Đánh giá tác động của môi trường kinh tế vĩ mô lên rủi ro tín dụng của các ngân hàng thương mại Việt Nam (Số 21/2015)

Đánh giá tác động của môi trường kinh tế vĩ mô lên rủi ro tín dụng của các ngân hàng thương mại Việt Nam

TS. Nguyễn Phi Lân1

 

Các cuộc khủng hoảng và đổ vỡ ngân hàng gần đây đã gây ra những tổn thất to lớn đối với nhiều nền kinh tế trên thế giới, do đó, đứng trên quan điểm giám sát an toàn vĩ mô, các nhà kinh tế đòi hỏi cơ quan quản lý và hoạch định chính sách phải lượng hóa được tổn thất của hệ thống khi môi trường kinh tế vĩ mô toàn cầu và trong nước biến động. Do đó, bài viết này sẽ nghiên cứu và sử dụng mô hình tự hồi quy dạng véctơ (VAR) để mô phỏng tác động của môi trường kinh tế vĩ mô lên rủi ro tín dụng của các ngân hàng thương mại (NHTM) Việt Nam. Ngoài ra, việc sử dụng mô hình VAR sẽ giúp cho cơ quan quản lý tiến hành kiểm tra khả năng chịu đựng của hệ thống ngân hàng thông qua việc xây dựng các kịch bản kinh tế vĩ mô.

 

1. Lời mở đầu

Hoạt động ngân hàng có vai trò hết sức cần thiết đối với các thành phần kinh tế, thực tiễn cho thấy, cùng với sự phát triển của nền kinh tế thị trường, các hoạt động ngân hàng ngày càng được mở rộng và phát triển với nhiều tiện ích, đáp ứng yêu cầu của người dân và doanh nghiệp. Nhiều nhà kinh tế còn quan niệm “ngân hàng là người bạn đồng hành trong cuộc sống của người dân và các tổ chức kinh tế”, tuy nhiên, việc mở rộng quy mô cũng như đa dạng hóa các sản phẩm, dịch vụ của mình, các NHTM luôn phải đối mặt với rủi ro. Việc chấp nhận mở rộng và phát triển kinh doanh của các NHTM cũng đồng nghĩa với việc xuất hiện các rủi ro trong kinh doanh.

Nếu rủi ro xảy ra, cũng đồng nghĩa với việc các NHTM phải đối mặt với nguy cơ sụt giảm uy tín, mất khả năng thanh khoản, và thậm chí là đi tới phá sản hay đóng cửa. Điều này đòi hỏi hoạt động ngân hàng phải được sự giám sát chặt chẽ của cơ quan quản lý để tránh các nguy cơ đổ vỡ, đảm bảo sự an toàn lành mạnh cho hệ thống nói chung và từng NHTM nói riêng.

Việc giám sát chặt chẽ các NHTM sẽ giúp cho các NHTM giảm thiểu được rủi ro đối với từng ngân hàng và giúp cho các NHTM hoạt động an toàn, đảm bảo được khả năng chi trả cũng như nghĩa vụ thanh toán của nó tại những thời điểm xác định. Hơn thế nữa, việc giám sát các NHTM bởi các cơ quan quản lý cũng sẽ đảm bảo rằng, các NHTM có đủ mức vốn để trụ vững trước những tác động bất lợi từ môi trường bên ngoài, đặc biệt là môi trường kinh tế vĩ mô. Ngoài ra, việc giám sát chặt chẽ các NHTM còn có vai trò tích cực tới nâng cao trách nhiệm của các NHTM trong việc tăng cường năng lực quản trị rủi ro, đảm bảo ứng phó tốt nhất đối với sự thay đổi của môi trường kinh tế vĩ mô.

