Mối quan hệ phi tuyến giữa cấu trúc vốn và giá trị doanh nghiệp của các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:16

Thêm vào BST

Báo xấu

14
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu "Mối quan hệ phi tuyến giữa cấu trúc vốn và giá trị doanh nghiệp của các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam" được thực hiện nhằm điều tra mối quan hệ phi tuyến giữa cấu trúc vốn và giá trị doanh nghiệp của các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2016-2020.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mối quan hệ phi tuyến giữa cấu trúc vốn và giá trị doanh nghiệp của các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam

276 MỐI QUAN HỆ PHI TUYẾN GIỮA CẤU TRÚC VỐN VÀ GIÁ TRỊ DOANH NGHIỆP CỦA CÁC CÔNG TY LOGISTICS NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Non-linear relationship between capital structure and firm value of logistics companies listed on stock market in VietVam ThS. Lương Thị Thúy Diễm Khoa Kinh tế & Kế toán, Trường Đại học Quy Nhơn Email: luongthithuydiem@qnu.edu.vn Tóm tắt Nghiên cứu này được thực hiện nhằm điều tra mối quan hệ phi tuyến giữa cấu trúc vốn (CTV) và giá trị doanh nghiệp (GTDN) của các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2016-2020. Kết quả nghiên cứu cho thấy hệ số tổng nợ không có mối quan hệ phi tuyến với GTDN đại diện bởi cả ROE và Tobin’s Q. Hệ số nợ ngắn hạn không có mối quan hệ phi tuyến với ROE nhưng có mối quan hệ phi tuyến với Tobin’s Q. Ngược lại, hệ số nợ dài hạn không có mối quan hệ phi tuyến với Tobin’s Q nhưng có mối quan hệ phi tuyến với ROE. Đồng thời, các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam được khuyến nghị chỉ nên sử dụng tối đa 47,04% nợ ngắn hạn và 17,28% nợ dài hạn trong CTV. Từ khóa: cấu trúc vốn, công ty logistics, giá trị doanh nghiệp Abstract This study is conducted to investigate the non-linear relationship between capital structure and firm value of logistics companies listed on Vietnam stock market in the period 2016-2020. Research results show that total debt ratio has no nonlinear relationship with firm value represented by both ROE and Tobin’s Q. The short-term debt ratio has no nonlinear relationship with ROE but has a nonlinear relationship with Tobin’s Q. In contrast, the long-term debt ratio has no nonlinear relationship with Tobin’s Q but has a nonlinear relationship with ROE. At the same time, logistics companies listed on Vietnam’s stock market are recommended to use a maximum of 47,04% short- term debt and 17,28% long-term debt in their capital structure. Key words: capital structure, logistics companies, firm value 1. Đặt vấn đề Mối quan hệ giữa CTV và GTDN đã rất quen thuộc với các nhà nghiên cứu trên thế giới và Việt Nam. Trong đó, tác động tuyến tính của CTV đến GTDN cho ra nhiều kết quả phong phú trong các nghiên cứu thực nghiệm bao gồm CTV không tác động đến GTDN, CTV có tác động tích cực đến GTDN, CTV có tác động tiêu cực đến GTDN, CTV vừa tác động tích cực vừa tác động tiêu cực đến GTDN. Bên cạnh đó, nhiều tác giả cũng đã chứng minh được rằng giữa CTV và GTDN có mối quan hệ phi tuyến. Mối quan hệ phi tuyến trong các nghiên cứu này có nghĩa là tại các mức nợ (ngưỡng CTV) khác nhau thì sẽ có chiều hướng tác động khác nhau đến GTDN. Từ đó, các tác giả đưa ra các kết luận rằng có một mức nợ (ngưỡng nợ) tối ưu mà doanh nghiệp chỉ nên sử dụng nợ tối đa bằng mức nợ đó để đạt được GTDN