Đề tài các yếu tố ảnh hưởng Đến khả năng sinh lời tại các ngân hàng thương mại việt nam bằng phương pháp hồi quy bayes

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAMTRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH BÀI TIỂU LUẬN ĐỀ TÀI: CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG SINH LỜI TẠI CÁC NGÂN HÀNG THƯƠNG

TỔNG QUAN

Lý do chọn đề tài

Trong bối cảnh lịch sử hiện đại chưa từng thấy do Covid-19, thế giới nhận thức rằng không ai có thể tồn tại tách biệt khỏi xã hội Ngành ngân hàng Việt Nam, với những thành tựu trong thời kỳ đại dịch, đang hòa nhập vào dòng chảy toàn cầu Hoạt động ngân hàng đóng vai trò quan trọng trong phát triển kinh tế quốc dân Việc nâng cao hiệu quả hoạt động ngân hàng trong bối cảnh hội nhập kinh tế khu vực và toàn cầu, cùng với tác động của Covid-19, đang là mối quan tâm lớn của các ngân hàng thương mại Phân tích khả năng sinh lời là công cụ quản lý kinh tế hữu hiệu giúp tối ưu hóa hoạt động của ngân hàng Do đó, việc đánh giá các yếu tố ảnh hưởng đến lợi nhuận và khả năng sinh lời của ngân hàng thương mại Việt Nam hiện nay là rất cần thiết.

Nghiên cứu "Hưởng đến khả năng sinh lời tại các ngân hàng thương mại Việt Nam bằng phương pháp hồi quy Bayes" xác định các yếu tố ảnh hưởng đến khả năng sinh lời của ngân hàng dựa trên dữ liệu thu thập từ giai đoạn 2011-2020 Phương pháp hồi quy tuyến tính Bayes được sử dụng để phân tích ảnh hưởng của một số nhân tố đến khả năng sinh lời của ngân hàng thương mại (NHTM) ở Việt Nam.

Tổng quan về tình hình nghiên cứu

Trong bối cảnh hội nhập và toàn cầu hóa, nền kinh tế Việt Nam đang chuyển mình mạnh mẽ với cơ chế thị trường và sự quản lý vĩ mô của Nhà nước Để tồn tại và phát triển, các ngân hàng thương mại (NHTM) cần hoạt động hiệu quả, trong đó khả năng sinh lời là yếu tố quan trọng nhất Khả năng sinh lời không chỉ phản ánh hiệu quả kinh doanh mà còn là nguồn tài chính để mở rộng sản xuất, thực hiện nghĩa vụ tài chính với Nhà nước, tăng thu nhập quốc dân và khuyến khích người lao động Do đó, việc phân tích và đo lường khả năng sinh lời để nâng cao hiệu quả hoạt động kinh doanh là vấn đề thiết yếu đối với các NHTM Việt Nam trong giai đoạn hiện nay.

Hoạt động của ngân hàng thương mại (NHTM) đóng vai trò quan trọng trong sự phát triển kinh tế quốc dân, với hầu hết các NHTM đạt lợi nhuận Trong bối cảnh hội nhập kinh tế khu vực và toàn cầu, việc nâng cao hiệu quả hoạt động của các NHTM là vấn đề được quan tâm hàng đầu Phân tích khả năng sinh lời sẽ giúp các nhà quản lý tối ưu hóa hoạt động của NHTM Nghiên cứu này nhằm đánh giá và xác định các yếu tố ảnh hưởng đến khả năng sinh lời, đây cũng chính là khoảng trống nghiên cứu trong tiểu luận với đề tài: "Các yếu tố ảnh hưởng đến khả năng sinh lời tại các ngân hàng thương mại Việt Nam."

Mục tiêu nghiên cứu

Bài tiểu luận hướng đến 02 mục tiêu:

Bài viết này hệ thống hóa và làm rõ cơ sở lý thuyết về các yếu tố ảnh hưởng đến khả năng sinh lời của ngân hàng thương mại tại Việt Nam Đồng thời, nó phân tích thực trạng hoạt động ngân hàng trong giai đoạn 2011-2020, từ đó đánh giá kết quả đạt được, những hạn chế tồn tại và nguyên nhân dẫn đến những hạn chế đó.

Đề xuất các giải pháp nhằm tăng cường các yếu tố ảnh hưởng đến khả năng sinh lời của ngân hàng thương mại Việt Nam, đồng thời xây dựng các biện pháp kiểm tra hiệu quả để tối đa hóa lợi nhuận trong giới hạn rủi ro có thể chấp nhận.

Đối tượng và phạm vi nghiên cứu

Nhân tố ảnh hưởng đến khả năng sinh lời của các Ngân hàng thương mại Việt Nam trong năm giai đoạn 2011-2020.

Tiểu luận này chỉ tập trung nghiên cứu các ngân hàng thương mại (NHTM) Việt Nam, không bao gồm ngân hàng nước ngoài, chi nhánh ngân hàng nước ngoài hay ngân hàng liên doanh Tác giả đã chọn ra 20 NHTM Việt Nam với số liệu chính xác, quy mô đa dạng từ nhỏ đến lớn, chiếm gần 70% tổng số NHTM trong nước, đại diện cho toàn bộ hệ thống Các ngân hàng khác không được xem xét do số liệu trong báo cáo tài chính không rõ ràng và không phù hợp với các yếu tố trong mô hình nghiên cứu Dữ liệu thu thập từ báo cáo tài chính hàng năm của các ngân hàng và báo cáo của Ngân hàng Nhà nước trong giai đoạn 2011-2020, cùng với thông tin từ Tổng cục Thống kê, được sử dụng để lập bảng dữ liệu Danh mục chi tiết, số liệu và tổng tài sản của 20 NHTM được trình bày trong phụ lục số 1.

