Đối tượng nghiên cứu là các doanh nghiệp cổ phần Việt Nam được niêm yết trên yết trên Sở giao dịch chứng khoán Hà nội và Sở giao dịch chứng khoán Thành phố Hồ Chí Minh. Nguồn dữ liệu cho đề tài này được lấy từ các trang web
http://www.vietstock.vn, http://www.cophieu68.com.vn, http://www.cafef.vn.
Dữ liệu dùng cho nghiên cứu được trích từ các báo các tài chính hằng năm của các doanh nghiệp niêm yết trong khoảng thời gian 2006 – 2012 gồm: bảng cân đối kế toán, báo cáo thu nhập và báo cáo lưu chuyển tiền tệ. Cụ thể, dữ liệu bao gồm các chỉ tiêu tài chính sau: tổng tài sản, tổng nợ, vốn chủ sở hữu, vay ngân hàng ngắn hạn, vay ngân hàng dài hạn, thuê tài sản, tài sản cố định hữu hình, tổng lợi nhuận trước thuế thu nhập, khấu hao tài sản cố định hữu hình, giá cổ phiếu vào ngày cuối năm…
Dữ liệu này được sử dụng để tính tốn cơ hội tăng trưởng, tỷ lệ tài sản hữu hình, quy mơ doanh nghiệp, khả năng sinh lợi nhuận, lá chắn thuế không phải từ nợ, GTTT của VCSH…
Hầu hết các nghiên cứu ở Việt Nam đều sử dụng dữ liệu chéo và áp dụng phương pháp phân tích hồi quy bội dựa trên nguyên tắc bình phương nhỏ nhất nhằm tìm ra mối quan hệ giữa biến phụ thuộc và các biến độc lập. Đây được xem là phương pháp đáng tin cậy và phổ biến trong việc ước lượng mối quan hệ tuyến tính
giữa biến phụ thuộc và các biến độc lập. Tuy nhiên trong mơ hình theo phương pháp bình phương nhỏ nhất thông thường (Ordinary Least Square - OLS), trong khi dữ liệu chéo lại ràng buộc quá chặt về không gian và thời gian, các hệ số hồi quy khơng đổi có thể làm mất đi ảnh hưởng thật của biến độc lập lên biến phụ thuộc dẫn đến kết quả mơ hình khơng phù hợp trong điều kiện thực tế. Ngồi ra, do có sự tương quan giữa sai số và biến nội sinh điều này sẽ làm cho các ước lượng bị chệch và khơng vững.
Chính vì vậy, bài nghiên cứu này sử dụng dữ liệu bảng cân bằng gồm 161 doanh nghiệp trong bảy năm từ 2006 đến 2012, do đó có 1127 mẫu quan sát kết hợp với mơ hình ảnh hưởng cố định (Fixed Effects Model - FEM). Dữ liệu bảng cân bằng (balanced panel data) là loại dữ liệu kết hợp cả dữ liệu chuỗi thời gian (time series) và dữ liệu chéo (cross section). Trong đó số thời đoạn quan sát theo thời gian (chiều thời gian) của các đơn vị chéo (chiều khơng gian) bằng nhau. Với tiêu chí dữ liệu như trên nên chỉ những doanh nghiệp thỏa mãn yêu cầu mới được đưa vào trong tập mẫu.
Việc sử dụng dữ liệu bảng có nhiều ưu điểm hơn so với phương pháp phân tích chỉ sử dụng đơn thuần dữ liệu chuỗi thời gian hoặc dữ liệu chéo. Phương pháp phân tích sử dụng dữ liệu bảng cho kết quả có sự kết hợp đồng thời của tác động yếu tố thời gian và tác động giữa các đơn vị chéo. Kết quả phân tích tổng quát hơn so với các phương pháp chỉ sử dụng dữ liệu chuỗi thời gian hoặc dữ liệu chéo. Vì mỗi ngành, mỗi doanh nghiệp có những đặc trưng riêng do đó có cấu trúc tài chính sẽ khơng giống nhau.
