2 LỜI CẢM ƠN

Em xin gửi lời cảm ơn chân thành đến thầy Trần Mạnh Tường đã hướng dẫn, hỗ trợ và tạo điều kiện cho em trong suốt quá trình học tập và thực hiện bài tiểu luận này. Vì kiến thức bản thân còn nhiều hạn chế nên không thể tránh khỏi những sai sót nên em rất mong nhận được những góp ý từ thầy cũng như các bạn để có thể hoàn thiện hơn kiến thức của mình.

3 PHẦN MỞ ĐẦU

3.1 Lý do chọn đề tài

Trong quá trình hoạt động, doanh nghiệp phải đối mặt với ba nhóm quyết định lớn là quyết định đầu tư, quyết định tài trợ và quyết định về phân chia lợi nhuận. Trong đó đối với mỗi chính sách tài trợ mà doanh nghiệp chọn lựa sẽ hình thành nên một cấu trúc tài chính (cơ cấu kết hợp giữa nợ và vốn chủ sở hữu) cho doanh nghiệp đó, cấu trúc này sẽ tác động đến với lợi nhuận, thanh khoản, rủi ro tài chính và đặc biệt là giá trị của công ty và chi phí sử dụng vốn của họ. Đồng thời là cơ sở để các cổ đông, các nhà đầu tư tiềm năng lựa chọn và ra quyết định đầu tư của mình.

Chính vì tầm quan trọng đó, cấu trúc tài chính trong nhiều thập kỉ qua đã trở thành đối tượng được nghiên cứu sâu rộng tại nhiều quốc gia có nền kinh tế thị trường phát triển. Đặt nền móng đó là công trình nghiên cứu của hai nhà kinh tế đạt giải Nobel Kinh tế Franco Modigliani và Merton Miller (lý thuyết M&M). Từ đó, nhiều bài viết cả về lý thuyết và thực nghiệm đã được tiến hành nhằm nghiên cứu, phân tích và giải thích cách lựa chọn cấu trúc tài chính của doanh nghiệp.

Tại Việt Nam, vấn đề cấu trúc tài chính doanh nghiệp đã dần được quan tâm và thực hiện nhiều nghiên cứu thị trường Việt Nam thời gian qua đã có sự phát triển mạnh mẽ. Tuy nhiên, giai đoạn 2020, sự bùng phát của đại dịch Covid-19 là hồi chuông cảnh báo về những rủi ro khôn lường. Do đó mục tiêu nghiên cứu các yếu tố tác động đến cấu trúc tài chính doanh nghiệp không phải là vấn đề mới nhưng cần thiết có sự cập nhật, nghiên cứu lại liên tục để thích ứng kịp thời với những biến đổi mới.

Theo Cục quản lý đăng ký kinh doanh, số doanh nghiệp thành lập mới trong Quý I/2022 là 34.590 doanh nghiệp, điều này cho thấy sự cạnh tranh khốc liệt giữa các doanh nghiệp để giữ vững được vị thế, chỗ đứng của công ty trên thị trường. Do đó để có sự cập nhật liên tục và có cái nhìn tổng quan nhất, nhóm lựa chọn nghiên cứu cấu trúc tài chính nhóm cổ phiếu VN30 được niêm yết trên Sở giao dịch Chứng khoán Thành phố Hồ Chí Minh. VN30 là nhóm gồm 30 cổ phiếu có tính thanh khoản cao, giá trị vốn hóa lớn (chiếm đến 80% tổng giá trị vốn hóa của thị trường chứng khoán Việt Nam). Các công ty niêm yết nằm trong rổ chỉ số VN30 được đánh giá cao về mặt quản trị công ty so với mặt bằng chung, nhóm các doanh nghiệp đầu ngành trong lĩnh vực tương ứng. Rổ VN30 yêu cầu các doanh nghiệp cần dẫn đầu ngành về doanh thu, lợi nhuận, thương hiệu đứng đầu trong các lĩnh vực và ngành nghề. Dựa trên những cơ sở đó, em đã lựa chọn đề tài “Mô phỏng các yếu tố tác động đến cấu trúc tài chính của các doanh nghiệp VN30.”

3.2 Mục tiêu nghiên cứu

Mục tiêu chung: mô phỏng các yếu tố tác động tới cấu trúc tài chính của doanh nghiệp trong VN30 (trừ các công ty tài chính) giai đoạn 2014 – 2020, nhằm tìm ra những giải pháp để các doanh nghiệp đưa ra những cấu trúc tài chính thích hợp.

Mục tiêu cụ thể

  • Xác định yếu tố quan trọng tác động đến cấu trúc tài chính của doanh nghiệp.

  • Đo lường và mô phỏng mức độ tác động của các yếu tố đến cấu trúc tài chính của các doanh nghiệp VN30 (trừ các công ty tài chính).

  • Đề xuất giải pháp dựa vào kết quả nghiên cứu.

3.3 Đối tượng và phạm vi nghiên cứu

3.3.1 Đối tượng nghiên cứu

Các yếu tố tác động đến cấu trúc tài chính của doanh nghiệp trong VN30 gồm Khả năng sinh lời (PROF); (2) Lá chắn thuế phi nợ vay (NDTS); (3) Quy mô doanh nghiệp (SIZE); (4) Cơ hội tăng trưởng (GROW) và (5) Tính thanh khoản (LIQ),(6)Cấu trúc tài sản hữu hình (TANG).

3.3.2 Phạm vi nghiên cứu

Phạm vi không gian: 18 công ty trong nhóm VN30 được công bố niêm yết trên Sàn giao dịch Chứng khoán Thành phố Hồ Chí Minh đầu năm 2022

Phạm vi thời gian: 2014 – 2020.

