Tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường chứng khoán Việt Nam trong thời kỳ đại dịch Covid-19

Tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường chứng khoán Việt Nam trong thời kỳ đại dịch Covid-19

(Nguồn: https://tapchinganhang.gov.vn/)

Tóm tắt:

Bài viết này kiểm tra phản ứng của giá cổ phiếu trên thị trường chứng khoán Việt Nam trước các cú sốc toàn cầu như hoạt động kinh tế thế giới, chênh lệch lợi suất trái phiếu và giá chứng khoán Mỹ trong giai đoạn từ tháng 7/2012 đến tháng 12/2021 dưới ảnh hưởng của biến ngoại sinh là số ca nhiễm Covid-19 trên toàn thế giới. Sử dụng mô hình vector tự hồi quy cấu trúc (SVAR) cho dữ liệu theo ngày, nghiên cứu đã tìm thấy sự phản ứng mạnh mẽ hơn của chỉ số VN-Index trước các cú sốc gây ra bởi hoạt động kinh tế toàn cầu, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ dưới ảnh hưởng của dịch bệnh Covid-19 so với điều kiện bình thường. Cụ thể, giá cổ phiếu Việt Nam tăng gấp 1,5 lần khi có cú sốc do thị trường chứng khoán Mỹ gây ra và giảm gấp 3 lần khi xảy ra cú sốc liên quan đến chênh lệch lợi suất trái phiếu trên thị trường Mỹ dưới ảnh hưởng của dịch bệnh Covid-19.

Từ khóa: Covid-19, thị trường cổ phiếu, các nhân tố toàn cầu, hoạt động kinh tế thế giới.

IMPACTS OF GLOBAL FACTORS TO STOCK PRICES IN THE VIETNAMESE STOCK MARKET IN THE PANDEMIC COVID-19 

Abstract:

This article examines the reaction of stock prices in the Vietnamese stock market to global shocks such as world economic activity, bond yield differentials and US stock prices in the period from July 2012 to December 2021 under the influence of the exogenous variable is the number of Covid-19 infections worldwide. Using the structural vector autoregression (SVAR) model for daily data, the study found a stronger response of the VN-Index to shocks caused by global economic activity, difference in yields on US bonds and stock markets under the influence of the Covid-19 epidemic compared to normal conditions. Specifically, Vietnamese stock prices increase 1.5 times when there is a shock caused by the US stock market and decrease 3 times when there is a shock related to the difference in bond yields in the US market under the influence of the Covid-19 epidemic.

Keywords: Covid-19, stock market, global factors, economic activities. 

1. Mở đầu

Dịch bệnh Covid-19 bắt đầu xuất hiện vào tháng 12 năm 2019 tại Thành phố Vũ Hán – Trung Quốc đã nhanh chóng lây lan sang các nước lân cận và toàn thế giới trong chưa đầy một tháng, lấy đi sinh mạng của hơn 6,2 triệu người¹. Sự xuất hiện của dịch bệnh này kéo theo các chiến dịch phong tỏa, cách ly, hạn chế đi lại… ở hầu hết các quốc gia, điều này tạo ra sự bất ổn đáng kể trong hoạt động kinh tế toàn cầu (Baldwin & Di Mauro, 2020) và thị trường tài chính trên toàn thế giới (Cao và cộng sự, 2021). Sau công bố đầu tiên của Tổ chức Y tế thế giới (WHO) về Covid-19, chỉ số S&P500 từ mốc 3370 điểm vào tháng 02/2020 rớt xuống chỉ còn 2237 điểm vào đầu tháng 03/2020, tương ứng với số ca nhiễm và tử vong tăng chóng mặt trên toàn thế giới. Thị trường chứng khoán Việt Nam cũng không nằm ngoài phạm vi ảnh hưởng của dịch bệnh và tín hiệu tiêu cực từ thị trường chứng khoán lớn nhất thế giới khi chỉ số VN-Index chỉ còn ở mức 659 điểm (giảm hơn 33% so với mức chỉ số vào đầu thời điểm công bố dịch bệnh). Do đó, dù là một cuộc khủng hoảng y tế hay khủng hoảng phi kinh tế, Covid-19 đã tạo ra sự tàn phá nghiêm trọng trong hoạt động kinh tế toàn cầu cũng như trên thị trường tài chính.

Thị trường chứng khoán Việt Nam ngày càng trở nên nhạy cảm đối với tình hình kinh tế thế giới

Tác động của thị trường chứng khoán Mỹ cũng như những biến động trong chính sách kinh tế của thế giới luôn là những yếu tố có tác động không nhỏ đến thị trường chứng khoán Việt Nam, đặc biệt là thị trường cổ phiếu (Lê Hồ An Châu và cộng sự, 2018). Tuy nhiên, với sự xuất hiện của dịch bệnh Covid-19, sự tác động này đối với thị trường chứng khoán Việt Nam, cụ thể là thị trường cổ phiếu, sẽ là lớn hơn hay không khi những tín hiệu thực tế cho thấy thị trường chứng khoán Việt Nam có những thay đổi bất ngờ với mức ảnh hưởng mạnh mẽ hơn các khủng hoảng do dịch bệnh trước đây. Mặc dù đã có nhiều nghiên cứu về tác động của đại dịch như SARS hay vi-rút Ebola…, tuy nhiên, đại dịch Covid-19 lại hoàn toàn khác biệt do tính lây lan cao, gây ra nhiều bất ổn trong nền kinh tế thực và thị trường tài chính (Albulescu, 2020). Việc xác định vai trò của dịch bệnh Covid-19 trong mối quan hệ tác động của các yếu tố toàn cầu như hoạt động kinh tế và thị trường tài chính thế giới đến thị trường chứng khoán Việt Nam là một vấn đề quan trọng không những đối với các nhà hoạch định chính sách mà còn đối với các nhà đầu tư trong và ngoài nước.

Bài viết này sẽ nghiên cứu phản ứng của giá cổ phiếu trên thị trường Việt Nam trước những cú sốc liên quan đến yếu tố toàn cầu như hoạt động kinh tế thế giới cũng như chênh lệch lợi suất trái phiếu dài hạn và thị trường chứng khoán thế giới với ảnh hưởng của dịch bệnh Covid-19 trong giai đoạn từ tháng 07/2012 đến tháng 12/2021. Mặc dù các yếu tố kinh tế khu vực và tác động lan truyền giữa các thị trường chứng khoán châu Á cũng sẽ ảnh hưởng đến lợi nhuận của cổ phiếu trên thị trường Việt Nam, bài viết chỉ xem xét các yếu tố toàn cầu trong nghiên cứu này. 

2. Lược khảo các nghiên cứu

Ảnh hưởng của các yếu tố toàn cầu lên thị trường chứng khoán đã nhận được sự quan tâm đáng kể từ các nhà nghiên cứu hàn lâm, các nhà quản lý rủi ro danh mục đầu tư và các nhà hoạch định chính sách. Trong đó, hoạt động kinh tế toàn cầu và các yếu tố thị trường tài chính thế giới luôn là mấu chốt quan trọng. Có nhiều bằng chứng cho thấy mối quan hệ giữa hoạt động kinh tế toàn cầu và thị trường chứng khoán, đặc biệt là thị trường cổ phiếu. Campa và Fernandes (2006) cho rằng, lợi nhuận của quốc gia phản ánh mối quan hệ giữa hoạt động kinh tế quốc gia và hoạt động kinh tế toàn cầu. Bakshi và cộng sự (2010) sử dụng chỉ số BDI (Baltic Dry Index) đại diện cho hoạt động kinh tế toàn cầu và tìm thấy mối quan hệ tích cực và có ý nghĩa thống kê giữa tốc độ tăng trưởng BDI với tỷ suất lợi nhuận cổ phiếu toàn cầu. Graham và cộng sự (2016) cũng cho thấy rằng sự gia tăng trong hoạt động kinh tế toàn cầu làm cho tỷ suất lợi nhuận vốn chủ sở hữu ở thị trường mới nổi cao hơn. Tuy nhiên, tác giả lập luận rằng, những thay đổi trong hoạt động kinh tế toàn cầu sẽ tác động khác biệt đến lợi nhuận vốn chủ sở hữu trong khu vực, tùy thuộc vào độ mở của một quốc gia hoặc khu vực với yếu tố này.

Hoạt động kinh tế toàn cầu có thể được đại diện bởi nhiều biến số khác nhau. Tuy nhiên, đa số các nghiên cứu lựa chọn chỉ số BDI làm đại diện cho biến số này (Isserlis, 1938; Klovland, 2002; Qiu và cộng sự, 2012). Chỉ số BDI được Sở Giao dịch Baltic phát triển vào năm 1985 như một chỉ số chung, bao gồm chủ yếu các mặt hàng thô như ngũ cốc, than đá, quặng sắt, đồng và các nguyên liệu thô khác… Chỉ số BDI được thiết lập dựa trên giá trung bình của 23 tuyến đường vận chuyển khác nhau trên thế giới được tổng hợp hàng ngày. Kể từ khi thành lập, BDI đã trở thành một trong những chỉ số quan trọng nhất về chi phí vận chuyển và một phong vũ biểu quan trọng về khối lượng hoạt động thương mại và sản xuất trên toàn thế giới. 

Các yếu tố toàn cầu khác liên quan đến thị trường tài chính thế giới, đại diện là những tác nhân đến từ quốc gia lớn nhất thế giới – Mỹ, cũng là những yếu tố gây ra ảnh hưởng đến thị trường chứng khoán các nước, đặc biệt là các nền kinh tế mới nổi và các nước đang phát triển. Đầu tiên, phải đề cập tới tác động lan tỏa của thị trường chứng khoán toàn cầu. Mollah và cộng sự (2016) đã kiểm tra các chỉ số hàng ngày của MSCI (Morgan Stanley Capital International) từ 55 thị trường chứng khoán bằng cách sử dụng mô hình DCC-GARCH và phát hiện ra rằng, có sự lây lan từ thị trường chứng khoán Hoa Kỳ sang một số thị trường chứng khoán khác trên thế giới trong các cuộc khủng hoảng tài chính toàn cầu và khu vực đồng Euro. Naser (2016) lại tìm thấy bằng chứng về sự tồn tại của tích hợp ngắn hạn giữa thị trường chứng khoán ở các nước mới nổi và các nước phát triển thông qua mô hình đồng liên kết và sửa lỗi (Dynamic Model Averaging – DMA). Sugimoto và cộng sự (2014) đã áp dụng phương pháp tiếp cận chỉ số lan tỏa và phát hiện ra rằng các thị trường chứng khoán châu Phi bị ảnh hưởng nghiêm trọng nhất bởi sự lan tỏa từ các thị trường chứng khoán toàn cầu.

Richards (2005) cho rằng các nhà đầu tư nước ngoài và các điều kiện bên ngoài có tác động lớn hơn đến các thị trường châu Á mới nổi. Bằng cách sử dụng mô hình BEKK bất đối xứng và mô hình GARCH (Kim và cộng sự, 2015); Li và Giles (2015) cũng cho thấy sự lan tỏa cú sốc và biến động một chiều đáng kể từ thị trường Hoa Kỳ sang các thị trường châu Á mới nổi. Bên cạnh đó, kỳ vọng trong tương lai của nền kinh tế lớn nhất thế giới như Hoa Kỳ cũng ảnh hưởng đáng kể đến thị trường chứng khoán tại các nước đang phát triển. Cụ thể, khi kinh tế Mỹ phục hồi tốt và lãi suất tại Mỹ tăng, dòng vốn đầu tư có thể dịch chuyển về Mỹ và khiến cho thị trường chứng khoán các nước đang phát triển bị ảnh hưởng tiêu cực. Nghiên cứu của Petkova (2006), Chen và cộng sự (1986) cho rằng, chênh lệch lợi suất giữa trái phiếu kỳ hạn 10 năm và lãi suất quỹ liên bang ở Mỹ không chỉ phản ánh phần bù kỳ hạn (giữa lãi suất dài hạn và ngắn hạn) mà còn cả những kỳ vọng trong tương lai trong nền kinh tế Mỹ.

3. Cơ sở dữ liệu và phương pháp nghiên cứu

Bài viết nghiên cứu tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường Việt Nam, có xem xét đến yếu tố ảnh hưởng của dịch bệnh Covid-19 là số ca nhiễm trên phạm vi toàn cầu. Mô hình SVAR với các biến nội sinh và ngoại sinh được xây dựng dựa trên nghiên cứu của Yilmazkuday (2021). Các biến sử dụng trong mô hình bao gồm hoạt động kinh tế toàn cầu (BDI), chênh lệch lợi suất giữa trái phiếu kho bạc kỳ hạn 10 năm và lãi suất quỹ liên bang (SPREAD), giá chứng khoán nước ngoài (SP500), giá chứng khoán Việt Nam (VNINDEX) và số ca nhiễm Covid-19 trên thế giới (COVID19).

Mô hình SVAR của n biến viết rút gọn như sau:

• Y_t: Vector (n x 1) của n biến nội sinh với Y_t = (BDI_t, SPREAD_t, SP500_t, VNINDEX_t)’

• A: Ma trận không suy biến (n x n) hệ số tác động cùng thời điểm của các biến nội sinh;

• β_o: Vector (n x 1) của hệ số chặn; 

• β_i (i = 1, 2, 3…p): Ma trận (n x n) hệ số tác động của các biến nội sinh trễ; 

• Y_t-1: Ma trận (n x n) các biến nội sinh trễ; 

• p: Số bậc trễ;

c_t: ma trận (n x 1) các biến ngoại sinh với 

c_t = COVID19_t

• u_t: Vector (n x 1) sai số

Nhân hai vế của (1) với nghịch đảo của ma trận A (A^a-1), ta được:

Trong đó:

Cấu trúc của mô hình SVAR với ma trận hệ số nhân tác động cấu trúc    có cấu trúc đệ quy, đồng thời thứ tự các biến nội sinh được sử dụng trong ước lượng là . Theo đó, các cú sốc lên SPREAD_t, SP500_t và VNINDEX_t không có tác động đến BDI_t – là biến đại diện cho hoạt động kinh tế toàn cầu, trong khi cú sốc lên BDI_t có tác động đồng thời lên cả SPREAD_t, SP500_t và VNINDEX_t. Vì mục tiêu chính của bài viết là để kiểm tra tác động của các yếu tố bên ngoài đến giá cổ phiếu trên thị trường Việt Nam nên VNINDEXt được xếp thứ tự cuối cùng trong khuôn khổ này.

Nghiên cứu sử dụng dữ liệu hàng ngày trong giai đoạn từ tháng 07/2012 đến tháng 12/2021. Dữ liệu hàng ngày về BDI được lấy từ trang web của Sàn Giao dịch Baltic; dữ liệu hàng ngày về Chỉ số S&P 500 và chênh lệch giữa lợi suất trái phiếu kho bạc kỳ hạn 10 năm và lãi suất quỹ liên bang ở Mỹ được lấy từ dữ liệu kinh tế của Cục Dự trữ Liên bang (FED Chi nhánh St. Louis); dữ liệu về giá chứng khoán Việt Nam hàng ngày được tính bằng cách lấy logarit của chỉ số VN-Index đóng cửa cuối mỗi ngày so với ngày hôm trước từ Sở Giao dịch chứng khoán Thành phố Hồ Chí Minh và dữ liệu hàng ngày về các trường hợp mắc Covid-19 trên thế giới được lấy từ website của WHO, theo đó ca nhiễm đầu tiên được phát hiện là vào ngày 23/01/2020. Với mục đích ước tính, ngoại trừ biến Covid-19 được biểu diễn dưới dạng logarit, các biến còn lại trong mô hình đều được biểu diễn với dạng phần trăm thay đổi hàng ngày để đảm bảo tính dừng.

4. Kết quả nghiên cứu

Bảng 1: Kết quả kiểm định tính dừng theo ADF test

                                                  *** Cho biết ý nghĩa thống kê ở mức 1%

                                                           Nguồn: Tác giả tính toán

Tính dừng của các biến được kiểm tra dựa trên kiểm định Augmented Dickey Fuller (ADF test). Kết quả được trình bày ở Bảng 1, theo đó chỉ có biến SPREAD dừng ở sai phân bậc 1, các biến còn lại trong mô hình đều dừng ở bậc 0. Theo kết quả này, biến SPREAD được sử dụng để ước lượng trong mô hình dưới dạng sai phân bậc 1, các biến khác là BDI, SP500, VNINDEX và COVID19 sẽ được dùng với trạng thái dữ liệu ban đầu.

Mô hình SVAR trong phương trình (2) được ước lượng với độ trễ là 8 dựa trên tiêu chuẩn AIC và SIC, thêm vào đó, với độ trễ này các mô hình đều có tính ổn định cao do giá trị nghịch đảo nghiệm đặc trưng đều nằm trong vòng tròn đơn vị.

Phản ứng của giá cổ phiếu Việt Nam đối với các cú sốc gây ra bởi yếu tố toàn cầu trước và sau khi đại dịch Covid-19 xảy ra được làm rõ thông qua hàm phản ứng đẩy. Cụ thể, tác động của các cú sốc gây ra bởi các biến BDI, SPREAD và SP500 đến biến VNINDEX khi chưa xem xét đến ảnh hưởng của dịch bệnh Covid-19 được trình bày trong Hình 1. Theo đó, kết quả cho thấy rằng giá cổ phiếu trên thị trường Việt Nam đều bị tác động bởi chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ, nhưng không bị ảnh hưởng bởi chi phí vận tải biển. Khi có cú sốc liên quan đến chênh lệch lợi suất giữa trái phiếu kì hạn 10 năm và lãi suất quỹ liên bang sẽ làm cho giá cổ phiếu trên thị trường Việt Nam giảm (khi SPREAD tăng 1% thì VNINDEX giảm 0,0006%), phản ứng nghịch chiều này có ý nghĩa thống kê từ ngày thứ 6 đến ngày thứ 8 sau cú sốc. Kết quả nghiên cứu này là phù hợp với thực tế khi khoảng cách chênh lệch lợi suất giữa các loại trái phiếu dài hạn và lãi suất quỹ liên bang được nới rộng sẽ làm suy yếu sức mua của cổ phiếu, làm giảm sức hấp dẫn của dòng tiền đầu tư vào loại tài sản này. Thêm vào đó, đường cong lợi suất được nới rộng cũng cho thấy kỳ vọng về kinh tế Mỹ tăng trưởng cao hơn, kinh tế Mỹ phục hồi tốt. Điều này khiến dòng vốn đầu tư có thể dịch chuyển về Mỹ để tận dụng lợi thế lãi suất cao, khiến thị trường cổ phiếu Việt Nam có sự sụt giảm nhất định.

Hình 1: Phản ứng của giá cổ phiếu Việt Nam 

trước các cú sốc

Ngoài ra, phản ứng tích lũy của giá cổ phiếu trên thị trường Việt Nam khá mạnh mẽ và cùng chiều dưới tác động của thị trường chứng khoán Mỹ. Cụ thể, khi có 1% mức tăng trên thị trường chứng khoán Mỹ dẫn đến mức tăng tích lũy khoảng 0,0011% chỉ sau 1 ngày và tăng đến 0,0021% sau 9 ngày sau khi cú sốc xảy ra. Điều này cho thấy mối tương quan khá rõ giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Mỹ. Kết quả nghiên cứu này tương đồng với các nghiên cứu trước (Mollah và cộng sự, 2016; Naser, 2016).

Khi xem xét các cú sốc toàn cầu dưới ảnh hưởng của dịch bệnh Covid-19 đến giá cổ phiếu trên thị trường Việt Nam, kết quả nghiên cứu cho thấy phản ứng mạnh hơn một cách rõ rệt (Hình 2). Cụ thể, giá cổ phiếu Việt Nam bị tác động bởi cả 3 yếu tố đang xem xét trong mô hình là hoạt động kinh thế thế giới, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ. Thêm vào đó, mức độ tác động mạnh mẽ hơn khi có sự xuất hiện của Covid-19 trên toàn thế giới, biểu hiện thông qua các ca nhiễm ngày một gia tăng.

Hình 2: Phản ứng của giá cổ phiếu Việt Nam 

trước các cú sốc với ảnh hưởng của dịch Covid-19

Hoạt động kinh tế toàn cầu – đại diện bởi chi phí vận tải biển cũng ảnh hưởng đến giá cổ phiếu trên thị trường Việt Nam trong thời kỳ xảy ra đại dịch Covid-19. Khi xảy ra cú sốc về chi phí vận tải biển, giá cổ phiếu trên thị trường Việt Nam có xu hướng tăng nhẹ, phản ứng có ý nghĩa thống kê vào ngày thứ 4 đến ngày thứ 5 sau cú sốc. Cụ thể, với 1% mức tăng trong chi phí vận tải biển làm giá cổ phiếu Việt Nam tăng cao nhất ở mức 0,0017% vào ngày thứ 4 sau khi cú sốc xảy ra. Tuy nhiên, mức tăng là không đáng kể và có khuynh hướng giảm dần. Kết quả này phù hợp với nghiên cứu trước đây (Bakshi và cộng sự, 2010) khi hoạt động kinh tế toàn cầu tăng lên là một tín hiệu tốt cho nền kinh tế thế giới, trong đó có Việt Nam. Mặt khác, phần lớn hoạt động kinh doanh của các doanh nghiệp vận tải biển của Việt Nam tập trung vào hoạt động vận tải hàng rời, thêm vào đó, trong thời kỳ xảy ra Covid-19, các doanh nghiệp này chỉ thực sự chứng kiến xu thế tăng mạnh của giá cước từ quý 1/2021, hơn nữa một số doanh nghiệp tiếp tục ghi nhận các khoản lợi nhuận đột biến từ thanh lý tàu cũ và tái cơ cấu nợ vay tài chính nên chỉ số BDI tăng là một lợi thế phát triển đối với Việt Nam trong thời gian này.

Mức độ tác động của lãi suất và thị trường chứng khoán toàn cầu đến giá cổ phiếu Việt Nam thể hiện mạnh hơn với sự xuất hiện của Covid-19 (Hình 3). Cụ thể, một mức tăng tích lũy 1% của chênh lệch lợi suất làm giá cổ phiếu Việt Nam giảm mạnh nhất vào ngày thứ 7 ở mức 0,0019%, cao gấp 3 lần so với mức giảm 0,006% khi không có Covid-19. Bên cạnh đó, khi giá chứng khoán Mỹ tăng 1% cũng làm thị trường chứng khoán Việt Nam tăng đến 0,0018% ngay sau 1 ngày khi cú sốc xảy ra, đạt mức cao nhất ở ngày thứ 9, tại mức 0,0032% – gấp 1,5 lần so với khi không xem xét tới dịch bệnh Covid-19 trong mô hình. 

Hình 3: So sánh phản ứng của giá cổ phiếu Việt Nam trước các cú sốc

(Ghi chú: Đường kẻ liền thể hiện phản ứng khi có ảnh hưởng của Covid-19)

Tóm lại, mức độ tác động của các biến số trong mô hình cao gấp từ 1,5 đến 3 lần so với khi không xem xét ảnh hưởng của Covid-19, điều này chứng tỏ rằng, trong thời kỳ xảy ra khủng hoảng do dịch bệnh Covid-19 gây ra, các biến số toàn cầu có tác động mạnh mẽ hơn đến thị trường chứng khoán Việt Nam.

5. Kết luận và hàm ý chính sách

Nghiên cứu thực hiện kiểm tra phản ứng của giá cổ phiếu trên thị trường Việt Nam trước các cú sốc toàn cầu trong giai đoạn từ tháng 07/2012 đến tháng 12/2021 dưới ảnh hưởng của biến ngoại sinh là số ca nhiễm Covid-19 trên toàn thế giới. Sử dụng mô hình vector tự hồi quy cấu trúc cho dữ liệu theo ngày, nghiên cứu đã tìm thấy sự phản ứng mạnh mẽ hơn của chỉ số VN-Index trước các cú sốc gây ra bởi hoạt động kinh tế toàn cầu, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ dưới ảnh hưởng của dịch bệnh Covid-19. Sự xuất hiện của dịch Covid-19 làm mức độ ảnh hưởng của giá cổ phiếu trở nên mạnh hơn khi có các cú sốc bên ngoài xảy ra. Cụ thể, giá cổ phiếu Việt Nam tăng gấp 1,5 lần khi có cú sốc do thị trường chứng khoán Mỹ xảy ra và giảm gấp 3 lần khi xảy ra cú sốc liên quan đến lợi suất trái phiếu trên thị trường này.

Kết quả nghiên cứu này đã gợi mở một số hàm ý chính sách quan trọng đối với các cơ quan quản lý như Ngân hàng Nhà nước Việt Nam (NHNN) và Ủy ban Chứng khoán Nhà nước (UBCKNN), cũng như các nhà đầu tư nói chung. 

Thứ nhất, phản ứng mạnh hơn của VN-Index trước các cú sốc toàn cầu cho thấy thị trường chứng khoán Việt Nam ngày càng trở nên nhạy cảm đối với tình hình kinh tế thế giới, đặc biệt là sau giai đoạn tăng trưởng nóng của thị trường chứng khoán Việt Nam trong bối cảnh nền kinh tế tăng trưởng chậm trong giai đoạn dịch bệnh Covid-19. Chính vì vậy, NHNN cần yêu cầu các ngân hàng thương mại tăng cường tín dụng cho hoạt động sản xuất kinh doanh và tiêu dùng, hạn chế mở rộng tín dụng sang những lĩnh vực tăng trưởng nóng như chứng khoán, bất động sản.

Thứ hai, giá cổ phiếu trên thị trường Việt Nam sẽ bị ảnh hưởng mạnh mẽ khi chênh lệch lợi suất trái phiếu chính phủ Mỹ ghi nhận mức tăng cao, đặc biệt là các loại trái phiếu dài hạn. Gần đây, FED đã dừng chương trình mua tài sản. Hơn nữa, ngày 16/3/2022, FED quyết định tăng lãi suất cơ bản lên 0,25% – 0,5%… để kiềm chế lạm phát. Điều này sẽ ảnh hưởng đến thị trường chứng khoán Việt Nam khi dòng vốn tại đây không còn hấp dẫn, nhà đầu tư nên thận trọng với những tín hiệu trên thị trường chứng khoán Mỹ cũng như chính sách tiền tệ thắt chặt của nước này. Mặt khác, UBCKNN cần đưa ra các khuyến nghị hoặc quy định về hạn mức giao dịch ký quỹ của các cổ phiếu tăng trưởng nóng trên thị trường hiện nay để đảm bảo ổn định cho toàn hệ thống.

Thứ ba, hoạt động kinh tế toàn cầu cũng có ảnh hưởng nhất định đến thị trường chứng khoán Việt Nam với tín hiệu tích cực nhưng mức độ nhỏ và có xu hướng giảm dần. Tuy nhiên, với sự xuất hiện của những biến chủng SARS-CoV-2 mới, các chính sách ngăn chặn như cách ly, cấm nhập cảnh, thông quan, kiểm soát hàng hóa ra vào… vẫn được một số nước trên thế giới áp dụng chặt chẽ hơn khiến chi phí vận tải biển và các chi phí kho bãi tăng. Điều này sẽ là tín hiệu xấu đối với thị trường chứng khoán Việt Nam khi chi phí đầu vào tăng, giá nguyên liệu thô tăng nhưng không phải do nhu cầu tăng mà là do chi phí vận tải. Bên cạnh đó, việc Nga tiến hành “hoạt động quân sự đặc biệt” tại Ukraine từ 24/2/2022 đến nay, gây nguy cơ đứt gãy chuỗi cung ứng một lần nữa, lạm phát thế giới gia tăng nhanh.Với tình hình trên, các nhà đầu tư nên thận trọng hơn khi phân bổ tài sản quá nhiều vào thị trường chứng khoán hiện nay, tránh bị lôi kéo và cuốn theo các luồng thông tin trên mạng xã hội khi mua bán cổ phiếu. Bên cạnh đó, những nhà đầu tư đặc biệt là nhà đầu tư nhỏ lẻ cần phải phân tích và tìm hiểu về thị trường và các doanh nghiệp, nên phân bổ tài sản vào các cổ phiếu của doanh nghiệp có nền tảng hoạt động tốt.