Việc giám sát an toàn hệ thống ngân hàng hiệu quả cũng như hiểu biết sâu sắc về khả năng chịu đựng của hệ thống ngân hàng trước những biến đổi kinh tế vĩ mô sẽ giúp cho cơ quan quản lý đánh giá đúng rủi ro hệ thống và trên cơ sở đó đưa ra các chính sách quản lý phù hợp và kịp thời đảm bảo an toàn cho hệ thống ngân hàng hoạt động an toàn và lành mạnh. Do vậy, việc nghiên cứu và phát triển các công cụ định lượng, đặc biệt là xây dựng các mô hình vĩ mô để mô phỏng tác động của môi trường kinh tế vĩ mô lên rủi ro tín dụng của hệ thống ngân hàng, sẽ góp phần nâng cao năng lực giám sát an toàn vĩ mô cũng như từng bước củng cố năng lực giám sát và đảm bảo an toàn hệ thống NHTM Việt Nam.

 

2. Phương pháp luận ước lượng và cấu trúc mô hình

2.1. Phương pháp luận

Trong phạm vi bài viết này, tác giả tập trung xây dựng mô hình đo lường rủi ro tổn thất tín dụng dựa trên các tiếp cận của Wong và Fong (2006, 2008) để mô phỏng ảnh hưởng của các cú sốc bất lợi từ môi trường kinh tế vĩ mô đến hệ thống ngân hàng Việt Nam. Để ước lượng tổn thất cũng như mô phỏng tác động của mô trường kinh tế vĩ mô tới hệ thống ngân hàng, lớp mô hình tự hồi quy dạng véctơ (VAR) là phương pháp tiếp cận được nhiều nghiên cứu lựa chọn. Theo đó:

Mô hình VAR hay còn gọi là mô hình tự hồi quy dạng vectơ là một dạng tổng quát của mô hình tự hồi quy đơn chiều (univariate autoregressive model) trong một tập hợp nhiều biến theo thời gian, nghĩa là một vector của biến chuỗi thời gian. Mô hình VAR cho phép ước lượng từng phương trình của mỗi biến chuỗi theo các độ trễ của biến (p) và tất cả các biến còn lại (vế phải của mỗi phương trình bao gồm một hằng số và các độ trễ của tất cả các biến trong hệ thống). Một cách đơn giản, mô hình VAR với 4 biến với s độ trễ có dạng như sau:

   

Trong đó: X, Y, L, M là các biến số kinh tế chẳng hạn như là nợ xấu, GDP, lãi suất, chỉ số giá bất động sản, bốn biến này được hồi quy theo 4 biến độc lập tương ứng là giá trị quá khứ của từng biến X, Y, L, M. Đó là lý do tại sao người ta lại gọi là tự hồi quy.

Mô hình tổng quát: Mô hình VAR tổng quát bao gồm n biến giải thích, s độ trễ. Như vậy, số lượng tham số được ước lượng trong mô hình VAR sẽ là n+sn2 hay mỗi phương trình trong n phương trình sẽ có (1 + sn) tham số được ước lượng. Số lượng tham số được ước lượng càng nhiều thì sai số ước lượng trong mô hình sẽ càng cao, bởi vậy, thông thường người ta duy trì số lượng n biến vừa phải và chỉ bao gồm những biến có sự tương quan cao với nhau. Ngoài ra, dựa vào các tiêu chí phân loại như AIC, HQ (tiêu chí Hannan-Quinn), SC (hoặc BIC), FPE (tiêu chí Final Prediction Error) để lựa chọn độ trễ phù hợp cho mô hình.

Về bản chất: Mô hình VAR thật ra là sự kết hợp của 2 mô hình: tự hồi quy đơn chiều (univariate autoregression-AR) và hệ phương trình, đồng thời, (simultanous equations-SEs). Mô hình VAR kết hợp ưu điểm của AR là rất dễ ước lượng bằng phương pháp tối thiểu hóa phần dư (OLS) và ưu điểm của SEs là ước lượng nhiều phương trình đồng thời trong cùng một hệ thống. Ngoài ra, mô hình VAR có thể khắc phục được nhược điểm của SEs là nó không cần quan tâm đến tính nội sinh của các biến kinh tế (endogeneity). Tức là, các biến kinh tế vĩ mô thường mang tính nội sinh khi chúng tác động qua lại lẫn nhau. Thuộc tính này làm cho phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy nhiều khi bị sai lệch khi ước lượng. Đây là những lý do cơ bản khiến mô hình VAR trở lên phổ biến trong nghiên cứu kinh tế vĩ mô. Nó cũng chính là nền tảng cho nghiên cứu về sự đồng kết hợp (cointegration) của Engle và Granger (1983, 1987).