3.3.3 Dữ liệu nghiên cứu

Theo Sở Giao dịch Chứng Khoán TP.HCM (HOSE) đã công bố danh mục cổ phiếu thành phần chỉ số VN30 trong đầu năm 2022. Sau khi loại bỏ những công ty tài chính đó thì còn lại 18 công ty. Trong đó, có 2 công ty bán lẻ (CTCP Vincom Retail, CTCP đầu tư TGDĐ), 5 công ty xây dựng và phát triển bất động sản (Tập đoàn Vingroup, Tập đoàn Vinhomes, CTCP đầu tư địa ốc Nova, CTCP đầu tư và kinh doanh nhà Khang Điền, CTCP phát triển bất động sản Phát Đạt), 3 công ty sản xuất thực phẩm - đồ uống (CTCP Sữa Vinamilk Việt Nam, Tổng CTCP Bia - rượu - nước giải khát Sài Gòn, CTCP tập đoàn Masan), 1 công ty công nghệ và thông tin (Tập đoàn FPT), 1 công ty sản xuất nhựa - hoá chất (Tập đoàn công nghiệp cao su Việt Nam), 1 công ty vật liệu xây dựng (Tập đoàn Hoà Phát), 1 công ty trang sức (CTCP vàng bạc, đá quý Phú Nhuận), 1 công ty tiện ích (CTCP Khí Việt Nam), 1 công ty vận tải - kho bãi (CTCP hàng không Vietjet), 1 công ty xuất nhập khẩu (CTCP Xăng dầu Việt Nam), 1 công ty bán buôn (Tổng công ty điện lực dầu khí Việt Nam) và dữ liệu được thu thập từ các báo cáo tài chính đã được kiểm toán của 18 công ty này giai đoạn 2014 – 2020.

library(readxl)
data <- read_excel("C:/data/mpnn.xlsx")
data
## # A tibble: 126 × 11
##      STT Congty    ID   Nam     TANG   PROF     NDTS  SIZE    GROW   LIQ  TLEV
##    <dbl> <chr>  <dbl> <dbl>    <dbl>  <dbl>    <dbl> <dbl>   <dbl> <dbl> <dbl>
##  1    NA VRE        1  2014 0.000383 0.0559 0.000226  6.28 NA      2.25  0.604
##  2    NA VRE        1  2015 0.000898 0.0710 0.000675  6.78  0.201  0.914 0.586
##  3    NA VRE        1  2016 0.0106   0.112  0.00116   6.81 -0.0449 2.70  0.280
##  4    NA VRE        1  2017 0.00359  0.0708 0.00127   6.74  0.112  1.64  0.316
##  5    NA VRE        1  2018 0.00729  0.0886 0.00216   6.96  0.0144 1.14  0.263
##  6    NA VRE        1  2019 0.0126   0.108  0.00363   6.97 -0.0735 1.06  0.248
##  7     1 VRE        1  2020 0.0108   0.0868 0.00416   6.92  0.111  1.98  0.263
##  8    NA POW        2  2014 0.521    0.0901 0.283     7.39 NA      1.32  0.643
##  9    NA POW        2  2015 0.717    0.0651 0.234     7.37  0.449  0.923 0.636
## 10    NA POW        2  2016 0.688    0.0434 0.301     7.45 -0.0218 1.02  0.616
## # ℹ 116 more rows

3.4 Phương pháp nghiên cứu

Sử dụng phương pháp mô phỏng Monte Carlo để mô phỏng các yếu tố tác động đến cấu trúc tài chính của các doanh nghiệp VN30.

4 CƠ SỞ LÝ THUYẾT

4.1 Tổng quan về cấu trúc tài chính doanh nghiệp

4.1.1 Khái niệm

Hệ thống tài chính là một thực thể phức tạp về cấu trúc và chức năng ở mọi nơi trên thế giới. Nó bao gồm nhiều tổ chức khác nhau như: Ngân hàng, các công ty bảo hiểm, các quĩ tương hỗ, các thị trường cổ phiếu và trái phiếu… Cấu trúc tài chính doanh nghiệp là nền tảng để xây dựng nên hệ thống tài chính, giúp nền kinh tế duy trì khỏe mạnh và năng động.

4.1.2 Đặc điểm

Cấu trúc tài chính doanh nghiệp có những đặc điểm cơ bản sau:

  • Cổ phiếu không phải nguồn tài trợ quan trọng nhất cho doanh nghiệp: Bởi vì các phương tiện truyền thông đã tập trung quá nhiều sự chú ý vào thị trường cổ phiếu, khiến cho nhiều người có cảm giác rằng cổ phiếu là nguồn tài trợ quan trọng nhất cho các doanh nghiệp hiện nay. Tuy nhiên thực tế lại không phải như vậy, cổ phiếu chỉ chiếm một tỉ trọng rất nhỏ trong cấu trúc tài chính doanh nghiệp mà thôi .

  • Việc phát hành chứng khoán nợ và chứng khoán vốn không phải là kênh chủ yếu để tài trợ cho hoạt động doanh nghiệp: Đối với Mỹ thì trái phiếu có vai trò lớn hơn nhiều so với cổ phiếu, tuy nhiên cả hai nguồn này cũng chỉ chiến 43% cấu trúc tài chính, tức chưa đạt được mức 50%. Đối với các nước còn lại, tỉ trọng này còn nhỏ hơn nhiều.

  • Tài chính gián tiếp trong nhiều trường hợp đóng vai trò quan trọng hơn nhiều tài chính trực tiếp: Tài chính trực tiếp là việc bán các chứng khoán như cổ phiếu và trái phiếu trực tiếp cho các nhà đầu tư. Tại Mỹ, nguồn tài trợ bằng trái phiếu và cổ phiếu chiếm tới 43% tổng nguồn vốn của doanh nghiệp, điều này nói lên vai trò quan trọng của tài chính trực tiếp trong hệ thống tài chính của Mỹ.

  • Các trung gian tài chính, đặc biệt là các ngân hàng, là nguồn tài trợ vốn quan trọng nhất cho các doanh nghiệp: Nguồn vốn tài trợ cho doanh nghiệp được cấu thành chủ yếu từ tín dụng ngân hàng và tín dụng của các trung gian tài chính phi ngân hàng. Tại các nước phát triển thì tín dụng ngân hàng vẫn chiếm tỉ trọng lớn nhất trong các loại hình tài trợ.