Trong phạm vi nghiên cứu này, tác giả không xét các doanh nghiệp hoạt động trong lĩnh vực tài chính ngân hàng, bảo hiểm, quỹ đầu tư và bất động sản. Bởi vì doanh nghiệp trong lĩnh vực này có các báo cáo tài chính nói chung và cấu trúc vốn nói riêng khác biệt nhiều so với các doanh nghiệp trong lĩnh vực phi tài chính. 2.1.2Xây dựng mơ hình cấu trúc vốn đề xuất nghiên cứu
Trong lý thuyết về cấu trúc vốn có sự hiện diện của các loại thuế doanh nghiệp, các doanh nghiệp có thể làm tăng giá trị của mình bằng tỷ lệ nợ. Khi chi phí
20
lãi vay được khấu trừ thuế, tăng nợ làm tăng dòng tiền từ lá chắn thuế. Tuy nhiên, có những chi phí liên quan đến những thay đổi trong tỷ lệ nợ. Có sự đánh đổi giữa chi phí và lợi ích của tỷ lệ nợ và có thể kéo theo thay đổi mức nợ tối ưu của doanh nghiệp. Giá trị tương ứng với mức nợ tối ưu là giá trị tối đa của doanh nghiệp.
Vấn đề ở đây là trong thực tế ta không thể hoặc rất khó biết được giá trị thực của tỷ lệ nợ tối ưu và do đó LV* là vector biểu diễn ước lượng của tỷ lệ nợ tối ưu. Từ đây ta xem giá trị ước lượng này như là tỷ lệ nợ tối ưu thực.
Cần giải thích thêm rằng, tỷ lệ nợ tối ưu được ước lượng trên tập mẫu, đại diện cho các doanh nghiệp được khảo sát và được sử dụng để tham chiếu cho các doanh nghiệp cụ thể. Khi ước lượng được tỷ lệ nợ tối ưu cũng đồng nghĩa rằng đã xác định được các hệ số tác động lên tỷ lệ nợ. Từ các hệ số của mơ hình này, một doanh nghiệp cụ thể với những đặc tính riêng có thể tham chiếu vào tỷ lệ nợ tối ưu ước lượng được để xác định tỷ lệ nợ tối ưu của chính doanh nghiệp đó.
Theo cơng trình nghiên cứu của Almas Heshmati (2001), Wolfgang Drobetz, Pascal Pensa, và Gabrielle Wanzenried (2006). Tỷ lệ nợ của doanh nghiệp i, tại thời điểm t được mơ tả là hàm tuyến tính của một tập L biến giải thích (các yếu tố tác động lên tỷ lệ nợ), Xjit (trong đó j = 1, 2, ..., L). Gọi N là số doanh nghiệp được lấy mẫu và T là số thời đoạn lấy mẫu. Ta có i = 1, 2,…, N và t = 1, 2, …, T.
Trong đó LVit là tỷ lệ nợ của doanh nghiệp thứ i tại thời điểm t và Xjit là biến đặc tính thứ j của doanh nghiệp i tại thời điểm t, αj là hệ số của biến giải thích thứ j, L là số biến giải thích ứng với L biến biểu diễn đặc tính của doanh nghiệp.
Ngồi ra cũng phải kể đến những tác động của các yếu tố không quan sát được. Tỷ lệ nợ tối ưu có thể được ước lượng:
(2.1)
Tỷ lệ nợ tối ưu thay đổi giữa các doanh nghiệp và thay đổi theo thời gian vì các yếu tố ảnh hưởng đến tỷ lệ nợ tối ưu của một doanh nghiệp có thể thay đổi theo thời gian. Nhưng trong bài nghiên cứu này chỉ xét sự thay đổi tỷ lệ nợ theo thời gian
và bỏ qua sự thay đổi tỷ lệ nợ giữa các doanh nghiệp. Điều này thể hiện bản chất động của cấu trúc vốn, và được xem xét kỹ trong bài nghiên cứu này.