tốt nhất. Mối quan hệ phi tuyến này ngày càng được các nhà nghiên cứu trong và ngoài nước quan tâm điều tra. Logistics Việt Nam vẫn luôn được đánh giá là lĩnh vực đầy tiềm năng và triển vọng, do đó, rất nhiều tập đoàn logistics hùng mạnh trên thế giới đã và đang từng bước xâm nhập, chiếm lĩnh thị trường nước ta. Các tập đoàn này không chỉ cung cấp đầy đủ các loại dịch vụ từ vận tải quốc tế đến vận tải nội địa mà còn có mạng lưới quốc tế rộng, tài chính mạnh và hệ thống công nghệ thông tin hiện đại. Theo Thống kê của Hiệp hội doanh nghiệp Dịch vụ logistics Việt Nam, trong số các doanh nghiệp logistics đang hoạt động, có đến 80% là các doanh nghiệp logistics nội địa nhưng chỉ chiếm 20% thị phần logistics tại Việt Nam, 80% thị phần còn lại thuộc về các doanh @ Trường Đại học Đà Lạt
277 nghiệp logistics có vốn đầu tư nước ngoài. Thực tế cho thấy các dịch vụ tích hợp, mang tính liên vận quốc tế đều do các công ty logistics nước ngoài đảm trách còn các doanh nghiệp logistics Việt Nam chỉ thực hiện được một phần rất nhỏ trong chuỗi các hoạt động nói trên, hoặc chỉ là nhà thầu phụ cho các nhà đầu tư logistics nước ngoài. Những năm vừa qua, bên cạnh nhiều doanh nghiệp logistics mới được thành lập thì số lượng các doanh nghiệp kinh doanh không hiệu quả và rút lui khỏi thị trường cũng không phải là ít vì sự phát triển phần lớn mang tính tự phát, quy mô nhỏ lẻ, thiếu định hướng, thiếu vốn, không đủ năng lực để cạnh tranh lâu dài. Năm 2021, dịch bệnh Covid – 19 bùng phát tại Đông Nam Á, trong đó có Việt Nam đã làm cho nền kinh tế - xã hội Việt Nam nói riêng cũng như việc giao thương giữa Việt Nam với thị trường các nước bị tác động nặng nề. Những đợt giãn cách xã hội kéo dài đã làm gián đoạn quá trình sản xuất, lưu thông hàng hóa. Điều đó không chỉ đặt ngành dịch vụ logistisc vào tình thế khó khăn do là ngành chịu ảnh hưởng trực tiếp nhưng cũng mở ra những cơ hội mới với những xu hướng, mô hình, giao thức mới trong sản xuất, lưu thông và tiêu dùng hàng hóa trên toàn cầu. Điều đó buộc các doanh nghiệp logistics phải đổi mới cả về công nghệ, tư duy, nguồn nhân lực và cơ chế quản lý để có thể đứng vững và không bị tụt hậu trong môi trường cạnh tranh khốc liệt và hội nhập sâu rộng hiện nay. Muốn làm được điều đó, bên cạnh các chính sách, định hướng và hỗ trợ của Chính phủ và các Bộ ban ngành có liên quan, tự mỗi bản thân doanh nghiệp logistics phải biết phát huy sức mạnh nội tại của mình, vượt qua khó khăn, nắm bắt cơ hội để có được sự bứt phá trong quá trình hoạt động và phát triển. Bên cạnh việc rà soát, cắt giảm chi phí, đào tạo nguồn nhân lực, đầu tư công nghệ thông tin, thì các chính sách tài chính – kế toán cũng giữ vai trò quan trọng không kém. Đặc biệt là những quyết định về CTV để gia tăng GTDN, từ đó nâng tầm quy mô, uy tín của doanh nghiệp trên thị trường. Do đó, điều tra ảnh hưởng của CTV đến GTDN của các công ty logistics mà nhất là mối quan hệ phi tuyến để doanh nghiệp có cơ sở đưa ra quyết định về mức nợ hợp lý để cải thiện GTDN là vấn đề hết sức cần thiết. 