Luận án Phân tích phản ứng của các biến số vĩ mô trước cú sốc chính sách tiền tệ thông qua mô hình Keynes mới nhằm nâng cao chất lượng dự báo kinh tế vĩ mô của Việt Nam - Nguyễn Hoàng Chung

ến quan sát (mẫu) để ước lượng các tham số cho mô hình dự báo, sử dụng 4 mẫu và 2 mẫu quan sát còn lại để thực hiện tính toán phục vụ cho công tác dự báo. Bảng 3.2. Các biến số vĩ mô DSGE trong mô hình và nguồn thu thập Nguồn: Tổng hợp của tác giả Độ lệch sản lượng (dy_obs): được tính bằng cách lấy chênh lệch giữa logarit nepe (ln) GDP thực với giá trị sản lượng tiềm năng (hp trend), phương pháp phổ biến đo lường độ lệch sản lượng (output gap). Lạm phát theo cách tính CPI (inf_obs): chỉ số này đại diện bởi chỉ số giá tiêu dùng trong nước qua từng quý. Biến số vĩ mô Ký hiệu Định nghĩa và cách tính và nguồn Nhóm biến trong nước Lãi suất chính sách r_obs Lãi suất chính sách (IMF – IFS) Độ lệch sản lượng dy_obs Độ lệch sản lượng được tính bằng chênh lệch giữa logarit giữa sản lượng thực và sản lượng tiềm năng (HP filter) (IMF – IFS). Tỷ giá hối đoái de_obs Cặp tỷ giá USD/VNĐ (IMF – IFS) Lạm phát inf_obs Chỉ số giá tiêu dùng (IMF – IFS) Điều khoản thương mại dq _obs IMF - IFS 115 Tỉ lệ lạm phát = 1 1 t t t CPI CPI CPI    x100% Với CPIt là chỉ số giá điều chỉnh của kì t và CPIt-1 là chỉ số giá điều chỉnh của kì t - 1. Chỉ số giá điều chỉnh là chỉ số giá đã được chuẩn hóa theo năm gốc (1994 và 2010)51, tạo thành 69 quan sát từ chuỗi dữ liệu đại diện cho lạm phát. Lãi suất (r_obs): trước năm 2010, dữ liệu theo IMF – IFS là lãi suất tín phiếu kho bạc (treasury bill rate); từ sau năm 2010 số liệu này được IMF – IFS chuẩn hóa là LSCS (policy rate). Trong trường hợp thị trường tiền tệ có diễn biến bất thường, Ngân hàng Nhà nước quy định cơ chế điều hành lãi suất áp dụng trong các quan hệ giữa các tổ chức tín dụng với nhau và với khách hàng, các quan hệ tín dụng khác (Ngân hàng Nhà nước, 2010). Biến động trong tỉ giá hối đoái (de_obs): Tỷ giá dẫn xuất từ cặp tỷ giá USD/VNĐ của IMF – IFS; được lấy logarit nepe (lne) nhằm làm co dữ liệu, góp phần ước lượng được chính xác hơn. Thay đổi điều khoản thương mại (dq_obs): Điều khoản thương mại (Term of Trade - ToT) được tính toán bằng cách lấy tỉ lệ (%) giá xuất khẩu chia cho giá nhập khẩu. Tiếp đó, tính toán sự thay đổi của điều khoản thương mại bằng cách sử dụng công thức: ΔToT = ln( 1 t t ToT ToT  ) x 100 Dữ liệu được thu thập từ cơ sở dữ liệu IFS (International Financial Statistics) của IMF và từ GSO, lấy theo quý được điều chỉnh bằng logarit nepe để tạo ra 63 - 65 quan sát. 3.3.3. Phương pháp ước lượng mô hình DSGE 3.3.3.1. Khái quát về phương pháp ước lượng mô hình DSGE trên thế giới Bắt nguồn từ các nghiên cứu sử dụng ước lượng hợp lý cực đại (maximum likelihood) để ước lượng mô hình DSGE như Altug (1989) sử dụng phương pháp này ước lượng cho mô hình theo thời gian (time - to - build models) của Kyland & Prescott 51 Đối với dữ liệu chỉ số giá giai đoạn trước 2010 được quy đổi về năm cơ sở là 1994 và dữ liệu chỉ số giá giai đoạn sau 2010 được quy đổi về năm cơ sở là 