Trong điều kiện lý tưởng, khơng có chi phí điều chỉnh, tỷ lệ nợ quan sát của doanh nghiệp i tại thời điểm t, bằng với tỷ lệ nợ tối ưu, tức là LVit = LV* . Đặc tính động thể hiện sự thay đổi tỷ lệ nợ thực từ thời điểm trước đến thời điểm hiện tại bằng với sự thay đổi cần thiết để đạt được tối ưu tại thời điểm t, có nghĩa là LVit - LVit-1 = LV* - LVit. Tuy nhiên, giả định này không tồn tại trong thực tế do tồn tại chi phí điều chỉnh, nếu điều chỉnh bằng cách sử dụng nguồn tài trợ bên ngoài sẽ tốn kém, và được phản ánh trong LVit, sau đó doanh nghiệp khơng có được sự điều chỉnh tối ưu đầy đủ, chỉ điều chỉnh một phần, được biểu diễn như sau:
LVit - LVit-1 = δit(LV* - LVit) (2.2)
Trong đó δit là tham số điều chỉnh biểu diễn biên độ điều chỉnh kỳ vọng giữa hai giai đoạn liên tiếp hoặc có thể được xem là tốc độ hội tụ của LVit đến giá trị tối ưu LV* .
Các giá trị không tối ưu của tỷ lệ nợ được xem như tối ưu từng phần. Nếu |δit|=1 thì việc điều chỉnh được thực hiện hoàn toàn trong một giai đoạn và tại thời điểm t và là tỷ lệ nợ mục tiêu của doanh nghiệp. Nếu |δit|<1 thì điều chỉnh giữa thời điểm t - 1 đến năm t được xem như điều chỉnh từng phần hướng đến tỷ lệ nợ mục tiêu. Hay nói cách khác, nếu |δit|>1, doanh nghiệp đã điều chỉnh quá mức cần thiết. Vì LVit thể hiện mức độ điều chỉnh trong từng kỳ nên được xem như tốc độ điều
chỉnh.
Theo Almas Heshmati (2001), tốc độ điều chỉnh δit là hàm của các biến ảnh hưởng đến chi phí điều chỉnh. Giống như tỷ lệ nợ tối ưu, tốc độ điều chỉnh có thể thay đổi từ giai đoạn này sang giai đoạn khác và cũng thay đổi giữa các doanh nghiệp. Giả sử tốc độ điều chỉnh có quan hệ tuyến tính với các biến giải thích: δit = β0 + β1Zit + vit (2.3)
Giả định rằng sự thay đổi trong các biến giải thích của tỷ lệ nợ tối ưu tương lai không thể dự báo, không thể đánh giá và biết trước. Tỷ lệ nợ tối ưu hiện tại và
it
it
it
lệ nợ tối ưu như sau:
q khứ chứa thơng tin hữu ích và có thể được sử dụng để dự đốn hành vi tỷ lệ nợ trong tương lai.
Tỷ lệ nợ quan sát bị tác động bởi nhiều yếu tố khác do đó phương trình (2.3) được viết lại để thể hiện mối quan hệ giữa tỷ lệ nợ quan sát, tốc độ điều chỉnh và tỷ
(2.4)
Việc thay đổi tỷ lệ nợ từ thời điểm t-1 đến thời điểm t thể hiện tính chất
động. Tốc độ điều chỉnh được xem như tham số cần ước lượng để thấy được hành vi động của tỷ lệ nợ. Phương trình (2.3) biểu diễn δi, là hàm các biến đặc tính của doanh nghiệp tác động lên tốc độ điều chỉnh, phương trình (2.4) được viết lại với biến thứ l trong vector Zit:
(2.5)
Với ZitLVit-1 là thành phần tương tác.
Trong đó (1 – β0) ,(-β1) lần lượt là các hệ số tương ứng cho biến trễ tỷ lệ nợ và các nhân tố ảnh hưởng đến tốc độ điều chỉnh, ηt biểu diễn các đặc tính doanh nghiệp khơng quan sát được, dt biểu diễn đặc tính thời gian.