2. Lý thuyết nền và các nghiên cứu có liên quan 2.1. Lý thuyết nền 2.1.1. Lý thuyết Modigliani và Miller (1963) Theo lý thuyết M&M (1963), trong trường hợp có thuế thu nhập doanh nghiệp, khi doanh nghiệp vay nợ sẽ phát sinh chi phí lãi vay và chi phí này là chi phí hợp lý được khấu trừ khi tính thuế thu nhập doanh nghiệp. Điều này sẽ giúp doanh nghiệp tiết kiệm thuế và được gọi là lá chắn thuế lãi vay. Khi doanh nghiệp sử dụng mức nợ cao, chi phí thuế thu nhập doanh nghiệp sẽ thấp hơn dẫn đến dòng tiền sau thuế thu nhập doanh nghiệp cao hơn, từ đó gia tăng GTDN. Lúc bấy giờ, GTDN có sử dụng nợ sẽ bằng GTDN không sử dụng nợ cộng cho hiện giá của lá chắn thuế. Nghĩa là, theo M&M (1963) thì CTV có tác động đến GTDN. Đồng thời, CTV tối ưu tồn tại khi công ty cân bằng được giữa nguy cơ phá sản do vay nợ và lợi ích từ khoản tiết kiệm thuế của nợ. Như vậy theo lý thuyết này, nếu doanh nghiệp sử dụng hợp lý nợ phải trả thì sẽ đạt CTV tối ưu, từ đó tối đa hóa GTDN. 2.1.2. Lý thuyết đánh đổi Được Kraus và Litzenberger phát triển dựa trên lý thuyết của M&M (1958), tuy nhiên lý thuyết đánh đổi đã xem xét đến các tác động của thuế, chi phí phá sản và các chi phí trung gian khi giải thích CTV của doanh nghiệp. Theo lý thuyết này, doanh nghiệp sẽ đánh đổi giữa lợi ích và chi phí của việc sử dụng nợ như một nguồn lực tài chính. Trong đó, lợi ích của việc sử dụng nợ chính là khoản thuế thu nhập doanh nghiệp tiết kiệm được do chi phí lãi vay là một chi phí hợp lệ được khấu trừ vào thu nhập chịu thuế, tức là lá chắn thuế của nợ. Còn chi phí của việc vay nợ chính là chi phí kiệt quệ tài chính bao gồm các chi phí như chi phí trả cho luật sư giải quyết phá sản, chi phí trả cho kế toán và nhân viên quản trị công ty trong quá trình chờ phá sản, chi phí do mất khách hàng và nhà cung cấp hay chi phí đại diện… @ Trường Đại học Đà Lạt
278 Lúc đầu, khi doanh nghiệp tăng cường vay nợ ở một mức trung bình thì càng được hưởng lợi ích từ lá chắn thuế, và lúc này chi phí kiệt quệ tài chính là nhỏ. Tuy nhiên, tổng mức nợ càng tăng lên thì lợi ích cận biên của việc tăng nợ sẽ giảm còn chi phí cận biên của khoản nợ tăng thêm. Khi có quá nhiều nợ, chi phí kiệt quệ tài chính sẽ tăng lên và lợi ích của lá chắn thuế giảm đi, doanh nghiệp sẽ đối mặt với rủi ro về việc hoàn trả trong tương lai. Khi không có khả năng chi trả, doanh nghiệp sẽ phá sản. Do đó, một công ty tìm cách tối đa GTDN sẽ tiếp tục vay nợ cho đến khi lợi ích cận biên bằng với chi phí cận biên, tức là vay nợ ở mức CTV tối ưu (Adland và cộng sự, 2017). Theo Kraus và Litzenberger (1973), tỷ lệ nợ mục tiêu (CTV tối ưu) là hoàn toàn khác nhau giữa các doanh nghiệp. Trong đó, các công ty có lợi nhuận cao với các tài sản hữu hình, an toàn thì nên duy trì mức nợ cao, ngược lại các công ty có lợi nhuận thấp với các tài sản vô hình, nhiều rủi ro thì nên tài trợ chủ yếu bằng vốn chủ sở hữu. 3.2. Các nghiên cứu có liên quan 3.2.1. Nghiên cứu nước ngoài Cheng và cộng sự (2010) đã điều tra mối quan hệ giữa CTV và GTDN tại Trung Quốc. GTDN được đo lường bằng ROE, biến đại diện cho CTV là tỷ lệ nợ phải trả trên tài sản, biến kiểm soát bao gồm quy mô DN và sự tăng trưởng. Kết quả cho thấy tồn tại ba ngưỡng tác động của CTV đến GTDN và mối tương quan hình chữ U ngược giữa đòn bẩy tài chính và GTDN. Cụ thể, khi tỷ lệ nợ nhỏ hơn 53,97%, CTV tác động tích cực đến GTDN, nghĩa là tài trợ bằng nợ có thể cải thiện GTDN. CTV vẫn tác động tích cực đến GTDN nhưng mức độ tác động bắt đầu giảm khi tỷ lệ nợ từ 53,97 đến 70,48%. Các hệ số âm và có xu hướng giảm dần khi tỷ lệ nợ từ 70,48 đến 75,26% hoặc trên 75,26%, ngụ ý rằng, trong mức nợ đó, tăng tài trợ bằng nợ sẽ làm giảm GTDN. Từ đó, nghiên cứu chỉ ra rằng có thể xác định được tỷ lệ nợ cuối cùng mà tại đó việc tăng cường tài trợ bằng nợ không cải thiện GTDN. Như vậy nghiên cứu này đã chỉ ra