¹ Số liệu của WHO ngày 14/4/2022.

ThS. Nguyễn Thị Mai Huyên 
ThS. Ngô Sỹ Nam 
Khoa Tài chính, Trường Đại học Ngân hàng Thành phố Hồ Chí Minh

Xây dựng mô hình định giá bất động sản tự động hỗ trợ quá trình thẩm định giá trị tài sản bảo đảm

Xây dựng mô hình định giá bất động sản tự động hỗ trợ quá trình thẩm định giá trị tài sản bảo đảm

(Nguồn: https://tapchinganhang.gov.vn/)

Một bất động sản hay một ngôi nhà không chỉ có ý nghĩa tinh thần to lớn đối với một cá nhân vì đó không chỉ là nơi trú ngụ mà còn là một tài sản có giá trị lớn. Đó cũng là lý do đây chính là loại tài sản bảo đảm phổ biến đối với những hợp đồng tín dụng. Tuy nhiên, thị trường bất động sản là một thị trường nhiều biến động và phức tạp, để thẩm định giá trị của một bất động sản, thẩm định viên cần phải có sự hiểu biết sâu sắc về thị trường bất động sản và thông tin của bất động sản. Cho nên thẩm định giá tài sản bảo đảm có thể coi là một “nghệ thuật” kết hợp cùng chiến lược phân tích thông tin, đây quả là một điều khó khăn đối với thẩm định viên. Tuy nhiên, thị trường bất động sản rất sôi động và hàng ngày có hàng ngàn bất động sản được giao bán trên Internet, đây chính là nguồn dữ liệu có thể truy cập cũng như thu thập được. Nghiên cứu này nhằm chứng minh tính khả thi của việc xây dựng một mô hình định giá bất động sản thông minh nhằm hỗ trợ các chuyên viên thẩm định của các tổ chức tài chính thực thi nhiệm vụ định giá tài sản.

1. Giới thiệu

Hoạt động tín dụng là một hoạt động mang lại nhiều lợi nhuận cho các tổ chức tài chính như ngân hàng, tổ chức cho vay tiêu dùng hay các tiệm cầm đồ… Nhưng đây cũng là hoạt động mang lại rủi ro lớn và những rủi ro này rất khó để bù đắp. Trước khi chấp nhận cấp một khoản vay nào đó, các tổ chức tài chính thường thực hiện chấm điểm tín dụng. Khách hàng có mức tín nhiệm càng thấp thì lãi suất trên khoản vay của họ càng lớn, điều này cũng có nghĩa rằng mức độ rủi ro của khoản vay tỷ lệ thuận với lợi nhuận mà tổ chức tài chính có thể thu được trong tương lai. Để dung hòa giữa lợi nhuận và rủi ro thì tài sản thế chấp đóng một vai trò quan trọng trong cam kết tài chính giữa bên vay và bên cho vay. Khi đến kỳ trả nợ, bên vay không thể thực hiện nghĩa vụ tài chính của mình thì bên cho vay có thể bán tài sản thế chấp của bên vay và thu hồi một phần khoản nợ, hoặc trong trường hợp tối ưu có thể thu hồi được toàn bộ số nợ (bao gồm cả nợ gốc và lãi). Bất động sản là một loại hình tài sản thế chấp rất phổ biến trong hoạt động tín dụng bởi chúng có tính bất biến về người sở hữu trong quá trình được thế chấp; ngoài ra, giá trị của bất động sản cũng rất lớn, đủ khả năng cân đối được với khoản vay.

Hoạt động định giá bất động sản được dựa trên rất nhiều cơ sở mặc dù Nhà nước đã ban hành mức giá tiêu chuẩn đối với loại hình và vị trí của bất động sản, tuy nhiên mức giá giao dịch của bất động sản thường cao hơn rất nhiều so với giá tiêu chuẩn này, do đó, giá trị bất động sản thường được định giá dựa trên kinh nghiệm của các nhân viên thẩm định bất động sản. Các nhà thẩm định giá chuyên nghiệp dựa vào kinh nghiệm và kiến thức thị trường địa phương để đưa ra kết luận của riêng mình. Sự thiên lệch khi thẩm định giá bất động sản cũng không phải là việc hi hữu. Những sai lệch trong định giá có thể được giải thích bằng sự không đồng nhất thông tin giữa hai bản đánh giá hoặc sự khác biệt về khung nhìn đối với bất động sản. 

Bất động sản thường là tài sản lớn đối với mỗi cá nhân, việc định giá bất động sản một cách hợp lý sẽ giúp các tổ chức có được một khoản đảm bảo an toàn và cũng giúp người đi vay đề xuất một khoản tiền tương xứng với giá trị tài sản đó. Để định giá chính xác một bất động sản, người ta không chỉ đòi hỏi sự hiểu biết về thị trường bất động sản (có thể nói đây là một thị trường đầy biến động) mà còn phải có hiểu biết sâu sắc về chính bất động sản đó. Kiến thức này thường được nắm giữ bởi các chuyên gia môi giới bất động sản. Nếu các tổ chức tài chính có thể nắm bắt các kiến thức này bằng cách sử dụng các nguồn dữ liệu có thể truy cập mở, thì kiến thức này có thể sẽ được tiếp cận dễ dàng. Các ngân hàng có đủ nguồn lực để xây dựng một hệ thống dữ liệu như vậy sẽ giúp các thẩm định viên làm việc trên một nguồn thông tin chân thực, khách quan với các nhận định của bản thân cũng như các môi giới bất động sản.

Mặt khác, các thẩm định viên có thể dự báo xấp xỉ giá bất động sản dựa trên giá trị trung bình được tính toán một cách tự động bằng các thuật toán học máy trên nguồn dữ liệu có sẵn, những dữ liệu này sẽ cung cấp sự hiểu biết cho mọi người về các yếu tố ảnh hưởng tới giá bất động sản. Mọi người có thể tập trung vào những yếu tố này để làm căn cứ xác định giá trị của bất động sản được đem ra thế chấp.

Những địa bàn hành chính có nguồn tin giao dịch bất động sản dồi dào sẽ trở thành một đối tượng nghiên cứu phù hợp cho bài toán này. Chúng ta có thể tìm được nguồn dữ liệu về giá bất động sản cũng như đặc điểm của bất động sản đó trên các trang đăng tin bất động sản. Ngoài ra thông tin tương quan về vị trí của bất động sản đối với cơ sở hạ tầng, tiện ích xung quanh cũng ảnh hưởng tới giá thành của bất động sản.

Một số nghiên cứu cũng như những nỗ lực để tạo ra những mô hình định giá bất động sản sử dụng hướng tiếp cận học máy. Những nghiên cứu xung quanh định giá nhà ngoại ô ở Boston được coi là một ví dụ điển hình. Những kết quả từ nghiên cứu này được sử dụng làm cơ sở để chúng tôi lựa chọn những thuộc tính trong bộ dữ liệu của chúng tôi. Các tác giả Park, B., & Bae, J.K. (2015) đã khám phá ra sự hiệu quả của mô hình hồi quy tuyến tính,  máy học vector hỗ trợ (Support Vector Machine – SVM) và phương pháp ước lượng bình phương tối thiểu. Điểm đặc biệt từ những nghiên cứu này là những đặc điểm như khoảng cách tới đường quốc lộ, mật độ dân số, khả năng kinh doanh trong vùng cũng như tỷ lệ tội phạm đều ảnh hưởng tới giá nhà. 

Mục tiêu của nghiên cứu này nhằm tạo ra một mô hình định giá bất động sản dựa trên dữ liệu có thể thu thập được trên các nguồn dữ liệu mở dành cho đối tượng nhà ở tại Hà Nội. Dựa trên bộ dữ liệu thu thập được, chúng tôi hy vọng có thể tạo ra một hệ thống giúp các thẩm định viên có thêm một công cụ để đảm bảo tính chính xác về kết quả thẩm định của mình.

2.  Định nghĩa bài toán và mô tả bộ dữ liệu

Nghiên cứu này nhằm xây dựng mô hình dự báo giá nhà ở Hà Nội dựa trên một số các thuộc tính được xác định thông qua tin đăng bất động sản trên mạng Internet. Với nghiên cứu này, chúng tôi tập trung vào địa hình nhà thổ cư, khám phá vai trò của cơ sở hạ tầng thành phố đối với giá nhà. Chúng tôi sử dụng phương pháp hồi quy để xây dựng mô hình định giá bất động sản. Trong bộ dữ liệu mẫu của chúng tôi chứa những thông tin chung của các bất động sản cũng nhưng một vài thông số như có khu vui chơi, có chợ, trường học trong phạm vi 2 km hay không. Những thông tin này được chọn vì với khoảng cách này người dùng có thể dễ dàng di chuyển. Các thuật toán được sử dụng bao gồm: Hồi quy tuyến tính, hồi quy Lasso và giải thuật k-hàng xóm gần nhất.

2.1. Dữ liệu

Thị trường bất động sản với loại hình nhà riêng, không giống như các thị trường truyền thống khác, không có sàn giao dịch, các bên thường giao dịch thông qua các môi giới bất động sản hoặc trực tiếp trao đổi với nhau để đưa ra mức giá hợp lý. Kết quả là thông tin của các bất động sản không tập trung ở bất kỳ nơi nào. Tất cả thông tin của các bất động sản thường được đăng trên các website đăng tin giao bán bất động sản khi chủ sở hữu có nhu cầu, chúng ta có thể dễ dàng tìm thấy tin đăng về nhu cầu bán bất động sản. Thông tin của hơn 10 nghìn bất động sản đã được thu thập trên trang website dành riêng cho thị trường nhà thổ cư tại Hà Nội, chứa thông tin những tin đăng từ tháng 6/2021 đến tháng 12/2021. Tổng số lượng bản ghi thu được ban đầu là hơn 30 nghìn bản ghi. Những đặc điểm được thu thập bao gồm: Diện tích, chiều dài, mặt tiền, diện tích, số tầng, số phòng ngủ, địa chỉ, độ rộng đường trước nhà, số lượng phòng tắm, hướng, các đặc điểm nổi trổi: Nhà hai mặt tiền, có thể kinh doanh được… ngoài  ra, chúng tôi còn thu thập các thông tin khác thông qua địa chỉ như: Tọa độ địa lý: Vĩ độ (lat), kinh độ (long), tiện ích khu dân cư: Gần chợ, gần trường học, bệnh viện, có khu vui chơi trẻ em… Có tất cả gần 20 thuộc tính được thu thập. (Hình 1)

Hình 1: Ví dụ thông tin về bất động sản được rao bán trên website

Dữ liệu thô được lấy từ trang web trên mạng Internet, điều này có thể dễ dàng thực hiện được bằng cách phân tích mã của ngôn ngữ đánh dấu siêu văn bản (HyperTex Markup Language – HTML) của các tin đăng bất động sản, tọa độ lat, long của bất động sản được lấy thông qua Google API, ngoài ra các thông tin về cơ sở hạ tầng cũng được lấy qua Google API như khoảng cách tới bệnh viện, trường học, khu vui chơi… gần nhất.

2.2. Xử lý dữ liệu khuyết thiếu

Vì dữ liệu của chúng tôi có được từ các tin đăng trên Internet, do đó có rất nhiều thông tin bị khuyết thiếu. Các website đã để sẵn một số đặc trưng mà người mua cần biết về căn nhà. Tất nhiên, không phải tất cả những đặc trưng này đều cần thiết cho mô hình của chúng tôi. Hình 2 biểu diễn số lượng những khuyết thiếu của mỗi đặc trưng. Một cách trực giác, những đặc trưng đều ảnh hưởng tới giá trị dự báo của căn nhà, ví dụ một ngôi nhà có số tầng nhiều hơn thì sẽ có giá trị cao hơn một ngôi nhà tương tự có số tầng thấp hơn. 

Hình 2: Tỷ lệ % giá trị khuyết thiếu của các thuộc tính

Thuật toán chúng tôi lựa chọn không được áp dụng trên dữ liệu khuyết thiếu. Cả hai phương pháp hồi quy tuyến tính và k-hàng xóm gần nhất đều cần phải có đầy đủ thông tin của các đặc trưng được đưa vào mô hình. Một cách đơn giản có thể thay thế giá trị khuyết thiếu bằng 0 hoặc giá trị trung bình, việc này giúp mô hình hoạt động nhưng cũng có thể khiến tạo thêm nhiễu dữ liệu. Chúng tôi không mong muốn xóa bỏ các đặc trưng có chứa giá trị khuyết thiếu ra khỏi mô hình bởi nó sẽ ảnh hưởng tới sự giàu thông tin của bộ dữ liệu cũng như khả năng dự đoán.

Nghiên cứu quyết định sử dụng 3 hướng tiếp cận để xử lý với dữ liệu khuyết thiếu đối với những thuộc tính nhận giá trị số thực như độ rộng đường, mặt tiền, số tầng: Loại bỏ những mẫu chứa dữ liệu khuyết thiếu, dự đoán giá trị khuyết thiếu bằng phương pháp cực đại kỳ vọng (Expectation Maximum – EM) và dự đoán giá trị khuyết thiếu bằng giá trị trung bình của các đặc trưng. Đối với những thuộc tính như: Có thang máy, hai mặt tiền thì chúng tôi sẽ coi như nếu khách hàng không nhắc đến thuộc tính này thì nhà của họ không có các đặc điểm trên và những đặc trưng này nhận giá trị mặc định là 0. Với những bản ghi không có thông tin lat, long thì chúng tôi sẽ tiến hành xóa bỏ những bản ghi này.

Phương pháp đơn giản nhất là thay thế giá trị khuyết thiếu bằng giá trị trung bình của mỗi đặc trưng. Mặc dù phương pháp này giúp chúng tôi giữ được rất nhiều bản ghi, nhưng có thể tạo ra hiệu ứng không cân bằng dữ liệu. Điều này có thể gây ảnh hưởng tới sức mạnh dự báo của mô hình. Cuối cùng, chúng tôi quyết định thử ước lượng giá trị khuyết thiếu theo hướng EM. Mỗi giá trị khuyết thiếu được gán một giá trị mặc định là giá trị trung bình của các đặc trưng. Sau đó chúng tôi lặp lại việc thử huấn luyện một mô hình xác suất và ước lượng giá trị khuyết thiếu tới khi thấy nó hội tụ. Trong khi cài đặt phương pháp này, chúng tôi sử dụng mô hình MultinomialNB trong thư viện Scikit-learn để ước lượng giá trị khuyết thiếu. Mỗi đặc trưng chứa dữ liệu khuyết thiếu, một mô hình được xây dựng để sử dụng các đặc trưng còn lại để dự báo giá trị khuyết thiếu của đặc trưng này. Sau đó, chúng tôi sử dụng mô hình này để ước lượng lại giá trị khuyết thiếu. 

Lưu ý rằng các hạn chế chính từ mô hình này phát sinh từ các giả định của thuật toán Naive Bayes. Để phương pháp này có hiệu quả, giả định về tính độc lập có điều kiện phải được duy trì và các đặc trưng khác phải đủ phong phú để dự đoán giá trị của các đặc trưng khuyết thiếu.

3. Xây dựng mô hình

Do có một lượng lớn dữ liệu khuyết thiếu, chúng tôi không chỉ xem xét cả hiệu suất thuật toán mà còn cả các phương pháp xử lý dữ liệu khuyết thiếu. Mỗi thuật toán được chạy với mỗi phương pháp để xử lý dữ liệu khuyết thiếu. Các thuật toán đã được tối ưu hóa để có kết quả tốt hơn trên các tập huấn luyện và một tập kiểm tra đã được sử dụng để đánh giá cuối cùng. Để chọn phương pháp tốt nhất xử lý dữ liệu bị thiếu và điều chỉnh các siêu tham số, xác thực chéo 5 lần đã được sử dụng. Khi việc nhập dữ liệu bị thiếu yêu cầu thống kê từ dữ liệu (EM và truyền dữ liệu trung bình), mô hình chỉ được tạo trên dữ liệu huấn luyện và sau đó được sử dụng để đưa ra các giá trị của dữ liệu thử nghiệm.

Bảng 1: % sai số trung bình tuyệt đối của phương pháp hồi quy Lasso 

khi sử dụng các phương pháp xử lý giá trị khuyết thiếu khác nhau và hiệu chỉnh tham số

3.1. Lựa chọn đặc trưng

Các đặc trưng được chia làm hai nhóm lớn, nhóm định tính và nhóm định lượng. Những biến định tính như: Hướng nhà, hướng ban công, có thang máy, có hai mặt tiền có thể sử dụng các giá trị nguyên để mã hóa. Với những đặc trưng định tính nhận nhiều giá trị, chúng tôi sử dụng kỹ thuật One-hot encoding sẽ tốt hơn cho việc xây dựng mô hình vì sẽ tránh được việc vô tình tạo ra các mối tương quan tuyến tính giữa các thuộc tính.  

Lựa chọn đặc trưng đã được thực hiện trong các thuật toán hồi quy tuyến tính hay hồi quy Lasso. Điều này cho phép những thuộc tính không ảnh hưởng tới mô hình được loại bỏ trong quá trình xây dựng mô hình.

Hình 3: Tỷ lệ % sai số trung bình của thuật toán hồi quy tuyến tính

3.2. Lựa chọn thuật toán

Dưới đây là mô tả ngắn gọn về các thuật toán được xem xét. Chúng được chọn từ một loạt các thuật toán vì trong quá trình thử nghiệm ban đầu, chúng có kết quả tốt nhất và cho thấy nhiều hứa hẹn.

Phần này sẽ mô tả những thuật toán được xem xét để xây dựng mô hình, những thuật toán này được lựa chọn vì tính hiệu quả của chúng đối với những bài toán dự báo trên tập dữ liệu có cấu trúc.

Hồi quy tuyến tính

Hồi quy tuyến tính là một phương pháp đơn giản và kinh điển, thuật toán sẽ xây dựng một đường/siêu phẳng trong không gian của các đặc trưng nhằm biểu diễn mối liên hệ giữa giá trị căn nhà và các đặc trưng liên quan dưới dạng một biểu thức tuyến tính: 

Trong đó: m là số lượng đặc trưng được đưa vào mô hình, f(x^j)  là giá nhà dự báo dành cho căn nhà có các đặc điểm tài chính được biểu diễn bằng vector có độ dài m tương ứng với m đặc trưng, β_i là trọng số của đặc trưng thứ i trong mô hình, biểu diễn đặc trưng thứ i của vector x_j.  Có nhiều hướng tiếp cận khác nhau để tìm giá trị của các trọng số β_i. Cách thức cài đặt trong thư viện Scikit-learn sử dụng phương pháp bình phương tối thiểu sao cho bộ trọng số β_i tìm được làm cho hàm số sau đạt giá trị tối thiểu.

Trong đó, y_j là giá trị của căn nhà thứ j trong bộ dữ liệu và 

là vector đặc trưng của căn nhà thứ j trong bộ dữ liệu, n là tổng số quan sát. 

Ngoài ra, sử dụng phương pháp suy giảm độ dốc (Gradient descent) cũng là một hướng tiếp cận để tìm ra các trọng số này. Hồi quy tuyến tính được chúng tôi quan tâm không chỉ vì nó là một phương pháp phổ biến mà còn bởi tính giải thích trực quan của mô hình. Dựa vào độ lớn của các trọng số, chúng ta có thể biết đặc trưng nào ảnh hưởng nhiều nhất đến giá của một ngôi nhà và liệu có mối tương quan thuận hay nghịch không. Đây cũng là mục tiêu của nghiên cứu này.

Hồi quy Lasso

Hồi quy Lasso về bản chất tương tự như hồi quy tuyến tính nhưng có một số cải tiến. Đó là đưa thêm một số ràng buộc vào mô hình nhằm ngăn chặn hiện tượng không mong muốn (Overfitting) của mô hình. Trong hồi quy Lasso, giá trị các trọng số bị giới hạn giá trị qua một biểu thức phạt. Điều này buộc các đặc trưng ít quan trọng hơn phải có trọng số nhỏ hơn hoặc thậm chí bằng 0 và ngầm loại bỏ các đặc trưng vô dụng trong quá trình này. Bởi ngay cả các nhà môi giới bất động sản cũng có rất nhiều ý kiến trái chiều về ảnh hưởng của các đặc trưng tới giá thành của bất động sản. Do đó, trong một miền ý kiến phức tạp như vậy, thuật toán này sẽ giúp chúng tôi loại bỏ các đặc trưng không liên quan. 

Trọng số của các đặc trưng sẽ là nghiệm của bài toán tối ưu sau:

K – hàng xóm gần nhất (KNN)

KNN có cách tiếp cận khác. Giả định cốt lõi của hướng tiếp cận này là các mẫu vector có đặc trưng giống nhau thì sẽ cho kết quả tương tự. Các vùng lân cận của một điểm dữ liệu sẽ được dùng làm căn cứ đánh giá chứ không phải các điểm ở xa. Trong một tác vụ hồi quy, khi các lân cận đã được định vị, giá trị trung bình của chúng (hoặc giá trị trung bình có trọng số) được lấy để gán cho điểm truy vấn. Với bài toán định giá bất động sản thì có thể nói thuật toán này cũng là một ứng cử viên tốt vì giá của các bất động sản tương đương.  

KNN có một sự phụ thuộc vào bộ dữ liệu. Có nghĩa là khi chúng ta xử lý dữ liệu khuyết thiếu, nếu vô tình tạo ra một sự thiên lệch nào đó thì sẽ khiến cho chất lượng mô hình bị kém đi vì những bất động sản có thể có đặc điểm khác nhau nhưng lại vô tình được kéo lại gần nhau. Để tính khoảng cách giữa các quan sát, chúng tôi sử dụng khoảng cách Euclid: 

Trong đó: a = (a₁, a₂, …,a_m) và b = (b₁,b₂, …, b_m) là 2 vector có độ dài m.

4. Kết quả thực nghiệm

4.1. Phương pháp hồi quy tuyến tính

Hình 3 so sánh hiệu quả của mô hình hồi quy tuyến tính thông qua ba bộ dữ liệu sau khi đã xử lý dữ liệu khuyết thiếu. Kết quả dự báo khi loại bỏ hết các dữ liệu khuyết thiếu đang là tốt nhất, với giá trị trung bình tỷ lệ sai số tuyệt đối là 21,6%.

4.2. Hồi quy Lasso

Với hồi quy Lasso, với các phương pháp xử lý giá trị khuyết thiếu chúng tôi cũng tối ưu giá trị tham số. Tuy nhiên, hiệu suất dường như chỉ bị ảnh hưởng nhẹ. Bảng 1 một lần nữa cho thấy rằng việc loại bỏ dữ liệu bị thiếu là hiệu quả nhất, phần trăm sai số tuyệt đối trung bình tốt nhất là 6%. Giá trị  bằng 100 đang cho kết quả tốt nhất.

4.3. KNN

Giá trị k=5 cho kết quả tối ưu như trong Hình 4. Một lần nữa kết quả cho thấy, việc xóa bỏ hết các quan sát chứa giá trị khuyết thiếu cho kết quả tốt hơn. (Hình 4)

Hình 4: % sai số trung bình của mô hình xây dựng bằng thuật toán KNN 

kết hợp với các cách xử lý dữ liệu khuyết thiếu

4.4. Các đặc trưng được lựa chọn

Phương pháp hồi quy tuyến tính và hồi quy Lasso đã xử lý các đặc trưng được thu thập trực tiếp từ trang web và các thông tin liên quan tới cơ sở hạ tầng qua Google API, khi phân tích mô hình, chúng tôi nhận thấy rằng, các thông số liên quan tới cơ sở hạ tầng có trọng số rất thấp trong mô hình. Tuy nhiên, trọng số của hai tham số lat, long lại có đối trọng rất lớn, có thể vì ý nghĩa giải thích của các tham số đó đã được hàm chứa trong các tham số tọa độ.

5. Kết luận

Nghiên cứu này của chúng tôi đã đề xuất phương pháp giúp các tổ chức tín dụng thu thập dữ liệu về giá của bất động sản trên thị trường theo thời gian thực, từ đó có một nguồn dữ liệu dồi dào  làm căn cứ khách quan để thẩm định giá trị của các bất động sản dựa trên thông tin của các bất động sản tương đồng. Từ đó, hạn chế được những sai lầm hay sự thiếu minh bạch trong quá trình thẩm định tài sản thế chấp, qua đó, các tổ chức tín dụng cũng gia tăng  năng suất và tỷ lệ cấp phát những khoản vay an toàn.

Hai phương pháp hồi quy tuyến tính và hồi quy Lasso được sử dụng trong nghiên cứu đã giúp chúng tôi tìm ra được mức độ quan trọng của các đặc trưng tới giá trị của một căn nhà. Các đặc trưng liên quan tới cơ sở hạ tầng không chứng minh được vai trò của nó đối với giá trị của một căn nhà. Những đặc trưng có giá trị khuyết thiếu nhiều không có ý nghĩa trong việc xây dựng mô hình. Các đặc trưng ảnh hưởng nhiều nhất tới mô hình dự báo giá trị của căn nhà bao gồm: Diện tích, mặt tiền, vị trí của căn nhà (tọa độ lat, long), số lượng tầng, độ rộng đường trước nhà. Mô hình được chúng tôi xây dựng có sai số trung bình thấp nhất khoảng 20% với phương pháp KNN, đây không phải là một kết quả được chúng tôi kỳ vọng nhưng nghiên cứu này cũng là một minh chứng cho tính khả thi của việc xây dựng hệ thống hỗ trợ thẩm định giá tự động dựa trên các kỹ thuật trí tuệ nhân tạo, hỗ trợ nhân viên thẩm định chọn lọc và đánh giá thông tin của bất động sản trong quá trình thẩm định.

Tài liệu tham khảo:

1. Olinsky, Alan, Shaw Chen, and Lisa Harlow. “The comparative efficacy of imputation methods for missing data in structural equation modeling”. European Journal of Operational Research 151.1 (2003): 53-79

2. Park, B., & Bae, J.K. (2015). Using machine learning algorithms for housing price prediction: The case ofFairfax County, Virginia housing data. Expert Systems with Applications,

42(6), 2928 – 2934. [3] Yu, C.Y., Lam, K.C. & Runeson, G. (2008). SVM and entropy based decision support system for property valuation. Proc., 11th Eleventh East Asia-Pacific Conf. on Structural Engine. & Construction.

ThS. Trần Thị Huế

ThS. Nguyễn Thanh Thụy

Khoa Hệ thống Thông tin Quản lý – Học viện Ngân hàng

Yếu tố vĩ mô có tác động biến động dài hạn của thị trường chứng khoán Việt Nam

Yếu tố vĩ mô có tác động biến động dài hạn của thị trường chứng khoán Việt Nam

(Nguồn: https://novicards.com/)

Tổng quan nghiên cứu các yếu tố vĩ mô tác động đến thị trường chứng khoán

Độ biến động (volatility) là một đại lượng phản ánh độ rủi ro của tài sản tài chính và danh mục đầu tư. Trong phần lớn các tình huống, độ biến động càng cao thể hiện rủi ro của tài sản càng lớn. Độ rủi ro của một tài sản hoặc danh mục có vai trò quan trọng trong việc ra quyết định đầu tư và hoạt động quản trị rủi ro. Trên thị trường chứng khoán, độ biến động của chỉ số thị trường còn thể hiện sự ổn định của thị trường.