2010 theo tính toán của IMF – IFS. 116 (1982), và McGrattan (1994) nghiên cứu về ảnh hưởng vĩ mô của thuế trong mô hình chu kỳ kinh doanh. Leeper & Sims (1994) và Kim (2000) sử dụng phương pháp này để ước lượng mô hình DSGE dùng để phân tích CSTT. Sau này, Canova (1994), DeJong & ctg (1996) và Geweke (1999a) đã đề xuất cách tiếp cận Bayesian để hiệu chỉnh mà không khai thác chức năng có thể có của mô hình DSGE và cung cấp các ứng dụng thực nghiệm đánh giá chu kỳ kinh doanh và định giá tài sản liên quan đến mô hình tăng trưởng ngẫu nhiên đơn giản. Trước hết, nghiên cứu liệt kê các mô hình ước lượng theo các trường phái khác nhau như: Mô hình Keynes mới với tham số cấu trúc, mô hình tân cổ điển (mô hình chu kỳ kinh doanh) và mô hình Keynes mới có yếu tố ma sát thị trường tài chính52. Ngoài ra, nghiên cứu còn chỉ ra một số phương pháp ước lượng mô hình DSGE đơn giản. Ước lượng mô hình DSGE để tìm ra các tham số cấu trúc (structure parameters) tức là gắn mô hình DSGE với từng nền kinh tế thông qua dữ liệu/thông tin về nền kinh tế đó. Kydland & Prescott (1982) sử dụng phương pháp cân chỉnh tham số (calibration) trong đó các tham số cấu trúc của DSGE được đặt cố định theo các kết quả nghiên cứu vi mô trước đó và/hoặc tính toán từ giá trị trung bình dài hạn của các số liệu vĩ mô tổng thể. Tuy nhiên, phương pháp cân chỉnh tham số cũng có những hạn chế nhất định như (i) các tham số này không đủ tin cậy nếu giả định của DSGE khác với giả định của các mô hình vi mô, (ii) nếu ước lượng DSGE có thể thu được các tham số mà rất khó để có được nếu sử dụng số liệu phân tách vi mô (disaggregate data), (iii) ước lượng DSGE cho phép tính ra khoảng tin cậy cho các tham số, và (iv) ước lượng DSGE còn cho phép thực hiện các kiểm định, phân tích tham số hoặc so sánh với các mô hình DSGE khác (Ruge - Murcia, 2005). Một số phương pháp ước lượng cao cấp (với kỹ thuật phức tạp hơn) được sử dụng phổ biến là phương pháp ước lượng GMM, phương pháp ước lượng tối đa hàm hợp lý (MLE), phương pháp khớp hàm phản ứng (Impulse Response Matching) và phương pháp ước lượng Bayesian. Tuy nhiên, trong khuôn khổ xây dựng một mô hình DSGE quy mô nhỏ và có thể ứng dụng được cho Việt Nam, các phương pháp ước lượng mô hình DSGE chưa được tập trung xử lý. Thay vào đó, việc ước lượng từng phương trình theo phương pháp bình 52 Xem chi tiết về các dạng mô hình Keynesian mới DSGE tại phụ lục 6. 117 phương nhỏ nhất (OLS) được sử dụng để tìm ra các giá trị tham số cấu trúc (Nguyễn Đức Trung, 2016). Thêm vào đó, Canova (1994), DeJong & ctg (1996), và Geweke (1999a) đã đề xuất cách tiếp cận Bayesian để hiệu chỉnh mà không khai thác chức năng có thể có của mô hình DSGE và cung cấp các ứng dụng thực nghiệm đánh giá chu kỳ kinh doanh và định giá tài sản liên quan đến mô hình tăng trưởng ngẫu nhiên đơn giản. Các nghiên cứu về ước lượng xác suất Bayesian về mô hình DSGE bắt đầu bằng công trình nghiên cứu của Landon - Lane (1998), Dejong & ctg (2000), Schorfheide (2000) và Otrok (2001). Dejong & ctg (2000) ước lượng mô hình tăng trưởng ngẫu nhiên và kiểm