Thống Kê Mô Tả Toàn Bộ Dữ Liệu Nghiên Cứu‌ 69478

{LEVi,t = α + βLEVi,t−1 + δlncfvi,t + δ1lncfvi,tx ceo + γXi,t + ηi + εi,t (3.9)

∆LEVi,t = α + β∆LEVi,t−1 + δ∆lncfvi,t + δ1∆lncfvi,tx fo + γ∆Xi,t + ∆εi,t

{LEVi,t = α + βLEVi,t−1 + δlncfvi,t + δ1lncfvi,tx ceo + γXi,t + ηi + εi,t (3.10)

∆LEVi,t = α + β∆LEVi,t−1 + δ∆lncfvi,t + δ1∆lncfvi,tx so + γ∆Xi,t + ∆εi,t

Trong đó:

Biến phụ thuộc: LEVi,t đại diện cho CTV của DN i trong thời gian t. LEVi,t được đại diện bằng 3 cách đo lường khác nhau theo cơ cấu tỷ lệ nợ so với vốn chủ sở hữu DN (lata, fdc, ltdc). LEVi,t−1 là biến trễ một kỳ của LEVi,t.

lncfvi,t : BĐDT là biến giải thích trong mô hình nghiên cứu.

Xi,t: đại diện cho các biến kiểm soát trong mô hình bao gồm: sizei,t quy mô DN; tangi,t tài sản cố định hữu hình; liqi,t tính thanh khoản; profiti,t khả năng sinh lời; nsdti,t: khấu hao; growthi,t của DN i trong thời gian t; induslevj,t ĐBTC trung bình ngành j trong thời gian t; gdpt tốc độ tăng trưởng kinh tế của Việt Nam trong năm t,

Các biến tương tác bao gồm: so biến giả về sở hữu của nhà nước (so = 1: có sở hữu của nhà nước, so = 0: trường hợp còn lại), fo biến giả về sở hữu nước ngoài (fo

= 1: có sở hữu nước ngoài, fo = 0: trường hợp còn lại), ceo biến giả về kinh nghiệm làm việc trong lĩnh vực tài chính của CEO (ceo = 1: CEO từng có kinh nghiệm làm việc trong lĩnh vực tài chính, ceo = 0: trường hợp còn lại).

ηi, εi,t là hai thành phần của sai số, với ηi là những ảnh hưởng không đồng nhất của các DN không quan sát được, và εi,t là những tác động ngẫu nhiên của thời gian. BĐDT lncfv đang được coi là nội sinh để bị tương quan với các ảnh hưởng cố định của DN và những hiệu ứng trong quá khứ cũng như hiện tại của εi,t. Việc giả định nội sinh của BĐDT cho phép xem xét tính đồng thời tiềm ẩn và mối quan hệ nhân quả ngược giữa BĐDT và việc sử dụng nợ cùng với tính không đồng nhất của từng DN cụ thể.

Tương ứng với những nhận định Roodman (2006), lệnh xtabond2 trong phần mềm xử lý và thống kê dữ liệu Stata được đề xuất áp dụng hồi quy các mô hình nghiên

cứu. Đồng thời, tác giả sử dụng phương pháp SGMM hai bước (với cú pháp two- step) hiệu quả hơn trong việc khắc phục vấn đề phương sai sai số thay đổi và tự tương quan so với ước lượng một bước (one-step). Đồng thời, theo Petersen (2009) các hồi quy nên được ước tính bằng cách sử dụng các sai số chuẩn mạnh để hiệu chỉnh phương sai thay đổi và phân cụm ở cấp độ công ty. Do đó, cùng với lệnh xtabond2 kèm lựa chọn two-step, tác giả thêm robust để tăng thêm độ vững của mô hình ước lượng.

