ Tiền tệ Quốc tế (International Monetary Fund) IMF

Ngân hàng NH

Ngân hàng Nhà nước NHNN

Ngân hàng thương mại NHTM

NHTMCP Ngân hàng thương mại cổ phần

Tổ chức tín dụng TCTD

Mô hình tự hồi quy vector (Vector Auto Regression) VAR

VCBS Công ty Cổ phần Chứng khoán Ngân hàng TMCP Ngoại thương Việt Nam

Công ty Cổ phần Chứng khoán Ngân hàng TMCP Bản Việt VCSC

VECM Mô hình hồi quy vector có hiệu chỉnh sai số(Vector Error Correction Model)

Viện Nghiên cứu Kinh tế và Chính sách VEPR

World Bank Ngân hàng Thế giới

WTO Tổ chức Thương mại Thế giới (World Trade Organization)

DANH MỤC BẢNG

Bảng 2.1. Tóm tắt các nghiên cứu liên quan đến đề tài ............................................ 29

Bảng 3.1. Tổng hợp các biến trong mô hình ............................................................. 42

Bảng 3.2. Phân loại NHTM theo tăng trưởng tín dụng ............................................. 44

Bảng 3.3. Phân loại NHTM theo cơ cấu sở hữu ....................................................... 44

Bảng 4.1. Kết quả kiểm định nghiệm đơn vị bằng ADF........................................... 51

Bảng 4.2. Kết quả kiểm định tự tương quan phần dư ............................................... 53

Bảng 4.3. Kết quả kiểm định nhân quả Granger ....................................................... 55

Bảng 4.4. Kết quả phân rã phương sai ...................................................................... 58

Bảng 5.1. Tình hình áp dụng Basel tại một số quốc gia ........................................... 64

DANH MỤC HÌNH

Hình 2.1. Quy trình tính toán rủi ro hệ thống bằng CCA ......................................... 23

Hình 3.1. Quá trình chọn mẫu ngân hàng ................................................................. 43

Hình 4.1. Phân nhóm NHTM theo xác suất phá sản ................................................. 45

Hình 4.2. Rủi ro hệ thống NHTM trong danh mục giai đoạn 2007 – 2015 .............. 46

Hình 4.3. Phân nhóm rủi ro hệ thống NHTM theo tăng trưởng tín dụng ................. 47

Hình 4.4. Phân nhóm rủi ro hệ thống NHTM theo cơ cấu sở hữu ............................ 48

Hình 4.5. Diễn biến rủi ro hệ thống và tăng trưởng kinh tế ...................................... 49

Hình 4.6. Diễn biến rủi ro hệ thống và tỷ lệ tăng trưởng vốn huy động ................... 50

Hình 4.7. Diễn biến rủi ro hệ thống và tỷ lệ nợ xấu .................................................. 50

Hình 4.8. Nghiệm nghịch đảo của đa thức đặc trưng tự hồi qui ............................... 52

Hình 4.9. Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng kinh tế ......... 55

Hình 4.10. Phản ứng của rủi ro hệ thống các NHTM trước cú sốc của tỷ lệ nợ xấu 55

Hình 4.11. Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng huy động

vốn ............................................................................................................................. 56

Hình 4.12. Phản ứng của rủi ro hệ thống trước cú sốc của chính nó ........................ 57

Hình 5.1. Cơ cấu nợ xấu các NHTM đã niêm yết ..................................................... 62

CHƢƠNG 1: GIỚI THIỆU

GIỚI THIỆU CHƢƠNG

Với sự phát triển các sản phẩm ngày càng đa đạng và phức tạp, các ngân

hàng có khả năng tự làm giảm rủi ro của mình bằng cách chuyển hóa một phần các

rủi ro sang các định chế tài chính khác, thông qua các công cụ mới như tài chính

phái sinh. Tuy nhiên sự phát triển của các công cụ về số lượng mà không có sự quản

lý rõ ràng, chặt chẽ đã làm tích lũy rủi ro hệ thống ngày càng lớn. Sự sụp đổ sau đó

đã làm dấy lên hàng loạt câu hỏi về sự đầy đủ, tương ứng của các quy định tài chính

để kiểm soát rủi ro hệ thống. Admati và Hellwig (2013) đã chỉ ra rằng các nhà quản

lý về cơ bản đã không phát hiện sự gia tăng rủi ro hệ thống và không có sự chuẩn bị

các biện pháp cần thiết để ngăn chặn rủi ro hệ thống của các ngân hàng trong cuộc

khủng hoảng. Vì vậy, rủi ro hệ thống các NHTM cần có cái nhìn và cách quản lý

toàn diện hơn để tránh những sai lầm có thể lặp lại.

1.1. ĐẶT VẤN ĐỀ

Thời gian qua, hệ thống NHTM tại Việt Nam đã có sự phát triển nhanh

chóng, phức tạp cả về quy mô lẫn cấu trúc, với các hoạt động tài chính đan xen giữa

các khu vực ngân hàng, chứng khoán, bảo hiểm và trong môi trường kinh tế vĩ mô

nhiều biến động (Phạm Tiên Phong, 2014). Thêm vào đó, một số tập đoàn tài chính,

tập đoàn kinh tế có hoạt động kinh doanh tiền tệ, tài chính của Việt Nam có cấu trúc

phức tạp đã làm giảm hiệu quả quản lý, giám sát của các cơ quan chức năng. Điều

này được thể hiện ở hai yếu tố: (1) Cơ chế sở hữu chéo đòi hỏi sự điều chỉnh của

nhiều khuôn khổ pháp lý trong khi sự phối hợp của các cơ quan chức năng còn hạn

chế; (2) Sự phát triển sản phẩm của ngành tài chính ngân hàng dần bắt kịp xu hướng

thế giới nhưng vẫn còn thiếu khung pháp lý hiệu quả để điều chỉnh và giám sát, làm

hạn chế công tác quản lý của NHNN. Những vấn đề trên đã làm tiềm ẩn các rủi ro

chéo giữa khu vực ngân hàng, chứng khoán, bảo hiểm và các rủi ro mang tính hệ

thống cho hệ thống NHTM từ sự bất ổn của môi trường kinh tế vĩ mô cũng như từ

các cú sốc bên ngoài. Theo Brunnermeier và Oehmke (2012), cuộc khủng hoảng tài

chính toàn cầu năm 2008 đã cho thấy những tổn thất của nền kinh tế là hậu quả của

sự bất ổn hệ thống tài chính ở tầm quốc gia và toàn cầu, mặc dù nhiều nhà quản trị

rủi ro trên thực tế đã đo lường, quản lý rủi ro riêng lẻ một cách hiệu quả, nhưng họ

đã không nhận ra cách thức mà từng rủi ro có thể tích lũy thành một chuỗi các rủi ro

liên kết lại với nhau, từ đó làm gia tăng rủi ro hệ thống.

Câu hỏi được đặt ra là làm cách nào chúng ta có thể đánh giá, đo lường được

chính xác rủi ro hệ thống từ đó có cách quản lý, giám sát phù hợp, tránh được

những đổ vỡ tương tự của hệ thống NHTM nói riêng trong tương lai? Và những

nhân tố nào tác động đến rủi ro hệ thống để chúng ta có thể quản lý rủi ro hệ thống

bằng cách gián tiếp điều chỉnh các nhân tố này?

Để trả lời hai câu hỏi trên, tác giả đã quyết định thực hiện đề tài “Các nhân

tố tác động đến rủi ro hệ thống NHTM tại Việt Nam” và đây cũng chính là ý

tưởng chủ đạo mà tác giả cố gắng tìm lời giải thích thỏa đáng xuyên suốt nội dung

luận văn.

1.2. TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Mặc dù hiện nay thuật ngữ “rủi ro hệ thống” đã được sử dụng phổ biến tuy

nhiên việc giải thích rõ ràng, bao quát đầy đủ các mặt của khái niệm này vẫn còn

nhiều tranh cãi và chưa có sự thống nhất. Nghiên cứu của Acharya và cộng sự

(2010) chỉ ra rằng tuy có nhiều cách diễn giải khác nhau như sự mất cân bằng; mất

lòng tin vào hệ thống tài chính; tác động tiêu cực vào nền kinh tế thực; bất cân xứng

thông tin; bong bóng tài sản… nhưng các định nghĩa về rủi ro hệ thống thực chất là

các hiện tượng khác nhau của cùng một vấn đề. Vấn đề chưa thống nhất quan điểm

trong các nghiên cứu và bản chất phức tạp của rủi ro hệ thống hàm ý rằng cần có

những thước đo và nguyên tắc chung trên cơ sở định lượng được đa số chấp nhận.

Nhu cầu đo lường rủi ro hệ thống tài chính nói chung và hệ thống NHTM nói

riêng là không mới trên thế giới, đặc biệt sau khi xảy ra cuộc khủng hoảng tài chính

toàn cầu, đã có nhiều nghiên cứu được thực hiện. Nhiều nhà nghiên cứu đã xây

dựng các phương pháp định lượng như CoVaR (Adrian và Brunnermeier, 2016), mô

hình mạng của Allen và Gale (2000)… nhằm ước lượng mức độ của rủi ro hệ thống,

tuy nhiên mỗi phương pháp đều có những ưu điểm và hạn chế nhất định. Bổ sung

cho các phương pháp truyền thống, phương pháp quyền chọn (Contingent Claim

Approach – CCA) được đánh giá là một phương pháp mới, có tính linh hoạt cao,

các dữ liệu cần thiết có thể thu thập được dễ dàng giúp đo lường rủi ro hệ thống của

từng tổ chức (hoặc cả một nhóm tổ chức), phù hợp với điều kiện thu thập dữ liệu

thực tế tại Việt Nam. Vì vậy, trong khuôn khổ nghiên cứu này, phương pháp quyền

chọn được sử dụng để đo lường rủi ro hệ thống các NHTM.

Tại Việt Nam, các nghiên cứu về rủi ro hệ thống chỉ mới dừng lại ở các bài

viết đánh giá trên phương diện xem xét rủi ro tín dụng ở các ngân hàng thương mại

đang niêm yết tại Việt Nam như nghiên cứu của Nguyễn Thị Cành và Phạm Chí

Khoa (2014), Lê Đạt Chí và Lê Tuấn Anh (2012). Gần đây nhất là nghiên cứu của

Nguyễn Hoàng Thụy Bích Trâm (2014) dùng mô hình Credit CVaR để đo lường

khả năng vỡ nợ của khu vực NHTM và đánh giá rằng các NHTM không đủ khả

năng hấp thụ các cú sốc trong các kịch bản vĩ mô bất lợi. Tuy nhiên nghiên cứu này

chỉ mới áp dụng phạm vi nghiên cứu với 8 NHTM đang niêm yết trên thị trường

chứng khoán nên chưa thể đại diện đầy đủ cho hệ thống NHTM tại Việt Nam. Đồng

thời, việc tính toán rủi ro hệ thống NHTM bằng phương pháp CCA cũng chưa có

các nghiên cứu nào được thực hiện tại Việt Nam mà mới chỉ dừng lại ở việc đo

lường rủi ro vỡ nợ của khu vực doanh nghiệp.

Dựa trên những phân tích trên cho thấy vẫn còn khoảng trống nghiên cứu

trong việc đo lường rủi ro hệ thống cụ thể trong phạm vi các NHTM tại Việt Nam,

ngoài ra việc đánh giá các nhân tố ảnh hưởng đến rủi ro hệ thống các NHTM vẫn

còn chưa đầy đủ. Vì vậy, bài nghiên cứu sẽ góp phần lấp đầy khoảng trống này

đồng thời cung cấp một cách nhìn khác về mức độ hiện tại của rủi ro hệ thống các

NHTM tại Việt Nam cũng như các nhân tố cần quan tâm.

1.3. MỤC TIÊU NGHIÊN CỨU

1.3.1. Mục tiêu tổng quát

Căn cứ các lý thuyết và nghiên cứu trước đây về rủi ro hệ thống, đề tài tập

trung đo lường rủi ro hệ thống các NHTM tại Việt Nam và các nhân tố ảnh hưởng

đến rủi ro hệ thống.

1.3.2. Mục tiêu cụ thể

Trên cơ sở các nghiên cứu trước đây cũng như đánh giá khả năng hiện tại,

mục tiêu của bài nghiên cứu tập trung các mặt sau:

- Làm rõ khái niệm rủi ro hệ thống và các phương pháp đo lường rủi ro hệ

thống.

- Xác định các nhân tố ảnh hưởng đến rủi ro hệ thống.

- Trên cơ sở xác định được rủi ro hệ thống và các nhân tố ảnh hưởng, tác giả

thực hiện kiểm định mức độ tác động của các nhân tố đến rủi ro hệ thống.

1.4. CÂU HỎI NGHIÊN CỨU

Từ những mục tiêu đề ra như trên, bài nghiên cứu cố gắng giải quyết, làm rõ

các câu hỏi:

- Mức độ rủi ro hệ thống của các NHTM tại Việt Nam hiện nay như thế nào?

- Các nhân tố nào ảnh hưởng đến rủi ro hệ thống?

- Mức độ ảnh hưởng của các nhân tố trên đối với rủi ro hệ thống như thế

nào?

1.5. ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU

1.5.1. Đối tƣợng nghiên cứu

Đối tượng nghiên cứu của đề tài là rủi ro hệ thống của các NHTM tại Việt

Nam, từ đó phân tích, tìm hiểu mối quan hệ của các nhân tố đến rủi ro hệ thống.

1.5.2. Phạm vi nghiên cứu

Bài nghiên cứu được tiến hành theo phạm vi không gian là dữ liệu về tăng

trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu của hệ thống NHTM tại Việt

Nam và hoạt động kinh doanh của 26 NHTM tại Việt Nam.

Phạm vi nghiên cứu về thời gian từ năm 2007 đến năm 2015. Trong khoảng

thời gian này, hệ thống tài chính Việt Nam nói chung và các NHTM nói riêng đã

trải qua những giai đoạn biến động cùng với diễn biến khó lường của kinh tế vĩ mô.

1.6. PHƢƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU

Bài viết được tiến hành theo phương pháp nghiên cứu định lượng với

phương pháp giải quyết các câu hỏi nghiên cứu như sau:

- Để trả lời câu hỏi nghiên cứu đầu tiên: mức độ rủi ro hệ thống của các

NHTM tại Việt Nam diễn biến trong giai đoạn nghiên cứu như thế nào? Tác giả đo

lường rủi ro hệ thống của các NHTM bằng phương pháp CCA.

- Để trả lời câu hỏi nghiên cứu thứ hai: Các nhân tố nào ảnh hưởng đến rủi

ro hệ thống? Tác giả sử dụng tự hồi quy vector của dữ liệu bảng (panel VAR) để

kiểm định sự ảnh hưởng của một số nhân tố, trong đó biến rủi ro hệ thống là biến

phụ thuộc, các biến độc lập là tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ

nợ xấu và chính rủi ro hệ thống (đại diện cho cách quản trị rủi ro).

- Để trả lời câu hỏi nghiên cứu thứ ba: Mức độ ảnh hưởng của các nhân tố

đến rủi ro hệ thống là bao nhiêu? Tác giả sử dụng hàm phản ứng đẩy và phân rã

phương sai (là những ứng dụng mở rộng của mô hình panel VAR) để phân tích các

tác động của cú sốc tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và

độ trễ của rủi ro hệ thống đến rủi ro hệ thống NHTM tại Việt Nam.

Các nguồn số liệu về tăng trưởng kinh tế được thu thập từ World Bank và

Tổng cục Thống kê Việt Nam, kết hợp với số liệu của tăng trưởng vốn huy động

trích xuất từ dữ liệu của IMF và tỷ lệ nợ xấu từ Ngân hàng Nhà nước Việt Nam,

World Bank. Rủi ro hệ thống tính toán từ các chỉ số hoạt động của các NHTM được

tác giả tự thực hiện.

1.7. ĐÓNG GÓP CỦA ĐỀ TÀI

Về mặt thực tiễn: Đối với các nghiên cứu trên thế giới có sự khác nhau về

lãnh thổ và các đặc điểm riêng của từng quốc gia, đề tài sử dụng dữ liệu tổng hợp từ

báo cáo tài chính của 26 NHTM tại Việt Nam từ năm 2007 – 2015. Đối với các

nghiên cứu trong nước, vẫn chưa có nghiên cứu phân tích chuyên sâu về rủi ro hệ

thống của chính các ngân hàng. Đồng thời, tác giả phân tích tác động của tăng

trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu, cách quản trị rủi ro đến rủi

ro hệ thống NHTM tại Việt Nam để có đánh giá hoàn thiện hơn về rủi ro hệ thống.

Về mặt lý thuyết: Hệ thống các NHTM tại Việt Nam đang ngày càng gia

tăng cả về quy mô lẫn mức độ phức tạp trong hoạt động kinh doanh, có ảnh hưởng

lớn đến sự vận hành nền tài chính và hoạt động kinh tế thực. Phần lớn các nghiên

cứu tại Việt Nam chỉ tập trung phân tích rủi ro các khách hàng từ đó đo lường mức

độ tổn thất dự kiến của ngân hàng mà chưa có đánh giá cụ thể về rủi ro của chính

các ngân hàng. Vì vậy, đề tài này là cần thiết để lấp khoảng trống trong các nghiên

cứu tại Việt Nam. Ngoài ra, tác giả bổ sung thêm phân tích tác động các nhân tố

nhằm đem lại cái nhìn toàn diện hơn về rủi ro hệ thống NHTM tại Việt Nam.

1.8. KẾT CẤU CỦA ĐỀ TÀI

Bài nghiên cứu được chia thành các phần nội dung sau:

Chương 1 trình bày động lực và mục tiêu của đề tài và các nội dung cơ bản,

bao gồm: Giới thiệu tổng quan về vấn đề nghiên cứu, tính cấp thiết của đề tài, mục

tiêu nghiên cứu, câu hỏi nghiên cứu, phạm vi nghiên cứu, phương pháp nghiên cứu

và đóng góp của đề tài.

Chương 2 tổng quan cơ sở lý thuyết và các nghiên cứu trước. Chương này

trình bày các khái niệm, cơ sở lý thuyết của rủi ro hệ thống và phương pháp đo

lường. Đồng thời điểm qua các nghiên cứu trước có liên quan đến đề tài.

Chương 3 trình bày các giả thuyết, mô hình nghiên cứu, mô tả phương pháp

nghiên cứu và giải thích cụ thể về dữ liệu được áp dụng.

Chương 4 mô tả các kết quả thu được sau khi thực hiện phương pháp nghiên

cứu, phân tích kết quả thống kê mô tả, kết quả hồi quy và đưa ra các thảo luận của

kết quả nghiên cứu.

Chương 5 trình bày tóm tắt các kết quả đã đạt được, đề ra các kiến nghị và

hạn chế cũng như hướng nghiên cứu tiếp theo của đề tài.

CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VỀ RỦI RO HỆ

THỐNG VÀ CÁCH ĐO LƢỜNG RỦI RO HỆ THỐNG

GIỚI THIỆU CHƢƠNG

Sau cuộc khủng hoảng tài chính toàn cầu, các khái niệm rủi ro hệ thống, ổn

định khu vực ngân hàng và cách đo lường rủi ro được quan tâm đặc biệt và có nhiều

nghiên cứu đã được thực hiện để làm rõ hơn vị trí của cách quản trị mang tính hệ

thống. Trong phần này, tác giả tóm lược lại những nghiên cứu trước đó và đưa ra

một số đề xuất về phương pháp đo lường rủi ro hệ thống phù hợp với điều kiện thực

tế tại Việt Nam.

2.1. KHÁI NIỆM RỦI RO HỆ THỐNG

Khái niệm rủi ro hệ thống được đề cập lần đầu vào thập niên 1990, tuy nhiên

chỉ mới được quan tâm nhiều hơn sau khi xảy ra khủng hoảng tài chính thế giới

(Borio và Drehmann, 2009). Theo Smaga (2014), hiện tại vẫn chưa có sự thống nhất

hoàn toàn về khái niệm rủi ro hệ thống vì các định nghĩa nhấn mạnh đến các khía

cạnh khác nhau.