tra khả năng dự báo của mô hình, Otrok (2001) làm khớp chu kỳ kinh doanh với thói quen và xây dựng dữ liệu chuỗi thời gian để đánh giá chi phí phúc lợi của chu kỳ kinh doanh, và Schorfheide (2000) xem xét mô hình DSGE. Dejong & Ingram (2001) nghiên cứu về hành vi mang tính chu kỳ của kỹ năng tích lũy. Trong khi đó, Chang & ctg (2002) ước lượng mô hình phát triển ngẫu nhiên hiệu chỉnh với cơ chế thực nghiệm để khuếch đại ảnh hưởng của cú sốc. Chang & Schorfheide (2003) nghiên cứu tầm quan trọng của cú sốc cung ứng lao động và ước tính một mô hình sản xuất tại nhà. Fernández-Villaverde & Rubio (2004) sử dụng các kỹ thuật ước tính của Bayesian để xây dựng mô hình nghiên cứu phù hợp. Các biến thể của mô hình DSGE Keynes mới quy mô nhỏ đã được ước tính bởi Rabanal và Rubio - Ramírez (2005a/b) đối với Hoa Kỳ và EU. Lubik & Schorfheide (2004) ước tính mô hình chuẩn Keynes DSGE mà không giới hạn các tham số cho vùng xác định (determinated) của không gian tham số. Schorfheide (2005) cho phép chuyển đổi cơ chế lạm phát mục tiêu theo nguyên tắc CSTT. Canova (2004) ước tính một mô hình Keynes quy mô nhỏ đệ quy để đánh giá sự ổn định của các tham số kết cấu theo thời gian. Galí & Rabanal (2005) sử dụng một mô hình DSGE ước tính để nghiên cứu tác động của những cú sốc về công nghệ vào những giờ làm việc. Các mô hình quy mô lớn bao gồm tích lũy vốn và các ma sát (friction) thực và danh nghĩa bổ sung theo các dòng nghiên cứu của Christiano & ctg. (2005) đã được phân tích bởi Smets & Wouters (2003, 2005) cả ở Hoa Kỳ và khu vực Châu Âu. Các mô hình tương tự như Smets & Wouters (2003) đã được ước tính bởi Laforte (2004), Onatski & Williams (2004); Levin & ctg (2006) để nghiên cứu CSTT. Nhiều NHTW đang trong quá trình phát triển các mô hình DSGE dọc theo dòng Smets & Wouters (2003) có thể được ước tính bằng các kỹ thuật của Bayesian và được sử dụng để phân tích chính sách và dự báo. 118 Các kỹ thuật ước tính Bayesian cũng đã được sử dụng cho nền kinh tế mở. Lubik và Schorfheide (2003) ước tính phần mở rộng nhỏ của mô hình để kiểm tra xem các NHTW của Úc, Canada, Anh và New Zealand có phản ứng với tỷ giá hối đoái hay không. Một mô hình tương tự được trang bị bởi Del Negro (2003) với dữ liệu của Mexico. Justiniano và Preston (2004) mở rộng phân tích thực nghiệm đến tình huống của tỷ lệ trao đổi không hạn chế. Adolfson & cộng sự (2004) phân tích một mô hình kinh tế mở bao gồm tích lũy vốn cũng như nhiều xáo trộn thực và danh nghĩa. Lubik & Schorfheide (2006), Rabanal & Tuesta (2006), và Walque & Wouters (2004) đã ước tính các mô hình DSGE đa mô hình. Theo ECB, một nỗ lực sớm để kết hợp các mô hình DSGE với BVAR là Ingram & Whiteman (1994), người đề xuất một phương pháp thu thập các nhóm cho VARs từ mô hình kinh tế. Phương pháp tiếp cận này được phát triển tiếp bởi Del Negro & Schorfheide (2004) trong mô hình được gọi là DSGE – VAR. Trong đó DSGE được dùng để xác định thời điểm các phân phối tiền nghiệm của các tham số VAR sử dụng hình thức Normal/Inverted Wishart (NIW). Nhóm nghiên cứu ECB cho thấy mô hình nghiên