Nhiều nghiên cứu đã đề xuất mô hình để ước lượng và dự báo độ biến động, đo bởi phương sai hoặc độ lệch chuẩn.

Đầu tiên phải kể đến nghiên cứu của Engle (1982), người đặt nền móng cơ sở lý thuyết đo lường phương sai có điều kiện thay đổi – mô hình ARCH (Autoregressive Conditional Heteroskedastic) với phương sai không điều kiện là hàm của các sai số trễ trong quá khứ. Sau đó, Bollerslev (1986) đã mở rộng mô hình ARCH tổng quát, gọi là mô hình GARCH. Phân tích thực nghiệm cho thấy GARCH đã trở thành mô hình quan trọng và hữu ích trong ước lượng và dự báo độ biến động (Engle, 2001). Tuy nhiên mô hình GARCH và các biến thể của nó thường yêu cầu các biến trong mô hình là có cùng tần suất, do đó việc sử dụng GARCH trong phân tích và dự báo độ biến động có những hạn chế nhất định.

Mặt khác, độ biến động của thị trường chứng khoán còn phụ thuộc vào yếu tố cơ bản của nền kinh tế được khẳng định bởi một số học giả, trong đó yếu tố kinh tế vĩ mô bên ngoài có vai trò quan trọng, ảnh hưởng tới lợi nhuận và sự ổn định của thị trường trong ngắn hạn và dài hạn. Chang & Rajput (2018) đã nghiên cứu về mối quan hệ của các biến vĩ mô tới thay đổi giá chỉ số chứng khoán và tác động của khủng hoảng tới thị trường Pakistan như lạm phát, chỉ số sản xuất công nghiệp, lãi suất và tỷ giá thực. Phân tích dựa trên dữ liệu giai đoạn 2004-2016 cho thấy có mối quan hệ giữa các biến số kinh tế vĩ mô và mức thay đổi của chỉ số thị trường trong ngắn hạn và dài hạn. Đồng thời, ước lượng giai đoạn trước và sau khủng hoảng cho thấy ảnh hưởng dài hạn bởi các cú sốc tiêu cực của các biến số kinh tế.

Diebold & Yilmaz (2008) cho rằng các biến động cơ bản trong nền kinh tế, ở cấp độ vi mô, liên quan đến các đặc điểm của vốn chủ sở hữu, như thu nhập thực tế hoặc cổ tức từ cổ phiếu; và ở cấp độ vĩ mô, các biến động cơ bản tương ứng với sự biến động của thu nhập của nền kinh tế, như GDP thực tế hoặc tiêu dùng trong nền kinh tế. Hai tác giả thực hiện nghiên cứu số liệu trên 40 quốc gia khác nhau; được phân thành ba nhóm: các nước công nghiệp phát triển (industrial countries), các nước đang phát triển (developing countries) và các nước có nền kinh tế đang chuyển đổi (transition economies). Kết quả phản ánh sự tương quan dương giữa độ biến động của cổ phiếu và biến động của thu nhập GDP thực tế, và mối tương quan dương này càng tăng mạnh hơn đối với các nước đang phát triển có thu nhập thấp, như Ấn độ, Philippines.

Mối quan hệ của các yếu tố vĩ mô tới độ biến động của lợi suất cổ phiếu cũng được chỉ ra trong nghiên cứu của Omorokunwa & Ikponmwosa (2014) tại Nigeria hay Khalid & Khan (2017) tại thị trường Pakistan về mối tác động tiêu cực của lãi suất tới biến động của lợi suất cổ phiếu trong ngắn hạn và dài hạn. Điều này chỉ ra các chính sách vĩ mô tại thị trường đang phát triển đóng vai trò đặc biệt quan trọng cho sự ổn định dài hạn của thị trường chứng khoán.

Do các biến vĩ mô thường có tần suất thấp, rất khác biệt với tần số cao của dữ liệu chứng khoán, nên việc lựa chọn mô hình vào nghiên cứu tác động của các biến này tới độ biến động của thị trường chứng khoán rất quan trọng và được quan tâm bởi các nhà nghiên cứu. Mô hình GARCH-MIDAS (Generalized Autoregressive Conditional Heteroskedasticity Mixed – Data Sampling) được đề xuất bởi Engle & cộng sự (2013) dựa trên ý tưởng của Ghysels & cộng sự (2007) đã giúp giải quyết được bài toán dữ liệu đa tần suất và khắc phục được hạn chế của lớp mô hình GARCH cơ bản.

Mô hình GARCH-MIDAS được đánh giá là có khả năng dự báo vượt trội cho độ biến động của cổ phiếu (Asgharian & cộng sự, 2013; Girardin & Joyeux, 2013). Ưu điểm đáng chú ý của GARCH-MIDAS so với mô hình GARCH truyền thống là phân tách phương sai có điều kiện thành biến động ngắn hạn (short–term volatility) với tần số cao, được ghi lại bởi mô hình GARCH, và biến động dài hạn (long–term volatility) với tần số thấp, ước lượng bởi hồi quy MIDAS. Do ưu điểm này, mô hình GARCH-MIDAS được sử dụng rộng rãi trong các nghiên cứu thực nghiệm.

Chẳng hạn, nghiên cứu ứng dụng GARCH-MIDAS của Engle & cộng sự (2013) về tác động của yếu tố vĩ mô tới độ biến động và tầm quan trọng tới mô hình dự báo độ biến động trên thị trường Mỹ. Với dữ liệu giao dịch cổ phiếu theo ngày giai đoạn từ năm 1890 đến 2004, nghiên cứu cho thấy lạm phát và tăng trưởng sản xuất công nghiệp đóng vai trò quan trọng trong phân tích và dự báo độ biến động dài hạn. Kết quả này cũng tương đồng với kiểm chứng của Stock & Watson (2002) trên thị trường Mỹ về sự giảm đi của độ biến động chứng khoán khi có sự tăng trưởng của việc làm, tiêu dùng, GDP và lạm phát trong nước, nhưng ngược lại với nghiên cứu của Schwert (1989) về vai trò của sản xuất công nghiệp tại thị trường Mỹ trong giai đoạn trước đó. Mặt khác, Asgharian & cộng sự (2015) cũng cho thấy mối quan hệ tác động biến số vĩ mô tới độ biến động tài sản. Các nghiên cứu điển hình khác của mô hình GARCH-MIDAS cũng được thực hiện tại các thị trường Mỹ như Conrad & Kleen (2020); Fang & cộng sự (2018); Fang & cộng sự (2020).

Các yếu tố vĩ mô cũng được tìm thấy có tác động đáng kể đến độ biến động dài hạn của thị trường chứng khoán tại các quốc gia đang phát triển. Chẳng hạn nghiên cứu của Girardin & Joyeux (2013) đã đánh giá mối quan hệ của chỉ số giá tiêu dùng, tốc độ tăng trưởng sản xuất công nghiệp, tăng trưởng tín dụng, lợi suất đồng CNY/USD tới độ biến động dài hạn tại Trung Quốc. Nghiên cứu cho thấy vai trò quan trọng của các biến vĩ mô ảnh hưởng tới độ biến động dài hạn. Đặc biệt, chỉ số sản xuất công nghiệp thể hiện tăng trưởng sản xuất thực tế lại không có tác động tới độ biến động dài hạn tại thị trường này, ngược lại với kết quả của Engle & cộng sự (2013) trên thị trường Mỹ. Tương tự, nghiên cứu ứng dụng của mô hình GARCH-MIDAS cũng được thực hiện bởi Zhou & cộng sự (2020) tại thị trường Trung Quốc và khẳng định hiệu quả dự báo tốt hơn của mô hình GARCH-MIDAS so với các mô hình GARCH truyền thống.

Các nghiên cứu trên đã chỉ ra rằng các biến số vĩ mô có vai trò quan trọng trong giải thích sự thay đổi độ biến động của thị trường chứng khoán và mức tác động có thể khác nhau, tùy thuộc vào các giai đoạn và điều kiện phát triển của thị trường. Việt Nam đang phát triển nhanh và hội nhập sâu rộng với kinh tế thế giới nên chính sách kinh tế vĩ mô có thể có những tác động đáng kể đến biến động thị trường chứng khoán. Hiện tại, Việt Nam đang phát triển mạnh với hai sở giao dịch, gồm sở giao dịch chứng khoán Thành Phố Hồ Chí Minh – HOSE (thành lập vào năm 2000) và sở giao dịch chứng khoán Hà Nội – HNX (thành lập vào năm 2005).

Tuy nhiên, hai sàn giao dịch này được quy định với biên độ biến động giá khác nhau, tương ứng 7% và 10% cho hai sàn HOSE và HNX, do đó, có thể tạo ra rủi ro khác nhau và ảnh hưởng bởi các chính sách vĩ mô cũng có thể khác nhau. Tuy nhiên, ở Việt Nam lại hầu như chưa có nghiên cứu định lượng nào về vai trò của các biến vĩ mô tới thị trường chứng khoán. Thêm vào đó, các nghiên cứu hầu như chỉ sử dụng các mô hình để phân tích độ biến động chung, trong đó các biến số là cùng tần suất (Hoàng Đức Mạnh, 2014; Hồ Thủy Tiên & cộng sự, 2017; Trần Thị Tuấn Anh, 2020), do đó không phân tách được độ biến động ngắn hạn và dài hạn.

Bài viết này tập trung vào phân tách độ biến động ngắn hạn và dài hạn của chỉ số thị trường chứng khoán. Việt Nam là thị trường đang phát triển, do đó chính sách vĩ mô đóng vai trò quan trọng cho sự ổn định dài hạn và đáng được quan tâm của các thành phần tham gia vào thị trường chứng khoán. Mục tiêu bài viết này sẽ tập trung vào phân tích những tác động của biến động kinh tế vĩ mô tới độ biến động dài hạn thị trường chứng khoán.

Nghiên cứu sử dụng mô hình GARCH – MIDAS đa tần suất, kiểm chứng những vấn đề sau:

(i) Vai trò của các yếu tố vĩ mô lên độ biến động trên thị trường chứng khoán Việt Nam dài hạn;
(ii) Nghiên cứu sự khác biệt của tác động này trong hai giai đoạn khác nhau của thị trường: giai đoạn bình thường và giai đoạn Việt Nam chịu ảnh hưởng của khủng hoảng tài chính thế giới;
(iii) Sự khác biệt của tác động giữa hai thị trường chứng khoán Việt Nam, là thị trường HOSE và HNX.

Mục đích của bài viết là sử dụng nghiên cứu định lượng kiểm chứng mối quan hệ này. Nghiên cứu này khác biệt với các nghiên cứu sẵn có khác ở một số điểm: (1) nghiên cứu quan tâm đến vai trò của biến vĩ mô trong mối quan hệ so sánh giữa hai thị trường chứng khoán tại Việt Nam, là hai thị trường có một số đặc trưng khá khác biệt với nhau; (2) nghiên cứu quan tâm đến việc so sánh vai trò của biến vĩ mô trước, trong và sau giai đoạn khủng hoảng cho mỗi thị trường, sẽ cho phép tìm hiểu kỹ hơn vai trò của biến vĩ mô trong từng bối cảnh của nền kinh tế; và (3) sử dụng tiếp cận vấn đề bằng mô hình GARCH-MIDAS, là một cách tiếp cận còn ít có ở Việt Nam.

Do đó các tác giả hy vọng nghiên cứu sẽ góp phần ý nghĩa trong bài toán phân tích rủi ro cho các nhà đầu tư và chính sách điều tiết của các nhà quản lý tại thị trường chứng khoán Việt Nam.

Kết quả nghiên cứu

Nghiên cứu này quan tâm thành phần độ biến động dài hạn, thể hiện tính ổn định lâu dài của thị trường chứng khoán, là yếu tố bị ảnh hưởng tới các chính sách quản lý thị trường tiền tệ và chính sách điều tiết vĩ mô. Kết quả thực nghiệm mô hình GARCH-MIDAS với biến vĩ mô cho thấy các biến vĩ mô có tác động đáng kể đến độ biến động dài hạn của thị trường chứng khoán Việt Nam. Khi thị trường hoạt động bình thường, sự tăng lên của lãi suất làm tăng biến động dài hạn trong khi tăng trưởng sản xuất công nghiệp có tác động tích cực giúp ổn định thị trường chứng khoán trong dài hạn. Quy luật này phù hợp với nghiên cứu của Omorokunwa & Ikponmwosa (2014), Engle & cộng sự (2013), Stock & Watson (2002) Conrad & Kleen (2020), Fang & cộng sự (2020) nhưng ngược lại với nghiên cứu của Girardin & Joyeux (2013). Kết quả thực nghiệm thể hiện vai trò ổn định thị trường chứng khoán bởi chính sách ổn định lãi suất của ngân hàng nhà nước cũng như các chính sách khuyến khích tăng trưởng trong nền kinh tế Việt Nam. Kết quả này cũng chỉ ra các nhà đầu tư cần tính đến sự thay đổi của các chính sách vĩ mô trong dự báo biến động rủi ro của chứng khoán trong dài hạn tại thị trường Việt Nam.

Đặc biệt, kết quả cho thấy vai trò của các biến vĩ mô trong thời kỳ khủng hoảng kinh tế thế giới, ảnh hưởng thấp hơn rất nhiều so với thời kỳ khác. Ước lượng trong thời kỳ khủng hoảng cho thấy vai trò của các biến vĩ mô là không có ý nghĩa thống kê, chỉ ra việc áp dụng các chính sách vĩ mô sẽ không tác động đáng kể tới thị trường chứng khoán trong giai đoạn có khủng hoảng. Kết quả này chỉ ra trong trường hợp theo đuổi mục tiêu ổn định thị trường, các nhà hoạch định quản lý nên đưa ra các dự báo cho thị trường chứng khoán cũng như các chỉ báo kinh tế vĩ mô trong dài hạn. Mặt khác, thống kê độ biến động của cả hai thị trường trong giai đoạn khủng khoảng đều rất lớn, và do đó các nhà đầu tư cần cẩn trọng trong điều kiện thị trường bất ổn và phần bù rủi ro thị trường yêu cầu phải lớn hơn khi định giá chứng khoán. Đối với các doanh nghiệp niêm yết, để khuyến khích đầu tư và ổn định cổ phiếu, họ cần đưa các chính sách phát triển kinh doanh, công bố báo cáo tài chính ổn định và chính sách cổ tức để thu hút các nhà đầu tư. Đồng thời, các nhà quản lý thị trường chứng khoán nên đưa ra các chính sách cắt giảm các loại phí và giá dịch vụ trong giao dịch chứng khoán để hỗ trợ các nhà đầu tư giảm chi phí và bù đắp rủi ro do biến động thị trường.

Nghiên cứu cũng cho thấy vai trò của các biến vĩ mô đối với VN-Index và HNX-Index cũng khá khác nhau, trong đó lãi suất có ảnh hưởng mạnh hơn trong khi tăng trưởng có tác động dài hơn tới độ biến động của hai chỉ số thị trường. Kết quả thực nghiệm phản ánh lãi suất tăng mạnh trong tháng sẽ tác động nhanh chóng tới độ biến động dài hạn chỉ số thị trường trong tháng tiếp theo nhưng ảnh hưởng này cũng nhanh chóng giảm đi trong các tháng kế tiếp. Điều này có thể được giải thích bởi lãi suất liên ngân hàng có ảnh hưởng trực tiếp tới chi phí vốn và quyết định lãi suất chiết khấu trong đầu tư, và do đó thông tin về lãi suất sẽ có tác động nhanh tới thị trường chứng khoán. Mặt khác, công bố tăng trưởng ổn định và kế hoạch khuyến khích tăng trưởng của các doanh nghiệp sở hữu có thể tác động lâu dài tới quyết định đầu tư, tạo ra hiệu ứng tác động tới độ biến động dài hạn. Kết quả này cho thấy ngân hàng nhà nước nên thận trọng trong việc ban hành các quyết định thay đổi lãi suất do có thể sẽ gây tác động mạnh tới biến động trên thị trường chứng khoán.

Kết quả cũng cho thấy tác động của biến vĩ mô tới độ biến động của sàn HNX lớn hơn so với sàn HOSE. Kết quả này xảy ra do các doanh nghiệp niêm yết có vốn hóa nhỏ hơn trên sàn HNX, và do đó nhạy cảm hơn với chính sách lãi suất và tăng trưởng so với các doanh nghiệp trên sàn HOSE. Từ đó, Ngân hàng Nhà nước và các nhà hoạch định chính sách cần thận trọng về sự tác động khác nhau giữa hai sàn giao dịch chứng khoán khi ban hành các chính sách vĩ mô tại thị trường Việt Nam.

Phân tích hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam

Phân tích hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam

(Nguồn: http://tapchicongthuong.vn/)

PHẠM TUẤN ANH (Giảng viên Khoa Tài chính – Ngân hàng, Trường Đại học Văn Lang)

TÓM TẮT:

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng của đòn bẩy tài chính trên thị trường tài chính cận biên của Việt Nam. Thông qua việc áp dụng mô hình kinh tế lượng EGARCH và TARCH, bài nghiên cứu đã xác nhận sự tồn tại của hiệu ứng bất cân xứng của tin tức đến mức độ rủi ro trên thị trường chứng khoán Việt Nam. Cụ thể, tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai. Ngoài ra, mô hình TARCH có sự phù hợp hơn so với mô hình EGARCH dựa trên sự kiểm tra chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC).

Từ khóa: hiệu ứng bất cân xứng tin tức, lợi nhuận của cổ phiếu, rủi ro, thị trường chứng khoán Việt Nam, EGARCH, TARCH.

1. Đặt vấn đề

Hiệu ứng đòn bẩy tài chính là chủ đề nghiên cứu kinh điển trong tài chính. Black (1976) và Christie (1982) cung cấp khung lý thuyết về mối quan hệ nghịch biến giữa tỷ suất lợi nhuận của tài sản tài chính trong hiện tại và mức độ rủi ro của các loại tài sản này. Mở rộng hướng nghiên cứu trên, một số bài nghiên cứu áp dụng các mô hình kinh tế lượng đa dạng để kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến mức độ rủi ro của các loại tài sản tài chính. Cụ thể, Nelson (1991), Rabemananjara & Zakoian (1993) và Glosten, Jagannathan & Runkle (1993) lần lượt áp dụng các mô hình kinh tế lượng EGARCH, TARCH và GARCH-M để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Mỹ. Bên cạnh đó, Engel & Ng (1993), Yu (2005), Corsi & Reno (2012) và Choi & Richardson (2016) cũng cung cấp các bằng chứng thực nghiệm về sự tồn tại của hiệu ứng bất cân xứng tin tức trên nhiều thị trường tài chính khác nhau.

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến sự biến động giá cả của tài sản tài chính trên thị trường chứng khoán cận biên điển hình là Việt Nam. Mặc dù là quốc gia đang phát triển, Việt Nam có tốc độ tăng trưởng kinh tế vượt bậc kể từ sau giai đoạn Đổi Mới năm 1986. Song hành với sự phát triển chung của nền kinh tế, thị trường chứng khoán Việt Nam cũng có sự phát triển nhanh cả về số lượng lẫn chất lượng. Trong những ngày đầu sơ khai vào năm 2000, thị trường chứng khoán Việt Nam chỉ có 2 cổ phiếu niêm yết. Tính đến cuối năm 2020, thị trường chứng khoán Việt Nam đã có 745 cổ phiếu được niêm yết với tổng vốn hóa thị trường xấp xỉ 230 tỷ USD, tương đương với 84,1% GDP (Nguồn: Ủy ban Chứng khoán Việt Nam, 2021).

Bài nghiên cứu có đóng góp quan trọng vào nền học thuật thông qua việc cung cấp cái nhìn toàn diện về hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam. Mặc dù có rất nhiều bài báo nghiên cứu hiệu ứng bất cân xứng của tin tức trên các thị trường chứng khoán phát triển và mới nổi, nhưng các bài báo nghiên cứu một cách toàn diện hiệu ứng này trên thị trường chứng khoán cận biên như Việt Nam là rất hạn chế.

Một cách cụ thể, bài nghiên cứu sử dụng 2 mô hình kinh tế lượng EGARCH (Nelson, 1991) và TARCH (Rabemananjara & Zakoian, 1993) để xác nhận hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam. Kết quả này hoàn toàn phù hợp với các bài nghiên cứu cùng chủ đề này về các thị trường chứng khoán phát triển (Nelson, 1991; Rabemananjara & Zakoian, 1993; Glosten, Jagannathan & Runkle, 1993; Engel & Ng, 1993 và Choi & Richardson, 2016).

2. Cơ sở lý luận

Khái niệm nguyên thủy của hiệu ứng đòn bẩy tài chính được phát triển bởi Black (1976) và Christie (1982). Các bài báo này đã chỉ ra cơ chế của mối quan hệ nghịch biến giữa tỷ suất lợi nhuận hiện hành của tài sản tài chính và mức độ rủi ro trong tương lai. Cụ thể, sự giảm giá của cổ phiếu khiến giá trị của vốn cổ phần của doanh nghiệp trong tương quan với nợ cũng suy giảm, tức là đòn bẩy tài chính được đo lường bởi tỷ số tài chính nợ trên vốn chủ sở hữu sẽ tăng. Vì vậy, các nhà đầu tư cổ phiếu phải đối mặt với rủi ro cao hơn khi nắm giữ cổ phiếu do đòn bẩy tài chính của doanh nghiệp tăng. Mở rộng hướng nghiên cứu, một số bài nghiên cứu áp dụng các mô hình kinh tế lượng đa dạng để kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến mức độ rủi ro của các loại tài sản tài chính. Cụ thể, Nelson (1991), Rabemananjara & Zakoian (1993) và Glosten, Jagannathan & Runkle (1993) lần lượt áp dụng các mô hình kinh tế lượng EGARCH, TARCH và GARCH-M để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Mỹ. Ngoài ra, Engel & Ng (1993) áp dụng đa dạng các mô hình kinh tế lượng để xác nhận về sự tồn tại của hiệu ứng bất cân xứng tin tức xảy ra tại thị trường chứng khoán Nhật Bản. Yu (2005) và Corsi & Reno (2012) cũng áp dụng mô hình bất cân xứng này thông qua sự xem xét sự biến động giá tài sản tài chính theo khoảng thời gian liên tục và rời rạc. Các bài nghiên cứu này đã chỉ ra rằng lợi nhuận âm của các tài sản tài chính có sự tương quan cao với mức độ rủi ro của các loại tài sản đó trong hiện tại, đặc biệt tác động trên vẫn duy trì trong khoảng thời gian dài.

Các bài nghiên cứu trong thời gian gần đây mở rộng giả thuyết về hiệu ứng bất cân xứng tin tức trong cả xem xét về sự biến động của tổng tài sản công ty. Cụ thể, Choi và Richardson (2016) sử dụng dữ liệu từ thị trường chứng khoán Mỹ để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực không những đến sự biến động giá cổ phiếu của công ty mà còn đến sự biến động giá trị tổng tài sản của công ty đó. Tuy nhiên, thông qua việc sử dụng mô hình kinh tế lượng bất cân xứng VECH-GJR, Chen và Anh (2020) tìm ra sự không tồn tại hiệu ứng bất cân xứng tin tức đến sự biến động của giá cổ phiếu và của giá trị tổng tài sản công ty trong trường hợp của Đài Loan.

Một số bài nghiên cứu trong nước đã xem xét hiệu ứng bất cân xứng của tin tức trong bối cảnh của thị trường chứng khoán Việt Nam. Ở giai đoạn thị trường chứng khoán Việt Nam còn sơ khai, Hoàng (2004) đã phân tích hiệu ứng GARCH trên lợi suất thị trường chứng khoán Việt Nam giai đoạn 2000-2003. Bài nghiên cứu đã đưa ra được những kết quả tương đối đồng nhất với bằng chứng từ các nước phát triển. Cụ thể, thị trường chứng khoán Việt Nam ở giai đoạn sơ khai cũng bị ảnh hưởng mạnh mẽ bởi các tin tức thị trường, đặc biệt tin xấu ảnh hưởng nhanh, mạnh và trực tiếp hơn tin tốt. Xét trong giai đoạn 2005-2016, Tiên, Hoài & Toàn (2017) ứng dụng các mô hình GARCH cân xứng và bất cân xứng để khám phá ra hiệu ứng bất đối xứng tồn tại khi áp dụng mô hình EGARCH(1,1), nhưng hiệu ứng này không tồn tại khi áp dụng mô hình TARCH(1,1). Bài nghiên cứu đã sử dụng tiêu chí giá trị AIC và SIC để lựa chọn mô hình EGARCH(1,1) là tốt nhất.   

3. Dữ liệu, thống kê mô tả và phương pháp nghiên cứu

Bài nghiên cứu thu thập dữ liệu về chỉ số VN-Index hàng ngày từ ngày 28/7/2000 đến ngày 31/12/2020. Mẫu dữ liệu có tổng cộng 4.931 quan sát. Nguồn thu thập dữ liệu từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh.

Để kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam, bài nghiên cứu sử dụng biến phụ thuộc là tỷ suất lợi nhuận của các cổ phiếu giao dịch trên thị trường (R_t). Chỉ số VN-Index là chỉ số đại diện đáng tin cậy cho thị trường chứng khoán Việt Nam, nên biến phụ thuộc R_t được đo lường bởi phần trăm thay đổi của chỉ số VN-Index trong ngày giao dịch hiện hành so với ngày giao dịch liền kề trước đó. Cụ thể:

R_t = ln (P_t / P_t-1)    (1)

R_t là tỷ suất lợi nhuận của các cổ phiếu vào thời điểm t ; P_t , P_t-1 lần lượt là điểm của chỉ số VN-Index vào thời điểm t và t – 1.

Bảng 1 trình bày kết quả về thống kê mô tả của tỷ suất lợi nhuận các cổ phiếu giao dịch trên thị trường chứng khoán Việt Nam.

Bảng 1. Thống kê mô tả

Chỉ báo thống kê	Tỷ suất lợi nhuận cổ phiếu (Rt)
Trung bình	0.0487%
Độ lệch chuẩn	1.4859%
Giá trị nhỏ nhất	-7.6557%
Giá trị lớn nhất	7.7414%

         Nguồn: Kết quả tính toán trên Stata

Tỷ suất lợi nhuận trung bình của cổ phiếu trên thị trường chứng khoán Việt Nam khá thấp xấp xỉ 0% trong giai đoạn 2000-2020. Ngoài ra, thị trường chứng khoán Việt Nam mang đặc điểm của thị trường chứng khoán cận biên với mức độ rủi ro cao. Cụ thể, tỷ suất lợi nhuận của cổ phiếu hàng ngày dao động khá mạnh từ -7.65% đến 7,74% với độ lệch chuẩn cao 1,48%.

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam thông qua 3 bước. Bước đầu tiên là xem xét kiểm định đơn vị để kiểm tra tính dừng của dữ liệu và kiểm định Larange để xem xét phần sai số ngẫu nhiên có tồn tại hiện tượng phương sai thay đổi. Sau khi đáp ứng các điều kiện trong 2 kiểm định trên; bước thứ 2 là áp dụng mô hình EGARCH(1,1) và TARCH(1,1) để kiểm tra sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Cuối cùng, chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC) được sử dụng để lựa chọn mô hình tốt hơn giữa EGARCH(1,1) và TARCH(1,1).

4. Kết quả nghiên cứu và thảo luận

4.1. Kiểm định đơn vị và kiểm định hiện tượng phương sai thay đổi

Biến tỷ suất lợi nhuận cổ phiếu (R_t) phải có tính dừng và phần sai số ngẫu nhiên phải đảm bảo tồn tại hiện tượng phương sai thay đổi thì các mô hình EGARCH(1,1) và TARCH(1,1) mới có đầy đủ hiệu lực. Vì vậy, Bảng 2 trình bày các kết quả kiểm định đơn vị để kiểm tra tính dừng của dữ liệu và kiểm định Larange để xem xét phần sai số ngẫu nhiên có tồn tại hiện tượng phương sai thay đổi.

