Tên biến Ký hiệu Phƣơng pháp xác định Kỳ vọng dấu
Biến phụ thuộc Hệ số nợ LEV Tổng nợ / Tổng tài sản Hệ số nợ ngắn hạn SLEV Tổng nợ ngắn hạn / Tổng tài sản
hạn
Biến độc lập
Khả năng
sinh lời PRF
Lợi nhuận trƣớc thuế, lãi vay
và khấu hao / Tổng tài sản -
Quy mô
doanh nghiệp
SIZE Logarithm của tổng tài sản +
Cấu trúc tài sản hữu hình TANG (Tài sản cố định hữu hình + hàng tồn kho) / Tổng tài sản + Tính thanh khoản LIQ Tài sản ngắn hạn / Nợ ngắn hạn - Tấm chắn thuế phi nợ NDTS
Khấu hao tài sản cố định và bất
động sản đầu tƣ / Tổng tài sản - Tốc độ tăng trƣởng kinh tế EGRW (GDPt - GDPt-1)/GDPt-1 - Nguồn: Tác giả tổng hợp
3.3. Giả thuyết nghiên cứu
Biến về hệ số nợ (Biến phụ thuộc)
Đƣợc xây dựng dựa trên nghiên cứu của Chen (2004), hệ số nợ (LEV), hệ số nợ vay ngắn hạn (SLEV) và hệ số nợ vay dài hạn (LLEV đƣợc đo lƣờng nhƣ sau:
�o�� ợ� � o� ợ� =�o�� ài� �ǎ� �o�� ợ� ��a� ℎạ� � o� ợ� ��a� ℎạ� = � o� ợ ài� � ℎạ� = �o�� ài� �ǎ� �o�� ợ� ài� ℎạ� �o�� ài� �ǎ� Các biến ảnh hƣởng đến hệ số nợ (Biến độc
Lý thuyết đánh đổi và lý thuyết trật tự phân hạng có sự không thống nhất khi đánh giá tác động của khả năng sinh lời đến việc sử dụng nợ vay của một doanh nghiệp. Căn cứ các kết quả thực nghiệm đã đƣợc đề cập, khóa luận đƣa ra giả thuyết dựa trên lập luận của lý thuyết trật tự phân hạng. Khả năng sinh lời quyết định năng lực tích lũy nguồn vốn nội bộ của một doanh nghiệp, doanh nghiệp có khả năng sinh lời cao sẽ có xu hƣớng ƣu tiên sử dụng lợi nhuận giữ lại trƣớc khi đi vay. Giả thuyết về khả năng sinh lời đƣợc đƣa ra nhƣ sau:
Giả thuyết 1: Những công ty có khả năng sinh lời cao thì có đòn bẩy tài chính thấp
Dựa trên thang đo nghiên cứu của Huang và Song (2006), khả năng sinh lời đƣợc đo lƣờng bằng lợi nhuận trƣớc thuế và lãi vay, khấu hao trên tổng tài sản.
Quy mô doanh nghiệp (SIZE)
Doanh nghiệp có quy mô lớn thì độ tín nhiệm cao, rủi ro phá sản thấp và có lợi thế khi vay nợ cao hơn so với các doanh nghiệp nhỏ. Bên cạnh đó, doanh nghiệp có quy mô càng lớn thì chi phí đại diện càng cao. Sử dụng nợ vay là một biện pháp để nhà quản lý thận trọng hơn trong việc điều hành, tránh đƣa ra những quyết định không tốt đến hoạt động của doanh nghiệp. Giả thuyết về quy mô doanh nghiệp đƣợc đƣa ra nhƣ sau:
Giả thuyết 2: Những công ty có quy mô lớn thì có đòn bẩy tài chính cao
Dựa trên thang đo nghiên cứu của Chen (2004), khả năng sinh lời đƣợc đo lƣờng bằng Logarithm của tổng tài sản
Cấu trúc tài sản hữu hình (TANG)
Do các chủ nợ thƣờng yêu cầu phải có tài sản thế chấp để bảo đảm cho các khoản vay nên tỷ trọng tài sản hữu hình lớn đồng nghĩa với việc giá trị tài sản thế chấp cao, doanh nghiệp sẽ có khả năng vay nợ tốt hơn. Giả thuyết về cấu trúc tài sản hữu hình đƣợc đƣa ra nhƣ sau:
Giả thuyết 3: Những công ty có tài sản hữu hình lớn thì có đòn bẩy tài chính cao.