Về thời gian: Tiểu luận nghiên cứu thực trạng các nhân tố ảnh hưởng đến khả năng sinh lời của các NHTM Việt Nam trong giai đoạn 2011-2020.

Mô hình nghiên cứu

Phương pháp hồi quy tuyến tính Bayes (Bayesian linear regress) thông qua thuật toán nghiên cứu Radom-walk Metropolis-Hastings sampling và thuật toán lấy mẫu Gibbs (Gibbs sampling).

Nghiên cứu sử dụng dữ liệu bảng cân bằng từ 20 ngân hàng thương mại tại Việt Nam trong khoảng thời gian từ năm 2011 đến 2020, được phân chia thành 10 thời kỳ với tần suất hàng năm Tổng cộng, mẫu nghiên cứu bao gồm 200 quan sát, với mỗi ngân hàng có 10 thời kỳ riêng biệt.

Bảng 1- Danh sách các NHTM trong dữ liệu nghiên cứu

STT KÝ HIỆU TÊN NGÂN HÀNG

1 ACB Ngân hàng TMCP Á Châu

2 BAB Ngân hàng TMCP Bắc Á

3 BID Ngân hàng TMCP Đầu tư và Phát triển Việt Nam

4 BVB Ngân hàng TMCP Bản Việt

5 CTG Ngân hàng TMCP Công Thương Việt Nam

6 EIB Ngân hàng TMCP Xuất nhập khẩu Việt Nam

7 HDB Ngân hàng TMCP Phát triển TPHCM

8 KLB Ngân hàng TMCP Kiên Long

9 LPB Ngân hàng TMCP Bưu điện Liên Việt

10 MBB Ngân hàng TMCP Quân Đội

11 NAB Ngân hàng TMCP Nam Á

12 NVB Ngân hàng TMCP Quốc Dân

13 SGB Ngân hàng TMCP Sài Gòn Công Thương

14 SHB Ngân hàng TMCP Sài Gòn - Hà Nội

15 STB Ngân hàng TMCP Sài Gòn Thương Tín

16 TCB Ngân hàng TMCP Kỹ thương Việt Nam

17 TPB Ngân hàng TMCP Tiên Phong

18 VCB Ngân hàng TMCP Ngoại thương Việt Nam

19 VIB Ngân hàng TMCP Quốc tế Việt Nam

20 VPB Ngân hàng TMCP Việt Nam Thịnh Vượng

Nguồn dữ liệu cho bài nghiên cứu này được thu thập từ báo cáo tài chính của các ngân hàng thương mại trong nhiều năm qua, thông qua trang web chính thức của các ngân hàng và vietstock.vn Tốc độ tăng trưởng GDP được trích xuất từ các báo cáo trên trang web của Ngân hàng Thế giới (WB).

Tôi đã chọn 20 ngân hàng thương mại cổ phần niêm yết trên sàn HOSE, HNX và UpCom, với tiêu chí là các ngân hàng đã hoạt động trên 10 năm và không thuộc loại đặc biệt Những ngân hàng này cung cấp thông tin minh bạch và tổng tài sản của chúng chiếm tỷ trọng lớn trong hệ thống ngân hàng Việt Nam, do đó có tính đại diện cao Thời gian nghiên cứu từ 2011-2020 được chọn vì đây là giai đoạn gần nhất, cung cấp kết quả thực tiễn và có thể đưa ra các hàm ý chính sách cho ngân hàng thương mại tại Việt Nam Trong 10 năm thực hiện chiến lược phát triển kinh tế - xã hội, ngành ngân hàng đã thành công trong việc giải quyết “bộ ba bất khả thi”, theo đó ngân hàng trung ương không thể đạt được đồng thời ba mục tiêu: tỷ giá cố định, độc lập tài chính tiền tệ và tự do lưu thông vốn Vấn đề này càng phức tạp hơn trong bối cảnh hội nhập kinh tế sâu rộng sau khi gia nhập WTO năm 2007, dẫn đến gia tăng giao dịch thương mại quốc tế và lưu chuyển vốn xuyên biên giới.

Bố cục của đề tài

Ngoài phần mở đầu, kết luận, danh mục tài liệu tham khảo, danh mục bảng biểu, phụ lục, tiểu luận được chia thành 4 chương:

Chương 2: Cơ sở lý thuyết và mô hình nghiên cứu.

Chương 3: Phương pháp nghiên cứu , mô hình và dữ liệu nghiên cứu.Chương 4: Kết quả nghiên cứu và thảo luận.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết: Các yếu tố ảnh hưởng đến khả năng sinh lời tại các ngân hàng thương mại Việt Nam

Theo Nguyễn Thị Xuân Liễu (2010), phân tích khả năng sinh lời là nghiên cứu đánh giá hiệu quả hoạt động kinh doanh của ngân hàng, giúp làm rõ chất lượng và tiềm năng khai thác Từ đó, đề xuất phương án và giải pháp nhằm nâng cao hiệu quả hoạt động Các yếu tố đo lường khả năng sinh lời bao gồm:

Tỷ số lợi nhuận trên tài sản – Return on assets (ROA)

Tỷ số lợi nhuận trên tài sản (ROA) là một chỉ số tài chính quan trọng được sử dụng để đánh giá khả năng sinh lợi của doanh nghiệp trên mỗi đồng tài sản Theo Phan Đức Dũng (2008), tỷ số này được tính bằng cách chia lợi nhuận ròng (hoặc lợi nhuận sau thuế) trong kỳ báo cáo cho tổng giá trị tài sản của doanh nghiệp trong cùng kỳ Dữ liệu về lợi nhuận ròng được lấy từ báo cáo kết quả kinh doanh, trong khi giá trị tài sản được trích xuất từ bảng cân đối kế toán Công thức tính ROA giúp doanh nghiệp hiểu rõ hơn về hiệu quả sử dụng tài sản của mình.

