Mô phỏng các yếu tố rủi ro tác động đến hiệu quả hoạt động của các NHTM tại Việt Nam

Link dữ liệu https://docs.google.com/spreadsheets/d/1tYCmBgHgPOnJz0pjzZBNLElUwzZGQ81sLHCD7RKAlRI/edit?usp=drivesdk

LỜI CÁM ƠN

Trong suốt quá trình học tập môn Mô phỏng ngẫu nhiên em xin gửi lời cám ơn chân thành đến thầy Trần Mạnh Tường - giảng viên bộ môn Mô phỏng ngẫu nhiên đã đã tận tình chỉ dạy, truyền đạt những kiến thức quý báo cho em trong thời gian vừa qua để em có đủ kiến thức, điều kiện để thực hiện bài tiểu luận này. Em xin bày tỏ lòng biết ơn đến thầy.

Tuy nhiên, do vốn kiến thức còn nhiều hạn chế nên trong quá trình làm tiêu luận khó tránh khỏi những sai sót, rất mong thầy bỏ qua. Em rất mong nhận được những ý kiến đóng góp của thầy để bản thân có thể học hỏi thêm nhiều kinh nghiệm và hoàn thành tốt hơn trong bài khóa luận tốt nghiệp sắp đến.

Em xin chân thành cảm ơn!

PHẦN MỞ ĐẦU

1. Lý do chọn đề tài

Trong giai đoạn 2019-2021 trước ảnh hưởng của dịch bệnh Covid đã gâykhó khăn cho rất nhiều doanh nghiệp trong phạm vi cả nước và thế giới điều này đã làm ảnh hưởng rất lớn đến hoạt động của ngân hàng và đưa ra nhiều rủi ro mất vốn đối với ngân hàng. Trước tình hình phức tạp đó thì trong các tháng đầu năm 2021, NHNN giữ nguyên các mức lãi suất điều hành, tạo điều kiện cho tổ chức tín dụng tiếp cận nguồn vốn từ NHNN với chi phí thấp. Bên cạnh đó, thực hiện nghị quyết số 63 của Chính phủ và dưới sự chỉ đạo, điều hành của NHNN, có tổng số 16 ngân hàng thương mại Việt Nam thông qua Hiệp hội Ngân hàng đã đồng thuận giảm lãi suất cho vay đối với các đối tượng khách hàng bị khó khăn, với tổng số tiền lãi giảm cho khách hàng trong cả nước là 20.613 tỷ đồng. Đây là con số rất quan trọng, thể hiện sự chia sẻ một phần lợi ích của các NHTM để tạo điều kiện cho các doanh nghiệp, hộ gia đình giảm chi phí, giảm bớt khó khăn, duy trì và phục hồi sản xuất kinh doanh.

Có thể thấy rằng các ngân hàng thương mai chính là cánh tay đắc lực của ngân hàng nhà nước trong việc vận hành nền kinh tế trong đại dịch Covid. Tuy nhiên các ngân hàng thương mại chính là các tổ chức tài chính cho nên hiệu quả hoạt động kinh doanh luôn được đưa lên hàng đầu, việc đại dịch covid kéo dài tác động rất xấu đến hoạt động sản xuất kinh doanh của doanh nghiệp và chắc chắn làm tăng nợ xấu của ngân hàng cho nên bài toán đặt ra là phải thực hiện những biện pháp nào, để có thể tối ưu giữa lợi nhuận và rủi ro là bài toán mà các ngân hàng thương mại phải giải quyết. Đó chính là lý do tôi đã chọn đề tài “Yếu tố rủi ro tác động đến hiệu quả hoạt động của các NHTM Việt Nam” làm đề tài mô phỏng.

2. Mục tiêu nghiên cứu

Mục tiêu chung: Làm rõ cơ sở lý luận, thực tiễn của ảnh hưởng của các yếu tố rủi ro đến hiệu quả hoạt động các NHTM Việt Nam.

Mục tiêu cụ thể Xác định các yếu tố rủi ro tác động đến hiệu quả hoạt động các NHTM Việt Nam.

Đo lường mức độ ảnh hưởng của các yếu tố rủi ro tác động đến hiệu quả hoạt động các NHTM Việt Nam.

Mô phỏng ảnh hưởng của các yếu tố rủi ro tác động đến hiệu quả hoạt động các NHTM Việt Nam.

Gợi ý một số chính sách, giải pháp nhằm đẩy mạnh hiệu quả hoạt động của các NHTM và hạn chế ảnh hưởng từ các yếu tố rủi ro.

3. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu: các yếu tố rủi ro tác động đến hiệu quả hoạt động các NHTM Việt Nam.

Phạm vi nghiên cứu: 20 ngân hàng thương mại Việt Nam trong giai đoạn 2012 đến 2020.

4. Phương pháp nghiên cứu

Tiểu luận sử dụng phương pháp mô phỏng Monte Carlo để mô phỏng tác động của các yếu tố rủi ro đến lợi nhuận của các ngân hàng TMCP tại Việt Nam trong giai đoạn 2012-2020.

5. Ý nghĩa đề tài

Ý nghĩa khoa học: Bài nghiên cứu góp phần bổ sung thêm bằng chứng thực nghiệm về các yếu tố rủi ro tác động đến hiệu quả hoạt động NHTM Việt Nam trong giai đoạn 2012 - 2020.

Ý nghĩa thực tiễn: Kết luận giúp cho các nhà quản trị ngân hàng, cổ đông, nhà đầu tư đánh giá, có cái nhìn chiến lược hơn khi phân tích, dự báo về ảnh hưởng của các loại rủi ro đến hiệu quả hoạt động của ngân hàng từ đó đưa ra những chính sách nhằm cải thiện hiệu quả hoạt động của ngân hàng đồng thời hạn chế, giảm thiếu các ảnh hưởng tiêu cực từ các yếu tố rủi ro để hiệu quả hoạt động ngân hàng ngày một nâng cao hơn.

6. Kết cấu đề tài

Phần mở đầu

Chương 1. Tổng quan lý thuyết

Chương 2. Phương pháp và dữ liệu nghiên cứu

Chương 3. Kết quả nghiên cứu

Chương 4. Kết luận

CHƯƠNG 1: TỔNG QUAN LÝ THUYẾT

1.1 Tổng quan về ngân hàng thương mại

• Khái niệm NHTM

Theo Luật tổ chức tín dụng thì NHTM là tổ chức tín dụng được thực hiện toàn bộ hoạt động ngân hàng và các hoạt động kinh doanh khác có liên quan vì mục tiêu lợi nhuận theo quy định của Luật các tổ chức tín dụng và các quy định khác của pháp luật theo Nghị định số 59/2009/NĐ-CP của Chính Phủ về tổ chức hoạt động của NHTM. Ngoài ra, NHTM còn được biết đến là một định chế tài chính trung gian quan trọng bậc nhất trong nền kinh tế thị trường, điều chuyển vốn từ nơi thừa vốn sang nơi cần vốn (Perter S.Rose, 2014). Theo Nguyễn Minh Kiều (2009) thì NHTM là một tổ chức kinh tế chuyên thực hiện các hoạt động trong ngân hàng về các lĩnh vực như cung cấp tiền tệ, dịch vụ tài chính giữa khách hàng và ngân hàng hoặc ngược lại. Các hoạt động của ngân hàng gồm có: huy động vốn, cho vay, chiết khấu, bảo lãnh, cung cấp các dịch vụ tài chính và các nghiệp vụ có liên quan nhưng chủ yếu vẫn là nhận tiền gửi và cho vay vốn đầu tư.

Thị trường tài chính càng được phát triển thì khái niệm về NHTM càng được mở rộng và các nghiệp vụ của NHTM cũng sẽ phong phú và đa dạng hơn, cụ thể NHTM có những đặc điểm chung như sau:

Một là NHTM giống như các tổ chức kinh doanh khác là hoạt dộng vì mục đích lợi nhuận nhưng là tổ chức đặc biệt vì đối tượng kinh doanh của ngân hàng là tiền tệ.

Hai là nguồn vốn kinh doanh chủ yếu là vốn nợ dưới hình thức tiền gửi hoặc tiền vay với đặc điểm là có tính thanh khoản cao. Tài sản của NHTM thường nằm dưới dạng các khoản cho vay nên rủi ro thường rất cao, đòi hỏi các NHTm phải thường xuyên trích lập dự phòng rủi ro.

Ba là, sản phẩm của NHTM dưới hình thức phục vụ, mang hình thái phi vật chất, quá trình sản xuất và tiêu thục sản phẩm được tiến hành đồng thời với sự tham gia của khách hàng, nhân viên giao dịch trực tiếp với khách hàng và trang thiết bị tạo điều kiện thuận lợi trong việc cung ứng sản phẩm, dịch vụ đến khách hàng.

Bốn là, hoạt động kinh doanh của NHTM mang tính rủi ro cao hơn cũng như có sức ảnh hưởng trực tiếp và sâu sắc đến các ngành kinh tế khác nói riêng và toàn bộ nền kinh tế nói chung.

Năm là, NHTM có tính hệ thống cao hơn so với các lĩnh vực khác, cụ thể là mặc dù có sự cạnh tranh gay gắt với nhau nhưng các NHTM luôn có sự thống nhất về một số nghiệp vụ, hỗ trợ nhau về thanh khoản, vốn kinh doanh, chia sẻ rủi ro để đảm bảo an toàn cho hoạt động kinh doanh của từng NHTM nói riêng và toàn ngành ngân hàng nói chung.

• Đặc điểm của NHTM

NHTM với chức năng là trung gian thanh toán, ngân hàng sẽ đại diện khách hàng thực hiện thanh toán giá trị sản phẩm, dịch vụ thông qua nhiều hình thức như séc, ủy nhiệm chi, ủy nhiệm thu, thẻ, mạng lưới thanh toán điện tử (internet banking), kết nối các quỹ và cung cấp tiền giấy khi khách hàng cần. Với các hình thức thanh toán hiện đại đã góp phần không nhỏ làm giảm lưu lượng tiền mặt đang lưu hành, giảm chi phí in ấn, bảo quản và lưu thông tiền, tiết kiệm được chi phí và đảm bảo an toàn về giao dịch thanh toán.

NHTM với chức năng trung gian tín dụng, đây là một trong những chức năng đặc trưng và quan trọng nhất của NHTM. Các NHTM sẽ đóng vai trò như cầu nối chuyển giao vốn từ nơi có dư thừa vốn đến nơi có nhu cầu về vốn. Với chức năng này, các NHTM sẽ thực hiện nhiệm vụ huy động các nguồn vốn từ các chủ thể tiết kiệm hoặc có vốn nhàn rỗi trong nền kinh tế thông qua hình thức nhận tiền gửi không kỳ hạn, có kỳ hạn từ khách hàng, nhận tiền gửi tiết kiệm của các cá nhân tổ chức, phát hành ký phiếu ngân hàng,…Sau đó cung cấp tín dụng đáp ứng nhu cầu về vốn cho các cá nhân, tổ chức trong nền kinh tế thông qua hình thức cho vay, bảo lãnh, bao thanh toán,…

Hiệu quả hoạt động kinh doanh của NHTM được định nghĩa là khả năng kết hợp tối ưu để tối thiểu hóa các yếu tố đầu vào như: nguồn lực tài chính, cơ sở vật chất, nhân lực và các yếu tố khác trong các hoạt động trung gian tài chính và sản xuất kinh doanh của NHTM, điển hình như huy động vốn, cho vay, đầu tư và dịch vụ khác nhằm đạt được kết quả đầu ra tối đa.