Bảng 2. Kiểm định đơn vị (ADF) và hiện tượng phương sai thay đổi (Lagrange)

	Kiểm định ADF tại bậc 0	Kiểm định Lagrange với độ trễ là 3
t-statistic	p-value	ARCH-LM F statistic	p-value
Giá trị	-54.09	0.0000	373.29	0.0000

                                                             Nguồn: Kết quả tính toán trên Stata

Kết quả từ Bảng 2 cho thấy biến tỷ suất lợi nhuận cổ phiếu (R_t) có tính dừng và phần sai số ngẫu nhiên tồn tại hiện tượng phương sai thay đổi. Vì vậy, 2 mô hình GARCH bất cân xứng EGARCH(1,1) và TARCH(1,1) là phù hợp để kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.

4.2. Các mô hình GARCH bất cân xứng

Bảng 3. Kết quả mô hình EGARCH(1,1)

Biến	Hệ số	Sai số chuẩn	p-value
C	0.00049***	0.00017	0.003
Phương trình phương sai
α	965.4751***	55.8558	0.0000
β	-412.9876***	85.8679	0.0000
λ	1.0579***	0.0505	0.0000

***, **, * lần lượt có ý nghĩa thống kê ở mức 1%, 5% và 10%

                                                      Nguồn: Kết quả tính toán trên Stata  

Kết quả từ mô hình EGARCH(1,1) cho thấy không tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam do hệ số bất cân xứng (λ) > 0.

Thứ hai, phương trình của mô hình TARCH (1,1) (Rabemananjara and Zakoian, 1993) được trình bày như sau:

R_t = β₀ + u_t     (3a)

h_t = γ₀ + α * u_t-1²  + β * h_t-1 + λ * D_t-1 * u_t-1²    (3b)

Trong đó: u_t tuân theo phân phối chuẩn với giá trị trung bình bằng 0 và phương sai h_t, α, β và λ lần lượt là hệ số ARCH, GARCH và bất cân xứng. Hiệu ứng bất cân xứng sẽ tồn tại khi λ > 0. Bảng 4 thể hiện kết quả của mô hình TARCH (1,1).

Bảng 4. Kết quả mô hình TARCH(1,1)

Biến	Hệ số	Sai số chuẩn	p-value
C	0.00078***	0.00016	0.0000
Phương trình phương sai
α	0.4721***	0.0372	0.0000
β	0.3391***	0.0179	0.0000
λ	0.2843***	0.0384	0.0000

***, **, * lần lượt có ý nghĩa thống kê ở mức 1%, 5% và 10%

                                                     Nguồn: Kết quả tính toán trên Stata

Kết quả từ mô hình TARCH(1,1) lại cho thấy có sự tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam do hệ số bất cân xứng (λ) > 0.

4.3. Lựa chọn mô hình

Để lựa chọn mô hình phù hợp hơn giữa 2 mô hình EGARCH(1,1) và TARCH(1,1), bài nghiên cứu sử dụng 2 chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC) làm thước đo để so sánh 2 mô hình GARCH bất cân xứng trên. Cụ thể, mô hình sẽ phù hợp hơn khi giá trị AIC và BIC của mô hình đó nhỏ hơn mô hình còn lại. Bảng 5 trình bày giá trị AIC và BIC của mô hình EGARCH (1,1), TARCH(1,1)

Bảng 5. Giá trị AIC và BIC của mô hình EGARCH (1,1), TARCH(1,1)

Mô hình	AIC	BIC
EGARCH(1,1)	-28.490,69	-28.458,18
TARCH(1,1)	-28.803,54	-28.771,02

 Nguồn: Kết quả tính toán trên Stata           

Giá trị AIC và BIC của mô hình TARCH(1,1) đều nhỏ hơn các giá trị tương ứng của mô hình EGARCH(1,1). Vì vậy, mô hình TARCH(1,1) phù hợp hơn mô hình EGARCH(1,1) trong việc kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.

4.4. Thảo luận kết quả nghiên cứu

Mặc dù 2 mô hình ra kết quả khác nhau khi kết quả mô hình EGARCH(1,1) chỉ ra rằng không tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam, nhưng mô hình TARCH(1,1) lại cho ra kết quả ngược lại. Mô hình TARCH(1,1) phù hợp hơn mô hình EGARCH(1,1) thông qua việc áp dụng tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC). Như vậy, bài nghiên cứu kết luận được mô hình TARCH(1,1) đáng tin cậy hơn, từ đó xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam. Kết quả này hoàn toàn phù hợp với các bài nghiên cứu cùng chủ đề này về các thị trường chứng khoán phát triển (Nelson, 1991; Rabemananjara & Zakoian, 1993; Glosten, Jagannathan & Runkle, 1993; Engel & Ng, 1993 và Choi & Richardson, 2016).

Hoàng (2004) đã phân tích thị trường chứng khoán Việt Nam giai đoạn còn sơ khai 2000-2003 cũng bị ảnh hưởng mạnh mẽ bởi các tin tức thị trường, đặc biệt tin xấu ảnh hưởng nhanh, mạnh và trực tiếp hơn tin tốt. Xét trong giai đoạn 2005-2016, Tiên, Hoài & Toàn (2017) khám phá ra hiệu ứng bất đối xứng tồn tại khi áp dụng mô hình EGARCH(1,1), nhưng hiệu ứng này không tồn tại khi áp dụng mô hình TARCH(1,1). Bài nghiên cứu đã sử dụng tiêu chí giá trị AIC và SIC để lựa chọn mô hình EGARCH(1,1) là tốt nhất. Bằng cách mở rộng khoảng thời gian quan sát từ 2000-2020, bài nghiên cứu này đã đưa ra kết quả ngược lại với kết quả của Tiên, Hoài & Toàn (2017) khi hiệu ứng bất đối xứng tồn tại đối với mô hình TARCH(1,1) nhưng không tồn tại đối với mô hình EGARCH(1,1). Tuy nhiên, bài nghiên cứu này có điểm tương đồng với bài nghiên cứu của Tiên, Hoài & Toàn (2017) khi so sánh 2 mô hình thì mô hình tồn tại hiệu ứng bất cân xứng tin tức là mô hình tốt hơn. Như vậy, kết quả của bài nghiên cứu này cung cấp thêm một bằng chứng thực nghiệm đáng tin cậy về hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.  

5. Kết luận và khuyến nghị

Bài nghiên cứu áp dụng 2 mô hình GARCH bất cân xứng EGRACH và TARCH để xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam khi áp dụng mô hình TARCH(1,1), nhưng kết quả là ngược lại khi sử dụng mô hình EGARCH(1,1). Tuy nhiên, mô hình TARCH(1,1) đáng tin cậy hơn thông qua sự so sánh các giá trị AIC và BIC giữa 2 mô hình, từ đó xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam.

Thị trường chứng khoán Việt Nam mang đặc điểm của thị trường chứng khoán cận biên với mức độ rủi ro cao đi kèm sự xuất hiện của các cú sốc và tin xấu trong nhiều thời điểm. Kết quả của bài nghiên cứu là một gợi ý quan trọng cho các nhà đầu tư phải cẩn trọng trong các thời điểm nền kinh tế và thị trường tài chính xuất hiện nhiều tin xấu. Ngoài ra, bài nghiên cứu cũng cung cấp hàm ý chính sách cho các cơ quan quản lý nhà nước trong việc cải thiện môi trường kinh doanh, nâng cao sự minh bạch trên thị trường chứng khoán để tạo nên hành lang pháp lý và môi trường đầu tư vững chắc nhằm bảo vệ nhà đầu tư trong và ngoài nước.

Lời cảm ơn: Tác giả xin chân thành cảm ơn sự hỗ trợ của các bạn sinh viên trong đề án nâng cao khả năng nghiên cứu khoa học của sinh viên Trường Đại học Văn Lang.

Các nhân tố tác động tới khả năng sinh lời của ngân hàng thương mại tại Việt Nam: Tiếp cận theo mô hình thực nghiệm động

Các nhân tố tác động tới khả năng sinh lời của ngân hàng thương mại tại Việt Nam: Tiếp cận theo mô hình thực nghiệm động

(Nguồn: http://tapchinganhang.gov.vn/)

Hệ thống ngân hàng thương mại (NHTM) đóng vai trò quan trọng trong việc tài trợ vốn đối với các chủ thể trong một nền kinh tế.

Đối với Việt Nam, một quốc gia đang phát triển, vai trò này càng nổi bật khi mà quy mô thị trường trái phiếu doanh nghiệp chưa thực sự lớn so với quy mô nền kinh tế. Vì vậy, hiệu quả trong kinh doanh của các NHTM là một chủ đề cần được quan tâm, vì nó ảnh hưởng trực tiếp tới hiệu quả trong việc cung cấp vốn cho các doanh nghiệp, cũng như sự ổn định và phát triển của thị trường tài chính. Tuy vậy, khác với các doanh nghiệp phi tài chính, các NHTM với vai trò trung gian tài chính, trung gian thanh khoản thường phải đối diện với các rủi ro đặc thù như rủi ro tín dụng, rủi ro thanh khoản. Quản trị rủi ro ngày càng nổi lên như một trong những trụ cột chính đối với NHTM, trong kỷ nguyên mới, nơi mà sự phát triển của công nghệ thông tin giúp chúng phát triển ngày càng nhiều dòng sản phẩm, cũng như hoạt động rộng hơn về phạm vi địa lý. Nếu không thể quản trị các rủi ro trên một cách hiệu quả, NHTM cũng không thể đạt được khả năng sinh lời cao dù cho chúng có quy mô lớn. 

Các nhân tố đặc điểm hoạt động, cấu trúc ngành và các nhân tố kinh tế vĩ mô tác động đến khả năng sinh lời của NHTM tại Việt Nam1. Tổng quan nghiên cứu
 Trong hầu hết các nghiên cứu, các nhân tố như quy mô tổng tài sản, vốn chủ sở hữu, rủi ro, chi phí hoạt động thường được sử dụng là các nhân tố nội tại tác động đến hiệu quả kinh doanh của NHTM (Athanasoglou và cộng sự, 2008; Dietrich và Wanzenried, 2011, Batten và Vinh, 2019). 
Quy mô tổng tài sản
 Tác động dương của quy mô đến hiệu quả của NHTM được tìm thấy tại nhiều kết quả nghiên cứu. Mitchell và Onvural (1996) sử dụng dữ liệu từ 1986-1990 của các NHTM tại Mỹ có tổng tài sản từ 100 triệu USD trở lên và được phân nhóm theo quy mô. Nghiên cứu xây dựng đường biên hiệu quả về chi phí theo dạng hàm Fourier Flexible thay vì Translog dạng thông thường, sau đó, thực hiện ước lượng theo cả hai cách tiếp cận trung gian (Intermediation Approach) và cách tiếp cận sản xuất (Production Approach). Kết quả cho thấy các NHTM quy mô lớn thường có hiệu quả về mặt chi phí. Nghiên cứu khác có như Wheelock và Wilson (2012) với phương pháp phi tham số cho mẫu nghiên cứu gồm các NHTM Mỹ giai đoạn 1984-2006 cho thấy sự hiện hữu của tính kinh tế nhờ quy mô với tất cả các NHTM thuộc các nhóm quy mô khác nhau. Stever (2007) cho rằng nhìn chung các NHTM lớn thường có ưu thế trong việc đa dạng hóa danh mục tài sản cũng như hoạt động của mình, trong khi các NHTM nhỏ thường không có ưu thế đó, điều này khiến họ phải cố gắng tiếp cận các khách hàng vay tiền có rủi ro tín dụng thấp hoặc yêu cầu nhiều hơn tài sản bảo đảm.
 Tuy nhiên, một số nghiên cứu lại tìm thấy mối quan hệ âm giữa quy mô và hiệu quả NHTM. Pasiouras và Kosmidou (2007) sử dụng dữ liệu bảng cân bằng của 584 NHTM tại liên minh Châu Âu giai đoạn 1995 đến 2001 tìm thấy tác động âm từ quy mô NHTM đến ROAA đối với cả các NHTM nước ngoài và các NHTM trong nước, hàm ý tính kinh tế nhờ quy mô và phạm vi của các NHTM nhỏ và ngược lại đối với các NHTM lớn. 
 Một số nghiên cứu khác lại cho thấy quy mô tổng tài sản không có tác động có ý nghĩa thống kê đến hiệu quả kinh doanh như Fukuyama (1993); McKillop và cộng sự (1996) đối với các NHTM tại Nhật Bản; Sufian (2011) với các NHTM tại Hàn Quốc hay Öhman và Yazdanfar (2018) với các NHTM tại Thụy Điển. 
Mức độ tập trung tổng tài sản ngành
 Dưới cách tiếp cận cấu trúc cạnh tranh, mức độ tập trung ngành (chỉ số CRk hoặc HHI) về tổng tài sản thường được sử dụng để kiểm định sự phù hợp của giả thuyết SCP và giả thuyết Hiệu quả – cấu trúc đối với ngành NHTM và thường có các kết quả khác biệt giữa các quốc gia và thị trường. Giả thuyết SCP (Structure conduct performance hypothesis) hay còn gọi là giả thuyết Cấu trúc – hành vi – hiệu quả cho rằng các doanh nghiệp có quy mô hoặc thị phần lớn nhất thị trường thường có sức mạnh thị trường lớn hơn phần còn lại, cho phép chúng có lợi thế cạnh tranh về giá (VD: bán giá thấp hơn), điều này giúp chúng đạt được hiệu quả cao hơn các doanh nghiệp có quy mô hoặc thị phần nhỏ. Ngược lại, giả thuyết Hiệu quả – cấu trúc (Efficient structure hypothesis) cho rằng các doanh nghiệp hoạt động hiệu quả hơn sẽ cạnh tranh tốt hơn, qua đó giành được thị phần lớn hơn và lợi nhuận cao hơn các doanh nghiệp hoạt động phi hiệu quả.
 Một số kết quả cho thấy mức độ tập trung ngành tác động dương đến hiệu quả kinh doanh của NHTM, hoặc tác động âm đến mức độ cạnh tranh trong ngành, qua đó ủng hộ giả thuyết SCP. Bhatti và Hussain (2010) sử dụng dạng mô hình trên và hồi quy với mẫu gồm 20 NHTM tại Pakistan giai đoạn 1996 đến 2004. Kết quả ủng hộ giả thuyết SCP và bác bỏ giả thuyết Hiệu quả – cấu trúc khi chỉ số CR10 về tổng tài sản tác động dương và MS tác động âm đều có ý nghĩa thống kê đến cả ROA và ROE của các NHTM. Khan và cộng sự (2017) sử dụng 6 chỉ số đo lường mức độ tập trung ngành NHTM gồm CR5, HHI dựa trên tổng tài sản, dư nợ cho vay và số dư tiền gửi và 4 chỉ số khác là chỉ số Lerner trước và sau điều chỉnh, Panzar-Rosse H-statistics, và chỉ số Boone với phương pháp GMM hệ thống hai bước để đánh giá mức độ cạnh tranh ngành NHTM tại 5 quốc gia Đông Nam Á gồm Indonesia, Malaysia, Philippine, Singapore, Thái Lan giai đoạn từ 1995 đến 2014. Kết quả cho thấy các mức độ tập trung có mối quan hệ âm với mức độ cạnh tranh trong ngành, hàm ý ủng hộ giả thuyết SCP. 
 Tuy nhiên, một số nghiên cứu lại cho thấy giả thuyết SCP không phù hợp với mẫu nghiên cứu của mình. Berger (1995) sử dụng mẫu gồm 4800 NHTM tại Mỹ giai đoạn từ 1980 đến 1989 với biến phụ thuộc là ROA và ROE. Kết quả nghiên cứu, do đó, ủng hộ giả thuyết Hiệu quả – cấu trúc.
 Park và Weber (2006) kiểm định 2 giả thuyết SCP và Hiệu quả – cấu trúc với ngành NHTM Hàn Quốc giai đoạn từ 1992 đến 2002 với chỉ số HHI tổng tài sản. Kết quả nghiên cứu hàm ý ủng hộ giả thuyết Hiệu quả – cấu trúc và bác bỏ giả thuyết SCP. 
 Dietrich và Wanzenried (2011) sử dụng mẫu dữ liệu bảng không cân bằng gồm 372 NHTM tại Thụy Sĩ giai đoạn từ 1999 đến 2009 với phương pháp GMM hệ thống, mô hình cũng bao gồm 3 nhóm biến độc lập như Athanasoglou và cộng sự (2008), trong đó, cấu trúc ngành cũng được đại diện bằng chỉ số HHI. Kết quả hàm ý giả thuyết SCP có mức độ phù hợp thấp đối với mẫu nghiên cứu.
 Chronopoulos và cộng sự (2015) sử dụng phương pháp GMM hệ thống 2 bước với mẫu dữ liệu bảng không cân bằng gồm 14352 NHTM giai đoạn từ 1984 đến 2010 tại Mỹ cho thấy trong phần lớn các trường hợp, chỉ số HHI về tài sản tác động âm tới ROA với ý nghĩa thống kê cao, còn lại không có ý nghĩa thống kê. Kết quả nghiên cứu hàm ý bác bỏ giả thuyết SCP. 
 Tan (2016) sử dụng GMM hệ thống 1 bước với mẫu gồm 41 NHTM tại Trung Quốc giai đoạn từ 2003 đến 2011 cũng bác bỏ giả thuyết SCP (đo lường bằng HHI) và chấp nhận giả thuyết Hiệu quả – cấu trúc đối với mẫu nghiên cứu.
Vốn chủ sở hữu
 Một dòng quan điểm cho rằng nâng cao tỷ lệ vốn chủ sở hữu giúp tăng khả năng chịu đựng khi tổn thất phát sinh từ các rủi ro trong hoạt động kinh doanh, đặc biệt là rủi ro tín dụng, qua đó, có thể thúc đẩy tăng trưởng tín dụng để thu về lợi nhuận cao hơn (Berger, 1995b). Bên cạnh đó, quan điểm về chi phí cho rằng việc nâng cao tỷ lệ vốn chủ sở hữu giúp tăng xếp hạng tín nhiệm, từ đó, giúp NHTM giảm chi phí vốn (Molyneux, 1993). 
 Tuy nhiên, lý thuyết danh mục đầu tư cho rằng tồn tại mối quan hệ đánh đổi giữa rủi ro-lợi nhuận kỳ vọng, khi NHTM nâng cao tỷ lệ vốn chủ sở hữu, rủi ro tổng thể của NHTM được giảm thiểu, qua đó, mức sinh lời kỳ vọng sẽ không cao bằng trường hợp tỷ lệ vốn chủ sở hữu thấp hơn hay nói cách khác, trường hợp NHTM sử dụng đòn bẩy tài chính lớn hơn (Berger, 1995a). Tan (2014) với mẫu các NHTM tại Trung Quốc cho thấy các NHTM có mức vốn chủ sở hữu lớn (đòn bẩy tài chính thấp) thường có ROE thấp hơn. 
 Nhìn chung, chiều tác động của tỷ lệ vốn chủ sở hữu đến khả năng sinh lời của NHTM chưa được khẳng định rõ ràng từ các lý thuyết (Dietrich và Wanzenried, 2011), nó phụ thuộc vào từng mẫu nghiên cứu và biến phụ thuộc sử dụng trong mô hình thực nghiệm. 
Thu nhập từ lãi và thu nhập ngoài lãi
 Kết quả các nghiên cứu về tác động của thu nhập ngoài lãi đến khả năng sinh lời và rủi ro của NHTM thường cho thấy sự không nhất quán về chiều tác động. Saunders và Walter (1994) khảo sát 18 nghiên cứu trước đó về giả thuyết các hoạt động ngoài lãi giảm thiểu rủi ro ngân hàng tại Mỹ cho thấy 09 nghiên cứu ủng hộ, 06 nghiên cứu bác bỏ và 03 nghiên cứu chưa thể kết luận cụ thể.
 Các kết quả tích cực về thu nhập ngoài lãi cho thấy việc đẩy mạnh các hoạt động ngoài lãi mang đến khả năng sinh lời cao hơn (Chiorazzo và cộng sự, 2008), hiệu quả hoạt động cao hơn (Landskroner và cộng sự, 2005), hoặc giúp giảm thiểu rủi ro tổng thể cho NHTM (Allen và Jagtiani, 2000). Hughes và Mester (2013) cho rằng các NHTM lớn ngày nay có sự hiệu quả cao theo quy mô vì chúng ngày càng biết tối ưu chi phí dựa vào công nghệ và tận dụng các loại chi phí không tăng tương ứng theo quy mô. Điều này hàm ý việc ứng dụng công nghệ thông tin để tăng cường các hoạt động phi truyền thống, và thu nhập ngoài lãi cận biên cao giúp các NHTM lớn ngày càng có được hiệu quả cao. 
 Các kết quả tiêu cực lại cho thấy thu nhập ngoài lãi gây ra mức độ biến động lợi nhuận cao hơn thu nhập từ lãi, tức mang lại rủi ro cao hơn hoặc làm giảm lợi nhuận sau điều chỉnh rủi ro (Risk-adjusted profit) như DeYoung và Roland (2001), DeYoung và Rice (2004), Smith và cộng sự (2003), Stiroh (2004a, b), Stiroh (2006), Stiroh và Rumble (2006).
 Quan điểm thứ ba trung gian giữa hai luồng trên. Demirgüç-Kunt và Huizinga (2010) cho thấy việc chuyển dịch sang xu hướng dựa nhiều vào thu nhập ngoài lãi thường giúp gia tăng khả năng sinh lời (ROA) nhưng cũng làm gia tăng rủi ro, do đó, lợi ích tổng hợp mà nó mang lại là nhỏ.
Rủi ro thanh khoản 
 Một số nghiên cứu cho thấy tác động âm của rủi ro thanh khoản đến hiệu quả kinh doanh của NHTM như Guru và cộng sự (1999) với các NHTM Malaysia, tuy nhiên, chỉ đúng với ROA đo bằng lợi nhuận sau thuế, kết quả không có ý nghĩa thống kê khi ROA đo bằng lợi nhuận trước thuế cũng như ROE (trước và sau thuế). Tương tự, Chronopoulos và cộng sự (2015) cũng tìm thấy tác động âm của rủi ro thanh khoản đến cả ROA và ROE của NHTM tại Mỹ. 
 Một số nghiên cứu cho kết quả ngược lại, rủi ro thanh khoản có tác động dương đến hiệu quả kinh doanh như Sufian (2011) với các NHTM Hàn Quốc, Pasiouras và Kosmidou (2007) với các NHTM tại Châu Âu, hoặc cho thấy khả năng thanh khoản cao tác động âm đến khả năng sinh lời của NHTM tại Mỹ (Saunders và cộng sự, 2016). 
Rủi ro tín dụng
 Nhiều nghiên cứu thực nghiệm sử dụng tỷ lệ nợ xấu (Non-performing loan) hoặc chi phí dự phòng rủi ro tín dụng (Loan loss provision) trên dư nợ đại diện cho chất lượng tín dụng, nói cách khác, rủi ro tín dụng của NHTM. Theo quan điểm thông thường, khi tỷ lệ nợ xấu hoặc tỷ lệ chi phí dự phòng rủi ro tín dụng gia tăng cho thấy chất lượng hoạt động tín dụng của NHTM xấu đi và rủi ro tín dụng gia tăng, do vậy, tác động xấu tới hiệu quả kinh doanh của NHTM. Tuy vậy, nghiên cứu thực nghiệm lại cho các kết quả khá đa dạng, phụ thuộc từng quốc gia, giai đoạn, cũng như tiêu chí đo lường hiệu quả kinh doanh. 
Chi phí hoạt động
 Chi phí hoạt động (Operation Expenses) là nhân tố được giảm trừ trong tổng thu nhập hoạt động để tạo thành lợi nhuận thuần từ hoạt động kinh doanh của NHTM. Một cách trực quan, mối quan hệ âm giữa chi phí hoạt động và khả năng sinh lời của NHTM thường được kỳ vọng. Tuy nhiên, chi phí hoạt động cũng có thể tác động dương đến khả năng sinh lời, ví dụ trong trường hợp chi phí trả này giúp nâng cao năng suất vốn nhân lực (Molyneux và Thornton, 1992), nói cách khác, việc trả lương cao có thể giúp người lao động có thêm động lực làm việc hiệu quả và nhiều hơn, giúp NHTM tăng lợi nhuận. Tỷ lệ chi phí hoạt động trên tổng tài sản là tiêu chí tốt nhất đại diện cho chí phí đầu vào ngoài lãi của NHTM (Fries và Taci, 2005), nó thể hiện hiệu quả quản lý NHTM. 
Các nhân tố kinh tế vĩ mô
 Kết quả kinh doanh của NHTM thường chịu tác động của các nhân tố kinh tế vĩ mô. Một số nhân tố kinh tế vĩ mô thường được xem xét khi đánh giá tác động của chúng lên khả năng sinh lời của NHTM thường là tốc độ tăng trưởng GDP, tỷ lệ lạm phát, tốc độ tăng trưởng cung tiền (Athanasoglou, 2008; Caporale và cộng sự, 2017).  2. Phương pháp nghiên cứu
Mẫu nghiên cứu
 Nghiên cứu này sử dụng mẫu dữ liệu bảng cân bằng thu thập từ các báo cáo tài chính hàng năm của 30 NHTM tại Việt Nam trong giai đoạn từ 2009 đến 2017. Các NHTM bao gồm: 04 NHTM có vốn nhà nước (Agribank, BIDV, Vietinbank, Vietcombank), 25 NHTMCP tư nhân trong nước và 01 NHTM nước ngoài (Shinhan Bank Việt Nam). Như vậy, mẫu nghiên cứu gồm đầy đủ các loại NHTM như: Nhóm NHTM có vốn nhà nước, nhóm NHTMCP tư nhân trong nước, nhóm NHTM nước ngoài hoặc nhóm NHTM chưa niêm yết và nhóm NHTM đã niêm yết, điều này giúp giảm thiểu nhiều rủi ro về chọn mẫu thiên lệch. 
Mô hình nghiên cứu
 Căn cứ trên tổng quan kết quả các nghiên cứu đã trình bày, nghiên cứu đề xuất mô hình nghiên cứu thực nghiệm dạng động với dữ liệu bảng (Mô hình 1) như sau: 

Trong đó: Các chỉ số i, n, t lần lượt đại diện cho từng đơn vị chéo, số thứ tự của nhóm và năm nghiên cứu, X_kt đại diện cho các biến CON, MSG, GDPG và INF. Giả thuyết tác động của các biến trong Mô hình (1) được trình bày tại Bảng 1. Giả thuyết đối với tác động của của biến trễ  Y_it-1 của khả năng sinh lời từ kỳ liền trước đến kỳ hiện tại là α ϵ (0,1) đại diện cho mức độ quán tính (Persistence), khi đó, khả năng sinh lời của NHTM sẽ hội tụ về giá trị trung bình của nó trong dài hạn, α cũng thể hiện tốc độ điều chỉnh khả năng sinh lời của NHTM về giá trị cân bằng, giá trị này càng gần 0 hàm ý sự điều chỉnh càng nhanh và mức độ cạnh tranh trong ngành NHTM càng cao và ngược lại (Athanasoglou và cộng sự, 2008; Naseri và cộng sự, 2019). (Bảng 1)

