Cấu trúc sở hữu và hiệu quả hoạt động của các doanh nghiệp có vốn nhà nước đầu tư tại Việt Nam

- Biến phụ thuộc: PFit để đo lường hiệu quả hoạt động của doanh nghiệp i trong năm t. Thước đo hiệu quả hoạt động được dựa trên phần trăm thay đổi của tỷ suất sinh lời (ROA, ROE), và Tobin-Q.

Việc sử dụng thước đo hiệu quả theo các chỉ số ROA (lợi nhuận trên tổng tài sản) và ROE (lợi nhuận trên vốn chủ sở hữu) phản ánh giá trị sổ sách về hiệu quả hoạt động của doanh nghiệp thông qua chỉ tiêu “lợi nhuận”. Tùy thuộc vào mục tiêu nghiên cứu, khai thác các khía cạnh liên quan đến chỉ tiêu “lợi nhuận”, thậm chí do vấn đề về cơ sở dữ liệu nghiên cứu mà các nhà nghiên cứu có thể sử dụng các cách xác định khác nhau: (i) Lợi nhuận trước thuế và lãi vay (Earle và cộng sự, 2005; Hu và Izumida, 2008a; Gurbuz và Aybars, 2010; Le và Buck, 2011; Wang và Xiao, 2011); hoặc (ii) Lợi nhuận thuần cộng với lãi vay (Shah và cộng sự, 2011; Thomsen và Pedersen, 2000), hay đơn giản chỉ là lợi nhuận thuần (Tian và Estrin, 2008; LI và cộng sự, 2009b). Tuy nhiên, hạn chế của chỉ số ROA, ROE là chỉ phản ánh hiệu quả quá khứ (kết quả sản xuất kinh doanh và lợi nhuận doanh nghiệp đạt được trong kỳ kế toán đã qua) (Hu và Izumida, 2008b).

Ngoài ra, đối với một số chỉ số cùng nhóm chỉ tiêu lợi nhuận như ROS hoặc ROI cũng không đưa ra một góc nhìn dài hạn cho cổ đông và lãnh đạo doanh nghiệp bởi đó là các thước đo quá khứ và ngắn hạn (Jenkins và cộng sự, 2011).

Vì vậy, hiệu quả hoạt động của doanh nghiệp còn thường được đánh giá thông qua nhóm chỉ số giá trị thị trường như Tobin-Q (giá trị thị trường của vốn chủ sở hữu cộng với giá trị sổ sách các khoản nợ phải trả so với giá trị sổ sách của tổng tài sản) (Demsetz, 1983; Morck và cộng sự, 1988; Wei và cộng sự, 2005; Tian và Estrin, 2008)

... Hệ số Tobin-Q có thể cho biết hiệu quả hoạt động của doanh nghiệp kỳ vọng trong tương lai, do chúng phản ánh được đánh giá của thị trường cả về tiềm năng lợi nhuận của doanh nghiệp trong tương lai thông qua giá thị trường của cổ phiếu, và phản ánh trực tiếp mức độ tăng trưởng giá trị vốn chủ sở hữu trong cơ cấu vốn doanh nghiệp tại thời điểm hiện tại. Tian và Estrin (2008) đã cho rằng định giá trên thị trường luôn dựa trên những dòng tiền tương lai và rủi ro kỳ vọng đi kèm.

Từ phân tích trên, đồng thời phụ thuộc vào dữ liệu, trong nghiên cứu này các chỉ số ROA, ROE, Tobin-Q được lựa chọn để đo lường hiệu quả hoạt động của doanh nghiệp; trong đó các chỉ số ROA, ROE được xác định trên cơ sở lợi nhuận sau thuế thu nhập doanh nghiệp, và chỉ số Tobin-Q được xác định trên cơ sở vốn hóa thị trường cộng nợ phải trả/tổng tài sản. Việc lựa chọn cả hai nhóm chỉ số sẽ giúp cho việc đánh giá, phân tích bao quát hiệu quả hoạt động của doanh nghiệp ở cả giác độ quá khứ cũng như tiềm năng, kỳ vọng về lợi nhuận và tăng trưởng tương lai của doanh nghiệp.