cứu có thể hoàn thiện việc dự báo với BVARs dựa trên tiền nghiệm Minnesota. Giống với Smith (1993), mô hình cho thấy hậu nghiệm kết quả về tham số mô hình DSGE có thể được thực hiện thông qua VAR bằng cách tích hợp sự phụ thuộc của các tham số VAR từ hậu nghiệm (posterior) có điều kiện và do đó có được một hàm ước lượng tối đa (MLE) cho các tham số của DSGE; tương tự del Negro & Schorfheide (2006, 2009). Sungbae & Frank (2007) ước lượng Bayesian của mô hình DSGE có 3 đặc điểm chính. Đầu tiên, không giống ước lượng GMM dựa trên mối quan hệ cân bằng như phương trình tiêu dùng Euler, phương trình thiết lập giá của các doanh nghiệp sản xuất hàng hóa trung gian hoặc quy tắc CSTT. Phân tích Bayesian là hệ thống cơ bản và phù hợp để giải quyết mô hình DSGE với một vec tơ của chuỗi thời gian. Thứ hai, ước lượng dựa trên hàm likelihood tạo ra bởi mô hình DSGE chứ không phải là sự khác biệt giữa các phản ứng của mô hình DSGE và phản ứng xung của VAR. Thứ ba, phân phối tiền nghiệm có thể được dùng kết hợp với các thông tin bổ sung vào các tham số ước lượng. Cách tiếp cận Bayesian chính thức hóa sự kết hợp của tiền nghiệm thực nghiệm và vận dụng lý thuyết về tham số của lãi suất và mang lại kết quả ước lượng ổn định hơn với các mẫu ngắn. 119 3.3.3.2. Phương pháp ước lượng cho mô hình DSGE đối với Việt Nam Dựa trên nền tảng nghiên cứu của del Negro và Schorfheide (2004), nghiên cứu khái quát cách thức ước lượng cho mô hình BVAR - DSGE nhằm xây dựng mô hình DSGE cho nền kinh tế mở và nhỏ như Việt Nam với 5 biến quan sát nêu trên. Dựa trên mô hình của nền kinh tế mở nhỏ phát triển bởi Gali & Monacelli (2005) và hiệu chỉnh để ước lượng bởi Lubik & Schorfheide (2003), xây dựng phân phối tiền nghiệm cho các tham số của mô hình. Sau đó từ các biến quan sát, phân phối tiền nghiệm được thiết lập từ trước và sử dụng phương pháp DSGE - VAR để xây dựng phân phối hậu nghiệm cho các thông số trong mô hình. Tập hợp các tham số trong mô hình DSGE được ký hiệu bằng vectơ  và vectơ cột của n biến quan sát là yt, đây cũng là các biến trong mô hình VAR, do đó: yt = Φ0 + Φ1yt-1 + Φ2 yt-2 + ... + Φp yt-p + ut, (3.28) Trong đó: Φ0 là một vector hằng số; Φ1..p là ma trận của các tham số trong mô hình VAR; và ut ~ N(0,Σu). Phương trình này có thể biểu diễn rút gọn dưới dạng Y=XΦ + U, trong đó: Y và U là những ma trận với hàng yt’ và ut’ tương ứng; X có các hàng yt-1’, yt-2’,,yt-p’ và Φ  [Φ1,Φ2,,Φp]’. Một điều cần lưu ý là số lượng tham số trong mô hình DSGE nhỏ hơn so với mô hình VAR, vì thế khả năng tương thích với dữ liệu của mô hình VAR lớn hơn so với DSGE. 3.3.3.2.1. Tiền nghiệm cho các tham số trong mô hình VAR Theo Hodge và cộng sự (2008), mô hình DSGE được sử dụng để cung cấp thông tin về các tham số cho mô hình VAR. Cách thực hiện là mô phỏng dữ liệu từ mô hình DSGE và kết hợp với dữ liệu thực khi ước lượng mô hình VAR. Một tỉ lệ tương đối của dữ liệu được mô phỏng với dữ liệu thực được gọi là λ, để kiểm soát tỉ trọng của thông tin tiền nghiệm Hay nói cách khác vai trò của λ được xem như hệ số làm giảm sai số giữa các