Tỷ số lợi nhuận trên tài sản = Lợi nhuận ròng/ Tổng tài sản

Theo nghiên cứu của Nguyễn Thị Ngọc Trang và Nguyễn Thị Liên Hoa (2007), tỷ số lợi nhuận trên tài sản (ROA) lớn hơn 0 cho thấy doanh nghiệp có lãi, trong khi tỷ số nhỏ hơn 0 phản ánh thua lỗ Tỷ số này càng cao, hiệu quả kinh doanh càng tốt Mức lãi hoặc lỗ được tính bằng phần trăm của tổng tài sản và cho thấy khả năng quản lý và sử dụng tài sản để tạo ra thu nhập Tuy nhiên, tỷ số ROA còn phụ thuộc vào mùa vụ và ngành nghề kinh doanh, vì vậy, các nhà phân tích tài chính nên sử dụng tỷ số này để so sánh giữa các doanh nghiệp trong cùng ngành hoặc trong cùng thời kỳ.

Tỷ số lợi nhuận trên vốn chủ sở hữu – Return On Equity (ROE)

Theo Nguyễn Minh Kiều (2009), tỷ số lợi nhuận trên vốn chủ sở hữu (ROE) là chỉ số tài chính quan trọng để đánh giá khả năng sinh lợi trên mỗi đồng vốn của công ty Lợi nhuận trong tỷ số này được tính là lợi nhuận ròng dành cho cổ đông, lấy từ báo cáo kết quả kinh doanh trong một kỳ báo cáo nhất định, có thể là 1 tháng, 1 quý, nửa năm hoặc 1 năm Vốn trong tỷ số này được xác định là vốn phổ thông (common equity).

Tỷ số lợi nhuận trên vốn chủ sở hữu = Lợi nhuận ròng/ Vốn chủ sở hữu

Tỷ số lợi nhuận trên vốn chủ sở hữu (ROE) phản ánh khả năng sinh lợi của công ty, cho biết mỗi 100 đồng vốn chủ sở hữu tạo ra bao nhiêu đồng lợi nhuận Một ROE dương cho thấy công ty hoạt động có lãi, trong khi ROE âm chỉ ra tình trạng thua lỗ.

Tỷ số lợi nhuận trên doanh thu - Return On Sales (ROS)

Theo Phan Đức Dũng (2008) và Nguyễn Minh Kiều (2009), tỷ số lợi nhuận trên doanh thu là một chỉ số tài chính quan trọng giúp theo dõi khả năng sinh lợi của công ty Chỉ số này thể hiện mối quan hệ giữa lợi nhuận ròng dành cho cổ đông và doanh thu của doanh nghiệp Công thức tính toán tỷ số này được xác định như sau:

Tỷ số lợi nhuận trên doanh thu = Lợi nhuận ròng/ Doanh thu

Tỷ số lợi nhuận trên doanh thu cho biết tỷ lệ phần trăm lợi nhuận trong tổng doanh thu của công ty Tỷ số dương cho thấy công ty đang có lãi, trong khi tỷ số âm chỉ ra thua lỗ Tuy nhiên, tỷ số này có thể khác nhau giữa các ngành, do đó cần so sánh với mức trung bình của ngành để đánh giá chính xác Ngoài ra, tỷ số này thường có xu hướng ngược với số vòng quay tài sản, vì vậy các nhà phân tích tài chính thường xem xét cả hai chỉ số này để đưa ra đánh giá toàn diện về tình hình tài chính của công ty.

Tỷ số sức sinh lợi căn bản

Theo Nguyễn Minh Kiều (2009), tỷ số sức sinh lợi căn bản là một chỉ số tài chính quan trọng dùng để đánh giá khả năng sinh lợi của doanh nghiệp mà không xem xét đến tác động của thuế và đòn bẩy tài chính Công thức để tính toán tỷ số này được xác định cụ thể.

Tỷ số sức sinh lợi căn bản = Lợi nhuận trước thuế và lãi / Tổng tài sản

Tỷ số này được sử dụng để so sánh khả năng sinh lợi của các doanh nghiệp với thuế suất thuế thu nhập doanh nghiệp và mức độ sử dụng nợ khác nhau Tỷ số càng cao và dương cho thấy doanh nghiệp có lợi nhuận cao, trong khi tỷ số âm chỉ ra rằng doanh nghiệp đang thua lỗ (Nguyễn Minh Kiều, 2009).

Mô hình nghiên cứu

Nghiên cứu này phân tích tác động của các yếu tố đến khả năng sinh lợi của ngân hàng thương mại tại Việt Nam thông qua việc áp dụng mô hình nghiên cứu Kết quả cho thấy các yếu tố như quản lý chi phí, chất lượng tài sản và quy mô ngân hàng có ảnh hưởng đáng kể đến hiệu suất tài chính Việc hiểu rõ những yếu tố này sẽ giúp các ngân hàng cải thiện chiến lược kinh doanh và tối ưu hóa lợi nhuận.