- Biến độc lập:

Stateit, InLocalit, OrLocalit, Foreignit lần lượt là tỷ lệ % sở hữu của cổ đông lớn (>=5%) là Nhà nước, cá nhân trong nước, tổ chức trong nước (trừ Nhà nước) và nước ngoài; thước đo là % cổ phần nắm giữ.

Có thể bạn quan tâm!

Xem toàn bộ 154 trang tài liệu này.

Việc xác định các biến độc lập là các thành phần sở hữu nắm giữ tỷ lệ % sở hữu của cổ đông lớn do phụ thuộc vào nguồn dữ liệu; mặt khác việc giới hạn nghiên cứu này cũng hạn chế được trường hợp đa cộng tuyến giữa các biến độc lập khi kiểm định tác động đồng thời tới biến phụ thuộc trong cùng một mô hình.

SquareYit lần lượt là bình phương từng biến Stateit, InLocalit, OrLocalit, Foreignit để kiểm định mối quan hệ phi tuyến tính của từng thành phần sở hữu tới PFit

- Biến kiểm soát:

Xit: là các biến đại diện cho các nhân tố như:

+ Quy mô doanh nghiệp: Sizeit, đo lường bởi logarit tổng tài sản (Wei và cộng sự, 2005; Hu và Izumida, 2008a; Gurbuz và Aybars, 2010; Alipour, 2013; Greenaway và cộng sự, 2014)

Gurbuz và Aybars (2010) tìm thấy lợi nhuận của doanh nghiệp chịu tác động tích cực bởi quy mô doanh nghiệp, với lý giải lợi thế quy mô trong cạnh tranh. Một công ty lớn hơn kích thước có thể có thể hình thành những cách tốt hơn và mới hơn để đối phó với thị trường rủi ro. Wei và cộng sự (2005) lập luận rằng quy mô doanh nghiệp càng lớn thì vấn đề chi phí đại diện càng nghiêm trọng, và vì thế có tác động ngược chiều với hiệu quả hoạt động của doanh nghiệp.

+ Đòn bẩy tài chính (LTDit và STDit lần lượt là tỷ lệ % nợ dài hạn và nợ ngắn hạn/tổng tài sản; CostDit là chi phí nợ, đo bằng chi phí tài chính/nợ phải trả;

Quan điểm với ảnh hưởng của nhà nước, các doanh nghiệp có vốn nhà nước đầu tư có thể tiếp cận dễ dàng hơn và với vốn vay với lãi suất thấp hơn (Li và cộng sự, 2009a).

+ Cấu trúc tài sản (FixAssit là tỷ lệ % tài sản cố định của doanh nghiệp/tổng tài sản) (Hu và Izumida, 2008a; Gurbuz và Aybars, 2010).

+ Khả năng thanh toán (Liqit là tính thanh khoản, bằng tài sản ngắn hạn/nợ ngắn hạn) (Thomsen và Pedersen, 2000; Hu và Izumida, 2008a).

+ Tuổi của doanh nghiệp (Ageit là thời gian niêm yết của doanh nghiệp trên TTCK).

Ngoài ra, một số biến giả được lựa chọn sử dụng trong mô hình: Yearkit là tập

hợp của 8 biến giả thời gian và Industrylit là tập hợp 14 biến giả ngành. Boardbit doanh nghiệp Nhà nước giữ cổ phần chi phối hay không chi phối, là biến giả nhận giá trị 1 nếu có tỷ lệ % sở hữu từ 50% tổng số cổ phần trở lên và nhận giá trị 0 nếu dưới 50% (Thomsen và Pedersen, 2000; Gurbuz và Aybars, 2010)

Phương trình 2: Kiểm tra tác động từ hiệu quả hoạt động của doanh nghiệp tới cấu trúc sở hữu, sử dụng mô hình ước lượng sau:

- Biến phụ thuộc: DStateit: Sự điều chỉnh của sở hữu nhà nước, được đo bằng phần trăm thay đổi của tỷ lệ vốn nhà nước chủ sở hữu (tỷ lệ vốn chủ sở hữu nhà nước năm (t-1) – tỷ lệ vốn chủ sở hữu nhà nước năm (t)/tỷ lệ vốn chủ sở hữu nhà nước năm (t-1)).