mẫu (Sample Moments) có được từ mô hình này - so với các mẫu có được qua quá trình mô phỏng (simulation). Sau đó, xây dựng thông tin tiền nghiệm cho các tham 120 số VAR p(Φ,Σu |θ ) (với θ là tập tham số cho trước trong mô hình DSGE), trong dạng Inverted - Wishart (IW) - Normal (N), do đó, Σu |θ ∼ IW và Φ|Σu, θ ∼ N. 3.3.3.2.2. Tiền nghiệm cho các tham số trong mô hình DSGE Phân phối tiền nghiệm đóng một vai trò quan trọng trong ước lượng của mô hình DSGE (An & Schorfheide, 2006). Gọi p(θ) là xác suất tiền nghiệm (Prior Beliefs) cho những tham số trong mô hình DSGE. Xác suất kết hợp tiền nghiệm (Joint Prior Density) của 2 tập thông số là: p(Φ,Σu,θ) = p(Φ,Σu|θ)*p(θ). 3.3.3.2.3. Phân phối hậu nghiệm của mô hình VAR Cũng theo Hodge và cộng sự (2008) cho rằng phân phối hậu nghiệm (posterior distribution) của các tham số Φ trong mô hình VAR và Σu , p(Φ,Σu|Y,θ), từ đó sẽ có được các tham số khi dự báo là sự kết hợp giữa thông tin tiền nghiệm với thông tin từ dữ liệu, hay còn gọi là hàm likelihood. Hàm likelihood là một hàm phân phối chuẩn đa biến và rất phù hợp khi các tiền nghiệm được mô tả bên trên cho tham số trong mô hình VAR ở dạng Inverted - Wishart - Normal (IWN) cũng như những phân phối kết hợp. Do đó phân phối hậu nghiệm có cùng phân phối với tiền nghiệm, tức là Σu|θ,Y ~ IW và Φ|Σu,θ,Y ~ N (del Negro & Schorfheide, 2004, Hodge và công sự, 2008). Cuối cùng, nghiên cứu thực hiện mô phỏng phân phối hậu nghiệm cho các tham số trong mô hình VAR được rút ra từ tập vector θ các tham số hậu nghiệm trong mô hình DSGE và sau đó lấy mẫu từ những phân phối này. 3.3.3.2.4. Lựa chọn độ trễ và trọng số cho tiền nghiệm Hàm phân phối hậu nghiệm cho tham số trong mô hình VAR là một hàm phụ thuộc vào việc lựa chọn λ (tỉ lệ giữa dữ liệu được mô phỏng và dữ liệu thực cho tiền nghiệm của mô hình DSGE). Gọi tập giá trị lựa chọn của λ là Λ, với Λ = {λ1,, λi,, λq} và với tất cả các i sao cho λi > 0. Theo del Negro và Schorfheide (2004) bằng cách so sánh mô hình đánh giá với mỗi λΛ, với tiêu chí là hàm phân phối dữ liệu biên p(Y|λ). Cách đánh giá này có thể được xem như là một tiêu chí thông tin và có được bằng cách kết hợp các tham số của phân phối kết hợp từ dữ liệu quan sát và các tham số: p(Y|λ)  ,, | ) ( , ,( ), , ,u u u dp Y        = ,, )* ( , , | )* ( ,( , , , ) u u uu Y pp d           (3.29) 121 Trong đó: , & u   là không gian của các tham số (tập hợp tất cả các giá trị) của , &u  . Tuy nhiên, thuật toán có liên quan đến việc tính toán hàm phân phối dữ liệu biên yêu cầu một khối lượng tính toán lớn (Christiano, 2007). Tuy nhiên, hàm xác suất kết hợp giữa các tham số trong mô hình VAR và DSGE là ( , | , ) u p    cũng bằng với ( , | , )* ( ) u p p    , và tiền nghiệm của các tham số trong mô hình VAR được kí hiệu bởi θ có phân phối dạng IWN. Điều này cho phép những tích phân với các tham số trong mô hình VAR được tính toán đơn giản hơn chỉ để lại phần tách rời đối với  xấp xỉ hàm ( | )p Y  (Geweke, 1999; An & Schorfheide, 2007). Một giá trị tối ưu của  là  có thể được chọn để tối đa hóa hàm ( | )p Y  , do đó: arg max ( | )p Y     (3.30) Nghiên cứu này sử dụng hàm phân phối dữ liệu biên để lựa chọn độ trễ của mô hình VAR, p (del Negro & Schorfheide, 2004). Bên cạnh đó, mục đích quan trọng của nghiên cứu này là lựa chọn λ và độ trễ p dựa vào kĩ thuật dự báo ngoài mẫu (Hodge và cộng sự, 2008; Nguyễn Đức Trung & Nguyễn Hoàng Chung, 2017). 