Mô hình hồi quy được biểu diễn dưới dạng 𝑅𝑅𝑅 = 𝑅0 + 𝑅1𝑅𝑅 + 𝑅2𝑅𝑅𝑅 + 𝑅3𝑅𝑅 + 𝑅4𝑅𝑅𝑅 + 𝑅5𝑅𝑅𝑅 + 𝑅6𝑅𝑅𝑅 + 𝑅, trong đó các tham số a0, a1, a2, a3, a4, a5, a6 là các hệ số chưa biết của mô hình Hệ số a0 là hệ số chặn, trong khi u đại diện cho sai số ngẫu nhiên Ý nghĩa và cách tính toán các biến trong mô hình sẽ được trình bày chi tiết để người đọc có thể hiểu rõ hơn về các yếu tố ảnh hưởng đến kết quả hồi quy.

Lợi nhuận là mục tiêu hàng đầu của các ngân hàng thương mại (NHTM), với tất cả chiến lược và hoạt động hướng tới mục tiêu này Để đánh giá khả năng sinh lời, các NHTM thường sử dụng các tỷ số tài chính như ROA, ROE và NIM Trong đó, ROA được coi là chỉ số hiệu quả nhất, phản ánh khả năng sử dụng tài sản để tạo ra lợi nhuận mà không bị ảnh hưởng bởi các yếu tố bên ngoài như chính sách kinh tế và can thiệp của chính phủ, đồng thời không bị bóp méo bởi hệ số nhân vốn hay đòn bẩy tài chính Nghiên cứu đã chỉ ra rằng ROA là thước đo khả năng sinh lời tốt nhất so với các chỉ tiêu khác.

Tác giả đã chọn tỷ suất sinh lời trên tổng tài sản (ROA - Return On Assets) làm biến phụ thuộc duy nhất trong mô hình nghiên cứu, nhằm phản ánh khả năng sinh lời của ngân hàng.

Mô hình nghiên cứu bao gồm 6 biến độc lập: EM, LDR, FC, NII, NPI và GDP, được mô tả chi tiết trong Bảng 2 Việc lựa chọn các biến này dựa trên kết quả nghiên cứu của các tác giả trong và ngoài nước, cho thấy chúng có ảnh hưởng đáng kể đến biến phụ thuộc ROA.

Bảng 2 - Bảng mô tả các biến độc lập

Ký hiệu biến Tên biến Cách tính Đvt

EM Chi phí quản lý

LDR Rủi ro thanh khoản

FC Chi phí huy động (Funding cost)

NII Thu nhập ngoài lãi (Non- interest Income)

𝑅 𝑅𝑅 𝑅 𝑅 𝑅 𝑅ổ à ả % GDP Tăng trưởng GDP (𝑅𝑅𝑅 𝑅ă𝑅 𝑅𝑅𝑅 𝑅𝑅𝑅 𝑅 𝑅 𝑅𝑅 − ă ướ𝑅)

PHƯƠNG PHÁP NGHIÊN CỨU, DỮ LIỆU NGHIÊN CỨU VÀ MÔ HÌNH NGHIÊN CỨU

Phương pháp nghiên cứu

Hiện nay, có hai phương pháp nghiên cứu thống kê chủ yếu: phương pháp tần số (thống kê cổ điển) và phương pháp Bayes (thống kê Bayes) Trong bài nghiên cứu này, nhóm quyết định chọn phương pháp Bayes do những ưu điểm nổi bật của nó.

Phương pháp Bayes nổi bật với tính phổ quát, là ưu điểm chính so với phương pháp tần suất truyền thống Suy luận Bayes dựa trên quy tắc xác suất duy nhất, quy tắc Bayes, áp dụng cho tất cả các tham số mô hình, giúp dễ dàng trong việc áp dụng và giải thích Ngược lại, phương pháp tần suất thường sử dụng nhiều kỹ thuật ước lượng riêng biệt cho từng vấn đề và mô hình thống kê cụ thể, khiến cho chúng không thể linh hoạt áp dụng cho các mô hình khác.

Trong phân tích Bayes, việc sử dụng thông tin tiên nghiệm, hàm hợp lý và bằng chứng thực nghiệm trong mô hình dữ liệu giúp đạt được kết quả cân bằng cho các vấn đề cụ thể Cụ thể, việc kết hợp thông tin tiên nghiệm có thể làm giảm ảnh hưởng của cỡ mẫu nhỏ, từ đó nâng cao độ tin cậy của các kết luận.

Suy luận Bayes sử dụng toàn bộ phân phối hậu nghiệm của các tham số mô hình, mang lại sự linh hoạt và toàn diện hơn so với các phương pháp suy luận truyền thống.

Suy luận Bayes cho phép ước tính và dự đoán chính xác dựa trên phân phối hậu nghiệm, giúp phân tích với độ chính xác tùy ý Trong khi đó, phương pháp tần suất tập trung vào việc ước lượng khả năng xảy ra tối đa dựa trên giả định về tính chuẩn tiệm cận.

Suy luận Bayes mang lại một phương pháp đơn giản và trực quan để hiểu các kết quả dưới dạng xác suất, giúp xác định xác suất của khoảng tin cậy cho các biến.