Phương pháp ước lượng
 Trong nhiều nghiên cứu, việc sử dụng các giá trị trễ tại nhiều cấp độ của chính biến phụ thuộc để giải thích là một phương án hiệu quả, nó đại diện cho tác động tổng hợp của các nhân tố trong quá khứ đến biến phụ thuộc trong kỳ hiện tại. Tuy nhiên, việc thêm biến trễ của biến phụ thuộc (ví dụ: Y_t-1) vào mô hình vẫn không giải quyết được hoàn toàn rủi ro nội sinh, nếu nó tương quan với sai số gộp của mô hình. Để giải quyết đồng thời các vấn đề trên, L.P Hansen [2] (1982) đề xuất phương pháp Ước lượng Moment tổng quát (Generalized Method of Moments) cho phép ước lượng các mô hình có hiện tượng nội sinh và Over-identification trong nhiều trường hợp. Bên cạnh việc phân loại GMM sai phân và GMM hệ thống, mỗi loại GMM trên đều có thể gồm hai phiên bản: GMM một bước (One step) và GMM hai bước (Two step). Nghiên cứu này theo đó sẽ lựa chọn GMM hệ thống hai bước (twostep system GMM) cùng hiệu chỉnh sai số chuẩn theo Windmeijer (2005) để thu được kết quả ước lượng chính xác hơn GMM hệ thống một bước và khắc phục được các khuyết tật phương sai sai số thay đổi, tự tương quan và nội sinh (nếu có). 3. Kết quả nghiên cứu
Kiểm định đa cộng tuyến:
 Nghiên cứu thực hiện ước lượng hệ số tương quan và hệ số phóng đại phương sai (Variance inflation factor – VIF) nhằm kiểm định mô hình 1 có xảy ra hiện tượng đa cộng tuyến nghiêm trọng hay không. Thông lệ nghiên cứu cho thấy nếu hệ số tương quan giữa hai biến độc lập lớn hơn 0.8 hoặc hệ số VIF lớn hơn 10 (một số quan điểm chặt chẽ hơn cho rằng là 5) thì mô hình thực nghiệm xảy ra hiện tượng đa cộng tuyến nghiêm trọng. Bảng 2 cho thấy tất cả các hệ số tương quan cặp đều nhỏ hơn 0.8. Giá trị hệ tương quan lớn nhất xảy ra tại cặp biến S và CA là 0.715 < 0.8. (Bảng 2)

 Kết quả ước lượng hệ VIF tại Bảng 3 cho thấy tất cả các hệ số VIF của các biến độc lập và giá trị VIF bình quân đều nhỏ hơn 5. Kết quả này một lần nữa xác nhận mô hình nghiên cứu không xảy ra hiện tượng đa cộng tuyến cao và cho phép tiếp tục thực hiện các ước lượng. (Bảng 3)

Kết quả ước lượng Mô hình 1:(Bảng 4)

Kết quả kiểm định:
 Số lượng biến công cụ (29 và 28) nhỏ hơn số nhóm, tức số lượng đơn vị chéo (30) đảm bảo tuân thủ quy tắc ngón tay cái theo Roodman (2009). Kiểm định Wald (P.value = 0.000 < 0.01) cho thấy các tác động khác 0 đồng thời của các biến độc lập có ý nghĩa thống kê tại mức ý nghĩa 1% trong việc giải thích sự thay đổi của biến phụ thuộc (ROA/ROE). Kiểm định Arrelano-Bond cho tự tương quan bậc 2 của sai số (AR2) có P-value lần lượt bằng 0.218 và 0.134 (đều lớn hơn 0.1) cho thấy không xảy ra hiện tượng tự tương quan bậc 2 trong phần dư của mô hình đươc ước lượng. Kiểm định Hansen và Sargan cũng đều cho thấy các giá trị P.value > 0.1 cho thấy các biến công cụ được sử dụng trong mô hình là biến ngoại sinh, tức không có tương quan với sai số của mô hình.
Thảo luận kết quả ước lượng:
 Kết quả ước lượng theo GMM hệ thống hai bước cho thấy tác động dương của biến trễ ROA có độ lớn nhỏ (0.0665) và ý nghĩa thống kê thấp (tại mức ý nghĩa 10%) đến giá trị hiện tại trong khi tác động dương của biến trễ ROE có ý nghĩa thống kê cao tại mức ý nghĩa 1% với độ lớn tác động là 0.2095. Độ lớn tác động của biến trễ đến khả năng sinh lời kỳ hiện tại khá nhỏ trong trường hợp này hàm ý hệ thống NHTM Việt Nam có mức độ cạnh tranh tổng thể khá cao [3], khiến tác động riêng phần của khả năng sinh lời kỳ trước tới kỳ này của các NHTM không cao, cũng hàm ý tốc độ điều chỉnh khả năng sinh lời cao. Có thể thấy mức độ cạnh tranh tổng thể khá cao của toàn hệ thống NHTM được tạo nên chủ yếu bởi mức độ cạnh tranh cao tại thị trường các hoạt động ngoài lãi. Thống kê mô tả trong mẫu cho thấy giá trị trung bình mẫu của tỷ trọng tổng tài sản chỉ 04 NHTM lớn nhất (CON hay CR4) đã đạt 52.5% toàn bộ mẫu (tương ứng trên 40% toàn ngành), hàm ý mức độ cạnh tranh trên thị trường truyền thống không cao, do đó mức độ cạnh tranh tổng thể khá cao được tạo nên chủ yếu từ thị trường ngoài lãi4, nó cũng hàm ý tốc độ điều chỉnh nhanh của khả năng sinh lời tại các NHTM do thu nhập ngoài lãi gây nên. 
 Kết quả này kết hợp với sự khác biệt mức ý nghĩa thống kê của hệ số ước lượng biến trễ giữa ROA và ROE hàm ý tốc độ điều chỉnh ROA nhanh của các NHTM phần lớn do tác động của thu nhập ngoài lãi kỳ hiện tại. Thật vậy, tổng thu nhập của NHTM bao gồm thu nhập từ lãi và các loại thu nhập ngoài lãi. Đối với các NHTM, tổng tài sản không bao gồm các hoạt động ngoại bảng (hoạt động phi truyền thống), dù các hoạt động này cũng mang lại thu nhập ngoài lãi cho NHTM. Vì vậy, việc sử dụng ROA đại diện khả năng sinh lời có nhược điểm không giúp bộc lộ rõ hiệu quả của các hoạt động phi truyền thống theo hàm ý của Goddard (2004) và Stiroh (2006), hay không tính đến các hoạt động ngoại bảng (Athanasoglou và cộng sự, 2008).Thêm vào đó, kết quả cho thấy độ lớn tác động của DIA (đại diện cho thu nhập ngoài lãi cận biên) đến ROA lớn (bằng 0.777) và có ý nghĩa thống kê cao. Điều này hàm ý sự thay đổi của thu nhập ngoài lãi kỳ hiện tại có thể gây nên những biến động khó lường tới ROA kỳ hiện tại (DeYoung và Torna, 2013; DeJonghe và cộng sự, 2014). Do đó, tác động có mức ý nghĩa thống kê thấp của biến trễ đến ROA kỳ hiện tại nhiều khả năng do biến phụ thuộc ROA không tính đến quy mô của các hoạt động phi truyền thống tại mẫu số5. Khác với ROA, ROE là tiêu chí đo lường hiệu quả tổng hợp của cả hai loại hoạt động truyền thống và phi truyền thống một cách cân bằng hơn (Goddard, 2004; Olson và Zoubi, 2011) vì nó không gặp phải vấn đề trên. 
 Quy mô tổng tài sản (S) tác động dương đến ROA có ý nghĩa thống kê tại mức 1%, tuy nhiên, hệ số ước lượng của quy mô với ROA khá nhỏ (0.002). Điều này có nghĩa khi NHTM tăng trưởng 1% tổng tài sản giúp ROA tăng 0.2 điểm phần trăm (ceteris paribus), tương đồng với Vu và Nahm (2013); Linh và Trang (2019). Tuy nhiên, tác động này không có ý nghĩa thống kê trong trường hợp ROE. Kết quả về tác động dương nhỏ trong trường hợp ROA và không có ý nghĩa thống kê trong trường hợp ROE hàm ý khi tăng trưởng quy mô, bên cạnh việc các NHTM sẽ có lợi thế hơn về tính kinh tế nhờ quy mô và tính kinh tế nhờ phạm vi, thường đi liền với việc phát triển mạng lưới và sự phức tạp hơn trong cơ cấu tổ chức, qua đó, gặp phải sự phi hiệu quả trong quản lý, và thường trì trệ, hành chính hơn, do vậy, sự tăng trưởng quy mô của chúng không giúp tăng cường mạnh khả năng sinh lời (Berger và cộng sự, 1987; Eichengreen và Gibson, 2001). 
 Tỷ lệ vốn chủ sở hữu đại diện cho khả năng thanh toán của NHTM. Biến này tác động dương lên ROA nhưng tác động âm lên ROE (đều có ý nghĩa thống kê tại mức 1%) cho thấy tác động trái ngược nhau giữa hai mục tiêu về hiệu quả quản lý tài sản và hiệu quả sử dụng vốn. Đối với chỉ tiêu ROA thể hiện hiệu quả quản lý tài sản, việc nâng cao tỷ lệ vốn chủ sở hữu giúp tăng khả năng chịu đựng khi tổn thất phát sinh từ các rủi ro trong hoạt động kinh doanh, đặc biệt là rủi ro tín dụng, qua đó, có thể thúc đẩy tăng trưởng tín dụng để thu về lợi nhuận cao hơn (Berger, 1995b). Kết quả với ROA tương đồng với kết quả của Kosmidou và Pasiouras (2008). Bên cạnh đó, quan điểm về chi phí cho rằng việc nâng cao tỷ lệ vốn chủ sở hữu giúp tăng xếp hạng tín nhiệm, từ đó, giúp NHTM giảm chi phí vốn (Molyneux, 1993). Đối với ROE, lý thuyết về mối quan hệ đánh đổi giữa rủi ro – lợi nhuận kỳ vọng theo lý thuyết danh mục đầu tư sẽ được áp dụng để giải thích. Khi NHTM nâng cao tỷ lệ vốn chủ sở hữu, rủi ro tổng thể của NHTM được giảm thiểu, qua đó mức sinh lời kỳ vọng cũng không cao bằng trường hợp tỷ lệ vốn chủ sở hữu thấp hơn hay nói cách khác trường hợp sử dụng đòn bẩy tài chính lớn hơn (Berger, 1995a). Kết quả này với ROE tại Việt Nam tương đồng với Tan (2014) với mẫu các NHTM tại Trung Quốc.
 Thu nhập lãi cận biên (NIM) tác động dương (đều có ý nghĩa thống kê tại mức 1%) đến ROA và ROE của các NHTM. Khi NIM tăng tức biên lợi nhuận từ lãi thu được từ các sản phẩm truyền thống như tín dụng và huy động tăng, sẽ giúp NHTM gia tăng lợi nhuận, qua đó ủng hộ quan điểm thông thường, và tương đồng với kết quả của Khan và Hanif (2018). Tỷ lệ thu nhập ngoài lãi trên tổng tài sản (DIA) cũng tác động dương tới ROA và ROE, tương đồng với các kết quả của Hiền và Dũng (2018); DeYoung và Rise (2003); Sufian và Chong (2008); Sufian và Habibullah (2009b); Sufian (2011); Tan và Floros (2012); Khan và cộng sự (2018). Tác động của NIM và DIA là hai tác động dương mạnh nhất tới khả năng sinh lời của NHTM ở cả ROA và ROE. Trong đó, NIM thể hiện tác động tích cực mạnh nhất trong các nhân tố đến ROA, trong khi tác động dương mạnh nhất là DIA trong trường hợp ROE. Vì ROE là tiêu chí tổng hợp cân xứng hơn cho hiệu quả của hai loại thu nhập, kết quả này cho thấy thu nhập ngoài lãi có tác động biên tới khả năng sinh lời của các NHTM mạnh hơn so với thu nhập lãi cận biên, ủng hộ luận điểm của Detrich và Wanzenried (2011); Saunders và cộng sự (2016). Nói cách khác, các NHTM sẽ đạt được ROE cao hơn khi đa dạng hóa sản phẩm hay thu nhập, và tập trung và chuyển đổi mô hình kinh doanh sang dựa vào các hoạt động ngoài lãi, hàm ý chúng tính có kinh tế theo phạm vi (Economies of Scope) (Tan, 2014), tương đồng với kết quả của Goddard và cộng sự (2013); tuy nhiên ngược lại với kết quả của Chronopoulos và cộng sự (2015). 
 Tỷ lệ dư nợ trên tiền gửi khách hàng (LDR) tác động âm tại mức ý nghĩa 1% đến cả ROA, tuy nhiên, tác động âm này không có ý nghĩa thống kê tới ROE. Một NHTM có tỷ lệ LDR cao hơn đặt nó vào vị thế thiếu khả năng chi trả bằng tiền khi khách hàng có nhu cầu rút tiền, do đó, có rủi ro thanh khoản cao hơn. Bên cạnh đó, khi tỷ lệ LDR cao (LDR trung bình mẫu là 87.5%), dư địa cho tăng trưởng tín dụng dựa vào nguồn tiền gửi không còn lớn, tác động tiêu cực tới tăng trưởng lợi nhuận của NHTM. Điều này cũng cho thấy vai trò trọng yếu của nguồn tiền gửi trong việc đáp ứng nhu cầu thanh khoản cũng như tài trợ cho hoạt động tín dụng đối với các NHTM Việt Nam, cũng như mức độ an toàn thanh khoản không cao của các NHTM. Kết quả ước lượng này cũng tương đồng với các kết quả của Chen và cộng sự (2018), Demirgüç-Kunt và Huizinga (1999).
 Tỷ lệ chi phí dự phòng rủi ro tín dụng (LPCLR) tác động âm đến cả ROA và ROE của các NHTM (tại cùng mức ý nghĩa 1%). Điều này cho thấy khi chất lượng tín dụng đi xuống sẽ tác động tiêu cực đến khả năng sinh lời của các NHTM. Kết quả này tương đồng với các kết quả của Khan và Hanif (2018); Athanasoglou và cộng sự (2006); Sufian (2011); Tan và Floros (2012); Chen và cộng sự (2018).
 Tỷ lệ chi phí hoạt động OEAR đại diện cho sự phi hiệu quả quản lý chi phí của NHTM tác động âm mạnh nhất đến cả ROA và ROE tại cùng mức ý nghĩa thống kê 1%. Điều này cho thấy NHTM quản lý chi phí tốt sẽ đạt được khả năng sinh lời cao, hàm ý ủng hộ giả thuyết Hiệu quả-cấu trúc, theo đó các NHTM quản lý chi phí tốt sẽ đạt được hiệu quả hoạt động cao và giành được thị phần tốt hơn. Kết quả này tương đồng với các kết quả của Athanasoglou và cộng sự (2006, 2008); Pasiouras và Kosmidou (2007); Liu và Wilson (2010); Goddard và cộng sự (2013);  Khan và Hanif (2018); Khan và cộng sự (2018).
 Tỷ lệ tập trung thị trường (CON) tác động âm tới ROA có ý nghĩa thống kê tại mức ý nghĩa 5%, trong khi tác động này là dương và không có ý nghĩa thống kê trong trường hợp ROE là biến phụ thuộc. Điều này hàm ý bác bỏ giả thuyết SCP với ROA, trong khi chưa có cơ sở ủng hộ giả thuyết SCP với trường hợp ROE. Bên cạnh đó, kết quả ước lượng biến trễ ROA hàm ý thị trường NHTM có mức độ cạnh tranh khá cao, mặc dù mức độ tập trung thị trường bình quân (CON hay CR4) khá cao (52.5%), cho thấy mức độ tập trung thị trường không phải là nhân tố đại diện tốt cho mức độ cạnh tranh trên thị trường6, qua đó bác bỏ giả thuyết SCP, ít nhất với trường hợp ROA là biến phụ thuộc. Kết quả này tương đồng với các kết quả của Smirlock (1985); Berger (1995b); Park và Weber (2006); Athanasoglou và cộng sự  (2008); Liu và Wilson (2010); Chronopoulos và cộng sự (2015); Tan (2016).
 Tác động của tốc độ tăng trưởng cung tiền là dương và có ý nghĩa thống kê cao với trường hợp ROA, trong khi không có ý nghĩa thống kê với ROE. Khi cung tiền tăng trưởng thường đi liền với chính sách tiền tệ nới lỏng, tạo điều kiện hạ lãi suất, giúp các NHTM tăng trưởng tín dụng tốt hơn, cũng như giúp doanh nghiệp giảm bớt gánh nặng lãi suất có thể dẫn đến khả năng không trả được nợ NHTM đúng thời hạn, tức xảy ra nợ xấu, qua đó giúp tăng lợi nhuận NHTM. Kết quả này tương đồng với các kết quả của Bourke (1989); Sufian và Chong (2008); Obeidat và cộng sự (2013). Tuy nhiên, tăng trưởng GDP tác động dương đến cả ROA và ROE của các NHTM, dù trường hợp ROE không có ý nghĩa thống kê. Khi GDP tăng trưởng thường đi cùng với việc tăng tổng cầu của nền kinh tế. Các NHTM Việt Nam với vai trò tài trợ vốn chủ đạo cho nền kinh tế, qua đó được hưởng lợi thông qua sự tăng trưởng cầu của các sản phẩm truyền thống như tín dụng và huy động vốn. Ngoài ra, chúng cũng được hưởng lợi từ sự tăng trưởng về cầu của các dịch vụ như thanh toán, bảo lãnh, cam kết tín dụng và các hoạt động ngoài lãi khác. Kết quả này tương đồng với các kết quả của Pasiouras và Kosmidou (2007); Kosmidou và Pasiouras (2008); Sufian và Habibullah (2009b, 2012); Chronopoulos và cộng sự (2015); Caporale và cộng sự (2017); Chen và cộng sự (2018).
 Tỷ lệ lạm phát (INF) tác động này là dương đối với cả ROA và ROE của các NHTM, tuy nhiên, ý nghĩa thống kê không thật sự cao. Perry (1992); Athanasoglou và cộng sự (2008) chỉ ra rằng tác động của lạm phát chỉ tích cực trong trường hợp lạm phát là “khả đoán”. Một chính sách kiểm soát lạm phát minh bạch và rõ ràng giúp các NHTM thu được lợi ích từ việc chủ động điều chỉnh lãi suất tín dụng và huy động và ngược lại. Trong những năm gần đây, chính sách kiểm soát lạm phát được NHNN ngày càng công khai mục tiêu và các công cụ sử dụng, và được thừa nhận ngày càng tích cực. Điều này đem đến lợi ích cho các NHTM trong việc điều hành lãi suất của mình. Kết quả này tương đồng với các kết quả của Kosmidou và Pasiouras (2008); Sufian (2011); Sufian và Habibullah (2012); Caporale và cộng sự (2017). 4. Kết luận và hàm ý chính sách
Kết quả nghiên cứu chính
 Nghiên cứu đã cho thấy tác động của các nhân tố đặc điểm hoạt động, cấu trúc ngành và các nhân tố kinh tế vĩ mô tác động đến khả năng sinh lời của NHTM tại Việt Nam theo mô hình dữ liệu bảng động. Kết quả cho thấy hệ thống NHTM tại Việt Nam có mức độ cạnh tranh tại thị trường các hoạt động ngoài lãi so với thị trường từ lãi. Đây có thể là nguyên nhân khiến nhân tố mức độ tập trung thị trường có thể chưa phải là nhân tố tốt trong vai trò đại diện cho mức độ cạnh tranh của hệ thống NHTM. Tác động dương từ sự tăng trưởng quy mô tổng tài sản đến khả năng sinh lời là nhỏ, chủ yếu do sự khó khăn các NHTM gặp phải sự sự gia tăng sự phức tạp, hành chính tăng cùng với sự gia tăng quy mô. Điều này được bộc lộ tại tác động âm lớn của tỷ lệ chi phí hoạt động trên tổng tài sản lên khả năng sinh lời của các NHTM. Vốn chủ sở hữu tác động dương đến ROA và tác động âm đến ROE theo hai chiều hướng đối lập nhau cho thấy tác động hai mặt theo hai mục đích quản trị khác nhau. Các loại rủi ro như rủi ro thanh khoản, rủi ro tín dụng tác động âm đến cả hai tiêu chí về khả năng sinh lời, phù hợp với kỳ vọng và quan điểm thông thường. Chi phí hoạt động là nhân tố có tác động âm và mạnh nhất tới khả năng sinh lời.
Hàm ý chính sách
Hàm ý với NHTM:
 Kết quả nghiên cứu cho thấy chi phí hoạt động là nhân tố có tác động âm và mạnh nhất tới khả năng sinh lời. Vì vậy, các NHTM nên có các biện pháp kiểm soát chi phí hiệu quả. Một trong các giải pháp là xây dựng hệ thống dữ liệu MIS (Management information system) nhằm bóc tách cụ thể lợi nhuận-chi phí chi tiết tới từng loại hoạt động, qua đó, có thể lượng hóa tác động của các loại chi phí khác nhau tới khả năng sinh lời của NHTM và phát hiện các loại chi phí tác động tiêu cực nhất tới hoạt động của NHTM. Một số NHTM đã triển khai hệ thống KPI (Key Performance Index) nhằm đánh giá hiệu quả làm việc của người lao động, qua đó, có căn cứ trả lương và thu nhập khác cho người lao động. Tuy nhiên, phương pháp luận thường là điểm gây tranh cãi nhất đối với việc đánh giá theo KPI. Phương pháp luận không công bằng có thể dẫn đến sự phân bổ thiếu hiệu quả chi phí trả lương và làm giảm động lực làm việc của người lao động. Vì vậy, việc xây dựng phương pháp luận KPI trước hết cần phải thống kê đầy đủ các loại hoạt động của nhân viên theo từng JDs (Job descriptions) trong NHTM, cũng như ước lượng được thời gian phù hợp để nhân viên có thể hoàn thành công việc.
 Tác động dương từ thu nhập ngoài lãi cận biên đến khả năng sinh lời của NHTM cao hơn hẳn tác động từ thu nhập lãi cận biên trong trường hợp ROE (là tiêu chí phản ánh cân xứng đóng góp của hai loại thu nhập này) hàm ý các NHTM nên chuyển dịch cơ cấu thu nhập theo hướng dựa vào thu nhập ngoài lãi. 
 Tác động âm của rủi ro thanh khoản hàm ý trong quá trình tăng trưởng tín dụng, các NHTM cần đảm bảo nguồn huy động vốn nhằm cân đối và đảm bảo lượng thanh khoản cần thiết. Việc thiếu thanh khoản thường dẫn đến giá vốn cao, điều này sẽ tác động xấu đến hiệu quả kinh doanh của NHTM. Tương tự, tác động âm của rủi ro tín dụng hàm ý các NHTM cần cải thiện quy trình thẩm định và phê duyệt tín dụng cũng như cân đối mục tiêu tăng trưởng tín dụng và rủi ro tín dụng. 

Hàm ý với Chính phủ và NHNN: Tác động âm của nhân tố mức độ tập trung thị trường cho thấy sự tăng trưởng mạnh về quy mô của 4 NHTM lớn nhất thị trường có thể làm suy giảm khả năng sinh lời của các NHTM khác nói chung. Điều này đồng nghĩa sự suy giảm mức độ cạnh tranh trên thị trường truyền thống (tín dụng hay huy động vốn) có thể làm suy yếu hiệu quả của hệ thống NHTM. Vì vậy, các cơ quan quản lý, giám sát hệ thống NHTM nên thúc đẩy việc áp dụng các chuẩn mực quốc tế trong lĩnh vực NHTM như các tiêu chuẩn của Ủy ban Basel và chuẩn mực kế toán quốc tế.
 Việc điều hành chính sách tiền tệ, nhìn chung, càng công khai và rõ ràng các mục tiêu càng tốt. Hiện tại, đầu mỗi năm, Thống đốc NHNN thường ban hành các chỉ thị về tổ chức thực hiện các nhiệm vụ, giải pháp trọng tâm của ngành Ngân hàng trong năm, căn cứ trên các mục tiêu tổng thể về kinh tế vĩ mô trong năm đó, cũng như các chỉ tiêu thống kê định kỳ tại Website của NHNN. Tuy vậy, sự biến động cũng như không khớp giữa chỉ tiêu đạt được và chỉ tiêu thực tế cần được giải thích định kỳ hơn (ví dụ: định kỳ hàng tháng, định kỳ hàng tuần).

_____________________ [1] Dữ liệu các biến được tác giả tự tính toán từ dữ liệu gốc thu thập từ nguồn dữ liệu.[2] Giải Nobel kinh tế học năm 2013, trong đó GMM là một trong những đóng góp quan trọng của ông.[3]  Kết quả tác động của biến trễ trong trường hợp này nhỏ hơn Athanasoglou và cộng sự (2008) & Goddard (2004), mặc dù mô hình nghiên cứu khác nhau, dù vậy, vẫn có thể cho rằng ngành NHTM Việt Nam có mức độ cạnh tranh khá cao.[4] Tương đồng với Gischer và Juttner (2001); Demirguc-Kunt và Huizinga (1999) cho rằng so với thị trường các hoạt động truyền thống, các thị trường hoạt động thu phí có mức độ cạnh tranh cao hơn.[5]  Có thể sử dụng tiêu chí quy mô thanh khoản tạo ra (VD: Liquidity creation theo Berger & Bouwman (2009)) để thay thể Total Assets trong các công thức tính ROA, vì nó tính đến quy mô các hoạt động ngoại bảng (OBS).[6]  Như đã giải thích bên trên, thị trường NHTM tại Việt Nam có mức độ cạnh tranh trên thị trường các hoạt động ngoài lãi cao hơn các hoạt động từ lãi. Sự khác biệt này càng lớn và tỷ trọng thu nhập ngoài lãi trong tổng thu nhập càng cao, càng làm suy yếu mức độ đại diện của biến CON trong việc đại diện cho mức độ cạnh tranh tổng thể ngành NHTM.

Lê Đồng Duy Trung

Theo Tạp chí Ngân hàng số 12/2020

Tính toán khoảng cách vỡ nợ của các doanh nghiệp ngành Thép trên thị trường chứng khoán Việt Nam

Tính toán khoảng cách vỡ nợ của các doanh nghiệp ngành Thép trên thị trường chứng khoán Việt Nam

(Nguồn: http://tapchicongthuong.vn/)

PHẠM QUỐC HUÂN (Trường Đại học Điện lực)

TÓM TẮT:

Bài viết áp dụng mô hình điểm số Z của E.I.Altman để tính toán khoảng cách vỡ nợ của các doanh nghiệp ngành Thép đang niêm yết trên thị trường chứng khoán Việt Nam. Kết quả thu được là cơ sở để đưa ra một số đề xuất nhằm góp phần giảm thiểu nguy cơ vỡ nợ của các doanh nghiệp trong ngành Thép, đồng thời cũng giúp cho các ngân hàng thương mại nâng cao hiệu quả quản trị rủi ro tín dụng trong hoạt động kinh doanh.

Từ khóa: Mô hình điểm số Z, khoảng cách vỡ nợ, doanh nghiệp ngành Thép, thị trường chứng khoán.

1. Đặt vấn đề

Trong nhiều năm qua, việc dự báo vỡ nợ của doanh nghiệp trở thành đối tượng nghiên cứu quan trọng trong ngành Tài chính. Việc đánh giá khó khăn tài chính doanh nghiệp thông qua phân tích các chỉ số tài chính nhưng hoàn toàn không đầy đủ. Năm 1968 Edward I.Altman đã xây dựng mô hình Z-Score là một hàm đa biệt thức có thể tính toán chính xác nguy cơ phá sản của các doanh nghiệp trước khi bị phá sản tới 2 năm.