1.2 Tỷ suất sinh lợi trên vốn chủ sở hữu của NHTM

Tỷ suất sinh lời trên vốn chủ sở hữu ROE là một trong những chỉ tiêu dùng để đo lường hiệu quả hoạt động kinh doanh của NHTM. Nó thể hiện thu nhập mà các cổ động nhận được từ việc đầu tư vốn vào ngân hàng. Chỉ số này đo lường khả năng sinh lời trên mỗi đồng vốn của cổ đông. Theo nghiên cứu của Fong (2008) thì tỷ suất sinh lợi trên vốn chủ sở hữu ROE là một trong những chỉ số quan trọng để đánh giá hiệu quả hoạt động của ngân hàng. Hay nói cách khác, ROE là một trong những chỉ tiêu quan trọng để đo lường khả năng sinh lời của NHTM bên cạnh những chỉ tiêu đồng lường khác như: ROA, NIM, EPS,… Công thức tính ROE như sau:

\(ROE=\frac{Lợi nhuận sau thuế}{Vốn chủ sở hữu}= ROA*\frac{Tổng tài sản}{Vốn chủ sở hữu}\)

ROE là thước đo chính xác để đánh giá một đồng vốn bỏ ra và tích lũy tạo ra bao nhiêu đồng lời. Chỉ số này thường được các nhà đầu tư phân tích để so sánh các cổ phiếu cùng ngành trên thị trường từ đo đưa ra quyết định mua cổ phiếu của công ty nào. Đồng thời chỉ số này càng cao chứng tỏ ngân hàng sử dụng đồng vốn của cổ đông có hiệu quả. Điều này có nghĩa rằng, ngân hàng đã cân đối một cách hài hòa giữa vốn cổ đông với vốn đi vay để khai thác lợi thế cạnh tranh của mình trong quá trình huy động vốn và mở rộng quy mô. Vì thế hệ số ROE càng cao thì cố phiếu doanh nghiệp đó càng hấp dẫn các nhà đầu tư.

Hiện nay, ROE đã trở thành chỉ số được dùng phổ biến vì nhiều lý do và trở thành biện pháp ưa thích tại các ngân hàng lớn. Một lý do quan trọng giải thích cho sự phổ biến này là ROE được tính toán mà không cần dựa vào tài sản. Sự linh hoạt này cho phép các NHTM có cơ cấu về tài sản khác nahu được so sánh với nhau hoặc thậm chí so sánh ngân hàng với các loại hình doanh nghiệp khác. Tuy nhiên, hạn chế của ROE là không xem xét đến rủi ro tài chính khi sử dụng nợ, việc sử dụng nợ quá nhiều có thể dẫn đến việc ngân hàng rơi vào tình trạng khủng hoảng tài chính và thiếu hụt khả năng thanh toán.

1.3 Các yếu tố tác động đến lợi nhuận của NHTM

1.3.1 Các yếu tố nội tại

Quy mô ngân hàng: quy mô ngân hàng cũng là một trong những yếu tố dùng để đánh giá tỷ suất sinh lợi trong hoạt động của ngân hàng. Quy mô ngân hàng được đo lường bằng logarit tổng tài sản, ngân hàng có quy mô càng lớn sẽ có lợi thế kinh tế theo quy mô càng lớn, dẫn đến hoạt động tốt hơn, tỷ suất sinh lợi cao hơn, giảm khả năng thua lỗ so với các ngân hàng có quy mô nhỏ. Không những vậy, các hoạt động kinh doanh của ngân hàng có quy mô lớn sẽ góp phần làm giảm rủi ro nhiều hơn do danh mục đầu tư được đa dạng hóa tốt trong các thị trường khác nhau và có nhiều công cụ hạn chế rủi ro hơn.

Quy mô vốn chủ sở hữu: vốn chủ sở hữu là vấn đề đáng lưu tâm nhất của hệ thống ngân hàng. Vốn chủ sở hữu là nguồn tiền đóng góp bởi người chủ ngân hàng - cổ đông, bao gồm chủ yếu là cổ phiếu, các khoản dự trữ và lợi nhuận giữ lại. Vốn chủ sở hữu đóng vai trò sống còn trong việc duy trì hoạt động và đảm bảo khả năng phát triển lâu dài của ngân hàng và là tấm đệm giúp chống lại rủi ro phá sản, tạo niềm tin cho người gửi tiền, là sự đảm bảo với chủ nợ qua đó giảm chi phí huy động, lãi vay và là phương tiện điều tiết sự tăng trưởng, đảm bảo ngân hàng có được sự tăng trưởng ổn định, lâu dài từ đó tỷ suất sinh lợi cũng sẽ tăng lên.

1.3.2 Các yếu tố vĩ mô

Lạm phát: Chỉ số giá tiêu dùng (CPI) chính là chỉ tiêu được sử dụng phổ biến nhất để đo lường mức giá, sự thay đổi của mức giá và là một chỉ tiêu để đánh giá lạm phát. Lạm phát nói chung có thể được hiểu là việc giá cả các hàng hóa tăng lên so với mức giá thời điểm trước. Tỷ lệ lạm phát là một trong những yếu tố vĩ mô có tác động tích cực đến lợi nhuận của ngân hàng được chứng minh trong nghiên cứu của Demigruc-Kunt và Huizinga (1999), Pasiouras và Kosmidou (2007). Tuy nhiên, theo Perry (1992) thì mối tác động của lạm phát đến hiệu quả hoạt động của ngân hàng còn phụ thuộc vào việc lạm phát có được dự báo trước hay không. Trong trường hợp lạm phát được dự báo trước, ngân hàng sẽ thay đổi lãi suất định kỳ, điều này sẽ làm doanh thu tăng nhanh hơn chi phí do đó tác động tích cực đến lợi nhuận. Ngược lại, nếu lạm phát không được báo trước, ngân hàng có thể sẽ chậm điều chỉnh lãi suất, điều này sẽ làm chi phí của ngân hàng tăng nhanh hơn so với doanh thu, và tác động tiêu cực đến lợi nhuận.

Tốc độ tăng trưởng kinh tế (GDP – Real Gross Domestic Product growth rate) là một trong những nhân tố vĩ mô đo lường tốc độ tăng trưởng tổng sản phẩm quốc nội sau khi trừ đi tỷ lệ lạm phát hàng năm. Với các quốc gia đang phát triển như Việt Nam thì các doanh nghiệp chiếm tỷ trọng khá lớn và có đóng góp chủ yếu vào tốc độ tăng trưởng tổng sản phẩm quốc nội của nền kinh tế. Khi GDP thực cao cho thấy nền kinh tế đang trong giai đoạn tăng trưởng ổn định, tình hình kinh doanh của các doanh nghiệp thuận lợi, thu nhập tăng, các khoản vay của ngân hàng có khả năng trả nợ tốt hơn. Vì vậy, sự phát triển của nền kinh tế có tác động tích cực đến tỷ suất sinh lợi của các ngân hàng.

1.4 Các yếu tố liên quan đến rủi ro của NHTM

1.4.1 Rủi ro thanh khoản

Thanh khoản của ngân hàng thương mại được xem như khả năng tức thời (the short-run ability) để đáp ứng nhu cầu rút tiền gửi và giải ngân các khoản tín dụng đã cam kết. Như vậy, rủi ro thanh khoản là loại rủi ro khi ngân hàng không có khả năng cung ứng đầy đủ lượng tiền mặt cho nhu cầu thanh khoản tức thời; hoặc cung ứng đủ nhưng với chi phí cao. Nói cách khác, đây là loại rủi ro xuất hiện trong trường hợp ngân hàng thiếu khả năng chi trả do không chuyển đổi kịp các loại tài sản ra tiền mặt hoặc không thể vay mượn để đáp ứng yêu cầu của các hợp đồng thanh toán.

Rủi ro thanh khoản là một trong những rủi ro đặc thù của hoạt động kinh doanh ngân hàng bên cạnh các rủi ro tín dụng, rủi ro lãi suất, rủi ro thị trường, rủi ro hoạt động….Rủi ro thanh khoản là rủi ro thường trực mà các ngân hàng nào cũng có nguy cơ gặp phải. Bởi vì các ngân hàng chủ yếu sử dụng vốn huy động ngắn hạn cho vay kỳ hạn dài hơn nên tạo ra sự chênh lệch về kỳ hạn. Và chính điều này đã làm cho NH vốn đã dễ bị tổn thương trước các tác động mạnh từ thị trường lại càng có nguy cơ lâm vào tình trạng kém thanh khoản và khi đó rủi ro thanh khoản càng có nguy cơ xuất hiện.Theo Rose và Hudgins (2010), Rủi ro thanh khoản được đo lường bằng tỷ lệ tiền mặt và tiền gửi tại các ngân hàng trên tổng tài sản. Do đó, vấn đề thanh khoản được các các ngân hàng chú ý quan tâm vì nếu ngân hàng không gia tăng được lượng tiền mặt kịp thời, không chuyển đổi kịp các loại tài sản ra tiền hoặc không có khả năng vay mượn sẽ mất đi nhiều khách hàng, tổn thất về lợi nhuận.

1.4.2 Rủi ro tín dụng

Theo thông tư 02/2013/TT của Ngân hàng Nhà nước Việt Nam rủi ro tín dụng trong hoạt động ngân hàng là tổn thất có khả năng xảy ra đối với nợ của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài do khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ của mình theo cam kết. Theo Thomas P.Fitch rủi ro tín dụng là loại rủi ro xảy ra khi người vay không thanh toán được nợ theo thỏa thuận hợp đồng dẫn đến sai hẹn trong nghĩa vụ trả nợ. Cùng với rủi ro lãi suất, rủi ro tín dụng là một trong những rủi ro chủ yếu trong hoạt động cho vay ngân hàng. Ngoài ra, theo Saeed và Zahid (2016) định nghĩa giá trị tín dụng là một chỉ báo quan trọng cho sức khỏe tài chính và sự lành mạnh của các ngân hàng. Một ngân hàng càng gặp nhiều rủi ro tín dụng thì khả năng ngân hàng đó đối mặt với khủng hoảng tài chính càng cao, tức là khi mức rủi ro tín dụng cao sẽ dẫn đến mức rủi ro vỡ nợ cao và làm nguy hại đến các khách hàng gửi tiền tại ngân hàng. Chính vì thế mà các NHTM cần có một biện pháp phòng ngừa hoặc hạn chế tối đa các tác động của rủi ro tín dụng để hiệu quả hoạt động của NHTM được ổn định và bền vững.

Như vậy, có thể hiểu rủi ro tín dụng là những tổn thất xảy ra trong quá trình thực hiện nghiệp vụ tín dụng của ngân hàng. Là những rủi ro khách hàng không trả được nợ vay, hay nói cách khác rủi ro tín dụng là rủi ro khi ngân hàng không thu hồi đủ gốc và lãi của khoản vay. Rủi ro tín dụng là một trong những nguyên nhân gây ra tổn thất và ảnh hưởng nghiêm trọng đến chất lượng kinh doanh ngân hàng, làm giảm thu nhập ròng, giảm giá trị thị trường vốn, và có nguy cơ gây phá sản. Rủi ro tín dụng xuất hiện có thể dẫn đến các rủi ro khác gây nên hậu quả nghiêm trọng và phá vỡ tính cân đối và ổn định của NHTM.

1.4.3 Rủi ro vốn chủ sở hữu

Vốn chủ sở hữu (VCSH) hay vốn tự có của ngân hàng là nguồn vốn riêng của ngân hàng do chủ sở hữu đóng góp ban đầu và được bổ sung trong quá trình kinh doanh. VCSH của ngân hàng là tấm đệm chống lại rủi ro phá sản, là điều kiện bắt buộc để có giấy phép hoạt động. VCSH là chỉ tiêu tạo niềm tin cho công chúng và sự đảm bảo với chủ nợ về sức mạnh tài chính của ngân hàng, cung cấp năng lực tài chính và điều tiết sự tăng trưởng và phát triển của ngân hàng. VCSH của ngân hàng phải được duy trì ổn định và bổ sung trong quá trình phát triển phù hợp với quy định và định hướng hoạt động của ngân hàng thương mại.

Rủi ro vốn chủ sở hữu được thể hiện qua các tỷ lệ vốn chủ sở hữu trên tổng nợ hoặc vốn chủ sở hữu trên tổng tài sản của ngân hàng. Một khi ngân hàng có tỷ lệ vốn huy động quá lớn so với vốn chủ sở hữu, sẽ dẫn đến sự nghi ngờ về khả năng thanh toán tiền cho người gửi tiền, dẫn đến khách hàng có thể rút bớt tiền và không gửi tiền vào ngân hàng nữa.