Dựa trên thang đo nghiên cứu của Chen (2004), cấu trúc tài sản hữu hình đƣợc đo lƣờng bằng tài sản cố định hữu hình cộng hàng tồn kho trên tổng tài sản.
Tính thanh khoản vừa có tác động cùng chiều vừa có tác động ngƣợc chiều đến đòn bẩy tài chính của doanh nghiệp. Khóa luận xây dựng giả thuyết dựa trên kết quả nghiên cứu của Lim và các đồng sự (2012 , Wahab và Ramli (2014 , đòn bẩy tài chính và tính thanh khoản có mối tƣơng quan nghịch chiều.
Giả thuyết 4: Những công ty có tính thanh khoản cao thì có đòn bẩy tài chính thấp.
Dựa trên nghiên cứu của Wahab và Ramli (2014), tính thanh khoản đƣợc đo lƣờng bằng tài sản ngắn hạn trên nợ ngắn hạn.
Tấm chắn thuế phi nợ (NDTS)
Một lợi ích của việc sử dụng nợ vay là giúp làm giảm phần thuế thu nhập doanh nghiệp phải nộp, tấm chắn thuế phi nợ cũng có tác dụng tƣơng tự nhƣ vậy. Doanh nghiệp có tấm chắn thuế phi nợ lớn thông thƣờng không có xu hƣớng sử dụng nhiều nợ vay để đƣợc khấu trừ thuế. Trong số các chi phí đƣợc khấu trừ thuế ngoài lãi vay, khấu hao là khoản mục quan trọng nhất.
Giả thuyết 5: Những công ty có tấm chắn thuế phi nợ lớn thì có đòn bẩy tài chính thấp.
Dựa trên nghiên cứu của Chen (2004), tấm chắn thuế phi nợ đƣợc đo lƣờng bằng khấu hao tài sản cố định và bất động sản đầu tƣ trên tổng tài sản.
Tốc độ tăng trƣởng kinh tế (EGRW)
Dựa trên nghiên cứu của Wahab và Ramli (2014), Choong, Yusop and Soo (2006), tốc độ tăng trƣởng kinh tế có tác động nhạy cảm đến dòng tiền đầu tƣ nƣớc ngoài và hệ thống tài chính trong nƣớc. Jong, Kabir, Nguyen (2008) cho rằng tốc độ tăng trƣởng kinh tế càng cao là một dấu hiệu cho thấy điều kiện kinh tế của một quốc gia phát triển bền vững cũng nhƣ là một triển vọng tốt trong tƣơng lai. Do đó sẽ giúp công ty giảm gánh nặng từ việc vay mƣợn nên đòn bẩy tài chính của công ty sẽ thấp. Giả thuyết về tốc độ tăng trƣởng kinh tế đƣợc đặt ra nhƣ sau:
Giả thuyết 6: Tốc độ tăng trưởng kinh tế càng cao thì sẽ giúp công ty giảm thiểu đòn bẩy tài chính.
Từ nghiên cứu của Wahab và Ramli (2014), tốc độ tăng trƣởng kinh tế đƣợc đo lƣờng bằng tỷ lệ chênh lệch tăng trƣởng GDP năm nay và năm trƣớc đó.