Một trong các định nghĩa về rủi ro hệ thống theo Engle (2009) là rủi ro gia

tăng khi một (hoặc một nhóm) tổ chức đổ vỡ có thể gây ra phản ứng dây chuyền

kéo theo sự sụp đổ của cả hệ thống tài chính bởi quy mô và tính liên kết của các tổ

chức này. Nói cách khác, rủi ro gia tăng tạo ra hiệu ứng lây nhiễm, theo đó sự phá

sản của một tổ chức tài chính sẽ dẫn đến phá sản của tổ chức khác và lần lượt các tổ

chức còn lại (Brunnermeier, 2009). Sự nối tiếp của các sự kiện phá sản có thể nhanh

chóng lan ra rộng hơn, mạnh hơn, kết quả là một sự kiện mang tính hệ thống về cơ

bản lại được gây ra ban đầu bởi sự phá sản của một tổ chức riêng lẻ. Galati và

Moessner (2010) cho rằng rủi ro hệ thống gia tăng từ các hoạt động chịu rủi ro quá

mức của một hoặc một nhóm giao dịch; văn hóa tổ chức hướng về những lợi nhuận

ngắn hạn; sự tích lũy các sai lầm trong quản trị của các ngân hàng dẫn đến sự trì trệ,

bất ổn định khi phản ứng với sự thay đổi các điều kiện bên ngoài.

Ở khía cạnh khác, Kaufman và Scott (2003) lại cho rằng rủi ro hệ thống là

rủi ro hoặc xác suất phá sản của toàn bộ hệ thống, được chứng minh do tính đồng

tương quan của hầu hết các bộ phận. Ngoài ra, rủi ro hệ thống còn được giải thích là

sự lan truyền kiệt quệ kinh tế của nhóm tổ chức này tới nhóm tổ chức khác thông

qua các giao dịch tài chính (Rochet và Tirole, 1996). Đồng quan điểm với Kaufman

và Scott (2003), Jobst và Gray (2013) cho rằng rủi ro hệ thống không phải từ những

loại rủi ro riêng lẻ của một tổ chức như rủi ro tín dụng, rủi ro thanh khoản, rủi ro tác

nghiệp,… có tác động trực tiếp đến tổ chức đó mà là sự tác động gián tiếp. Trước

giai đoạn khủng hoảng, các loại rủi ro trên (rủi ro tín dụng, thanh khoản,…) thường

được xem xét một cách riêng lẻ. Tuy nhiên, sự tương tác giữa chúng khi kết hợp

thành rủi ro hệ thống sẽ dẫn đến những kết quả khó lường.

Nghiên cứu của Smaga (2014) đưa ra một số kết luận về rủi ro hệ thống: (1)

Các nghiên cứu thường nhấn mạnh rằng rủi ro hệ thống có sự liên quan với phần

lớn hệ thống tài chính và gây ra sự đổ vỡ trong cách hoạt động, vận hành hệ thống

đó; (2) Trước khi khủng hoảng tài chính xảy ra, các định nghĩa tập trung vào hiệu

ứng lan truyền của từng tổ chức. Sau khủng hoảng, các nghiên cứu quan tâm nhiều

hơn đến sự rối loạn chức năng, khả năng vỡ nợ chung của hệ thống tài chính và các

tác động tiêu cực đến nền kinh tế; (3) Yếu tố cơ bản của rủi ro hệ thống là sự truyền

dẫn các cú sốc giữa các thành tố liên kết trong hệ thống, từ đó có thể gây ra tác

động tiêu cực nghiêm trọng đến nền kinh tế thực.

Từ các phân tích trên, có thể kết luận rằng: Rủi ro hệ thống, bất kể được giải

thích bằng định nghĩa nào, về cơ bản nó sẽ dẫn đến tính không chắc chắn trong cách

vận hành hệ thống tài chính và các thành phần của nó. Điểm cốt lõi trong khái niệm

rủi ro hệ thống dựa trên hiệu ứng lan truyền giữa các thành phần trong hệ thống và

tác động tiêu cực đến nền kinh tế thực. Dù các nghiên cứu có trọng tâm phân tích

khác nhau nhưng tổng hợp lại có tác dụng bổ trợ lẫn nhau như nhiều mặt của một

vấn đề, và hầu hết các nghiên cứu đều đồng thuận tăng cần có cách đánh giá chung

về rủi ro hệ thống dựa trên cơ sở định lượng. Vì vậy, nhu cầu về phương pháp đo

lường mức độ rủi ro của cả hệ thống hiện tại như thế nào là cần thiết.

2.2. PHƢƠNG PHÁP ĐO LƢỜNG RỦI RO HỆ THỐNG

2.2.1. Các phƣơng pháp đo lƣờng

Tính phức tạp của các liên kết, mạng lưới tài chính khiến việc đo lường rủi

ro hệ thống là một công việc khó khăn (Engle, 2009). Theo Smaga (2014), hiện tại

các phương pháp đo lường rủi ro hệ thống có thể chia thành ba trường phái chính.

Trường phái thứ nhất tập trung phân tích phân phối đuôi thống kê của suất sinh lợi

từ đó tính toán tổn thất kỳ vọng, đây là trường phái phổ biến nhất khi ước lượng rủi

ro hệ thống. Các đại diện tiêu biểu của trường phái này là CoVaR (Adrian và

Brunnermeier, 2008), Tổn thất hệ thống kỳ vọng (Systemic Expected Shortfall –

SES) (Acharya và cộng sự, 2009),… . Tuy nhiên nhược điểm chung của các phương

pháp này là sự phụ thuộc vào mức độ tin cậy và các giả định thống kê ban đầu. Khi

thay đổi mức tin cậy kỳ vọng và các giả định, các kết quả thu được có thể biến

động, không thống nhất với nhau.

Trường phái thứ hai mô phỏng cách nắm giữ các tài sản đa liên kết ảnh

hưởng thế nào trong việc tạo ra và lan truyền rủi ro hệ thống. Các đại diện của

trường phái này là mô hình mạng của Allen và Gale (2000), sau đó được phát triển

thành các mô hình phức tạp hơn của Battiston và cộng sự (2009). Hạn chế lớn nhất

của trường phái này là người thực hiện cần có dữ liệu về mức tương tác giữa các

thành phần trong hệ thống. Các dữ liệu này thường không được công bố, gây khó

khăn trong việc thu thập.

Bổ sung cho hai trường phái trên, trường phái thứ ba ứng dụng cách tiếp cận

cấu trúc với đại diện là phương pháp CCA. Phương pháp CCA mở rộng phương

pháp sử dụng báo cáo tài chính có điều chỉnh theo rủi ro để tạo ra những ước tính về

xác suất phá sản chung của một hoặc nhiều tổ chức như một thước đo rủi ro hệ

thống. Theo Lehar (2005), CCA giải quyết các hạn chế cơ bản của các phương pháp

hiện có, nó không dựa trên những giả định thống kê có thể ảnh hưởng đến kết quả,

và tạo ra các ước lượng điểm của rủi ro hệ thống mà không phụ thuộc các mức kỳ

vọng, các dữ liệu thể hiện diễn biến thực tế của đối tượng nghiên cứu và có thể thu

thập dễ dàng.

2.2.2. Phƣơng pháp CCA

Theo Lehar (2005), phá sản (hay vỡ nợ) sẽ xảy ra khi giá trị tài sản của một

(hoặc một nhóm) công ty nhỏ hơn giá trị của nợ và xác suất phá sản (hay còn gọi là

“xác suất vỡ nợ”, Probability of Default – PD) có thể được xem là một thước đo rủi

ro hệ thống, xác suất phá sản càng lớn thì rủi ro càng cao. Trước phương pháp

CCA, Altman (1968) đã sử dụng dữ liệu báo cáo tài chính để giải thích xác suất phá

sản. Cụ thể, mô hình Z-score của Altman là mô hình biệt số theo đó người đi vay

được phân loại thành các mức rủi ro phá sản khác nhau. Mặc dù lý thuyết của

Altman không đề cập một cách trực tiếp về xác suất phá sản, nhưng các kết quả có

thể định hướng cho hệ thống xếp hạng tín dụng, người vay có hạng tín dụng càng

thấp thì rủi ro phá sản càng lớn. Tương tự với Altman, Ohlson (1980) cũng sử dụng

phân tích biệt số để dẫn xuất ra xác suất phá sản của một doanh nghiệp, theo đó

Ohlson sử dụng các kỹ thuật tính toán để xây dựng mô hình về xác suất phá sản của

nhiều doanh nghiệp.

Theo Utari và Arimurti (2012), có nhiều lý do cho thấy các phương pháp dựa

trên số liệu kế toán có thể không hợp lý trong việc ước tính xác suất phá sản. Trong

khi việc ước tính xác suất phá sản là phạm trù thuộc về các sự kiện trong tương lai,

các báo cáo tài chính lại được thiết kế để đo lường hiệu quả hoạt động trong quá

khứ, và do đó các số liệu này trở nên ít mang thông tin hữu ích để xác định tình

trạng một công ty trong tương lai. Đồng thời, các báo cáo tài chính được công thức

hóa theo chuẩn mực kế toán hoạt động liên tục, làm hạn chế việc đánh giá khả năng

phá sản. Nguyên tắc thận trọng áp dụng khi lập báo cáo tài chính thường gây ra việc

định giá tài sản dưới giá trị thị trường của chúng, điều này đặc biệt đúng đối với các

tài sản cố định (Lehar, 2005). Các khía cạnh trên sẽ hạn chế hiệu suất đo lường dựa

trên nền tảng kế toán. Một hạn chế lớn khác của cách đo lường này là bỏ qua sự

biến động giá trị tài sản, đây là thành phần quyết định trong việc tính toán khả năng

xảy ra biến cố một doanh nghiệp không thể đáo hạn nợ trong một khoảng thời gian

xác định. Theo đó, xác suất phá sản gia tăng cùng với độ biến động, hai doanh

nghiệp có các chỉ số tài chính giống nhau vẫn có sự khác nhau đáng kể về rủi ro phá

sản do độ biến động giá trị tài sản mỗi công ty là khác nhau.

Bổ sung cho cách tiếp cận dựa trên báo cáo tài chính, mô hình CCA xem xét

xác suất phá sản như một quá trình nội sinh và được tính toán bằng khả năng xảy ra

biến cố các tài sản của công ty (hoặc một nhóm công ty) trong tương lai bị giảm giá

trị và thấp hơn các khoản nợ. Do đó xác suất phá sản sẽ phụ thuộc vào các dữ liệu

của công ty như giá trị thị trường của nợ, tài sản và sự biến động của chúng. Nhờ

xem xét đến sự biến động giá trị các biến trên, CCA chỉ ra rằng các doanh nghiệp có

cùng cấu trúc vốn có thể khác nhau về xác suất phá sản và khoảng cách phá sản

(Distance to Distress – DD, dựa trên ý tưởng một công ty (hoặc một nhóm công ty)

có khoảng cách tới phá sản càng lớn thì công ty (nhóm công ty) đó càng an toàn,

xác suất phá sản càng thấp).

Về lý thuyết, CCA phần lớn dựa trên lí thuyết định giá quyền chọn Black-

Scholes và mô hình dự báo nguy cơ phá sản KMV-Merton (1977), sau đó được

Gray và Jobst (2013) tiếp tục phát triển thành mô hình CCA. Mô hình CCA dựa trên

nhiều giả định có thể tóm lược như sau:

- Giả định về cấu trúc vốn

Giả định cơ cấu của một công ty cổ phần được đơn giản hóa chỉ có một loại

nợ và một loại cổ phiếu, giá trị tài sản công ty tại thời điểm t được tính bằng tổng

Nợ và Vốn chủ sở hữu cùng thời điểm:

Vt = Ft+ Et (2.1)

Theo mô hình đơn giản hóa trên, các chủ sở hữu có quyền kiểm soát các tài

sản của doanh nghiệp, họ có quyền phát mại các tài sản của công ty, chuyển nhượng

lại một phần hoặc toàn bộ doanh nghiệp cho đối tác khác. Nếu việc bán doanh

nghiệp được thực hiện, chủ sở hữu sẽ được nhận lại phần còn lại sau khi thanh toán

các khoản nợ. Điều này đồng nghĩa vốn chủ sở hữu hoạt động như một quyền chọn

bán (Gray và Jobst, 2013).

- Giả định về độ biến động của giá trị tài sản công ty

Tài sản công ty được giả định là tài sản có thể trao đổi (tradable assets), và

các giá trị của tài sản tuân theo vận động ngẫu nhiên Brown.

- Giả định về sự hoàn hảo của thị trƣờng

Giả định công ty không trả cổ tức và thuế, không hạn chế về bán khống. Thị

trường thanh khoản tốt, nhà đầu tư có thể mua và bán các tài sản ở mức giá thị

trường như mong muốn. Công ty vay và cho vay ở mức lãi suất phi rủi ro như nhau

và lãi suất này không đổi giữa các ngành.

- Giả định về nợ

Một giả định quan trọng của mô hình CCA là công ty chỉ có một loại nợ là

trái phiếu không trả lãi theo kỳ (zero coupon) có thời gian đến hạn là T. Từ các giả

định trên, giá trị vốn chủ sở hữu của công ty có thể được xem là một quyền chọn

bán trên tổng giá trị tài sản của doanh nghiệp với giá thực thi là giá trị thị trường

khoản nợ của công ty với thời gian đến hạn T. Khi đó, giá trị vốn chủ sở hữu theo

Gray và Jobst (2013) được tính bằng công thức:

Et = V.N(d1) - e-r.T.F.N(d2) (2.2)

Với:

Et: Hiện giá vốn chủ sở hữu bằng giá cổ phiếu nhân số lượng cổ phiếu đang

lưu hành;

N(.): Phân phối chuẩn tích lũy;

r: Lãi suất phi rủi ro – Lãi suất tín phiếu kho bạc kỳ hạn 1 năm (Treasury

Bill);

T: Thời gian đáo hạn của khoản nợ, thông thường là 1 năm, điều này hàm

nghĩa rủi ro hệ thống được xem xét trong bối cảnh 1 năm tới (ex ante basis);

F: Mệnh giá khoản nợ của doanh nghiệp, Vasicek (1968) và Kealhofer

(2000) đã đề xuất và chứng minh có thể sử dụng thông tin báo cáo tài chính để tính

toán với

F = Nợ ngắn hạn + 0,5.Nợ dài hạn

Và

2 ) .T V

V* F

ln ( ) + (r + (2.3) d1= V√T

d2= d1 - V√T (2.4)

Với:

V* là giá trị tài sản NHTM trong báo cáo tài chính;

V là độ lệch chuẩn giá trị tài sản của NHTM. Trong điều kiện không tính

được biến động giá trị tài sản theo giá thị trường do nhiều NHTM chưa niêm yết,

tác giả sử dụng độ lệch chuẩn giá trị tài sản theo báo cáo tài chính 4 năm liền kề

trước đó. Bharath và Shumway (2008) và một số tác giả đã đưa ra bằng chứng thực

nghiệm rằng biến động tài sản theo giá trị sổ sách là cùng chiều với biến động của

giá trị thị trường của tài sản hay giá cổ phiếu công ty.

Sau khi có được V và V có thể tính được khoảng cách phá sản. Khoảng cách

phá sản càng lớn thì nguy cơ phá sản của công ty càng nhỏ. Theo Gray và Jobst

(2013), khoảng cách phá sản có thể được diễn tả theo thước đo xác suất phi rủi ro

tại thời điểm t như sau:

2 ) .T V

ln ( ) + ( DD (Distance to Default)= (2.5) V.√T

Với : Tỷ suất lợi nhuận kỳ vọng của tài sản.

Theo định nghĩa, phá sản là khi giá trị tài sản của công ty thấp hơn giá trị của

nợ, do đó xác suất phá sản tại thời điểm t được tính như sau:

PDt = Prob[V(t)

Suy ra:

2) .T v

V0 F

ln ( ) + ( ) (2.6) PD = N ( v√T

Từ kết quả tính xác suất phá sản của từng NHTM, tác giả tính xác suất phá

2 (2.7)

2.PDi

sản của danh mục các NHTM theo từng tiêu chí theo phương trình:

PDdanh mục= √wi

Với

wi: Tỷ trọng tài sản của NHTM i đối với tổng tài sản của toàn danh mục;

PDi: Xác suất phá sản của NHTM i

Quy trình tính toán xác suất phá sản được thực hiện như Hình 2.1.

Hình 2.1. Quy trình tính toán rủi ro hệ thống bằng CCA

Vốn hóa thị trường của ngân hàng Nợ ngắn hạn và dài hạn

Lãi suất tín phiếu kho bạc Giá trị thị trường của tài sản

Mức sinh lời kỳ vọng của tài sản Độ biến động tài sản Hàng rào vỡ nợ (Distress Barrier)

Khoảng cách phá sản

Xác suất phá sản (Rủi ro hệ thống)

Nguồn: Utari & Arimurti (2012)

2.3. CÁC NHÂN TỐ ẢNH HƢỞNG ĐẾN RỦI RO HỆ THỐNG CÁC NHTM

Có nhiều biến số có thể tác động đến rủi ro hệ thống, bao gồm: tăng trưởng

kinh tế, lạm phát, tăng trưởng vốn huy động, chỉ số chứng khoán, tỷ lệ nợ xấu, tỷ lệ

đòn bẩy tài chính,… . Tuy nhiên, nghiên cứu của Acemoglu và cộng sự (2016) chỉ

ra khi đưa tất cả các nhân tố này vào mô hình thì mối quan hệ đang được nghiên

cứu không mang nhiều ý nghĩa thống kê. Đồng thời, tác giả tiến hành chạy thử với

dữ liệu tại Việt Nam, kết quả cho thấy một số biến chứa đựng các nhân tố không có

tương quan nhiều với rủi ro hệ thống, không đóng vai trò chính trong ước lượng hệ

số hồi quy, mà chỉ được đưa vào mô hình như những biến kiểm soát để giúp cho kết

quả ước lượng được tốt hơn. Tác giả chọn lọc ra những nhân tố sau để đưa vào mô

hình hồi quy gồm: tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và

chính rủi ro hệ thống.

2.3.1. Tăng trƣởng kinh tế

Baum, Caglayan và Ozkan (2004) cho rằng rủi ro hệ thống ngân hàng có ba

nguồn gốc: yếu kém về kinh tế vĩ mô, thiếu hiệu quả về kinh tế vi mô và khủng

hoảng. Rủi ro hệ thống ngân hàng bắt nguồn từ bất ổn kinh tế vĩ mô thường liên

quan đến sự bùng nổ và đổ vỡ của các chu kỳ kinh doanh. Sự thay đổi đột ngột

chính sách kinh tế vĩ mô sẽ tạo ra các chu kỳ và gia tăng các khoản nợ không có khả

năng hoàn trả. Sự không chắc chắn về các điều kiện kinh tế trong đó có tăng trưởng

kinh tế sẽ ảnh hưởng rõ rệt lên chiến lược cho vay của các ngân hàng. Các tác giả

phỏng đoán rằng sự bất ổn càng lớn (tăng trưởng kinh tế cao hoặc thấp đột ngột) sẽ

cản trở khả năng dự đoán chính xác tỷ suất sinh lợi từ những cơ hội cho vay có sẵn

của các ngân hàng.

Acemoglu và cộng sự (2016) cho rằng khi tính bất ổn vĩ mô thấp, tỷ suất sinh

lợi sẽ được dự đoán chính xác hơn dẫn đến sự phân bố không đều đối với quỹ cho

vay của các ngân hàng. Do đó, khi tính bất ổn kinh tế vĩ mô giảm, các ngân hàng sẽ

tái cân bằng lại danh mục đầu tư của họ và cho phép phân bổ hiệu quả hơn quỹ cho

vay so với giai đoạn tính bất ổn cao hơn.

Thông thường, biến số thuộc về nền kinh tế vĩ mô được sử dụng là lạm phát

và tốc độ tăng trưởng GDP danh nghĩa. Theo Fofack (2005), biến tốc độ tăng trưởng

GDP danh nghĩa có ý nghĩa lớn hơn lạm phát vì người dân có phản ứng tích cực với

sự tăng trưởng tích cực của GDP hiện tại nhiều hơn là với lạm phát. Bởi biến lạm

phát tác động chậm hơn, và thường có độ trễ khi ảnh hưởng đến niềm tin của ngươi

dân. Đồng thời thông thường người đi vay đều muốn thanh toán các khoản nợ quá

hạn của mình, do đó khi có sự khởi sắc ban đầu trong nguồn thu nhập thì người đi

vay sẽ có động thái chi trả ngay nghĩa vụ của mình; còn khi lạm phát tăng mặc dù

ảnh hưởng đến hoạt động cũng như thu nhập của nền kinh tế nhưng ở các thời điểm

ban đầu người đi vay vẫn cố gắng chi trả nợ, cho đến khi khả năng đó bị ảnh hưởng

bởi các mục tiêu khác hoặc người đi vay hoàn toàn mất khả năng trả nợ.

