Tải bản đầy đủ - 0 (trang)
f. Rủi ro kinh doanh

f. Rủi ro kinh doanh

Tải bản đầy đủ - 0trang

52



H6b: Độ lệch chuẩn của tỷ suất sinh lời tài sản có mối quan hệ nghịch chiều

với tỷ lệ nợ dài hạn

Bảng 2.7. Giả thuyết nghiên cứu về các nhân tố ảnh hưởng đến cấu trúc

tài chính của các doanh nghiệp nhóm ngành dầu khí

Nhân tố

Hiệu quả sử dụng vốn

Cấu trúc tài sản

Quy mô doanh nghiệp

Thời gian hoạt động

Sự tăng trưởng của

doanh nghiệp

Rủi ro kinh doanh



Tỷ lệ nợ

(-)

(-)

(-)

(+)



Xu hướng tác động

Tỷ lệ nợ ngắn hạn Tỷ lệ nợ dài hạn

(-)

(-)

(-)

(+)

(-)

(+)

(+)

(+)



(+)



(+)



(-)



(-)



(-)



(-)



Trong đó: (+) quan hệ thuận

2.3.



(-) quan hệ nghịch



ĐO LƯỜNG BIẾN PHỤ THUỘC VÀ BIẾN ĐỘC LẬP



2.3.1. Đo lường biến phụ thuộc

Cấu trúc tài chính thể hiện chính sách tài trợ của doanh nghiệp nên khi

phân tích cấu trúc tài chính cần xem xét khả năng sử dụng nguồn vốn tự có

của doanh nghiệp hay phải sử dụng nguồn vốn từ bên ngồi. Các chỉ tiêu phản

ánh cấu trúc tài chính: Tỷ lệ nợ, tỷ lệ nợ ngắn hạn và tỷ lệ nợ dài hạn. Các chỉ

tiêu được tính như sau:

Tỷ lệ nợ =



Tỷ lệ nợ ngắn hạn =



Tỷ lệ nợ dài hạn =



Tổng nợ phải trả

Tổng tài sản

Nợ ngắn hạn

Tổng tài sản

Nợ dài hạn

Tổng tài sản



53



2.3.2. Đo lường các biến độc lập





Hiệu quả sử dụng vốn (EFFI): Bauer (2004), Deesomsak et al. (2004), Gaud et

al. (2005), Huang and Song (2006) and Bassey et al. (2014), Smith (2012),

Alzomaia (2014) và Baltaci & Ayadin (2014) đo lường khả năng sinh lời bằng

lợi nhuận sau thuế/Tổng tài sản (ROA). Các tác giả cho rằng, ROA cung cấp

cho nhà đầu tư thông tin về các khoản lãi vay được tạo ra từ lượng vốn đầu tư

(hay lượng tài sản). Tài sản của một công ty được hình thành từ vốn vay và vốn

chủ sở hữu. Cả hai nguồn này đều sử dụng để tài trợ cho các hoạt động của

công ty. Hiệu quả của việc chuyển vốn đầu tư thành lợi nhuận được thể hiện

qua ROA. Đây cũng là điều mà các doanh nghiệp và các nhà đầu tư quan tâm

khi tiến hành các hoạt động vay và cho vay.







Cấu trúc tài sản (TANGI): được đo lường thơng qua chỉ tiêu tỷ trọng

TSCĐhữu hình. Việc sử dụng chỉ tiêu này cũng được áp dụngtrong các

nghiên cứu của Patrik Baurer (2004), H.A. Khrawish và A.H. Ali Khraiwesh

(2008) và Đoàn Ngọc Phi Anh (2010). Tỷ trọng tài sản cố định hữu hình của

một cơng ty có thể được coi là đại diện cho sự đảm bảo có thực đối với các

chủ nợ. Patrik Baurer (2004) đã nhấn mạnh đến tầm quan trọng của tài sản cố

định trong việc ảnh hưởng đến quyết định vay nợ của cơng ty vì tài sản cố

định ít chịu sự bất cân xứng thơng tin và chúng có giá trị được đảm bảo hơn

so với tài sản vơ hình trong trường hợp công ty phá sản.