  • Hệ thống tài chính là một trong lĩnh vực được điều tiết nhiều nhất trong nền kinh tế: Hệ thống tài chính là lĩnh vực được quan tâm điều tiết nhất bởi chính phủ các nước. Chính phủ điều tiết thị trường tài chính chủ yếu là để thúc đẩy việc cung cấp thông tin và để bảo đảm sự ổn định của hệ thống tài chính.

  • Thế chấp tài sản là đặc điểm phổ biết của các hợp đồng vay nợ đối với hộ gia đình cũng như doanh nghiệp: Thế chấp là việc đem tài sản của mình làm vật bảo đảm cho khoản vay. Khoản vay có thế chấp, hay khoản vay có bảo đảm, là hình thức tín dụng phổ biến nhất đối với các hộ gia đình cũng như doanh nghiệp.

  • Các hợp đồng nợ có đặc trưng gồm những điều khoản có tính pháp lí đặc biệt phức tạp nhằm điều chỉnh người vay: Các hợp đồng tín dụng của ngân hàng vô cùng phức tạp về mặt pháp lí, là một chứng thư gồm nhiều trang, bao gồm nhiều điều khoản qui định cụ thể người vay chỉ được làm những gì với khoản tiền vay được.

4.2 Các yếu tố tác động đến cấu trúc tài chính (input)

  • Quy mô doanh nghiệp(SIZE): Quy mô của doanh nghiệp thường được thể hiện qua chỉ tiêu tổng tài sản hoặc tổng doanh thu của doanh nghiệp, được đo lường bằng cách lấy logarit tự nhiên của doanh thu thuần, khi quy mô doanh nghiệp càng lớn tạo điều kiện trang bị được công nghệ hiện đại hơn để có thể dạng hóa dịch vụ. Vì vậy, nghiên cứu này cũng dự đoán SIZE ảnh hưởng tích cực đến biến phụ thuộc.

                       SIZE = log(doanh thu thuần)

  • Cấu trúc tài sản hữu hình của doanh nghiệp(TANG): thường là bất động sản hoặc tài sản cá nhân như cao ốc, máy móc và bất động sản. Tài sản hữu hình khác với tài sản vô hình như nhãn hiệu thương mại, bản quyền, thương hiệu và tài nguyên thiên nhiên (đất rừng, dự trữ dầu và trữ lượng than). Cũng bao gồm các khoản phải thu của một doanh nghiệp.

                    TANG = tài sản hữu hình/ tổng tài sản

  • Khả năng sinh lời của doanh nghiệp(PROF): đánh giá khả năng tạo ra lợi nhuận của một doanh nghiệp trong thời gian dài, giả sử tất cả các điều kiện hoạt động hiện tại nói chung là không đổi. Khả năng sinh lời phản ánh mối quan hệ giữa quy mô và lợi nhuận của một doanh nghiệp trong một thời hạn nhất định. Thông thường, khả năng sinh lời của doanh nghiệp sẽ được tính bằng công thức tổng lợi nhuận EBIT chia cho tổng tài sản sử dụng.

                       PROF = EBIT/tổng tài sản

  • Lá chắn thuế phi nợ vay(NDTS): lợi thế của doanh nghiệp khi sử dụng vốn vay là chi phí lãi vay sẽ được khấu trừ khỏi thu nhập chịu thuế. Do đó, lãi vay thường được ví như “lá chắn thuế” (tax-shield) giúp doanh nghiệp tiết kiệm được một phần chi phí thuế.

                       NDTS = khấu hao/tổng tài sản

-Cơ hội tăng trưởng (GROW) được đo lường bằng cách lấy phần trăm của thay đổi tổng tài sản. GROW = % thay đổi tổng tài sản

  • Tính thanh khoản của doanh nghiệp(LIQ): thể hiện khả năng thanh toán của doanh nghiệp đó tại từng thời điểm. Điều này thể hiện trong việc sử dụng tài sản lưu động như tiền mặt, hàng tồn kho, các khoản phải thu, chứng khoán và tài sản ngắn hạn để đáp ứng các khoản nợ ngắn hạn. LIQ = tài sản ngắn hạn/ nợ ngắn hạn

4.3 Cấu trúc tài chính (output)

TLEV là tổng đòn bẩy nợ đo lường mức độ sử dụng nợ vay của doanh nghiệp để tài trợ cho tổng tài sản đó, hệ số này nếu cao thể hiện sự bất lợi đối với các chủ nợ nhưng lại có lợi cho chủ sở hữu nếu đồng vốn được sử dụng có khả năng sinh lợi cao. Tuy nhiên, chỉ số này quá thấp cũng có hàm ý cho thấy doanh nghiệp chưa tận dụng kênh huy động vốn bằng nợ, tức chưa khai thác tốt đòn bẩy tài chính.

                 TLEV = tổng nợ / tổng tài sản

5 KÉT QUẢ NGHIÊN CỨU

5.1 Mô hình đề xuất

    TLEV = β0 + β1TANG + β2PROF + β3NDTS +  β5SIZE + β6GROW + β7LIQ

5.2 Thống kê mô tả cho các biến

5.2.1 Biến TANG

summary(data$TANG)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 0.000057 0.014125 0.155179 0.177294 0.273412 0.725045
sd(data$TANG)
## [1] 0.1714093

TANG – tài sản cố định hữu hình có giá trị trung bình 17.7294% và độ lệch chuẩn là 17.1409%. Qua thông số này ta có thể thấy tỷ lệ tài sản cố định hữu hình trên tổng tài sản của các doanh nghiệp thu thập ở mức cao, phản ánh định hướng hoạt động kinh doanh của doanh nghiệp mang tính đầu tư dài hạn, mức độ rủi ro kinh doanh cao. Bên cạnh đó, sự biến động của cơ cấu tài sản hữu hình được đo lường bằng độ lệch chuẩn (17.1409%) tương đối cao, nó cho thấy sự khác biệt lớn trong mức độ đầu tư tài sản hữu hình của doanh nghiệp vì cơ cấu tài sản phản ánh đặc trưng về lĩnh vực hoạt động kinh doanh của doanh nghiệp.Và theo đó, doanh nghiệp có giá trị TANG cao nhất là 72.5045% (của POW năm 2017) và doanh nghiệp có giá trị TANG thấp nhất là 0.0057% (của PDR năm 2015).