3.4. Dữ liệu nghiên cứu
Dữ liệu đƣợc nghiên cứu đề cập bao gồm 45 công ty BĐS lớn đƣợc niêm yết trên sàn chứng khoán HOSE trong giai đoạn 2010 – 2019. Danh sách các công ty BĐS lớn đƣợc đề cập ở phần Phụ lục 1 bên dƣới. Số liệu đo lƣờng chỉ số nợ và các biến vi mô nhƣ lợi nhuận trƣớc thuế và lãi vay, tổng tài sản, tổng nợ ngắn hạn, tổng nợ dài hạn, tài sản ngắn hạn,… đƣợc trích từ số liệu báo cáo tài chính hợp nhất, báo cáo thƣờng niên của các công ty BĐS đƣợc liệt kê trong danh sách. Bên cạnh đó, biến tốc độ tăng trƣởng kinh tế EGRW đƣợc lấy từ số liệu của World Bank.
3.5. Phƣơng pháp nghiên cứu
Để đạt đƣợc mục tiêu nghiên cứu đƣợc đề ra, tác giả sử dụng phƣơng pháp nghiên cứu là hồi quy dữ liệu bảng (panel data). Chi tiết quy trình thực hiện đƣợc mô tả ở sơ đồ nhƣ sau:
Hình 3.1. Quy trình thực hiện ước lượng hồi quy
Nguồn: Tác giả tổng hợp Để thực hiện quy trình nhƣ trên, tác giả sử dụng phần mềm hỗ trợ là Stata 14.0 để thực hiện ƣớc lƣợng mô hình và kiểm định mô hình. Chi tiết từng bƣớc đƣợc mô tả nhƣ sau:
Bƣớc 1: Thống kê mô tả dữ liệu
Thống kê mô tả đƣợc sử dụng nhằm mô tả những đặc tính cơ bản của dữ liệu thu thập đƣợc từ nghiên cứu qua các cách thức khác nhau. Qua thống kê mô tả này trình bày đƣợc giá trị trung bình của các biến thông qua tiêu chí giá trị trung bình, giá trị nhỏ nhất và giá trị lớn nhất, giá trị trung vị và sai số chuẩn giữa các giá trị. Thông qua các tiêu chí đƣợc thống kê đó, ta có thể hiểu đƣợc các hiện tƣợng và đƣa quyết định đúng đắn về chuỗi dữ liệu nghiên cứu.
Bƣớc 2: Kiểm định mô hình Pooled OLS, FEM và REM
Hồi quy dữ liệu bảng sử dụng ba phƣơng pháp chính, đó là phƣơng pháp Pooled OLS, phƣơng pháp tác động cố định (FEM và phƣơng pháp tác động ngẫu nhiên (FEM).
Phương pháp Pooled OLS thực chất là việc sử dụng dữ liệu bảng để phân tích bằng hình thức sử dụng tất cả dữ liệu theo cách xếp chồng và không phân biệt từng đơn vị ch o riêng. Đây là phƣơng pháp thông thƣờng và đơn giản nhất, tƣơng tự nhƣ việc phân tích OLS bình thƣờng, không kể đến kích thƣớc không gian và thời gian của dữ liệu. Mô hình Pooled OLS đƣợc cụ thể nhƣ sau:
�i� =�1+ �1�1i� + �2�2i�+. . +++++++++++++++���i� + +�i�
Trong đó �i� là biến phụ thuộc của quan sát i trong thời kỳ t, ��i� là biến độc lập của quan sát k trong thời kỳ k.
Mô hình này có một số nhƣợc điểm, đó là nhận diện sai thể hiện ở Durbin – Watson (DW) và ràng buộc quá chặt về các đơn vị ch o, điều này khó xảy ra so với thực tế. Vì thế, để khắc phục các nhƣợc điểm trên, mô hình FEM và REM đƣợc sử dụng.
Để thể hiện tác động đặc trƣng của mỗi đơn vị ch o đến biến phụ thuộc nhằm cho tung độ gốc thay đổi đối với mỗi đơn vị nhƣng hệ số độ dốc không thay đổi. Phƣơng pháp đó đƣợc gọi là phƣơng pháp hồi quy theo mô hình tác động cố định (FEM), nghĩa là tung độ gốc có thể khác nhau giữa các đơn vị ch o nhƣng không thay đổi theo thời gian.
Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hƣởng đến các biến giải thích, FEM phân tích mối tƣơng quan này giữa phần dƣ của mỗi đơn vị với các biến giải thích qua đó kiểm soát và tách ảnh hƣởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ƣớc lƣợng những
ảnh hƣởng thực (net effects) của biến giải thích lên biến phụ thuộc. Mô hình FEM có dạng nhƣ sau:
�i� = �i + ��i� + +�i�
Trong đó �i� là biến phụ thuộc của quan sát i trong thời gian t, �i� là biến độc lập của quan sát i trong thời gian t, �i là hệ số chặn cho từng đơn vị nghiên cứu, � là hệ số góc đối với nhân tố x và �i� là phần dƣ.
Điểm khác biệt giữa mô hình ảnh hƣởng ngẫu nhiên và mô hình ảnh hƣởng cố định đƣợc thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tƣơng quan đến biến độc lập – biến giải thích trong mô hình ảnh hƣởng cố định thì trong mô hình ảnh hƣởng ngẫu nhiên sự biến động giữa các đơn vị đƣợc giả sử là ngẫu nhiên và không tƣơng quan đến các biến giải thích.
Chính vì vậy, nếu sự khác biệt giữa các đơn vị có ảnh hƣởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dƣ của mỗi thực thể (không tƣơng quan với biến giải thích đƣợc xem là một biến giải thích mới.
Ý tƣởng của mô hình REM cũng bắt đầu từ mô hình nhƣ sau:
�i� = �i + ��i� + +�i�
Thay vì trong mô hình trên, �i là cố định thì trong REM có giả định rằng nó là một biến ngẫu nhiên với trung bình là C1 và giá trị hệ số chặn đƣợc mô tả nhƣ sau
�i = � + si (i = 1, … , )�
Trong đó si là sai số ngẫu nhiên có trung bình bằng 0 và phƣơng sai là 2. Thay vào mô hình tác giả đƣợc:
�i� = � + ��i� + si� + �i� hay �i� = � + ��i� + �i� và �i� = si� + �i�
Trong đó si� là sai số thành phần của các đối tƣợng khác nhau (đặc điểm khác nhau của từng doanh nghiệp) và �i� là sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tƣợng và theo thời gian.
So với phƣơng pháp FEM, phƣơng pháp REM có thể khắc phục toàn bộ nhƣợc điểm của phƣơng
quan với các biến độc lập. Do đó nếu xảy ra hiện tƣợng này thì REM ƣớc lƣợng không còn chính xác.
Bƣớc 3: Kiểm định các hệ số hồi quy phù hợp với mô hình
Đầu tiên tác giả sẽ thực hiện kiểm định thừa biến để loại bỏ những biến không cần thiết ra khỏi mô hình. Các biến đƣợc sử dụng là các biến không có ý nghĩa thống kê từ kết quả ƣớc lƣợng của các mô hình Pooled OLS, FEM và REM. Để thực hiện, tác giả sử dụng kiểm định Wald để kiểm tra sự cần thiết của các biến không có ý nghĩa thống kê đối với mô hình.
Sau khi loại bỏ biến thừa (nếu có), tác giả sẽ chạy lại mô hình phù hợp đƣợc lƣa chọn với biến độc lập còn lại, rồi tiến hành kiểm định các hệ số hồi quy. Tác giả quyết định sử dụng kiểm định t (t- test để kiểm tra sự phù hợp của các hệ số hồi quy. Theo kinh nghiệm, một hệ số hồi quy đƣợc xem là phù hợp khi có mức ý nghĩa thống kê là 1% hoặc 5% hoặc 10%, tƣơng ứng với độ tin cậy là 99%, 95% và 90%.