Quy mô doanh nghiệp (SIZE): được đo lường bằng chỉ tiêu doanh thu. Biến

này cũng được sử dụng ở các nghiên cứu của Titman và Wessels (1988),

Huang và Song (2001), Đoàn Ngọc Phi Anh (2010) và Lê Thị Mỹ Phương

(2012).Titman và Wessels (1988) chọn chỉ tiêu tổng doanh thu thay vì chỉ tiêu

tổng tài sản để đo lường quy mơ doanh nghiệp. Lý do là vì một vài cơng ty

chỉ có ít tài sản nhưng lại có nhiều nhân viên có năng lực và trình độ nên vẫn

có thể đưa cơng ty phát triển lớn mạnh. Tuy nhiên điều này lại không được



54



liệt kê trong tài sản do khơng thể đo lường được. Do đó biến doanh thu lại

thích hợp hơn khi sử dụng để đo lường quy mô của doanh nghiệp.





Thời gian hoạt động (AGE): Biến được đo lường thông qua chỉ tiêu thời gian

hoạt động của doanh nghiệp. Cách đo lường này được sử dụngtrong các

nghiên cứu của Shumi Akhtar & Barry Oliver (2009), Murray Z. Frank và

Vidhan K. Goyal (2009) và Lê Thị Mỹ Phương (2012).







Sự tăng trưởng của doanh nghiệp (GROW): Biến này được đề cập trong các

nghiên cứu của Titman và Wessels (1988), Nguyen và Ramachandran (2006),

Biger và các cộng sự (2008), Dzung và các cộng sự (2012). Chỉ tiêu được sử

dụng để đo lường biến là tốc độ tăng trưởng của tổng tài sản qua các năm.







Rủi ro kinh doanh (RISK): Dựa trên các nghiên cứucủa Huang và Song

(2001), Pandey (2001), Nguyen và Ramachandran (2006)biến này được đo

lường thông qua độ lệch chuẩn của tỷ suất sinh lời của tài sản.



2.4.



PHƯƠNG PHÁP PHÂN TÍCH



2.4.1. Mơ hình hồi quy dữ liệu bảng

-



Dữ liệu bảng là các quan sát về một chỉ tiêu nào đó mà tại đó, đơn vị chéo

theo khơng gian được khảo sát theo thời gian. Nói vắn tắt, dữ liệu bảng có cả

bình diện khơng gian cũng như thời gian.



-



Dữ liệu bảng ngày càng được sử dụng nhiều trong nghiên cứu kinh tế bởi một

số ưu điểm sau (Badi H. Baltagi, 2013)



-



Dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, thành phố, đất nước,…

theo thời gian, nên nhất định phải có tính dị biệt (khơng 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. Ta sử dụng thuật ngữ cá nhân theo ý nghĩa chung bao gồm các đơn vị vi

mô như các cá nhân, các doanh nghiệp thành phố hay đất nước.



55



-



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

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.



-



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.



-



Dữ liệu bảng giúp ta nghiên cứu những mơ hình hành vi phức tạp hơn. Ví dụ,

các hiện tượng như lợi thế kinh tế theo qui mô và thay đổi kỹ thuật có thể

được xem xét thơng qua dữ liệu bảng tốt hơn so với dữ liệu theo chuỗi thời

gian thuần túy hay theo không gian thuần túy.



-



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.

Nói vắn tắt, dữ liệu bảng có thể làm phong phú các phân tích thực

nghiệm theo những cách thức mà khơng chắc có thể đạt được nếu ta chỉ sử

dụng các dữ liệu theo chuỗi thời gian hay không gian thuần túy. Vỡi dữ liệu

nghiên cứu theo thời gian (2012-2014) và theo không gian (32 công ty khác

nhau), kết hợp lại được 96 quan sát. Vì vậy, phương pháp hồi quy với dữ liệu

bảng (panel data) được tác giả đưa vào sử dụng là hồn tồn hợp lý.



2.4.2. Ước lượng mơ hình

a.



Mơ hình tác động cố định (Fixed Effects Model)

Xét một mối quan hệ kinh tế, với biến phụ thuộc, Y, và các biến giải

thích quan sát được, X1, X2…, Xnvà một hoặc nhiều biến khơng quan sát

được. Chúng ta có dữ liệu bảng cho Y, X 1, X2, Xn. Dữ liệu bảng bao gồm N-



56



đối tượng và T-thời điểm, và vì vậy chúng ta có N×T quan sát. Mơ hình hồi

quy tuyến tính cổ điển khơng có hệ số cắt được xác định bởi:

Yit = β1X1it +β2X2it +…+ βnXnit + μit với i = 1, 2, …, N và t = 1, 2, …, T

Trong đó Yit là giá trị của Y cho đối tượng i ở thời điểm t; Xnit là giá trị

của Xn cho đối tượng i ở thời điểm t, và μ it là sai số của đối tượng i ở thời

điểm t.