1.5 Tổng quan nghiên cứu thực nghiệm

1.5.1 Các nghiên cứu nước ngoài

Aremu Mukaila Ayanda (2013) nghiên cứu hiệu quả của các ngân hàng ở Nigeria trong những năm 1980-2010. Bài nghiên cứu cho kết quả biến dự phòng RRTD, tỷ lệ cho vay trên tổng tài sản, tỷ lệ vốn chủ sở hữu trên tổng tài sản có tác động ngược chiều tới hiệu quả kinh doanh ngân hàng. Trong khi đó, tổng tài sản hay quy mô của ngân hàng có tác động tích cực đến hiệu quả kinh doanh của các hàng trong mẫu nghiên cứu

Alshatti (2015), kiểm tra tác động của việc quản lý RRTD đến hiệu quả tài chính của các NHTM Jordan trong giai đoạn (2005-2013) đo bằng chỉ số ROA và ROE. Nghiên cứu kết luận rằng các chỉ số RRTD được xem xét trong nghiên cứu này có ảnh hưởng đến hiệu quả của các NHTM Jordan. Dựa trên kết quả này, các nhà nghiên cứu khuyến cáo các ngân hàng để cải thiện rủi ro tín dụng của họ để đạt được lợi nhuận nhiều hơn.

Ayaydin Hasan (2014), nghiên cứu các yếu tố ảnh hưởng đến vốn và lợi nhuận của các ngân hàng Thổ Nhĩ Kỳ từ năm 2003-2011. Sử dụng tỷ số ROE là biến phụ thuộc đại diện cho hiệu quả kinh doanh của ngân hàng. Dự phòng RRTD, tỷ lệ an toàn vốn, tài sản thanh khoản là một trong số các biến độc lập được đưa vào nghiên cứu nhằm tìm sự tác động của các biến này đến hiệu quả kinh doanh của ngân hàng. Kết quả nghiên cứu chỉ ra rằng biến dự phòng RRTD có tác động tiêu cực đến hiệu quả kinh doanh ngân hàng

Hamza và cộng sự (2017) nói về tác động của quản lý rủi ro tín dụng đến hiệu quả hoạt động của các ngân hàng thương mại tại Pakistan. Với hồi quy gộp, nghiên cứu chỉ ra rằng quản lý rủi ro tín dụng có mối quan hệ nghịch chiều với hiệu quả hoạt động của ngân hàng. Cụ thể, tỷ lệ dự phòng rủi ro cho vay (LLPR), tỷ lệ thanh khoản (LR) và tỷ lệ nợ xấu (NPLR) có tác động tiêu cực trong khi tỷ lệ an toàn vốn (CAR), cho vay và tạm ứng (LAR) và quy mô ngân hàng (SIZE) có tác động tích cực đến tỷ suất sinh lời trên tài sản (ROA). Ngoài ra, liên quan đến lợi nhuận trên vốn chủ sở hữu, các biến CAR, LAR và LLPR có tác động đáng kể đến ROE.

Gizaw và cộng sự (2015), nghiên cứu ảnh hưởng của RRTD đến hiệu quả kinh doanh của các NHTM Ethiopia từ năm 2003-2004. Sử dụng dữ liệu bảng và phân tích hồi quy đa biến, kết quả nghiên cứu cho thấy rủi ro tín dụng có thể được đo lường bằng: tỷ lệ nợ xấu, dự phng rủi ro tín dụng có ảnh hưởng đến hiệu quả kinh doanh của các NHTM Ethiopia. Kết quả nghiên cứu khuyến nghị nên nâng cao công tác quản lý rủi ro tín dụng nhằm cải thiện hiệu quả kinh doanh ngân hàng

Muhammad Bilal và cộng sự (2013) nghiên cứu các nhân tố rủi ro ngân hàng ảnh hưởng đến lợi nhuận của NHTM Pakistan trong giai đoạn 2008-2012 đolường bằng lợi nhuận trên tài sản (ROA) và lợi nhuận trên vốn chủ sở hữu (ROE). Kết quả nghiên cứu cho thấy các nhân tố nội tại ngân hàng và nhân tố vĩ mô có nhiều tác động đến ROA hơn là ROE. Nợ xấu có ảnh hưởng tiêu cực không đáng kể với ROA nhưng có ảnh hưởng tiêu cực đáng kể với ROE. Tiền gửi trên tổng tài sản có mối tương quan cùngchiều không đáng kể đối với cả hai chỉ tiêu ROE và ROA. Vốn chủ sở hữu có mối quan hệ đáng kể với ROE nhưng không có tác động đáng kể đến ROA. NIM có tác động tích cực mạnh đến lợi nhuận của NHTM. RGDP tăng lên có tác động tích cực mạnh mẽ đến ROA và có tác động tích cực đến ROE. Lạm phát có tác động tích cực không đáng kể vào ROE trong khi tác động tiêu cực mạnh mẽ với ROA, nghĩa là lạm phát cao làm suy giảm lợi nhuận ngân hàng.

Kodithuwakku (2015), xác định tác động của RRTD đến HQKD của các NHTM ở Sri Lanka. Nghiên cứu này chủ yếu dựa trên cả dữ liệu sơ cấp và thứ cấp tạo nên dữ liệu bảng trong khoảng thời gian 2009 đến năm 2013. Sử dụng ROA làm biến phụ thuộc, sử dụng các biến dự phòng/tổng dư nợ, dự phòng/tổng nợ xấu, dự phòng/tổng tài sản và nợ xấu /tổng dư nợ đã được sử dụng để đo lường RRTD. Kết quả cho thấy các khoản cho vay và các quy định có tác động xấu đến khả năng sinh lời của ngân hàng. Vì vậy, nghiên cứu đề nghị các ngân hàng thực hiện các biện pháp nhằm hạn chế RRTD.

1.5.2 Các nghiên cứu trong nước

Đặng Hoàng Nhật Tâm và cộng sự (2014) xem xét và đánh giá rủi ro tín dụng tác động đến hiệu quả kinh doanh của các NHTM tại Việt Nam trong giai đoạn từ 2008-2013. Sử dụng dữ liệu của 9 NHTM có thị phần dư nợ tín dụng và huy động vốn lớn nhất trong năm 2012 căn cứ theo số liệu tổng hợp từ báo cáo thường niên của các ngân hàng. Và kết quả cho thấy rủi ro tín dụng (đo lường bởi tỷ lệ nợ xấu – NPLR) có tác động tiêu cực đến ROE.

Nguyễn Minh Sáng và cộng sự (2014) phân tích các nhân tố tác động đến tỷ lệ thu nhập lãi thuần trong hệ thống NHTM Việt Nam, kết quả hồi quy dữ liệu bảng cho thấy nhân tố tốc độ tăng trưởng kinh tế (GDP) tác động ngược chiều đến NIM. Dữ liệu nghiên cứu được thu thập từ báo cáo tài chính của 30 NHTM Việt Nam giai đọan 2008-2013. Kết quả nghiên cứu thể hiện các nhân tố sự phát triển ngành ngân hàng (BSD), tỷ lệ lạm phát (INF), tỷ lệ nắm giữ vốn chủ sở hữu (CAP), rủi ro tín dụng (CR), tính thanh khoản (LIQ), chi phí hoạt động (OC) là các nhân tố tác động cùng chiều đến NIM.

Nguyễn Thị Mỹ Linh, Nguyễn Thị Ngọc Hương (2015) nghiên cứu các yếu tố ảnh hưởng đến thu nhập lãi cận biên của các NHTMCP Việt Nam, bằng việc sử dụng hồi quy bảng (Panel Regression) dữ liệu 27 NHTMCP Việt Nam giai đoạn 2008- 2013. Kết quả nghiên cứu chỉ ra rằng quy mô ngân hàng (SIZE), hoạt động cho vay (LAR), rủi ro tín dụng (CR), quy mô vốn chủ sở hữu (CAP), có tác động cùng chiều với thu nhập lãi cận biên (NIM) của ngân hàng. Đồng thời hiệu quả quản lý (CTI) của các ngân hàng và tăng trưởng GDP có tác động ngược chiều đối với thu nhập lãi cận biên.

Phạm Hữu Hồng Thái (2013) công trình nghiên cứu của tác giả Phạm Hữu Hồng Thái được đăng trên tạp chí Ngân hàng số 18 (2013) xem xét tác động của nợ xấu đến khả năng sinh lời của ngân hàng. Tác giả sử dụng dữ liệu của 34 ngân hàng thương mại cổ phần Việt Nam từ 2005 – 2012. Và kết quả chỉ ra rằng nợ xấu (NPL) và chi phí dự phòng (LLP) có tác động tiêu cực đến tỷ suất sinh lợi của ngân hàng. Ngoài nợ xấu ra, các yếu tố khác như quy mô ngân hàng, đòn bẩy tài chính, hiệu quả quản lý tài sản cũng có ảnh hưởng đến tỷ suất sinh lợi của ngân hàng.

Hồ Thị Hồng Minh và Nguyễn Thị Cành (2015) nghiên cứu về đa dạng hoá thu nhập và các yếu tố ảnh hưởng đến lợi nhuận của các NHTM Việt Nam. Áp dụng phương pháp nghiên cứu cho dữ liệu bảng ước lượng SGMM (System generalized method of moment), lợi nhuận của ngân hàng kết quả cho thấy chỉ số đa dạng hoá thu nhập, tỷ lệ dư nợ cho vay/tổng tài sản, tỷ lệ tiền gửi khách hàng, lạm phát đều có tương quan thuận với lợi nhuận của các NHTM Việt Nam. Trong khi đó, tỷ lệ nợ xấu, tỷ lệ vốn chủ sở hữu/tổng tài sản tỷ lệ chi phí hoạt động trên thu nhập có tương quan nghịch đến lợi nhuận. Nghiên cứu không tìm thấy bằng chứng về tác động của quy mô tổng tài sản và tốc độ tăng trưởng kinh tế đến lợi nhuận của NHTM Việt Nam.

CHƯƠNG 2. PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU

2.1 Phương pháp mô phỏng Monte Carlo

Phương pháp Monte Carlo được sử dụng để ước lượng giá trị trung bình \(μ\) của một biến ngẫu nhiên X. Giả sử quá trình mô phỏng sinh được biến ngẫu nhiên X. Quá trình đó được lặp lại n lần độc lập, sinh ra n biến ngẫu nhiên độc lập, cùng phân phối \(X_1,X_2,...,X_n\) . Ước lượng \(μ=EX\) thông qua

\(μ_n=\frac{1}{n}\sum_{1}^{n}X_i\)

Giá trị \(μ_n\) được gọi là ước lượng thử lập hay ước lượng thử thống kê đối với \(μ\). Luật yếu các số lớn Khinchin khẳng định:

Nếu \(E|X1|<∞\), thì \(μ_n \to^Pμ\). Như vậy, \(μ_n\) là một ước lượng vững cho \(μ\). Mặc khác ta cũng có \(Eμ_n=μ\) nên \(μ\) cũng là một ước lượng không chênh lệch cho \(μ\). Do đó nếu chúng ta tiến hành số n lần lặp lại mô phỏng khá lớn thì \(μ_n\) sẽ rất gần \(μ\). Điều này cho thấy Luật yếu các số lớn dạng Khinchin là cơ sở toán học cho phương pháp Monte Carlo.

Để đánh giá sai số và tốc độ hội tụ trong ước lượng bằng phương pháp Monte Carlo, xét các kết quả cổ điển trong Lý thuyết xác suất.