- Biến độc lập: PFit (theo các chỉ tiêu ROA, ROE, Tobin-Q).

- Biến kiểm soát: Gồm một số biến với các thước đo như Mô hình 1: LTDit, Sizeit, FixAssit; các biến giả Yearkit, Industrylit, Boardbit ; và bổ sung các biến OwnEqit, RGrowit; cụ thể:

RGrowi: Tăng trưởng doanh thu hàng năm; đo bằng phần trăm thay đổi doanh thu năm (t) – doanh thu năm (t-1)/ doanh thu năm (t-1) (Hu và Izumida, 2008a; Alipour, 2013).

OwnEqit là tỷ lệ % vốn góp chủ sở hữu trên vốn chủ sở hữu.

4.2. Phương pháp phân tích dữ liệu

Để đưa ra mô hình tổng quát đánh giá chung cho các doanh nghiệp theo giai đoạn, mô hình dữ liệu bảng (panel data) được sử dụng để xem xét mối quan hệ chung của các nhân tố và hiệu quả hoạt động của doanh nghiệp. So với dữ liệu theo chuỗi thời gian và không gian, Damodar (2004) dẫn tổng hợp nghiên cứu của Baltagi về ưu điểm của dữ liệu bảng: (i) Vì dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, tiểu bang, đất nước, v.v… theo thời gian, nên nhất định 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 đơn vị (như các cá nhân, các doanh nghiệp, tiểu bang, và đất nước); (ii) 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; (iii) 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; (iv) 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 tú; (v) Dữ liệu bảng giúp ta nghiên cứu những mô 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 thông qua dữ liệu bảng tốt hơn so với dữ liệu theo chuỗi thời gian thuần túy hay theo không gian thuần túy; (vi) 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.

Như vậy, việc sử dụng dữ liệu bảng có ưu điểm chủ yếu: (i) Làm tăng kích thước mẫu một cách đáng kể; (ii) Phù hợp hơn cho nghiên cứu động học thay đổi; (iii) Dữ liệu bảng giúp nghiên cứu những mô hình phức tạp và cho kết quả ước lượng hiệu quả hơn (Damodar, 2004; Baltagi, 2008; Hsiao, 2014).

Việc nghiên cứu được xem xét chủ yếu dựa trên kết quả mô hình hồi quy dữ liệu bảng tĩnh là mô hình nghiên cứu phổ biến, kết hợp mở rộng mô hình hồi quy dữ liệu bảng động khi xem xét vấn đề cấu trúc sở hữu nội sinh; cụ thể:

(1) Mô hình hồi quy dữ liệu bảng tĩnh

Mô hình hồi quy tác động cố định FEM (Fixed-effects model) và mô hình hồi quy tác động ngẫu nhiên REM (Random-effects model) được sử dụng trong phân tích dữ liệu bảng tĩnh. Ngoài ra cũng có thể thực hiện sử dụng ước lượng bình phương nhỏ nhất (Pool – OLS) trên tập dữ liệu thu được của các đối tượng theo thời gian, do vậy nó xem tất cả các hệ số đều không thay đổi giữa các đối tượng khác nhau và không thay đổi theo thời gian (Damodar, 2004).

Vấn đề đặt ra là mô hình nào sẽ là mô hình dữ liệu phù hợp: Pool - OLS, FEM hay REM. Mô hình FEM phát triển thêm từ Pool - OLS khi có đưa thêm sự khác nhau về các doanh nghiệp, và có sự tương quan giữa phần dư của mô hình và các biến độc lập (nghĩa là các biến hay các đặc trưng riêng của từng doanh nghiệp có quan hệ với các biến độc lập ở mức ý nghĩa 5%). Mô hình REM cũng giống như mô hình FEM về sự khác nhau giữa các doanh nghiệp nhưng không mối quan hệ nào giữa phần dư và các biến độc lập của mô hình.