3.3.4. Quy trình nghiên cứu 3.3.4.1. Các bước ước lượng cho mô hình BVAR - DSGE Căn cứ vào nghiên cứu của Del Negro và Schorfheide (2004), nghiên cứu thực hiện ước lượng cho mô hình BVAR - DSGE. Giả định các tham số trong mô hình DSGE được mô tả bởi vector θ và vector cột của n biến quan sát là yt, các biến này cũng chính là các biến trong mô hình VAR, cụ thể các bước: Bước 1: Khai báo biến trong dynare bao gồm: Các biến nội sinh: y, z, dq, y_star, infl, infl_star, R, y_bar, de và các biến quan sát: R_obs, infl_obs, dy_obs, de_obs, dq_obs. Bước 2: Khai báo các biến ngoại sinh: eps_R eps_dq eps_z eps_y_star eps_infl_star; 122 Bước 3: Khởi tạo các tham số của các phương trình Keynes mới DSGE: tau, alpha, rho_z, kappa, rho_R, psi_1, psi_2, rho_dq, rho_infl_star, rho_y_star, r_ss; Bước 4: Thiết lập thông tin tiền nghiệm cho các tham số của mô hình; Bước 5: Dựa vào nghiên cứu của Lubik và Schofheide, 2007; Hodge và cộng sự, 2008; nghiên cứu thiết lập các phương trình Keynes mới DSGE thể hiện mối quan hệ giữa biến quan sát và biến nội sinh53. Trong mô hình Keynes mới DSGE, sản lượng của nền kinh tế phụ thuộc vào công nghệ nên thay đổi trong biến sản lượng quan sát sẽ có mối quan hệ đồng biến với biến sản lượng (yt) và biến công nghệ (zt) (phương trình (b5.1)). Những biến quan sát còn lại có mối quan hệ với các biến vĩ mô (Lubik & Schofheide, 2007). Bước 6: Gán giá trị ban đầu cho các biến vĩ mô và các biến quan sát trong mô hình. Các giá trị khởi tạo cho biến vĩ mô được lấy từ trạng thái cân bằng (steady state) của mô hình DSGE và giá trị trung bình cho các biến quan sát. Bước 7: Khai báo thông tin tiền nghiệm cho các tham số ước lượng cũng như các cú sốc trong mô hình như hàm phân phối (distribution function), giá trị trung bình và độ lệch chuẩn. Bước 8: Khai báo độ trễ (lag length) cho mô hình VAR cũng như trọng số λ (dsge_prior_weight, theo Hodge và cộng sự, 2008) để thực hiện ước lượng các mô hình; Bước 9: Thực hiện ước lượng với các tham số đã khai báo54 và mô phỏng. 53 Các phương trình Keynes mới DSGE: Δyobst= Δyt + zt (b5.1) Robst = 4Rt (b5.2) Πobst = πt (b5.3) Δeobst = Δet (b5.4) Δqobst = Δqt (b5.5) 54 Nghiên cứu ước lượng hậu nghiệm thông qua thuật toán Metropolis - Hastings (MH) với số chuỗi Markov được tạo ra. Trong quá trình này, nghiên cứu sử dụng ngôn ngữ lập trình trên phần mềm Dynare 4.1.3 là chương trình tiền thông dịch (Front - End Interface) (được phát triển bởi S Adjemian, M Juiliard và O Kamenik, truy cập tại hay được tổng hợp tại nghiên cứu của Griffoli, 2008), giúp dịch (solve), mô phỏng (simulate) và ước lượng (estimate) các phương trình sang các ngôn ngữ lập trình mà phần mềm Matlab R2016a có thể hiểu được. 123 3.3.4.2. Tiền nghiệm cho mô hình