Giả sử \(μ_n\) là ước lượng thử thống kê của \(μ=E(X)\) sao cho \(Var(X)=σ2<∞\). Khi đó, có một đánh giá sai số của ước lượng thử thống kê thông qua bất đẳng thức Chebyshev như sau:

\(P(|μn−μ|≤\frac{kσ}{\sqrt{n}})≥1−\frac{1}{k^2}\) với mọi \(k>0\)

Như vậy, khi đánh giá sai số của ước lượng thử thống kê thông qua đẳng thức Chebyshev, ta thấy rằng với xác suất không bé hơn \(1-\frac{1}{k^2}\), sai số của ước lượng thử thống kê là \(\frac{kσ}{\sqrt{n}}\) với \(k>0\) bất kỳ (chẳng hạn, với \(k=10\), thì với xác suất không bé hơn 0.99 sai số ước lượng thử thống kê là \(\frac{10σ}{\sqrt{n}})\)). Giả sử \(Var(X)=σ^2<\infty\), định lý giới hạn trung tâm cho thấy:

\(n^{-1/2}(μ_n−μ)\to^D N(0,1),khi:n\to\infty\)

ở đây \(\to^D\) chỉ sự hội tụ theo phân phối, giới hạn trên có thể biểu diễn dưới dạng sau:

\(μ ≈^D μ+\frac{σ}{\sqrt{μ}}N(0,1)\) khi n lớn

ở đây \(≈^D\) là ký hiệu chỉ sự xấp xỉ theo phân phối. Do đó nếu số lần mô phỏng n là lớn, sai số trong phương pháp Monte Carko sẽ: 1. Giảm theo tỷ lệ \(n^{-1/2}\) tức là sai số của ước lượng thử thống kê có dạng \(0(n^{-1/2})\). 2. Xấp xỉ phân phối chuẩn chính tắc. 3. Phụ thuộc dữ liệu bài toán chỉ qua phương sai \(σ^2 = Var(X)\) Như vậy, với n đủ lớn sai số của ước lượng thử thống kê có thể được đánh giá qua kết quả sau: Giả sử \(μ_n\) là ước lượng thử thống kê của \(μ=E(X)\), sao cho \(Var(X)=σ^2<\infty\). Khi đó với n đủ lớn, ta có thể có một đánh giá sai số của ước lượng thử thống kê \(μ_n\) đối với \(μ\) theo quy tắc \(k-σ\) sau:

\(P(|μ_n−μ|≤\frac{kσ}{\sqrt{n}})≈Φ(k)−Φ(−k)\),

trong đó

\(Φ(x)=\frac{1}{\sqrt{2π}}\int_{-\infty}^xe^{\frac{-1}{2}t^2}.\)

2.2 Các phân phối xác suất

2.2.1 Phân phối chuẩn

Phân phối chuẩn, còn gọi là phân phối Gauss, là một phân phối xác suất cực kỳ quan trọng trong nhiều lĩnh vực. Phân phối chuẩn (standard normal distribution) là phân phối chuẩn với giá trị trung bình bằng 0 và phương sai bằng 1. Phân phối chuẩn còn được gọi là đường cong chuông vì đố thị mật độ xác suất có dạng chuông. Hàm mật độ của phân phối chuẩn: \(f(x)=\frac{1}{σ\sqrt{2\pi}}e^{-\frac{(x-μ)^2}{2σ^2}}\)

Mô phỏng mẫu:

ppc <- rnorm(n = 500, mean = 0, sd = 1)
summary(ppc)

##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -3.02644 -0.69810  0.03096 -0.01727  0.63194  3.13367

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.1

hist(ppc, col = "lightblue", main = "Normal Distribution")

2.2.2 Phân phối nhị thức

Phân phối nhị thức là một dạng phân phối rời rạc thường dùng trong thống kê, với tham số p và n là tổng n phép thử Bernouli với xác suất p độc lập nhau. Hàm xác suất của phân phối nhị thức: \(f(x)=\binom{n}{x}p^x(1-p)^{n-x}\)

Mô phỏng mẫu:

#Giả sử một công ty nước giải khát thuê 500 người để tiếp thị quảng bá sản phẩm, mỗi ngày gặp 20 khách và xác suất để khách hàng đồng ý mua sản phẩm là 10%, mô phỏng xác suất thành công của 500 người tiếp thị
ppnt <- rbinom(n = 500, size = 20, prob = 0.1)
summary(ppnt)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   1.000   2.000   1.952   3.000   7.000

hist(ppnt, main = "Binomial Distribution", col = 'lightgreen')

2.2.3 Phân phối poisson

Trong lý thuyết xác suất và thống kê, phân phối Poisson là một phân phối xác suất rời rạc. Nó khác với các phân phối xác suất rời rạc khác ở chỗ thông tin biết không phải là xác suất để một sự kiện xảy ra thành công trong một lần thử như trong phân phối Bernoulli hay là số lần mà sự kiện đó xảy ra trong n lần thử như trong phân phối nhị thức, mà chính là trung bình số lần xảy ra thành công của một sự kiện trong một khoảng thời gian nhất định. Gía trị trung bình này được gọi là lambda, kí hiệu là λ . Phân phối Poisson còn được dùng cho khoảng mà đơn vị khác thời gian như: khoảng cách, diện tích hay thể tích. Hàm xác suất của phân phối Poisson: \(f(x)=\frac{1}{x!}(\lambda t)^xe^{-\lambda t}\)

Mô phỏng mẫu:

#Giả sử số người đến mua nước tại cây bán nước di động có phân phối poisson với số lượng người mua trung bình một ngày là 3.2 người, mô phỏng số người đến mua nước tại cây bán nước di động trong 100 ngày
ppp <- rpois(n = 100, lambda = 3.2)
summary(ppp)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    2.00    3.00    3.25    4.00    8.00

hist(ppp, main = "Poisson Distribution", col = 'lightpink' )

2.2.4 Phân phối Lognormal

Phân phối xác suất của các kết quả đối xứng hoặc tạo thành đường cong được gọi là phân phối chuẩn. Phân phối log-chuẩn có thể được hình thành từ phân phối chuẩn bằng cách sử dụng toán học logarit. Phân phối xác suất liên tục của một biến ngẫu nhiên có logarit được phân phối chuẩn được gọi là phân phối loga chuẩn. Một biến ngẫu nhiên của phân phối loga chuẩn chỉ nhận các giá trị thực dương. Phân phối lognormal là một phân phối hai tham số với các tham số μ và σ lần lượt là trung bình (meanlog) và độ lệch chuẩn (sdlog) của logarit tự nhiên X, trong đó, độ lệch chuẩn biểu thị độ phân tán của dữ liệu so với giá trị trung bình của nó. Hàm xác suất của phân phối Lognormal: \(f(x)=\frac{1}{σ'\sqrt{2\pi}}e^{\frac{-1}{2}(\frac{t'-μ'}{σ'})^2}\)

Mô phỏng mẫu:

#Mô phỏng dãy số liệu X gồm 500 quan sát tuân theo phân phối lognormal với trung bình của logarit tựn hiên X bằng 0 và độ lệch chuẩn của logarit tự nhiên X bằng 1.
ppl <- rlnorm (n = 500, meanlog = 0, sdlog = 1 )
summary(ppl)

##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##  0.03991  0.48417  1.04690  1.75511  2.04791 24.35748

hist(ppl, col = 'navy', main = "Lognormal Distribution")

2.2.5 Phân phối mũ

Trong Lý thuyết xác suất và thống kê, phân phối mũ là một lớp của các phân bố xác suất liên tục. Chúng thường được dùng để mô hình thời gian giữa các biến cố xảy ra theo một tỷ lệ trung bình là hằng số. Hàm mật độ xác suất của phân phối mũ: \(f(x;\lambda)={\binom{\lambda e^{-\lambda x}, x >= 0}{0,x < 0}}\)

trong đó \(\lambda>0\) là tham số của phân bố, thường được gọi là tham số tỷ lệ, phân bố được hỗ trợ trên khoảng \([0,\infty]\). Nếu một biến ngẫu nhiên X có phân bố này, ký hiệu \(X~\lambda\). Mô phỏng mẫu:

ppm <- rexp(n = 500, rate = 0.5)
summary(ppm)

##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
##  0.005093  0.477605  1.263953  1.879346  2.595123 18.561553

hist(ppm, main = "Exponential Distribution")

2.3 Mô hình đề xuất nghiên cứu

Dựa vào các kết quả nghiên cứu trước tổng quan trước đây, đồng thời với mục tiêu phân tích ảnh hưởng của các yếu tố rủi ro đến hiệu quả hoạt động của các ngân hàng thương mại nên tác giả đã tham khảo mô hình hồi quy tuyến tính đa biến của Đặng Hoàng Nhật Tâm và cộng sự (2020) và Nguyễn Văn Sáng (2014) để nghiên cứu tác động của yếu tố rủi ro đến hiệu quả hoạt động của các ngân hàng thương mại tại Việt Nam. Vì đây là mô hình nghiên cứu tại quốc gia đang phát triển, có tính chất phổ biến và tương đối với các nghiên cứu khác, có dữ liệu phù hợp với cơ sở dữ liệu cso thể thu thập được tại Việt Nam. Mô hình nghiên cứu có dạng như sau:

\(ROE_it=β_1 +β_2LR +β_3LLR +β_4ER +β_5SIZE +β_6CAP +β_7INF +β_8GDP +e_it\)

Trong đó:

• Biến phụ thuộc: ROE.

• Biến độc lập: đại diện cho các yếu tố rủi ro tín dụng LR: rủi ro thanh khoản, LLR: rủi ro tín dụng, ER: rủi ro VCSH).

• Biến kiểm soát: quy mô ngân hàng, quy mô VCSH, tăng trưởng kinh tế và lạm phát.

• \(β_1\): là hằng số của mô hình.

• \(β_2,…,β_8\): là hệ số hồi quy của mô hình.

• i: từ 1 đến 20 ngân hàng thương mại trong mẫu nghiên cứu

• t: năm nghiên cứu từ 2012 đến 2020.

2.4 Dữ liệu nghiên cứu

Bộ dữ liệu bao gồm tỷ suất sinh lời trên vốn chủ sở hữu, rủi ro thanh khoản, rủi ro tín dụng, rủi ro vốn chủ sở hữu, quy mô ngân hàng, quy mô vốn chủ sở hữu, tốc độ tăng trưởng kinh tế và tỷ lệ lạm phát. Trong đó tốc độ tăng trưởng kinh tế và tỷ lệ lạm phát được thu thập từ nguồn dữ liệu thứ cấp của Ngân hàng Thế giới (Worldbank) còn các dữ liệu còn lại được thu thập từ báo cáo thường niên, bảng cân đối kế toán và báo cáo kết quả hoạt động kinh doanh được kiểm toán của 20 NHTM Việt Nam trong giai đoạn 2012 đến 2020 từ trang web cơ sở dữ liệu Vietstock.com.

• LR: Rủi ro thanh khoản - tỷ số giữa tài sản thanh khoản với tổng tài sản, rủi ro thanh khoản cung cấp một thông tin chung về khả năng thanh khoản của ngân hàng. Tức là trong tổng tài sản của ngân hàng tỷ trọng tài sản thanh khoản là bao nhiêu. Tỷ số này cao tức là khả năng thanh khoản của ngân hàng rất tốt.

• LLR: Rủi ro tín dụng, đo lường bằng cách sử dụng tỷ lệ giá trị trích lập dự phòng rủi ro tín dụng năm t chia cho tổng dư nợ cho vay năm(t-1).

• ER: Rủi ro vốn chủ sở hữu, đo lường bằng cách lấy tỷ số giữa tổng nợ trên vốn chủ sở hữu bình quân

• SIZE: Quy mô của ngân hàng được đo lường bằng logarit của tổng tài sản, quy mô ngân hàng có tác động cùng chiều đến tỷ suất sinh lợi của ngân hàng, khi quy mô càng lớn sẽ tạo điều kiện trang bị được công nghệ hiện đại để đa dạng hóa dịch vụ hơn.