5.2.2 Biến PROF

summary(data$PROF)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 0.004604 0.067496 0.104458 0.127996 0.173272 0.425139
sd(data$PROF)
## [1] 0.08541452

PROF – tỷ suất sinh lời cơ bản của tài sản (có giá trị trung bình 12.7996% và độ lệch chuẩn là 8.5415%) cho biết cứ 100 đồng tài sản đầu tư vào kinh doanh thì đem về 12.7996 đồng lợi nhuận trước thuế và lãi vay. Qua giá trị trung bình chỉ tiêu, ta có thể đánh giá cao hiệu quả sử dụng tài sản cố định của các doanh nghiệp. Cùng với đó, độ lệch chuẩn (8.5415%) không cao cho thấy không có sự sai khác về hiệu quả kinh doanh của các doanh nghiệp. Và trên thực tế, doanh nghiệp có giá trị PROF cao nhất là 42.5139% (của VNM năm 2016) và doanh nghiệp có giá trị PROF thấp nhất là 0.4604% (của VJC năm 2020)

5.2.3 Biến NDTS

summary(data$NDTS)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 0.000160 0.005096 0.074756 0.129536 0.195425 0.648487
sd(data$NDTS)
## [1] 0.1502477

NDTS – lợi ích thuế phi nợ vay (có giá trị trung bình 12.9536% và độ lệch chuẩn là 15.0248%). Với lượng lượng tài sản cố định hữu hình trong doanh nghiệp cao, đồng nghĩa với chi phí khấu hao cao. Theo đó, doanh nghiệp có giá trị NDTS cao nhất là 64.8487% (của POW năm 2020) và doanh nghiệp có giá trị NDTS thấp nhất là 0.016% (của VHM năm 2018).

5.2.4 Biến SIZE

summary(data$SIZE)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   5.605   7.039   7.445   7.337   7.719   8.316
sd(data$SIZE)
## [1] 0.5603691

SIZE – Quy mô doanh nghiệp (có giá trị trung bình 733,7% và độ lệch chuẩn là 56,03%). Qua bảng thống kê mô tả cho ta thấy tổng tài sản của các doanh nghiệp trong VN30 với có sự chênh lệch tương đối lớn trong giai đoạn 2014-2020 với độ lệch chuẩn 56,03% khoảng cách quy mô khác biệt lớn giữa các doanh nghiệp trong VN30 với nhau. Theo đó, doanh nghiệp có giá trị quy mô lớn nhất là doanh nghiệp PLX với 8.315.510 triệu đồng năm 2014, doanh nghiệp có quy mô nhỏ nhất là doanh nghiệp PDR với 5.604.781 triệu đồng năm 2015.

5.2.5 BIẾN LIQ

summary(data$LIQ)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.6147  1.1205  1.4051  2.0115  2.2423 10.1647
sd(data$LIQ)
## [1] 1.501388

LIQ – Thanh khoản (có giá trị trung bình là 201,4% với độ lệch chuẩn 150,13%) cho thấy mức độ tương đồng trong việc đảm bảo khả năng thanh khoản của các doanh nghiệp trong VN30 tại Việt Nam.

5.2.6 Biến GROW

summary(data$GROW)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max.     NA's 
## -0.16202  0.02096  0.14620  0.22374  0.33897  1.73717       18

GROW - Cơ hội tăng trưởng ( có giá trị trung bình 22,37%).Qua bảng thống kê mô tả cho ta thấy cơ hội tăng trưởng của các doanh nghiệp trong VN30 thuộc mức trung bình nhưng vẫn đảm bảo doanh nghiệp vẫn phát triển trong tương lai. Trong đó doanh nghiệp có giá trị GROW cao nhất là 173,71% ( của KDH năm 2015); doanh nghiệp có giá trị GROW thấp nhấp là -16,2% ( của FPT năm 2017).

5.3 Vẽ đồ thị và kiểm tra phân phối các biến đầu vào

## *Đồ thị biến TANG*
hist(data$TANG)

## *Kiểm định phân phối chuẩn biến TANG*
shapiro.test(data$TANG)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$TANG
## W = 0.86538, p-value = 2.511e-09

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

## *Đồ thị biến PROF*
hist(data$PROF)

## *Kiểm định phân phối chuẩn biến PROF*
shapiro.test(data$PROF)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$PROF
## W = 0.90351, p-value = 1.714e-07

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

## *Đồ thị biến NDTS*
hist(data$NDTS)

## *Kiểm định phân phối chuẩn biến NDTS*
shapiro.test(data$NDTS)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$NDTS
## W = 0.81969, p-value = 3.943e-11

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

## *Đồ thị biến SIZE*
hist(data$SIZE)

## *Kiểm định phân phối chuẩn biến SIZE*
shapiro.test(data$SIZE)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$SIZE
## W = 0.95145, p-value = 0.0001885

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

## *Đồ thị biến GROW*
hist(data$GROW)

## *Kiểm định phân phối chuẩn biến GROW*
shapiro.test(data$GROW)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$GROW
## W = 0.81611, p-value = 2.768e-10

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

## *Đồ thị biến LIQ*
hist(data$LIQ)

## *Kiểm định phân phối chuẩn biến LIQ*
shapiro.test(data$LIQ)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$LIQ
## W = 0.72227, p-value = 3.916e-14

Đặt giả thuyết

H0: Dãy số liệu tuân theo PP chuẩn

Ta thấy p_value<0.05, bác bỏ H0 nên dãy số liệu không tuân theo pp chuẩn.