Kết quả hồi quy bằng phương pháp ước lượng GMM cần chú ý đến kiểm định về nội sinh của Sargan (1958) và/hoặc Hansen (1982) và kiểm định tự tương quan của Arellano and Bond (1991). Hai kiểm định này kiểm tra tính hợp lý của các công cụ được sử dụng trong mô hình GMM theo đề xuất của Roodman (2009). Với kiểm định Sargan (1958) hoặc Hansen (1982) về vấn đề ràng buộc quá mức (over- identifying restrictions) để xem sự phù hợp của biến công cụ, với giả thuyết Ho: Biến công cụ là biến ngoại sinh (đồng nghĩa với việc không có tương quan với sai số). Giá trị P-value ở mức 0,25 là dấu hiệu tiềm ẩn rủi ro không phù hợp cho mô hình, và giá trị dưới 0,1 là nghiêm trọng và không thể bỏ qua (Roodman, 2009). Đồng thời, cũng theo Roodman (2009), kiểm định Hansen (1982) được ưu tiên xem xét hơn so với Sargan (1958) khi sử dụng SGMM. Hay nói cách khác, kiểm định Hansen (1982) chưa có cơ sở bác bỏ Ho, có thể đưa ra kết luận về sự phù hợp của mô hình. Với kiểm định về tự tương quan trong mô hình Arellano and Bond (1991) với giả thuyết Ho không có hiện tượng tự tương quan với sai số sai phân (autocorrelation), gồm hai bậc AR(1) và AR(2). Giả thuyết Ho sẽ được chấp nhận khi P-value lớn hơn 0,05. Theo đó, kiểm định hồi quy bậc một AR (1) có thể cho kết quả bác bỏ giả thuyết Ho, kiểm định hồi quy bậc hai AR (2) bắt buộc từ chối bác bỏ giả thuyết Ho.

Ngoài nghiên cứu Keefe and Yaghoubi (2016) sử dụng GLM để ước lượng mô hình sau đó sử dụng hồi quy bình phương nhỏ nhất (OLS) để kiểm tra lại tính vững, các nghiên cứu khác về tác động của BĐDT đến CTV chưa sử dụng các phương pháp ước lượng khác để kiểm tra tính vững của mô hình (Dudley and James, 2015, Memon và cộng sự, 2018, Harris and Roark, 2019, Karimli, 2018). Theo Kumar và cộng sự

(2017), hầu hết các nghiên cứu sử dụng các mô hình hồi quy cơ bản để phân tích sự tác động các yếu tố ảnh hưởng đến CTV. Các kết quả thu được từ những nghiên cứu trước đây chưa đủ cơ sở để kết luận về tính vững của ước lượng khi các mô hình được áp dụng trong các bối cảnh khác nhau. Do đó, nghiên cứu này sẽ tiến hành kiểm định mối quan hệ giữa BĐDT và CTV theo các phương pháp khác, để đảm bảo tính vững của mô hình nghiên cứu.

3.5 Dữ liệu nghiên cứu‌

Luận án tập trung vào các DNNY phi tài chính công bố trên hai sở giao dịch chứng khoán Hà Nội và Thành phố Hồ Chí Minh trong 13 năm (2007-2019). Dữ liệu nghiên cứu thu thập từ năm 2007 đến năm 2019 – đây là khoảng thời gian hệ thống tài chính có nhiều thay đổi đáng kể. Do đó, dữ liệu thu thập trong giai đoạn này sẽ phản ánh được những thay đổi trong việc lựa chọn CTV của DN Việt Nam, cũng như sự biến động trong DTHĐ của DN một cách đầy đủ.

Mẫu nghiên cứu bao gồm các ngành theo cấu trúc phân ngành 4 cấp của ICB (Industry Classification Benchmark), nhưng loại trừ ngành tài chính. Theo chuẩn phân loại ngành ICB, các DNNY được chia thành 10 ngành cơ bản: dầu khí, vật liệu cơ bản, công nghiệp, hàng tiêu dùng, y tế, dịch vụ tiêu dùng, viễn thông, các dịch vụ hạ tầng, tài chính và công nghệ. Các DN trong lĩnh vực tài chính bao gồm các định chế tài chính, ngân hàng, chứng khoán, bảo hiểm được loại trừ khỏi mẫu nghiên cứu bởi những lý do sau. Thứ nhất, do cơ cấu nguồn vốn, tài sản của ngành tài chính có sự khác biệt lớn dẫn đến sự khác biệt đặc thù các chỉ tiêu trong báo cáo tài chính của các DN trong lĩnh vực này so với DN trong lĩnh vực khác (Le and Tannous, 2016, Pandey, 2001). Thứ hai, ngành tài chính bên cạnh chịu những quy định pháp luật chung của DN, các DN trong ngành còn chịu sự kiểm soát và giám sát chặt chẽ của các cơ quan quản lý nhà nước khác như ủy ban chứng khoán nhà nước, hay ngân hàng nhà nước. Điều này khiến cho hoạt động của ngành tài chính có những đặc thù hơn so với các ngành khác.