• CAP: quy mô vốn chủ sở hữu được đo lường bằng vốn chủ sở hữu trên tổng tài sản, đây là nguồn vốn riêng của ngân hàng do chủ sở hữu đóng góp ban đầu và được bổ sung trong quá trình hoạt động kinh doanh

• INF: đo lường tỷ lệ lạm phát hàng năm thể hiện qua chỉ số giá tiêu dùng (CPI), lạm phát có thể có tác động tích cực hoặc tiêu cực đến khả năng sinh lợi của ngân hàng

• GDP: tổng sản phẩm quốc nội, tốc độ tăng trưởng GDP được tính bằng chênh lệch giữa GDP hiện tại so với GDP kỳ trước chia cho GDP kỳ trước.

setwd("F:/MPNN")
data <- read.csv("data1.csv") 
library(DT)

## Warning: package 'DT' was built under R version 4.3.1

DT::datatable(data)

CHƯƠNG 3. KẾT QUẢ NGHIÊN CỨU

3.1 Thống kê mô tả

• Biến rủi ro thanh khoản (LR)

setwd("F:/MPNN")
data <- read.csv("data1.csv")
library(fBasics)

## Warning: package 'fBasics' was built under R version 4.3.1

basicStats(data$LR)

##             X..data.LR
## nobs        180.000000
## NAs           0.000000
## Minimum       0.038462
## Maximum       0.379490
## 1. Quartile   0.082599
## 3. Quartile   0.181261
## Mean          0.137844
## Median        0.119158
## Sum          24.811969
## SE Mean       0.005313
## LCL Mean      0.127361
## UCL Mean      0.148328
## Variance      0.005081
## Stdev         0.071278
## Skewness      0.957303
## Kurtosis      0.333646

hist(data$LR)

LR-biến rủi ro thanh khoản có giá trị trung bình là 0.1378% với độ lệch chuẩn là 0.0713% cho thấy sự không đồng đều trong tài sản thanh khoản giữa các ngân hàng, do đó cho thấy vẫn có ngân hàng có tài sản có rủi ro chiếm giá trị lớn.

• Biến rủi ro tín dụng (LLR)

library(fBasics)
basicStats(data$LLR)

##             X..data.LLR
## nobs         180.000000
## NAs            0.000000
## Minimum        0.000021
## Maximum        0.446239
## 1. Quartile    0.011156
## 3. Quartile    0.018700
## Mean           0.026839
## Median         0.014000
## Sum            4.831058
## SE Mean        0.003935
## LCL Mean       0.019075
## UCL Mean       0.034603
## Variance       0.002787
## Stdev          0.052788
## Skewness       5.302192
## Kurtosis      31.649843

hist(data$LLR)

LLR-biến dự phòng rủi ro tín dụng có giá trị trung bình là 0.0268% với độ lệch chuẩn là 0.0528% ta thấy có sự chênh lệch về giá trị dự phòng rủi ro trên tổng dư nợ cho vay giữa các NHTM. Điều này thể hiện rõ việc các NHTM luôn cạnh tranh nhau trong việc nâng cao chất lượng cho vay và dự đoán rủi ro để đảm bảo an toàn vốn trong hoạt động kinh doanh.

• Biến rủi ro VCSH (ER)

library(fBasics)
basicStats(data$ER)

##              X..data.ER
## nobs         180.000000
## NAs            0.000000
## Minimum        0.000014
## Maximum      169.113461
## 1. Quartile    9.217281
## 3. Quartile   19.074604
## Mean          15.331002
## Median        13.455507
## Sum         2759.580362
## SE Mean        1.334604
## LCL Mean      12.697421
## UCL Mean      17.964583
## Variance     320.610069
## Stdev         17.905588
## Skewness       7.013354
## Kurtosis      57.558614

hist(data$ER)

ER-biến rủi ro vốn chủ sở hữu có giá trị trung bình 15.33% và độ lệch chuẩn là 17,91% cho thấy nợ giữa các ngân hàng có độ chênh lệch không lớn.

• Biến quy mô ngân hàng (SIZE)

library(fBasics)
basicStats(data$SIZE)

##             X..data.SIZE
## nobs          180.000000
## NAs             0.000000
## Minimum         5.066464
## Maximum        14.232038
## 1. Quartile    10.203709
## 3. Quartile    12.686273
## Mean           11.319749
## Median         11.935513
## Sum          2037.554834
## SE Mean         0.153769
## LCL Mean       11.016315
## UCL Mean       11.623183
## Variance        4.256094
## Stdev           2.063030
## Skewness       -1.241382
## Kurtosis        1.336695

hist(data$SIZE)

SIZE-quy mô giữa các ngân hàng cổ phần hàng đầu và khối quốc doanh không có quá nhiều sự chênh lệch với độ lệch chuẩn là 2.06%, đồng thời phản ánh tổng tài sản của các ngân hàng cũng có sự chệnh lệch khá nhỏ trong giai đoạn 2012-2020.

• Biến quy mô VCSH (CAP)

library(fBasics)
basicStats(data$CAP)

##             X..data.CAP
## nobs         180.000000
## NAs            0.000000
## Minimum        0.026214
## Maximum        1.000000
## 1. Quartile    0.060000
## 3. Quartile    0.097415
## Mean           0.111761
## Median         0.072436
## Sum           20.116957
## SE Mean        0.011462
## LCL Mean       0.089143
## UCL Mean       0.134378
## Variance       0.023647
## Stdev          0.153776
## Skewness       4.776872
## Kurtosis      23.384579

hist(data$CAP)

CAP-quy mô vốn chủ sở hữu có giá trị trung bình là 0,11% và độ lệch chuẩn là 0.15% cho tháy mức độ tương đồng trong quy mô vốn chủ sở hữu giữa các NHTM, đây cũng là một lợi thế trong hoạt động kinh doanh của các ngân hàng vì nếu có sự chênh lệch quá lớn sẽ gây bất lợi trong việc thu hút vốn trên thị trường.

• Biến tỷ lệ lạm phát (INF)

library(fBasics)
basicStats(data$INF)

##             X..data.INF
## nobs         180.000000
## NAs            0.000000
## Minimum        0.631201
## Maximum        9.094703
## 1. Quartile    2.795824
## 3. Quartile    4.084554
## Mean           4.016447
## Median         3.520257
## Sum          722.960494
## SE Mean        0.173159
## LCL Mean       3.674752
## UCL Mean       4.358142
## Variance       5.397109
## Stdev          2.323168
## Skewness       0.923939
## Kurtosis       0.228845

hist(data$INF)

Tỷ lệ lạm phát trung bình của 20 NHTM Việt Nam trong giai đoạn 2012-2020 là 4.016% dao động từ 0.63% đến 9.0947%. Với tỷ lệ lạm phát thấp nhất là vào năm 2012 và tỷ lệ lạm phát cao nhất là vào năm 2015.

• Biến tốc độ tăng trưởng kinh tế (GDP)

library(fBasics)
basicStats(data$GDP)

##             X..data.GDP
## nobs         180.000000
## NAs            0.000000
## Minimum        2.865412
## Maximum        7.464991
## 1. Quartile    5.553500
## 3. Quartile    6.987167
## Mean           6.198593
## Median         6.690009
## Sum         1115.746809
## SE Mean        0.100964
## LCL Mean       5.999360
## UCL Mean       6.397827
## Variance       1.834886
## Stdev          1.354579
## Skewness      -1.475760
## Kurtosis       1.256474

hist(data$GDP)

Tốc độ tăng trưởng kinh tế bình quân của 20 NHTM Việt Nam là 6.198%, tốc độ tăng trưởng kinh tế thấp nhất là 2.86%, tốc độ tăng trưởng kinh tế cao nhất là 7.46%. Dữ liệu mẫu cho thấy, tốc độ tăng trưởng kinh tế cao nhất là vào năm 2018 và thấp nhất là vào năm 2020 khi nền kinh tế phải đối diện với dịch Covid-19, nền kinh tế suy giảm, các hoạt động giao thương, mua bán đều bị đình trệ.

3.2 Xác định phân phối các biến đầu vào

3.2.1 Biến LR

• Kiểm định phân phối chuẩn cho biến LR

Giả thuyết

H0: LR tuân theo phân phối chuẩn

H1: LR không tuân theo phân phối chuẩn

library(nortest)
shapiro.test(data$LR)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$LR
## W = 0.91864, p-value = 1.86e-08

Kết quả cho thấy giá trị p-value = 1.86e-08 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến LR không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến LR

Giả thuyết

H0: LR tuân theo phân phối Lognormal

H1: LR không tuân theo phân phối Lognormal

ks.test(data$LR, "plnorm", meanlog = mean(log(data$LR)), sdlog = sd(log(data$LR)))

## Warning in ks.test.default(data$LR, "plnorm", meanlog = mean(log(data$LR)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$LR
## D = 0.044162, p-value = 0.8741
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 0.8741 > 0.05 nên ta chấp nhận giả thuyết H0 và biến LR tuân theo phân phối Lognormal

3.2.2 Biến LLR

• Kiểm định phân phối chuẩn cho biến LLR

Giả thuyết

H0: LLR tuân theo phân phối chuẩn

H1: LLR không tuân theo phân phối chuẩn

library(nortest)
shapiro.test(data$LLR)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$LLR
## W = 0.34065, p-value < 2.2e-16

Kết quả cho thấy giá trị p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến LLR không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến LLR

Giả thuyết

H0: LLR tuân theo phân phối Lognormal

H1: LLR không tuân theo phân phối Lognormal

ks.test(data$LLR, "plnorm", meanlog = mean(log(data$LLR)), sdlog = sd(log(data$LLR)))

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$LLR
## D = 0.23228, p-value = 7.337e-09
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 7.337e-09 < 0.05 nên ta bác bỏ giả thuyết H0 và biến LLR không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến LLR

Giả thuyết

H0: LLR tuân theo phân phối mũ

H1: LLR không tuân theo phân phối mũ

ks.test(data$LLR, y = 'pexp')

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$LLR
## D = 0.8903, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến LLR không tuân theo phân phối mũ.

3.2.3 Biến ER

• Kiểm định phân phối chuẩn cho biến ER

Giả thuyết

H0: ER tuân theo phân phối chuẩn

H1: ER không tuân theo phân phối chuẩn

shapiro.test(data$ER)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$ER
## W = 0.41065, p-value < 2.2e-16

Kết quả cho thấy giá trị p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến ER không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến ER

Giả thuyết

H0: ER tuân theo phân phối Lognormal

H1: ER không tuân theo phân phối Lognormal

ks.test(data$ER, "plnorm", meanlog = mean(log(data$ER)), sdlog = sd(log(data$ER)))

## Warning in ks.test.default(data$ER, "plnorm", meanlog = mean(log(data$ER)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$ER
## D = 0.27425, p-value = 3.482e-12
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 3.482e-12 < 0.05 nên ta bác bỏ giả thuyết H0 và biến ER không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến ER

Giả thuyết

H0: ER tuân theo phân phối mũ

H1: ER không tuân theo phân phối mũ

ks.test(data$ER, 'pexp')

## Warning in ks.test.default(data$ER, "pexp"): ties should not be present for the
## Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$ER
## D = 0.89164, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến ER không tuân theo phân phối mũ.

3.2.4 Biến SIZE

• Kiểm định phân phối chuẩn cho biến SIZE

Giả thuyết

H0: SIZE tuân theo phân phối chuẩn

H1: SIZE không tuân theo phân phối chuẩn

shapiro.test(data$SIZE)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$SIZE
## W = 0.8893, p-value = 2.676e-10

Kết quả cho thấy giá trị p-value = 2.676e-10 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến SIZE không tuân theo phân phối chuẩn.

• Kiểm định phân phối Lognormal cho biến SIZE

Giả thuyết

H0: SIZE tuân theo phân phối Lognormal

H1: SIZE không tuân theo phân phối Lognormal

ks.test(data$SIZE, "plnorm", meanlog = mean(log(data$SIZE)), sdlog = sd(log(data$SIZE)))

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$SIZE
## D = 0.19559, p-value = 2.089e-06
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.089e-06 < 0.05 nên ta bác bỏ giả thuyết H0 và biến SIZE không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến SIZE

Giả thuyết

H0: SIZE tuân theo phân phối mũ

H1: SIZE không tuân theo phân phối mũ

ks.test(data$SIZE, 'pexp')

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$SIZE
## D = 0.9937, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến SIZE không tuân theo phân phối mũ.