Mô hình Bayes tuân thủ nguyên tắc khả năng, cho rằng thông tin trong một mẫu được thể hiện đầy đủ qua hàm khả năng Nguyên tắc này chỉ ra rằng nếu hàm khả năng của một mô hình tỷ lệ thuận với hàm khả năng của một mô hình khác, thì các suy luận từ hai mô hình sẽ cho ra kết quả tương tự.

Cuối cùng, độ chính xác trong phân tích Bayes không bị ảnh hưởng bởi kích thước mẫu; các phương pháp mô phỏng Bayes có khả năng cung cấp mức độ chính xác tùy ý.

Dữ liệu nghiên cứu

- Dữ liệu dạng chéo, quan sát trên 20 Ngân hàng thương mại tại Việt Nam.

- Dữ liệu được sử dụng trong mô hình định lượng là số liệu theo năm của

Trong năm 2017, 20 ngân hàng thương mại (NHTM) tại Việt Nam đã đáp ứng đầy đủ các tiêu chí và yêu cầu từ Ngân hàng Nhà nước (NHNN), dựa trên báo cáo thường niên và báo cáo tài chính được công bố trên website của các NHTM Các ngân hàng được chọn cho mẫu nghiên cứu phải duy trì hoạt động cho đến cuối năm 2017 và đảm bảo tính đại diện cho toàn bộ hệ thống ngân hàng thương mại.

Mô hình nghiên cứu

Trong nghiên cứu này tác giả sử dụng 5 mô hình Bayes như sau:

Mô hình 1: Hồi quy tuyến tính Bayes sử dụng tiên nghiệm mặc định:

Tiên nghiệm cho tất cả các tham số có phân phối chuẩn normal (0,10000), tiên nghiệm cho phương sai là tiên nghiệm phi thông tin igamma (0.01,0.01).

Mô hình 2: Hồi quy tuyến tính Bayes áp dụng tiên nghiệm phi thông tin, trong đó tiên nghiệm cho tất cả các tham số được coi là flat, và tiên nghiệm cho phương sai sử dụng phân phối Jeffreys.

Mô hình 3: Hồi quy tuyến tính Bayes áp dụng tiên nghiệm phân phối chuẩn cho tất cả các tham số với phân phối normal (0,1) và sử dụng tiên nghiệm phi thông tin igamma (0.01,0.01) cho phương sai.

Mô hình 4: Hồi quy tuyến tính Bayes sử dụng tiên nghiệm đa thức zellners: Tiên nghiệm cho tất cả các tham số là zellners, tiên nghiệm cho

Mô hình 5 sử dụng hồi quy tuyến tính Bayes với thuật toán Gibbs sampling Trong mô hình này, tiên nghiệm cho tất cả các tham số được thiết lập là phân phối chuẩn normal với trung bình 0 và phương sai 10,000 Đồng thời, tiên nghiệm cho phương sai được áp dụng là phân phối phi thông tin igamma với tham số (0.01, 0.01).

Các mô hình nghiên cứu có:

- Cỡ mẫu MCMC mặc định là 10000.

Sau khi ước lượng kết quả từ 05 mô hình, tác giả sẽ tiến hành so sánh các mô hình này để xác định mô hình tốt nhất cho việc phân tích dữ liệu Việc so sánh sẽ được thực hiện theo hai phương pháp khác nhau.

Sử dụng kiểm định chuẩn thông tin Bayes (Bayes factor) và kiểm định mô hình Bayes (Bayes model tests).

Để tiến hành suy diễn thống kê với thuật toán MCMC, việc kiểm tra tính hội tụ của mô hình là rất quan trọng Tác giả áp dụng nhiều phương pháp để kiểm tra tính hội tụ, bao gồm biểu đồ vết (trace plot), biểu đồ tự tương quan (autocorrelation), biểu đồ cusum, và kiểm định cỡ mẫu hiệu quả Bên cạnh đó, tác giả cũng thực hiện kiểm tra xác suất cho các khoảng tin cậy.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Kết quả thống kê

Nghiên cứu này sử dụng mẫu dữ liệu từ 20 Ngân hàng thương mại hoạt động tại Việt Nam, được thu thập trong năm 2017 Tác giả đã tính toán các biến độc lập để đánh giá tác động của các yếu tố đến khả năng sinh lời của các ngân hàng Những yếu tố này bao gồm Chi phí quản lý, Rủi ro thanh khoản, Chi phí huy động, Thu nhập ngoài lãi, Thu nhập lãi và Tăng trưởng GDP.

Kết quả ước lượng Bayes

Mô hình 1: Hồi quy tuyến tính Bayes sử dụng tiên nghiệm mặc định:

Tiên nghiệm cho tất cả các tham số có phân phối chuẩn normal (0,10.000), tiên nghiệm cho phương sai là tiên nghiệm phi thông tin igmma (0.01,0.01).

Kết quả ước lượng mô hình 1 được trình bày ở Bảng 3

Bảng 3 - Kết quả ước lượng mô hình 1

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình 2: Hồi quy tuyến tính Bayes áp dụng tiên nghiệm phi thông tin, trong đó tiên nghiệm cho tất cả các tham số được thiết lập là flat, và tiên nghiệm cho phương sai sử dụng phân phối Jeffreys.

Mean S td De v MCSE Med ian

Bảng 4 - Kết quả ước lượng mô hình 2

Mean S td De v MCSE Med ian

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình 3 sử dụng hồi quy tuyến tính Bayes với tiên nghiệm phân phối chuẩn cho tất cả các tham số, cụ thể là phân phối chuẩn normal (0,1) Đối với phương sai, mô hình áp dụng tiên nghiệm phi thông tin igmma (0.01,0.01).

