3. DỮ LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.1 Nguồn dữ liệu và định nghĩa các biến
3.1.1 Nguồn dữ liệu
Bài nghiên cứu sử dụng số liệu từ bảng cân đối kế toán, báo cáo kết quả kinh doanh, báo cáo lƣu chuyển tiền tệ, thuyết minh báo cáo tài chính, báo cáo thƣờng niên của các cơng ty phi tài chính niêm yết trên sàn HOSE và HNX từ năm 2007- 2013.
Hệ thống dữ liệu bảng cho bài nghiên cứu đƣợc thiết lập nhƣ sau: Thứ nhất, những cơng ty tài chính đƣợc loại trừ khỏi mẫu nghiên cứu bởi họ đóng vai trị là nhà tạo lập thị trƣờng và cụ thể hơn là tỷ lệ nắm giữ tiền mặt của các loại hình cơng ty này phải tuân thủ một số quy định giám sát (Opler và cộng sự, 1999) từ ngân
hàng trung ƣơng. Thứ hai, các báo cáo tài chính từ năm 2007 đến 2013 hàng năm phải cung cấp đầy đủ dữ liệu cho tất cả các biến nghiên cứu nhằm đảm bảo dữ liệu bảng thu đƣợc là cân đối. Thứ ba, tiến hành loại bỏ những công ty có vốn chủ sở hữu âm. Cuối cùng, bài nghiên cứu đã thu thập đƣợc 167 công ty thỏa mãn các yêu cầu với tổng số 1169 quan sát (167 công ty x 7 năm).
Bài nghiên cứu sử dụng dữ liệu bảng để ƣớc tính mối liên hệ giữa tỷ lệ nắm giữ tiền mặt với các biến giải thích ở trên. Dữ liệu bảng là dữ liệu kết hợp các quan sát theo chuỗi thời gian và theo không gian. Baltagi (2008) liệt kê các ƣu điểm của dữ liệu bảng so với dữ liệu theo chuỗi thời gian và không gian nhƣ sau: Thứ nhất, vì dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, tiểu bang, đất nƣớc, v.v… theo thời gian, nên nhất định phải có tính dị biệt (khơng đồng nhất) trong các đơn vị này. Kỹ thuật ƣớc lƣợng 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 hoặc doanh nghiệp. Thứ hai, 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 thơng tin hơn, đa dạng hơn, ít
thơng 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. Thứ tƣ, dữ liệu bảng có thể phát hiện và đo lƣờng tốt hơn những ảnh hƣởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy. Thứ năm, dữ liệu bảng giúp ta nghiên cứu những mơ hình hành vi phức tạp hơn. Cuối cùng, số lƣợng quan sát thu thập đƣợc khá nhiều nên dữ liệu bảng có thể tối thiểu hóa sự thiên lệch có thể xảy ra. Tóm lại, dữ liệu bảng có thể làm phong phú các phân tích thực nghiệm theo những cách thức mà không thể đạt đƣợc nếu ta chỉ sử dụng các dữ liệu theo chuỗi thời gian hay không gian thuần túy.