3.2.5 Biến CAP

• Kiểm định phân phối chuẩn cho biến CAP

Giả thuyết

H0: SIZE tuân theo phân phối chuẩn

H1: SIZE không tuân theo phân phối chuẩn

shapiro.test(data$CAP)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$CAP
## W = 0.37255, p-value < 2.2e-16

Kết quả cho thấy giá trị p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến CAP không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến CAP

Giả thuyết

H0: CAP tuân theo phân phối Lognormal

H1: CAP không tuân theo phân phối Lognormal

ks.test(data$CAP, "plnorm", meanlog = mean(log(data$CAP)), sdlog = sd(log(data$CAP)))

## Warning in ks.test.default(data$CAP, "plnorm", meanlog = mean(log(data$CAP)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$CAP
## D = 0.16141, p-value = 0.0001689
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 0.0001689 < 0.05 nên ta bác bỏ giả thuyết H0 và biến CAP không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến CAP

Giả thuyết

H0: CAP tuân theo phân phối mũ

H1: CAP không tuân theo phân phối mũ

ks.test(data$CAP, 'pexp')

## Warning in ks.test.default(data$CAP, "pexp"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$CAP
## D = 0.76102, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến CAP không tuân theo phân phối mũ

3.2.6 Biến INF

• Kiểm định phân phối chuẩn cho biến INF

Giả thuyết

H0: INF tuân theo phân phối chuẩn

H1: INF không tuân theo phân phối chuẩn

shapiro.test(data$INF)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$INF
## W = 0.83953, p-value = 8.445e-13

Kết quả cho thấy giá trị p-value = 8.445e-13 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến INF không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến INF

Giả thuyết

H0: INF tuân theo phân phối Lognormal

H1: INF không tuân theo phân phối Lognormal

ks.test(data$INF, "plnorm", meanlog = mean(log(data$INF)), sdlog = sd(log(data$INF)))

## Warning in ks.test.default(data$INF, "plnorm", meanlog = mean(log(data$INF)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$INF
## D = 0.26958, p-value = 8.678e-12
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 8.678e-12 < 0.05 nên ta bác bỏ giả thuyết H0 và biến INF không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến CAP

Giả thuyết

H0: INF tuân theo phân phối mũ

H1: INF không tuân theo phân phối mũ

ks.test(data$INF, 'pexp')

## Warning in ks.test.default(data$INF, "pexp"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$INF
## D = 0.81952, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến INF không tuân theo phân phối mũ

3.2.7 Biến GDP

• Kiểm định phân phối chuẩn cho biến GDP

Giả thuyết

H0: GDP tuân theo phân phối chuẩn

H1: GDP không tuân theo phân phối chuẩn

shapiro.test(data$GDP)

## 
##  Shapiro-Wilk normality test
## 
## data:  data$GDP
## W = 0.76643, p-value = 1.215e-15

Kết quả cho thấy giá trị p-value = 1.215e-15 < 0.05 nên ta bác bỏ giả thuyết H0, tức là biến GDP không tuân theo phân phối chuẩn

• Kiểm định phân phối Lognormal cho biến GDP

Giả thuyết

H0: GDP tuân theo phân phối Lognormal

H1: GDP không tuân theo phân phối Lognormal

ks.test(data$GDP, "plnorm", meanlog = mean(log(data$GDP)), sdlog = sd(log(data$GDP)))

## Warning in ks.test.default(data$GDP, "plnorm", meanlog = mean(log(data$GDP)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$GDP
## D = 0.26946, p-value = 8.896e-12
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 8.896e-12 < 0.05 nên ta bác bỏ giả thuyết H0 và biến GDP không tuân theo phân phối Lognormal

• Kiểm định phân phối mũ cho biến GDP

Giả thuyết

H0: GDP tuân theo phân phối mũ

H1: GDP không tuân theo phân phối mũ

ks.test(data$GDP, 'pexp')

## Warning in ks.test.default(data$GDP, "pexp"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data$GDP
## D = 0.94304, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kết quả cho thấy p-value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết H0 và biến GDP không tuân theo phân phối mũ

3.3 Xây dựng mô hình

3.3.1 Mô hình hồi quy

Để đánh giá tác động của các yếu tố rủi ro đến hiệu quả hoạt động của các NHTM Việt Nam, mô hình hồi quy được xây dựng như sau:

ROE = β0 + β1LR + β2LLR + β3ER + β4SIZE + β5CAP + β6INF + β7GDP

• LR: Rủi ro thanh khoản (%)

• LLR: Rủi ro tín dụng (%)

• ER: Rủi ro vốn chủ sở hữu (%)

• SIZE: quy mô ngân hàng

• CAP: quy mô vốn chủ sở hữu

• INF: tỷ lệ lạm phát (%)

• GDP: tổng sản phẩm quốc nội

setwd("F:/MPNN")
data <- read.csv("data1.csv")
mohinh <- lm(formula = data$ROE ~ data$LR + data$LLR + data$ER + data$SIZE + data$CAP + data$INF + data$GDP)
summary(mohinh)

## 
## Call:
## lm(formula = data$ROE ~ data$LR + data$LLR + data$ER + data$SIZE + 
##     data$CAP + data$INF + data$GDP)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -10.4590  -6.6667  -0.9642   4.2941  31.3852 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)   
## (Intercept)   0.64161    4.73071   0.136  0.89227   
## data$LR     -22.72094    8.84076  -2.570  0.01102 * 
## data$LLR    -29.59614   11.19572  -2.644  0.00896 **
## data$ER       0.07215    0.03353   2.152  0.03282 * 
## data$SIZE     0.72397    0.29352   2.466  0.01463 * 
## data$CAP     -8.24310    4.33664  -1.901  0.05900 . 
## data$INF      0.26153    0.26766   0.977  0.32988   
## data$GDP      0.08009    0.43415   0.184  0.85386   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.498 on 172 degrees of freedom
## Multiple R-squared:  0.1316, Adjusted R-squared:  0.0963 
## F-statistic: 3.725 on 7 and 172 DF,  p-value: 0.000884

Qua kết quả trên ta thấy được \(R^2\) (Multiple R-squared) = 0.1316 như vậy các biến độc lập giải thích được 13.16% sự biến thiên của biến phụ thuộc. Bên cạnh đó, ta thấy được các biến có ý nghĩa thống kê: biến LR, ER và SIZE có ý nghĩa thống kê tại mức ý nghĩa 5%, biến LLR có ý nghĩa thống kê tại mức ý nghĩa 1% và biến CAP có ý nghĩa thống kê tại mức ý nghĩa 10%.

• Mô hình hồi quy với các biến có ý nghĩa thống kê

setwd("F:/MPNN")
data <- read.csv("data1.csv")
mh <- lm(formula = data$ROE ~ data$LR + data$LLR + data$ER + data$SIZE + data$CAP)
summary(mh)

## 
## Call:
## lm(formula = data$ROE ~ data$LR + data$LLR + data$ER + data$SIZE + 
##     data$CAP)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -10.7328  -6.5311  -0.6889   4.6703  31.2246 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)   
## (Intercept)   2.61454    3.20971   0.815  0.41643   
## data$LR     -23.65131    8.76320  -2.699  0.00764 **
## data$LLR    -28.95400   11.13564  -2.600  0.01012 * 
## data$ER       0.07193    0.03343   2.152  0.03280 * 
## data$SIZE     0.68370    0.28971   2.360  0.01938 * 
## data$CAP     -6.95409    4.12106  -1.687  0.09331 . 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.476 on 174 degrees of freedom
## Multiple R-squared:  0.1268, Adjusted R-squared:  0.1017 
## F-statistic: 5.052 on 5 and 174 DF,  p-value: 0.0002388

3.3.2 Kết quả mô hình

Qua kết quả trên ta có được phương trình sau: \(ROE = 2.61454 - 23.65131LR - 28.95400LLR + 0.07193ER + 0.68370SIZE - 6.95409CAP\)

roe <- 2.61454 - 23.65131*data$LR - 28.95400*data$LLR+ 0.07193*data$ER + 0.68370*data$SIZE - 6.95409*data$CAP
hist(roe)

Kết quả cho thấy R2 (Multiple R-squared) = 0.1268 như vậy các biến độc lập giải thích được 12.68% sự biến thiên của biến phụ thuộc.

• Khi các biến độc lập có giá trị bằng 0 thì biến phụ thuộc ROE có giá trị là 2.61454

• Khi biến rủi ro thanh khoản (LR) tăng 1 đơn vị thì biến phụ thuộc ROE giảm 23.6513 đơn vị, trong điều kiện các yếu tố khác không đổi

• Khi biến rủi ro tín dụng (LLR) tăng 1 đơn vị thì biến phụ thuộc ROE giảm 28.95400 đơn vị, trong điều kiện các yếu tố khác không đổi

• Khi biến rủi ro vốn chủ sở hữu (ER) tăng 1 đơn vị thì biến phụ thuộc ROE tăng 0.07193 đơn vị, trong điều kiện các yếu tố khác không đổi

• Khi biến quy mô ngân hàng (SIZE) tăng 1 đơn vị thì biến phụ thuộc ROE tăng 0.68370 đơn vị, trong điều kiện các yếu tố khác không đổi

• Khi biến quy mô vốn chủ sở hữu (CAP) tăng 1 đơn vị thì biến phụ thuộc ROE giảm 6.95409 đơn vị, trong điều kiện các yếu tố khác không đổi

3.4 Mô phỏng mô hình

3.4.1 Mô phỏng các yếu tố rủi ro tác động đến hiệu quả hoạt động của NHTM

• Biến LR

set.seed(1)
library(fBasics)
basicStats(data$LR)

##             X..data.LR
## nobs        180.000000
## NAs           0.000000
## Minimum       0.038462
## Maximum       0.379490
## 1. Quartile   0.082599
## 3. Quartile   0.181261
## Mean          0.137844
## Median        0.119158
## Sum          24.811969
## SE Mean       0.005313
## LCL Mean      0.127361
## UCL Mean      0.148328
## Variance      0.005081
## Stdev         0.071278
## Skewness      0.957303
## Kurtosis      0.333646

lr <- rlnorm(10000, mean = 0.136474, sd = 0.069323)
hist(lr)

• Biến LLR

set.seed(1)
library(dplyr)

## Warning: package 'dplyr' was built under R version 4.3.1

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

a <- 10
breaks <- quantile(data$LLR, probs = seq(0, 1, length.out = a + 1), type = 1, na.rm = TRUE)

LLRa <- sapply(2:length(breaks), function(i) sample(data$LLR[data$LLR >= breaks[i-1] & data$LLR <= breaks[i]], 10, replace = TRUE))

L <- table(LLRa)

LL <- as.data.frame(L) %>%
  mutate(Tansuat = Freq / sum(Freq))
LL

##           LLRa Freq Tansuat
## 1   4.3715e-05    2    0.02
## 2  0.007329657    1    0.01
## 3  0.008021254    1    0.01
## 4  0.008120948    2    0.02
## 5  0.008176196    1    0.01
## 6  0.008181413    1    0.01
## 7  0.008386597    1    0.01
## 8  0.008756156    1    0.01
## 9  0.009732284    1    0.01
## 10 0.009900002    1    0.01
## 11 0.009982094    3    0.03
## 12 0.009983358    1    0.01
## 13 0.010026032    1    0.01
## 14 0.010338943    1    0.01
## 15 0.010469242    2    0.02
## 16 0.010980119    1    0.01
## 17 0.010990747    1    0.01
## 18 0.011166099    3    0.03
## 19 0.011249974    1    0.01
## 20 0.011254283    1    0.01
## 21 0.011267595    2    0.02
## 22  0.01128901    1    0.01
## 23 0.011733273    1    0.01
## 24 0.011917708    2    0.02
## 25 0.012269323    1    0.01
## 26  0.01254226    3    0.03
## 27  0.01258277    1    0.01
## 28 0.012604024    1    0.01
## 29 0.012868998    1    0.01
## 30 0.013075798    1    0.01
## 31 0.013185613    2    0.02
## 32 0.013245902    1    0.01
## 33 0.013275345    1    0.01
## 34 0.013366203    1    0.01
## 35 0.013529516    2    0.02
## 36 0.013650992    1    0.01
## 37 0.013818836    1    0.01
## 38 0.014101873    2    0.02
## 39 0.014424694    1    0.01
## 40 0.014464345    1    0.01
## 41 0.014495432    1    0.01
## 42 0.014798788    1    0.01
## 43 0.014967402    1    0.01
## 44 0.014973887    1    0.01
## 45 0.015139366    1    0.01
## 46 0.015509636    2    0.02
## 47 0.015618751    1    0.01
## 48 0.015683049    1    0.01
## 49 0.015833279    1    0.01
## 50 0.016699493    1    0.01
## 51 0.016882012    2    0.02
## 52 0.016896054    1    0.01
## 53 0.017059966    1    0.01
## 54 0.017545696    3    0.03
## 55 0.017884661    1    0.01
## 56 0.018231951    2    0.02
## 57 0.018399629    1    0.01
## 58 0.018797226    1    0.01
## 59 0.019224301    2    0.02
## 60 0.019651394    1    0.01
## 61 0.020183195    1    0.01
## 62 0.020885908    1    0.01
## 63 0.021752504    1    0.01
## 64 0.022491213    1    0.01
## 65 0.023888055    1    0.01
## 66 0.025011878    1    0.01
## 67 0.026190068    1    0.01
## 68 0.026744953    1    0.01
## 69 0.028067691    1    0.01
## 70 0.028562071    3    0.03
## 71 0.035154624    1    0.01
## 72 0.042865471    1    0.01
## 73 0.043986999    1    0.01
## 74 0.114216928    1    0.01
## 75  0.11696128    2    0.02
## 76 0.151938411    1    0.01
## 77 0.302982509    1    0.01

prob1 <- LL$Tansuat
LLR1 <- sample(LL$LLRa, 10000, replace = TRUE, prob = prob1)
LLR2 <- as.character(LLR1)
ll <- as.numeric(LLR2)
hist(ll)