DSGE Tiền nghiệm cho các tham số trong mô hình DSGE được thể hiện trong Bảng 16.1 và Bảng 16.255. Việc lựa chọn các thông tin tiền nghiệm áp dụng cho Việt Nam được kế thừa từ mô hình DSGE của Úc (Hodge & cộng sự, 2008) và Trung Quốc (Zheng & Guo, 2013). Nghiên cứu thiết lập miền xác định và hàm xác suất tích lũy của các tham số tiền nghiệm (Lubik & Schorfheide, 2007; Hodge và cộng sự, 2008). Bên cạnh đó cần lưu ý thêm rằng thay vì đặt thông tin tiền nghiệm lên hệ số chiết khấu, nghiên cứu đặt thông tin tiền nghiệm (và ước lượng) lên lãi suất thực ssr 56 . Độ lệch chuẩn của 5 cú sốc ngoại sinh được kí hiệu bởi biến var iable  57. 3.5. Tóm tắt chương 3 Chương 3 trình bày phương pháp nghiên cứu áp dụng nhằm xác định các yếu tố vi mô và vĩ mô tác động đến TTTD thông qua mô hình kinh tế lượng được xử lý các khuyết tật của mô hình bằng phương pháp FGLS, phương pháp này sử dụng phần mềm Stata 12 để ước lượng. Tiếp đến, chương 3 tiếp tục đề cập đến phương pháp SVAR nhằm xây dựng mô hình Keynes mới để phân tích các cú sốc và đánh giá tác động của các biến số vĩ mô, phương pháp này sử dụng phần mềm Eview 8 để ước lượng. Cuối cùng, phương pháp ước lượng DSGE thông qua phần mềm Matlab 2016a, với sự hỗ trợ của phần mềm Dynare 4.1.3 tiền thông dịch các tham số tiền nghiệm, kết hợp dữ liệu được ước lượng dưới dạng hàm hợp lý cực đại (MLE), thuật toán Metropolis - Hasting đã ước lượng và mô phỏng được các tham số hậu nghiệm, đóng góp vào việc xây dựng mô hình có ý nghĩa phân tích chính sách. 55 Xem chi tiết tại Phụ lục số 16. 56 Hay 400 ssr e   . 57 var iable  lần lượt là * , , , ,R q zy           (cú sốc sản lượng, cú sốc lạm phát, cú sốc lãi suất, cú sốc điều khoản thương mại và cú sốc công nghệ) (Hodge & ctg, 2008). 124 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. Phân tích mô tả 4.1.1. Thống kê mô tả dữ liệu vi mô Bảng 4.1. Thống kê mô tả các biến nội sinh (dữ liệu thô) Biến crd rrr dr car liq ldr gdp cpi Giá trị trung bình 0,3206 0,036 0,067 0,1201 0,236 0,645 0,060 0,081 Giá trị lớn nhất 4,2375 0,08 0,125 0,4589 0,6457 1,084 0,068 0,198 Giá trị nhỏ nhất -0,3149 0,03 0,0425 0,08 0,048 0,2142 0,0503 0,0063 Độ lệch chuẩn 0,4454 0,015 0,027 0,0697 0,1130 0,165 0,005 0,061 Số quan sát 210 210 210 210 210 210 210 210 Nguồn: Tác giả tính toán từ dữ liệu của GSO và SBV (2018). Nhìn chung, về tăng trưởng tín dụng (crd), tốc độ tăng trưởng bình quân của mẫu nghiên cứu khoảng 30% trong giai đoạn 2008 - 2017. Mặc dù chênh lệch giữa giá trị lớn nhất và nhỏ nhất là cực lớn, độ lệch chuẩn lên đến 44% chứng tỏ khả năng tăng trưởng tín dụng ở từng NHTM là hoàn toàn khác nhau phụ thuộc vào năng lực của từng ngân hàng. Về tỷ lệ dự trữ bắt buộc (rrr): Công cụ này được NHNN sử dụng để tác động đến thanh khoản của hệ thống NHTM, điều chỉnh các mục tiêu vĩ mô như lãi suất, lạm phát, đầu tư, tăng trưởng kinh tế Tại Việt Nam, sau khi công cụ thị trường mở được hình thành và phát triển, NHNN đã ổn định tỷ lệ này ở mức thấp trong giai đoạn 2011 – 2017. Cụ thể, tỷ lệ này được giữ ở mức phổ biến là 3% (kỳ hạn dưới 1 