Bài viết này áp dụng mô hình chỉ số Z để đo lường nguy cơ vỡ nợ của các doanh nghiệp sản xuất trong ngành Thép và các sản phẩm liên quan đến thép đang niêm yết trên thị trường chứng khoán Việt Nam. Qua đó, các doanh nghiệp cũng có thể tự nhận viết được tình hình tài chính của chính doanh nghiệp mình để có các cải thiện phù hợp; các tổ chức tín dụng cũng có được thông tin để áp dụng các chính sách của mình trong việc cho vay, đảm bảo an toàn vốn là nguyên tắc hàng đầu.

2. Đối tượng và phương pháp nghiên cứu

Để đo lường rủi ro vỡ nợ của các doanh nghiệp thép đang niêm yết trên thị trường chứng khoán Việt Nam, bài viết sử dụng mô hình điểm số Z của giáo sư Edward I.Altman để xác định điểm tín dụng cho các doanh nghiệp này.

Mô hình như sau: Z = 1.2 X1 + 1.4X2 + 3.3 X3 + 0.6 X4 + 0.999 X5

Trong đó: X1 là Vốn lưu động/ tổng tài sản; X2 là Lợi nhuận giữ lại/ tổng tài sản; X3 là Lợi nhuận trước lãi vay và thuế/ tổng tài sản; X4 là Vốn chủ sở hữu/ tổng nợ; X5 là Doanh thu/ tổng tài sản.

Ý nghĩa mô hình: Mô hình này áp dụng với các doanh nghiệp sản xuất, cổ phần hóa. Nếu Z > 2.99 Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản. Nếu 1.8 < Z < 2.99 Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản. Nếu Z < 1.8 Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao.

Theo cách tiếp cận này, bài viết đã thu thập số liệu của 30 doanh nghiệp thép và các sản phẩm về thép trong 3 kỳ gần đây nhất, dùng công cụ Excel để tính toán các chỉ tiêu và chỉ số Z chung.

3. Kết quả nghiên cứu và thảo luận

Rủi ro vỡ nợ của các doanh nghiệp là nguy cơ doanh nghiệp không đủ khả năng để thanh toán các khoản nợ hoặc không thực hiện đầy đủ nghĩa vụ với ngân hàng, đó là việc doanh nghiệp không trả đầy đủ, đúng hạn cả gốc và lãi cho ngân hàng, gây tổn thất cho ngân hàng cung cấp tín dụng. Từ rủi ro vỡ nợ có thể dẫn tới rui ro phá sản doanh nghiệp.

Trên cơ sở số liệu từ báo cáo tài chính của các doanh nghiệp thép và sản phẩm liên quan tới thép trong ba kỳ gần đây, tác giả đã tổng hợp các số liệu liên quan đến chỉ số Z, tính toán đưa ra kết quả theo Bảng 1.

Bảng 1. Chỉ số Z các doanh nghiệp thép

Nguồn: Báo cáo tài chính các doanh nghiệp – tác giả tính toán

Bảng 1 cho thấy trong kỳ 1: có 10 doanh nghiệp nằm trong vùng an toàn, 11 doanh nghiệp trong vùng cảnh báo và 9 doanh nghiệp trong vùng nguy cơ vỡ nợ cao; Trong kỳ 2: có 13 doanh nghiệp an toàn, 10 doanh nghiệp trong vùng cảnh báo, 7 doanh nghiệp trong vùng nguy cơ vỡ nợ cao; Đến kỳ 3: số doanh nghiệp an toàn là 14, số doanh nghiệp trong vùng an toàn là 11, còn 5 doanh nghiệp có nguy cơ vỡ nợ cao. Trong đó, có 2 doanh nghiệp có chỉ số Z âm là HLA và VES, điều này khi xem xét báo cáo tài chính thấy rằng doanh nghiệp cố ý để vốn chủ sở hữu âm, nợ cổ đông chưa trả quá cao.

Bảng 2. Cảnh báo theo vùng doanh nghiệp ngành Thép

Biểu diễn chỉ số Z theo nhóm vùng cảnh báo, ta có biểu đồ sau:

Biểu đồ 1: Cảnh báo theo vùng doanh nghiệp ngành Thép

Như vậy, theo thời gian, số doanh nghiệp thép trong vùng cảnh báo đã giảm dần, ngược lại số doanh nghiệp thép tròng vùng an toàn tăng. Tuy nhiên, nhóm doanh nghiệp thép trong vùng cảnh báo vẫn còn nhiều. Qua đây, các doanh nghiệp thép có thể duy trì, cải thiện tình hình tài chính để nâng cao chỉ số Z.          

Biểu diễn sự biến động chỉ số Z của các doanh nghiệp nghiệp ngành Thép qua các kỳ gần đây bằng biểu đồ, chúng ta theo dõi Biểu đồ 2.

Biểu đồ 2: Chỉ số Z các doanh nghiệp ngành Thép

4. Kết luận và khuyến nghị

Với kết quả đạt được từ mô hình Z của Edward I.Altman áp dụng với các doanh nghiệp thép đang niêm yết trên thị trường chứng khoán Việt Nam trong 3 kỳ gần đây, chúng ta có thể đưa ra một số kết luận sau:

Số doanh nghiệp thép nằm trong vùng an toàn chiếm tỷ lệ thấp 41%, tỷ lệ doanh nghiệp ngành Thép nằm trong vùng cảnh báo cao trung bình là 36% và tỷ lệ nhóm doanh nghiệp ngành Thép nằm trong vùng nguy hiểm cao trung bình là 23% như BVG, DNY, KTL,TDS, VES, POM. Như vậy, các doanh nghiệp này cần hết sức tích cực cải thiện tình hình tài chính của mình để nâng cao mức an toàn theo chỉ số Z. Về phía các ngân hàng thương mại, cũng có thể thông qua bảng đánh giá trên để xem xét tình hình cấp tín dụng cho các doanh nghiệp này.

Một số phương án mà các doanh nghiệp ngành Thép có thể áp dụng để nâng cao chỉ số Z thông qua tăng các tỷ số thành phần của Z.

– Phương án 1: Quản lý và sử dụng hiệu quả tải sản của doanh nghiệp: Trong thành phần tính toán hình thành chỉ số Z thì tổng tài sản được nhắc đến nhiều lần và là thành phần mẫu số trong các tỷ số thành phần X1, X2, X3. Do đó, việc tăng chỉ số Z bằng việc giảm tổng tài sản là điều cần thiết. Như vậy, doanh nghiệp ngành Thép có thể nâng chỉ số Z bằng việc quản lý và sử dụng hiệu quả tài sản của mình. Việc phân loại và đánh giá tài sản sử dụng không hiệu quả là cần thiết, doanh nghiệp có thể thanh lý các tài sản không sử dụng hiệu quả, lựa chọn công nghệ phù hợp. Như thế, tổng tài sản có thể giảm, chi phí khấu hao cũng giảm, lợi nhuận của doanh nghiệp sẽ tăng.

– Phương án 2: Nâng cao hiệu quả sản xuất kinh doanh: Do tính cạnh tranh ngày càng khốc liệt hơn, ảnh hưởng của thị trường, chính sách sẽ làm ảnh hưởng đến kết quả kinh doanh của các doanh nghiệp ngành thép. Vì vậy, việc kinh doanh hiệu quả, tăng thị phần, tăng doanh thu kết hợp giảm chi phí để tăng lợi nhuận giúp làm tăng chỉ số thành phần X2, X3. Ngoài ra, doanh thu tăng còn làm tăng vốn lưu động dẫn tới X1 tăng từ đó làm cho chỉ số Z tăng, giảm khả năng vỡ nợ.

Giải pháp đối với các ngân hàng thương mại:

– Phương án 1: Kết hợp chấm điểm tín dụng với kết quả tính toán chỉ số Z để đưa ra các hạn mức phù hợp với từng doanh nghiệp ngành ngành Thép. Với các doanh nghiệp nằm trong vùng an toàn có thể tiếp tục cho vay hoặc tăng hạn mức cho vay, với các doanh nghiệp nằm trong vùng cảnh báo thì hạn chế cho vay, hoặc thu hẹp hạn mức cho vay, còn với các doanh nghiệp nằm trong vùng nguy hiểm thì dừng cho vay, thu hẹp hạn mức, tìm cách thu hồi vốn dần.

– Bên cạnh đó, các ngân hàng thương mại cũng cần xem xét kỳ đến đặc thù của ngành, các doanh nghiệp ngành Thép hầu hết đều có tài sản cố định lớn, hàng tồn kho nhiều, lại chịu sự tác động mạnh của thị trường nên rủi ro kinh doanh cao. Do đó, cần áp dụng chính sách tín dụng phù hợp. Đánh giá quá trình phát triển, uy tín và cam kết của doanh nghiệp, của ban lãnh đạo doanh nghiệp để có đánh giá chính xác, hỗ trợ doanh nghiệp.

Dự đoán hành vi trả nợ đúng hạn của khách hàng cá nhân tại ngân hàng thương mại

Dự đoán hành vi trả nợ đúng hạn của khách hàng cá nhân tại ngân hàng thương mại

(Nguồn: http://tapchicongthuong.vn/)

PHẠM THỊ HƯƠNG HUYỀN – NGUYỄN VĂN TÔN (Trường Đại học Kinh tế Quốc dân)

• Giá trị thương hiệu và các yếu tố tác động đến giá trị thương hiệu của Ngân hàng Thương mại Cổ phần Đông Á
• Phân tích các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng cá nhân tại Ngân hàng Thương mại cổ phần Sài Gòn Thương Tín – Chi nhánh Tân Bình
• Phân tích các nhân tố ảnh hưởng tới quản lý rủi ro của các ngân hàng thương mại tại TP. Hồ Chí Minh

TÓM TẮT:

Bài viết nghiên cứu ứng dụng phương pháp cây quyết định trong công tác dự báo khả năng trả nợ đúng hạn của khách hàng.

Dựa trên kho dữ liệu tích lũy làm dữ liệu huấn luyện, tính toán dự báo khả năng trả nợ đúng hạn của khách hàng cá nhân tại ngân hàng thương mại. Thực hiện đánh giá kết quả dự đoán trên cơ sở các mẫu dữ liệu trích ra từ dữ liệu thu thập, từ đó đưa ra các giải pháp tăng cường nhận diện khả năng trả nợ đúng hạn của khách hàng giúp ngân hàng quản trị rủi ro trong hoạt động cho vay cá nhân tốt hơn.

Từ khóa: Trả nợ đúng hạn, khách hàng cá nhân, ngân hàng thương mại, quản trị rủi ro.

1. Đặt vấn đề

Hoạt động cho vay cá nhân là một bộ phận quan trọng trong hoạt động tín dụng nói chung của ngân hàng. Đây là lĩnh vực đem lại tiềm năng phát triển lớn cũng như nguồn lợi nhuận bền vững cho các ngân hàng thương mại (NHTM). Tuy nhiên, hoạt động cho vay với đối tượng khách hàng cá nhân (KHCN) cũng đem lại rủi ro cao. Do vậy, việc dự báo khả năng trả nợ đúng hạn và tìm hiểu các nhân tố tác động đến khả năng trả nợ của KHCN là vô cùng quan trọng và cần thiết, để giúp các NHTM tăng cường khả năng nhận diện, khả năng trả nợ đúng hạn của khách hàng, góp phần giảm thiểu nợ xấu và tăng cường công tác quản trị rủi ro tín dụng [1-2].

Đã có nhiều nghiên cứu về khả năng trả nợ đúng hạn của khách hàng. Mỗi đề tài được nghiên cứu với các lĩnh vực, địa bàn, nhóm đối tượng và mục đích khác nhau.

Nghiên cứu này sẽ sử dụng mô hình cây quyết định qua 2 thuật toán ID3 (Iterative Dichotomiser 3) và CART (cây phân loại và hồi quy) để dự báo khả năng trả nợ đúng hạn tại một NHTM và so sánh kết quả với mô hình logit vẫn đang được dùng phổ biến hiện nay [3-4]. 

2. Ứng dụng cây quyết định dự đoán khả năng trả nợ đúng hạn của KHCN tại NHTM

2.1. Số liệu và biến số

Nguồn số liệu: Bộ số liệu được lấy từ trang web kaggle.com về các KHCN vay nợ tại một NHTM. Sau khi xử lý dữ liệu gồm 500 quan sát với 8 biến: Trả nợ, độ tuổi, giới tính, tình trạng kết hôn, mục đích vay, tài sản thế chấp, thời hạn vay, thu nhập.

Các biến số:

– Biến phụ thuộc: Biến “Trả nợ” bao gồm hai thuộc tính là trả nợ đúng hạn (có) và trả nợ không đúng hạn (không).

– Biến độc lập: Bao gồm 7 biến: Độ tuổi, giới tính, tình trạng kết hôn, mục đích vay, tài sản thế chấp, thời hạn vay và thu nhập. 

2.2. Kết quả phương pháp cây quyết định 

2.2.1. Thuật toán ID3 trong dự báo khả năng trả nợ đúng hạn của KHCN

Bảng 1. Mô hình cây quyết định từ thuật toán ID3

TSTC = Khong|   Mucdich = TD cu tru|   |   Tuoi = Trung nien|   |   |   Khoanvay = Ngan han: Khong (16.0/5.0)|   |   |   Khoanvay = Dai han: Co (6.0/1.0)|   |   |   Khoanvay = Trung han: Khong (0.0)|   |   Tuoi = Than nien: Khong (5.0/1.0)|   |   Tuoi = Nguoi gia: Co (16.0/2.0)|   Mucdich = Dau tu|   |   Gioi tinh = Nam: Khong (71.0/9.0)|   |   Gioi tinh = Nu: Co (9.0/1.0)|   Mucdich = TD phi cu tru|   |   Thunhap = Thap: Co (28.0/2.0)|   |   Thunhap = Trung binh: Khong (5.0/1.0)|   |   Thunhap = Cao|   |   |   Tuoi = Trung nien|   |   |   |   Khoanvay = Ngan han: Co (3.0/1.0)|   |   |   |   Khoanvay = Dai han: Khong (0.0)|   |   |   |   Khoanvay = Trung han: Khong (11.0/3.0)|   |   |   Tuoi = Than nien: Co (4.0/1.0)|   |   |   Tuoi = Nguoi gia: Khong (3.0)|   Mucdich = SX kinh doanh|   |   Kethon = Co gia dinh: Co (38.0/1.0)|   |   Kethon = Doc than: Khong  (8.0/2.0)TSTC = Co: Co (277.0/16.0)

Nguồn: Phân tích của tác giả

Các luật ứng với cây quyết định ID3:

– Nếu khách hàng có TSTC thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng cư trú và độ tuổi là người già thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng cư trú và độ tuổi là thanh niên thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng cư trú, độ tuổi là trung niên, khoản vay là ngắn hạn thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng cư trú, độ tuổi là trung niên, khoản vay là dài hạn thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng cư trú, độ tuổi là trung niên, khoản vay là trung hạn thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là đầu tư, giới tính nam thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là đầu tư, giới tính nữ thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cưu trú, thu nhập thấp thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập trung bình thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập cao, độ tuổi là thanh niên thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập cao, độ tuổi là người già thì trả nợ không đúng hạn

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập cao, độ tuổi là trung niên, khoản vay là ngắn hạn thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập cao, độ tuổi là trung niên, khoản vay là trung hạn thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là tiêu dùng phi cư trú, thu nhập cao, độ tuổi là trung niên, khoản vay là dài hạn thì trả nợ không đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là sản xuất kinh doanh, tình trạng hôn nhân là đã kết hôn thì trả nợ đúng hạn.

– Nếu khách hàng không có TSTC, mục đích vay là sản xuất kinh doanh, tình trạng hôn nhân là độc thân thì trả nợ không đúng hạn.

Đánh giá mô hình:

Bảng 2. Ma trận Cofusion Matrix từ thuật toán ID3

Nguồn: Phân tích của tác giả

2.2.2. Thuật toán CART trong dự báo khả năng trả nợ đúng hạn của KHCN

Bảng 3. Mô hình cây quyết định từ thuật toán CART

TSTC = (Co)|  Gioi tinh = (Nu): Co(120.0/2.0).(24%_0.98)|  Gioi tinh != (Nu)|  |  Thunhap = (Thap)|(Cao): Co(83.0/3.0).(16.6%_0.96) |  |  Thunhap != (Thap)|(Cao)|  |  |  Mucdich = (Tieu dung phi cu tru)|(SX kinh doanh)|(Tieu dung cu tru): Co(58.0/6.0).(11.6%_0.9)|  |  |  Mucdich != (Tieu dung phi cu tru)|(SX kinh doanh)|(Tieu dung cu tru)|  |  |  |  Khoanvay = (Trung han): Co(7.0/1.0).(1.4%_0.86)|  |  |  |  Khoanvay != (Trung han)|  |  |  |  |  Tuoi = (Trung nien): Co(7.0/2.0).(1.4%_0.71)|  |  |  |  |  Tuoi != (Trung nien): Khong (2.0/0.0).(0.4%_1)TSTC != (Co)|  Mucdich = (SX kinh doanh)|(Tieu dung phi cu tru)|(Tieu dung cu tru)|  |  Khoanvay = (Dai han)|  |  |  Kethon = (Co gia dinh): Co(36.0/2.0).(7.2%_0.94)|  |  |  Kethon != (Co gia dinh)|  |  |  |  Mucdich = (Tieu dung cu tru)|(Tieu dung phi cu tru)|(Dau tu): Co(13.0/1.0).(2.6%_0.92)|  |  |  |  Mucdich != (Tieu dung cu tru)|(Tieu dung phi cu tru)|(Dau tu): Khong (2.0/0.0).(0.4%_1)|  |  Khoanvay != (Dai han)|  |  |  Mucdich = (SX kinh doanh)|  |  |  |  Kethon = (Co gia dinh): Co(14.0/0.0).(2.8%_1)|  |  |  |  Kethon != (Co gia dinh): Khong (6.0/2.0).(1.2%_0.67)|  |  |  Mucdich != (SX kinh doanh)|  |  |  |  Thunhap = (Thap)|  |  |  |  |  Mucdich = (Tieu duøng phi cu tru): Co(13.0/1.0).(2.6%_0.92)|  |  |  |  |  Mucdich != (Tieu dung phi cu tru)|  |  |  |  |  |  Kethon = (Doc than): Co(13.0/5.0)(2.6%_0.62)|  |  |  |  |  |  Kethon != (Doc than): Khong (2.0/0.0).(0.4%_1)|  |  |  |  Thunhap != (Thap)|  |  |  |  |  Tuoi = (Nguoi gia)|  |  |  |  |  |  Mucdich = (Tieu dung cu tru)|(Dau tu)|(SX kinh doanh): Co(8.0/0.0).(1.6%_1)|  |  |  |  |  |  Mucdich != (Tieu dung cu tru)|(Dau tu)|(SX kinh doanh): Khong (5.0/0.0).(1%_1)|  |  |  |  |  Tuoi != (Nguoi gia)|  |  |  |  |  |  Thunhap = (Cao)|(Thap)|  |  |  |  |  |  |  Gioi tinh = (Nu): Co(10.0/4.0).(2%_0.6)|  |  |  |  |  |  |  Gioi tinh != (Nu): Khong (8.0/2.0).(1.6%_0.75)|  |  |  |  |  |  Thunhap != (Cao)|(Thap): Khong (13.0/1.0).(2.6%_0.92)|  Mucdich != (SX kinh doanh)|(Tieu dung phi cu tru)|(Tieu dung cu tru)|  |  Gioi tinh = (Nu): Co(9.0/1.0).(1.8%_0.89)|  |  Gioi tinh != (Nu): Khong (71.0/9.0).(14.2%_0.87)

Nguồn: Phân tích của tác giả

Đánh giá mô hình:

Bảng 4. Ma trận Cofusion Matrix từ thuật toán CART

Nguồn: Phân tích của tác giả

2.2.3. So sánh kết quả các mô hình

Nghiên cứu đưa ra một số kết quả của phương pháp cây quyết định với mô hình logit để so sánh các mô hình.

Bảng 5. Chỉ số đánh giá các mô hình nghiên cứu

Nguồn: Phân tích của tác giả

Phương pháp cây quyết định sử dụng trên 2 thuật toán ID3 và CART có kết quả khá tốt, dự báo chính xác gần 90% và có chỉ số đánh giá mô hình (MAE, MSE) khá nhỏ cho thấy mô hình là phù hợp trong việc dự báo khả năng trả nợ đúng hạn của khách hàng.

3. Kết luận và khuyến nghị

3.1. Kết luận

Kết quả nghiên cứu cho thấy, mô hình cây quyết định khá phù hợp cho việc dự đoán khả năng trả nợ đúng hạn của KHCN, giúp ngân hàng có thể nhận diện những nhóm khách hàng không có khả năng trả nợ đúng hạn, từ đó có những biện pháp nhằm phòng ngừa rủi ro. Từ cây quyết định có thể thấy, những người có TSTC đa số đều trả nợ đúng hạn và chiếm một tỷ trọng khá cao. Sau đó là các khách hàng có thu nhập cao, khách hàng vay để kinh doanh trong điều kiện đã kết hôn và khách hàng là trung niên vay dài hạn. Ngược lại, những khách hàng không có tài sản thế chấp và vay cho việc đầu tư chiếm tỷ phần lớn trong những khách hàng không trả nợ đúng hạn.

Ngoài việc phân tích, dự báo khả năng trả nợ đúng hạn của khách hàng, nghiên cứu còn đưa ra sự khác biệt giữa phương pháp cây quyết định với mô hình logit về kết quả thực nghiệm. 

3.2. Khuyến nghị

Khách hàng vay vốn ở các NHTM rất đa dạng nên tùy theo từng giai đoạn và đối tượng cần có chiến lược khách hàng và mục tiêu cụ thể.

NHTM cần nhìn đúng thực trạng dư nợ để có biện pháp thích hợp xử lý nợ quá hạn phát sinh. Quá trình xử lý phải tuân thủ đúng cơ chế hiện hành kết hợp với các biện pháp xử lý linh hoạt, vừa tránh tổn thất cho ngân hàng, vừa giúp khách hàng tháo gỡ khó khăn. NHTM cần tìm hiểu nguyên nhân khách hàng vay vốn không trả được nợ vay đúng hạn. Từ đó, ngân hàng có thể phân tích và tìm ra nguyên nhân nợ quá hạn phát sinh và đánh giá thực trạng nợ của từng hồ sơ cho vay để có biện pháp xử lý.

Hiện đại hóa trang thiết bị, cơ sở vật chất là yêu cầu đối với các chi nhánh hiện nay. Điều này không những giúp nhân viên làm việc hiệu quả, phát huy hết khả năng mà còn tạo ấn tượng tốt đối với khách hàng. Thời gian làm thủ tục hay giao dịch giữa ngân hàng và khách hàng diễn ra nhanh chóng, đơn giản. Những yếu tố về cơ sở vật chất sẽ ảnh hưởng đến tâm lý của khách hàng về quy mô, vị thế của chi nhánh. Hoạt động cho vay KHCN có đặc điểm là số lượng khách hàng vay nhiều nhưng quy mô khoản vay nhỏ, do đó việc áp dụng công nghệ hiện đại sẽ giúp tăng năng suất lao động, tiết kiệm thời gian thực hiện quy trình nghiệp vụ, phục vụ nhu cầu khách hàng nhanh chóng hơn, từ đó đem lại uy tín cho ngân hàng.

———————–&&&———————–

Áp dụng mô hình GARCH dự báo ảnh hưởng của đại dịch Covid-19 đến thị trường chứng khoán Việt Nam

Áp dụng mô hình GARCH dự báo ảnh hưởng của đại dịch Covid-19 đến thị trường chứng khoán Việt Nam

(Nguồn: http://tapchicongthuong.vn)

ThS. LÊ VĂN TUẤN (Trường Đại học Thương mại) – TS. PHÙNG DUY QUANG (Trường Đại học Ngoại thương)

• Mối quan hệ cơ cấu sở hữu vốn đến hiệu quả hoạt động và cấu trúc vốn của công ty: Nghiên cứu thực nghiệm tai thị trường chứng khoán Việt Nam
• Một số vấn đề về thị trường chứng khoán những tháng đầu năm 2020 trước bối cảnh dịch Covid-19
• Xác định các tiêu chí đo lường chất lượng thông tin kế toán – áp dụng cho các doanh nghiệp xây lắp niêm yết trên thị trường chứng khoán ở Việt Nam

TÓM TẮT:

Bài viết sử dụng mô hình GARCH để mô hình hóa và thực hiện dự báo cho chỉ số VNIndex, chỉ số đại diện cho thị trường chứng khoán (TTCK) Việt Nam. Kết quả thống kê cho thấy, mô hình phù hợp nhất để khái quát hóa sự biến động của VNIndex là GARCH (1,1).

Kết quả giả lập cũng cho biết, ảnh hưởng của đại dịch Covid-19 (đợt 1) lên TTCK Việt Nam là rất lâu dài, khả năng cao để thị trường có thể phục hồi trở lại như trước đại dịch cần khoảng thời gian là 3 năm 3 tháng.

Từ khóa: Chỉ số VNIndex, đại dịch Covid-19, mô hình GARCH, thị trường chứng khoán Việt Nam.

1. Đặt vấn đề

Mô hình hóa yếu tố bất định là vấn đề căn bản của tài chính định lượng, được ứng dụng trong cả 3 mảng chính: Phân bổ danh mục đầu tư, quản trị rủi ro và định giá các hợp đồng tài chính. Việc mô hình hóa này cung cấp các tính chất thống kê của sự thay đổi về giá, từ đó tìm được cách để dự báo tốt hơn. Các chuỗi dữ liệu theo thời gian được cho là phụ thuộc vào giá trị quá khứ của chính nó (autoregressive), điều kiện của các thông tin trong quá khứ (conditional) và tồn tại phương sai thay đổi (heteroskedastic). Các nghiên cứu cho thấy, những biến động của TTCK thay đổi theo thời gian và biến động theo cụm, trong đó một chuỗi thời gian với một số thời kỳ biến động thấp và một số thời kỳ biến động cao được cho là tồn tại biến động theo cụm (volatility clustering).

Mô hình ARCH¹ (Autoregressive Conditional Heterokedasticity) và họ các mô hình tổng quát của nó, GARCH (Generalized Autoregressive Conditional Heterokedasticity), đã mở ra một kỷ nguyên mới trong lĩnh vực mô hình hóa tài chính (trường hợp riêng là cho thị trường chứng khoán). Đóng góp chính của các mô hình này là cho phép mô hình hóa các yếu tố bất định là một quá trình động, thay vì giả định sự biến động trong tương lai là hằng số, nó là quá trình biến đổi theo thời gian.

Ở Việt Nam, các nghiên cứu về áp dụng mô hình ARCH/GARCH cho thị trường chứng khoán xuất hiện từ khá sớm. Hoàng (2004) đã tìm kiếm bằng chứng khoa học về hiệu ứng GARCH trên dãy thống kê lợi suất của chỉ số giá thị trường và 10 cổ phiếu đang niêm yết. Kết quả kiểm định đáng khích lệ. Tiên (2017) đã thực hiện các phân tích bằng mô hình GARCH cân xứng và bất cân xứng. Theo tiêu chí AIC và SIC, nghiên cứu chứng minh rằng GARCH (1,1) và EGARCH (1,1) được đánh giá là mô hình thích hợp nhất để đo lường các dao động đối xứng và bất đối xứng của VN-Index. Khoa (2017) đã dự báo những biến động có điều kiện của thị trường chứng khoán Việt Nam. Kết quả cho thấy, mô hình GARCH (1,1) là phù hợp để ước tính sự biến động của thị trường chứng khoán trong nước.