Bên cạnh đó, để tăng chất lượng của mẫu dữ liệu nghiên cứu, các DN vi phạm về quy định về công bố thông tin hoặc thuộc diện kiểm soát đặc biệt của Uỷ Ban chứng khoán Nhà nước, hoặc thuộc diện buộc phải huỷ niêm yết, hay huỷ niêm yết tự nguyện đều được loại trừ.

Dữ liệu nghiên cứu về các DNNY tại sở giao dịch chứng khoán Hà Nội và Thành phố Hồ Chí Minh là dữ liệu thứ cấp dạng bảng. Toàn bộ dữ liệu thô về các chỉ tiêu tài chính của các DNNY để phục vụ cho việc tính toán đặc điểm DN được lấy từ nguồn dữ liệu của FiinPro. Dữ liệu về chỉ số kinh tế vĩ mô được lấy thông tin từ cổng thông tin điện tử của ngân hàng thế giới Worldbank (https://data.worldbank.org/). Dữ liệu về sở hữu của nhà nước và sở hữu nước ngoài được thu thập bởi Vietstock. Dữ liệu về kinh nghiệm trong lĩnh vực tài chính của CEO không có sẵn dữ liệu tổng hợp từ các đơn vị cung cấp dữ liệu. Do đó, tác giả thu thập thủ công dựa trên báo cáo thường niên và báo cáo đại hội đồng cổ đông do các DN công bố hàng năm. Toàn bộ tài liệu này được lấy từ trực tiếp website của các DN, website: https://finance.vietstock.vn/ và https://cafef.vn/. Tiêu chí để xét CEO có kinh nghiệm về tài chính được dựa theo (Custódio and Metzger, 2014). Cụ thể, những quan sát có CEO đã từng trải qua các vị trí công việc liên quan đến nguồn vốn, đầu tư trong các công ty tài chính, ngân hàng, chứng khoán, bảo hiểm, những bộ phận chuyên môn liên quan đến hoạt động DN của kiểm toán hoặc các vị trí kế toán-tài chính trong các DN sẽ được ghi nhận giá trị 1.Ví dụ, công ty cổ phần nhựa An Phát xanh (mã cổ phiếu AAA) năm 2019 có CEO đã từng làm kế toán và kế toán trưởng tại các DN hơn 10 năm, do đó, nghiên cứu ghi nhận giá trị 1 tương ứng với CEO có kinh nghiệm trong lĩnh vực tài chính. Những quan sát không có CEO thuộc nhóm ở trên sẽ nhận giá trị 0. Thông thường, thông tin chi tiết về kinh nghiệm trong lĩnh vực tài chính của CEO sẽ có trong phần tiểu sử hoặc quá trình hoạt động của ban điều hành hoặc trong mục quản trị công ty của các báo cáo này. Trường hợp DN không cung cấp đầy đủ công việc mà CEO đã trải qua trong các báo cáo, nghiên cứu tìm kiếm thông tin về CEO trên mục tiểu sử ban lãnh đạo trên website: https://cafef.vn/ hoặc trực tiếp tìm kiếm trên https://www.google.com.vn/. Với các phương thức ở trên không thể tìm

được dữ liệu về quá trình làm việc của CEO, trường dữ liệu đó được bỏ trống và lọc bỏ các quan sát đó khỏi mẫu dữ liệu liên quan đến CEO.

Tiếp theo, những quan sát không có dữ liệu về dòng tiền, những quan sát có năm làm gốc để tính sự BĐDT và những quan sát không có dữ liệu về giá trị thị trường so với giá trị sổ sách được loại bỏ khỏi mẫu nghiên cứu. Các mẫu dữ liệu không có dữ liệu về sở hữu của nhà nước, nước ngoài được lọc ra khỏi mẫu nghiên cứu. Từ bảng dữ liệu thô ban đầu, tác giả sử dụng phần mềm Excel tính toán các biến sử dụng trong mô hình. Do một số biến như BĐDT, khả năng sinh lời tính dựa trên chênh lệch trong 2 năm liên tiếp, nên dữ liệu năm làm gốc với các quan sát sẽ mất đi. Vì vậy, bảng dữ liệu cuối cùng chỉ còn trong giai đoạn 11 năm từ 2008-2019. Đồng thời, mẫu dữ liệu cuối cùng sau khi được làm sạch bao gồm 5495 quan sát trong giai đoạn từ năm 2008-2019.