2.2. Các biến trong mô hình và nguồn dữ liệu nghiên cứu

2.2.1. Các biến trong mô hình

Trên cơ sở phương pháp tự hồi quy dạng véctơ (VAR), bài viết sẽ mô phỏng tác động của môi trường kinh tế vĩ mô tới rủi ro tín dụng của các NHTM Việt Nam thông qua mô hình VAR có cấu trúc như sau:

   

Trong đó:

- x đại diện cho các biến ngoại sinh của mô hình.

   z=, với GDP là tốc độ tăng trưởng GDP; r là lãi suất thực; prop là chỉ số giá tài sản; được xác định như sau:

Giả định rằng có J ngành kinh tế có quan hệ tín dụng với các NHTM. Khi đó, dj,t sẽ là tỷ lệ nợ xấu trong ngành j (hay còn được sử dụng đại diện cho tỷ lệ đổ vỡ tín dụng-default rate) tại thời điểm t, trong đó j=1,…,J, và tỷ lệ nợ xấu nhận giá trị từ 0 đến 1. Để tránh vấn đề chuỗi dữ liệu không phân phối chuẩn, gọi y là giá trị chuyển dạng của d, ta sẽ có:

Theo đó, giá trị của y không nằm trong phạm vi 0 và 1 mà có thể nhận giá trị từ âm vô cực đến dương vô cực. Công thức xác định y cho thấy, mối quan hệ giữa y và d là mối quan hệ ngược chiều (xem Bảng 1).

Bảng 1: Kiểm định mối quan hệ giữa d và y

Covariance Analysis: Ordinary
Sample (adjusted): 2000Q4 2014Q4
Correlation
Probability	d	y
d	1.000000
	-----
y	-0.972496	1.000000
	0.0000	-----

Thứ tự các biến trong mô hình phản ánh tác động truyền dẫn ảnh hưởng của sự thay đổi môi trường kinh tế vĩ mô tới hệ thống ngân hàng.

Danh mục các biến được mô tả trong Bảng 2.

Bảng 2: Định nghĩa các biến trong mô hình và nguồn dữ liệu

Biến độc lập	Viết tắt trong mô hình	Giá trị	Nguồn
Tỷ lệ nợ xấu	d	%	NHNN
Tăng trưởng GDP	GDP	%	GSO
Lãi suất thực	r	%	IMF
Chỉ số giá tài sản (PI), được đại diện bởi chỉ số chứng khoán VNIndex	prop	%	IMF

 

2.2.2. Nguồn dữ liệu nghiên cứu

Dữ liệu theo Quý từ Quý I/2000-Quý IV/2014 được thu thập từ Tổng cục Thống kê (GSO), Quỹ Tiền tệ Quốc tế (IMF), Ngân hàng Nhà nước (NHNN), Ngân hàng Phát triển Châu Á (ADB) và Ngân hàng Thế giới (WB).

 

3. Kết quả ước lượng mô hình

Để tiến hành ước lượng mô hình mô phỏng tác động của môi trường kinh tế vĩ mô lên rủi ro tín dụng của hệ thống NHTM Việt Nam, tác giả thực hiện các bước kiểm định sau để đảm bảo mô hình ổn định và tin cậy:

3.1. Kiểm định tính dừng của chuỗi dữ liệu (Bảng 3)

Bảng 3: Kiểm định tính dừng ADF

Biến	Kiểm định ADF		Trạng thái
	Level	Sai phân bậc 1
	-2.145864	-11.99382***	Stationary (dừng)
g	-2.469208	-4.054516***	Stationary (dừng)
r	-4.461830***	-5.676528***	Stationary (dừng)
Prop	-2.998664***	-4.232565***	Stationary (dừng)

Lưu ý: *** có ý nghĩa thống kê ở mức 1%; ** ở mức 5%; and * ở mức 1%; Kết quả ước lượng trên phần mềm Eviews 7.0.