Do vậy, bài viết sẽ mô hình hóa biến động của TTCK Việt Nam, được đại diện bởi chỉ số VN-Index, qua mô hình ARCH/GARCH. Kết quả thống kê sẽ chỉ ra mô hình GARCH nào là phù hợp để mô tả VN-Index. Bên cạnh đó, thông qua giả lập sự biến đổi của VN-Index trong tương lai, bài viết đưa ra dự báo về khả năng phục hồi của thị trường chứng khoán Việt Nam qua đợt sụt giảm vì đại dịch Covid-19 (đợt 1).

2. Cơ sở lý thuyết²

2.1. Các khái niệm cơ bản

Ký hiệu chuỗi thời gian là một họ các biến ngẫu nhiên (X_t)_tϵZ (còn gọi là quá trình ngẫu nhiên).

2.1.1. Các mô men

Ta định nghĩa hàm trung bình (mean) và hàm tự hiệp phương sai (autocovariance) của (X_t)_tϵZ (nếu tồn tại) là:

μ (t) = E(X_t),                                t ∈ Z

γ (t, s) = E((X_t –  μ(t)(X_s – μ(s)),    t, s ∈ Z

2.1.2. Tính dừng

Định nghĩa 1 (dừng chặt). Chuỗi thời gian (X_t)_tϵZ được gọi là dừng chặt (strictly stationary) nếu:

với mọi t₁,… , t_n, k ∈ Z  và n ∈ Z.

Định nghĩa 2 (dừng hiệp phương sai). Chuỗi thời gian (X_t)_tϵZ được gọi là dừng hiệp phương sai (covariance stationary – còn gọi là dừng yếu hay dừng bậc 2) nếu các mô men bậc 1 & 2 tồn tại và thỏa mãn:

μ (t) = μ,                                t ∈ Z.

γ (t, s) = γ (t + k, s + k),               t, s, k ∈ Z

Lưu ý, chuỗi dừng chặt có phương sai hữu hạn là chuỗi dừng hiệp phương sai.

2.1.3. Tự tương quan

Giả sử (X_t)_tϵZ là chuỗi dừng hiệp phương sai, ký hiệu:

γ (h) = γ (h, 0),               h ∈ Z.

Lưu ý, γ(0) = var (X_t), ∀t.

Định nghĩa 3 (hàm tự tương quan). Cho (X_t)_tϵZ là chuỗi dừng hiệp phương sai, hàm tự tương quan (autocorrelation) được định nghĩa là:

ρ (h) = γ (h)/γ(0),               h ∈ Z.

2.1.4. Quá trình nhiễu trắng

Định nghĩa 4 (nhiễu trắng). (X_t)_tϵZ được gọi là quá trình nhiễu trắng (white noise) nếu nó là dừng hiệp phương sai và thỏa mãn:

Quá trình nhiễu trắng có trung bình bằng 0, phương sai σ² = var (X_t) được ký hiệu là WN(0, σ²).

Định nghĩa 5 (nhiễu trắng chặt). (X_t)_tϵZ được gọi là quá trình nhiễu trắng chặt (strict white noise) nếu nó là dãy biến ngẫu nhiên độc lập cùng phân phối (idd) có phương sai hữu hạn.

Quá trình nhiễu trắng chặt có trung bình bằng 0, phương sai σ² = var (X_t) được ký hiệu là SWN(0, σ²).

Lưu ý, quá trình nhiễu trắng chặt là trường hợp riêng của nhiễu trắng.

2.2. Quá trình ARMA

Định nghĩa 6 (quá trình ARMA). Quá trình (X_t)_tϵZ được gọi là quá trình ARMA (p, q) trung bình 0, nếu nó là dừng hiệp phương sai và thỏa mãn:

X_t = φ₁X_t-1 + …+ φ_pX_t-p + ε_t + θ₁ε_t-1 + … + θ_qε_t-q,         ∀t ∈ Z.

với (ε_t)_tϵZ là quá trình  WN(0, σ²).

Quá trình (X_t)_tϵZ được gọi là quá trình ARMA (p, q) trung bình μ nếu (X_t – μ)_tϵZ là quá trình ARMA (p, q) trung bình 0.

2.3. Quá trình ARCH

Định nghĩa 7. Cho (Z_t)_tϵZ là quá trình SWN(0,1). Quá trình (X_t)_tϵZ được gọi là quá trình ARCH (p) nếu nó là dừng chặt và thỏa mãn, ∀t ∈ Z:

với (σ_t)_tϵZ là quá trình có giá trị dương ngặt; α₀ > 0 và α_i > 0, i = 1, …, p.

2.4. Quá trình GARCH

Định nghĩa 8. Cho (Z_t)_tϵZ là quá trình SWN(0,1). Quá trình (X_t)_tϵZ được gọi là quá trình GARCH (p, q) nếu nó là dừng chặt và thỏa mãn, ∀t ∈ Z:

với (σ_t)_tϵZ  là quá trình có giá trị dương ngặt; α₀ > 0 và α_i > 0, i = 1, …, p, và β_i > 0, j = 1, …, q.

Lưu ý, quá trình GARCH (X_t)_tϵZ là dừng hiệp phương sai khi và chỉ khi 

Khi đó, (X_t)_tϵZ là nhiễu trắng.

2.5. Mô hình ARMA với sai số GARCH

Quá trình ARMA liên kết với nhiễu trắng (ε_t)_tϵZ, và quá trình dừng hiệp phương sai GARCH là một nhiễu trắng. Vì vậy, có thể kết hợp mô hình ARMA và GARCH bằng cách xem sai số ε_t của mô hình ARMA là ε_tZ_t.

Định nghĩa 9. Cho (Z_t)_tϵZ là quá trình SWN(0,1). Quá trình (X_t)_tϵZ được gọi là quá trình ARMA (p₁, q₁) với sai số là GARCH (p₂, q₂) nếu nó là dừng hiệp phương sai và thỏa mãn:

Lưu ý, giả sử (F_t)_tϵZ là lọc tự nhiên của (X_t)_tϵZ, khi đó:

3. Kết quả và thảo luận³

3.1. Dữ liệu

Dữ liệu mô tả chỉ số VN-Index (chỉ số cuối ngày) từ 30/7/2007⁴ đến 23/4/2020, dữ liệu bao gồm giai đoạn khủng khoảng tài chính năm 2009 và giai đoạn ảnh hưởng của đại dịch Covid-19. Nguồn dữ liệu lấy từ trang chủ của Công ty Cổ phần Chứng khoán VNDIRECT⁵. Các kết quả thực nghiệm của bài viết đều được nhóm tác giả thực hiện trên phần mềm EVIESWS.

Hình 1: Dữ liệu lịch sử của chỉ số VN-Index

Nguồn: Dự trên số liệu và kết quả vẽ trên phần mềm EVIEWS

Hình 1 cho thấy, TTCK Việt Nam đã trải qua 2 đợt suy giảm mạnh, giai đoạn khủng hoảng tài chính năm 2009 và ảnh hưởng của đại dịch Covid-19. Sau giai đoạn khủng hoảng 2009, thị trường chứng kiến một giai đoạn dài (khoảng 9 năm) tăng trưởng tương đối bền vững.

Hình 2: Dãy lợi suất của VN-Index

Nguồn: Dựa trên số liệu và kết quả vẽ trên phần mềm EVIEWS

Hình 2 cho thấy, lợi suất⁶ theo ngày của VN-Index dao động xung quanh giá trị 0. Có những biến động mạnh tăng/giảm tập trung gần nhau, gọi là hiện tượng biến động cụm (volatility clustering). Các biến động cụm xuất hiện rõ ràng ở 2 đợt suy giảm. Đây là bằng chứng cho thấy phương sai của lợi suất thay đổi theo thời gian và vai trò của mô hình ARCH/GARCH khi mô hình hóa chuỗi lợi suất.

3.2. Kiểm định hiệu ứng ARCH

Trước khi ước tính mô hình GARCH, cần kiểm tra sự tồn tại hiệu ứng ARCH trong tập dữ liệu. Nhóm tác giả sẽ sử dụng kiểm định Lagrange Multiplier (LM): Hồi quy bình phương sai số theo các độ trễ của nó và kiểm định giả thiết các hệ số của các độ trễ là bằng 0. Phép kiểm định dùng đầu vào là chuỗi lợi suất với một độ trễ cho trước. Giả thiết H0 là không có hiệu ứng ARCH trong dữ liệu. Giá trị p-value càng nhỏ, càng chứng tỏ tồn tại bằng chứng về hiệu ứng ARCH.

Bảng 1. Kết quả kiểm định hiệu ứng ARCH cho VNIndex

Nguồn: Dựa trên số liệu và kết quả tính toán trên phần mềm EVIEWS

Bảng 1 cho thấy, các giá trị p-value đều < 5%, do vậy tồn tại hiệu ứng ARCH trong chuỗi lợi suất của VN-Index.

3.3. Lựa chọn mô hình GARCH

Lựa chọn mô hình GARCH với độ trễ thích hợp nhất bằng cách so sánh mức độ phù hợp (Goodness Of Fit) của các mô hình. Hai chỉ số quan trọng có thể dùng là AIC (Akaike Information Criteria) hoặc BIC (Bayesian Information Criteria): Chỉ số AIC hoặc BIC nhỏ hơn thì mô hình tốt hơn.

Bảng 2 sẽ so sánh mức độ phù hợp của việc mô hình hóa chuỗi lợi suất VN-Index: Mô hình ARMA(p₁, q₁) cho trung bình có điều kiện và mô hình GARCH(p₂, q₂) cho phương sai có điều kiện (độ trễ lớn nhất là 5).

Bảng 2. Mức độ phù hợp của các mô hình

Nguồn: Dựa trên số liệu và kết quả tính toán trên phần mềm EVIEWS

Bảng 2 cho thấy, mô hình tốt nhất là ARMA(3, 3)-GARCH(1, 1) nếu sử dụng AIC và là ARMA(1, 1)-GARCH(1, 1) nếu sử dụng BIC. Vì mô hình đơn giản hơn sẽ được ưu tiên hơn nên ta sẽ chọn mô hình ARMA(1, 1)-GARCH(1, 1) cho chuỗi lợi suất VN-Index.

3.4. Giả lập theo mô hình GARCH

Sử dụng mô hình ARMA(1, 1)-GARCH(1, 1) để giả lập cho các giá trị tương lai của chỉ số VN-Index. Hình 3 minh họa cho 5.000 đường giả lập.

Hình 3: Giả lập cho chỉ số VN-Index trong tương lai

Nguồn: Dựa trên số liệu và kết quả vẽ trên phần mềm EVIEWS

Ngày cuối cùng trong dữ liệu mẫu là 23/4/2020, đó cũng là ngày đầu tiên bắt đầu giả lập. Đường nằm ngang chạy qua đỉnh gần với giai đoạn ảnh hưởng của đại dịch Covid-19 nhất, ngày 22/1/2020, giá trị cuối ngày là 991.46.

Hình 4: Xác suất VNIndex đạt lại mốc 991.46

Nguồn: Dựa trên số liệu và kết quả vẽ trên phần mềm EVIEWS

Hình 4 mô tả xác suất của giá trị trong tương lai của VN-Index đạt mốc 991.46, được tính bằng số lần vượt mốc 991.46 tại mỗi điểm giả lập trong tương lai.

Rõ ràng, xác suất VN-Index đạt lại mốc 991.46 tăng theo thời gian. Thời điểm 30/8/2020 có xác suất là 0,1%. Như vậy, khả năng VN-Index quay lại mốc trước ảnh hưởng của đại dịch Covid-19 trong 4 tháng tới là gần như bằng không. Thời điểm ngày 19/11/2023 có xác suất là 50%. Như vậy, khả năng cao để VN-Index phục hồi sau ảnh hưởng của Covid-19 là sau khoảng 3 năm 3 tháng.

4. Kết luận

Bài viết đã nghiên cứu các tính chất thống kê chuỗi lịch sử của chỉ số/lợi suất VN-Index và thực hiện dự báo cho tương lai thông qua giả lập/mô phỏng.

Kết quả cho thấy, có những bằng chứng rõ ràng về sự tồn tại của hiệu ứng ARCH trong chuỗi dữ liệu lợi suất VN-Index. Mô hình phù hợp nhất để mô tả lợi suất VN-Index là ARMA(1,1)-GARCH(1, 1). Kết quả này cũng phù hợp với các nghiên cứu về áp dụng mô hình GARCH cho TTCK Việt Nam và cũng phù hợp với xu hướng chỉ sử dụng mô hình GARCH(1, 1) để mô hình hóa chuỗi lợi suất chứng khoán của các nghiên cứu quốc tế.

Kết quả dự báo cho thấy, hầu như không có khả năng VN-Index quay trở lại mốc của trước đại dịch Covid-19 trong vòng 4 tháng tới. Đại dịch Covid-19 được dự báo là sẽ để lại ảnh hưởng lâu dài tới sự tăng trưởng của TTCK Việt Nam. Khả năng cao để thị trường phục hồi đạt lại giá trị trước đại dịch là cần khoảng 3 năm 3 tháng.

———————&&&——————–

Dự báo gian lận báo cáo tài chính bằng các tỷ số tài chính cho các doanh nghiệp niêm yết tại Việt Nam

Dự báo gian lận báo cáo tài chính bằng các tỷ số tài chính cho các doanh nghiệp niêm yết tại Việt Nam

(Nguồn: http://tapchicongthuong.vn/)

PHẠM MINH VƯƠNG – NGUYỄN THỊ HÀ VY (Khoa Kế toán – Kiểm toán, Trường Đại học Mở Thành phố Hồ Chí Minh)

• Nâng cao chất lượng báo cáo tài chính doanh nghiệp trong bối cảnh toàn cầu hóa
• Đánh giá hiệu quả sử dụng chỉ số Z-Score trong việc nhận diện khả năng gian lận trên báo cáo tài chính
• Đặc điểm hội đồng quản trị tác động đến chất lượng báo cáo tài chính của các doanh nghiệp niêm yết tại sở giao dịch chứng khoán thành phố Hồ Chí Minh

TÓM TẮT:

Bài viết áp dụng lý thuyết về tam giác gian lận và sử dụng ý kiến kiểm toán để phân loại các công ty gian lận. Từ đó, xác minh khả năng dự báo gian lận báo cáo tài chính (BCTC) với các tỷ số tài chính khi áp dụng cho các công ty niêm yết tại Việt Nam.

Kết quả nghiên cứu tái khẳng định khả năng dự báo gian lận BCTC của các mô hình sử dụng các chỉ số tài chính với độ chính xác lần lượt là 72,96% và 70,83% khi phân loại theo quy mô tài sản và giá trị vốn hóa cho các công ty niêm yết tại Việt Nam cho giai đoạn 2015 – 2019.

Từ khóa: Gian lận, báo cáo tài chính, tỷ số tài chính.

1. Đặt vấn đề

Trong xu hướng phát triển chung của nền kinh kế, nhu cầu tiếp nhận thông tin, đặc biệt là các thông tin về tình hình tài chính của các công ty niêm yết, là một nhu cầu thiết yếu đối với người sử dụng báo cáo tài chính (BCTC). Do đó, tính minh bạch và trung thực của thông tin tài chính là vấn đề luôn được quan tâm bởi cả giới khoa học và giới đầu tư.

Thực tế cho thấy, gian lận trong công bố thông tin trên BCTC diễn ra ngày càng nhiều với mức độ sai phạm ngày càng tăng kể cả trên thế giới và tại Việt Nam. Có thể kể đến những sự kiện từ các công ty hàng đầu thế giới, như: Lucent, Xerox, Rite Aid, Waste Management,… cho đến các công ty tại Việt Nam, như: Bibica, Bông Bạch Tuyết, Gỗ Trường Thành,… Với mục đích làm “đẹp” BCTC nhằm thu hút đầu tư của các cổ đông trên thị trường chứng khoán, các công ty thường sử dụng các kỹ thuật gian lận trong lập BCTC như khai tăng doanh thu, giảm chi phí, ghi nhận sai niên độ kế toán, đánh giá sai giá trị tài sản, không công bố đầy đủ thông tin trên BCTC.

Việc không phát hiện các gian lận do nhiều nguyên nhân, trong đó có một phần trách nhiệm thuộc về kiểm toán viên và công ty kiểm toán. Nghiên cứu mô hình dự đoán gian lận trong BCTC là nghiên cứu thực nghiệm khá phát triển trên thế giới. Tại Việt Nam cũng có một số công trình nghiên cứu về đề tài này mang lại kết quả khá hữu ích, tuy nhiên những nghiên cứu này vẫn còn nhiều hạn chế chẳng hạn như cỡ mẫu tương đối nhỏ, số lượng biến giải thích tương đối ít. Do vậy, bài viết sẽ làm sáng tỏ khả năng dự báo về gian lận BCTC của các chỉ số tài chính thông dụng cho các công ty niêm yết tại Việt Nam.

2. Cơ sở lý thuyết

2.1. Lý thuyết tam giác gian lận

Vào năm 1953, Cressey đề xuất lý thuyết tam giác gian lận, theo đó gian lận chỉ xảy ra khi hội tụ đủ 3 nhân tố là: Cơ hội, Áp lực và Thái độ.

Trong đó, nhân tố áp lực được hiểu là gian lận xảy ra khi nhân viên, quản lý chịu áp lực. Qua khảo sát hành vi gian lận, Cressey đã tóm tắt được 6 trường hợp gây ra áp lực đó là: Khó khăn về tài chính, Hậu quả từ thất bại cá nhân, Khó khăn về kinh doanh, Bị cô lập, Muốn ngang bằng người khác và Mối quan hệ chủ – thợ.

Tiếp đến, nhân tố cơ hội được hiểu rằng, khi đã bị áp lực, nếu có cơ hội, họ sẵn sàng thực hiện hành vi gian lận. Có hai yếu tố liên quan đến cơ hội là nắm bắt thông tin và có kỹ năng thực hiện. Thái độ là nhân tố cuối cùng của tam giác gian lận. Theo nghiên cứu này, không phải tất cả mọi người gặp khó khăn và có cơ hội cũng đều thực hiện gian lận, nó tùy thuộc vào thái độ hay cá tính của từng cá nhân.

2.2. Các nghiên cứu liên quan đến gian lận BCTC

Các công trình nghiên cứu nổi tiếng thế giới liên quan đến gian lận BCTC có thể kể đến như nghiên cứu về tam giác gian lận của Cressey (1953), các nghiên cứu về dự đoán khả năng phá sản sử dụng các tỷ số tài chính của Loebbecke, Eining và Willingham (1989), Stice (1991) và Person (1995). Tất cả đều chỉ ra rằng, khó khăn tài chính là một trong những nguyên nhân gây ra gian lận trên BCTC nhằm cải thiện tình hình tài chính hoặc giảm đe dọa mất việc hay cố gắng trục lợi trước khi công ty phá sản. Ngoài ra, trên thế giới còn có nhiều nghiên cứu, sử dụng các phương pháp khác nhau để nghiên cứu về gian lận như nghiên cứu của Srensen và Sorenson (1983), Dechow, Sloan và Sweeney (1996), Beasley, Carcello và Hermanson (1999), Spathis (2002), Leonard và Alam (2009), Dalnial và cộng sự (2014),…

Tại Việt Nam, những năm gần đây đã quan tâm nhiều đến vấn đề gian lận BCTC. Vì vậy, ngày càng có nhiều nghiên cứu về gian lận BCTC có thể kể đến như nghiên cứu nổi tiếng áp dụng lý thuyết về tam giác gian lận sử dụng các biến tỷ số tài chính và các biến phi tài chính để xây dựng mô hình dự báo gian lận của Trần Thị Giang Tân và cộng sự (2014) với độ chính xác của mô hình lên đến 83,33%. Ngoài ra, còn có các nghiên cứu khác như Nguyễn Công Phương và Nguyễn Trần Nguyên Trân (2014); Trần Việt Hải (2017);… sử dụng nhiều phương pháp khác nhau để nghiên cứu về gian lận BCTC.

3. Phương pháp nghiên cứu

3.1. Giả thuyết nghiên cứu

Công việc kiểm toán, cụ thể hóa bằng ý kiến của kiểm toán viên, là một trong những công cụ quan trọng nhằm phát hiện khả năng một đơn vị có gian lận thông tin trên BCTC hay không. Do đó, việc phát triển các nghiên cứu tiếp cận theo hướng ý kiến kiểm toán để phát hiện gian lận ngày càng nhiều, đặc biệt là các công trình nghiên cứu sử dụng các tỷ số tài chính. Điều này cũng cho thấy, các tỷ số tài chính có khả năng dự báo được gian lận, trong đó có thể kể đến một số nghiên cứu gần đây của Zainudin và Hashim (2016), và Moalla (2017).

Trong bài viết, tác giả cũng sẽ tiếp cận dựa trên ý kiến của kiểm toán viên để xây dựng mô hình dự đoán gian lận. Với biến phụ thuộc là ý kiến kiểm toán và biến độc lập là các tỷ số tài chính. Giả thuyết nghiên cứu được đề xuất như sau:

H1: Các tỷ số tài chính có khả năng dự báo được gian lận BCTC từ góc nhìn của ý kiến kiểm toán.

3.2. Biến nghiên cứu trong mô hình

Biến nghiên cứu của nhóm tác giả bao gồm 34 biến tỷ số tài chính đại diện cho 2 yếu tố của tam giác gian lận của Cressey (1973), đó là áp lực và cơ hội. Trong đó, yếu tố áp lực được phân tích thành hai nhóm: Áp lực do khó khăn kinh doanh và Áp lực do khó khăn tài chính.

Trong nghiên cứu này, tác giả chỉ sử dụng các chỉ số tài chính để dự báo gian lận, vì vậy không có biến phi tài chính đại diện cho yếu tố thái độ.

Danh sách các biến tỷ số tài chính gồm:

– Yếu tố “Áp lực”:

[V1]: Tỷ lệ lợi nhuận gộp = (Doanh thu bán hàng – Giá vốn hàng bán)/Doanh thu bán hàng.

– Yếu tố “Áp lực – Khó khăn kinh doanh”:

[V2]: Tỷ lệ lợi nhuận thuần = Lợi nhuận thuần từ hoạt động kinh doanh/Doanh thu thuần.

[V4]: Số ngày trả tiền bình quân = (Bình quân phải trả/Chi phí mua trong kỳ)*365.

[V12]: (Tài sản ngắn hạn – Nợ ngắn hạn)/ Tổng tài sản.

[V16]: Lợi nhuận giữ lại/ Tổng tài sản.

[V17]: Số vòng quay tài sản = Doanh thu/Tài sản bình quân.

[V26]: Dòng tiền từ hoạt động kinh doanh/Doanh thu bán hàng.

[V27]: Dòng tiền từ hoạt động kinh doanh/ Tổng tài sản.

[V29]: Phần trăm thay đổi của tỷ lệ lợi nhuận gộp = (Tỷ lệ lợi nhuận gộp năm nay – Tỷ lệ lợi nhuận gộp năm trước)/Tỷ lệ lợi nhuận gộp năm trước.

[V33]: Phần trăm thay đổi của chi phí = (Chi phí năm nay – Chi phí năm trước)/Chi phí năm trước.

[V34]: Phần trăm thay đổi của tỷ lệ lợi nhuận thuần = (Tỷ lệ lợi nhuận thuần năm nay – Tỷ lệ lợi nhuận thuần năm trước)/Tỷ lệ lợi nhuận thuần năm trước.

– Yếu tố “Áp lực – khó khăn tài chính”:

[V3]: Số ngày thu tiền bình quân = (Bình quân các khoản phải thu/Doanh thu thuần)*365.

[V7]: Tiền mặt/Tổng tài sản.

[V8]: Tiền mặt/Nợ ngắn hạn.

[V11]: Tỷ số thanh toán nhanh = (Tài sản ngắn hạn – Hàng tồn kho)/Nợ ngắn hạn.

[V13]: Tổng tài sản/Nợ ngắn hạn.

[V14]: Tổng nợ/Tổng tài sản.

[V15]: Tổng nợ/ Vốn chủ sở hữu.

[V18]: ROE = Lợi nhuận sau thuế/Vốn chủ sở hữu.

[V22]: Lợi nhuận gộp/Tổng tài sản.

[V31]: Phần trăm thay đổi của tỷ số thanh toán nhanh = (Tỷ số thanh toán nhanh năm nay – Tỷ số thanh toán nhanh năm trước)/Tỷ số thanh toán nhanh năm trước.

[V32]: Phần trăm thay đổi của các khoản phải thu = (Các khoản phải thu năm nay – Các khoản phải thu năm trước)/Các khoản phải thu năm trước.

– Yếu tố “Cơ hội”:

[V5]: Hàng tồn kho/Tổng tài sản.

[V6]: Hàng tồn kho/Tài sản ngắn hạn.

[V9]: Các khoản phải thu/Tổng tài sản.

[V10]: Tài sản ngắn hạn/Tổng tài sản.

[V19]: Doanh thu thuần/Hàng tồn kho.

[V20]: Doanh thu thuần/Các khoản phải thu.

[V21]: Các khoản phải thu/Doanh thu bán hàng.

[V24]: (Tài sản ngắn hạn – Hàng tồn kho)/Doanh thu bán hàng.

[V25]: Hàng tồn kho/ Doanh thu bán hàng.

[V28]: Phần trăm thay đổi của hàng tồn kho = (Hàng tồn kho cuối kỳ – Hàng tồn kho đầu kỳ)/Hàng tồn kho đầu kỳ.

[V30]: Phần trăm thay đổi của giá vốn hàng bán = (Giá vốn hàng bán năm nay – Giá vốn hàng bán năm trước)/Giá vốn hàng bán năm trước.

– Yếu tố “Cơ hội, Áp lực – Khó khăn tài chính”:

[V23]: Giá vốn hàng bán/Hàng tồn kho.

3.3. Mô hình nghiên cứu và dữ liệu nghiên cứu

3.3.1. Mô hình nghiên cứu

Mô hình nghiên cứu là mô hình hồi quy logistic nhị phân, nghiên cứu tác động của biến tỷ số tài chính đến hành vi gian lận BCTC, được tiến hành kiểm tra trong giai đoạn 2015 – 2019 với biến phụ thuộc là các công ty gian lận nhận giá trị 1 và các công ty không gian lận nhận giá trị 0, phân loại dựa trên ý kiến kiểm toán và biến độc lập là 34 tỷ số tài chính. Sau khi kiểm định sự phù hợp của mô hình, bao gồm các kiểm định tương quan và đa cộng tuyến (VIF), loại bỏ một số biến có hiện tượng đa cộng tuyến cao. Mô hình cuối cùng như sau:

Ln(P/1-p) = β₀  +  β₁[V1] + β₃[V3] + β₆[V6] +  β₈[V8] + β₉[V9] +  β₁₀[V10] + β₁₂[V12] + β₁₃[V13] + β₁₄[V14] + β₁₅[V15] + β₁₆[V16] + β₁₇[V17] + β₁₈[V18] + β₂₀[V20] + β₂₁[V21] + β₂₂[V22] + β₂₃[V23] + β₂₄[V24] + β₂₅[V25] + β₂₇[V27] + β₂₈[V28] + β₂₉[V29] + β₃₀[V30] + β₃₁[V31] + β₃₂[V32] +  β₃₃[V33] + β₃₄[V34] + ε

Với: P là xác suất các công ty gian lận nhận giá trị 1; Ln (P/1-p) là Logarit tự nhiên của xác suất các công ty gian lận nhận giá trị 1 trên xác suất các công ty không gian lận nhận giá trị là 0; β₁ … β₃₄ là các hệ số hồi quy; [V1] … [V34] là các biến tỷ số tài chính.