Green (1991) cho rằng một cỡ mẫu có thể đại diện cho tổng thể phải đảm bảo số quan sát trong mẫu ít nhất n  50+ 8m với m là số biến độc lập trong mô hình, n là số mẫu nghiên cứu tối thiểu. Theo đó, mô hình nghiên cứu với số biến độc lập là 1, số quan sát tối thiểu trong mẫu là 58, trường hợp số biến độc lập là 2, số quan sát tối thiểu trong mẫu là 68. Khác với Green (1991), Tabachnick và cộng sự (2007) cho rằng số lượng quan sát tối thiểu trong mẫu phải đảm bảo n  104 + m với m là số biến độc lập trong mô hình và n là số mẫu nghiên cứu tối thiểu. Áp dụng theo phương thức tính toán này, mô hình nghiên cứu với số biến độc lập là 1 thì số quan sát tối thiểu yêu cầu là 105, với số biến độc lập là 2 thì số quan sát tối thiểu yêu cầu là 105. Như vậy, với số quan sát 5497 quan sát trong giai đoạn 2008-2019 của nghiên cứu đảm bảo ít nhất mỗi năm có số lượng quan sát lớn hơn số lượng quan sát tối thiểu phải có theo tính toán của Green (1991), Tabachnick và cộng sự (2007).

Tóm tắt chương 3

Mục tiêu của phần phương pháp nghiên cứu là khảo lược lại các phương pháp đã được sử dụng trong các nghiên cứu trước đây khi xem xét ảnh hưởng của BĐDT đến CTV của các DN. Từ đó, tác giả đề xuất mô hình nghiên cứu dự kiến sẽ thực

hiện. Đầu tiên, tác giả xác định dòng tiền sử dụng trong nghiên cứu. Cho đến nay, DTHĐ của DN còn nhiều cách xác định khác nhau. DTHĐ được lấy trực tiếp từ các báo cáo tài chính do DN cung cấp tốt hơn các DTHĐ được các nhà nghiên cứu xây dựng từ các khoản mục trên báo cáo kết quả kinh doanh và sự thay đổi của các khoản mục trên bảng cân đối kế toán (Allayannis and Weston, 2003, Memon và cộng sự, 2018). Do đó, nghiên cứu lấy dữ liệu DTHĐ kinh doanh từ báo cáo lưu chuyển tiền tệ của DN. Qua khảo lược thấy rằng hầu hết các nghiên cứu thực nghiệm về mối quan hệ BĐDT -CTV ở cấp độ DN sử dụng phương pháp ước lượng BĐDT lịch sử. BĐDT được tính toán nhờ vào trung bình trược của độ lệch chuẩn theo thời gian (window-rolling). Cách đo lường này chưa tính đến mối quan hệ động giữa BĐDT và CTV. Để giải quyết vấn đề này, nghiên cứu áp dụng phương pháp đo lường sự biến động của De Veirman and Levin (2011) để tính toán sự BĐDT. Tương tự, CTV chưa có một cách đo lường thống nhất. Do đó, việc áp dụng nhiều cách đo lường đại diện cho CTV để tìm ra tiêu chí phù hợp với các DNNY tại Việt Nam. Ngoài ra, tác động BĐDT đến CTV được xem xét dưới nhiều mô hình ước lượng khác nhau. Tuy nhiên, các nghiên cứu trước kiểm tra tính vững dưạ vào các cách đo lường BĐDT khác nhau, chưa kiểm tra tính vững của mô hình ước lượng. Trong nghiên cứu này sẽ sử dụng phương pháp GMM hệ thống là phương pháp chính để ước lượng và kiểm tra tính vững thông qua cách ước lượng khác.