 

Kết quả kiểm định ADF cho chuỗi dữ liệu theo Quý từ Quý I/2000 đến Quý IV 12/2014 cho thấy, biến đại diện cho tỷ lệ đổ vỡ của các NHTM (default rate)1 và biến tăng trưởng GDP (g) dừng tại sai phân bậc 1. Trong khi đó, biến lãi suất thực (r) và tốc độ tăng chỉ số VNIndex (prop, biến đại diện cho sự biến động của chỉ số giá tài sản) dừng tại level.

3.2. Kiểm định độ trễ của mô hình

Bước tiếp theo là kiểm định độ trễ của mô hình. Sau khi sử dụng các kiểm định AIC, HQ và SC, kết quả cho thấy độ trễ tối ưu được lựa chọn cho mô hình là 4 đối với kiểm định AIC và là 3 đối với HQ và SC (xem Bảng 4).

Bảng 4: Kiểm định độ trễ tối ưu của mô hình VAR

Lag	LogL	LR	FPE	AIC	SC	HQ
0	352.8642	NA	3.04e-12	-15.16801	-15.00900	-15.10844
1	430.8940	139.0966	2.06e-13	-17.86496	-17.06990	-17.56712
2	458.6322	44.62227	1.26e-13	-18.37531	-16.94420	-17.83921
3	492.6620	48.82543*	5.98e-14	-19.15922	-17.09206*	-18.38485*
4	512.5312	25.05244	5.50e-14*	-19.32744*	-16.62424	-18.31481
* 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

3.3. Kiểm định hiện tượng tự tương quan trong mô hình
(Bảng 5)

Bảng 5: Kiểm định hiện tượng tự tương quan trong mô hình VAR

VAR Residual Serial Correlation LM Tests
Null Hypothesis: no serial correlation at lag order h
Lags	LM-Stat	Prob
1	13.29821	0.6508
2	10.95242	0.8124
3	11.68167	0.7656
4	18.09632	0.3183
5	20.31760	0.2063
6	18.23342	0.3104
7	21.99441	0.1434
8	21.41302	0.1632
9	19.20926	0.2580
10	20.04150	0.2184
11	16.04930	0.4495
12	21.53029	0.1590
Probs from chi-square with 16 df.

 

Kết quả ước lượng cho thấy, với độ trễ tới 12 quý, mô hình không có hiện tượng tự tương quan.

3.4. Kiểm định tính ổn định trong mô hình (Bảng 6)

Bảng 6: Kiểm định tính ổn định của mô hình VAR

Roots of Characteristic Polynomial
Endogenous variables: D() D(G) R PROP
Exogenous variables: C
Lag specification: 1 4
Root	Modulus
0.008971 - 0.970978i	0.971020
0.008971 + 0.970978i	0.971020
0.821653 - 0.422618i	0.923969
0.821653 + 0.422618i	0.923969
-0.909713	0.909713
0.246136 - 0.786153i	0.823783
0.246136 + 0.786153i	0.823783
0.809608	0.809608
0.462061 - 0.649036i	0.796711
0.462061 + 0.649036i	0.796711
-0.323343 - 0.670388i	0.744292
-0.323343 + 0.670388i	0.744292
-0.683459 - 0.175736i	0.705691
-0.683459 + 0.175736i	0.705691
-0.253248	0.253248
-0.042432	0.042432
No root lies outside the unit circle.
VAR satisfies the stability condition.

 

Các kiểm định chỉ ra rằng mô hình là ổn định, các sai số là không tự tương quan, đảm bảo mô hình đáng tin cậy và phù hợp về mặt thống kê.

3.5. Kết quả ước lượng mô hình

Kết quả ước lượng mô hình cho thấy các hệ số của biến có dấu dương với biến tăng trưởng GDP (g) và chỉ số giá VNIndex (prop-đại diện cho chỉ số giá tài sản-PI), trong khi đó có dấu âm với biến lãi suất thực (r). (Bảng 7)