Kết quả ước lượng mô hình 3 được trình bày ở Bảng 5:

Bảng 5- Kết quả ước lượng mô hình 3

Mean S td Dev MCSE Median

E qua l-ta iled [95% Cred In te rva l]

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình 4: Hồi quy tuyến tính Bayes áp dụng tiên nghiệm đa thức Zellner's, trong đó tiên nghiệm cho tất cả các tham số là Zellner's và tiên nghiệm cho phương sai là igamma, dựa trên kết quả ước lượng OLS Tác giả sử dụng ước lượng OLS để xác định giá trị bậc tự do, từ đó tính toán phương sai của tiên nghiệm Zellner’s g-prior, các giá trị này sẽ được tích hợp vào mô hình Bayes.

Kết quả ước lượng OLS được trình bày như Bảng 6 Bảng 6 - Kết quả ước lượng OLS

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Dựa theo kết quả ước lượng OLS tính được:

S ou rce SS d f MS Numbe r of ob s = 200

Adj R-s qua red = 0.7860 011080622 199 000055682 Roo t MSE = 00345

Bậc tự do: df = ~200 df/2 = 100

Kết quả ước lượng mô hình 4 được trình bày ở Bảng 7:

Bảng 7 - Kết quả ước lượng mô hình 4

Mean St d Dev MCSE M edian

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình 5 áp dụng hồi quy tuyến tính Bayes thông qua thuật toán Gibbs sampling Trong mô hình này, tiên nghiệm cho tất cả các tham số được xác định là phân phối chuẩn với trung bình 0 và phương sai 10.000 Đồng thời, tiên nghiệm cho phương sai được sử dụng là phân phối phi thông tin igamma với các tham số (0.01, 0.01).

Kết quả ước lượng mô hình 5 được trình bày ở Bảng 8

Bảng 8 - Kết quả ước lượng mô hình 5

Mean S td Dev MCSE Median

Nguồn: Kết quả tính toán theo phần mềm Stata17

Lựa chọn mô hình phù hợp nhất cho phân tích tiếp theo

Để chọn mô hình phù hợp nhất với dữ liệu trong số 5 mô hình đã nêu, tác giả áp dụng hai phương pháp kiểm định: kiểm định chuẩn thông tin Bayes và kiểm định mô hình Bayes Cụ thể, kiểm định tiêu chuẩn thông tin Bayes (kiểm định Bayes factor) được sử dụng để đánh giá sự phù hợp của các mô hình.

Kết quả so sánh theo tiêu chuẩn thông tin Bayes được trình bày ở Bảng 9:

Bảng 9 - Kết quả so sánh chuẩn thông tin Bayes

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình phù hợp được xác định bởi DIC nhỏ nhất, log (ML) lớn nhất và log (BF) lớn nhất Kết quả kiểm định cho thấy mô hình 4 có log (ML) và log (BF) lớn nhất, trong khi DIC của mô hình này là nhỏ nhất, do đó mô hình 4 được chọn Để đảm bảo tính chính xác của lựa chọn mô hình, tác giả tiếp tục thực hiện kiểm định mô hình Bayes.

Kết quả kiểm định mô hình Bayes được trình bày ở bảng 10:

Bảng 10 - Kết quả so sánh theo kiểm định mô hình Bayes

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Mô hình phù hợp là mô hình có xác suất P(M|y) lớn nhất Kết quả kiểm định cho thấy xác suất tồn tại các mô hình là như nhau Tuy nhiên, Log(ML) của mô hình 4 vẫn giữ giá trị lớn nhất.

Từ 2 phép so sánh trên tác giả thực hiện chọn mô hình 4 để tiếp tục suy diễn thống kê Vì nghiên cứu đang dùng thuật toán MCMC nên để tiến tới suy diễn thống kê thì phải kiểm tra tính hội tụ của mô hình đã lựa chọn.

4.3.1 Kiểm định hội tụ của chuỗi MCMC đối với mô hình 4:

Sử dụng lại kết quả ước lượng mô hình 4 ở trên Quan sát bảng kết quả

- Sai số chuẩn MCSE của các biến độc lập đều < 0,1 đạt

- Acceptance rate = 0.2947 (nằm trong khoản 0.1-0.5) đạt

Kiểm tra hội tụ của chuỗi MCMC (mặc định) qua biểu đồ vết:

Biểu đồ 1 - Kết quả kiểm định chuỗi hội tụ MCMC thông qua biểu đồ vết

Nguồn: Kết quả tính toán theo phần mềm Stata

Biểu đồ cho thấy rằng phân phối của các tham số vẫn chưa ổn định và chưa đạt đến một hằng số, với các chuyển động lệch khỏi xu hướng chung Điều này chứng tỏ rằng hội tụ của chuỗi MCMC cho các tham số vẫn chưa đạt yêu cầu.

4.3.2 Điều chỉnh mô hình 4 và thực hiện ước lượng lại:

Kết quả từ biểu đồ 1 chỉ ra rằng các tham số vẫn chưa hội tụ, cho thấy mẫu MCMC với kích thước 10000 chưa đủ độ tin cậy Do đó, nhóm nghiên cứu quyết định tăng kích thước mẫu để cải thiện tính chính xác của các kết luận suy diễn thống kê.

10000 lên 50000, làm mỏng mẫu (thinning (5)) và khóa phương sai (block({sigma2})).