5.4 Mô hình hồi quy

mh <- lm(data$TLEV ~ data$TANG + data$PROF + data$NDTS + data$SIZE +data$GROW + data$LIQ )
summary(mh)
## 
## Call:
## lm(formula = data$TLEV ~ data$TANG + data$PROF + data$NDTS + 
##     data$SIZE + data$GROW + data$LIQ)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.28549 -0.07320  0.02373  0.07911  0.22326 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -0.2075257  0.2455261  -0.845 0.399981    
## data$TANG    0.0781234  0.1107288   0.706 0.482099    
## data$PROF   -1.1297601  0.1594902  -7.084 1.92e-10 ***
## data$NDTS   -0.4941144  0.1368656  -3.610 0.000478 ***
## data$SIZE    0.1209288  0.0329375   3.671 0.000388 ***
## data$GROW    0.1513334  0.0425430   3.557 0.000573 ***
## data$LIQ     0.0009203  0.0105301   0.087 0.930528    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1199 on 101 degrees of freedom
##   (18 observations deleted due to missingness)
## Multiple R-squared:   0.57,  Adjusted R-squared:  0.5445 
## F-statistic: 22.32 on 6 and 101 DF,  p-value: < 2.2e-16

Dựa theo kết quả hồi quy, ta thấy biến TANG và biến LIQ không có ý nghĩa thống kê (p_value> 1%) cho nên ta sẽ loại hai biến này ra khỏi mô hình hồi quy.

# Mô hình hồi quy sau khi loại hai biến TANG và LIQ
mh <- lm(data$TLEV ~ data$PROF + data$NDTS + data$SIZE +data$GROW )
summary(mh)
## 
## Call:
## lm(formula = data$TLEV ~ data$PROF + data$NDTS + data$SIZE + 
##     data$GROW)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.29027 -0.07439  0.01737  0.08291  0.22409 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -0.21740    0.17897  -1.215 0.227240    
## data$PROF   -1.15932    0.15059  -7.699 8.71e-12 ***
## data$NDTS   -0.43001    0.09216  -4.666 9.26e-06 ***
## data$SIZE    0.12377    0.02532   4.889 3.74e-06 ***
## data$GROW    0.15074    0.04212   3.579 0.000528 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.119 on 103 degrees of freedom
##   (18 observations deleted due to missingness)
## Multiple R-squared:  0.5678, Adjusted R-squared:  0.551 
## F-statistic: 33.83 on 4 and 103 DF,  p-value: < 2.2e-16

Thep kết quả, ta có mô hình:

TLEV = -0.2075257 -1.15932PROF -0.43001NDTS + 0.12377SIZE + 0.15074GROW

Theo kết quả ta thấy các biến độc lập đều có ý nghĩa thống kê với mức ý nghĩa 1% và R-squares= 0.551 cho thấy mô hình tương đối tốt.

Biến PROF (Khả năng sinh lời) tương quan ngược chiều với tổng đòn bẩy nợ ở mức ý nghĩa 1%. Các doanh nghiệp có mức lợi nhuận cao thường ưa thích sử dụng tài chính nội bộ doanh nghiệp như lợi nhuận giữ lại hơn là huy động vốn bên ngoài.

Biến NDTS (Lá chắn thuế phi nợ vay) có tác động ngược chiều lên tổng đòn bẩy nợ, hệ số này có ý nghĩa tại mức 1%.

Biến SIZE (Quy mô doanh nghiệp) tác động cùng chiều với tổng đòn bẩy nợ và có ý nghĩa thống kê ở mức 1%. Theo đó, các công ty lớn ưa thích sử dụng nợ hơn để tài trợ cho hoạt động của công ty và các công ty nhỏ sẽ ưa thích sử dụng vốn cổ phần hơn. Một cách giải thích khác là quy mô doanh nghiệp càng lớn chứng tỏ tiềm lực tài chính càng mạnh, rủi ro phá sản thấp. Thêm vào đó, doanh nghiệp với quy mô lớn thì có danh tiếng tốt hơn trên thị trường nợ, các ngân hàng thương mại, khách hàng, nhà cung cấp trên thị trường có mối quan hệ gần gũi hơn, có được niềm tin từ chủ nợ nên khả năng tiếp cận vốn vay dễ dàng và giảm được chi phí giao dịch khi phát hành nợ dài hạn.

Biến GROW (Cơ hội tăng trưởng) có tác động cùng chiều lên tổng đòn bẩy nợ, hệ số này có ý nghĩa tại mức 1%. Theo đó, khi tổng đòn bẩy nợ tăng 1% thì cơ hội tăng trưởng tăng 15.07 %. Điều này hàm ý rằng các công ty đã tận dụng được, khai thác được đòn bẩy tài chính khá tốt làm cho đồng vốn được sử dụng có khả năng sinh lợi cao. Tuy nhiên điều này cũng mang lại bất lợi cho các nhà đầu tư khi gặp các rủi ro khi có sự kiện bất ngờ xảy ra công ty có thể gặp tình trạng kiệt quệ tài chính.