Vì tỷ lệ nợ điều chỉnh từng phần nên việc hội tụ của LVit về LV* thông thường sẽ diễn ra trong dài hạn.
Phương trình (2.5) có thể được ước lượng bằng cách sử dụng dữ liệu bảng với phương pháp bình phương nhỏ nhất phi tuyến (nonlinear least square). Tuy nhiên, phương pháp này có thể dẫn đến ước lượng chệch và khơng ổn định do có sự tương quan giữa LVit và LVit-1 . Để giảm bớt nhược điểm này, (2.5) được ước lượng bằng cách sử dụng dữ liệu bảng được đề xuất bởi Arellano và Bond (1991) với
phương pháp moment tổng quát (Generalized Method of Moments – GMM)
LVit = (1 - δit ) LVit-1 + δit LV* it+ u (2.4)it
Phương trình (2.1) biểu diễn tỷ lệ nợ tối ưu trong dài hạn, phương trình (2.5) biểu diễn tỷ lệ nợ trong ngắn hạn. Do đó, tỷ lệ nợ thực có thể khơng bằng với tỷ lệ nợ tối ưu tại cùng một thời điểm.
2.1.3 Phân tích dữ liệu
Để xem xét tác động của các nhân tố đến cấu trúc vốn của doanh nghiệp Việt Nam tác giả sử dụng mơ hình kinh tế lượng để ước lượng các hệ số hồi quy được kiểm định trong mơ hình. Bài nghiên cứu sử dụng phần mềm Stata 11.0, hồi quy dữ liệu bảng với ảnh hưởng cố định và biến giả năm (fixed-time effect regression model), trong đó các sai số của phương trình được giả định khác nhau về đặc tính thời gian và cố định đặc tính doanh nghiệp, với sự hiện diện của biến δ đóng vai trị là biến nội sinh. Bài nghiên cứu đã kiểm tra mơ hình hồi quy theo biến giả thời gian cho toàn bộ mẫu. Để tránh rơi vào bẩy biến giả, bài nghiên cứu đã quan tâm đến số lượng biến giả. Sau khi chạy mơ hình cho thấy rằng giá trị các hệ số biến giả thời gian có ý nghĩa nhiều.
Do thời gian nghiên cứu ngắn và số lượng mẫu lớn nên bài nghiên cứu thêm các biến giả thời gian vào các hồi quy dạng bảng nhằm hấp thụ bất kỳ ảnh hưởng biến đổi theo thời gian (chưa được mơ hình hóa) vào tác động đến cấu trúc vốn. Tuy nhiên, do sử dụng độ trễ một năm cho biến độc lập (biến tỷ lệ nợ) nên dữ liệu nghiên cứu bị giảm một năm (đối với mơ hình cấu trúc vốn động).
Trong phương trình (2.5), Zit khơng chỉ ảnh hưởng lên tốc độ điều chỉnh mà cịn ảnh hưởng lên sự khác nhau về thời gian của tỷ lệ nợ mục tiêu. Tuy nhiên, trọng tâm chính của bài nghiên cứu là ước tính β1, là hệ số của thành phần tương tác giữa các nhân tố ảnh quyết định tốc độ điều chỉnh (Zit) và biến trễ của tỷ lệ nợ (LVit-1), nên tác giả không quan tâm đến những vấn đề này và sẽ không đề cập đến trong phần phân tích kết quả hồi quy.
Để ước lượng các tham số trong phương trình (2.5), phải đối mặt với hai vấn đề. Thứ nhất, biến δ trong phương trình (2.3) bao gồm sai số, vit. Điều này ảnh hưởng đến giá trị của phương trình (2.5) và sai số uit có thể tương quan với LVit-1 và
*
. Thứ hai, sai số uit sẽ làm ước lượng bị chệch khỏi giá trị cân bằng. Arellano LV it
and Bond (1991) cho rằng các hệ số ước tính là cố định nếu khơng có sự tương quan bậc 2 trong sai số. Do đó, chúng tơi kiểm tra giả thuyết Ho cho z2 cho sự tồn tại của tự tương quan bậc 2, để đảm bảo khơng có sự tương quan giữa LVit-1 và LV* và phần dư.