• Biến ER

set.seed(1)
b <- 10
breaks <- quantile(data$ER, probs = seq(0, 1, length.out = b + 1), type = 1, na.rm = TRUE)

ERa <- sapply(2:length(breaks), function(i) sample(data$ER[data$ER >= breaks[i-1] & data$ER <= breaks[i]], 10, replace = TRUE))


E <- table(ERa)

EE <- as.data.frame(E) %>%
  mutate(Tansuat = Freq / sum(Freq))
EE

##            ERa Freq Tansuat
## 1  0.015584512    3    0.03
## 2  0.016170129    1    0.01
## 3  0.268587908    3    0.03
## 4  3.267640353    1    0.01
## 5   3.53186384    1    0.01
## 6  3.960125852    1    0.01
## 7  4.175737344    1    0.01
## 8  4.386649237    3    0.03
## 9  5.503549775    1    0.01
## 10 5.658597023    1    0.01
## 11 5.772035255    1    0.01
## 12 5.985758001    1    0.01
## 13 6.235304233    2    0.02
## 14 6.515485226    3    0.03
## 15 8.183944955    1    0.01
## 16 9.228979148    1    0.01
## 17 9.335291766    1    0.01
## 18 9.519397712    1    0.01
## 19 9.767996827    1    0.01
## 20 10.03533417    2    0.02
## 21 10.29109229    1    0.01
## 22 10.30760018    1    0.01
## 23 11.04306385    1    0.01
## 24 11.21183103    2    0.02
## 25 11.22794044    1    0.01
## 26 11.35364943    3    0.03
## 27 11.54755503    1    0.01
## 28 11.57439606    3    0.03
## 29 12.16659588    2    0.02
## 30 12.65240658    1    0.01
## 31 13.16193992    2    0.02
## 32  13.3537464    2    0.02
## 33 13.45550721    1    0.01
## 34 13.71634501    1    0.01
## 35     13.7312    1    0.01
## 36 13.81940652    1    0.01
## 37 14.20995089    2    0.02
## 38 14.40078256    1    0.01
## 39 14.40324992    2    0.02
## 40 14.76325495    1    0.01
## 41 15.44566728    2    0.02
## 42 15.97144074    1    0.01
## 43 16.00799709    2    0.02
## 44 16.23238119    1    0.01
## 45 16.69139938    2    0.02
## 46 17.33612459    1    0.01
## 47 17.83662413    1    0.01
## 48 18.56795081    1    0.01
## 49 18.81771007    1    0.01
## 50 18.92410046    2    0.02
## 51 19.52611331    1    0.01
## 52 19.66454516    1    0.01
## 53 19.90519365    2    0.02
## 54 20.09034379    1    0.01
## 55 20.24824444    1    0.01
## 56 20.31356733    1    0.01
## 57 20.31854278    3    0.03
## 58  20.6765685    2    0.02
## 59 21.06573358    1    0.01
## 60 21.93992285    1    0.01
## 61  22.1510602    1    0.01
## 62 22.16754718    2    0.02
## 63 22.31843128    1    0.01
## 64 22.35599211    2    0.02
## 65 22.41993132    2    0.02
## 66 25.00129077    1    0.01
## 67 27.65262743    1    0.01
## 68 33.18334531    1    0.01
## 69 41.51961466    1    0.01

prob2 <- EE$Tansuat
ER1 <- sample(EE$ERa, 10000, replace = TRUE, prob = prob2)
ER2 <- as.character(ER1)
er <- as.numeric(ER2)
hist(er)

• Biến SIZE

set.seed(1)
c <- 10
breaks <- quantile(data$SIZE, probs = seq(0, 1, length.out = c + 1), type = 1, na.rm = TRUE)

SZa <- sapply(2:length(breaks), function(i) sample(data$SIZE[data$SIZE >= breaks[i-1] & data$SIZE <= breaks[i]], 10, replace = TRUE))

SS <- table(SZa)

SZ <- as.data.frame(SS) %>%
  mutate(Tansuat = Freq / sum(Freq))
SZ

##            SZa Freq Tansuat
## 1   5.06646383    1    0.01
## 2   5.15723004    1    0.01
## 3   5.38157171    2    0.02
## 4   5.61561342    1    0.01
## 5   7.52812296    2    0.02
## 6   7.70163476    1    0.01
## 7   7.80250093    1    0.01
## 8   7.98690183    1    0.01
## 9    8.0688883    1    0.01
## 10  8.84309631    1    0.01
## 11  9.00106845    3    0.03
## 12  9.10803998    1    0.01
## 13  9.19505982    2    0.02
## 14 9.669219857    1    0.01
## 15 9.784084455    1    0.01
## 16 9.969836933    1    0.01
## 17   10.113789    1    0.01
## 18 10.12165876    3    0.03
## 19 10.13942886    1    0.01
## 20 10.30561376    1    0.01
## 21 10.57374986    1    0.01
## 22 10.65277874    2    0.02
## 23 10.80865667    1    0.01
## 24 10.87394445    1    0.01
## 25 10.95574172    3    0.03
## 26 11.24993601    2    0.02
## 27  11.3422439    1    0.01
## 28 11.50816415    1    0.01
## 29 11.53835927    1    0.01
## 30  11.5816583    1    0.01
## 31  11.6075354    1    0.01
## 32 11.67979492    1    0.01
## 33 11.70572527    2    0.02
## 34  11.7348683    1    0.01
## 35 11.76603162    1    0.01
## 36 11.92034865    1    0.01
## 37 11.93511002    2    0.02
## 38  11.9359161    1    0.01
## 39 11.96386095    1    0.01
## 40 11.97601147    1    0.01
## 41 11.99150472    1    0.01
## 42 12.02896547    1    0.01
## 43 12.04447094    1    0.01
## 44  12.0776823    2    0.02
## 45  12.1003454    1    0.01
## 46 12.10282656    1    0.01
## 47 12.15374197    1    0.01
## 48 12.17497406    1    0.01
## 49 12.20851466    1    0.01
## 50 12.21333124    1    0.01
## 51 12.28329754    1    0.01
## 52 12.30610801    2    0.02
## 53 12.34047678    1    0.01
## 54 12.40769017    1    0.01
## 55 12.45394393    1    0.01
## 56 12.53448391    2    0.02
## 57 12.55784157    1    0.01
## 58 12.56378205    1    0.01
## 59 12.65675965    2    0.02
## 60 12.67334442    2    0.02
## 61 12.70482468    1    0.01
## 62 12.80834828    1    0.01
## 63 12.91420942    1    0.01
## 64 12.93042775    1    0.01
## 65  12.9347993    1    0.01
## 66 12.99362733    1    0.01
## 67 13.00477282    1    0.01
## 68 13.02492914    1    0.01
## 69 13.05834525    1    0.01
## 70 13.09146077    1    0.01
## 71 13.26559061    1    0.01
## 72 13.40187516    2    0.02
## 73 13.42157127    1    0.01
## 74 13.65377955    2    0.02
## 75 13.76270876    1    0.01
## 76 13.85019504    2    0.02
## 77 14.01658763    1    0.01
## 78 14.08785409    1    0.01
## 79 14.09785089    1    0.01

prob3 <- SZ$Tansuat
SZ1 <- sample(SZ$SZa, 10000, replace = TRUE, prob = prob3)
SZ2 <- as.character(SZ1)
size <- as.numeric(SZ2)
hist(size)

• Biến CAP

set.seed(1)
d <- 10
breaks <- quantile(data$CAP, probs = seq(0, 1, length.out = d + 1), type = 1, na.rm = TRUE)

CPa <- sapply(2:length(breaks), function(i) sample(data$CAP[data$CAP >= breaks[i-1] & data$CAP <= breaks[i]], 10, replace = TRUE))
C <- table(CPa)

CC <- as.data.frame(C) %>%
  mutate(Tansuat = Freq / sum(Freq))
CC

##           CPa Freq Tansuat
## 1  0.03497571    1    0.01
## 2  0.04421657    1    0.01
## 3  0.04536683    1    0.01
## 4  0.04859135    1    0.01
## 5  0.04912899    1    0.01
## 6  0.04976722    1    0.01
## 7        0.05    7    0.07
## 8  0.05167479    1    0.01
## 9  0.05238694    2    0.02
## 10 0.05251359    1    0.01
## 11 0.05539837    1    0.01
## 12 0.05635676    2    0.02
## 13 0.05781751    2    0.02
## 14 0.05842596    1    0.01
## 15 0.05904358    1    0.01
## 16       0.06    4    0.04
## 17 0.06234714    1    0.01
## 18 0.06292304    1    0.01
## 19  0.0673597    2    0.02
## 20 0.06945368    1    0.01
## 21       0.07   15    0.15
## 22 0.07198375    2    0.02
## 23 0.07243489    2    0.02
## 24  0.0728278    1    0.01
## 25   0.079743    1    0.01
## 26       0.08    9    0.09
## 27 0.08192391    2    0.02
## 28 0.08397878    1    0.01
## 29 0.08545113    1    0.01
## 30 0.08553186    2    0.02
## 31 0.09327644    1    0.01
## 32 0.09430794    1    0.01
## 33  0.0951487    2    0.02
## 34 0.09626796    1    0.01
## 35 0.09749972    1    0.01
## 36        0.1    2    0.02
## 37 0.10121475    1    0.01
## 38 0.10276834    1    0.01
## 39 0.10375635    1    0.01
## 40 0.10528438    1    0.01
## 41       0.11    4    0.04
## 42 0.11046879    1    0.01
## 43       0.12    1    0.01
## 44 0.12089501    1    0.01
## 45       0.13    1    0.01
## 46 0.13321678    1    0.01
## 47 0.15124843    2    0.02
## 48 0.17479551    3    0.03
## 49  0.1853973    1    0.01
## 50 0.19105261    1    0.01
## 51 0.20469812    1    0.01
## 52     0.6619    1    0.01
## 53          1    1    0.01

prob4 <- CC$Tansuat
CP1 <- sample(CC$CPa, 10000, replace = TRUE, prob = prob4)
CP2 <- as.character(CP1)
cap <- as.numeric(CP2)
hist(cap)

3.4.2 Kết quả mô hình

ROE <- 2.61454 - 23.65131*lr - 28.95400*ll + 0.07193*er + 0.68370*size - 6.95409*cap
hist(ROE)

summary(ROE)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  -30.84  -18.84  -16.96  -17.24  -15.34   -9.96

Sau khi mô phỏng các yếu tố rủi ro có tác động đến hiệu quả hoạt động NHTM trong 10000 ngày, ta thấy ROE có giá trị trung bình âm (-17.24) thể hiện hoạt động không hiệu quả của các NHTM trong khoảng thời gian này. Đặc biệt trong giai đoạn 2019-2021 các ngân hàng phải đối diện với dịch Covid-19 gây khó khăn, cản trở làm hoạt động kinh doanh của ngân hàng kém hiệu quả.