5.5 Mô phỏng cho dữ liệu đầu vào

library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

5.5.1 Biến PROF

n_bins <- 10
breaks <- quantile(data$PROF, probs = seq(0, 1, length.out = n_bins + 1), type = 1, na.rm = TRUE)

prof1 <- sapply(2:length(breaks), function(i) sample(data$PROF[data$PROF >= breaks[i - 1] & data$PROF <= breaks[i]], 10, replace = TRUE))
prof2 <- table(prof1)
prof3 <- as.data.frame(prof2) %>%
       mutate(tansuat = Freq/sum(Freq))
prof3
##       prof1 Freq tansuat
## 1  0.004604    4    0.04
## 2  0.016471    1    0.01
## 3  0.022651    1    0.01
## 4  0.034038    2    0.02
## 5  0.034624    1    0.01
## 6  0.043389    2    0.02
## 7  0.044859    2    0.02
## 8     0.047    2    0.02
## 9  0.052664    1    0.01
## 10 0.055862    1    0.01
## 11 0.055975    1    0.01
## 12 0.056434    1    0.01
## 13 0.058684    2    0.02
## 14 0.059987    2    0.02
## 15 0.061787    1    0.01
## 16 0.065144    2    0.02
## 17 0.066624    1    0.01
## 18 0.068558    1    0.01
## 19 0.070963    2    0.02
## 20 0.074493    1    0.01
## 21 0.076041    2    0.02
## 22 0.078665    1    0.01
## 23 0.079169    1    0.01
## 24 0.079382    1    0.01
## 25 0.083576    1    0.01
## 26 0.085963    3    0.03
## 27 0.088618    1    0.01
## 28 0.089749    1    0.01
## 29 0.090055    2    0.02
## 30 0.092203    1    0.01
## 31 0.093561    1    0.01
## 32 0.100097    2    0.02
## 33   0.1007    1    0.01
## 34 0.104254    2    0.02
## 35 0.108122    1    0.01
## 36 0.113567    3    0.03
## 37 0.115869    1    0.01
## 38 0.119221    1    0.01
## 39 0.119546    1    0.01
## 40 0.126312    1    0.01
## 41 0.133311    1    0.01
## 42 0.133438    1    0.01
## 43 0.135351    1    0.01
## 44  0.13565    1    0.01
## 45 0.137992    1    0.01
## 46 0.141662    1    0.01
## 47 0.143094    2    0.02
## 48 0.143743    1    0.01
## 49 0.146612    2    0.02
## 50 0.155386    2    0.02
## 51 0.159461    2    0.02
## 52 0.166276    1    0.01
## 53 0.168085    1    0.01
## 54 0.175001    1    0.01
## 55 0.176868    1    0.01
## 56 0.185013    2    0.02
## 57 0.186524    2    0.02
## 58 0.196081    1    0.01
## 59  0.19675    2    0.02
## 60 0.207922    1    0.01
## 61 0.210765    1    0.01
## 62 0.239241    1    0.01
## 63 0.242578    2    0.02
## 64 0.245516    1    0.01
## 65 0.261053    1    0.01
## 66 0.277973    1    0.01
## 67 0.282091    1    0.01
## 68 0.288693    1    0.01
## 69 0.323905    1    0.01
## 70 0.348379    1    0.01
## 71 0.368088    1    0.01
## 72 0.425139    2    0.02
Prof3 <-prof3$tansuat
mophong1 <- sample(x=prof3$prof1, 10000, replace = TRUE, prob= Prof3)
mophong2 <-  as.character(mophong1)
x1 <- as.numeric(mophong2)
hist(x1)

### Biến NDTS

n_bins <- 10
breaks <- quantile(data$NDTS, probs = seq(0, 1, length.out = n_bins + 1), type = 1, na.rm = TRUE)

ndts1 <- sapply(2:length(breaks), function(i) sample(data$NDTS[data$NDTS >= breaks[i - 1] & data$NDTS <= breaks[i]], 10, replace = TRUE))
ndts2 <- table(ndts1)
ndts3 <- as.data.frame(ndts2) %>%
       mutate(tansuat = Freq/sum(Freq))
ndts3
##       ndts1 Freq tansuat
## 1  0.000226    1    0.01
## 2  0.000272    1    0.01
## 3   0.00058    2    0.02
## 4  0.000648    1    0.01
## 5  0.000718    2    0.02
## 6  0.000883    1    0.01
## 7  0.000925    1    0.01
## 8  0.001148    1    0.01
## 9  0.001159    1    0.01
## 10 0.001217    1    0.01
## 11 0.001819    1    0.01
## 12 0.002158    1    0.01
## 13 0.002297    2    0.02
## 14  0.00232    1    0.01
## 15 0.002428    2    0.02
## 16 0.002614    1    0.01
## 17 0.003007    2    0.02
## 18 0.003129    3    0.03
## 19  0.00363    1    0.01
## 20 0.004155    2    0.02
## 21 0.004637    1    0.01
## 22 0.006073    1    0.01
## 23  0.00765    1    0.01
## 24 0.007909    1    0.01
## 25 0.016622    1    0.01
## 26 0.017678    2    0.02
## 27 0.020092    2    0.02
## 28 0.027466    1    0.01
## 29 0.029079    2    0.02
## 30 0.035449    1    0.01
## 31 0.036633    1    0.01
## 32 0.037134    1    0.01
## 33 0.044614    1    0.01
## 34 0.044701    1    0.01
## 35 0.045541    1    0.01
## 36 0.058318    3    0.03
## 37 0.061205    1    0.01
## 38 0.088307    1    0.01
## 39 0.090465    2    0.02
## 40 0.096477    1    0.01
## 41 0.103915    1    0.01
## 42 0.123743    2    0.02
## 43  0.12556    1    0.01
## 44 0.127399    1    0.01
## 45 0.131614    2    0.02
## 46 0.142184    2    0.02
## 47 0.143323    1    0.01
## 48   0.1499    1    0.01
## 49 0.155261    1    0.01
## 50 0.156102    3    0.03
## 51 0.168806    3    0.03
## 52 0.175771    1    0.01
## 53 0.191584    3    0.03
## 54 0.191636    2    0.02
## 55 0.205762    1    0.01
## 56 0.240718    1    0.01
## 57 0.256496    3    0.03
## 58 0.263007    1    0.01
## 59 0.266807    2    0.02
## 60 0.279274    1    0.01
## 61 0.283231    1    0.01
## 62 0.295676    1    0.01
## 63 0.309503    1    0.01
## 64 0.310867    2    0.02
## 65 0.340287    1    0.01
## 66 0.470706    1    0.01
## 67 0.502148    2    0.02
## 68 0.531947    2    0.02
## 69 0.579107    1    0.01
## 70 0.648487    1    0.01
Ndts3 <-ndts3$tansuat
mophong3 <- sample(x=ndts3$ndts1, 10000, replace = TRUE, prob= Ndts3)
mophong4 <-  as.character(mophong3)
x2 <- as.numeric(mophong4)
hist(x2)