Mơ hình hồi quy tác động cố định, là một dạng mở rộng của mơ hình hồi

quy tuyến tính cổ điển, được cho bởi:

Yit = β1X1it +β2X2it +…+ βnXnit +νi + εit

Trong đó μit = νi + εit. Sai số của mơ hình hồi quy tuyến tính cổ điển được

tách làm hai thành phần. Thành phần νi đại diện cho các yếu tố không quan sát

được khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian.

Thành phần εit đại diện cho những yếu tố không quan sát được khác nhau giữa

các đối tượng và thay đổi theo thời gian.

Có hai phương pháp ước lượng được sử dụng để ước lượng các tham số

của mơ hình tác động cố định: ước lượng hồi quy biến giả bình phương tối

thiểu với mỗi biến giả là đại diện cho mỗi đối tượng quan sát của mẫu và ước

lượng tác động cố định (Fixed effects estimator).

+ Khi N lớn, việc sử dụng ước lượng LSDV sẽ rất cồng kềnh hoặc không

khả thi. Chẳng hạn, giả sử chúng ta muốn ước lượng mơ hình xác định lương,

có mẫu N = 1000 người lao động. Để sử dụng ước lượng hồi quy biến giả

bình phương tối thiểu, chúng ta sẽ cần tạo ra 1000 biến giả và chạy hồi quy

OLS(phương pháp bình phương nhỏ nhất) hơn 1000 biến. Trong trường hợp

như vậy, ước lượng tác động cố định sẽ thích hợp hơn.

Nguyên tắc của ước lương tác động cố định được hiểu như sau. Để đánh

giá tác động nhân quả của biến độc lập Xn lên biến phụ thuộc Y, ước lượng tác

động cố định sử dụng sự thay đổi trong Xn, và Y theo thời gian. Gọi Zi là kí



57



hiệu cho một biến không quan sát được khác nhau giữa các đối tượng nhưng

khơng đổi theo thời gian và vì vậy bao gồm cả phần sai số trong đó. Bởi vì

Zi khơng thay đổi theo thời gian nên nó khơng thể giải thích bất kì sự thay đổi

nào trong Yit. Vì vậy, loại trừ tác động cố định của Z ilên Yitbằng cách sử dụng

dữ liệu sự thay đổi của Yit theo thời gian.

b.



Mơ hình tác động ngẫu nhiên (Random Effects Model)

Xét một mối quan hệ kinh tế bao gồm một biến phụ thuộc, Y, và các biến

giải thích quan sát được, X1, X2…, Xn. Chúng ta có dữ liệu bảng cho Y, X 1,

X2…, Xn. Dữ liệu bảng gồm có N đối tượng và T thời điểm, và vì vậy chúng

ta có N×T quan sát.

Mơ hình tác động ngẫu nhiên được viết dưới dạng:

Yit = β1X1it +β2X2it +…+ βnXnit + νi + εit

Với i = 1, 2, …, N và t = 1, 2, …, T

Trong đó, sai số cổ điển được chia làm 2 thành phần. Thành phần ν iđại

diện cho tất các các yếu tố không quan sát được mà thay đổi giữa các đối

tượng nhưng không thay đổi theo thời gian. Thành phần ε it đại diện cho tất cả

các yếu tố không quan sát được mà thay đổi giữa các đối tượng và thời gian.

Giả sử rằng νiđược cho bởi:

νi = α0 + ωi, với i = 1, 2, …, N

Trong đó, νi lại được phân chia làm hai thành phần: i) thành phần bất

định α0, ii) thành phần ngẫu nhiên ωi.

Giả định rằng, ωi cho mỗi đối tượng được rút ra từ một phân phối xác

suất độc lập với giá trị trung bình bằng 0 và phương sai khơng đổi, đó là,

E(ωi) = 0, Var(ωi) = σω2, Cov(ωi,ωs) = 0

N biến ngẫu nhiên ωi được gọi tác động ngẫu nhiên (random effects).

Mơ hình tác động ngẫu nhiên có thể được viết lại:

Yit = α0X1it + β2X2it +…+ βnXnit + μit



58



Trong đó μit= ωi + εit. Một giả định quan trọng trong mơ hình tác động

ngẫu nhiên là thành phần sai số μit không tương quan với bất kì biến giải thích

nào trong mơ hình.