Tình hình kinh doanh của ngân hàng được xem là hiệu quả nếu lớn hơn -17 và tình hình kinh doanh của ngân hàng được xem là kém hiệu quả nếu nhỏ hơn hoặc bằng -17

set.seed(1)
ROEthap <- ROE[ROE <= -17]
ROEcao <- ROE[ROE > -17]
table(cut(ROE, breaks = 2, labels = c('thap','cao')))

## 
## thap  cao 
## 1176 8824

length(ROEthap)/length(ROE)

## [1] 0.4931

Từ kết quả trên cho thấy xác suất ROE thấp hơn -17 là 49.31% thể hiện trong 10000 ngày nữa xác suất tình hình hoạt động kinh doanh của các ngân hàng gặp khó khăn và kém hiệu quả hơn là 49.31%.

length(ROEcao)/length(ROE)

## [1] 0.5069

Từ kết quả trên cho thấy xác suất ROE cao hơn -17 là 50.69% thể hiện trong 10000 ngày nữa xác suất tình hình hoạt động kinh doanh của các ngân hàng sẽ được cải thiện và hiệu quả hơn là 50.69%.

Như vậy có thể thấy trong 10000 ngày tiếp theo, lợi nhuận hoạt động của các NHTM sẽ được cải thiện và tăng cao.

CHƯƠNG 4. KẾT LUẬN

4.1 Kết luận

Với mục tiêu mô phỏng tác động của các yếu tố rủi đến hiệu quả hoạt động NHTM Việt Nam trong giai đoạn 2012-2020 cho thấy các biến có ý nghĩa thống kê đối với ROE là rủi ro thanh khoản (LR), rủi ro tín dụng (LLR), rủi ro VCSH (ER), quy mô ngân hàng (SIZE) và quy mô VCSH (CAP). Qua kết quả mô phỏng càng thấy rõ được tầm quan trọng của các yếu tố rủi ro tác động đến lợi nhuận, điều này sẽ giúp nhiều cho các nhà quản trị ngân hàng, nhà đầu tư và các nhà hoạch định chiến lược với kế hoạch hoạt động kinh doanh trong tương lai của mình.

4.2 Khuyến nghị

Dựa vào kết quả thực nghiệm của mô hình hồi quy và thực trạng hoạt động của các NHTM Việt Nam trong giai đoạn 2012-2020, tác giả đề xuất một số kiến nghị và giải pháp góp phần nâng cao lợi nhuận của ngân hàng

4.2.1 Giải pháp cải thiện rủi ro thanh khoản

Theo kết quả nghiên cứu trong Chương 4 thì rủi ro thanh khoản là một trong những yếu tố tác động và có mối quan hệ nghịch biến với lợi nhuận của ngân hàng. Vì thế để nâng cao lợi nhuận, các ngân hàng TMCP Việt Nam cần xác định được mức dự trữ thanh khoản phù hợp với dòng tiền, xây dựng quy chế quản trị rủi ro thanh khoản không chỉ dựa vào Thông tư 13/2011/TT-NHNN quy định về tỷ lệ đảm bảo an toàn trong hoạt động của tổ chức tín dụng mà còn phải chú trọng xác định mức dự trữ thanh khoản phù hợp với đặc điểm của từng ngân hàng. Đặc biệt là hệ thống thông tin báo cáo phải khoa học, có cấu trúc tốt nhằm đảm bảo thu nhập được đầy đủ thông tin về tình hình cung cầu thanh khoản của ngân hàng

4.2.2 Giải pháp cải thiện rủi ro tín dụng

Dựa vào kết quả trong chương 4 ta thấy rủi ro tín dụng (LLR) có quan hệ ngược chiều đến lợi nhuận của các NHTM. Kết quả cho thấy rủi ro tín dụng cao sẽ có tác động tiêu cực đến lợi nhuận của ngân hàng do ngân hàng phải trích nhiều chi phí dự phòng rủi ro tín dụng làm ảnh hưởng đến lợi nhuận, điều này phù hợp với nghiên cứu của Hefferman và Fu (2008). Trên cơ sở đó nếu ngân hàng muốn đạt lợi nhuận cao thì đồng thời phải chấp nhận rủi ro cao nhưng để đảm bảo an toàn trong hoạt động thì chất lượng tài sản thế chấp phải tốt và được thẩm định chặt chẽ, đúng quy trình để từ đó nâng được điểm số tín dụng ngân hàng lên dẫn đến chi phí dự phòng rủi ro tín dụng của ngân hàng có thể được giảm xuống. Vì vậy, khuyến nghị tập trung đưa ra những giải pháp căn cơ để nâng cao chất lượng tài sản thế chấp, một cơ sở quan trọng để hạn chế các khoản nợ xấu không thể xử lý tài sản đảm bảo nhằm bảo vệ lợi nhuận hoạt động kinh doanh của các NHTM.

4.2.3 Giải pháp tăng vốn chủ sở hữu

Kết quả nghiên cứu trong chương 4 cho thấy quy mô vốn chủ sở hữu có tác động tiêu cực đến lợi nhuận của các NHTM. Ngân hàng có quy mô vốn chủ sở hữu lớn sẽ có nhiều lợi thế cạnh trạnh và tiếp cận được nguồn vốn giá rẻ, từ đó giúp nâng cao lợi nhuận đặc biệt là trong thị trường hiện nay với rất nhiều ngân hàng nước ngoài có tiềm lực tài chính mạnh mẽ. Vì vậy những giải pháp đưa ra sẽ giúp ngân hàng tăng quy mô vốn chủ sở hữu đồng thời tăng hiệu quả sử dụng vốn tăng cường vốn bằng lộ trình huy động trong ngắn, trung và dài hạn. Ngân hàng có thể tăng vốn thông qua bán cổ phần cho nhà đầu tư chiến lược nước ngoài bởi điều đó không chỉ cho phép bản thân ngân hàng tăng thêm tiềm lực về tài chính mà còn có thể học hỏi, được hỗ trợ thêm kinh nghiệm về ứng dụng và quản trị ngân hàng. Lợi nhuận giữ lại là nguồn bổ sung cho VCSH hiệu quả, đặc biệt các ngân hàng đạt tỷ lệ CAR thấp cần phải giữ lại toàn bộ lợi nhuận sau thuế thay vì trả cổ tức và mua lại cổ phiếu. Các cổ đông hơn ai hết phải là những người có trách nhiệm về việc đảm bảo sự an toàn vốn cho các ngân hàng. Hơn nữa, các ngân hàng nên đa dạng hóa các danh mục các đối tác chiến lược với nhiều lĩnh vực hoạt động khác nhau, điều đó sẽ giúp ngân hàng có thêm nhiều cơ hội thực hiện việc cung cấp các sản phẩm, dịch vụ bán lẻ đa dạng và tiện ích mà đại đa số các ngân hàng hiện nay đang hướng tới khi hoạt động.

4.3 Hạn chế và hướng nghiên cứu tiếp theo

4.3.1 Hạn chế

Đề tải là sự kế thừa của các cơ sở lý thuyết và nghiên cứu thực nghiệm trong và ngoài nước trước đó tuy nhiên không tránh khỏi một số hạn chế xuất phát từ điều kiện của Việt Nam và năng lực nghiên cứu. Tính tới thời điểm hiện nay có 31 NHTM hoạt động tại Việt Nam nhưng do hạn chế về việc công bố dữ liệu rộng rãi của tất cả các ngân hàng trong toàn hệ thống và để có được đầy đủ dữ liệu đồng nhất cho các mẫu cần nghiên cứu nên tác giả chỉ thực hiện với 20 ngân hàng TMCP tại Việt Nam trong giai đoạn từ năm 2012 đến 2020. Điều này cho thấy mẫu nghiên cứu chưa thật sự đầy đủ, chưa đại diện hết cho tất cả các NHTMCP và chưa bao gồm các ngân hàng nước ngoài, ngân hàng liên doanh.

4.3.2 Hướng nghiên cứu

Phạm vi nghiên cứu của tác giả chỉ tập trung vào các yếu tố như: rủi ro thanh khoản, rủi ro tín dụng, rủi ro vốn chu sở hữu và hệ số tỷ suất sinh lợi trên vốn chủ sở hữu (ROE). Do đó, các nghiên cứu tiếp theo có thể kiểm định và mô phỏng sự tác động của các yếu tố rủi ro đến hiệu quả hoạt động của NHTM bằng nhiều yếu tố, mô hình và phương pháp khác nhau để có cái nhìn đa chiều hơn về các ảnh hưởng này. Ngoài ra, cũng có thể bổ sung và mở rộng phạm vi nghiên cứu cũng như đối tượng nghiên cứu để hiểu rõ hơn về các tác động liên quan đến hiệu quả hoạt động của NHTM từ đó có thể đưa ra được các kết quả, chính sách và khuyến nghị một cách đầy đủ và chính xác hơn.

TÀI LIỆU THAM KHẢO

[1] Aremu, Mukaila Ayanda, EKPO, Imoh Christopher, MUSTAPHA Adeniyi Mudashiru (2014). “Determinants of bank’s profitability in a developing ecoconomy: Evidence from Nigerian banking industry”, 01.2014 VOL 4, NO 9, pp.155-181

[2] Alshatti, A. S. (2015). The effect of credit risk management on financial performance of the Jordanian commercial banks. Investment management and financial innovations, 12(1-2), 338-345

[3] Ayaydin, H., & Karakaya, A. (2014). The effect of bank capital on profitability and risk in Turkish banking. International Journal of Business and Social Science, 5(1).

[4]Hamza, S. M. (2017). Impact of credit risk management on banks performance: A case study in Pakistan banks. European Journal of Business and Management, 9(1), 57-64

[5]Gizaw, M., Kebede, M., & Selvaraj, S. (2015). The impact of credit risk on profitability performance of commercial banks in Ethiopia. African journal of business management, 9(2), 59.

[6] Muhammad Bilal, Asif Saeed, Ammar Ali Gull, Toquer Akram (2014). “Influence of ank Specific and Macroeconomic Factors on Profitability of Commercial anks: A Case Study of Pakistan”, Research Journal of Finance and Accounting, Vol.4, No.2, 2014, pp.116-127.

[7] Kodithuwakku, S. (2015). Impact of credit risk management on the performance of commercial banks in Sri Lanka.

[8] Susan Moraa Onuonga (2015). “The Analysis of Profitability of Kenya`s Top Six Commercial anks: Internal Factor Analysis”. American International Journal of Social Science, Vol. 3, No. 5; October 2015, pp.94-103.

[9] Syeda Anum Javed Bukhari (2013). Internal and external determinants of profitablility of banks evidence from Pakistan 2013, vol 3, no.9, January, pp.1037-1058.

[10] Saeed, M., & Zahid, N. (2016). The impact of credit risk on profitability of the commercial banks. Journal of Business & Financial Affairs, 5(2), 2167-0234

[11] Tâm, Đ. H. N., & Linh, P. T. T. (2020). RỦI RO TÍN DỤNG VÀ KHẢ NĂNG SINH LỢI CỦA NGÂN HÀNG: NGHIÊN CỨU PHÂN TÍCH DỮ LIỆU BẢNG. TNU Journal of Science and Technology, 225(10), 3-10.

[12]Nguyễn Minh Sáng, Nguyễn Thị Hà Phương, Huỳnh Cảng Siêu, Lê Thị Phương Thảo, Hà Phước Thông (2015). “Phân tích các nhân tố tác động đến tỷ lệ thu nhập lãi thuần trong hệ thống NHTM Việt Nam”, Tạp chí ngân hàng, số 1, trang 21-26.

[13] Nguyễn Thị Mỹ Linh, Nguyễn Thị Ngọc Hương (2016). “Các yếu tố ảnh hưởng đến thu nhập lãi cận biên của các NHTMCP Việt Nam”, Tạp chí ngân hàng, số 19, trang 8-14.

[14] Thái, P. H. H. (2013). Tác động của nợ xấu đến khả năng sinh lợi của ngân hàng. Nghiên cứu Kinh tế, 424(9), 34-38.

[15] Hồ Thị Hồng Minh, Nguyễn Thị Cành (2016). “Đa dạng hoá thu nhập và các yếu tố tác động đến lợi nhuận của các NHTM ViệtNam”, Công nghệ ngân hàng, số 106&107, trang 13-21.