5.5.2 Biến SIZE

n_bins <- 10
breaks <- quantile(data$SIZE, probs = seq(0, 1, length.out = n_bins + 1), type = 1, na.rm = TRUE)

size1 <- sapply(2:length(breaks), function(i) sample(data$SIZE[data$SIZE >= breaks[i - 1] & data$SIZE <= breaks[i]], 10, replace = TRUE))
size2 <- table(size1)
size3 <- as.data.frame(size2) %>%
       mutate(tansuat = Freq/sum(Freq))
size3
##       size1 Freq tansuat
## 1  5.618343    1    0.01
## 2  5.793147    1    0.01
## 3  6.122749    1    0.01
## 4  6.175125    2    0.02
## 5  6.284992    1    0.01
## 6  6.331975    1    0.01
## 7  6.447439    1    0.01
## 8  6.484984    1    0.01
## 9  6.531503    2    0.02
## 10 6.594574    1    0.01
## 11 6.701253    2    0.02
## 12 6.741801    1    0.01
## 13  6.77511    1    0.01
## 14 6.824349    1    0.01
## 15 6.886962    2    0.02
## 16 6.920589    3    0.03
## 17 6.932707    2    0.02
## 18 6.960183    1    0.01
## 19 6.966576    1    0.01
## 20 7.038659    1    0.01
## 21 7.049891    1    0.01
## 22 7.163493    1    0.01
## 23 7.171293    1    0.01
## 24 7.184419    1    0.01
## 25 7.184615    1    0.01
## 26 7.191589    1    0.01
## 27 7.197466    1    0.01
## 28 7.206519    3    0.03
## 29 7.235974    1    0.01
## 30 7.297204    1    0.01
## 31 7.302323    1    0.01
## 32 7.325113    1    0.01
## 33 7.365741    1    0.01
## 34 7.386615    1    0.01
## 35 7.391127    1    0.01
## 36 7.433679    1    0.01
## 37 7.438589    1    0.01
## 38 7.439322    1    0.01
## 39 7.442746    3    0.03
## 40  7.44285    2    0.02
## 41  7.45043    2    0.02
## 42 7.474659    3    0.03
## 43 7.533942    1    0.01
## 44 7.548687    2    0.02
## 45 7.555681    1    0.01
## 46 7.572338    1    0.01
## 47 7.575426    2    0.02
## 48 7.578628    1    0.01
## 49 7.581923    1    0.01
## 50 7.602932    2    0.02
## 51 7.630007    1    0.01
## 52 7.636458    1    0.01
## 53 7.704176    2    0.02
## 54 7.712876    1    0.01
## 55 7.720671    1    0.01
## 56 7.746918    1    0.01
## 57 7.750648    2    0.02
## 58 7.771413    1    0.01
## 59 7.775511    3    0.03
## 60 7.807095    2    0.02
## 61 7.809711    1    0.01
## 62  7.85459    1    0.01
## 63 7.875092    2    0.02
## 64 7.887717    1    0.01
## 65 7.951095    2    0.02
## 66 8.035614    2    0.02
## 67 8.090246    1    0.01
## 68 8.093137    1    0.01
## 69 8.114064    2    0.02
## 70 8.167069    1    0.01
## 71 8.283148    1    0.01
## 72  8.31551    2    0.02
Size3 <-size3$tansuat
mophong5 <- sample(x=size3$size1, 10000, replace = TRUE, prob= Size3)
mophong6 <-  as.character(mophong5)
x3 <- as.numeric(mophong6)
hist(x3)

### Biến GROW

n_bins <- 10
breaks <- quantile(data$GROW, probs = seq(0, 1, length.out = n_bins + 1), type = 1, na.rm = TRUE)

grow1 <- sapply(2:length(breaks), function(i) sample(data$GROW[data$GROW >= breaks[i - 1] & data$GROW <= breaks[i]], 10, replace = TRUE))
grow2 <- table(grow1)
grow3 <- as.data.frame(grow2) %>%
       mutate(tansuat = Freq/sum(Freq))
grow3
##        grow1 Freq    tansuat
## 1  -0.074949    1 0.03333333
## 2  -0.021753    1 0.03333333
## 3  -0.013928    1 0.03333333
## 4  -0.006957    1 0.03333333
## 5   0.015299    1 0.03333333
## 6   0.015637    2 0.06666667
## 7   0.016553    1 0.03333333
## 8   0.016559    1 0.03333333
## 9   0.051832    1 0.03333333
## 10  0.052665    1 0.03333333
## 11  0.091691    1 0.03333333
## 12  0.122226    1 0.03333333
## 13  0.149492    1 0.03333333
## 14  0.193813    1 0.03333333
## 15  0.224232    1 0.03333333
## 16  0.245804    1 0.03333333
## 17  0.301101    1 0.03333333
## 18  0.346983    1 0.03333333
## 19  0.356548    1 0.03333333
## 20  0.475288    1 0.03333333
## 21  0.482644    2 0.06666667
## 22  0.506648    1 0.03333333
## 23  0.536437    1 0.03333333
## 24  0.577966    1 0.03333333
## 25  0.634029    2 0.06666667
## 26   0.64795    1 0.03333333
## 27  0.650981    1 0.03333333
Grow3 <-grow3$tansuat
mophong7 <- sample(x=grow3$grow1, 10000, replace = TRUE, prob= Grow3)
mophong8 <-  as.character(mophong7)
x4 <- as.numeric(mophong8)
hist(x4)

5.6 Mô phỏng dữ liệu đầu ra

TLEV <- -0.2075257 -1.15932*x1 -0.43001*x2 +  0.12377*x3 + 0.15074*x4
hist(TLEV)

summary(TLEV)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -0.1362  0.4571  0.5576  0.5393  0.6426  0.9138

Tổng đòn bẩy nợ có giá trị trung bình là 0.5221<1, có 50% doanh nghiệp có tổng đòn bẩy nợ = 0.5408 cho thấy các phần đáng kể tài sản của các doanh nghiệp được tài trợ bởi vốn chủ sở hữu, các doanh nghiệp vẫn đang duy trì có khả năng thanh toán được bằng việc sử dụng các tài sản sẵn có của mình.