năm), 1% (kỳ hạn từ một năm trở lên) với tiền đồng (VNĐ)58. Về lãi suất tái chiết khấu (dr): Đây là công cụ của CSTT mà NHNN nhằm điều tiết lượng cung tiền. Trong giai đoạn 2008 – 2017, có những giai đoạn, lãi suất tái chiết khấu được duy trì ở mức thấp (7%) nhằm tạo điều kiện để các NHTM nắm giữ giấy tờ có giá (Trái phiếu Chính phủ, Tín phiếu kho bạc) đem đi cầm cố tại NHNN với lãi suất thấp để tạo thanh khoản, mở rộng tín dụng của các NHTM. Cũng có những thời điểm từ sau ngày 8/3/2011, NHNN đã tăng lãi suất tái chiết khấu từ 7% lên đến 12%, 58 Chi tiết cập nhật theo văn bản số 1158/QĐ-NHNN ngày 29/05/2018 áp dụng từ ngày 01/6/2018. 125 với động thái này cho thấy NHNN siết chặt tín dụng của NHTM nhằm kiềm chế lạm phát. Về hệ số an toàn vốn (car): Hệ số đo lường quan trọng về mức độ an toàn hoạt động của ngân hàng. Ngoại trừ, năm 2008 hệ số car của Eximbank là 45,89% được giải thích là do trong năm 2008 vốn điều lệ của Eximbank đã tăng từ 2.800 tỷ VNĐ lên đến 7.220 tỷ VNĐ nên đến cuối năm 2008 số vốn điều lệ tăng thêm này chưa kịp giải ngân hết dẫn đến kết quả là hệ số này lên đến 45,89%. Một số NHTM như VPBank hay SCB giai đoạn 2007 - 2008 có CAR chỉ ở mức 8% - 9%. Tuy nhiên, có thể thấy rằng giai đoạn từ 2012 - 2017, hệ số CAR trung bình của hệ thống NHTM Việt Nam nói chung và các NHTM niêm yết nói riêng đều đảm bảo theo quy định, lớn hơn 9%. Đồng thời hệ số CAR này có xu hướng tăng lên và phân hóa rõ nét giữa các NHTM có quy mô lớn (VCB, CTG, BID) và phần còn lại. Cụ thể các NHTM lớn có hệ số CAR thấp (khoảng 9%) trong khi các NHTM nhỏ hơn (NCB, EIB, DongABank, Saigonbank) dao động ở mức 20%. Về tỷ lệ dự trữ thanh khoản (liq): Từ 2008 đến 2011, thanh khoản của hệ thống ngân hàng luôn là vấn đề được Chính phủ, Ngân hàng Nhà nước (NHNN) quan tâm chỉ đạo, được cảnh báo (SBV, 2011). Tuy nhiên một số NHTM nhỏ gặp khó khăn trong vấn đề huy động vốn buộc phải tăng lãi suất, số liệu thống kê mô tả có giá trị nhỏ nhất là 4,8% tập trung chủ yếu ở nhóm NHTM nhỏ vì: (i) nguồn tiền gửi của NHTM không ổn định; (ii) khả năng vay NHNN, vay NHTM khác thấp; (iii) khả năng huy động vốn từ tổ chức kinh tế, dân cư thấp do màng lưới hạn chế hoặc chất lượng dịch vụ chưa đa dạng và chưa có chất lượng cao; (iv) rủi ro tín dụng cao, nhiều khoản vay đến hạn nhưng không được trả; (v) tỷ lệ cho vay trung dài hạn cao, v.v. Trong khi đó, ở nhóm NHTM có vốn Nhà nước như BIDV, Vietcombank hay Vietinbank, rủi ro về việc mất thanh khoản thấp khi tăng trưởng huy động tương đương tín dụng, hệ số này có thời điểm lên đến 64,57% giúp nhóm các NHTM này khá an toàn. Tuy nhiên sự chênh lệch giữa các nhóm NHTM an toàn và gặp khó khăn tương đối lớn nên giá trị trung bình của hệ số ở mức 23,6% là tương đối thấp, trong thời gian tới NHNN cần triển khai tốt hơn nữa các hoạt động thanh tra trên cơ sở rủi ro, đánh giá năng lực quản trị rủi ro thanh khoản của từng TCTD được xem là trọng yếu để cải thiện chỉ tiêu này. 126 Về tỷ lệ dư nợ cho vay so với tổng tiền gửi (ldr): Ngoại trừ trường hợp của NHTM Sài Gòn (SGB) vào năm 2009 có hệ số LDR