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN‌

Nội dung chính trong chương 4 thể hiện kết quả chi tiết và kiểm định kết quả của từng mô hình hồi quy về sự tác động của BĐDT đến CTV và thảo luận kết quả với các mô hình hồi quy đã thực hiện. Chương 4 bắt đầu với những thống kê mô tả cơ bản về các biến sử dụng trong mô hình. Tiếp theo đó, kết quả nghiên cứu tổng quát về mối quan hệ giữa BĐDT và CTV được trình bày. Dựa trên kết quả chính, là cơ sở để so sánh sự tác động của BĐDT đến CTV trong các điều kiện tác động khác nhau bao gồm kinh nghiệm tài chính của CEO, sở hữu của nhà nước, nước ngoài và bản thân DTHĐ kinh doanh của DN.

4.1 Phân tích mô tả thống kê‌

Số liệu thống kê mô tả các biến sử dụng trong mô hình của toàn bộ mẫu quan sát được trình bày trong bảng 4.1. Giá trị trung bình của các cách đo lường CTV bao gồm tỷ số tổng nợ phải trả chia tổng tài sản (lata), tỷ số tổng nợ vay chia vốn (fdc), tỷ số tổng nợ vay dài hạn chia vốn (ltdc). Tỷ số tổng nợ phải trả (lata) có giá trị nằm trong khoảng từ 0,199 cho đến 0,993, với giá trị trung bình là 48,7%. Những số liệu này cho thấy các DN Việt Nam sử dụng ĐBTC ở mức xấp xỉ với các DN ở các quốc gia khác. Cụ thể, tỷ lệ tổng nợ phải trả theo giá trị sổ sách trung bình của các DN phi tài chính niêm yết tại Việt Nam khá tương đồng với giá trị này Trung Quốc (47,6%) trong giai đoạn nghiên cứu 1997-2015 của Memon và cộng sự (2018), và 46,6% ở Mỹ trong giai đoạn 1974-2012 (Keefe and Yaghoubi, 2016). So với một số nghiên cứu trước đây về CTV tại Việt Nam, tỷ số tổng nợ phải trả mức thấp hơn của Le and Tannous (2016) nghiên cứu trong giai đoạn 2007-2012 (51,92%), xấp xỉ bằng với giá trị trong nghiên cứu Nguyen và cộng sự (2014) từ 2007 đến 2010 (48%). Trong khi đó, fdc có giá trị nằm trong khoảng từ 0 đến 96,2% với giá trị trung bình khoảng 31,6%. Tỷ số nợ vay dài hạn nằm trong khoảng từ 0 đến 94,8% với giá trị trung bình (ltdc) khoảng 12,3%. Hai tỷ số này (fdc và ltdc) của các DN phi tài chính niêm yết tại Việt Nam xấp xỉ bằng tại Trung Quốc (31,1% và 10,9%) trong nghiên cứu (Memon và cộng sự, 2018). Tỷ số nợ vay (fdc) trong nghiên cứu này cao hơn so với

mức 29,6%, nhưng tỷ số nợ dài hạn (ltdc) thấp hơn mức 24,2 của các DN tại Mỹ trong nghiên cứu (Keefe and Yaghoubi, 2016).

Bảng 4.1: Thống kê mô tả toàn bộ dữ liệu nghiên cứu‌

Biến

Quan sát	Trung bình	Độ lệch chuẩn	Giá trị nhỏ nhất	Giá trị lớn nhất
lata	5497	0,487	0,224	0,002	0,993
fdc	5497	0,316	0,25	0	0,962
ltdc	5497	0,123	0,185	0	0,948
cfv	5497	0,925	31,713	0	2337,273
lncfv	5497	-1,231	1,114	-9,426	7,757
cfv_oi	5497	0,058	0,096	0	2,626
lncfv_oi	5497	-3,598	1,352	-11,331	0,965
size	5497	27,012	1,499	23,22	32,254
tang	5497	0,267	0,214	0	0,978
liq	5497	2,345	4,397	0,106	229,779
profit	5497	0,111	0,099	-0,784	0,782
growth	5497	1,224	1,323	0,033	28,169
nsdt	5497	0,033	0,033	0	0,367
gdp	5497	6,288	0,62	5,247	7,076
indlev	5497	0,448	0,078	0	0,704
so	5497	0,569	0,495	0	1
fo	5497	0,845	0,362	0	1
ceo	5425	0,144	0,35	0	1