3.1.2 Biến phụ thuộc
Tỷ lệ nắm giữ tiền mặt (CASH)
Theo nghiên cứu của Ozkan & Ozkan (2004) 3.1.3 Biến độc lập Bảng 3.1: Tổng hợp các biến giải thích STT Biến Cách tính Kỳ vọng dấu 1 LEV - 2 BANK
Theo nghiên cứu của Ozkan & Ozkan (2004)
-
3 DIV
Theo nghiên cứu của Ozkan & Ozkan (2004)
-/+
4 CF
Theo nghiên cứu của Ozkan & Ozkan (2004)
5 SIZE Ln(tổng tài sản)
Theo nghiên cứu của Shah (2011) -/+ 6 VAR Độ lệch chuẩn của dòng tiền/ Tổng tài sản
Theo nghiên cứu của Ozkan & Ozkan (2004) + 7 GRT Ln (
Theo nghiên cứu của Shah (2011) -/+
8 LIQ
Theo nghiên cứu của Ozkan & Ozkan (2004)
-
9 EX
Theo nghiên cứu của Ozkan & Ozkan (2004)
-
10 CEO Bằng 1 nếu chủ tịch HĐQT kiêm nhiệm chức vụ CEO và ngƣợc lại
thì bằng 0 -
Trong đó: LEV là địn bẩy tài chính, BANK là mức vay nợ ngân hàng, DIV là mức thanh toán cổ tức, CF là dịng tiền, SIZE là quy mơ, VAR là mức biến động dòng tiền, GRT là tốc độ tăng trƣởng tài sản, LIQ là tính thanh khoản của tài sản. EX là tỷ lệ thành viên hội đồng quản trị kiêm nhiệm các vị trí giám đốc trên tổng số thành viên hội đồng quản trị. CEO là biến giả, sẽ nhận giá trị là 1 nếu chủ tịch HĐQT kiêm nhiệm chức vụ tổng giám đốc điều hành và ngƣợc lại sẽ nhận giá trị 0.
3.2 Phương pháp nghiên cứu
3.2.1 Mơ hình hồi quy gộp (pooled OLS)
Với mơ hình dữ liệu bảng tĩnh, bài nghiên cứu sử dụng 3 mơ hình hồi quy: Hồi quy gộp (pooled OLS), mơ hình hiệu ứng cố đinh (Fixed effects model), mơ hình hiệu ứng ngẫu nhiên (Random effects model).
Mơ hình hồi quy gộp thực chất là việc sử dụng dữ liệu bảng để phân tích bằng hình thức sử dụng tất cả dữ liệu bằng cách xếp chồng không phân biệt từng cá thể riêng biệt. Tức là, mơ hình này sử dụng dữ liệu gần giống nhƣ một phân tích OLS bình thƣờng.
= * + * + * + * + * + * + * + * + + * +
Trong đó: Biến phụ thuộc là tỷ số tiền và tƣơng đƣơng tiền trên tổng tài sản của công ty i tại thời điểm t. LEV, BANK, DIV, CF, SIZE, VAR, GRT, LIQ, EX, CEO là nhƣng biến giải thích cho cơng ty i tại thời điểm t. là sai số.
Mơ hình hồi quy gộp giả định rằng mối quan hệ giữa các biến là không thay đổi cho tất cả các dữ liệu quan sát. Mơ hình hồi quy gộp đã bỏ qua những mối quan hệ không đồng nhất giữa các đơn vị chéo theo thời gian bằng cách giả định rằng hệ số hồi quy là nhƣ nhau nên những tác động khác nhau nếu có giữa các biến số giải thích đến biến phụ thuộc đƣợc chƣa đựng trong sai số hồi quy . Nghĩa là, các hệ số độ dốc của 10 biến đều giống hệt nhau đối với cả 167 công ty và giá trị tung độ gốc của 167 công ty giống nhau. Đây là những giả định rất hạn chế. Vì thế, hồi quy gộp (pooled OLS) có thể làm biến dạng mối quan hệ thực chất giữa biến độc lập và biến giải thích.
3.2.2 Mơ hình hồi quy hiệu ứng cố định (fixed effects model)
Mơ hình hiệu ứng cố định giả định mỗi thực thể đều có những đặc điểm riêng biệt có thể ảnh hƣởng đến các biến giải thích. Mơ hình hiệu ứng cố định phân tích mối tƣơng quan giữa phần dƣ của mỗi thực thể với các biến giải thích qua đó kiểm sốt 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. Mơ hình ƣớc lƣợng sử dụng:
= * + * + * + * + * +
* + * + * + + * + + +
Trong đó: chứa đựng những tác động của các biến giải thích đến biến phụ thuộc theo dữ liệu chéo nhƣng khơng thay đổi theo thời gian. Ví dụ nhƣ sự
khác nhau trong chính sách quản lý, lĩnh vực hoạt động của doanh nghiệp… Nhƣ vậy tất cả các tác động từ sự hỗn tạp của dữ liệu chéo sẽ đƣợc kiểm soát và
đóng vai trị nhƣ là hệ số chặn khác nhau cho từng đơn vị chéo nhƣng không thay
đổi theo thời gian. Cịn đóng vai trò là hệ số chặn thay đổi theo thời gian và nó nắm bắt những tác động của các biến giải thích đến biến phụ thuộc theo thời
gian nhƣng không khác nhau giữa các đơn vị chéo. Ví dụ nhƣ: mơi trƣờng chính sách hay thuế suất thay đổi trong thời kỳ quan sát của mẫu dữ liệu… Vậy mơ hình hiệu ứng cố định đã khắc phục đƣợc các ràng buộc hạn chế của mơ hình hồi quy gộp.