2.3.2. Tăng trƣởng vốn huy động

Koehn và Santomero (1980) đã xây dựng phương pháp ước lượng mối quan

hệ giữa tăng trưởng về về vốn và một danh mục gồm các tài sản rủi ro khác nhau

trên tổng nguồn vốn. Kết quả cho thấy, thay đổi trong các mức tăng trưởng về

nguồn vốn khiến ngân hàng phải cơ cấu lại danh mục đầu tư của mình, sự thay đổi

này đồng thời sẽ điều chỉnh lại rủi ro, đồng thời nếu tốc độ sụt giảm vốn quá nhanh

sẽ dẫn đến tình trạng kiệt quệ tài chính.

Tuy nhiên, tăng trưởng vốn huy động quá cao cũng không phải là điều tốt.

Nghiên cứu của Beatty và Gron (2001) cho thấy rõ sự khác biệt giữa 2 nhóm: nhóm

ngân hàng có mức vốn thấp và nhóm ngân hàng có mức vốn cao. Những ngân hàng

có tỷ suất vốn hóa thấp tăng cường các tài sản rủi ro một lượng thấp hơn rất nhiều

so với lượng tổng tài sản tăng thêm từ các ngân hàng mức vốn hóa cao. Kết quả của

nghiên cứu này cho thấy tăng trưởng quy mô ngân hàng chính là một trong những

nhân tố ảnh hưởng đến rủi ro ngân hàng. Nghiên cứu cũng chỉ ra khi tăng trưởng

vốn huy động tăng quá nhanh, các ngân hàng buộc phải gia tăng các hoạt động

mang lại nhiều lợi nhuận hơn (ẩn chứa nhiều rủi ro hơn) để cân bằng với chi phí

phải trả cho nguồn vốn huy động được từ đó tác động đến rủi ro của ngân hàng.

2.3.3. Tỷ lệ nợ xấu

Mối quan hệ nghịch biến giữa tỷ lệ nợ xấu và rủi ro hệ thống được chứng

minh bởi Jiménez và Saurina (2006). Khi nền kinh tế tăng trưởng cao và ổn định,

các khu vực khác trong nền kinh tế đều có nhu cầu mở rộng hoạt động, do đó cầu về

vốn vay tăng làm cho khu vực ngân hàng dễ dàng mở rộng hoạt động tín dụng, nợ

xấu trong ngân hàng cũng giảm vì năng lực tài chính của các doanh nghiệp trong

điều kiện kinh tế tốt sẽ được nâng cao. Trong hoàn cảnh này, vai trò làm cầu nối

giữa khu vực tiết kiệm và đầu tư của ngân hàng được phát huy tối đa. Trái lại, nhu

cầu vốn vay giảm, nguy cơ nợ quá hạn tăng, nợ xấu cao khi môi trường kinh tế,

chính trị và xã hội trở nên bất ổn, khi đó hiệu quả hoạt động ngân hàng giảm mạnh.

Trong điều kiện tỷ lệ nợ xấu tăng cao có thể gây tổn thất cho ngân hàng do tăng các

khoản cho vay không hiệu quả.

Theo Acemoglu và cộng sự (2016), tỷ lệ nợ xấu là chỉ tiêu phản ánh rõ chất

lượng một phần tài sản của ngân hàng, đồng thời cũng ảnh hưởng tới doanh thu và

giá trị thị trường của ngân hàng. Sự gia tăng tỷ lệ này dẫn tới lỗ trong kết quả hoạt

động kinh doanh, do các chi phí trích lập dự phòng tăng lên nhiều hơn, kéo theo đó

là mất thanh khoản và giảm giá trị ngân hàng. Vì vậy tỷ lệ này lại là một trong

những chỉ tiêu đo lường hiệu quả nhất mức độ rủi ro của ngân hàng.

2.3.4. Quản trị rủi ro hệ thống

Nghiên cứu tác động của qui định về an toàn vốn, Kendall và cộng sự (2010)

nhận thấy rằng yêu cầu an toàn vốn càng cao thì rủi ro mất khả năng thanh khoản

cũng càng giảm. Cụ thể hơn, khi những qui định quản lý an toàn vốn càng khắt khe

thì ngân hàng sẽ có xu hướng chấp nhận rủi ro ít hơn và cũng đồng nghĩa với việc ít

bị tổn thương hơn. Khi chính sách quản trị thay đổi, một vài ngân hàng sẽ có động

lực thay đổi nhân tố tỷ suất vốn hóa thị trường, từ đó làm thay đổi khả năng chấp

nhận rủi ro.

2.4. TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI

Trong các nghiên cứu gần đây, Altar và cộng sự (2015) đã dựa trên lý thuyết

CCA để tính toán rủi ro hệ thống của các khu vực trong nền kinh tế gồm: ngân

hàng, doanh nghiệp và khu vực công tại các nước Romania, Bulgaria, Hungary và

Ba Lan. Kết quả cho thấy rủi ro hệ thống của các khu vực tăng cao trong giai đoạn

cuộc khủng hoảng tài chính 2008 và giai đoạn khủng hoảng nợ công bùng nổ. Sau

khi tính toán được rủi ro của mỗi khu vực, tác giả sử dụng mô hình Global VAR để

kiểm định cú sốc của một khu vực tại quốc gia này có tác động thực sự đến các khu

vực thuộc các quốc gia khác hay không thông qua hàm phản ứng đẩy.

Tương tự, Gray và Jobst (2013) cũng sử dụng mô hình CCA để phân tích sự

tương tác giữa rủi ro khu vực doanh nghiệp, ngân hàng, nợ công với tăng trưởng

kinh tế và tăng trưởng tín dụng trong phạm vi 15 quốc gia châu Âu và Hoa Kỳ. Sau

khi sử dụng phương pháp CCA để tính toán xác suất phá sản của từng tổ chức, các

tác giả đã kết hợp lại thành xác suất phá sản chung của từng khu vực và dùng mô

hình Global VAR để nghiên cứu sự lan truyền các cú sốc qua các khu vực và quốc

gia và tác động của nó lên tăng trưởng kinh tế. Các kết quả thu được cho thấy khu

vực công chịu tác động của các cú sốc mạnh hơn so với ngân hàng.

Trước đó, Suman (2012) tập trung phân tích rủi ro hệ thống ngân hàng bằng

cách đo lường xác suất phá sản 12 NHTM tại Nepal từ quý I/2005 đến quý IV/2010.

Kết quả thực nghiệm chỉ ra rằng rủi ro hệ thống NHTM tăng cao trong giai đoạn

khủng hoảng tài chính. Suman sau đó đã sử dụng mô hình panel VAR để ước lượng

mối quan hệ giữa rủi ro hệ thống với các biến số vĩ mô khác gồm: chỉ số chứng

khoán, tổng nguồn vốn hệ thống NHTM, quy mô vốn huy động, tỷ lệ nợ phải

trả/tổng nguồn vốn của các NHTM, tăng trưởng kinh tế, tỷ lệ lạm phát và tỷ lệ nợ

xấu. Ngoài ra nghiên cứu còn áp dụng hàm phản ứng đẩy để đo lường tác động của

các cú sốc vĩ mô đến các biến số. Kết quả cho thấy các cú sốc tăng trưởng kinh tế

quá nhanh, sụt giảm thanh khoản và lạm phát tăng cao đều làm gia tăng rủi ro hệ

thống ngân hàng tại Nepal.

Tương tự với nghiên cứu của Suman, các nghiên cứu của Chandranath

(2012) trong phạm vi 5 NHTM lớn tại Sri Lanka từ quý I/2001 đến quý IV/2010 và

Enrico (2012) khi phân tích 9 NHTM ở Philippines từ quý I/2004 đến quý II/2011

đều cho kết quả tương đồng. Các phân tích đều chỉ ra cuộc khủng hoảng tài chính

toàn cầu thực sự có tác động làm tăng rủi ro hệ thống tại các quốc gia nghiên cứu.

Ngoài ra, các tác giả cũng sử dụng mô hình panel VAR để ước tính mối liên hệ của

các nhân tố đến rủi ro hệ thống. Theo đó, tại Sri Lanka, sự sụt giảm thanh khoản,

tăng trưởng kinh tế quá nhanh, lạm phát tăng cao hoặc bùng phát nợ xấu đều làm

tăng rủi ro hệ thống NHTM. Kết luận cũng tương tự với nghiên cứu tại Phillipines.

Một bằng chứng thực nghiệm khác là nghiên cứu của Utari và Arimurti

(2012) phân tích rủi ro hệ thống thông qua phương pháp CCA đã đo lường xác suất

phá sản của 10 NHTM lớn tại Indonesia từ tháng 1/2001 đến tháng 12/2010. Các

kết luận trong bài nghiên cứu cũng cho thấy rủi ro hệ thống có sự gia tăng trong giai

đoạn khủng hoảng tài chính. Các tác giả đã sử dụng mô hình panel VAR để ước

lượng mối quan hệ giữa các biến số với xác suất phá sản và áp dụng hàm phản ứng

đẩy để kiểm định một số cú sốc.

Tại Việt Nam, hiện nay chưa có nghiên cứu hoàn chỉnh về mô hình CCA để

đo lường rủi ro hệ thống NHTM. Theo Nguyễn Thị Cành và Phạm Chí Khoa

(2014), đa phần những nghiên cứu đã được công bố có liên quan đến mô hình CCA

ở Việt Nam đều sử dụng các nghiên cứu mở rộng của mô hình KMV có sẵn trong

việc cố gắng giải thích một hiện tượng nào đó trong hệ thống ngân hàng trong đợt

khủng hoảng vừa qua, điển hình là các nghiên cứu của Lâm Chí Dũng và Phan Đình

Anh (2009), Lê Đạt Chí và Lê Tuấn Anh (2012).

Nghiên cứu của Lâm Chí Dũng và Phan Đình Anh (2009) sử dụng mô hình

KMV-Merton (nền tảng của CCA) để định lượng rủi ro tín dụng trong việc sử dụng

tài sản bảo đảm gắn liền với hành vi sử dụng vốn của người vay, thông qua khảo sát

ảnh hưởng của các biến: Tỉ lệ vốn cho vay tối đa trên giá trị tài sản báo đảm, mục

đích sử dụng vốn của người vay và số lần người vay sử dụng tài sản hình thành từ

vốn vay làm tài sản bảo đảm. Từ kết quả lượng hoá đạt được, nhóm nghiên cứu đưa

ra dự báo những rủi ro tín dụng tiềm ẩn trong hoạt động cho vay thế chấp bất động

sản đối với các NHTM nói riêng, thị trường tín dụng nói chung. Tuy nhiên, nghiên

cứu này vẫn chỉ dừng ở việc lập luận và chưa có kiểm chứng cụ thể (tính toán cho

ngân hàng cụ thể) cho phương pháp đề xuất của mình.

Lê Đạt Chí và Lê Tuấn Anh (2012) đã cố gắng kết hợp phương pháp CVaR

và mô hình KMV-Merton để đo lường rủi ro vỡ nợ trong thị trường tài chính Việt

Nam dựa trên những bằng chứng thực nghiệm trước và sau năm 2008. Tuy nhiên,

nghiên cứu mới chú trọng vào chứng minh sự hiệu quả khi tính toán xác suất phá

sản “vượt biên" và sử dụng ví dụ ở 2 chu kỳ trước và sau khủng hoảng mà chưa đưa

ra được các áp dụng cụ thể tại một thời điểm nhất định, cho một ngân hàng cụ thể -

điều mà các nhà quản trị ngân hàng rất lưu tâm. Bảng 2.1 tóm tắt kết quả thu được

từ các nghiên cứu trước.

Bảng 2.1. Tóm tắt các nghiên cứu liên quan đến đề tài

Tác giả Phạm vi Phƣơng pháp Kết quả nghiên cứu

Đo lường rủi ro hệ thống bằng phương pháp CCA

Altar và cộng sự (2015)

Tỷ lệ tăng trưởng kinh tế và tỷ lệ tăng trưởng tín dụng hộ gia đình có tác động ngược chiều với rủi ro hệ thống.

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Global VAR. Các ngân hàng, doanh nghiệp và khu vực công tại Romania, Bulgaria, Hungary và Ba Lan từ tháng 3/2006 đến tháng 11/2013

Đo lường rủi ro hệ thống bằng phương pháp CCA.

Gray và Jobst (2013)

Các ngân hàng, doanh nghiệp và khu vực công tại 15 quốc gia châu Âu và Hoa Kỳ từ tháng 3/2006 đến tháng 11/2013 Hồi quy dữ liệu chuỗi thời gian sử hình dụng mô Global VAR.

Các tác giả tiến hành phân tích tình huống gia tăng xác suất phá sản sẽ ảnh hưởng đến tỷ lệ tăng trưởng kinh tế và tỷ lệ tăng truởng tín dụng của hộ gia đình. Theo đó, xác suất phá sản gia tăng đột ngột sẽ làm giảm tỷ lệ tăng truởng kinh tế và tín dụng.

Đo lường rủi ro hệ thống bằng phương pháp CCA.

Suman (2012)

Rủi ro hệ thống có mối quan hệ với chỉ số chứng khoán, tổng vốn huy động của hệ thống NHTM, tổng nguồn vốn các ngân hàng, đòn bẩy tài chính, tỷ lệ tăng trưởng kinh tế, lạm phát và tỷ lệ nợ xấu. ở 12 NHTM Nepal từ Quý I/2005 đến Quý IV/2010

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR.

Các cú sốc gia tăng tỷ lệ tăng truởng đột ngột, sụt giảm thanh khoản, lạm phát cao làm gia tăng rủi ro hệ thống.

Rủi ro hệ thống có mối quan hệ tương đồng với kết quả của Suman (2012) Đo lường rủi ro hệ thống bằng phương pháp CCA.

Chandranath (2012)

5 NHTM ở Sri từ Quý Lanka I/2001 đến Quý IV/2010

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR.

Các cú sốc gia tăng tỷ lệ tăng truởng đột ngột, sụt giảm huy động vốn, lạm phát cao, bùng nổ nợ xấu làm gia tăng rủi ro hệ thống.

Đo lường rủi ro hệ thống bằng phương pháp CCA.

Enrico (2012)

9 ở NHTM Philipines từ Quý I/2004 đến Quý II/2011 Các cú sốc tăng trưởng chỉ số chứng khoán, tăng đòn bẩy tài chính và tỷ lệ nợ xấu đều làm tăng rủi ro hệ thống.

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR.

Đo lường rủi ro hệ thống bằng phương pháp CCA.

Utari và Arimurti (2012) 10 NHTM ở Indonesia từ tháng 1/2001 đến tháng 12/2010 Các cú sốc tăng trưởng chỉ số chứng khoán, tăng đòn bẩy tài chính và tỷ lệ nợ xấu đều làm tăng rủi ro hệ thống.

liệu Hồi quy dữ chuỗi thời gian sử dụng mô hình Panel VAR.

Đo lường rủi bằng mô hình KMV- Merton và CVaR. Lê Đạt Chí và Lê Tuấn Anh (2012)

Các ngành trên thị chứng trường khoán Việt Nam từ năm 2007 đến 2011

Hầu hết các ngành đều gia tăng rủi ro trong năm 2008 rồi sau đó giảm dần. Công ty sử dụng càng nhiều vốn cổ phần thì rủi ro càng thấp

Suy luận lý thuyết lường rủi ro hình

Đo bằng mô KMV-Merton. Dự báo những rủi ro tín dụng tiềm ẩn trong hoạt động cho vay thế chấp bất động sản. Lâm Chí Dũng và Phan Đình Anh (2009)

Nguồn: Tác giả tổng hợp từ các nghiên cứu trước theo mục đích nghiên cứu

KẾT LUẬN CHƢƠNG 2

Trải qua cuộc khủng hoảng tài chính toàn cầu, hầu hết các nhà nghiên cứu

đều đồng thuận rằng cần phải có sự quan tâm nhiều hơn đối với rủi ro hệ thống của

các NHTM. Trong bối cảnh đó, rủi ro hệ thống trở thành một biến số quan trọng cần

phải được đánh giá, đo lường bằng các phương pháp phù hợp. Các nghiên cứu cũng

cho thấy hiện tại vẫn chưa có sự thống nhất về khái niệm rủi ro hệ thống và với mỗi

phương pháp khác nhau sẽ định nghĩa rủi ro hệ thống và cách đo lường khác nhau.

Mô hình CCA với ưu điểm linh hoạt, các dữ liệu có thể thu thập dễ dàng là một lựa

chọn phù hợp khi phân tích rủi ro hệ thống bằng xác suất phá sản từng tổ chức và cả

hệ thống NHTM. Các nghiên cứu thực nghiệm cũng cho các kết quả rất tích cực và

làm cơ sở tham khảo để tác giả thực hiện đo lường rủi ro hệ thống tại Việt Nam.

CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU

GIỚI THIỆU CHƢƠNG

Trong phần trước, tác giả đã tổng hợp các nghiên cứu về rủi ro hệ thống và

các phương pháp đo lường rủi ro hệ thống. Các nghiên cứu chỉ ra rằng hiện tại vẫn

còn nhiều bất đồng trong định nghĩa và ước lượng rủi ro hệ thống, phương pháp

CCA được chọn để tìm lời giải cho các câu hỏi nghiên cứu đầu tiên. Trong Chương

3, tác giả giới thiệu mô hình hồi quy theo dữ liệu bảng panel VAR, tác giả cũng

trình bày cụ thể hơn về phương pháp nghiên cứu, dữ liệu nghiên cứu, mô hình

nghiên cứu để trả lời hai câu hỏi nghiên cứu còn lại.

3.1. ĐO LƢỜNG RỦI RO HỆ THỐNG

Theo Chandranath (2012), phương pháp cơ bản khi phân tích nợ ngắn hạn và

dài hạn của ngân hàng nói riêng hay doanh nghiệp nói chung trong CCA nên sử

dụng thông tin thị trường, tuy nhiên đối với các thị trường còn chưa hoàn thiện như

Việt Nam, các thông tin thị trường của nợ khó có khả năng thu thập đầy đủ. Để đơn

giản hóa, Vasicek (1968) đã đề xuất và chứng minh có thể sử dụng thông tin nợ

ngắn hạn và dài hạn từ bảng cân đối kế toán để phân tích. Trên cơ sở xác định mẫu

dữ liệu như trên, các dữ liệu sẽ được trình bày theo quý để đồng nhất với khung thời

gian các dữ liệu vĩ mô.

Do đặc thù của các ngân hàng thương mại tại Việt Nam là chỉ có một tỷ lệ

nhỏ các NHTM niêm yết trên sàn chứng khoán, nên khi tính toán cho một danh mục

gồm cả các NHTM niêm yết và không niêm yết, tác giá đề xuất cách tính phù hợp

hơn theo nghiên cứu của Bharath và Shumway (2008) và Nguyễn Thị Cành và

Phạm Chí Khoa (2014).

Trước tiên, tác giả vẫn sử dụng phương trình phi tuyến tính của CCA

(phương trình 2.2) đế tính toán giá trị thị trường tài sản từng NHTM:

Et=V.N(d1)-e-r.T.F.N(d2)

Trong đó,

Et: Giá trị vốn chủ sở hữu của NHTM dựa vào số liệu báo cáo tài chính;

r: Lãi suất phi rủi ro - lãi suất tín phiếu kho bạc thời hạn 1 năm;

F: Mệnh giá khoản nợ bằng nợ ngắn hạn cộng với một nửa nợ dài hạn;

Và

2 ) .T V

V* F

2 V√T

ln ( ) + (r+ d1=

d2=d1- V√T

Với V* là giá trị tài sản NHTM trong báo cáo tài chính; V là độ lệch chuẩn

giá trị tài sản của NHTM đó được tính dựa trên độ biến động giá trị tài sản NHTM

trong mỗi giai đoạn 4 năm liền kề trước đó. T là thời gian để xác suất phá sản

(thường tính cho 1 năm).

Trong điều kiện không tính được biến động giá trị tài sản theo giá thị trường

do nhiều NHTM chưa niêm yết, tác giả tính biến động tài sản của các NHTM thông

qua độ lệch chuẩn biến động tài sản cho 4 năm liền kề trước đó theo số liệu báo cáo

tài chính. Lí do chọn độ lệch chuẩn về biến động giá trị tài sản của một công ty là

dựa vào một số nghiên cứu trước như nghiên cứu của Bharath và Shumway (2008),

Nguyễn Thị Cành và Phạm Chí Khoa (2014). Bharath và Shumway (2008) và một

số nghiên cứu khác đã đưa ra bằng chứng thực nghiệm rằng biến động tài sản theo

giá trị sổ sách là cùng chiều với biến động của giá trị thị trường vốn sở hữu hay giá

cổ phiếu DN trong thị trường. Theo Bharath và Shumway (2008), những biến trong

phương trình trên hoàn toàn có thể thay đổi để phù hợp hơn với tình hình thực tếvà

sẽ không ảnh hưởng nhiều đến kết quá tính toán của hàm số tính xác suất phá sản.