Trong mô hình nghiên cứu của NCS, xem xét các nhân tố ảnh hưởng tới hiệu quả hoạt động của doanh nghiệp, mô hình Pool – OLS được minh họa như sau:

Trong đó: Các biến đã được trình bày tại mục 4.1.2 Mô hình nghiên cứu

eit là sai số có phân phối chuẩn, biến thiên theo từng doanh nghiệp (i) và năm quan sát (t).

Tuy nhiên, mô hình hồi quy Pool-OLS xem xét các doanh nghiệp là đồng nhất, có thể không phù hợp do thực tế mỗi doanh nghiệp có những đặc điểm riêng khác nhau có thể ảnh hưởng đến hiệu quả hoạt động của doanh nghiệp (ngành nghề, quy mô, ...); vì vậy kết quả ước lượng mô hình hồi quy Pool-OLS có thể bị sai lệch khi không kiểm soát được các tác động riêng biệt này. Khi đó, mô hình FEM hoặc REM được thiết lập để khắc phục vấn đề:

Trong đó εit = eit + &i với &i đại diện cho các tác động riêng biệt không đổi theo thời gian và không quan sát được của mỗi doanh nghiệp. Như vậy, &i (còn gọi là phần dư của mô hình) là điểm khác biệt giữa mô hình Pool-OLS và mô hình FEM hoặc REM. Trong việc lựa chọn mô hình FEM hoặc REM, nếu phần dư của mô hình có tương quan với các biến độc lập thì mô hình FEM là phù hợp và ngược lại mô hình REM là phù hợp.

Để giải quyết vấn đề này NCS thực hiện các bước sau:

Bước 1: Đánh giá sự phù hợp của ước lượng tác động ngẫu nhiên (REM) và tác động cố định (FEM) được kiểm chứng trên cơ sở so sánh với ước lượng bình phương nhỏ nhất (Pool – OLS). Cụ thể:

- Ước lượng tác động cố định được kiểm chứng bằng kiểm định F với giả thuyết H0 cho rằng tất cả các hệ số &i đều bằng 0 (nghĩa là không có sự khác biệt giữa các đối tượng hoặc các thời điểm khác nhau). Bác bỏ giả thuyết H0 với mức ý nghĩa 5% sẽ cho thấy ước lượng tác động cố định là phù hợp.

Đối với ước lượng tác động ngẫu nhiên, kiểm định White được sử dụng để kiểm chứng tính phù hợp của ước lượng Pool-OLS. Theo đó, giả thuyết H0: Phương sai giữa các đối tượng hoặc các thời điểm là không đổi. Trường hợp bác bỏ giả thuyết H0,

cho thấy sai số trong ước lượng có bao gồm cả sự sai lệch giữa các nhóm, và phù hợp với ước lượng tác động ngẫu nhiên.

- 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 (Damodar, 2004; Baltagi, 2008); với giả thuyết kiểm định:

Ho: Mô hình REM là phù hợp H1: Mô hình FEM là phù hợp

Trong trường hợp kiểm định Hausman cho p-value lớn hơn 5% thì mô hình REM là phù hợp và ngược lại nếu p-value của kiểm định Hausman nhỏ hơn 0.05 thì mô hình FEM là phù hợp.

Bước 2: Sau khi tìm ra mô hình phù hợp với dữ liệu, NCS tiến hành kiểm định sự tin cậy của mô hình:

Kiểm định phương sai thay đổi:

Ho: Mô hình không có phương sai thay đổi H1: Mô hình có phương sai thay đổi

Với p-value của kiểm định hetero lớn hơn 0.05 thì chấp nhận giả thuyết Ho (Mô hình không tồn tại phương sai thay đổi); ngược lại nếu p-value nhỏ hơn 0.05 cho thấy mô hình tồn tại phương sai thay đổi.

