Mô hình nghiên cứu

3.4.1. Các biến nghiên cứu 3.4.1.1. Biến phụ thuộc

Nhiều nghiên cứu sử dụng thước đo của đòn bẩy tài chính (Finance Leverage) là cả giá trị thị trường lẫn giá trị sổ sách (Titman và Wessels, 1988; Rajan và Zingales, 1995). Thước đo thứ nhất là giá trị sổ sách của nợ chia cho giá trị sổ sách của nợ cộng với giá trị thị trường của vốn, thước đo thứ hai là giá trị sổ sách của nợ chia cho giá trị sổ sách của nợ cộng với giá trị sổ sách của vốn. Tác giả sử dụng thước đo của đòn bẩy tài chính cho luận văn này là giá trị sổ sách. Điều này có thể được chứng minh với lập luận là mức đòn bẩy tài chính tối ưu được xác định bởi sự đánh đổi giữa lợi ích và chi phí của việc tài trợ bằng nợ. Lợi ích chính của đòn bẩy tài chính là việc tiết kiệm tiền được tạo ra bởi lá chắn thuế. Lợi ích của lá chắn thuế này không đổi bởi giá trị thị trường của nợ đã phát hành (Banerjee và cộng sự, 2000). Đó là tại sao giá trị thị trường của nợ không có liên quan. Mặt khác, chi phí của việc vay nợ làm cho khả năng phá sản gia tăng. Nếu doanh nghiệp lâm vào tình trạng khánh kiệt tài chính và đi đến phá sản, thì giá trị có liên quan của nợ là giá trị sổ sách của nợ chứ không phải là giá trị thị trường của nợ. Tóm lại, thước đo của đòn bẩy tài chính bằng giá trị sổ sách thì chính xác và dễ tính toán hơn hết.

Một nhận xét khác trong việc quyết định thước đo thích hợp của đòn bẩy tài chính là tổng nợ hay nợ dài hạn chia cho tổng tài sản. Mặc dù lý thuyết cấu trúc vốn xem xét nợ dài hạn để đại diện cho đòn bẩy tài chính nhưng tác giả sử dụng thước đo tổng nợ, bởi vì các doanh ngành Thủy Sản Việt Nam sử dụng hầu hết là tài trợ ngắn hạn vì quy mô bình quân các doanh nghiệp này khá nhỏ, do đó rất khó khăn để tham gia vào thị trường vốn với những ràng buộc về chi phí và công nghệ. Nguồn

29

tài trợ nợ chính ở Việt Nam là các ngân hàng thương mại mà không khuyến khích các khoản cho vay dài hạn. Booth và cộng sự (2001) chỉ ra trong nghiên cứu của họ về việc xác định các nhân tố quyết định cấu trúc vốn ở các nước đang phát triển đó là việc tài trợ nợ ngắn hạn cao hơn tài trợ nợ dài hạn ở các nước đang phát triển.

Từ những lập luận trên thì thước đo của đòn bẩy tài chính đại diện cho cấu trúc vốn là:

3.4.1.2. Biến độc lập

Có nhiều biến độc lập đại diện cho các nhân tố ảnh hưởng đến cấu trúc vốn nhưng do hạn chế về nguồn dữ liệu nên trong mô hình tác giả sử dụng 7 biến độc lập sau:

- Tốc độ tăng trƣởng

- Sức sinh lợi

- Quy mô doanh nghiệp

SIZE = ln(Tổng tài sản)

- Tài sản cố định hữu hình

- Tính thanh khoản

Lợi nhuận trước thuế và lãi vay Tổng tài sản

PROFIT =

Giá trị còn lại của tài sản cố định Tổng tài sản TANG = Tổng nợ Tổng tài sản LEV = Tài sản ngắn hạn Nợ ngắn hạn LIQU =

Doanh thu thuần năm sau - Doanh thu thuần năm trước Doanh thu thuần năm trước

30

- Thuế suất

- Rủi ro

RISK = Giá trị tuyệt đối của sai phân bậc nhất của

3.4.2. Thiết lập mô hình nghiên cứu

Trong luận văn này, tác giả sử dụng phương pháp phân tích dữ liệu bảng (panel data) với mô hình hồi quy tuyến tính. Nó là sự kết hợp giữa dữ liệu chéo (cross section) và dữ liệu thời gian (time series). Tác giả sử dụng dữ liệu bảng vì có những lợi ích sau:

- Dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, tiểu bang, đất nước,… theo thời gian, nên nhất định phải có tính dị biệt (không đồng nhất) trong các đơn vị này. Kỹ thuật ước lượng dữ liệu bảng có thể chính thức xem xét đến tính dị biệt đó bằng cách xem xét các biến số có tính đặc thù theo từng cá nhân. Thuật ngữ “cá nhân” theo ý nghĩa chung bao gồm các đơn vị vi mô như các cá nhân, các doanh nghiệp, tiểu bang, và đất nước.