Sau khi tính được giá trị thị trường tài sản, bước tiếp theo sẽ tính khoảng

cách đến phá sản và xác suất phá sản dựa trên phương trình 2.5 và 2.6 của mô hình

CCA:

2 ) .T V

2 V.√T

) + ( - ln ( DD (Distance to Default) =

PD = N(-DD)

Từ kết quả tính xác suất phá sản của từng NHTM, tác giả tính xác suất phá

2 2.PDi

sản của toàn danh mục các NHTM theo phương trình:

PDdanh mục= √wi

Với

wi: Tỷ trọng tài sản của NHTM i đối với tổng tài sản của toàn danh mục;

PDi: Xác suất phá sản của NHTM thứ i

3.2. PHƢƠNG PHÁP ƢỚC LƢỢNG

3.2.1. Mô hình tự hồi quy vector VAR

Để trả lời câu hỏi nghiên cứu có tồn tại mối quan hệ giữa tăng trưởng kinh tế,

tăng trưởng vốn huy động, tỷ lệ nợ xấu và rủi ro hệ thống các NHTM tại Việt Nam

không, tác giả sử dụng mô hình tự hồi quy vector cho dữ liệu bảng panel VAR.

Trong kinh tế tài chính, các biến kinh tế tài chính – vĩ mô thường mang tính

nội sinh khi chúng tác động qua lại lẫn nhau, nhiều mô hình có các biến không chỉ

là biến giải thích cho biến khác mà bản thân các biến đó còn được giải thích bởi

những biến mà chúng đã xác định. Nói cách khác, các biến trong mô hình có tương

quan với nhau, ảnh hưởng lẫn nhau, theo đó xác định lẫn nhau. Quan hệ nhân quả

lúc này có tính hai chiều chứ không còn một chiều. Như vậy, mô hình kinh tế lượng

được xem xét không phải là mô hình chỉ một phương trình mà bao gồm nhiều

phương trình, phương pháp tối thiểu hóa phần dư (Ordinary Least Square – OLS)

không còn là phương pháp phù hợp để ước lượng mô hình có các phương trình

đồng thời. Theo Sims (1980), nếu thực sự tồn tại mối quan hệ đồng thời giữa các

biến này thì chúng phải được xem xét với vai trò như nhau, nói cách khác là tất cả

các biến được xét đến đều là biến nội sinh.

Mô hình VAR được Sims (1980) đề xuất là sự kết hợp của 2 phương pháp:

tự hồi quy đơn chiều và hệ phương trình đồng thời. VAR tổng hợp được những ưu

điểm của 2 phương pháp trên, đó là dễ ước lượng bằng phương pháp OLS và ước

lượng nhiều biến trong cùng một hệ thông. Đồng thời, nó khắc phục được nhược

điểm không quan tâm đến tính nội sinh của các biến kinh tế. Đặc điểm này làm cho

phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy thường bị sai lệch

khi ước lượng. Đây là những lý do cơ bản khiến VAR trở nên phố biến trong nghiên

cứu tài chính – kinh tế vĩ mô.

Một cách khái quát, mô hình VAR của g biến có dạng viết ngắn gọn như sau:

+et Yt=A0+ ∑ AiYt-i i=1

Trong đó:

Yt là vectơ (1 x g) của k biến nội sinh;

A0 là vectơ (1 x g) của hệ số chặn,

Ai (i = 1, 2, ..., p) là ma trận (g x g) hệ số tác động của các biến nội sinh trễ,

Yt-i là ma trận (g x g) các biến nội sinh trễ,

p là số bậc trễ

et là vectơ (1 x g) sai số.

Trên cơ sở mô hình hồi quy VAR, tác giả áp dụng với bộ dữ liệu bảng (panel

data) từ đó xây dựng mô hình panel VAR.

3.2.2. Ƣớc lƣợng mô hình panel VAR

3.2.2.1. Kiểm định tính dừng đối với chuỗi dữ liệu

Khái niệm dừng (stationary) hoặc không dừng (non-stationary) vô cùng quan

trọng bởi một chuỗi dữ liệu dừng và một chuỗi dữ liệu không dừng sẽ phù hợp với

những phương pháp khác nhau. Sự khác nhau này xuất phát từ những lý do sau:

- Chuỗi dừng có thể ảnh hưởng mạnh đến hành vi và đặc điểm của chính nó.

Có thể hình dung nhận định này qua ảnh hưởng của sốc. Từ sốc dùng để chỉ thay

đổi bất ngờ trong diễn biến của một biến số hoặc đơn giản là thay đổi bất ngờ của

sai số tại một thời điểm cụ thể nào đó. Đối với chuỗi dừng, tác động của cú sốc sẽ

giảm dần theo thời gian. Chẳng hạn, cú sốc tại thời điểm t sẽ có tác động yếu hơn

tại thời điểm t+1, yếu hơn nữa tại thời điểm t+2… Ngược lại, với chuỗi không

dừng tác động của cú sốc sẽ không giảm dần theo thời gian. Theo đó, với chuỗi thời

gian không dừng, nhà nghiên cứu chỉ có thể nghiên cứu hành vi của nó trong một

khoảng thời gian đang được xem xét nhất định, mà không thể khái quát hóa cho cả

giai đoạn, cũng như không thể tiến hành dự báo (Gujarati, 2009).

- Sử dụng chuỗi dữ liệu không dừng có thể dẫn đến hồi qui giả mạo (spurious

regression). Nếu sử dụng 2 biến ngẫu nhiên dừng không có mối quan hệ với nhau

để xem xét tác động của biến này đến biến kia bằng phương pháp OLS, hệ số ước lượng sẽ không có ý nghĩa thống kê, và giá trị R2 sẽ rất thấp. Nếu sử dụng 2 biến

ngẫu nhiên không dừng trong trường hợp này, hệ số ước lượng có thể có ý nghĩa thống kê và R2 có thể rất cao. Tuy nhiên, kết quả thống kê này không đáng tin cậy

và do đó không có giá trị.

Trong trường hợp chuỗi không dừng ở bậc gốc (at level), cần tiến hành biến

đổi dạng sai phân cho dữ liệu. Sai phân bậc 1 phản ánh sự thay đổi của giá trị quan

sát tại thời điểm t so với thời điểm t – 1, ký hiệu là I(1). Sai phân bậc 2 cho thấy sự

thay đổi của sai phân tại thời điểm t so với sai phân tại thời điểm t – 1, ký hiệu là

I(2). Dữ liệu dạng sai phân được sử dụng để loại bỏ thành phần xu hướng của chuỗi

thời gian. Việc kiểm định tính dừng để đảm bảo các chuỗi đều dừng cùng bậc, trong

kinh tế, tài chính thường là I(1) mà hiếm có trường hợp I(2).

Tính dừng của chuỗi dữ liệu là một vấn đề cần được quan tâm đầu tiên trong

dữ liệu chuỗi thời gian, đặc biệt là dữ liệu bảng. Để kiểm tra tính dừng của dữ liệu,

tác giả thực hiện các kiểm định theo phương pháp Augmented Dickey Fuller –

ADF, với độ trễ của các biến dựa trên tiêu chuẩn thông tin Schwarz (Schwarz

Information Criteria – SIC), các giả thuyết đặt ra cho mỗi biến là:

H0: = 0 (có nghiệm đơn vị - chuỗi thời gian không dừng).

H1: < 0 (không có nghiệm đơn vị - chuỗi thời gian dừng).

Gujarati (2009) cho rằng, nếu các chuỗi dừng khác bậc và không xảy ra hiện

tượng đồng liên kết, phương pháp ước lượng trong trường hợp này là VAR. Nếu các

chuỗi đều dừng ở chuỗi I(1), nên chuyển sang mô hình khác phù hợp hơn, điển hình

là VECM.

3.2.2.2. Lựa chọn độ trễ thích hợp

Lựa chọn bậc trễ tối ưu (optimal lag length selection) là một vấn đề của mô

hình VAR. Có nhiều cách khác nhau để lựa chọn bậc trễ trong đó các tiêu chuẩn

thông tin là cơ sở thường được sử dụng để lựa chọn. Sau khi tiến hành các thủ tục

cần thiết, nếu các điều kiện của mô hình được đáp ứng, sử dụng mô hình VAR để

ước lượng.

3.2.3. Kiểm định chẩn đoán mô hình panel VAR

Kết quả ước lượng mô hình panel VAR cần thực hiện một số kiểm định để

đảm bảo tính tin cậy.

3.2.3.1. Tính ổn định của mô hình

Tính ổn định của mô hình VAR được xem xét bằng cách tính nghiệm của đa

thức đặc trưng tự hồi qui. Điều kiện cần và đủ để mô hình VAR ổn định là các

nghiệm đặc trưng nằm ngoài vòng tròn đơn vị hoặc nghịch đảo nghiệm đặc trưng

phải nằm trong vòng tròn đơn vị.

3.2.3.2. Kiểm định chẩn đoán đối với phần dư

- Kiểm định tự tương quan phần dư: Kiểm định Portmanteau

Kiểm định có các giả thuyết như sau:

Giả thuyết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ h.

Giả thuyết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h.

Nếu giá trị Prob > α (1%, 5%, 10%), không có cơ sở bác bỏ giả thuyết H0,

kết luận phần dư không có hiện tượng tự tương quan. Nếu giá trị Prob < α (1%, 5%,

10%), bác bỏ giả thuyết H0, kết luận có hiện tượng tương quan chuỗi bậc h mà tại

đó Prob < α.

- Kiểm định tự tương quan phần dư: Kiểm định LM

Kiểm định có các giả thuyết như sau:

Giả thuyết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ.

Giả thuyết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h.

Thống kê LM có phân phối χ2 với n2 bậc tự do (n là số lượng biến nội sinh).

Tương tự như trên, nếu giá trị Prob > α (1%, 5%, 10%), không có cơ sở bác bỏ giả

thuyết H0, kết luận phần dư không có hiện tượng tự tương quan. Nếu giá trị Prob <

α (1%, 5%, 10%), bác bỏ giả thuyết H0, kết luận có hiện tượng tương quan chuỗi

bậc h mà tại đó Prob < α.

- Kiểm định phân phối chuẩn của phần dư: Kiểm định Jarque Bera phiên

bản đa biến

Kiểm định này so sánh độ nhọn (skewness) và độ nghiêng (kurtosis) trong

phân phối của phần dư với độ nhọn và độ nghiêng của phân phối chuẩn. Giả thuyết

kiểm định gồm:

Giả thuyết H0: Phần dư có phân phối chuẩn.

Giả thuyết H1: Phần dư không có phân phối chuẩn.

Nếu giá trị Prob > α (1%, 5%, 10%), chưa đủ cơ sở thống kê bác bỏ giả

thuyết H0, kết luận phần dư có phân phối chuẩn. Nếu giá trị Prob < α (1%, 5%,

10%), bác bỏ giả thuyết H0, kết luận phần dư không có phân phối chuẩn.

Về nguyên tắc, phần dư không có phân phối chuẩn làm mất giá trị các thống

kê kiểm định. Tuy nhiên, nhiều nhà nghiên cứu cho rằng, đối với các mẫu nghiên

cứu nhỏ, đo lường độ nghiêng không có ý nghĩa về mặt thông tin.

3.2.4. Kiểm định nhân quả

Do VAR có nhiều biến trễ, rất khó để xác định từng biến phụ thuộc chịu tác

động một cách có ý nghĩa của những biến nào. Để giải quyết vấn đề này, kiểm định

nhân quả (causality test) được thực hiện, kiểm định này hiện nay được gọi phổ biến

là kiểm định nhân quả Granger (Granger causality test). Kiểm định nhân quả để trả

lời câu hỏi về mối quan hệ nhân quả giữa các biến, chẳng hạn như “Thay đổi của X

có là nguyên nhân thay đổi của Y hay không?”. Thuật ngữ nhân quả ở đây có ý

nghĩa giá trị trễ của một biến số có ảnh hưởng giá trị hiện tại của một biến số khác

hoặc giá trị hiện tại của một biến số có ảnh hưởng đến giá trị tương lai của một biến

số khác.

3.2.5. Phản ứng đẩy và phân rã phƣơng sai

Kiểm định nhân quả cho phép kết luận tác động của biến này có ý nghĩa

thống kê đến giá trị tương lai của biến kia trong mô hình nhưng không thể giải thích

dấu của tác động hoặc độ dài của tác động. Phân tích phản ứng đẩy và phân rã

phương sai có thể giải quyết được vấn đề này.

3.2.5.1. Phản ứng đẩy

Phản ứng đẩy (Impulse response – IRF) xem xét phản ứng trong hiện tại và

tương lai của từng biến số trong mô hình VAR dưới cú sốc của một biến số. Cú sốc

của một biến cụ thể được xác định là sai số của phương trình có biến số đó là biến

phụ thuộc và thường được xác định là 1 đơn vị tăng lên. Trong trường hợp các biến

số có đơn vị đo lường khác nhau, cú sốc thường được xác định là một độ lệch

chuẩn. Nếu mô hình VAR ổn định, tác động của một cú sốc bất kỳ sẽ giảm dần theo

thời gian.

Kết quả phản ứng đẩy luôn đồng nhất với kiểm định nhân quả Granger. Nếu

biến X không phải là nguyên nhân của Y, Y sẽ không phản ứng với cú sốc của X.

Trật tự của các biến trong hệ phương trình VAR rất quan trọng, vì kết quả phản ứng

đẩy phụ thuộc vào trật tự này. Khi trật tự thay đổi, kết quả phản ứng đẩy cũng sẽ

thay đổi.

3.2.5.2. Phân rã phương sai

Phân rã phương sai (Variance decomposition) cho biết biến động của một

biến số do cú sốc của chính nó và các biến số khác trong mô hình VAR. Cụ thể hơn,

phân rã phương sai cho thấy phương sai sai số dự báo trước-s-bước (s = 1, 2, ....)

của một biến số được giải thích bao nhiêu bởi cú sốc của các biến trong hệ phương

trình VAR.

3.3. MÔ TẢ CÁC BIẾN

3.3.1. Biến phụ thuộc – Rủi ro hệ thống PDi,t

Bài nghiên cứu xem xét yếu tố rủi ro hệ thống các NHTM thay đổi như thế

nào đối với các nhân tố thay đổi trong chính sách quản lý tín dụng, tiền tệ và vĩ mô.

Trên thực tế trong mô hình panel VAR các biến đều được xem là biến nội sinh, vì

vậy tính “phụ thuộc” của biến số rủi ro hệ thống chỉ mang tính tương đối, hàm ý tập

trung phân tích sự biến động của rủi ro trong điều kiện các biến số khác thay đổi

(trong đó có cả độ trễ của chính rủi ro hệ thống).

3.3.2. Biến độc lập

3.3.2.1. Tăng trưởng kinh tế – GDP

Trên phương diện vĩ mô, tăng trưởng kinh tế có tác động sâu sắc đến sự thay

đổi đa dạng trong khẩu vị rủi ro ngân hàng khi các quy định về quản lý vốn thay

đổi, một nền kinh tế tăng trưởng cao có khả năng đi kèm với việc mở rộng tín dụng,

giảm các hạn chế, quy định về kiểm soát tín dụng từ đó tác động đến sự thay đổi

của rủi ro hệ thống.

3.3.2.2. Tăng trưởng vốn huy động của hệ thống NHTM – TD

Nghiên cứu của Engle (2009) chỉ ra nhiều bộ chỉ số đo lường mức độ quản lý

vốn, trong đó biến số tăng trưởng vốn huy động của hệ thống NHTM được lựa chọn

phổ biến vì có thể đại diện mức độ gia tăng quy mô hoạt động của các ngân hàng

đồng thời có thể kiểm định kịch bản sụt giảm thanh khoản có tác động như thế nào

đến rủi ro hệ thống.

Rủi ro mất khả năng thanh toán là một trong những rủi ro khá hiếm khi xảy

ra nhưng lại có ảnh hưởng rất lớn đến hoạt động của các ngân hàng. Rủi ro này xuất

hiện đồng nghĩa với việc ngân hàng đang rơi vào tình trạng kiệt quệ tài chính và nếu

không có biện pháp kịp thời, khả năng dẫn đến sự phá sản của ngân hàng rất cao.

Hiện tại tuy đã có Luật phá sản nhưng ở Việt Nam vẫn chưa có văn bản dưới luật

hướng dẫn cụ thể về việc phá sản ngân hàng nên hầu hết các ngân hàng khi rơi vào

tình trạng mất khả năng thanh toán trong thời gian dài thường sẽ đi đến việc hợp

nhất, sáp nhập với các ngân hàng khác.

3.3.2.3. Tỷ lệ nợ xấu – NPL

Theo Khoản 1 Điều 6 Quyết định số 493/2005/QĐ-NHNN ngày 22/04/2005,

Thông tư số 14/2014/TT-NHNN ngày 20/05/2014 sửa đổi, bổ sung một số điều của

Quyết định số 493/2005/QĐ-NHNN của Ngân hàng Nhà nước, các khoản dư nợ tín

dụng khách hàng của ngân hàng được phân loại từ Nhóm 1 đến Nhóm 5, tương ứng

với các loại: (1) Nợ đủ tiêu chuẩn, (2) Nợ cần chú ý, (3) Nợ dưới tiêu chuẩn, (4) Nợ

nghi ngờ, (5) Nợ có khả năng mất vốn. Theo Khoản 8 Điều 3 Thông tư 02/2013/TT-

NHNN, các khoản nợ phân loại từ nhóm 3 đến nhóm 5 được xem là nợ xấu. Tỷ lệ

nợ xấu được đo lường bằng tỷ số giữa nợ xấu và tổng nợ của một ngân hàng (hoặc

một nhóm ngân hàng). Đây là một phương pháp đo lường khá phổ biến thường

được sử dụng trong nhiều nghiên cứu trước đây, như nghiên cứu của Brissimis và

cộng sự (2008).

3.3.2.4. Độ trễ của rủi ro hệ thống – PD

Trong mô hình panel VAR, vì đặc điểm các biến đều là nội sinh và tác động

qua lại lẫn nhau, rủi ro hệ thống khi xem xét là biến phụ thuộc có thể chịu tác động

của chính nó trong các giai đoạn trước (gọi là độ trễ). Vì vậy có thể xem rủi ro hệ

thống là một biến giải thích cho chính nó, việc xác định độ trễ bao nhiêu giai đoạn

tùy thuộc vào kết quả kiểm định cho độ trễ phù hợp nhất. Việc đánh giá độ trễ rủi ro

hệ thống hàm nghĩa hiệu quả quản trị rủi ro chung của nhà quản lý trong quá khứ

ảnh hưởng như thế nào đến mức độ rủi ro hiện tại.

Bảng 3.1 mô tả các biến được đưa vào mô hình.