Kiểm định tự tương quan:

Ho: Mô hình không có tự tương quan H1: Mô hình có tự tương quan

Với p-value của kiểm định autocorrelation lớn hơn 0.05 thì chấp nhận giả thuyết Ho (Mô hình không tồn tại tự tương quan); ngược lại nếu p-value nhỏ hơn 0.05 cho thấy mô hình tồn tại tự tương quan.

Trong trường hợp mô hình đều thỏa mãn không mắc phải một trong hai khuyết tật trên có thể kết luận mô hình nghiên cứu đạt độ tin cậy để ước lượng tác động các nhân tố lên hiệu quả hoạt động của doanh nghiệp. Tuy nhiên, một nhược điểm của dữ liệu dạng bảng với số cá thể quan sát lớn trong chuỗi thời gian ngắn thường phát sinh hiện tượng phương sai sai số thay đổi; và còn tồn tại vấn đề về biến nội sinh trong mô hình, tức là tương quan hai chiều giữa biến giải thích (biến độc lập) và biến được giải thích (biến phụ thuộc), cũng như tác động của các biến trễ của biến giải thích làm thiên

chệch kết quả ước lượng; khi đó các ước lượng FEM và REM không còn hiệu quả. Mô hình dữ liệu bảng tồn tại các vấn đề này được gọi là mô hình bảng động.

(2) Mô hình hồi quy dữ liệu bảng động

Khi mô hình gặp một trong hai khuyết tật là tự tương quan và phương sai thay đổi thì cần khắc phục các khuyết tật mô hình, giải pháp khắc phục NCS được thực hiện trong nghiên cứu là sử dụng phương pháp ước lượng GMM thông qua kiểm định xtabond2 trong Stata theo hướng dẫn của Roodman (2009). Phương pháp ước lượng GMM có hai dạng ước lượng thay thế lẫn nhau là ước lượng D-GMM và S-GMM. Arellano và Bond (1991) so sánh hiệu quả của phương pháp D-GMM với ước lượng OLS, With-in groups và ước lượng sai phân Anderson-Hsiao, kết quả cho thấy kết quả ước lượng theo phương pháp D-GMM có sự thiên chệch ít nhất và phương sai của các tham số quan tâm nhỏ nhất. Tuy nhiên, theo Blundell và Bond (1998) nếu với tác động ngẫu nhiên thì kết quả ước lượng của phương pháp D-GMM sẽ kém hiệu quả bởi các dữ liệu quá khứ chứa ít thông tin để dự báo sự thay đổi của tương lai nên các biến trễ không đổi đại diện không tốt cho các biến biến đổi trong mô hình; vì vậy với tác động ngẫu nhiên thì phương pháp S-GMM được sử dụng để tăng tính hiệu quả.

Theo Roodman (2009), ưu điểm của phương pháp ước lượng GMM là thích hợp cho các trường hợp: (i) Dữ liệu bảng có T nhỏ và N lớn (quan sát trong thời kỳ ngắn và có nhiều đối tượng quan sát); (ii) Tồn tại mối quan hệ tuyến tính; (iii) Biến bên trái mô hình là động, phụ thuộc vào biến trễ của nó; (iv) Các biến độc lập không phải là biến ngoại sinh chặt, nghĩa là chúng có thể tương quan với các phần dư hiện tại hoặc quá khứ; (v) Tồn tại các tác động cố định riêng lẻ; và (vi) Tồn tại phương sai thay đổi và tự tương quan trong mỗi đối tượng nhưng không tồn tại giữa các đối tượng.

Mô hình GMM được xem là phù hợp khi thỏa mãn hai điều kiện: (i) Tồn tại các hạn chế về giới hạn xác định quá mức (over-identifying restrictions), tức nhằm xác định tính phù hợp của các biến công cụ, kiểm định sự không tồn tại mối tương quan giữa các biến công cụ và sai số; và (ii) Không tồn tại hiện tượng tự tương quan bậc 2 trong sai phân bậc nhất.