Giai đoạn burn-in 2500 bước

Kết quả ước lượng của mô hình 4 sau khi thực hiện các biện pháp điều chỉnh được trình bày ở bảng 11:

Bảng 11- Kết quả ước lượng mô hình 4 sau khi điều chỉnh

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Kết quả ước lượng cho thấy:

- Sai số chuẩn MCSE của các biến độc lập đều < 0,1 đạt

- Acceptance rate = 0.3376 (nằm trong khoảng 0.1-0.5) đạt

Vì nghiên cứu đang dùng thuật toán MCMC nên để tiến tới suy diễn thống kê thì phải kiểm tra tính hội tụ của mô hình đã lựa chọn.

4.3.3 Kiểm định hội tụ chuỗi MCMC của mô hình 4 sau điều chỉnh: a) Kiểm tra hội tụ sử dụng biểu đồ vết

Kết quả kiểm định được thể hiện như biểu đồ 2:

Biểu đồ 2 - Kết quả kiểm tra hội tụ chuỗi MCMC thông qua biểu đồ vết

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Biểu đồ 2 cho thấy phân phối của các tham số chuyển động nhanh về một hằng số, điều này chứng tỏ rằng chuỗi MCMC đã hội tụ Để kiểm tra hội tụ, chúng ta sử dụng biểu đồ tự tương quan.

Kết quả kiểm định được thể hiện như biểu đồ 3:

Biểu đồ 3 - Kết quả kiểm định hội tụ chuỗi MCMC thông qua biểu đồ tự tương quan

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Biểu đồ 3 cho thấy độ trễ của các biến dương và rớt giảm nhanh chóng, điều này chứng tỏ chuỗi MCMC của các tham số đã hội tụ Để kiểm tra hội tụ, chúng ta sử dụng biểu đồ cusum.

Kết quả kiểm định được thể hiện như biểu đồ 4:

Biểu đồ 4 - Kết quả kiểm tra hội tụ chuỗi MCMC bằng biểu đồ cusum

Kết quả tính toán từ phần mềm Stata 17 cho thấy đồ thị của các tham số di chuyển liên tục tạo hình răng cưa và cắt trục hoành nhiều lần, dẫn đến chuỗi MCMC hội tụ Để kiểm tra hội tụ, chúng tôi đã sử dụng kiểm định ESS.

Kết quả kiểm định được trình bày ở bảng 12:

Bảng 12 - Kết quả kiểm tra hội tụ chuỗi MCMC bằng kiểm định ESS

Nguồn: Kết quả tính toán theo phần mềm Stata 17

- Efficiency của tất cả các biến đều > 0.01

Số lần tương quan Corr Time của tất cả các biến đều dưới 50, cho thấy chuỗi MCMC đã hội tụ Điều này cung cấp cơ sở để kiểm định xác suất các khoảng tin cậy một cách chính xác.

Kết quả kiểm định xác suất các khoảng tin cậy được trình bày ở bảng 13:

Bảng 13 - Kết quả kiểm định xác suất khoảng tin cậy

Nguồn: Kết quả tính toán theo phần mềm Stata 17

Theo bảng 13, các biến EM, LDR, FC, NII và NPI đều có mức ý nghĩa trên 70%, cho thấy chúng có ảnh hưởng mạnh mẽ đến biến phụ thuộc.

ROA Chỉ có biến GDP có mức ý nghĩa 50% < mức thám chiếu là 60%, nên biến GDP có tác động mơ hồ đối với biến phụ thuộc ROA.

Thảo luận kết quả nghiên cứu

Dựa trên kết quả ước lượng ở bảng 12 và những giá trị đã chấp nhận của MCSE, chỉ số Acceptance rate và Efficiency, tác giả rút ra những kết luận quan trọng sau:

- Kết quả mô hình nghiên cứu có phương trình như sau:

Với xác suất 95%, hệ số hồi quy của biến độc lập EM là -0.861, nằm trong khoảng tin cậy [(-0.97); (-0.75)], cho thấy biến EM có tác động âm mạnh đến biến ROA Cụ thể, khi biến EM tăng 1 đơn vị, biến ROA sẽ giảm 0.861 đơn vị Điều này chỉ ra mối quan hệ tuyến tính ngược chiều giữa EM và ROA: khi chi phí quản lý giảm, khả năng sinh lời của doanh nghiệp sẽ tăng lên.

Ngân hàng càng cao, xác suất tác động âm của biến EM đến biến ROA là

Quản lý chi phí hiệu quả, với tỷ lệ chi phí hoạt động trên tổng tài sản thấp, sẽ nâng cao hiệu quả hoạt động và lợi nhuận của ngân hàng Trong bối cảnh cạnh tranh ngày càng gia tăng giữa các ngân hàng và số lượng khách hàng có hạn, việc phát triển chiến lược như mở rộng địa bàn, tuyển dụng nhân sự và phát triển sản phẩm trở nên cần thiết Do đó, việc quản lý và sử dụng chi phí một cách hợp lý có ảnh hưởng lớn đến lợi nhuận của ngân hàng.