3.4. MÔ HÌNH THỰC NGHIỆM

Tác giả đưa ra mô hình thực nghiệm tổng quát của bài nghiên cứu dùng để

đánh giá mối quan hệ của tăng trưởng kinh tế, tăng trưởng vốn huy động của hệ

thống ngân hàng thương mại và tỷ lệ nợ xấu đến rủi ro hệ thống các ngân hàng

thương mại tại Việt Nam:

PD = f(PDt-1, GDPt-1,TDt-1,NPLt-1) ( )

Từ mô hình tổng quát tác giả đưa ra hệ phương trình đồng thời để phân tích

và thảo luận kết quả như sau:

GDPi,t= a1.GDPi,t-1+ b1.TDi,t-1+ c1.NPLi,t-1+ d1.PDi,t-1+ v4

TDi,t= a2.GDPi,t-1+ b2.TDi,t-1+ c2.NPLi,t-1+ d2.PDi,t-1+ v4

NPLi,t= a3.GDPi,t-1+ b3.TDi,t-1+ c3.NPLi,t-1+ d3.PDi,t-1+ v4

PDi,t= a4.GDPi,t-1+ b4.TDi,t-1+ c4.NPLi,t-1+ d4.PDi,t-1+ v4

Bảng 3.1. Tổng hợp các biến trong mô hình

Loại biến Tên biến Ký hiệu biến Cách đo lƣờng Đơn vị tính Nguồn

Xác suất phá sản % PD Tác giả tự tính toán theo phương pháp CCA Rủi ro hệ thống Biến phụ thuộc

Tổng cục Thống kê, ADB GDP Tăng trưởng kinh tế GDPt- GDPt-1 GDPt-1

Vốn huy động năm t -Vốn huy động năm t-1 IMF TD Tăng trưởng vốn huy động Vốn huy động năm t-1

Biến giải thích Nợ xấu Tỷ lệ nợ xấu NPL Ngân hàng Nhà nước, World Bank Tổng nợ

Xác suất phá sản % PD Tác giả tự tính toán theo phương pháp CCA Rủi ro hệ thống (độ trễ)

Nguồn: Tổng hợp của tác giả

Bài nghiên cứu tập trung phân tích phương trình cuối cùng:

PDi t a4.GDPi t 1 b4.TDi t 1 c4.NPLi t 1 d4.PDi t 1 v4

Với:

i: đối tượng thứ i được quan sát (đơn vị chéo thứ i)

t: thời đoạn quan sát thứ t của đơn vị chéo thứ i

a4, b4, c4, d4: ảnh hưởng biên của từng biến số độc lập đến biến phụ thuộc

v4: sai số của mô hình

3.5. DỮ LIỆU NGHIÊN CỨU

Hình 3.1. Quá trình chọn mẫu ngân hàng

35 NHTM nội địa

Danh mục các NHTM lựa chọn vào mẫu (26) (thu thập đƣợc bảo cáo tài chính từ 2007 - 2015)

Các NHTM đang hoạt động (40) 5 NHTM có 100% vốn nước ngoài

Nguồn: Tác giả tổng hợp từ danh mục theo mục đích nghiên cứu

Dữ liệu mà tác giả sử dụng được lấy từ báo cáo tài chính hàng năm của các

NHTM tại Việt Nam giai đoạn 2007 – 2015 với tống số NHTM trong danh mục

nghiên cứu là 26 NH (Phụ lục 1). Tác giả thực hiện chạy thử nhiều lần và chọn lọc,

loại bớt một số quan sát gây ra lỗi trong ước lượng cũng như một số ngân hàng

không đủ thông tin để nghiên cứu. Hình 3.1 mô tả số ngân hàng được lựa chọn.

Về phân loại NH theo tăng trưởng tín dụng, ngày 13/02/2012, NHNN ban

hành Chỉ thị 01/CT-NHNN, theo đó các NHTM được phân vào 4 nhóm: nhóm hoạt

động lành mạnh, trung bình, dưới trung bình và yếu kém, tương ứng chỉ tiêu tốc độ

tăng trưởng tín dụng được quy định bởi NHNN: nhóm 1 tăng trưởng tối đa 17%,

nhóm 2 là 15%, nhóm 3 là 8% và nhóm 4 không được tăng trưởng tín dụng. NHNN

không công khai tên các ngân hàng được phân vào các nhóm mà chủ yếu do các

NHTM tự công bố. Số lượng NH của từng nhóm được trình bày chi tiết ở Bảng 3.2,

SGB, VIETA, VIETCAP không có thông tin phân nhóm nên không được đưa vào.

Bảng 3.2. Phân loại NHTM theo tăng trƣởng tín dụng

Nhóm Số lƣợng NH Tên ngân hàng

1 14

ACB, BID, CTG, EIB, MBB, MSB, SEA, STB, TCB, VCB, VIB, VPB, SHB, AGR

2 6 DAB, KLB, NAMA, OCB, PGB, ABB

3 3 – 4 SCB, NVB, HDBANK

Nguồn: Nguyễn Xuân Thành (2016), Dung Hạ (2012), tác giả tổng hợp lại

theo danh mục nghiên cứu

Về phân loại NH theo cơ cấu sở hữu, các NH được phân loại thành 2 nhóm:

NHTM Nhà nước (vốn sở hữu do Nhà nước cấp) và NHTM ngoài Nhà nước, số

lượng NH của từng nhóm được trình bày chi tiết ở Bảng 3.3.

Bảng 3.3. Phân loại NHTM theo cơ cấu sở hữu

Nhóm Số lƣợng NH Tên ngân hàng

4 BID, AGR, VCB, CTG NHTM Nhà nước

NHTM ngoài Nhà nước ACB, DAB, SEA, VIETCAP, ABB, MSB, TCB, KLB, NAMA, NVB, VPB, HDBANK, OCB, MBB, SHB, VIB, SCB, SGB, STB, VIETA, PGB, EIB

Nguồn: NHNN (2015), tác giả tổng hợp lại theo danh mục nghiên cứu

Dữ liệu nghiên cứu các biến số khác được tác giả thu thập từ Niên giám

thống kê, số liệu của World Bank, IMF, GSO.

KẾT LUẬN CHƢƠNG 3

Trong Chương 3, để trả lời câu hỏi nghiên cứu thứ hai và thứ ba, tác giả sử

dụng mô hình panel VAR để thực hiện trong bài nghiên cứu để tính toán rủi ro hệ

thống các NHTM và mối quan hệ giữa các nhân tố đến rủi ro hệ thống.

CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

GIỚI THIỆU CHƢƠNG

Dựa trên nền tảng lý thuyết và phương pháp nghiên cứu đã được đề cập trong

các Chương trước, tác giả tiến hành phân tích thực nghiệm và tổng hợp các kết quả

thu được trong quá trình thực hiện nhằm giải đáp các câu hỏi nghiên cứu. Chương 4

mô tả rủi ro hệ thống của các NHTM trong giai đoạn nghiên cứu cùng một số phân

tích rủi ro hệ thống theo các tiêu thức khác nhau. Đồng thời, kết quả định lượng về

mối quan hệ giữa các nhân tố đến rủi ro hệ thống cũng được trình bày, tạo cơ sở gợi

ý về mặt chính sách và điều hành.

4.1. ĐÁNH GIÁ VỀ RỦI RO HỆ THỐNG

4.1.1. Đánh giá rủi ro hệ thống trên toàn danh mục

Hình 4.1. Phân nhóm NHTM theo xác suất phá sản

2008

2009

2010

2011

2012

2013

2014

2015

2 2007

Đơn vị tính: Ngân hàng

Dưới 20% 20 – 40% 40 – 60% 60 – 80% 80 – 100%

Nguồn: Tác giả tính toán bằng phương pháp CCA trên cơ sở tổng hợp dữ

liệu từ báo cáo tài chính các NHTM trong mẫu nghiên cứu

Kết quả tính toán xác suất phá sản từng NHTM trong danh mục được thể

hiện ở Hình 4.1. Kết quả cho thấy số NHTM có xác suất phá sản dưới 20% có sự

sụt giảm trong giai đoạn 2007 – 2009 và năm 2012, nhưng về xu hướng có sự gia

tăng qua các năm, đến năm 2015 chiếm 20/26 NH. Mặt khác, trừ giai đoạn 2007 –

2009 và năm 2012, các NHTM có mức độ xác suất phá sản cao hơn 20% đều giảm,

các NHTM có xác suất phá sản trên 80% đã giảm còn 1 NH trong năm 2015. Tuy

nhiên vì tính liên thông giữa các NHTM trong hệ thống, sự sụp đổ của 1 NH có thể

gây ảnh hưởng dây chuyền đến các ngân hàng khác, việc tính toán tổn thất của cả hệ

thống NHTM sẽ trở nên phức tạp và khó tiên lượng mức độ.

Kết quả tính toán rủi ro hệ thống của các NHTM trong toàn danh mục thể

hiện ở Hình 4.2. Kết quả cho thấy diễn rủi ro hệ thống của các NHTM gia tăng

trong giai đoạn 2007 – 2009. Theo VCSC (2008), trong năm 2008, nguồn vốn dài

hạn của hệ thống NHTM chiếm 35.1% trên tổng nguồn vốn, trong khi đó các NH đã

cho vay trung và dài hạn cùng với đầu tư tài chính (chủ yếu là trái phiếu) là 47.1%.

Như vậy phần chênh lệch 12.0% còn lại của nhu cầu cho vay dài hạn phải lấy từ

nguồn vốn ngắn hạn để tài trợ. Bên cạnh đó, các ngân hàng chưa quan tâm nhiều

đến việc tăng nguồn vốn dài hạn, trong khi vốn chủ sở hữu không cao. Đây là một

trong những lý do chính dẫn đến sự mất cân đối trong cơ cấu nguồn vốn – tài sản và

tiềm ẩn rủi ro trong hệ thống ngân hàng.

Hình 4.2. Rủi ro hệ thống của danh mục nghiên cứu giai đoạn 2007 –

2015

6,0

4,8

4,6

4,4

3,3

4,0

2,9

2,2

1,7

1,4

2,0

0,0

2007

2008

2009

2010

2011

2012

2013

2014

2015

Đơn vị tính: %

Nguồn: Tác giả tính toán bằng phương pháp CCA trên cơ sở tổng hợp dữ

liệu từ báo cáo tài chính các NHTM trong mẫu nghiên cứu

Rủi ro hệ thống các NHTM có sự sụt giảm so với giai đoạn 2007 – 2009,

thấp nhất vào năm 2011. Tuy nhiên, thực tế cho thấy hệ thống NHTM vẫn còn tiềm

ẩn nhiều rủi ro. Với dư nợ lớn cho vay bất động sản trong các năm trước, nợ xấu

trong hệ thống NHTM gia tăng trong thời gian thị trường bất động sản đóng băng.

Theo VCBS (2014), đến cuối năm 2011, nợ xấu của hệ thống NHTM đã tương

đương 240.000 tỷ đồng. Đến năm 2012, rủi ro hệ thống NHTM tăng trở lại vì hệ

thống NHTM có nhiều biến động bao gồm nợ xấu tăng cao dẫn đến chi phí trích lập

dự phòng của các NH tăng mạnh, nhiều NH gặp khó khăn phải tái cơ cấu hoạt động.

NHNN sau đó đã tiến hành nhiều biện pháp với trọng tâm là xử lý nợ xấu,

minh bạch hóa tài chính và tái cơ cấu tổ chức, hoạt động và quản trị hệ thống ngân

hàng, qua việc thành lập Công ty quản lý tài sản của các TCTD Việt Nam (VAMC)

và tăng cường quản trị rủi ro, hướng đến chuẩn mực Basel II (NHNN, 2015). Theo

VCBS (2014), tính đến ngày 31/12/2013, tỷ lệ nợ xấu trong hệ thống ngân hàng

Việt Nam giảm gần 1% so với đầu năm 2013 trong đó khoảng 40,000 tỷ đồng nợ

xấu đã được VAMC mua lại từ các NH. Năm 2014 và 2015, NHNN tiếp tục xây

dựng hành lang pháp lý, hoạt động với trọng tâm tái cơ cấu, sáp nhập và xử lý nợ

xấu. Kết quả là, từ năm 2012 đến năm 2015, hệ thống NHTM đã giảm bớt 5 NHTM

thông qua hoạt động sáp nhập, hợp nhất và NHNN đã mua lại 3 NHTM.

Như vậy, các chính sách điều chỉnh của NHNN được thực hiện đã có hiệu

lực vào hệ thống NHTM, tạo cơ sở giảm rủi ro hệ thống qua các năm. Kết quả cũng

cho thấy khả năng xảy ra rủi ro hệ thống cho toàn bộ hệ thống NHTM qua các năm

là rất thấp, thể hiện việc điều hành, quản lí và kiểm soát rủi ro hệ thống NHTM của

NHNN hiện nay là tương đối hợp lí.

4.1.2. Đánh giá rủi ro hệ thống các NHTM theo phân nhóm tăng trƣởng tín

dụng

Hình 4.3. Rủi ro hệ thống các nhóm NHTM theo tăng trƣởng tín dụng

2007

2008

2009

2010

2011

2012

2013

2014

2015

Đơn vị tính: %

Nhóm 1 Nhóm 2 Nhóm 3 - 4 Tổng danh mục

Nguồn: Tác giả tính toán bằng phương pháp CCA trên cơ sở tổng hợp dữ

liệu từ báo cáo tài chính các NHTM trong mẫu nghiên cứu

Hình 4.3 cho thấy rủi ro hệ thống của cả danh mục thấp nhất so với các nhóm

NHTM theo tăng trưởng tín dụng. Các NHTM nhóm 1 có rủi ro thấp hơn nhóm 2 và

nhóm 3 – 4 và diễn biến khá tương đồng danh mục nghiên cứu. Các NHTM nhóm 2

có mức độ rủi ro rất cao trong giai đoạn 2007 – 2009 (trên 60%, cao hơn cả các

NHTM nhóm 3 – 4) nhưng đã giảm nhanh qua các năm. Về các NHTM nhóm 3 – 4,

mức độ rủi ro về xu hướng đã có suy giảm nhưng nhìn chung vẫn cao hơn các nhóm

NHTM khác, cho thấy NHNN có sự hợp lý nhất định khi phân loại các NHTM vào

nhóm này.

4.1.3. Đánh giá rủi ro hệ thống các NHTM theo phân nhóm cơ cấu sở hữu

Hình 4.4 trình bày kết quả tính toán rủi ro của nhóm NHTM thuộc sở hữu

nhà nước và nhóm NHTM ngoài nhà nước so sánh với rủi ro của tổng danh mục.

Kết quả tính toán cho thấy nhóm NHTM nhà nước có xác suất phá sản thấp nhất

qua các năm. Hầu hết các NHTM trong khối này đều có sự vượt trội về qui mô vốn

và các ưu đãi từ Nhà nước nên có nhiều lợi thế hơn và nhiều nguồn lực để quản trị

rủi ro tốt hơn các NHTM ngoài nhà nước (VCBS, 2011). Ngoài ra Nhuệ Mẫn

(2016) cho rằng các NHTM ngoài nhà nước đa phần có qui mô nhỏ, xuất phát từ

các NHTM nông thôn nhưng lại vươn ra hoạt động tại thành thị, do đó có tốc độ

tăng trưởng tài sản và danh mục cho vay phát triển quá nóng, ngoài ra hệ thống

quản lý rủi ro và kỹ năng quản lý hoạt động của các NH này còn tương đối kém.

Hình 4.4. Rủi ro hệ thống các nhóm NHTM theo cơ cấu sở hữu

2007

2008

2009

2010

2011

2012

2013

2014

2015

Đơn vị tính: %

NHTM Nhà nước NHTM Ngoài Nhà nước Tổng danh mục

Nguồn: Tác giả tính toán bằng phương pháp CCA trên cơ sở tổng hợp dữ

liệu từ báo cáo tài chính các NHTM trong mẫu nghiên cứu

4.2. RỦI RO HỆ THỐNG VÀ CÁC NHÂN TỐ ẢNH HƢỞNG

4.2.1. Rủi ro hệ thống và tăng trƣởng kinh tế

Hình 4.5 cho thấy giữa tăng trưởng kinh tế và rủi ro hệ thống có mối quan hệ

ngược chiều nhau. Kết quả tổng hợp cho thấy nền kinh tế Việt Nam có tốc độ tăng

trưởng được duy trì liên tục trên 5% trong giai đoạn năm 2007 – 2015. Trong phạm

vi quan sát có 2 giai đoạn tỷ lệ tăng trưởng kinh tế sụt giảm gồm giai đoạn năm

2009 – 2010 và năm 2012 – 2015, tương ứng với hai giai đoạn gia tăng rủi ro hệ

thống của các NHTM.

Hình 4.5. Diễn biến rủi ro hệ thống và tăng trƣởng kinh tế

6,0

4,0

2,0

0,0

7,5 7,0 6,5 6,0 5,5 5,0

Đơn vị tính: %

2007 2008 2009 2010 2011 2012 2013 2014 2015

Tăng trưởng kinh tế Rủi ro hệ thống

Nguồn: World Bank (2016), Tổng cục Thống kê (2014), trong đó rủi ro hệ

thống được đo lường bằng xác suất phá sản do tác giả tính toán bằng phương pháp

CCA

4.2.2. Rủi ro hệ thống và tăng trƣởng vốn huy động

Xét về tỷ lệ tăng trưởng vốn huy động, hệ thống NHTM liên tục duy trì tỷ lệ

tăng trưởng dương qua các năm. Việc tăng trưởng về nguồn vốn huy động sẽ tạo

điều kiện cho các ngân hàng cung cấp tín dụng cho nền kinh tế nhưng khi tăng

trưởng quá nhanh sẽ tạo ra những hậu quả xấu như đã phân tích ở Chương 2. Việc

gia tăng vốn dù bởi yếu tố cạnh tranh trên thị trường (các ngân hàng phải gia tăng

các nguồn vốn huy động để cho vay nhiều hơn) hoặc yếu tố hành chính (các quy

định của Nhà nước phải duy trì mức vốn tối thiểu, các quy định về vốn pháp

định,…) cũng đều khiến một số ngân hàng phải gia tăng vốn vượt quá khả năng của

mình, tạo áp lực phải gia tăng các hoạt động rủi ro để mang về lợi nhuận, kết quả là

không thể quản trị rủi ro hiệu quả và buộc phải tái cơ cấu. Kết quả tổng hợp theo

Hình 4.6 cũng cho thấy có sự biến động cùng chiều giữa rủi ro hệ thống và tỷ lệ

tăng trưởng vốn huy động của hệ thống NHTM trong giai đoạn nghiên cứu.

Hình 4.6. Diễn biến rủi ro hệ thống và tỷ lệ tăng trƣởng vốn huy động

6,0

35,0

4,0

25,0

2,0

15,0

0,0

5,0

Đơn vị tính: tỷ đồng, %

2007 2008 2009 2010 2011 2012 2013 2014 2015

Tỷ lệ tăng vốn huy động Rủi ro hệ thống

Nguồn: IMF (2016), trong đó rủi ro hệ thống được đo lường bằng xác suất

phá sản do tác giả tính toán bằng phương pháp CCA

4.2.3. Rủi ro hệ thống và tỷ lệ nợ xấu

Hình 4.7. Diễn biến rủi ro hệ thống và tỷ lệ nợ xấu

6,0

5,0

4,0

3,0

2,0

0,0

1,0

Đơn vị tính: %

2007 2008 2009 2010 2011 2012 2013 2014 2015

Tỷ lệ nợ xấu Rủi ro hệ thống

Nguồn: World Bank (2016), NHNN (2016), trong đó rủi ro hệ thống được đo

lường bằng xác suất phá sản do tác giả tính toán bằng phương pháp CCA

Kết quả tổng hợp theo Hình 4.7 thể hiện tỷ lệ nợ xấu biến động cùng chiều

hướng với rủi ro hệ thống. Điều này có ý nghĩa về mặt thực nghiệm có sự tương

quan về khả năng quản trị tài sản của hệ thống NHTM với rủi ro hệ thống từ đó gợi

ý về mặt điều hành chính sách cần có sự quan tâm đúng đắn cho công tác quản trị

rủi ro, tài sản, nợ của các ngân hàng.

4.3. KẾT QUẢ HỒI QUY THEO MÔ HÌNH PANEL VAR

4.3.1. Kết quả ƣớc lƣợng mô hình panel VAR

4.3.1.1. Kiểm định nghiệm đơn vị

Kiểm định nghiệm đơn vị trong nghiên cứu được sử dụng để kiểm tra xem

liệu các biến chuỗi thời gian: PD, GDP, NPL, TD có tính dừng hay không. Kết quả

của kiểm định nghiệm đơn vị được trình bày trong Bảng 4.1.

Bảng 4.1. Kết quả kiểm định nghiệm đơn vị bằng ADF

Sai phân bậc 1 Biến Bậc gốc Giá trị thống kê Xác suất Giá trị thống kê Xác suất

GDP TD NPL PD 35.258 86.479 20.292 94.031 0.964 0.002 1.000 0.000 340.713 135.634 0.000 0.000

Nguồn: Kết quả trích xuất từ phần mềm Eviews

Kết quả theo kiểm định ADF cho thấy biến PD và TD dừng ở bậc gốc, còn

lại biến GDP và biến NPL dừng ở mức sai phân thứ nhất. Vì vậy, nghiên cứu tiến

hành ước lượng panel VAR gồm các biến PD, TD và sai phân D(GDP), D(NPL).

4.3.1.2. Chọn độ trễ phù hợp

Có nhiều phương pháp nhằm chọn độ trễ cho mô hình VAR. Nghiên cứu

chọn phương pháp VAR Lag Order Selection Criteria nhằm tìm độ trễ thích hợp

cho mô hình. Nghiên cứu chọn tiêu chuẩn lựa chọn độ trễ tối ưu là tiêu chí thông tin

Akaike (Akaike information criterition – AIC), kết quả cho thấy chỉ thực hiện được

độ trễ là 1. Đồng thời do số lượng quan sát cũng như phạm vi thời gian nghiên cứu

tương đối nhỏ so với số lượng biến nên tác giả quyết định chọn độ trễ (lag intervals)

là 1 1 để ước lượng.