Bảng 7: Kết quả ước lượng mô hình VAR

	D()	D(G)	R	PROP
D( (-1))	-1.172675	0.219318	0.313415	6.516259
	(0.17030)***	(0.25572)	(0.83683)	(11.4304)
D((-2))	-0.922862	0.116754	0.759778	8.260335
	(0.20171)***	(0.30289)	(0.99118)	(13.5388)
D((-3))	-1.173314	-0.174491	0.600540	4.257421
	(0.19535)***	(0.29332)	(0.95988)	(13.1113)
D((-4))	-0.525725	-0.431868	0.187996	2.718255
	(0.18342)***	(0.27541)*	(0.90127)	(12.3107)
D(G(-2))	0.293963	-0.411063	0.371772	-5.814365
	(0.10307)***	(0.15476)***	(0.50645)	(6.91775)
D(G(-3))	0.278974	-0.268494	0.178509	-8.583157
	(0.11161)***	(0.16759)*	(0.54845)	(7.49135)
R(-4)	-0.058318	-0.025437	0.022083	-0.919191
	(0.04244)*	(0.06373)	(0.20856)	(2.84877)
PROP(-4)	0.003151	0.000602	-0.023074	-0.302723
	(0.00224)*	(0.00336)	(0.01099)	(0.15010)
C	-1.91E-06	0.000464	-0.000424	0.052169
	(0.00065)	(0.00098)	(0.00320)	(0.04376)

   Lưu ý: *** có ý nghĩa thống kê ở mức 1%; ** ở mức 5%; and * ở mức 1%; sai số tiêu chuẩn trong ngoặc đơn

Kết quả này hàm ý, khi môi trường kinh tế vĩ mô xấu đi, thể hiện ở tốc độ tăng trưởng GDP và chỉ số giá chứng khoán sụt giảm, và lãi suất biến động theo xu hướng tăng sẽ ảnh hưởng tới khả năng thực hiện nghĩa vụ trả nợ của khách hàng đối với hệ thống ngân hàng, hay nói cách khác là làm gia tăng các khoản nợ xấu và gây rủi ro đổ vỡ hệ thống. Bên cạnh đó, việc gia tăng các khoản nợ xấu trong quá khứ sẽ làm gia tăng khả năng đổ vỡ hệ thống tại thời điểm hiện tại và trong tương lai. Kết quả này phù hợp với các nghiên cứu trước của Fong và Wong (2008) khi tiến hành đo lường rủi ro tín dụng bằng mô hình VAR đối với hệ thống ngân hàng của các nước Châu Á.

 

4. Kết luận

Kết quả nghiên cứu được trình bày trong bài nghiên cứu đã cho thấy mối quan hệ ngược giữa tăng trưởng kinh tế vĩ mô và tỷ lệ nợ xấu ngân hàng. Khi môi trường kinh tế vĩ mô xấu đi (do các tác động của môi trường thế giới hay do các yếu tố nội tại bên trong nền kinh tế) sẽ tác động lên rủi ro tín dụng của hệ thống ngân hàng. Bên cạnh đó, kết quả mô hình cũng cho thấy, việc thắt chặt chính sách tiền tệ sẽ tạo ra cú sốc không nhỏ tới các NHTM. Thêm vào đó, sự biến động của chỉ số giá tài sản được đại diện bởi chỉ số giá chứng khoán (VNIndex) cũng ảnh hưởng không nhỏ tới giá trị của các tài sản được sử dụng để thế chấp cho các khoản vay của khách hàng. Kết quả này phù hợp với kết quả nghiên cứu của Fong và Wong (2006, 2008) về hệ thống ngân hàng các nước Châu Á cho thấy, phần lớn các tài sản thế chấp của khách hàng đều được thế chấp bởi cổ phiếu và bất động sản. Do đó, khi môi trường kinh tế vĩ mô bất lợi, chỉ số chứng khoán và giá bất động sản giảm, sẽ ảnh hưởng không nhỏ tới năng lực trả nợ các khoản vay của khách hàng và làm gia tăng xác suất đổ vỡ hệ thống.

 

1Tỷ lệ độ vỡ được đo lường dựa trên tỷ lệ nợ xấu của hệ thống sau khi tiến hành chuyển đổi công thức logit.

 

TÀI LIỆU THAM KHẢO:

Wong, J., and Fong, T. (2006).“A Framework for Stress testing Banks‘ Credit Risk“, HKMA Research Memorandum, 15.

Wong, J., and Fong, T. (2008).“Stress testing Banks‘ Credit Risk Using Mixture Vector Autoregressive Models“, HKMA Working Paper 13/2008.