Tuy nhiên, mô hình này lại thực hiện theo giả thuyết là có sự tƣơng quan giữa phần dƣ của mỗi thực thể (có chứa các đặc điểm riêng) với các biến giải thích. Để khắc phục giả thuyết này, mơ hình GMM đƣợc sử dụng. Mơ hình hiệu ứng cố định cịn có những hạn chế khác nhƣ có quá nhiều biến đƣợc tạo ra trong mơ hình, do đó, có khả năng làm giảm bậc tự do và làm tăng khả năng sự đa cộng tuyến của mơ hình.
3.2.3 Mơ hình hồi quy hiệu ứng ngẫu nhiên (Random effects model)
Mơ hình hồi quy hiệu ứng ngẫu nhiên giả định đặc điểm riêng giữa các thực thể đƣợc cho là ngẫu nhiên và không tƣơng quan đến các biến giải thích. Mơ hình REM xem các phần dƣ của mỗi thực thể là một biến giải thích mới và do nó tiết kiệm đƣợc bậc tự do. Ý tƣởng cơ bản của mơ hình hiệu ứng ngẫu nhiên cũng bắt đầu từ mơ hình:
Giống nhƣ mơ hình hiệu ứng cố định, mơ hình hiệu ứng ngẫu nhiên có các hệ số chặn khác nhau cho từng đơn vị chéo nhƣng không khác nhau theo thời gian với giả định là mối quan hệ giữa các biến giải thích và các biến phụ thuộc là không đổi giữa các đơn vị chéo. Tuy nhiên với mơ hình hiệu ứng ngẫu nhiên, hệ số chặn cho mỗi đơn vị chéo đƣợc giả định bổ sung thêm giá trị vào giá trị hệ số chặn chung . Nhƣ vậy, hệ số chặn chung ( ) sẽ thay đổi ngẫu nhiên theo từng đơn vị chéo nhƣng không thay đổi theo thời gian.
Khơng giống nhƣ mơ hình hiệu ứng cố định, REM sẽ không sử dụng biến giả để nắm bắt tất cả các đặc điểm không quan sát đƣợc và sự khác nhau giữa các đơn vị chéo. Tuy thế nhƣng đặc điểm không quan sát đƣợc và sự khác nhau giữa các đơn vị chéo vẫn sẽ đƣợc nắm bắt bởi sai số chéo . phải thỏa mãn các điều kiện:
Có giá trị trung bình bằng 0, khơng tƣơng quan với sai số hồi quy , phƣơng sai của là hằng số, độc lập với biến giải thích. Tuy nhiên, REM có hạn chế là mắc phải tính khơng đồng nhất của các hệ số tƣơng quan từ các tác động riêng rẽ và ngẫu nhiên.
Nhìn chung, FEM hay REM tốt hơn cho nghiên cứu phụ thuộc vào giả định có hay khơng sự tƣơng quan giữa và các biến giải thích. Nếu giả định rằng khơng có tƣơng quan thì REM phù hợp hơn và ngƣợc lại. Kiểm định Hausman là một trong những phƣơng pháp để lựa chọn FEM và REM. Vì thế, trong phần nghiên cứu này sẽ lần lƣợt đi qua cả ba mơ hình là Pooled OLS, FEM, REM để lựa chọn mơ hình phù hợp nhất.