4.3.1.3. Kết quả ước lượng

Mục tiêu đầu tiên của bài nghiên cứu là tìm hiểu mức độ rủi ro hệ thống của

các NHTM tại Việt Nam trong giai đoạn 2007 – 2015. Sau khi đạt được mục tiêu

đầu tiên, bài nghiên cứu nỗ lực làm sáng tỏ những nhân tố nào tác động đến rủi ro

hệ thống của các ngân hàng. Nghiên cứu tập trung xem xét phương trình sau với

biến PD là biến phụ thuộc và các biến sai phân D(GDP(-1)), D(NPL(-1)), TD(-1),

PD(-1) là biến độc lập:

PD = 4.330 * D(GDP(-1)) + 19.320 * D(NPL(-1)) + 0.149 * TD(-1) + 0.558

* PD(-1) R2 0.373 R2 điều chỉnh 0.362

Kết quả hồi quy theo phương pháp panel VAR, phần nào chỉ ra có tồn tại

mối quan hệ giữa các biến tăng trưởng kinh tế, tăng trưởng vốn, tỷ lệ nợ xấu và rủi

ro hệ thống, tuy nhiên theo Sims (1980), mục đích của phân tích tự hồi quy vector

VAR là xác định mối liên hệ đa chiều giữa các biến chứ không phải để ước tính

mức độ quan hệ giữa các biến như hồi quy OLS. Vì vậy để kết luận chính xác hơn

cần thực hiện hàm phản ứng đẩy và phân rã phương sai.

4.3.2. Kiểm định chẩn đoán mô hình

4.3.2.1. Tính ổn định của mô hình

Hình 4.8. Nghiệm nghịch đảo của đa thức đặc trƣng tự hồi qui

Nguồn: Kết quả trích xuất từ phần mềm Eviews

Hình 4.8 cho thấy giá trị nghịch đảo nghiệm đặc trưng đều nằm trong vòng

tròn đơn vị. Kết luận, mô hình panel VAR vừa ước lượng có tính ổn định.

4.3.2.2. Kiểm định chẩn đoán đối với phần dư

Tiến hành kiểm định tự tương quan trong mô hình, kết quả (Bảng 4.2) cho

thấy các phần dư của các phương trình có tương quan với nhau. Như vậy, một cú

sốc xảy ra với 1 biến bất kỳ có thể ảnh hưởng đến các biến khác. Điều này đòi hỏi

phải thực hiện các hàm phản ứng để nhận được tác động lan tỏa từ các thay đổi của

mỗi biến trong mô hình đến các biến còn lại.

Bảng 4.2. Kết quả kiểm định tự tƣơng quan phần dƣ

Kiểm định Portmanteau Kiểm định LM Độ trễ Thống kê Q Xác suất Thống kê LM Xác suất

1 2 3 4 5 6 272.962 512.349 742.172 945.832 1144.514 1363.586 NA 0.000 0.000 0.000 0.000 0.000 NA NA 3017.979 1080.688 972.036 1055.638 NA NA 0.000 0.000 0.000 0.000

Nguồn: Kết quả trích xuất từ phần mềm Eviews

4.3.2.3. Kiểm định phân phối chuẩn của phần dư

Kết quả kiểm định cho thấy phần dư trong phương trình của D(NPL) có phân

phối chuẩn (Prob(Jarque-Bera) > 5%) nhưng phần dư trong phương trình của

D(GDP), TD, PD không có phân phối chuẩn (Prob(Jarque-Bera) < 5%). Tuy nhiên,

vì mẫu nghiên cứu nhỏ nên đo lường độ nghiêng không có nhiều ý nghĩa về mặt

thông tin.

4.3.3. Kiểm định nhân quả Granger

Bảng 4.3 cho thấy kết quả kiểm định nhân quả Granger của mô hình panel

VAR, cụ thể:

- Với giả thuyết: tăng trưởng kinh tế không là nguyên nhân của tỷ lệ nợ xấu,

tăng trưởng vốn huy động, rủi ro hệ thống, các giá trị Prob < 10%, giả thuyết bị bác

bỏ.

- Với giả thuyết: tỷ lệ nợ xấu không là nguyên nhân của tăng trưởng kinh tế,

tăng trưởng vốn huy động, rủi ro hệ thống bị bác bỏ do các giá trị Prob < 10%.

- Với giả thuyết: tăng trưởng vốn huy động không là nguyên nhân của tăng

trưởng kinh tế, rủi ro hệ thống bị bác bỏ do các giá trị Prob < 10%. Riêng giả thuyết

tăng trưởng vốn huy động không là nguyên nhân của tỷ lệ nợ xấu được chấp nhận

do Prob > 10%

- Với giả thuyết: rủi ro hệ thống không là nguyên nhân của tỷ lệ nợ xấu bị

bác bỏ do giá trị Prob < 10%. Riêng giả thuyết rủi ro hệ thống không là nguyên

nhân của tăng trưởng kinh tế , tăng trưởng vốn huy động được chấp nhận do Prob >

10%

Bảng 4.3. Kết quả kiểm định nhân quả Granger

Biến phụ thuộc Biến độc lập D(GDP) D(NPL) TD PD

D(GDP) - 0.000 0.000 0.027

D(NPL) 0.000 - 0.003 0.000

TD 0.000 0.278 - 0.005

PD 0.152 0.000 0.253 -

Ghi chú: các số trong bảng là giá trị xác suất

Nguồn: Kết quả trích xuất từ phần mềm Eviews

4.3.4. Kết quả hàm phản ứng đẩy

Sau khi ước lượng mô hình panel VAR, tác giả tiến hành thực hiện các hàm

phản ứng đẩy để kiểm định sự tác động của các cú sốc: tăng trưởng kinh tế nóng, nợ

xấu bùng phát, gia tăng huy động vốn đột ngột và rủi ro hệ thống thông qua hàm

phản ứng đẩy tạo nên cú sốc 1 đơn vị lệch chuẩn các biến D(GDP), D(NPL), TD,

PD với thời gian phản ứng 10 giai đoạn (10 năm).

4.3.4.1. Phản ứng của rủi ro hệ thống trước cú sốc tăng trưởng kinh tế

Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng kinh tế là tương

đối mạnh. Cú sốc tăng trưởng kinh tế không làm tăng rủi ro hệ thống ngay lập tức

mà trễ khoảng 2 kỳ và tác động này tăng dần cho đến kỳ thứ 10. Kết quả này tương

đồng với nhiều bằng chứng được tìm thấy ở nhiều nước, cho thấy, sau một thời gian

khi GDP tăng với tốc độ cao, chi tiêu trong nền kinh tế gia tăng mạnh kích thích các

hoạt động đầu tư lẫn đầu cơ, hệ thống NHTM nới rộng các điều kiện tín dụng, giảm

bớt kiểm soát rủi ro để gia tăng thị phần, lợi nhuận, từ đó khiến rủi ro cho hệ thống

tăng cao hơn nữa (Hình 4.9).

Hình 4.9. Phản ứng của rủi ro hệ thống trƣớc cú sốc của tăng trƣởng

kinh tế

Nguồn: Kết quả trích xuất từ phần mềm Eviews

4.3.4.2. Phản ứng của rủi ro hệ thống trước cú sốc của tỷ lệ nợ xấu

Hình 4.10. Phản ứng của rủi ro hệ thống các NHTM trƣớc cú sốc của tỷ

lệ nợ xấu

Nguồn: Kết quả trích xuất từ phần mềm Eviews

Hình 4.10 cho thấy rủi ro hệ thống NHTM phản ứng mạnh với tỷ lệ nợ xấu

trong 3 kỳ đầu tiên sau sốc. Mức phản ứng sau đó có suy giảm nhưng vẫn lớn hơn

0% ở các giai đoạn sau. Điều này phù hợp với thực tiễn là tỷ lệ nợ xấu tăng sẽ làm

các NHTM phải tốn chi phí trích lập dự phòng, giảm lợi nhuận, hiệu quả hoạt động,

trong trường hợp xấu nhất làm các NHTM bị âm vốn chủ sở hữu, bắt buộc phải tái

cơ cấu hoặc NHNN can thiệp bằng các biện pháp khác nhau. Kết quả này cũng phù

hợp với nhiều bằng chứng trên thế giới cho thấy, tỷ lệ nợ xấu cao là một trong

những nguyên nhân chính làm gia tăng rủi ro hệ thống các NHTM.

4.3.4.3. Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng vốn huy động

Hình 4.11. Phản ứng của rủi ro hệ thống trƣớc cú sốc của tăng trƣởng

huy động vốn

Nguồn: Kết quả trích xuất từ phần mềm Eviews

Cú sốc của tăng trưởng vốn huy động có ảnh hưởng đáng kể đến rủi ro hệ

thống NHTM trong 2 kỳ đầu tiên với mức phản ứng ngay lập tức. Mức độ ảnh

hưởng sau đó suy giảm nhưng vẫn duy trì gần 1% đến kỳ thứ 10 (Hình 4.15). Điều

này phù hợp với các lý thuyết trước đó, cho thấy việc gia tăng vốn huy động đột

ngột sẽ khuyến khích các ngân hàng tham gia vào các hoạt động rủi ro hơn.

4.3.3.4. Phản ứng của rủi ro hệ thống trước cú sốc của chính nó

Rủi ro hệ thống chịu ảnh hưởng rất mạnh bởi cú sốc của chính nó. Tác động

gần như ngay lập tức ở mức rất cao (trên 20%) sau đó giảm dần. Điều này có thể

giải thích bằng tác động lây lan của khủng hoảng ngân hàng. Các ngân hàng thường

có mối quan hệ qua lại mật thiết với nhau về mặt tài chính thông qua quan hệ vay

mượn và thông qua hệ thống thanh toán bù trừ. Vì thế sự đổ vỡ của một ngân hàng

sẽ ngay lập tức ảnh hưởng sang các ngân hàng khác (Hạ Thị Thiều Dao và Phạm

Thị Tuyết Trinh, 2014).

Hình 4.12. Phản ứng của rủi ro hệ thống trƣớc cú sốc của chính nó

Nguồn: Kết quả trích xuất từ phần mềm Eviews

Điều này ngày càng được khẳng định trong bối cảnh hội nhập kinh tế sâu sắc

như hiện nay. Sự đổ vỡ trong khu vực ngân hàng sẽ tạo ra những tổn thất lớn hơn

các ngành nghề kinh doanh khác, bởi vì chỉ cần một ngân hàng phải tuyên bố phá

sản, ngay lập tức sẽ tạo sự lo sợ lan trong hệ thống ngân hàng – rủi ro hệ thống.

Ranh giới hoạt động của một ngân hàng không chỉ bó gọn trong phạm vi một quốc

gia mà nó đã phát triển xuyên biên giới, mở rộng mạng lưới cũng như các mối liên

kết ra toàn cầu. Vì thế sự gia tăng rủi ro hệ thống kỳ trước sẽ kéo theo sự gia tăng

rủi ro hệ thống trong các giai đoạn sau.

4.3.5. Phân rã phƣơng sai

Bảng 4.4 cho thấy kết quả phân tích phân rã phương sai mô hình panel VAR

của biến PD với trật tự Cholesky là D(GDP) D(NPL) TD PD. Kết quả cho thấy,

biến động của rủi ro hệ thống chủ yếu được giải thích bởi chính nó; kế đến là tăng

trưởng kinh tế, tỷ lệ nợ xấu, thấp nhất là tăng trưởng vốn huy động. Kết quả này

đồng nhất với kiểm định nhân quả Granger.

Bảng 4.4. Kết quả phân rã phƣơng sai

Kỳ S.E. D(GDP) D(NPL) TD PD

1 22.541 10.392 3.539 0.623 85.447

2 27.167 13.906 8.130 0.822 77.142

3 29.714 12.998 13.444 0.876 72.682

4 30.698 12.367 13.925 1.125 72.583

5 31.147 12.307 13.639 1.542 72.512

6 31.488 12.676 13.659 1.852 71.813

7 31.823 12.916 8.607 7.620 70.856

8 32.055 12.908 8.988 7.804 70.299

9 32.170 12.876 9.156 7.815 70.153

10 32.231 12.881 9.241 7.791 70.087

Nguồn: Kết quả trích xuất từ phần mềm Eviews

KẾT LUẬN CHƢƠNG 4

Các kết quả cho thấy rủi ro hệ thống NHTM trong danh mục quan sát có giá

trị không lớn trong giai đoạn nghiên cứu, tuy nhiên khi xem xét từng ngân hàng thì

có sự chênh lệch rất lớn về xác suất phá sản từng tổ chức. Điều này chỉ ra khả năng

quản trị rủi ro, hoạt động của các ngân hàng là khác nhau. Ngoài ra, các kết quả

cũng chỉ ra tỷ lệ tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và

chính rủi ro của hệ thống ngân hàng thương mại có ảnh hưởng đến rủi ro hệ thống.

CHƢƠNG 5: KẾT LUẬN VÀ GỢI Ý VỀ CHÍNH SÁCH

GIỚI THIỆU CHƢƠNG

Thông qua các kết quả trong phần trước, nghiên cứu rút ra các kết luận trả lời

cho các câu hỏi nghiên cứu. Theo đó, các kết quả cho thấy rủi ro hệ thống các

NHTM tại Việt Nam đo lường bằng phương pháp CCA là không lớn và diễn biến

phù hợp trong phạm vi nghiên cứu. Đồng thời, nghiên cứu cũng chỉ ra các nhân tố

được chọn có mối quan hệ với rủi ro hệ thống. Dựa trên những kết quả đã đạt được,

tác giả kiến nghị cần có cách tiếp cận về chính sách quản lý phù hợp hơn, trên

nguyên tắc phải quản lý hiệu quả các nhân tố ảnh hưởng đến rủi ro hệ thống. Các

hạn chế và hướng nghiên cứu tiếp theo cũng được xem xét.

5.1. KẾT LUẬN

Thông qua đề tài nghiên cứu về “Các nhân tố tác động đến rủi ro hệ thống

các NHTM tại Việt Nam”, tác giả đã phân tích các lý thuyết về rủi ro hệ thống và

phương pháp đo lường rủi ro hệ thống, tham khảo kết quả thực nghiệm khác nhau,

từ đó tiến hành tính toán trên các NHTM ở Việt Nam, nghiên cứu đã đạt được các

mục tiêu của đề tài là:

Về mục tiêu thứ nhất: Làm rõ khái niệm rủi ro hệ thống và làm cách nào để

đo lường rủi ro hệ thống. Bài nghiên cứu sử dụng phương pháp CCA, từ đó xác

định được rủi ro hệ thống NHTM thông qua xác suất phá sản của các ngân hàng.

Kết quả chỉ ra diễn biến rủi ro hệ thống có sự gia tăng trong giai đoạn xảy ra khủng

hoảng tài chính toàn cầu và giai đoạn bùng phát nợ xấu, tái cấu trúc hệ thống

NHTM, diễn biến phù hợp với thực trạng hoạt động của hệ thống NHTM. Điều này

cho thấy phương pháp CCA có sự phù hợp và có khả năng áp dụng trong thực tiễn

về đo lường rủi ro hệ thống ở Việt Nam.

So sánh về mức độ rủi ro, bài nghiên cứu chỉ ra về xu hướng, các ngân hàng

có mức độ rủi ro cao đã giảm qua các năm, cho thấy các biện pháp tái cấu trúc ngân

hàng của NHNN đã có phát huy hiệu quả trên thực tế.

Xét về phân nhóm tăng trưởng tín dụng, kết quả nghiên cứu cho thấy NHNN

đã có sự hợp lí nhất định khi phân loại các NHTM thành các nhóm khác nhau theo

đánh giá về tình hoạt động, mức độ rủi ro. Cụ thể, mức độ rủi ro của các NHTM

nhóm 3 – 4 cao hơn các NHTM nhóm 1 và 2. Xét về tổng thể, rủi ro chung của hệ

thống đều nhỏ hơn các nhóm trên, điều này phần nào chỉ ra sự hiệu quả trong công

tác quản lý của NHNN.

Xét về cơ cấu sở hữu, nghiên cứu chỉ ra các NHTM nhà nước có mức độ rủi

ro thấp hơn các NHTM ngoài nhà nước. Kết quả này phù hợp với thực tế là các

NHTM nhà nước với nguồn vốn và các ưu đãi từ Nhà nước có nhiều lợi thế hơn và

nhiều nguồn lực để quản trị rủi ro tốt hơn các NHTM ngoài nhà nước.

Về mục tiêu thứ hai: Xác định các nhân tố ảnh hưởng đến rủi ro hệ thống.

Có nhiều nhân tố có thể ảnh hưởng đến rủi ro hệ thống, bài nghiên cứu xác định bốn

nhân tố có khả năng ảnh hưởng đển rủi ro hệ thống, bao gồm: tăng trưởng kinh tế,

tăng trưởng vốn huy động, tỷ lệ nợ xấu và chính bản thân rủi ro. Bằng các ước

lượng và kiểm định của mô hình panel VAR, kết quả chỉ ra các nhân tố trên thực sự

có ảnh hưởng đến rủi ro hệ thống.

Về mục tiêu thứ ba: Mức độ tác động của các nhân tố đến rủi ro hệ thống

các NHTM tại Việt Nam. Nghiên cứu sử dụng hàm phản ứng đẩy và phân rã phương

sai nhằm phân tích phản ứng của rủi ro hệ thống với các cú sốc của các nhân tố. Các

kết quả tổng hợp được cho thấy các cú sốc đều gây ra sự biến động lớn cho rủi ro hệ

thống. Điều này đồng nghĩa, sự gia tăng đột ngột tốc độ tăng trưởng, tăng trưởng

vốn huy động quá nhanh, tăng tỷ lệ nợ xấu và quản trị rủi ro không hiệu quả đều

làm gia tăng rủi ro hệ thống.

5.2. GỢI Ý CHÍNH SÁCH

Theo Kaufman và Scott (2003), tính dễ đổ vỡ trong hoạt động ngân hàng cao

hơn là các ngành khác vì: (i) Tỷ lệ vốn trên tổng tài sản thấp (tỷ lệ nợ cao); (ii) Tỷ

lệ tiền mặt trên tổng tài sản thấp; (iii) Tỷ lệ tiền gửi ngắn hạn trên tổng tiền gửi lớn

(khả năng rút vốn đồng loạt sẽ cao). Các đặc điểm cố hữu này không chỉ đem đến

những bất ổn cho chính khu vực ngân hàng mà còn tạo ra những bất ổn trong hoạt

động kinh tế vĩ mô. Ông cũng nhấn mạnh rằng, hệ thống ngân hàng có tính chất dễ

vỡ (fragility) nhưng không tự động chuyển sang đổ vỡ (breakage). Điều này có

nghĩa là một hệ thống giám sát hữu hiệu, một cơ chế quản lý an toàn và hiệu quả sẽ

có thể ngăn chặn sự đổ vỡ của các ngân hàng. Bằng việc phát hiện các nhân tổ ảnh

hưởng rủi ro hệ thống các NHTM, nghiên cứu đưa ra một số kiến nghị trên ý tưởng

việc kiểm soát các nhân tố này hiệu quả sẽ gián tiếp quản lý tốt rủi ro hệ thống.

5.2.1. Về tăng trƣởng kinh tế

Theo VEPR (2015), trong thời gian từ 2016 – 2020, nếu nền kinh tế Việt

Nam không nhận được động lực tăng trưởng mới từ sự cải thiện yếu tố năng suất

lao động tổng hợp, trong khi đó các nguồn lực cơ bản là vốn và lao động không có

nhiều khả năng cải thiện đột biến, dẫn đến nhiều khả năng tăng trưởng khó thoát

khỏi khuynh hướng suy giảm dài hạn. Cho tới nay tăng trưởng kinh tế vẫn dựa trên

các yếu tố lao động và vốn, nên quyết tâm cải cách mạnh mẽ tổng thể nền kinh tế có

ý nghĩa quyết định trong việc tái tạo khuynh hướng tăng trưởng cao. Việc cải cách

sẽ mang lại những cải thiện trong chủ yếu trong hiệu quả sử dụng vốn, tăng kỹ năng

trong lao động, và đặc biệt là cải thiện yếu tố năng suất tổng hợp thông qua sự

chuyển đổi mô hình tăng trưởng theo chiều sâu, ứng dụng khoa học công nghệ và

mở rộng hợp tác quốc tế theo hướng đa dạng hóa và tăng cao chất lượng các mặt

hàng xuất khẩu, nâng cao sức cạnh tranh trên thị trường quốc tế.