Có hai phương pháp ước lượng là FEM và REM. Để xem phương pháp FEM hay REM nào là phù hợp, kiểm định Hausman sẽ được thực hiện với giả thuyết H0: Ước lượng của FEM và REM không khác nhau; nếu giá trị p-value < 0,05, bác bỏ H0; Nếu bác bỏ H0, REM không hợp lý, nên sử dụng FEM và ngược lại.
Để kiểm tra tốc độ điều chỉnh, tác giả kiểm tra giá trị của β1 và (1- β0) ở phương trình (2.5) bằng giả thuyết H0 của β1=0 và (1- β0)=1 tương ứng. Uớc lượng bằng cách sử dụng dữ liệu bảng được đề xuất bởi Arellano và Bond (1991) với
phương pháp moment tổng quát – GMM. Ngoài ra, bài nghiên cứu cần kiểm định Sargan để kiểm tra sự phù hợp của các biến cơng cụ đề xuất trong mơ hình nghiên cứu.
Phương pháp định lượng sẽ được sử dụng trong nghiên cứu. Luận văn cũng dựa vào mơ hình và kết quả của những nghiên cứu trước để đưa ra các khái niệm nhằm hỗ trợ thêm trong quá trình xây dựng mơ hình nghiên cứu cũng như củng cố cơ sở lý thuyết để tiếp cận vấn đề một cách khoa học nhất đối với dữ liệu nghiên cứu. Trong luận văn này tác giả sử dụng hồi quy FEM để kiểm định mơ hình tĩnh để xác định các yếu tố ảnh hưởng đến tỷ lệ nợ và ước lượng tỷ lệ nợ tối ưu và GMM để kiểm định quá trình điều chỉnh cấu trúc vốn động và các yếu tố ảnh hưởng đến tốc độ điều chỉnh.
Sử dụng GMM trong mơ hình điều chỉnh động thay vì sử dụng OLS do một số ưu điểm sau:
- Trong mơ hình động, biến trễ của biến phụ thuộc được sử dụng như biến giải thích (phương trình tự hồi quy), do đó biến phụ thuộc và biến trễ của nó có tương quan với nhau.
- Biến trễ của biến phụ thuộc được sử dụng như biến giải thích sẽ tương quan với các biến giải thích khác, điều này dẫn đến hiện tượng đa cộng tuyến. Đa cộng
tuyến là hiện tượng mà các biến giải thích trong mơ hình có tương quan với nhau. Khi có đa cộng tuyến thì kết quả ước lượng khơng cịn chính xác, tác động của mỗi biến độc lập lên biến phụ thuộc bị ảnh hưởng bởi các biến khác.
- GMM khắc phục được vấn đề nội sinh trong ước lượng mơ hình bằng cách sử dụng các biến cơng cụ. Vấn đề nội sinh là có tương quan giữa biến giải thích và phần dư của hồi quy.
Biến cơng cụ sử dụng trong phương pháp GMM phải thỏa mãn các tính chất sau:
- Không tương quan với phần dư của hồi quy.
- Tương quan mạnh với các biến giải thích được sử dụng trong mơ hình. - Số biến cơng cụ được sử dụng phải lớn hơn hoặc bằng số biến giải thích. Các phương trình hồi quy trong mơ hình được ước lượng bằng phần mềm Stata 11.0.
2.1.4Diễn giải kết quả
Kết quả phân tích và kiểm định mơ hình được trình bày gồm các phần chính sau:
-Thống kê mơ tả: Mơ tả các đại lượng thống kê của các biến độc lập trong
mơ hình từ tập mẫu dữ liệu thu thập được. Kiểm tra tính phù hợp tổng thể của dữ