Theo phân tích, với xác suất 95%, hệ số hồi quy của biến LDR (-0.001) nằm trong khoảng tin cậy [(-0.004); (0.002)] Khi biến LDR tăng 1 đơn vị, biến ROA sẽ giảm 0.01 đơn vị Mặc dù khoảng tin cậy chứa 0, nhưng mức ý nghĩa khi kiểm định cho thấy biến LDR < 0 đạt 77%, cho thấy LDR có tác động âm mạnh đến ROA Mối quan hệ giữa LDR và ROA là tuyến tính ngược chiều: giảm rủi ro thanh khoản đồng nghĩa với tăng khả năng sinh lời của ngân hàng, với xác suất tác động âm của LDR đến ROA là 77,43% Điều này cho thấy khi các khoản vay vượt quá tiền gửi ngân hàng, khả năng mất thanh khoản và nợ xấu sẽ gia tăng, ảnh hưởng tiêu cực đến uy tín và lợi nhuận của ngân hàng Do đó, các ngân hàng thương mại cần tuân thủ tỷ lệ dự nợ vay trên tổng tiền gửi theo quy định của Ngân hàng Nhà nước, đồng thời NHNN cũng thực hiện các biện pháp để duy trì tỷ lệ này ổn định.

Với xác suất 95%, giá trị thực hệ số hồi quy của biến độc lập FC (0.004) nằm trong khoảng tin cậy [(-0.08) ; (0.014)], cho thấy biến FC có tác động dương và mạnh đến biến ROA Khi biến FC tăng 1 đơn vị, biến ROA tăng 0.004 đơn vị, chứng tỏ mối quan hệ tuyến tính cùng chiều giữa hai biến này Cụ thể, chi phí huy động trên tổng tiền gửi càng tăng thì khả năng sinh lời của ngân hàng càng cao, với xác suất tác động dương của biến FC đến biến ROA đạt 74,22% Điều này hợp lý trong thực tế vì khi chi phí huy động tăng, các ngân hàng thường có xu hướng tăng lãi suất cho vay tương ứng.

Với xác suất 95%, hệ số hồi quy của biến độc lập NII (0.541) nằm trong khoảng tin cậy [(0.43); (0.65)], cho thấy NII có tác động dương và mạnh đến ROA, vì khoảng tin cậy không chứa 0 Cụ thể, khi NII tăng 1 đơn vị, ROA sẽ tăng 0.02 đơn vị Mối quan hệ giữa NII và ROA là tuyến tính cùng chiều, tức là thu nhập ngoài lãi tăng thì khả năng sinh lời của ngân hàng cũng cao hơn, với xác suất tác động dương của NII đến ROA đạt 100% Do đó, NII không chỉ có tác động dương mà còn mạnh đến ROA, đặc biệt trong bối cảnh tỷ trọng thu nhập từ các hoạt động ngoài tín dụng ngày càng gia tăng, góp phần quan trọng vào tổng thu nhập của các ngân hàng thương mại và phản ánh hiệu quả hoạt động của các dịch vụ ngân hàng bên cạnh nguồn thu lãi truyền thống.

Biến độc lập NPI có hệ số hồi quy 0.585, với khoảng tin cậy 95% nằm trong khoảng [(0.53); (0.64)], cho thấy NPI tác động dương và mạnh đến biến ROA Cụ thể, khi NPI tăng 1 đơn vị, ROA sẽ tăng 0.585 đơn vị, thể hiện mối quan hệ tuyến tính cùng chiều giữa hai biến Điều này có nghĩa là thu nhập lãi thuần tăng thì khả năng sinh lời của ngân hàng cũng cao hơn, với xác suất tác động dương của NPI đến ROA lên đến 100% NPI là chỉ số quan trọng phản ánh hiệu quả hoạt động và khả năng sinh lời của ngân hàng, có thể tính toán từ dữ liệu báo cáo tài chính NPI trung bình cao trong hệ thống ngân hàng cho thấy sự không hiệu quả, do lãi suất tiền gửi thấp gây e ngại cho người gửi tiền, hoặc lãi suất cao làm khó khăn cho khách hàng tiếp cận vốn tín dụng Ngược lại, NPI quá thấp có thể làm giảm lợi nhuận ngân hàng, dẫn đến xung đột lợi ích giữa các nhà hoạch định chính sách và các nhà quản lý ngân hàng trong việc tối ưu hóa lợi ích xã hội và lợi nhuận.

Với xác suất 95%, hệ số hồi quy của biến GDP (-0.002) cho thấy tác động âm và yếu đến ROA, vì khoảng tin cậy [(-0.04); (0.004)] chứa 0 Cụ thể, khi GDP tăng 1 đơn vị, ROA giảm 0.02 đơn vị, cho thấy mối quan hệ tuyến tính ngược chiều giữa hai biến này Mặc dù tăng trưởng GDP thường đi kèm với sự gia tăng tổng cầu, các ngân hàng thương mại Việt Nam vẫn chỉ hưởng lợi một phần nhỏ từ sự gia tăng này thông qua tín dụng và huy động vốn Tuy nhiên, do sự can thiệp của Nhà nước trong nền kinh tế thị trường, tác động của tăng trưởng GDP đến khả năng sinh lời của ngân hàng không rõ rệt.

Ngành ngân hàng đang đối mặt với nhiều thách thức từ thực tiễn tài chính toàn cầu, đặc biệt là sự bùng nổ của số hóa và công nghệ tài chính (Fintech) trong những năm gần đây Để thích ứng với cách mạng công nghiệp 4.0, Ngân hàng Nhà nước đã chuẩn bị các điều kiện cần thiết cho sự chuyển đổi này, dẫn đến sự xuất hiện và phát triển của các mô hình kinh doanh mới dựa trên công nghệ số Điều này cũng tạo cơ hội cho các công ty tham gia vào việc cung cấp dịch vụ thanh toán cũng như các sản phẩm và dịch vụ ngân hàng.