5.2.2. Về tăng trƣởng vốn huy động

Các nghiên cứu trước đã chỉ ra sự sụt giảm hoặc gia tăng quá nhanh nguồn

vốn huy động đều gây ra các hậu quả bất lợi cho hệ thống NHTM. Để phát triển

nguồn vốn huy động hiệu quả, các nhà quản lý, đặc biệt là NHNN cần tôn trọng cơ

chế thị trường để cho thị trường quyết định các nhân tố ảnh hưởng trực tiếp đến vốn

huy động, ví dụ như lãi suất. Trong ngắn hạn, các biện pháp như áp dụng trần lãi

suất có thể kiềm chế được cuộc đua lãi suất (chạy đua tăng trưởng huy động vốn)

nhưng về lâu dài sẽ làm méo mó lãi suất thị trường. Thực tế đã chứng minh việc

việc áp đặt một mức lãi suất không được xác định bởi quy luật cung cầu, sớm hoặc

muộn áp lực thị trường cũng kéo lãi suất về mức giá trị cân bằng vốn có của nó (Hạ

Thị Thiều Dao và Phạm Thị Tuyết Trinh, 2014).

Tuy nhiên, tuân theo quy luật thị trường không có nghĩa là buông lỏng quản

lý mà NHNN sẽ can thiệp khi có cạnh tranh không lành mạnh nhằm bình ổn thị

trường bằng thanh tra, giám sát, kiểm soát các NHTM cố tình chạy theo lợi nhuận,

bất chấp các quy định của pháp luật để trục lợi đồng thời đảm bảo tính ổn định, hiệu

quả và an toàn cho hoạt động của toàn hệ thống ngân hàng. Để can thiệp có hiệu

quả, NHNN cần: (i) có cơ chế kiểm soát và biện pháp chế tài đối với những ngân

hàng cố tình bỏ qua pháp luật, quy trình, quy định để cạnh tranh, gây thiệt hại cho

các NHTM khác; (ii) các công cụ cần được sử dụng đa dạng, linh hoạt để áp dụng

cho nhiều trường hợp, hoàn cảnh khác nhau, tránh các biện pháp cứng nhắc, mệnh

lệnh hành chính.

5.2.3. Về tỷ lệ nợ xấu

Hình 5.1. Cơ cấu nợ xấu các NHTM đã niêm yết

Đơn vị tính: tỷ đồng

40.000

11.725

19.662

15.860

15.617

30.000

7.617

7.917

5.436

20.000

12.417

9.334

7.418 2.451 8.860

5.820 8.590

8.319

9.011 1.952 6.332

10.000

2010 2011 2012 2013 2014 Quý III/2015

Nợ nhóm 3 Nợ nhóm 4 Nợ nhóm 5

Nguồn: Báo cáo tài chính các NHTM đang niêm yết gồm: BID, EIB, STB,

ACB, NVB, SHB, VCB, CTG, tác giả tổng hợp lại theo mục tiêu nghiên cứu

Theo VCBS (2014), kể từ khi tiến hành đề án tái cấu trúc hệ thống TCTD, tỷ

lệ nợ xấu có giảm nhưng quy mô nợ xấu theo báo cáo không thay đổi nhiều. Xét

trên các NHTM đã niêm yết, nợ nhóm 5 đã tăng mạnh trong những năm gần đây,

đặc biệt là trong chín tháng đầu năm 2015 (tăng 27% so với năm 2014) (Hình 5.4).

Nợ quá hạn cũng chỉ giảm trong năm 2014 và tăng trở lại trong 9 tháng đầu năm

2015. Nợ quá hạn tăng có thể khiến nợ xấu trong thời gian tới diễn biến xấu hơn do

điều kiện kinh tế vĩ mô không thay đổi nhiều, thời gian trả chậm nợ của khách hàng

kéo dài hơn và phải chuyển sang nợ xấu.

Theo Phạm Tiên Phong (2014), để có thể thành công trong công tác xử lý nợ

xấu cần thiết phải chú trọng không chỉ vào các giải pháp vĩ mô (xác định cơ chế xử

lý nợ trực tiếp, thông qua trung gian,…) mà còn tập trung vào các phương pháp xử

lý vi mô (xử lý các khoản nợ xấu đã thu mua) với các vấn đề cần lưu ý như sau:

- Cần xây dựng một khuôn khổ pháp lý đủ mạnh để có thể điều tiết toàn bộ

các hoạt động liên quan đến việc xử lý nợ xấu, tạo lập một môi trường hoạt động

minh bạch, bình đẳng, thông suốt. Kinh nghiệm xử lý nợ xấu trên thế giới đã cho

thấy, các quốc gia nên xây dựng và phát triển khung pháp lý sẵn sàng cho một thị

trường mua bán và xử lý các tài sản xấu, tránh trường hợp khi muốn áp dụng một

chính sách xử lý nợ lại gặp phải những cản trở về mặt pháp lý trong việc thực thi

cũng như thu hút các nhà đầu tư.

- Cần xây dựng một hệ thống thông tin minh bạch về các định chế tài chính

trong nước cũng như tiêu chuẩn hóa hệ thống thông tin về các khoản nợ xấu để

nâng cao hiệu quả xử lý nợ xấu. Việc tiêu chuẩn hóa hệ thống công nghệ thông tin

về các khoản nợ xấu từ trước sẽ giúp cho quá trình tập hợp đánh giá và quyết định

mua cũng như lựa chọn các biện pháp xử lý nợ xấu được diễn ra nhanh chóng và

thuận lợi hơn.

5.2.4. Về công tác quản trị rủi ro

Năng lực quản trị rủi ro của các NHTM Việt Nam trong thời gian qua đã

được cải thiện, một số ngân hàng đã áp dụng mô hình quản trị hiện đại, tiến gần đến

mô hình quản trị của thế giới. Tuy nhiên, nhìn chung hệ thống quản trị rủi ro của

các NHTM Việt Nam vẫn tồn tại nhược điểm chậm áp dụng các chuẩn mực quốc tế.

BIS (2015) công bố báo cáo nghiên cứu về kết quả thực hiện các quy định Basel III,

theo đó đến ngày 31/12/2015, các quy định cuối cùng của Basel III đã hoàn toàn có

hiệu lực, tất cả các NH lớn trên thế giới đều đã đáp ứng yêu cầu về vốn tối thiểu dựa

trên rủi ro theo quy định Basel III. Như vậy, nhiều ngân hàng trên thế giới không

những đã áp dụng Basel II mà còn sắp thực hiện triệt để Basel III. Tuy nhiên, hiện

chỉ có 10 NHTM tại Việt Nam mới thí điểm thực hiện các tiêu chuẩn Basel II

(Nguyễn Xuân Thành, 2016). Tuy Hiệp ước vốn Basel chỉ ra rằng tùy từng điều

kiện của mình mà mỗi quốc gia có thể thực hiện Basel theo từng lộ trình nhưng

không vì vậy các NHTM tại Việt Nam có thể quá chậm trễ trong thực hiện các quy

định của Basel. Vì vậy, sức ép trong việc tuân thủ các quy định của Basel đối với hệ

thống NHTM Việt Nam trong thời gian tới sẽ càng lớn (Bảng 5.1)

Bảng 5.1. Tình hình áp dụng Basel tại một số quốc gia

Basel 2

Basel 2.5

Basel 3

Các giai đoạn tiêu chuẩn

Quốc gia

B R

I F

B R A

A B

A S T

A M A

A S

2 P

3 P

1 P v e R

l p p u S

3 P v e R

2 P

t k M

k s i r

q i L

p a c f e D

r e s n o C

l c y C C

k s i R

v o C

I S - D

I S - G

R L

Nhật Bản

Hongkong

Trung Quốc

Đài Loan

Phillippines

Malaysia

Thái Lan

Việt Nam

Đã hoàn tất

Đang thực hiện

Chưa thực hiện

Nguồn: BIS (2015)

Về mặt điều hành, NHNN cần tiến hành các nghiên cứu về cơ chế chính sách

và cách thức truyền dẫn chính sách cụ thể là Hiệp ước vốn Basel để có thể lượng

hóa tác động chính sách, phục vụ cho công tác dự báo, chỉ rõ các lợi ích đạt được từ

chính sách từ đó khuyến khích các NHTM thực hiện trên cơ sở tự nguyện, giảm bớt

những quyết định đi sau thị trường hoặc những cú sốc với thị trường tiền tệ - ngân

hàng nói riêng và nền kinh tế nói chung.

5.3. HẠN CHẾ NGHIÊN CỨU VÀ HƢỚNG NGHIÊN CỨU TIẾP THEO

Bên cạnh một số điểm mới đạt được, bài nghiên cứu vẫn còn nhiều vấn đề

cần được hoàn thiện và là cơ sở định hướng cho các nghiên cứu tiếp theo, bao gồm:

Một là, việc lựa chọn mẫu dữ liệu từ các ngân hàng bị giới hạn ở một số

ngân hàng cụ thể do tiêu chí thu thập thông tin, chưa bao quát được toàn bộ thị

trường, các ngân hàng được lựa chọn có thể không đại diện cho hệ thống các

NHTM nói riêng và hệ thống tài chính nói chung. Ngoài ra, phạm vi thời gian của

dữ liệu chưa nhiều (khoảng 9 năm) vì vậy các ước lượng có thể trở nên không toàn

diện, bao quát được đặc điểm của đối tượng nghiên cứu. Trên cơ sở thông tin thị

trường ngày càng minh bạch, cơ sở hạ tầng tài chính được hoàn thiện, các dữ liệu

thu thập trong các nghiên cứu tiếp theo có thể hoàn chỉnh hơn, mang lại hiệu quả

phân tích, đánh giá cao hơn.

Hai là, đối với mô hình panel VAR, chưa thiết lập được đầy đủ các biến tác

động do không đủ dữ liệu, việc xây dựng mô hình tham khảo dựa trên các nghiên

cứu trước nên chưa đảm bảo tính thực tiễn tuyệt đối. Bằng việc sử dụng các cách

tiếp cận khác nhau hoặc cải thiện phương pháp đang có, các nghiên cứu tiếp theo có

thể hoàn thiện, sáng tỏ hơn về cách phân tích, đánh giá rủi ro hệ thống.

KẾT LUẬN CHƢƠNG 5

Tóm lại, rủi ro hệ thống đã là một nhân tố quan trọng phải được quan tâm khi

xây dựng các chính sách, quy trình quản lý, giám sát hệ thống NHTM nói riêng và

hệ thống tài chính nói chung. Các kết quả của nghiên cứu chỉ ra rằng chính sách

quản lý hiện nay của NHNN tương đối hợp lý, bằng chứng là diễn biến rủi ro hệ

thống có sự diễn biến theo chiều hướng tích cực hơn. Bài nghiên cứu cũng cho thấy

sự phù hợp khi áp dụng phương pháp CCA để đo lường rủi ro hệ thống các NHTM

tại Việt Nam. Tuy nhiên, các phương pháp nghiên cứu khác khi phân tích rủi ro hệ

thống cũng cần được thực hiện để đưa ra các kết luận hoàn thiện hơn.

Từ những kết quả đạt được, tác giả đề xuất một số kiến nghị đó là cần có

chính sách, quy trình, quy định nhằm lượng hóa cụ thể rủi ro hệ thống giúp các cơ

quan quản lý, hoạch định chính sách có cái nhìn cụ thể, toàn diện tình hình, diễn

biến rủi ro hệ thống ngân hàng tại Việt Nam. Trên cơ sở kết luận các nhân tố tăng

trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu, quản trị rủi ro có mối quan

hệ với rủi ro hệ thống, các nhà quản lý có thể xây dựng các chính sách điều chỉnh

các nhân tố này để gián tiếp kiểm soát rủi ro hệ thống.

TÀI LIỆU THAM KHẢO

Danh mục tài liệu tham khảo tiếng Việt

Dung Hạ (2012), Phân nhóm tín dụng: Danh sách nhóm 1 và 2, truy cập lần cuối

ngày 20/04/2016 tại http://laisuat.vn/tin-tuc/phan-nhom-tin-dung-danh-sach-

nhom-1-va--2

Hạ Thị Thiều Dao & Phạm Thị Tuyết Trinh (2014), „Bất ổn kinh tế vĩ mô Việt Nam

nhìn từ chính sách tiền tệ‟, Tạp chí Phát triển Khoa học & Công nghệ, 16,

68-78.

Lâm Chí Dũng & Phan Đình Anh (2009), „Sử dụng mô hình MKV - Merton lượng

hóa mối quan hệ giữa bảo đảm tài sản, tỷ lệ phân bổ vốn vay với rủi ro tín

dụng‟, Tạp chí Khoa học và công nghệ, 2(31), 1-6.

Lê Đạt Chí & Lê Tuấn Anh (2012), „Kết hợp phương pháp CvaR và mô hình

Merton/KMV để đo lường rủi ro vỡ nợ - Bằng chứng thực nghiệm tại Việt

Nam‟. Tạp chí Phát triển & Hội nhập, 5(15), 10-15.

Ngân hàng Nhà nước (2015), Báo cáo thường niên năm 2015, truy cập lần cuối

ngày 20/03/2016 tại www.sbv.gov.vn.

Ngân hàng Nhà nước (2016), Tỷ lệ nợ xấu trong tổng dư nợ tín dụng, truy cập lần

cuối ngày 16/05/2016 tại http://www.sbv.gov.vn/webcenter/portal/vi

Nguyễn Hoàng Thụy Bích Trâm (2014), „Kiểm định rủi ro tín dụng cho các ngân

hàng thương mại niêm yết tại Việt Nam‟. Tạp chí Phát triển & Hội nhập,

14(24), 19-26.

Nguyễn Thị Cành & Phạm Chí Khoa (2014), „Áp dụng mô hình KMV-Merton dự

báo rủi ro tín dụng khách hàng doanh nghiệp và khả năng thiệt hại của ngân

hàng‟. Tạp chí Phát triển Kinh tế, 289, 39-57.

Nguyễn Xuân Thành (2016), Ngân hàng thương mại Việt Nam: Từ những thay đổi

về luật và chính sách giai đoạn 2006-2010 đến các sự kiện tái cơ cấu giai

đoạn 2011-2015, truy cập lần cuối ngày 15/03/2016 tại www.fetp.edu.vn

Nhuệ Mẫn (2016), Còn nhiều ngân hàng nhỏ cần phải M&A, truy cập lần cuối ngày

20/04/2016 tại www.viettimes.vn

Phạm Tiên Phong (2014), Xây dựng khuôn khổ chính sách an toàn vĩ mô cho hệ

thống tài chính Việt Nam, truy cập lần cuối ngày 20/04/2016 tại

www.sbv.gov.vn

Tổng cục Thống kê (2014), Tình hình kinh tế - xã hội, truy cập lần cuối ngày

26/04/2016 tại https://www.gso.gov.vn/default.aspx?tabid=621

VCBS (2011), Báo cáo ngành ngân hàng, truy cập lần cuối ngày 20/04/2016 tại

www.vcbs.com.vn

VCBS (2014), Cập nhật ngành ngân hàng năm 2013 và 5 tháng năm 2014, truy

cập lần cuối ngày 20/04/2016 tại www.vcbs.com.vn

VCSC (2008), Hệ thống ngân hàng Việt Nam – Thực trạng và Dự báo, truy cập lần

cuối ngày 20/04/2016 tại www.vcsc.com.vn

VEPR (2015), Dự báo kinh tế-xã hội Việt Nam giai đoạn 2016-2020, Bài thảo luận

chính sách.

Danh mục tài liệu tham khảo tiếng Anh

Acemoglu, D., Ozdaglar, A. & Tahbaz-Salehi, A. (2016), „Networks, Shocks, and

Systemic Risk‟, The Oxford Handbook of the Economics of Networks.

Acharya, V., Pedersen, L., Philippon, T., & Richardson, M. (2010), Measuring

Systemic Risk, working paper, Federal Reserve Bank of Cleveland.

Admati, A. & Hellwig, M. (2013), The Bankers’ New Clothes. What’s Wrong with

Banking and What to Do about It, Princeton University Press, Princeton.

Adrian, T. & Brunnermeier, M. (2016), „CoVaR‟, American Economic Review, 106

(7), 1705-1741.

Allen, F. & Gale, D., (2000), „Financial contagion‟, Journal of Political Economy,

108 (1), 1-33.

Altar, M., Ifrim, A. & Altar-Samuel, A. (2015), „Eastern Europe In The World

Economy: A Global Var Analysis‟, Romanian Journal for Economic

Forecasting, 3, 5-26.

Altman, E., I. (1968), „Financial Ratios, Discriminant Analysis and the Prediction

of Corporate Bankruptcy‟, The Journal of Finance, 23(4), 589-609.

Bank for International Settlements (2015), FSI Survey - Basel II, 2.5 and III

Implementation, Report, BIS.

Battiston, S. , Gatti, D., D., Gallegati, M., Greenwald, B. ,C., Stiglitz, J., E. (2009),

Liaisons dangereuses: Increasing connectivity, risk sharing, and the systemic

risk, working paper, The National Bureau of Economic Research.

Baum, C., F., Caglayan, M. & Ozkan, N., (2004), „Nonlinear Effects of Exchange

Rate Volatility on the Volume of Bilateral Exports‟, Journal of Applied

Econometrics, 19, 1-23.

Beatty, A. & Gron, A. (2001), „Capital, Portfolio, and Growth: Bank Behavior

Under Risk-Based Capital Guidelines‟, Journal of Financial Services

Research, 20(1).

Bharath, S., T. & Shumway, T. (2008). „Forecasting Default with the Merton

Distance to Default Model‟, The Revieuw of Financial Studies, 21(3), 1339-

1369.

Black, F. & Scholes, M. (1973), „The Pricing of Options and Corporate Liabilities‟,

The Journal of Political Economy, 81(3), 637-654.

Borio, C. & Drehmann (2009), Towards an Operational Framework for Financial

Stability: ‘Fuzzy’ Measurement and its Consequences, working paper, BIS.

Brissimis, S., Delis, M., Papanikolaou , N. (2008), ‘Exploring the nexus between

banking sector reform and performance: Evidence from newly acceded EU

countries’, working paper, Athens University of Economics and Business.

Brunnermeier, M. & Oehmke, M. (2012), Bubbles, financial crises, and systemic

risk, working paper, NBER.

Brunnermeier, M. (2009), „Deciphering the Liquidity and Credit Crunch 2007-

2008‟, Journal of Economic Perspectives, 23(1), 77-100.

Chandranath, A. (2012), A macro-prudential assessment for Sri Lanka, Framework

for Macroprudential policies for Emerging economies in a globalized

environment, SEACEN.

Engle, R. (2009). Anticipating correlations: a new paradigm for risk management.

Princeton University Press, Princeton.

Enrico, R., A. (2012), A macro-prudential assessment for Phillipines, Framework

for Macroprudential policies for Emerging economies in a globalized

environment, SEACEN.

Fofack, H. (2005), Nonperforming Loans in Sub-Saharan Africa: Causal Analysis

and Macroeconomic Implications, working paper, World Bank.

Galati, G., & Moessner, R. (2011), Macroprudential Policy - A Literature

Overview, working paper, BIS.

Gray, D. & Jobst, A. (2013), Systemic Contingent Claims Analysis - Estimating

Market Implied Systemic Risk, working paper, IMF.

Gujarati, D., N. (2009), Basic Econometrics, McGraw-Hill Education.

IMF (2016), International Financial Statistics (IFS), truy cập lần cuối ngày

26/04/2016 tại http://data.imf.org/?sk=5DABAFF2-C5AD-4D27-A175-

1253419C02D1

Jiménez, G. & Saurina, J. (2006), „Credit Cycles, Credit Risk, and Prudential

Regulation‟, International Journal of Central Banking, 2(2).

Kaufman, G., G. & Scott, K., E. (2003), „What is systemic risk, and do bank

regulators retard or contribute to it?‟, The Independent Review, 7(3), 371–

391.

Kealhofer, S. (2000), Benchmarking Quantiative Default Risk Models: A Validation

Methodology, research paper, Moody‟s KMV.

Kendall, J., Mylenko, N. & Ponce, A. (2010), Measuring financial access around

the world, working paper, World Bank.

Koehn, M. & Santomero, A., M. (1980), Regulation of Bank Capital and Portfolio

Risk, The Journal of Finance, 35(5), 1235-1244.

Lehar, A. (2005), „Measuring Systemic Risk: A Risk Management Approach‟,

Journal of Banking and Finance, 29(10), 2577-2603.

Merton, R., C. (1977), „On Pricing of Contingent Claims and the Modigliani-Miller

Theorem‟, Journal of Financial Economics, 5, 241-249.