- Thông qua kết hợp các chuỗi theo thời gian của các quan sát theo không gian, dữ liệu bảng cung cấp những dữ liệu có nhiều thông tin hơn, đa dạng hơn, ít cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn.

- Thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của thay đổi. Tình trạng thất nghiệp, luân chuyển công việc, và tính lưu chuyển lao động sẽ được nghiên cứu tốt hơn với dữ liệu bảng. - Dữ liệu bảng có thể phát hiện và đo lường tốt hơn những ảnh hưởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy.

Thuế thu nhập phải nộp Lợi nhuận trước thuế TAX =

Thu nhập hoạt động năm sau - Thu nhập hoạt động năm trước Thu nhập hoạt động năm trước

31

- Dữ liệu bảng giúp ta nghiên cứu những mô hình hành vi phức tạp hơn.

- Bằng cách thu thập những số liệu có sẵn cho vài nghìn đơn vị, dữ liệu bảng có thể tối thiểu hóa sự thiên lệch có thể xảy ra nếu ta tổng hợp các cá nhân hay các doanh nghiệp thành số liệu tổng.

Có ba mô hình hồi quy dùng để phân tích dữ liệu bảng là: mô hình hồi quy gộp (PM - Pooled Model), mô hình tác động cố định (FEM – Fixed Effect Model) và mô hình tác động ngẫu nhiên (REM – Random Effect Model).

Mô hình hồi quy gộp (PM)

Đây là cách tiếp cận đơn giản nhất và có lẽ khá ngây thơ là bỏ qua bình diện không gian và thời gian của dữ liệu bảng và chỉ ước lượng hồi quy OLS thông thường. Nghĩa là, dữ liệu có dự xếp chồng lên nhau các thành phần chéo và thành phần thời gian.

Υit = β1+ β2X2it + β3X3it + … + βkXkit + uit (1) Υit: Biến phụ thuộc của công ty thứ i trong năm t.

Xkit: Biến phụ độc lập thứ k của công ty thứ i trong năm t. β1: Hệ số tung độ gốc của mô hình

βk: Hệ số dốc của biến độc lập thứ k. uit: Sai số của công ty thứ i trong năm t.

Hệ số β chỉ có một hay không có sự khác biệt giữa các cá nhân. Và nhược điểm của mô hình này là hệ số Dubin – Waston thường khá nhỏ (nhỏ hơn 1) nên gây ra hiện tượng tự tương quan dương. Và mô hình tác động cố định và mô hình tác động ngẫu nhiên sẽ khắc phục các nhược điểm của mô hình này.

Mô hình tác động cố định (FEM)

Một cách để xem xét “đặc điểm cá nhân” của từng công ty hay từng đơn vị theo không gian là để cho tung độ gốc thay đổi theo từng công ty nhưng vẫn giả định rằng các hệ số độ dốc là hằng số đối với các công ty.

Υit = β1i+ β2X2it + β3X3it + … + βkXkit + uit (2) β1i: Hệ số tung độ gốc của công ty thứ i.

32

Mô hình tác động ngẫu nhiên (REM)

Ý tưởng cơ bản là bắt đầu bằng phương trình (2), thay vì xem β1i là cố định, ta giả định đó là một biến ngẫu nhiên với một giá trị trung bình là β1 (không có ký hiệu i ở đây). Và giá trị tung độ gốc cho một công ty riêng lẻ có thể được biểu thị là:

β1i = β1 + εi i = 1, 2, …, N

trong đó εi là số hạng sai số ngẫu nhiên với một giá trị trung bình bằng 0 và phương sai bằng σε2

Các công ty đó có một giá trị trung bình chung đối với tung độ gốc (β1) và sự khác biệt cá nhân về giá trị tung độ gốc của từng công ty được phản ánh trong số hạng sai số εi.

Υit = β1+ β2X2it + β3X3it + … + βkXkit + εi + uit (3)

Tóm lại, mô hình hồi quy cụ thể các nhân tố ảnh hưởng đến cấu trúc vốn của các công ty niêm yết ngành Thủy Sản Việt Nam được khái quát như sau:

LEVit = β1 + β2TANGit + β3SIZEit + β4GROWTHit + β5PROFITit + β6LIQUit + β7IEit + β8TAXit + β9RISKit + uit

i = 1, 2, 3,…, n đối với các công ty niêm yết ngành Thủy Sản Việt Nam. t = 2008, 2009, …, 2014 đối với khoảng thời gian từ năm 2008 – 2014. uit: Sai số của công ty thứ i trong năm t.