Ước lượng OLS cho mơ hình tác động ngẫu nhiên sẽ cho các tham số

ước lượng không chệch nhưng lại không hiệu quả. Hơn nữa, ước lượng OLS

bỏ qua sự tự tương quan trong thành phần sai số μ itdo đó thống kê t sẽ khơng

còn chính xác. Để kết quả ước lượng khơng chệch và hiệu quả, chúng ta có

thể sử dụng ước lượng GLS khả thi (FGLS) để khắc phục hiện tượng sai số

nhiễu tự tương quan. Ước lượng FGLS còn được gọi là ước lượng tác động

ngẫu nhiên (Random effects estimator).

2.4.3. Lựa chọn mơ hình

Câu hỏi đặt ra là mơ hình nào sẽ là mơ hình phù hợp: FEM hay REM.

Kiểm định Hausman sẽ được sử dụng để lựa chọn phương pháp ước

lượng phù hợp giữa hai phương pháp ước lượng tác động cố định và tác động

ngẫu nhiên (Baltagi, 2013 & Gujarati, 2004). Thực chất kiểm định Hausman

để xem xét có tồn tại tự tương quan giữa εi và các biến độc lập hay không.

Giả thiết:

H0: εi và biến độc lập không tương quan

H1: εi và biến độc lập có tương quan

Khi giá trị p_value <0.05 ta bác bỏ H0, khi đó εi và biến độc lập tương

quan với nhauta sử dụng mơ hình tác động cố định (FEM).Ngược lại, ta sử

dụng mơ hình tác động ngẫu nhiên (REM).

2.4.4. Phân tích tương quan và đa cộng tuyến

a.



Phân tích tương quan



Hệ số tương quan (r) là một chỉ số thống kê đo lường mối liên hệ tương

quan giữa hai biến số X và Y



59



Cho hai biến số x và y từ n mẫu, hệ số tương quan Pearson được ước

tính bằng cơng thức sau đây:

r=



Trong đó: , ,



: giá trị trung bình mẫu của biến x, y



Hệ số tương quan (r) có giá trị từ -1 đến 1. Hệ số tương quan (r) bằng 0

(hay gần 0) có nghĩa là hai biến số khơng có liên hệ gì với nhau. Ngược lại,

nếu hệ số tương quan bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ

tuyệt đối. Nếu giá trị của hệ số tương quan là âm (r <0) có nghĩa là khi x tăng

cao thì y giảm (và ngược lại, khi x giảm thì y tăng). Nếu giá trị hệ số tương

quan là dương (r > 0) có nghĩa là khi x tăng cao thì y cũng tăng, và khi x giảm

thì y cũng giảm theo.

> 0,8 : x và y tương quan mạnh, tồn tại đa cộng tuyến.

= 0,4 đến 0,8 : x và y tương quan trung bình.

< 0,4 : x và y tương quan yếu.

b.



Đa cộng tuyến



Thông thường các biến độc lập khơng có mối quan hệ tuyến tính, nếu

quy tắc bị vi phạm sẽ có hiện tượng đa cộng tuyến. Như vậy, đa cộng tuyến là

hiện tượng các biến độc lập trong mơ hình phụ thuộc lẫn nhau và thể hiện

được dưới dạng hàm số.



60



Giả sử ta phải ước lượng hàm hồi quy Y gồm k biến giải thích X1, X2, X3,

…, Xk

Y = β1 + β2X2i + β3X3i + …+ βkXki + Ui (i= )

Các biến X2, X3,…, Xk gọi là các đa cộng tuyến hoàn hảo hay còn gọi là

đa cộng tuyến chính xác nếu tồn tại λ 2, λ3..., λk không đồng thời bằng 0 sao

cho:

λ2X2 + λ3X3 +…+ λkXk = 0 với mọi i

Các biến X2, X3,…, Xk gọi là các đa cộng tuyến khơng hồn hảo nếu tồn

tại λ2, λ3..., λk khơng đồng thời bằng 0 sao cho:

λ2X2 + λ3X3 +…+ λkXk + Vi = 0



với Vi là sai số ngẫu nhiên



Các giải pháp khắc phục đa cộng tuyến:

-



Loại bỏ biến: Vì tính đa cộng tuyến là do những mối quan hệ chặt chẽ giữa

các biến độc lập, cách chắc chắn nhất để loại bỏ hoặc giảm bớt các tác động



-



của tính đa cộng tuyến là bỏ một hoặc nhiều biến độc lập ra khỏi mơ hình.