Để kiểm định tính phù hợp kết quả ước lượng theo GMM kiểm định Hansen (hay kiểm định Sargan) và Arellano-Bond sẽ được sử dụng:

- Kiểm định Hansen xác định tính phù hợp của các biến công cụ trong mô hình GMM. Đây là kiểm định ràng buộc xác định quá mức (over-identifying restrictions) của mô hình. Kiểm định Hansen với giả thuyết H0: biến công cụ là ngoại sinh, nghĩa là không tương quan với sai số của mô hình, do đó giá trị P-value càng lớn càng tốt (một

giá trị thống kê hoàn hảo nếu P-value bằng 1); và theo Roodman (2009), P-value mong

đợi có thể chấp nhận được trong khoảng 0,1-0,25.

- Kiểm định Arellano - Bond được đề xuất bởi Arellano và Bond (1991) để kiểm tra tính chất tự tương quan của phương sai sai số mô hình GMM ở dạng sai phân bậc 1. Do đó, chuỗi sai phân khảo sát mặc nhiên có tương quan bậc 1, AR(1) nên kết quả kiểm định được bỏ qua. Tương quan bậc 2, AR(2) được kiểm định trên chuỗi sai phân của sai số để phát hiện hiện tượng tự tương quan của sai số ở bậc 1, AR(1). Giả thuyết H0 của kiểm định Arellano – Bond là không có tự tương quan và được áp dụng cho số dư sai phân.

4.3. Dữ liệu nghiên cứu

Với đối tượng nghiên cứu là cấu trúc sở hữu và hiệu quả hoạt động của các doanh nghiệp có vốn nhà nước đầu tư tại Việt Nam, và sử dụng phương pháp nghiên cứu định lượng, việc thu thập, sử dụng dữ liệu sơ cấp với số lượng mẫu đủ lớn, đảm bảo tin cậy là khó khả thi. Việc sử dụng nguồn dữ liệu thứ cấp là số liệu của các cơ quan quản lý nhà nước như "Sách trắng doanh nghiệp Việt Nam năm 2020" (Bộ Kế hoạch và Đầu tư, 2020) có ưu điểm là bao quát phạm vi các doanh nghiệp có vốn nhà nước đầu tư, kể cả doanh nghiệp cổ phần đã niêm yết và chưa niêm yết; tuy nhiên có hạn chế khi là số liệu được tổng hợp theo báo cáo cung cấp thông tin của các doanh nghiệp, không đầy đủ, không liên tục (Theo Bộ Kế hoạch và Đầu tư, tỷ lệ các doanh nghiệp nhà nước gửi báo cáo đến Bộ Kế hoạch và Đầu tư để thực hiện công bố thông tin theo quy định năm 2018 chỉ chiếm 71,67%, năm 2017 là 44,35%). Nguồn dữ liệu này phù hợp trong đánh giá khái quát và phân tích định tính (như đã sử dụng phân tích, đánh giá tại Chương 3), hơn là sử dụng làm dữ liệu trong nghiên cứu kiểm định thực chứng. Vì vậy, nguồn dữ liệu nghiên cứu kiểm định thực chứng được thu thập từ các doanh nghiệp niêm yết trên TTCK Việt Nam, mặc dù hạn chế là không bao quát được cả các doanh nghiệp cổ phần có vốn nhà nước đầu tư chưa niêm yết, song lại có ưu điểm là thông tin công khai đã được kiểm chứng bởi thị trường, đặc biệt là đầy đủ các thông tin đáp ứng mô hình nghiên cứu.

Dữ liệu nghiên cứu sẽ bao gồm toàn bộ các doanh nghiệp có vốn nhà nước đầu tư (với tư cách là cổ đông lớn với cổ phần từ 5% trở lên) niêm yết trên TTCK Việt Nam (sàn HNX và HOSE) trong giai đoạn 8 năm từ năm 2010 đến năm 2017 do Vietstock cung cấp; trong đó:

- Việc phân loại nhóm ngành của Vietstock theo hệ thống phân ngành NAICS 2007, được sử dụng phổ biến tại các quốc gia thuộc Khối NAFTA của khu vực Bắc