3.4.3. Các kiểm định trong mô hình dữ liệu bảng 3.4.3.1. Kiểm định lựa chọn mô hình tốt nhất 3.4.3.1. Kiểm định lựa chọn mô hình tốt nhất

 Kiểm định Breuch – Pagan LM

Kiểm định trên nhằm lựa chọn mô hình PM hay REM phù hợp cho hồi quy dữ liệu mẫu.

H0: mô hình PM thì thích hợp H1: mô hình REM thì thích hợp

Nếu p-value của kiểm định Breuch – Pagan LM có ý nghĩa thống kê cho phép kết luận giả thuyết H0 bị bác bỏ, khi đó ta kết luận là REM phù hợp hơn để sử dụng. Ngược lại, PM phù hợp cho mô hình nếu chấp nhận giả thuyết H0.

33

 Kiểm định sự tồn tại ảnh hƣởng cố định

Kiểm định trên nhằm lựa chọn mô hình PM hay FEM phù hợp cho bộ dữ liệu của mẫu.

H0: mô hình PM thì thích hợp H1: mô hình FEM thì thích hợp

Nếu p-value của kiểm định sự tồn tại ảnh hưởng cố định có ý nghĩa thống kê cho phép kết luận giả thuyết H0 bị bác bỏ, khi đó ta kết luận là FEM phù hợp hơn để sử dụng. Ngược lại, PM phù hợp cho mô hình nếu chấp nhận giả thuyết H0.

 Kiểm định Hausman

Kiểm định trên nhằm lựa chọn mô hình FEM hay REM phù hợp cho hồi quy dữ liệu mẫu, dựa trên giả định không sự tương quan giữa biến giải thích và yếu tố ngẫu nhiên εi vì tương quan là nguyên nhân tạo nên sự khác biệt giữa FEM và REM.

H0: mô hình REM thì thích hợp H1: mô hình FEM thì thích hợp

Nếu p-value của kiểm định Hausman có ý nghĩa thống kê cho phép kết luận giả thuyết H0 bị bác bỏ, khi đó ta kết luận là FEM phù hợp hơn để sử dụng. Ngược lại, REM phù hợp cho mô hình nếu chấp nhận giả thuyết H0.

3.4.3.2. Kiểm định sự phù hợp của mô hình

Kiểm định sự phù hợp của mô hình là việc kiểm định liệu rằng toàn bộ các biến độc lập trong mô hình đều không tác động đến biến phụ thuộc hay không. Nếu đúng như vậy thì mô hình không có ý nghĩa hay còn gọi là mô hình không phù hợp.

H0: β2 = β3 = … = βk = 0 H1: β22 + β32 + …+ βk2 ≠ 0

Nếu p-value của thống kê F có ý nghĩa thống kê cho phép ta bác bỏ giả thuyết H0 nghĩa là mô hình hồi quy phù hợp.

3.4.3.3. Kiểm định hiện tƣợng đa cộng tuyến

Có nhiều tiêu chuẩn để kiểm định hiện tượng đa cộng tuyến, trong luận văn này tác giả sử dụng 2 tiêu chuẩn sau:

34

 Tồn tại tƣơng quan cặp cao giữa các biến độc lập

Theo kinh nghiệm, hiện tượng đa cộng tuyến chỉ trở nên nghiêm trọng khi hệ số tương quan giữa các biến độc lập trong mô hình từ 0.8 trở lên. Do đó, nếu hệ số tương quan giữa hai biến độc lập lớn hơn 0.8 thì mô hình xảy ra hiện tượng đa cộng tuyến. Tuy nhiên tiêu chuẩn này thường không chính xác, nên để có kết luận kiểm định chính xác hơn, người ta sử dụng thêm tiêu chuẩn nhân tử phóng đại phương sai.

 Nhân tử phóng đại phƣơng sai (VIF: Variance Inflation Factor)

-

Với Rj2 là hệ số xác định trong hồi quy phụ biến độc lập Xj theo các biến độc lập còn lại.

Quy tắc kinh nghiệm: VIFj > 10  Rj2 > 0,9  có hiện tượng đa cộng tuyến cao giữa biến độc lập Xj và các biến độc lập còn lại.