Tăng kích thước mẫu: Giải pháp này thích hợp cho hiện tượng đa cộng tuyến

do cỡ mẫu nhỏ, vì tăng cỡ mẫu sẽ làm cải thiện độ chính xác của một ước

lượng và do đó, giảm thiểu được những yếu tố phản tác dụng của tính đa cộng

tuyến. Đôi khi chỉ cần tăng thêm một số quan sát là khắc phục được hiện

tượng đa cộng tuyến. Tuy nhiên, việc tăng dữ liệu đôi khi đồng nghĩa với việc



-



tăng chi phí, nhất là đối với dữ liệu sơ cấp.

Bỏ qua đa cộng tuyến: Nếu > 2 hoặc R2 của mơ hình cao hơn R2 của mơ hình

hồi quy phụ thì bỏ qua đa cộng tuyến. Nếu nhà nghiên cứu ít quan tâm đến

việc diễn dịch từng hệ số riêng lẻ nhưng lại chú trọng hơn vào việc dự báo, thì

tính đa cộng tuyến có thể khơng phải là một vấn đề nghiêm trọng. Ngay cả

khi có tương quan cao giữa các biến độc lập, nếu như các hệ số hồi quy là có

ý nghĩa, có những dấu và giá trị có ý nghĩa, thì khơng cần quan tâm vào vấn

đề đa cộng tuyến. Bởi, nếu một hệ số hồi quy có ý nghĩa ngay cả trong trường

hợp có sự hiện diện của đa cộng tuyến thì đó mới là một kết quả mạnh.



61



-



Sử dụng thông tin tiền nghiệm: sử dụng kết quả của các mơ hình kinh tế lượng

trước ít có đa cơng tuyến. Ví dụ: chúng ta có thể biết tác động biên của của

cải lên tiêu dùng chỉ bằng 1/10 so với tác động biên của thu nhập lên tiêu

dùng. Chẳng hạn

Β3 = 0,1 β2. Chạy mơ hình với điều kiện tiền nghiệm

Y = β1X1 + β2X2+ 0,1 β2X3+ e

Y = β1 + β2X trong đó X = X2 + 0,1X3

Khi ước lượng được β2 thì suy ra β3 từ mối quan hệ tiền nghiệm trên.



2.4.5. Kiểm định độ phù hợp của mơ hình

Trong mơ hình hồi quy, một mơ hình được cho là khơng có sức mạnh

giải thích khi tồn bộ các hệ số hồi quy riêng phần đều bằng không.

Giả thuyết:



H0 : = = … = = 0

H1 : Có ít nhất một trong những giá trị không bằng 0



Trị thống kê kiểm định đối với giả thiết này là:

= =

Từ số liệu trong bảng phân phối Fisher, trị số F tương ứng với bậc tự do

k – 1 cho tử số và n – k cho mẫu số, và với mức ý nghĩa cho trước , ta có .

So sánh và :



chấp nhận H0

bác bỏ H0



Nếu p_value tính được nhỏ hơn mức ý nghĩa () thì bác bỏ giả thuyết H 0

và ngược lại.



62



KẾT LUẬN CHƯƠNG 2

Trên cơ sở vận dụng các lý thuyết tài chính, lý thuyết kinh tế và các

nghiên cứu thực nghiệm để đưa ra mối quan hệ giữa tỷ lệ nợ, tỷ lệ nợ ngắn

hạn, tỷ lệ nợ dài hạn và ROA, tỷ trọng tài sản cố định, tổng tài sản, thời gian

hoạt động của doanh nghiệp, tốc độ tăng trưởng, hệ số biến thiên ROA.

Trong chương này, tác giả đi vào phân tích đặc điểm của dữ liệu nghiên

cứu, xây dựng cơng thức tính các biến độc lập và biến phụ thuộc được sử

dụng trong mơ hình nghiên cứu. Dữ liệu thu thập của 32 doanh nghiệp nhóm

ngành dầu khí niêm yết trên sàn chứng khốn Việt Nam trong 3 năm (2012 2014), được thiết kế dưới dạng dữ liệu bảng (panel data) nhằm đưa ra mơ hình

nghiên cứu ứng dụng kinh tế lượng: Mơ hình các ảnh hưởng cố định (FEM)

và mơ hình các ảnh hưởng ngẫu nhiên (REM). Sử dụng kiểm định Hausman

để lựa chọn mô hình phù hợp nhằm đưa ra những kết luận sát thực.



Tài liệu bạn tìm kiếm đã sẵn sàng tải về

f. Rủi ro kinh doanh

Tải bản đầy đủ ngay(0 tr)

×