3.2.4 Mơ hình hồi quy GMM
Với giả định rằng các cơng ty có thể nhanh chóng điều chỉnh tỷ lệ nắm giữ tiền mặt mục tiêu hoặc tối ƣu mà khơng phải chịu chi phí điều chỉnh, mơ hình dữ liệu bảng tĩnh có thể tiến hành cho phân tích này. Tuy nhiên, nếu cơng ty khơng thể chuyển đổi ngay về mức tỷ lệ nắm giữ tiền mặt mong muốn do tồn tại tồn tại chi phí giao dịch và các chi phí điều chỉnh khác (Myers, 1984; Fischer và cộng sự, 1989),
thì mơ hình động nên đƣợc áp dụng. Dƣới giả thuyết trên, mơ hình điều chỉnh từng phần có thể đƣợc ƣớc lƣợng nhƣ sau:
= * + * + * + * + *
+ * + * + * + * + + (1)
Mỗi sự khác nhau không quan sát đƣợc giữa các công ty đƣợc biểu hiện qua biến giả , cố định theo thời gian nhƣng biến đổi theo công ty. Mỗi sự khác nhau không quan sát đƣợc trong mỗi giai đoạn thời gian đƣợc thể hiện bởi biến giả , đƣợc cố định theo đơn vị chéo nhƣng biến đổi theo thời gian. là sai số.
Tuy nhiên, Bond (2002) tranh luận rằng những tác động riêng rẽ ( ) là ngẫu nhiên và do đó chúng luôn luôn tƣơng quan với biến . Hồi quy bình phƣơng bé nhất không ƣớc lƣợng phù hợp vì hệ số tƣơng quan giữa biến phụ thuộc có độ trễ và sai số đƣợc bao gồm trong ( + ). Cách hiệu quả để gỡ bỏ những tác động đặc trƣng cơng ty là ƣớc lƣợng mơ hình điều chỉnh từng phần bằng cách lấy sai phân bậc một của đẳng thức (1) trong công thức sau:
ΔCASHit = ΔCASHi,t-1 + * + * + * + * + * + * + * + * + * + Δ λt + Δeit (2)
Tuy nhiên, mơ hình này khơng hiệu quả bởi vì Δ bị tƣơng quan với Δ . Để giải quyết vấn đề này, Arrelano và Bond (1991) đề nghị phƣơng pháp GMM, sử dụng những công cụ liên quan với biến phụ thuộc có độ trễ.
Một vấn đề khác trong tính tốn mà khơng nhất thiết có liên quan đến các đặc trƣng năng động, phát sinh bởi vì các biến mang tính đặc trƣng cơng ty có thể khơng là biến ngoại sinh hoàn toàn. Tức là, những biến động mạnh đang ảnh hƣởng đến việc nắm giữ tiền mặt của các cơng ty cũng có khả năng ảnh hƣởng đến một số các biến hồi quy nhƣ tính thanh khoản và địn bẩy. Hơn nữa, rất có khả năng một số biến hồi quy có tƣơng quan với các giá trị trong quá khứ và hiện tại của các thành phần mang đặc trƣng riêng có biến động ngẫu nhiên
Những vấn đề nêu trên ủng hộ việc sử dụng một phƣơng pháp ƣớc lƣợng với các biến cơng cụ, trong đó biến phụ thuộc có độ trễ và các biến hồi nội sinh đƣợc dùng nhƣ là các biến công cụ. Do đó, sử dụng phƣơng pháp GMM cung cấp ƣớc lƣợng tham số phù hợp bằng cách sử dụng các cơng cụ có thể đƣợc lấy từ các điều kiện trực giao tồn tại giữa các giá trị trễ của các biến và các biến động ngẫu nhiên (Arellano và Bond, 1991). Độ vững của ƣớc lƣợng GMM tùy thuộc vào một sự lựa chọn tối ƣu của các công cụ mà giá trị của các công cụ phụ thuộc vào việc khơng có tƣơng quan chuỗi bậc cao hơn trong các thành phần mang đặc trƣng riêng của sai số. Do đó, một kiểm định cho tƣơng quan chuỗi bậc hai của phần dƣ mơ hình GMM đƣợc yêu cầu. Bài nghiên cứu cũng thực hiện kiểm định Sargan để xem xét liệu rằng các biến cơng cụ và phần dƣ có độc lập nhau khơng.
4. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.1 Thống kê mô tả
Bảng 4.1: Thống kê mô tả các biến
Bảng này trình bày đặc trƣng mẫu gồm 167 cơng ty trong giai đoạn 2007-2013. CASH là tỷ lệ của tổng số tiền mặt và tƣơng đƣơng tiền trên tổng tài sản. LEV là tỷ lệ tổng nợ trên tổng tài sản. BANK là tỷ lệ của tổng số các khoản vay ngân hàng trên tổng nợ. DIV là tỷ lệ thanh toán cổ tức trên tổng tài sản. CF là tỷ lệ lợi nhuận trƣớc thuế cộng với khấu hao trên tổng tài sản. SIZE là ln (tổng tài sản). VAR là độ lệch chuẩn của dòng tiền trên tổng tài sản. GRT là tốc độ tăng trƣởng tài sản. LIQ đƣợc xác định bằng cách lấy (tài sản ngắn hạn - nợ ngắn hạn – tiền và tƣơng đƣơng tiền) chia cho tổng tài sản. EX là tỷ lệ số thành viên HĐQT tham gia điều hành trên tổng số lƣợng thành viên HĐQT. CEO là biến giả, nhận giá trị 1 nếu chủ tịch HĐQT kiêm nhiệm vị trí tổng giám đốc điều hành và ngƣợc lại sẽ nhận giá trị 0.
Tỷ lệ nắm giữ tiền mặt của các doanh nghiệp Việt Nam khoảng 10,4%. Kết quả này trong bài nghiên cứu ở Pakistan của Attaullah Shah (2011) là 8,26% và những bài nghiên cứu của Ozkan & Ozkan (2004), Kim và cộng sự (1998) lần lƣợt ở Anh và ở Mỹ là 9,9% và 8,1%. Hay kết quả nghiên cứu của Marco & Javier (2012) đối với các công ty ở Ý cũng cho kết quả là 10% và phát hiện của Drobet và công sự (2010) trên 45 quốc gia từ 1995-2005 là 12,6%. Tuy nhiên, tỷ lệ nắm giữ tiền mặt trong bài nghiên cứu của Opler và công sự (1999) là 17%. Chỉ số này khá cao nhƣng dễ dàng đƣợc giải thích bởi cơng thức tính tỷ lệ tiền mặt nắm giữ của Opler có một chút khác biệt so với công thức đƣợc áp dụng trong các bài nghiên cứu trƣớc:
Tỷ lệ nắm giữ tiền mặt =
CASH LEV BANK DIV CF SIZE VAR GRT LIQ EX CEO
Mean 0.104 0.472 0.380 0.033 0.121 26.974 0.073 0.173 0.142 0.374 0.394 Median 0.067 0.500 0.392 0.022 0.100 26.820 0.051 0.120 0.137 0.400 0.000 Maximum 0.840 0.907 0.983 0.668 0.641 34.720 0.695 2.345 0.750 1 1 Minimum 0.000 0.006 0.000 0.000 -0.616 23.550 0.008 -1.205 -0.398 0 0 Std. Dev. 0.110 0.214 0.282 0.046 0.107 1.466 0.076 0.290 0.187 0.185 0.489 Obs 1169 1169 1169 1169 1169 1169 1169 1169 1169 1169 1169
Vây thông qua việc đối chiếu với số liệu trong các bài nghiêu cứu liên quan, chúng ta nhận thấy mức nắm giữ tiền mặt của các doanh nghiệp tại Việt Nam khơng có sự khác biệt nhiều.
Bảng 4.2: Thống kê mô tả mức độ nắm giữ tiền mặt của hai sàn chứng khoán