3.4.3.4. Kiểm định hiện tƣợng tự tƣơng quan

Kiểm định này sử dụng hệ số Durbin-Watson nhằm xác định có hay không có hiện tượng tự tương quan trong mô hình.

Thông thường, hiện tượng tự tương quan được kết luận như sau: Nếu giá trị d trong kiểm định Durbin-Watson:

1< d <3: không có hiện tượng tự tương quan.

0< d <1: mô hình có hiện tượng tự tương quan dương. 3< d <4: mô hình có hiện tượng tự tương quan âm.

3.4.3.5. Kiểm định hiện tƣợng phƣơng sai sai số thay đổi

Theo Bùi Dương Hải (2007), kiểm định phương sai sai số thay đổi bằng hồi quy phụ theo biến phụ thuộc như sau:

Hồi quy U2 theo ̂: U2 = b1 + b2 ̂ + v

U: sai số (residual) của mô hình hồi quy gốc.

̂: giá trị ước lượng của mô hình hồi quy gốc (fitted values) H0: b2 = 0: Mô hình gốc có phương sai sai số không đổi.

35

3.4.3.6. Kiểm định hệ số của các biến độc lập

Kiểm định hệ số của các biến độc lập là việc kiểm định xem các biến độc lập có tác động đến biến phụ thuộc hay không. Nếu phát hiện biến độc lập nào không tác động đến biến phụ thuộc thì ta loại biến đó ra khỏi mô hình.

H0: βi = 0 H1: βi ≠ 0

Nếu p-value có ý nghĩa thống kê thì giả thuyết H0 bị bác bỏ, hay nói cách khác là biến độc lập thứ i đó tác động tới biến phụ thuộc một cách có ý nghĩa thống kê.

3.4.4. Đo lƣờng mức độ ảnh hƣởng của các nhân tố đối với biến phụ thuộc

Để đo lường mức độ ảnh hưởng của các nhân tố đối với biến phụ thuộc tác giả sử dụng hệ số hồi quy chuẩn hóa.

Hệ số hồi quy chưa chuẩn hóa phản ánh lượng biến thiên của biến phụ thuộc khi một đơn vị biến độc lập thay đổi. Trong khi đó, hệ số hồi quy đã chuẩn hóa phản ánh lượng biến thiên của độ lệch chuẩn (standard deviation) của biến phụ thuộc khi một đơn vị độ lệch chuẩn của biến độc lập thay đổi. Cụ thể hơn, hệ số hồi quy đã chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến độc lập, biến phụ thuộc đã được chuẩn hóa ( phương sai =1). Việc chuẩn hóa một biến độc lập có lợi là đơn vị đo lường của một biến được bỏ qua, làm cho việc so sánh dễ dàng hơn. Còn hệ số hồi quy chưa chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến được giữ nguyên giá trị thô. Việc chuẩn hóa hệ số hồi quy thường dùng để trả lời câu hỏi: biến độc lập nào có tác động mạnh hơn vào biến phụ thuộc khi phân tích hồi quy đa biến, khi mà các biến độc lập có đơn vị đo lường khác nhau. Hệ số hồi quy chuẩn hóa được xác định bởi công thức sau:

̂ ̂

̂ Hệ số hồi quy chuẩn hóa của biến độc lập thứ j ̂: Hệ số hồi quy chưa chuẩn hóa của biến độc lập thứ j

SD(xj): Độ lệch chuẩn của biến độc lập thứ j SD(Y): Độ lệch chuẩn của biến phụ thuộc

36

CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. Phân tích tổng quan và thực trạng cấu trúc vốn và các nhân tố ảnh hƣởng đến cấu trúc vốn ngành Thủy Sản

Phân tích ngành nhằm hệ thống các hiểu biết về ngành nghề kinh doanh của doanh nghiệp để hỗ trợ cho việc phân tích tình hình chung của các doanh nghiệp cũng như đánh giá các rủi ro một cách toàn diện.

4.1.1. Phân tích tổng quan về ngành Thủy Sản

4.1.1.1. Các doanh nghiệp xuất khẩu Thủy Sản lớn trong nƣớc

Sau giai đoạn bùng nổ số lượng doanh nghiệp thủy sản các năm trước, trước tình hình vô cùng khó khăn của ngành thời gian qua, số doanh nghiệp xuất khẩu thủy sản đã giảm đáng kể (hơn 33%), chủ yếu là các doanh nghiệp nhỏ và vừa, không chủ động được vùng nguyên liệu, số lượng đối tác hạn chế và uy tín thương hiệu thấp. Theo thống kê từ Vasep, đến cuối năm 2014, chỉ còn khoảng 600 doanh