Bƣớc 4: Kiểm định khuyết tật mô hình
Kiểm định hiện tƣợng đa cộng tuyến: Nhóm tác giả sẽ tiến hành kiểm định đa cộng tuyến bằng hai cách. Cách một là thông qua phân tích hệ số tƣơng quan nhằm kiểm định đa cộng tuyến của từng cặp biến độc lập. Hệ số tƣơng quan (Pearson đƣợc tính bằng cách chia hiệp phƣơng sai của biến với tích độ lệch chuẩn của chúng. Nếu hệ số tƣơng quan giữa các biến độc lập lớn hơn 0.8 (còn đƣợc gọi là hệ số tƣơng quan cao , ta có hiện tƣợng đa cộng tuyến cao. Cách hai là kiểm định đa cộng tuyến giữa một biến độc lập so với các biến độc lập còn lại thông qua sử dụng thừa phóng đại phƣơng sai VIF. Nếu hiện tƣợng đa cộng tuyến xảy ra, nhóm tác giả sẽ khắc phục bằng cách bỏ đi biến độc lập có đa cộng tuyến, đây là cách làm đơn giản nhất vì sau khi bỏ biến độc lập có đa cộng tuyến, các hệ số hồi quy của các biến còn lại từ chỗ khác 0 và không có ý nghĩa thống kê có thể trở thành khác 0 có ý nghĩa thống kê.
Kiểm định hiện tƣợng tự tƣơng quan: Nhóm tác giả sẽ tiến hành kiểm định dƣạ trên quy tắc kiểm định Durbin – Watson theo kinh nghiệm. Nếu có hiện tƣợng tự tƣơng quan xảy ra, nhóm tác giả quyết định chọn biến pháp khắc phục là ƣớc lƣợng ρ dựa trên thống kê Durbin – Watson.
Kiểm định hiện tƣợng phƣơng sai thay đổi: Nhóm tác giả sẽ tiến hành kiểm định Breusch – Pagan cho mô hình Pooled OLS hoặc FEM. Nếu mô hình có phƣơng sai thay đổi sẽ đƣợc khắc phục mô hình nghiên cứu bằng cách ƣớc lƣợng lại mô hình đƣợc chọn bằng phƣơng pháp GLS. Nếu trong trƣờng hợp mô hình Random effect đƣợc chọn thì đề tài chỉ tiến hành kiểm định đa cộng tuyến và tự tƣơng quan do mô hình Random Effect chƣa có cách thức kiểm định phƣơng sai thay đổi.
Bƣớc 5: Chạy mô hình FGLS để khắc phục toàn bộ khuyết tật mô hình
Sau khi kiểm định khuyết tật mô hình ở bƣớc 4, tác giả sẽ chạy mô hình FGLS để khắc phục toàn bộ khuyết tật mô hình nhƣ hiện tƣợng phƣơng sai sai số thay đổi, tự tƣơng quan đa cộng tuyến. Ƣớc lƣợng GLS khả thi (hay còn gọi là ƣớc lƣợng tác động ngẫu nhiên là phƣơng pháp ƣớc lƣợng trong
trƣờng hợp cỡ mẫu lớn và T (thời gian) cố định, khi � . Phƣơng pháp ƣớc lƣợng này bao gồm 2
bƣớc chính
Thứ nhất, tác giả cần chuyển dữ liệu ban đầu về dạng dữ liệu trung bình thời gian có trọng số (weighted time-demeaned data . Quá trình này đƣợc thực hiện nhƣ sau:
�i� = �i� − ��̅i �i�1 = Xi�1 − �X̅i1
�i�2 = Xi�2 − �X̅i2 �i� = �i� − ��̅ i Trong đó:
�̅i là giá trị trung bình của Y cho quan sát i trong thời gian T năm
X̅i là giá trị trung bình của X cho đối tƣợng i trong thời gian T năm
�̅ là giá trị trung bình của m cho đối tƣợng i trong thời gian T năm
�i�, Xi�, �i� là giá trị thực tế
�i�, �i� , �i� là các độ lệch so với giá trị trọng số theo thời gian (weighted time means) � là trọng số đƣợc xác định bằng cách