5.7 Phân tích sau khi mô phỏng

TLEVthap <- TLEV[TLEV<0.5]
TLEVcao <- TLEV[TLEV>0.5]
table(cut(TLEV, breaks = 2, labels= c('thap','cao')))
## 
## thap  cao 
## 1455 8545
length(TLEVthap)/length(TLEV)
## [1] 0.3448
length(TLEVcao)/length(TLEV)
## [1] 0.6552

Theo kết quả mô phỏng với 10000 quan sát cho thấy, có 1785 quan sát có tổng đòn bẩy nợ thap, 8215 quan sát có tổng đòn bẩy nợ cao, xác suất để tổng đòn bẩy nợ thấp là 39% và xác suất để tổng đòn bẩy nợ cao là 61%.

6 KẾT LUẬN VÀ KHUYẾN NGHỊ

6.1 KẾT LUẬN

Các biến có ý nghĩa thống kê đối với TLEV là khả năng sinh lời (PROF), lợi ích thuế phi nợ vay (NDTS), quy mô doanh nghiệp (SIZE), cơ hội tăng trưởng (GROW).

Quản trị tài chính đóng vai trò quan trọng trong hệ thống quản trị của doanh nghiệp, nó phục vụ cho mục tiêu kinh doanh tối đa hóa lợi nhuận nhưng vẫn phải duy trì tình hình tài chính lành mạnh, cân bằng giữa khả năng sinh lời với khả năng thanh toán và mức độ rủi ro có thể chấp nhận được. Từ kết quả mô phỏng nhận thấy để xây dựng cấu trúc tài chính tối ưu, cần có những giải pháp đến từ doanh nghiệp và cả từ phía nhà nước.

6.2 KHUYẾN NGHỊ

  • Đối với các cơ quan quản lý:

Đòn bẩy tài chính có tác động ngược chiều đến cấu trúc tài chính kế đến là quy mô công ty có tác động cùng chiều với cấu trúc tài chính. Do đó các cơ quan quản lý nhà nước như bộ tài chính và ủy ban chứng khoán nhà nước cần có các biện pháp giảm chi phí đi vay và tăng quy mô của các công ty niêm yết trên sàn chứng khoán bằng cách thu hút vốn cho các công ty đại chúng như:

Tăng cường tính minh bạch thông tin của các công ty niêm yết thông qua việc có quy định xây các chỉ số công khai minh bạch của các công ty niêm yết.

Bổ sung thẩm quyền cho ủy ban chứng khoán nhà nước trong việc yêu cầu các đơn vị như: tín dụng, dịch vụ viễn thông, cá nhân… cung cấp thông tin tài liệu phục vụ công tác thanh tra giám sát thị trường chứng khoán.

Tạo cơ chế để xử lý các công ty chứng khoán hoạt động kém hiệu quả. Khi có công ty vi phạm thời gian công bố thông tin báo cáo tài chính các cơ quan quản lý cần có các biện pháp chế tài thích đáng đối với các đối tượng cố tình vi phạm. Đồng thời ủy ban chứng khoán cần bổ sung cơ chế bảo vệ nhà đầu tư như công bố rộng rãi thông tin các doanh nghiệp thường xuyên có số liệu sai lệch trong báo cáo tài chính trước và sau kiểm toán.

  • Đối với các nhà đầu tư

Kết quả nghiên cứu cho thấy doanh nghiệp có tốc độ phát triển doanh thu cao thì chất lượng lợi nhuận càng giảm bởi vì khi tốc độ phát triển doanh thu cao thì doanh nghiệp cần nhiều vốn lưu động. Do vậy mà có nhiều khả năng doanh nghiệp sẽ tạo ra tình hình hoạt động kinh doanh tốt để thu hút vốn đầu tư. Do đó các nhà đầu tư cần xem xét vấn đề này trước khi ra quyết định. Ngoài ra, các nhà đầu tư có thể xem xét các kết quả khác của nghiên cứu để hỗ trợ quyết định của mình như: quy mô doanh nghiệp càng lớn thì có chất lượng lợi nhuận cao hơn.

  • Đối với ngân hàng

Đòn bẩy tài chính có tác động ngược chiều với chất lượng lợi nhuận, do đó các ngân hàng nên thận trọng cho việc cho vay đối với các đối tượng đang vay nợ nhiều nơi. Ngoài ra, trong quá thẩm định tín dụng cho vay các ngân hàng không nên dựa quá nhiều vào chỉ tiêu lợi nhuận và các chỉ số tài chính mà cũng nên xem xét đến các yếu tố khác như uy tín tín dụng doanh nghiệp, tài sản thế chấp, tình hình nộp thuế, hợp đồng mua hàng, hợp đồng bán hàng.

Cũng từ kết quả nghiên cứu trên thì những doanh nghiệp sử dụng đòn bẩy tài chính càng cao thì chất lượng càng thấp, cho nên các ngân hàng cũng nên hạn chế cho doanh nghiệp vay quá nhiều so với vốn điều lệ của doanh nghiệp. Vì khi vay nhiều thì áp lực trả nợ vay và lãi vay đối với doanh nghiệp rất lớn khi tình hình kinh doanh không thuận lợi, điều đó làm tăng động cơ điều chỉnh tăng lợi nhuận của doanh nghiệp để cho ngân hàng thấy doanh nghiệp có đủ khả năng trả nợ vay.