Ohlson, J. (1980), „Financial Ratios and the Prediction of Bankruptcy‟, Journal of

Accounting Research, 18(1), 109-131.

Rochet, J. & Tirole, J. (1996), „Interbank Lending and Systemic Risk‟, Journal of

Money, Credit and Banking, 28(4), 733-762.

Sims, C., A. (1980), „Macroeconomics and Reality‟, Econometrica, 48, 1-48

Smaga, P. (2014), The Concept of Systemic Risk, Systemic Risk Center Special

Paper No. 5, The London School of Economics and Political Science.

Suman, N. (2012), A macro-prudential assessment for Nepal, Framework for

Macroprudential policies for Emerging economies in a globalized

environment, SEACEN.

Utari, G., A. & Arimurti, T. (2012), A macro-prudential assessment for Indonesia,

Framework for Macroprudential policies for Emerging economies in a

globalized environment, SEACEN.

Vasicek, O. (1977), „An Equilibrium Characterization of the Term Structure‟,

Journal of Financial Economics, 5(2), 177-188.

World Bank (2016), World DataBank, truy cập lần cuối ngày 20/03/2016 tại

http://databank.worldbank.org/data/home.aspx

PHỤ LỤC 1. ĐO LƢỜNG RỦI RO HỆ THỐNG

1. Các NHTM trong danh mục nghiên cứu

STT Ký hiệu

Tên ngân hàng

Tên giao dịch

1 ACB

Ngân hàng TMCP Á Châu

ACB

2 DAB

Ngân hàng TMCP Đông Á

DongA Bank

3 SEA

Ngân hàng TMCP Đông Nam Á

SeA Bank

4 VIETCAP Ngân hàng TMCP Bản Việt

Viet Capital Bank

Ngân hàng TMCP An Bình

5 ABB

ABBank

6 MSB

Ngân hàng TMCP Hàng Hải Việt Nam

Maritime Bank

7 TCB

Ngân hàng TMCP Kỹ Thương Việt Nam

Techcombank

8 KLB

Ngân hàng TMCP Kiên Long

KienLongBank

9 NAMA

Ngân hàng TMCP Nam Á

Nam A Bank

10 NVB

Ngân hàng TMCP Quốc Dân

National Citizen Bank

11 VPB

Ngân hàng TMCP Việt Nam Thịnh Vượng

VPBank

12 HDBANK Ngân hàng TMCP Phát triển Tp. Hồ Chí Minh

HDBank

13 OCB

Ngân hàng TMCP Phương Đông

OCB

14 MBB

Ngân hàng TMCP Quân Đội

MBBank

15 SHB

Ngân hàng TMCP Sài Gòn – Hài Nội

SHB

16 VIB

Ngân hàng TMCP Quốc tế

VIB

17 SCB

Ngân hàng TMCP Sài Gòn

SCB

18 SGB

Ngân hàng TMCP Sài Gòn Công Thương

Saigonbank

19 STB

Ngân hàng TMCP Sài Gòn Thương Tín

Sacombank

20 VIETA

Ngân hàng TMCP Việt Á

VietABank

21 PGB

Ngân hàng TMCP Xăng dầu Petrolimex

PG Bank

22 EIB

Ngân hàng TMCP Xuất nhập khẩu Việt Nam

Eximbank

23 CTG

Ngân hàng TMCP Công Thương Việt Nam

Vietinbank

24 VCB

Ngân hàng TMCP Ngoại Thương Việt Nam

Vietcombank

25 BID

Ngân hàng TMCP Đầu tư và Phát triển Việt Nam BIDV

26 AGR

Agribank

Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam

2. Xác suất phá sản các NHTM trong danh mục và các nhóm

Đơn vị tính: %

2007

2008

2009

2010

2011

2012

2013

2014

2015

54.73

67.71

63.55

25.35

0.04

95.90

74.70

60.05

49.46

ACB

4.91

60.07

60.22

23.99

0.06

23.11

18.22

0.06

0.02

DAB

7.05

79.99

57.58

23.95

15.66

90.61

68.65

69.97

23.82

SEA

VIETCAP

0.14

13.17

44.95

1.36

2.47

39.06

47.91

37.63

0.03

73.58

93.44

87.13

63.06

55.68

42.21

1.99

0.07

53.46

ABB

50.51

55.23

42.59

0.00

69.76

73.60

66.53

2.09

0.89

MSB

20.47

52.87

47.14

1.85

15.94

63.78

76.95

17.59

10.92

TCB

20.33

49.29

31.20

1.98

8.08

44.20

14.96

9.50

0.00

KLB

84.50

78.47

63.02

5.35

5.64

59.08

3.62

30.84

68.59

NAMA

97.94

99.30

98.70

81.78

29.17

47.13

0.76

4.88

5.63

NVB

47.81

77.77

59.53

1.80

26.53

32.67

42.55

0.00

0.08

VPB

HDBANK

0.19

87.57

55.40

46.31

51.54

32.69

0.67

16.17

1.69

40.21

82.05

58.85

10.24

15.40

18.59

7.14

0.07

0.00

OCB

24.56

53.95

45.11

0.77

3.16

4.18

47.97

9.09

3.09

MBB

0.00

77.14

61.67

61.17

14.62

0.05

15.33

17.59

15.29

SHB

33.89

89.10

66.81

26.15

63.10

89.87

46.37

45.38

47.25

VIB

68.66

80.81

78.26

55.14

1.32

65.22

53.80

44.51

2.28

SCB

44.41

70.31

65.32

1.00

40.71

21.72

17.13

0.00

SGB

9.44

76.85

54.15

25.73

67.54

45.62

37.17

1.65

0.81

STB

VIETA

26.06

75.00

54.24

8.34

51.40

30.53

25.96

1.26

0.48

91.70

94.70

93.02

32.07

32.35

26.52

4.34

10.11

0.24

PGB

32.66

35.27

37.63

0.01

3.96

70.68

66.67

63.35

96.00

EIB

71.29

71.86

55.75

0.08

5.81

31.64

12.97

0.08

0.00

CTG

74.69

75.36

69.75

0.00

VCB

73.88

68.02

0.00

15.20

0.07

0.71

0.00

BID

70.43

72.63

70.25

22.64

47.89

14.65

0.00

AGR

Tổng danh mục

3.34

4.61

4.81

1.73

0.00

4.42

2.92

2.20

1.44

26.51

27.24

22.28

3.58

6.08 11.73

9.09

5.00

4.16

NHTM nhóm 1

61.11

64.79

59.80 19.00 38.35 12.29

0.49

1.20

3.82

NHTM nhóm 2

36.81 55.99

52.19

33.04 11.75 45.60 34.56

30.48

1.68

NHTM nhóm 3 - 4

3.73

3.82

3.54

0.77

1.55

0.91

0.33

0.00

NHTM nhà nƣớc

11.61

19.61

16.79

6.35

8.10

16.41

14.08

9.02

6.72

NHTM ngoài nhà nƣớc

3. Đánh giá rủi ro hệ thống NHTM theo phân nhóm xác suất phá sản

Đơn vị tính: Ngân hàng

Xác suất phá sản 2007 2008 2009 2010

2011 2012 2013 2014 2015

Dưới 20%

20 – 40%

40 – 60%

60 – 80%

80 – 100%

Tổng danh mục

PHỤ LỤC 2. KẾT QUẢ TỪ MÔ HÌNH PANEL VAR

1. Kiểm định tính dừng

1.1. Biến GDP

Panel unit root test: Summary Series: GDP Date: 08/21/16 Time: 17:15 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test

Cross- sections

Statistic Prob.**

Obs

Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t*

-2.06661

0.0194

208

208 208

26 26

0.9635 0.9521

35.2581 36.2673

Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square PP - Fisher Chi-square ** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality. Panel unit root test: Summary Series: D(GDP) Date: 08/21/16 Time: 17:23 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 1 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test

Cross- sections

Statistic Prob.**

Obs

Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t*

-26.3407

0.0000

156

340.713 276.060

0.0000 0.0000

156 182

26 26

Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square PP - Fisher Chi-square ** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.

1.2. Biến TD

Panel unit root test: Summary Series: TD Date: 08/21/16 Time: 17:24 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 1 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test

Statistic Prob.**

Cross- sections

Obs

Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t*

-6.91973

0.0000

182

86.4785 199.701

0.0019 0.0000

182 208

26 26

Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square PP - Fisher Chi-square ** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.

1.3. Biến NPL

Panel unit root test: Summary Series: NPL Date: 08/21/16 Time: 17:25 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test

Statistic Prob.**

Cross- sections

Obs

Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t*

0.35669

0.6393

208

1.0000 1.0000

20.2920 20.2920

26 26

208 208

Panel unit root test: Summary Series: D(NPL) Date: 08/21/16 Time: 17:26 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test

Statistic Prob.**

Cross- sections

Obs

Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t*

-9.36851

0.0000

182

135.634 142.014

0.0000 0.0000

182 182

26 26

Statistic Prob.**

Cross- sections

Obs

-6.51675

0.0000

208

94.0307 108.991

0.0003 0.0000

26 26

208 208

1.4. Biến PD

Panel unit root test: Summary Series: PD Date: 07/26/16 Time: 22:02 Sample: 2007 2015 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test Method Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square PP - Fisher Chi-square ** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.

3. Chọn độ trễ tối ƣu

VAR Lag Order Selection Criteria Endogenous variables: D(GDP) D(NPL) TD PD Exogenous variables: Date: 09/11/16 Time: 15:46 Sample: 2007 2015 Included observations: 182

Lag 1

LogL -1487.658

LR NA

FPE 176.3076*

AIC 16.52371*

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

SC 16.80538*

HQ 16.63790*

Vector Autoregression Estimates Date: 08/21/16 Time: 17:35 Sample (adjusted): 2009 2015 Included observations: 182 after adjustments Standard errors in ( ) & t-statistics in [ ]

D(GDP(-1)) TD(-1) D(NPL(-1)) PD(-1)

D(NPL) 0.704279 (0.06436) [ 10.9426] -0.008173 (0.00279) [-2.93300] 0.743507 (0.06933) [ 10.7236] 0.005062 (0.00149) [ 3.39968] 0.474609 0.465755 41.06765 0.480330 53.59854

PD 4.330492 (3.02040) [ 1.43375] 0.149453 (0.13077) [ 1.14284] 19.31966 (3.25375) [ 5.93765] 0.558025 (0.06987) [ 7.98664] 0.372544 0.361969 90444.48 22.54141 35.22835

TD -6.503050 (0.80803) [-8.04799] 0.737623 (0.03498) [ 21.0840] 0.943563 (0.87046) [ 1.08398] 0.052913 (0.01869) [ 2.83078] 0.321964 0.310536 6473.086 6.030394 28.17430

D(GDP) -0.331596 (0.03968) [-8.35617] 0.019137 (0.00172) [ 11.1382] -1.032758 (0.04275) [-24.1589] -0.002027 (0.00092) [-2.20824] 0.787298 0.783713 15.61185 0.296154 219.6165

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic

4. Kết quả ƣớc lƣợng mô hình panel VAR

Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

-34.75298 0.425857 0.496275 0.145457 0.636798

-583.2443 6.453235 6.523652 21.06904 7.262564 161.6236 147.8766 -1487.658 16.52371 16.80538

-122.7673 1.393047 1.463465 0.057000 0.657158

-823.2189 9.090318 9.160736 29.62310 28.22019

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

5. Kết quả hồi quy các phƣơng trình

System: UNTITLED Estimation Method: Least Squares Date: 08/21/16 Time: 17:38 Sample: 2009 2015 Included observations: 182 Total system (balanced) observations 728

Std. Error

t-Statistic

Coefficient

Prob.

-0.331596 0.019137 -1.032758 -0.002027 -6.503050 0.737623 0.943563 0.052913 0.704279 -0.008173 0.743507 0.005062 4.330492 0.149453 19.31966 0.558025

0.039683 0.001718 0.042748 0.000918 0.808034 0.034985 0.870460 0.018692 0.064361 0.002787 0.069334 0.001489 3.020404 0.130773 3.253752 0.069870

-8.356174 11.13818 -24.15894 -2.208238 -8.047991 21.08397 1.083982 2.830779 10.94260 -2.933001 10.72363 3.399677 1.433746 1.142845 5.937655 7.986637

0.0000 0.0000 0.0000 0.0275 0.0000 0.0000 0.2787 0.0048 0.0000 0.0035 0.0000 0.0007 0.1521 0.2535 0.0000 0.0000

C(1) C(2) C(3) C(4) C(5) C(6) C(7) C(8) C(9) C(10) C(11) C(12) C(13) C(14) C(15) C(16)

Determinant residual covariance

147.8766

Equation: D(GDP) = C(1)*D(GDP(-1)) + C(2)*TD(-1) + C(3)*D(NPL(- 1)) + C(4)*PD(-1) Observations: 182 R-squared Adjusted R-squared S.E. of regression

0.787297 Mean dependent var 0.783713 S.D. dependent var 0.296154 Sum squared resid

0.145457 0.636798 15.61185

3.296942

Durbin-Watson stat

Equation: TD = C(5)*D(GDP(-1)) + C(6)*TD(-1) + C(7)*D(NPL(-1)) + C(8) *PD(-1) Observations: 182 R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

0.321964 Mean dependent var 0.310536 S.D. dependent var 6.030394 Sum squared resid 3.866935

21.06904 7.262564 6473.085

Equation: D(NPL) = C(9)*D(GDP(-1)) + C(10)*TD(-1) + C(11)*D(NPL(-1)) + C(12)*PD(-1) Observations: 182 R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

0.474609 Mean dependent var 0.465755 S.D. dependent var 0.480330 Sum squared resid 1.638478

0.057000 0.657158 41.06765

Equation: PD = C(13)*D(GDP(-1)) + C(14)*TD(-1) + C(15)*D(NPL(-1)) + C(16)*PD(-1) Observations: 182 R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

0.372544 Mean dependent var 0.361969 S.D. dependent var 22.54141 Sum squared resid 2.381639

29.62310 28.22019 90444.48

PHỤ LỤC 3. KIỂM ĐỊNH CHẨN ĐOÁN MÔ HÌNH

1. Kiểm định tính ổn định của mô hình

2. Kiểm định chẩn đoán đối với phần dƣ

2.1. Kiểm định tự tƣơng quan phần dƣ – Kiểm định Portmanteau

VAR Residual Portmanteau Tests for Autocorrelations Null Hypothesis: no residual autocorrelations up to lag h Date: 08/21/16 Time: 17:41 Sample: 2007 2015 Included observations: 182

Prob. Adj Q-Stat

Q-Stat

Lags 1 2 3 4 5 6

272.9615 NA* 512.3486 742.1722 945.8319 1144.514 1363.586

0.0000 0.0000 0.0000 0.0000 0.0000

274.4695 516.5166 750.1920 958.4283 1162.723 1389.263

df NA* 16 32 48 64 80

Prob. NA* 0.0000 0.0000 0.0000 0.0000 0.0000

*The test is valid only for lags larger than the VAR lag order. df is degrees of freedom for (approximate) chi-square distribution

2.2. Kiểm định tự tƣơng quan phần dƣ – Kiểm định LM

VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 08/21/16 Time: 17:43 Sample: 2007 2015 Included observations: 182

Lags 1 2 3 4 5 6

Prob 0.0000 NA 0.0000 0.0000 0.0000 0.0000

LM-Stat 7639.951 NA 3017.979 1080.688 972.3057 1055.638 Probs from chi-square with 16 df.

2.3. Kiểm định phân phối chuẩn của phần dƣ

VAR Residual Normality Tests Orthogonalization: Residual Correlation (Doornik-Hansen) Null Hypothesis: residuals are multivariate normal Date: 08/21/16 Time: 17:44 Sample: 2007 2015 Included observations: 182

Component Skewness

1 2 3 4 Joint

0.335657 0.300302 -0.048907 0.631079

Component Kurtosis

1 2 3 4 Joint

1.909657 2.216879 2.236752 3.589428

df 1 1 1 1 4 df 1 1 1 1 4 Prob.

Chi-sq 3.509153 2.834510 0.078040 11.19619 17.61789 Chi-sq 24.49184 10.19173 5.128094 0.801563 40.61323 df

Component Jarque-Bera

1 2 3 4

28.00099 13.02624 5.206134 11.99775

2 2 2 2

0.0000 0.0015 0.0740 0.0025

Joint

58.23112

0.0000

Prob. 0.0610 0.0923 0.7800 0.0008 0.0015 Prob. 0.0000 0.0014 0.0235 0.3706 0.0000

Date: 08/21/16 Time: 17:45

Sample: 2007 2015

Included observations: 182

3. Kiểm định quan hệ nhân quả Granger

VAR Granger Causality/Block Exogeneity Wald Tests

Dependent variable: D(GDP)

Excluded TD D(NPL) PD All

df 1 1 1 3

Prob. 0.0000 0.0000 0.0272 0.0000

Chi-sq 124.0591 583.6543 4.876315 691.1183 Dependent variable: TD Chi-sq 64.77015 1.175016 8.013308 217.3514

Excluded D(GDP) D(NPL) PD All

df 1 1 1 3

Prob. 0.0000 0.2784 0.0046 0.0000

Dependent variable: D(NPL)

Excluded D(GDP) TD PD All

df 1 1 1 3

Prob. 0.0000 0.0034 0.0007 0.0000

Chi-sq 119.7405 8.602497 11.55780 133.4098 Dependent variable: PD Chi-sq 2.055628 1.306095 35.25575 46.11036

Excluded D(GDP) TD D(NPL) All

df 1 1 1 3

Prob. 0.1516 0.2531 0.0000 0.0000

4. Phản ứng đẩy và phân rã phƣơng sai

4.1. Phản ứng đẩy

Variance Decomposition of D(GDP):

Period

S.E.

D(GDP)

D(NPL)

0.296154

100.0000

0.000000

0.497756

39.49102

8.098867

51.69005

0.720059

0.539540

38.67265

6.954325

50.50216

3.870860

0.579914

37.42807

8.699623

49.71165

4.160649

0.601644

34.79291

9.203034

52.04875

3.955308

0.606068

35.36206

9.125434

51.30105

4.211456

0.612636

34.73547

9.277048

51.85445

4.133032

0.614145

34.73985

9.239380

51.85914

4.161624

0.615706

34.73010

9.291854

51.82111

4.156933

0.616672

34.62164

9.312694

51.91402

4.151646

Variance Decomposition of TD:

Period

S.E.

D(GDP)

D(NPL)

2. Phân rã phƣơng sai

92.43226

7.567738

6.030394

0.000000

74.92749

23.35659

8.449382

0.013258

1.702664

63.24936

26.04683

10.86620

6.922112

3.781694

57.90554

22.87593

12.38341

12.21106

7.007471

55.99283

21.31115

12.96497

12.39523

10.30079

54.98994

20.89320

13.22589

11.91600

12.20086

54.35517

21.09384

13.42767

11.58333

12.96766

53.85883

21.21386

13.62498

11.59978

13.32753

53.48872

21.06530

13.76985

11.76831

13.67766

53.27908

20.93676

13.84473

11.76254

14.02162

Variance Decomposition of D(NPL):

Period

S.E.

D(GDP)

D(NPL)

26.32896

18.94213

0.480330

54.72891

0.000000

24.48632

14.01597

0.564087

58.00198

3.495732

23.07230

15.46211

0.581745

55.31140

6.154190

22.08686

14.65565

0.597822

57.12542

6.132062

21.93829

15.96800

0.603644

56.07935

6.014360

22.18144

16.14432

0.614249

55.81221

5.862016

22.20745

15.91123

0.618732

55.82151

6.059814

22.14856

15.91398

0.619630

55.67156

6.265901

22.10068

15.88679

0.620301

55.71081

6.301709

22.10360

15.96251

0.620734

55.63338

6.300514

Variance Decomposition of PD:

D(GDP)

D(NPL)

Period

S.E.

0.179522

10.39174

22.54141

3.981769

85.44697

3.640962

13.90563

27.16746

5.311013

77.14239

6.379924

12.99768

29.71448

7.940072

72.68233

7.210223

12.36661

30.69754

7.840109

72.58305

7.553809

12.30698

31.14653

7.627095

72.51212

8.032259

12.67581

31.48772

7.478869

71.81306

8.607087

12.91615

31.82275

7.620383

70.85638

8.988234

12.90839

32.05535

7.804398

70.29898

9.155995

12.87563

32.16908

7.815190

70.15319

9.241097

12.88101

32.23128

7.790608

70.08728

Cholesky Ordering: D(GDP) TD D(NPL) PD