3.3.2. Dữ liệu nghiên cứu

Việc nghiên cứu ảnh hưởng của các tỷ số tài chính với ý kiến kiểm toán của các công ty niêm yết nhằm đưa ra mô hình dự đoán gian lận. Bài viết tập trung vào các công ty niêm yết trên thị trường chứng khoán tại Việt Nam giai đoạn 2015 – 2019.

Theo nghiên cứu của Moalla (2017), ý kiến không phải chấp nhận toàn phần từ báo cáo kiểm toán là một dấu hiệu đáng ngờ về tính chính xác của BCTC. Vậy nên trong nghiên cứu đưa ra nhận định, các công ty được cho là gian lận khi nhận được ý kiến không phải chấp nhận toàn phần. Đối với việc lựa chọn các công ty gian lận, nghiên cứu lựa chọn những công ty nhận được ý kiến không phải chấp nhận toàn phần ở mỗi năm. Sau đó, nhóm tác giả lọc các công ty nhận ý kiến chấp nhận toàn phần ở mỗi năm làm công ty không gian lận với số lượng tương đương các công ty gian lận.

Các công ty này phải cùng ngành nghề và tương đương về quy mô theo tài sản hoặc theo giá trị vốn hóa, nhằm đảm bảo tính tương thích của các chỉ số tài chính sử dụng (Beasley, Carcello và Hermanson, 1999; Kaminski, Wetzel, và Guan, 2004). Nhóm tác giả cũng giả định rằng các công ty cùng quy mô là các công ty có chênh lệch không quá 30% tổng tài sản như gợi ý nghiên cứu của Beasley, Carcello và Hermanson (1999). Tổng mẫu nghiên cứu của nhóm tác giả bao gồm 492 công ty với 2.145 quan sát.

4. Kết quả nghiên cứu

4.1. Kết quả kiểm định

4.1.1. Kiểm định tương quan

Bảng 1. Tóm tắt kết quả kiểm định tương quan của các biến độc lập

Kết quả kiểm định cho thấy, ở cả hai cách phân loại tổng tài sản và giá trị vốn hóa đều < 0,8. Do vậy, khả năng tiềm ẩn vấn đề đa cộng tuyến của mô hình dự kiến là thấp.

4.1.2. Kiểm định đa cộng tuyến (VIF)

Bảng 2. Tóm tắt kết quả kiểm định VIF

Kiểm định đa cộng tuyến bằng cách tìm hiểu hệ số khuếch đại phương sai (VIF). Tác giả tìm thấy hệ số VIF thấp với giá trị tối đa là 8,25 ở mô hình theo hai cách tiếp cận tài sản và giá trị vốn hóa là 8,08 và giá trị trung bình đạt từ 2,24 đến 2,35 cho lần lượt ở hai cách tiếp cận. Điều này cho thấy, khả năng xảy ra hiện tượng đa cộng tuyến hoàn hảo giữa các biến độc lập đã đưa vào mô hình nghiên cứu là thấp.

4.2. Kết quả nghiên cứu

4.2.1. Kết quả phân loại của mô hình

Bảng 3. Tóm tắt kết quả phân loại của mô hình nghiên cứu

4.2.2. Thảo luận kết quả

Kết quả kiểm định ghi nhận được, mô hình phân loại chính xác đến 75,71% các công ty không gian lận và 70,79% các công ty gian lận có cùng quy mô tài sản với hai biến có ý nghĩa thống kê đó là [V14] và [V16]. Đối với việc phân loại theo giá trị vốn hóa, mô hình phân loại được 76,67% các công ty không gian lận và 67,19% các công ty gian lận với [V16] là biến có ý nghĩa thống kê có hệ số P > |z| < 0,05. Với khả năng dự báo bình quân lần lượt là 72,96% và 70,83%, khả năng dự báo của mô hình tương đương với mô hình nghiên cứu của Kanapickiene và Grundiene (2015). Kết quả này tái khẳng định khả năng dự báo của các chỉ số tài chính đối với gian lận ở mức khá cao, phù hợp với các nghiên cứu trước đó. Từ đó cho thấy, giả thuyết H1 được ủng hộ.

5. Kết luận

Mô hình dự đoán tiếp cận theo ý kiến kiểm toán phân loại theo quy mô tài sản và giá trị vốn hóa đã đem lại kết quả dự đoán với độ chính xác lần lượt là 72,96% và 70,83% khi áp dụng cho các công ty niêm yết tại Việt Nam cho giai đoạn 2015 – 2019.

 Kết quả nghiên cứu có thể được xem là một công cụ hữu ích giúp cho các tổ chức, Chính phủ, nhà quản lý, kiểm toán viên, và các chuyên gia chống gian lận trong bối cảnh nguồn lực khan hiếm. Mô hình nghiên cứu có thể được sử dụng nhằm phát hiện sớm một số công ty có khả năng thực hiện các hành vi gian lận cũng như tăng cường kiểm soát chất lượng của công việc kiểm toán, từ đó khôi phục được niềm tin của công chúng.

TÀI LIỆU THAM KHẢO:

1. Beasley, M., J. Carcello, and D. Hermanson. (1999). COSO’s new fraud study: What it means for CPAs. Journal of Accountancy, 187(5), 12-14.
2. Cressey, D. (1973). Other People’s Money: A Study in the Social Psychology of Embezzlement. Montchair, NJ: Patterson Smith.
3. Dalnial, H., Kamaluddin, A., Sanusi, Z. M., & Khairuddin, K. S. (2014). Accountability in financial reporting: Detecting fraudulent firms. Procedia-Social and Behavioural Sciences, 145, 61-69.
4. Dechow, P., Sloan, R., and A. Sweeney. (1996). Causes and consequences of earnings manipulation: An analysis of firms subject to enforcement actions by the SEC. Contemporary Accounting Research, 13, 1-36.
5. Kaminski, K. A., Wetzel, T. S., and Guan, L. (2004). Can financial ratios detect fraudulent financial reporting? Managerial Auditing Journal, 19(1), 15-28.
6. Kanapickiene, R., and Grudien, Z. (2015). The model of fraud detection in financial statements by means of financial ratios. Procedia – Social and Behavioural Sciences, 213, 321-327.
7. Lenard, M. J., & Alam, P. (2009). An historical perspective on fraud detection: From bankruptcy models to most effective indicators of fraud in recent incidents. Journal of Forensic & Investigative Accounting, 1(1), 1-27.
8. Loebbecke, J. K., Eining, M. M., and Willingham, J. J. (1989). Auditors’ experience with material irregularities: Frequency, nature and detectability. Auditing: A Journal of Practice & Theory, 9(1), 1-28.
9. Moalla, H. (2017). Audit report qualification/modification: Impact of financial variables in Tunisia. Journal of Accounting in Emerging Economies, 7(4), 468-485.
10. Nguyễn Công Phương và Nguyễn Trần Nguyên Trân, 2014. Mô hình Beneish dự đoán sai sót trọng yếu trong báo cáo tài chính. Tạp chí Kinh tế & Phát triển, 206(8), 54-60.
11. Persons, O. (1995). Using financial statement data to identify factors associated with fraudulent financing reporting. Journal of Applied Business Research, 11, 38-46.
12. Repousis S. (2016). Using Beneish model to detect corporate financial statement fraud in Greece. Journal of Financial Crime, 23, 1063-1073.
13. Roxas, M. L. (2011). Financial statement fraud detection using ratio and digital analysis. Journal of Leadership, Accountability and Ethics, 8(4), 56-66.
14. Srensen, J. B., and Sorenson, O. (1983). From conception to: Opportunity perception and resource in entrepreneurship, 11, 14-19.
15. Spathis, C. (2002). Detecting false financial statements using published data: Some evidence from Greece. Managerial Auditing Journal, 17, 179-191.
16. Stice, J. (1991). Using financial and market information to identify pre-engagement factors associated with lawsuits against auditors. The Accounting Review, 66, 516-533.
17. Trần Thị Giang Tân và cộng sự, ( 2014). Đánh giá rủi ro gian lận của các công ty niêm yết tại Việt Nam. Tạp chí Phát triển kinh tế, 26(1), 74-94.
18. Trần Việt Hải, (2017). Nhận diện gian lận BCTC của các công ty niêm yết trên thị trường chứng khoán Việt Nam – Bằng chứng thực nghiệm tại sàn giao dịch HOSE. Luận văn thạc sĩ. Trường Đại học Kinh tế TP.Hồ Chí Minh.
19. Zainudin, E. F., and Hashim, H. A. (2016). Detecting fraudulent financial reporting using financial ratio. Journal of Financial Reporting and Accounting, 14(2), 266-278.

———————–&&&————————-

Cấu trúc sở hữu và giá trị doanh nghiệp: Bằng chứng thực nghiệm tại Việt Nam

Cấu trúc sở hữu và giá trị doanh nghiệp: Bằng chứng thực nghiệm tại Việt Nam

(Nguồn: http://tapchicongthuong.vn/)

THS. NGUYỄN THỊ BÍCH THUẬN – THS. TRẦN NGỌC MỸ – THS. LÊ THỊ LOAN (Giảng viên Khoa Kinh tế và Quản trị kinh doanh – Trường Đại học Đồng Tháp)

TÓM TẮT:

Nghiên cứu thu thập dữ liệu từ 124 công ty niêm yết trên sàn giao dịch chứng khoán Việt Nam giai đoạn 2010 – 2019. Đồng thời, sử dụng các kiểm định Hausman và Breusch and Pagan Lagrangian multiplier để lựa chọn mô hình giải thích tốt nhất mối quan hệ giữa cấu trúc sở hữu và giá trị doanh nghiệp.

Kết quả nghiên cứu cho thấy, sở hữu nhà nước, sở hữu nước ngoài và quy mô công ty có tác động tích cực đến giá trị công ty. Kết quả nghiên cứu sẽ gợi ý cho các nhà quản trị cấu trúc lại tỷ lệ sở hữu phù hợp để tối đa hóa giá trị doanh nghiệp và là cơ sở đề xuất các chính sách kinh tế cho Chính phủ liên quan đến cấu trúc sở hữu ở các công ty cổ phần trong thời hội nhập.

Từ khóa: Giá trị doanh nghiệp, cấu trúc sở hữu, sở hữu nhà nước, sở hữu nước ngoài.

1. Đặt vấn đề

Hiện nay, việc tối đa hóa giá trị doanh nghiệp là mục tiêu cuối cùng của các công ty. Đây cũng chính là vấn đề được các nhà quản trị, nhà đầu tư và Chính phủ Việt Nam quan tâm nhiều nhất. Giá trị doanh nghiệp (DN) bị tác động bởi nhiều yếu tố như: Quy mô doanh nghiệp, năng lực nhà quản trị, năng lực cạnh tranh, chính sách thuế,… Trong đó, cấu trúc sở hữu được xem là một trong những yếu tố quan trọng ảnh hưởng đến giá trị DN. Bởi lẽ, các tổ chức nước ngoài thường có nhiều kinh nghiệm trong việc quản trị và định hướng chiến lược để góp phần nâng cao giá trị cho DN, điều này ảnh hưởng trực tiếp đến sự tồn tại và phát triển lâu dài của công ty.

Do đó, việc nghiên cứu sự tác động cấu trúc sở hữu đến giá trị của các công ty luôn thu hút sự quan tâm của rất nhiều tác giả trong và ngoài nước. Có thể kể đến những nghiên cứu ở Trung Quốc của các tác giả: Wei, Z., & Varela, O. (2003)^[1], Sun, Q., & Tong, W. H. (2003)^[2], Tian, L., & Estrin, S. (2008^)[3]; Hai nghiên cứu ở Việt Nam của Trần Minh Trí và Dương Như Hùng (2011)^[4], Phạm Hữu Hồng Thái (2013)^[4]. Nghiên cứu Tian, L., & Estrin, S. (2008)^[3] và Sun, Q., & Tong, W. H. (2003)^[2] đã chứng minh sở hữu nhà nước có tác động tích cực đến giá trị công ty nhưng sở hữu nước ngoài lại tác động tiêu cực, trong khi nghiên cứu của Wei, Z., & Varela, O. (2003)^[1] lại cho rằng sở hữu nhà nước có tác động tích cực đến giá trị DN. Tuy nhiên, các nghiên cứu trên vẫn chưa đi đến một kết luận thống nhất về sự ảnh hưởng giữa cấu trúc sở hữu và giá trị công ty. Chính vì lý do đó, nhóm tác giả lựa chọn đề tài “Cấu trúc sở hữu và giá trị doanh nghiệp: Bằng chứng thực nghiệm tại Việt Nam” nhằm mục tiêu nghiên cứu ảnh hưởng của sở hữu nước ngoài và sở hữu nhà nước lên giá trị của DN. Từ đó giúp các nhà quản trị công ty có những chính sách nhằm tái cơ cấu sở hữu để gia tăng giá trị DN.

2. Tổng quan các nghiên cứu thực nghiệm về cấu trúc sở hữu và giá trị công ty

2.1. Các nghiên cứu thực nghiệm nước ngoài

Wei, Z., & Varela, O. (2003)^[1] sử dụng phương pháp bình phương nhỏ nhất (OLS) cho dữ liệu chéo của các công ty Trung Quốc mới được tư nhân hóa vào 1994 (164 công ty), 1995 (175 công ty) và 1996 (252 công ty) nhằm xem xét mối quan hệ giữa sở hữu nhà nước và giá trị công ty. Kết quả nghiên cứu cho thấy, sở hữu nhà nước, quy mô có ảnh hưởng tiêu cực đến giá trị công ty; tỷ lệ nợ, EPS, độ lệch chuẩn của giá trị thị trường lại có ảnh hưởng tích cực đến giá trị công ty.

Sun, Q., & Tong, W. H. (2003)^[2] sử dụng phương pháp hồi quy Pooled OLS và Fixed effects model để thực hiện nghiên cứu các nhân tố ảnh hưởng đến giá trị của 634 doanh nghiệp niêm yết trên 2 sàn giao dịch chứng khoán Trung Quốc giai đoạn từ 1994 – 1998. Kết quả nghiên cứu cho thấy, sở hữu nhà nước, quy mô có mối quan hệ nghịch biến với giá trị doanh nghiệp; sở hữu nước ngoài, sở hữu tổ chức, GDP và tỷ lệ nợ có mối quan hệ đồng biến với giá trị doanh nghiệp.

Tian, L., & Estrin, S. (2008^)[3] tiến hành nghiên cứu 2.660 công ty trong 21 ngành công nghiệp trên sàn giao dịch PLC Trung Quốc trong giai đoạn từ 1994 – 1998. Nghiên cứu ước lượng mô hình Pooled OLS và MLP cho dữ liệu Bảng. Kết quả nghiên cứu đã chứng minh sở hữu nhà nước, sở hữu quản trị, tuổi công ty và quy mô công ty có mối quan hệ nghịch biến với giá trị công ty; sở hữu tư nhân có mối quan hệ cùng  biến với giá trị công ty.

2.2. Các nghiên cứu thực nghiệm trong nước

Trần Minh Trí và Dương Như Hùng (2011)^[4] có bài nghiên cứu trên 126 công ty của 2 sàn giao dịch chứng khoán HOSE và HNX từ năm 2006 đến năm 2009. Nghiên cứu sử dụng mô hình hồi quy tuyến tính bậc hai để xem xét mối quan hệ giữa tỷ lệ sở hữu và hiệu quả hoạt động của công ty. Kết quả nghiên cứu đã chỉ ra, sở hữu quản trị < 59,1% thì ảnh hưởng tích cực đến hiệu quả hoạt động và ngược lại tỷ lệ này > 59,1% sẽ tác động tiêu cực đến hiệu quả hoạt động. Sở hữu nhà đầu tư tổ chức, sở hữu nhà nước, tốc độ tăng trưởng, tỷ lệ đầu tư tài sản cố định không ảnh hưởng đến hiệu quả hoạt động; tỷ lệ nợ ảnh hưởng tiêu cực đến hiệu quả hoạt động của công ty và quy mô có tác động tích cực đến hiệu quả hoạt động của công ty.

Phạm Hữu Hồng Thái (2013)^[5] thực hiện nghiên cứu trên 646 công ty của 2 sàn chứng khoán tại Việt Nam giai đoạn 2011 – 2012. Tác giả sử dụng phương pháp hồi quy dữ liệu chéo OLS và tiến hành hồi quy bội để tìm ra những nhân tố tác động đến giá trị doanh nghiệp. Kết quả nghiên cứu đã chứng minh, sở hữu nhà nước không ảnh hưởng đến giá trị công ty; sở hữu tư nhân ảnh hưởng tiêu cực đến giá trị công ty. Tuy nhiên, sở hữu nước ngoài và quy mô lại có tác động tích cực đến giá trị công ty.

3. Dữ liệu, mô hình và phương pháp nghiên cứu

3.1. Mô tả dữ liệu

Nghiên cứu sử dụng dữ liệu của 124 công ty phi tài chính niêm yết trên 2 sàn HOSE và HNX trong giai đoạn 2010 – 2019, dữ liệu được cung cấp bởi công ty cổ phần Tài Việt (Vietstock).

3.2. Mô hình nghiên cứu

Trong bài nghiên cứu này, nhóm tác giả chủ yếu đánh giá tác động của sở hữu nhà nước và sở hữu nước ngoài lên giá trị công ty. Do đó, mô hình nghiên cứu được đề xuất như sau:

Q_it = β0 + β1 STATE_it + β2 FOREIGN_it + β3 SIZE_it + Ɛ_it

Trong đó:  i: Công ty; t: Thời gian từ năm 2010 đến năm 2019

Bảng 1. Mô tả các biến trong mô hình nghiên cứu

STT	Tên biến	Ký hiệu	Mô tả biến	Dấu kỳ vọng
1	Giá trị công ty	Q	Giá trị công ty được đo lường bằng chỉ số Tobin’s Q (giá trị thị trường của vốn cổ phần + Tổng nợ)/(giá trị sổ sách của tổng tài sản).
2	Sở hữu nhà nước	STATE	Tỷ lệ sở hữu nhà nước.	( – )
3	Sở hữu nước ngoài	FOREIGN	Tỷ lệ sở hữu nước ngoài.	( + )
4	Quy mô công ty	SIZE	Quy mô công ty được đo lường bằng logarit của tổng tài sản.	( + )

3.3. Phương pháp nghiên cứu

– Bài nghiên cứu sử dụng phương pháp thống kê mô tả bằng phần mềm Eviews 5 để mô tả các chỉ số cơ bản của các biến số trong mô hình nghiên cứu.

– Dựa trên ma trận tương quan của các biến số để phân tích và dự đoán tác động của các biến lên giá trị công ty và làm căn cứ dự đoán hiện tượng đa cộng tuyến của các biến trong mô hình trước khi phân tích hồi quy.

– Nghiên cứu phân tích hồi quy bằng phần mềm Stata11 trên 03 mô hình Pooled Ordinary Least Square (Pooled OLS), Fixed effects model (FEM), Random effects model (REM). Để khắc phục những ưu và nhược điểm của từng mô hình, nghiên cứu sử dụng các kỹ thuật thống kê để lựa chọn mô hình phù hợp nhất.

– Ngoài ra, nghiên cứu còn sử dụng ước lượng robust và cluster để kiểm soát hiện tượng phương sai thay đổi và tự tương quan.

4. Kết quả nghiên cứu

4.1. Kết quả thống kê mô tả

Bảng 2. Kết quả thống kê mô tả của các biến trong mô hình

	Mean	Median	Maximum	Minimum	Std. Dev.
Q	1.385	1.010	7.360	0.23	1.187
STATE	34.445	37.100	79.070	0.000	20.033
FOREIGN	11.560	4.615	49.000	0.000	14.300
SIZE	5.668	5.669	7.411	4.193	0.609

                                     Nguồn: Dữ liệu từ Vietstock và phần mềm Eviews

Bảng 2 tóm tắt dữ liệu thống kê mô tả các biến được sử dụng trong mô hình nghiên cứu như sau: Giá trị công ty trung bình là 1,385% với độ lệch chuẩn 1,187; Tỷ lệ sở hữu nhà nước dao động từ 0% đến 79%; Giá trị trung bình của tỷ lệ sở hữu nước ngoài trong mẫu nghiên cứu là 11,560% với độ lệch chuẩn là 14,300.

Bảng 3. Ma trận tương quan của các biến trong mô hình

	Q	STATE	FOREIGN	SIZE
Q	1.0000
STATE	0.0932	1.0000
FOREIGN	0.1514	-0.2452	1.0000
SIZE	0.0003	0.0351	0.3459	1.0000

                                    Nguồn: Dữ liệu từ Vietstock  và phần mềm Eviews

Bảng 3 cho thấy, sở hữu nhà nước, sở hữu nước ngoài và quy mô có tương quan dương với giá trị công ty. Nhìn chung, tất cả các hệ số tương quan đều < 0,7, có nghĩa là không tồn tại hiện tượng đa cộng tuyến giữa các biến.

4.2. Kết quả hồi quy

– Kết quả phương pháp kiểm định Breusch and Pagan cho thấy, giá trị prob = 0.0000 < 0,01. Do đó, mô hình REM phù hợp hơn mô hình Pooled OLS.

– Kết quả kiểm chứng sự phù hợp giữa mô hình REM và FEM bằng kiểm định Hausman cho thấy, giá trị prob = 0.000 < 0,01. Như vậy, mô hình FEM phù hợp hơn mô hình REM.

– Kết quả kiểm định F trong mô hình FEM có prob = 0.000 < 0,01. Do vậy, mô hình FEM phù hợp hơn mô hình Pooled OLS.

– Như vậy, sau khi so sánh giữa 03 mô hình Pooled OLS, REM và FEM. Kết quả mô hình FEM là phù hợp nhất. Ngoài ra, nhóm tác giả trình bày kết quả hồi quy của mô hình FEM với ước lượng robust và cluster để chứng minh các hệ số trong mô hình 3 là phù hợp và có ý nghĩa rất cao. Kết quả chỉ ra rằng:

Bảng 4. Kết quả hồi quy các mô hình với ước lượng robust và cluster

Biến phụ thuộc Q	Mô hình 1 (POOLED OLS)				Mô hình 2 (REM)			Mô hình 3 (FEM)
	Coef.		Prob		Coef.	Prob		Coef.		Prob
C	2.052		0.000		3.043	0.000		15.850		0.000
STATE	0.011		0.000		0.012	0.000		0.037		0.002
FOREIGN	0.028		0.000		0.026	0.000		0.003		0.039
SIZE	0.240		0.021		0.420	0.000		2.781		0.000
Kiểm định		F		Prob			Chi2		Prob
Breusch and Pagan		n/a		n/a			28.230		0.000
Hausman		n/a		n/a			209.940		0.000
F – test		4.030		0.000			n/a		n/a

Nguồn: Dữ liệu từ Vietstock và tính toán của tác giả bằng phần mềm STATA 11

+ Sở hữu nhà nước có mối quan hệ tương quan dương hay ảnh hưởng tích cực với giá trị công ty (hệ số hồi quy ứng với biến STATE là 0,037), kết quả có ý nghĩa thống kê với độ tin cậy 99% (Prob = 0.0000 < 0,01). Kết quả này ngược lại với các nghiên cứu thực nghiệm trước đây. Điều này có thể giải thích vì các bài thực nghiệm trước đây đã thực hiện khá xa với hiện tại nhưng trong những năm gần đây vai trò của sở hữu nhà nước có tác động rất lớn đối với kết quả kinh doanh của doanh nghiệp, Chính phủ hỗ trợ kịp thời về chính sách cũng như cùng doanh nghiệp tháo gỡ những khó khăn để tăng trưởng.

+ Sở hữu nước ngoài có tương quan dương với giá trị công ty. Kết quả phù hợp với lý thuyết và nghiên cứu thực nghiệm ở Việt Nam của TS. Phạm Hữu Hồng Thái (2013), 2 tác giả Trung Quốc Sun & Tong (2003) và Sami R.M. Musallam (2015) ở Malaysia. Điều này chứng tỏ rằng, các công ty có tỷ lệ sở hữu nước ngoài cao thì giá trị công ty cao hơn các công ty có điều kiện tương đương nhưng có tỷ lệ sở hữu nước ngoài thấp hơn. Bởi vì, các nhà đầu tư nước ngoài khi đồng hành cùng công ty trong vai trò chủ sở hữu thường sẽ có những tư vấn về cấp chiến lược kinh doanh và tài chính rất tốt cho sự phát triển của doanh nghiệp để từ đó, làm gia tăng giá trị công ty.

+ Quy mô công ty có mối tương quan dương với giá trị công ty, kết quả này hoàn toàn có ý nghĩa thống kê (Prob = 0.000 < 0,1). Kết quả phù hợp với lý thuyết và các nghiên cứu thực nghiệm trước đây.

5. Kết luận

5.1. Tóm tắt các kết quả chính

Kết quả nghiên cứu đã chỉ ra rằng, công ty có sở hữu nhà nước và sở hữu nước ngoài cao thì giá trị công ty sẽ cao hơn các công ty có cùng các điều kiện tương đồng khác nhưng có tỷ lệ sở hữu nhà nước và nước ngoài ít hơn. Ngoài ra, kết quả còn cho thấy, công ty có quy mô càng cao thì giá trị công ty càng cao.

5.2. Gợi ý chính sách

Từ những kết quả nghiên cứu, nhóm tác giả đề xuất một số gợi ý chính sách nhằm tối đa hóa giá trị các công ty trên sàn giao dịch chứng khoán Việt Nam hiện nay.

–Đối với các công ty niêm yết trên sàn giao dịch chứng khoán Việt Nam:

+ Một là, từng bước điều chỉnh và thiết lập cấu trúc sở hữu phù hợp với tình hình hoạt động kinh doanh. Một cấu trúc sở hữu nhiều thành phần trong đó có sở hữu nước ngoài.

+ Hai là, một số công ty chưa đủ tiềm lực về tài chính tuyệt đối không mở rộng quy mô để linh hoạt hơn trong quá trình chuyển đổi các lĩnh vực, ngành nghề kinh doanh.

+ Ba là, các công ty muốn mở rộng quy mô cần lưu ý tránh hiện tượng đầu tư tối tân hàng loạt các máy móc, nhà xưởng, trang thiết bị hiện đại. Điều này sẽ làm tăng giá trị sổ sách của tổng tài sản dẫn đến giá trị công ty giảm.

Về phía– Chính phủ:

+ Thứ nhất, giữ vững tầm ảnh hưởng về tài chính đối với các công ty trong nước. Thông qua những quy định về tỷ lệ cơ cấu sở hữu, các cơ chế, chính sách ưu đãi về vốn, lãi suất đối với công ty có sở hữu nhà nước nhằm bảo vệ các công ty nội địa trước thách thức tự do hóa hội nhập. Đồng thời, đây cũng chính là công cụ giúp Chính phủ kiểm soát nền kinh tế Việt Nam hiệu quả.

+ Thứ hai, lập một quy trình tổ chức giám sát đầu tư vốn nhà nước vào doanh nghiệp. Thường xuyên thực hiện công tác đánh giá hiệu quả sử dụng vốn, công khai, minh bạch các thông tin tài chính ở những công ty có vốn chủ sở hữu nhà nước để có biện pháp khắc phục những tồn tại, nâng cao hiệu quả sản xuất kinh doanh và khả năng cạnh tranh.

+ Thứ ba, xử lý nghiêm minh các doanh nghiệp sử dụng vốn nhà nước sai mục đích. Kịp thời phát hiện những yếu kém và đề ra giải pháp chấn chỉnh, nâng cao trách nhiệm của doanh nghiệp trong việc chấp hành các quy định của pháp luật trong quản lý và sử dụng vốn, tài sản nhà nước đầu tư vào sản xuất – kinh doanh tại doanh nghiệp.

————————-&&&—————————-