rằng việc tài trợ bằng nợ cần phải có giới hạn bởi lẽ tồn tại một mức nợ tối ưu mà nếu vượt quá mức đó, nợ tăng lên không còn làm tăng GTDN. Theo đó, các công ty có thể tối đa hóa GTDN bằng cách tăng hoặc giảm tỷ lệ nợ tùy thuộc vào công ty đó đang ở mức độ nợ thấp hay cao. Kết quả nghiên cứu nhắc nhở nhà đầu tư chú ý hơn đến mối quan hệ đánh đổi giữa lợi nhuận và chi phí của các khoản nợ, đặc biệt là khi tỷ lệ nợ của công ty đang ở mức ngưỡng. Margaritis và Psillaki (2010) đã điều tra mối liên hệ giữa CTV, cấu trúc sở hữu và thành quả hoạt động trong các công ty sản xuất ở Pháp. Họ sử dụng phương pháp phân tích vỏ bọc dữ liệu phi tham số để xây dựng theo thực nghiệm một điểm “biên giới” được xem là CTV tốt nhất cho công ty và đo lường hiệu quả công ty khi CTV có khoảng cách với điểm “biên giới” này. Từ đó họ sẽ kiểm tra được khi sử dụng nhiều nợ hay ít nợ thì công ty sẽ đạt thành quả cao hơn. Cụ thể, một dạng hàm bậc hai bao gồm tỷ lệ nợ và tỷ lệ nợ bình phương được sử dụng để kiểm tra mối quan hệ không đơn điệu giữa CTV và thành quả hoạt động. Ngoài ra, một số biến kiểm soát được cho là có khả năng ảnh hưởng đến thành quả hoạt động bao gồm khả năng sinh lợi, quy mô, cấu trúc tài sản, cơ hội tăng trưởng và cấu trúc sở hữu. Kết quả là hai tác giả đã tìm thấy mối quan hệ tích cực giữa đòn bẩy và thành quả hoạt động ; tuy nhiên, mối quan hệ này chuyển từ tích cực sang tiêu cực với tỷ lệ đòn bẩy cao trong một số ngành. Berzkalne (2015) đã xem xét các lý thuyết trước đây về mối quan hệ phi tuyến tính giữa CTV và GTDN. Tác giả cho rằng mặc dù các lý thuyết về CTV kết luận rằng có mối quan hệ phi tuyến giữa đòn bẩy tài chính và GTDN, tuy nhiên, phần lớn các nghiên cứu thực nghiệm đều chỉ nghiên cứu mối quan hệ tuyến tính. Sau đó, nghiên cứu sử dụng phân tích hồi quy ngưỡng dữ liệu bảng @ Trường Đại học Đà Lạt
279 để nghiên cứu trên mẫu là các công ty niêm yết ở Baltic. Kết quả cho thấy thực sự có quan hệ phi tuyến giữa CTV và GTDN. Đối với các công ty niêm yết tại vùng Baltic có giá trị vốn hóa thị trường nhỏ, sự gia tăng đòn bẩy tài chính sẽ làm gia tăng GTDN và GTDN đạt giá trị cao nhất nếu tỷ lệ nợ đạt mức 24,64%. Do đó, các công ty nhỏ nên sử dụng tỷ lệ nợ dưới 24,64%. Ngược lại, đối với mẫu là các công ty có quy mô vừa thì kết luận nếu tăng tỷ lệ nợ sẽ làm giảm GTDN. Tuy nhiên, có một ngưỡng nợ được ghi nhận là 62,97%. Nếu tỷ lệ nợ dưới 62,97% thì khi tỷ lệ nợ tăng 1% sẽ làm GTDN giảm 0,23 triệu Euro và nếu tỷ lệ nợ đạt tại ngưỡng này hoặc vượt quá ngưỡng này thì GTDN sẽ giảm 0,46 triệu Euro. Do đó, các công ty có quy mô vừa phải được khuyên là nên sử dụng tỷ lệ nợ dưới 62,97%. Việc các công ty lớn có thể có tỷ lệ nợ cao hơn các công ty nhỏ được giải thích là do các công ty lớn có dòng tiền ổn định hơn và khả năng đa dạng hóa vượt trội. 3.2.2. Nghiên cứu trong nước Đối với các công ty niêm yết nói chung, cả Le và Phan (2017) cũng như Khanh và cộng sự (2020) đều nghiên cứu về tác động của CTV đến GTDN của các công ty niêm yết trên thị trường chứng khoán Việt Nam. Trong đó, Le và Phan (2017) điều tra trong giai đoạn 2007-2012 còn Khanh và cộng sự (2020) nghiên cứu trong giai đoạn 2008-2018. Kết quả của các nghiên cứu này có hai điểm chung. Thứ nhất, các doanh nghiệp Việt Nam sử dụng nợ phải trả khá cao so với các nước khác với 51,92% trong Le và Phan (2017) và 50,8% trong Khanh và cộng sự (2020). Le và Phan (2017) cho rằng đây là kết quả của sự thống trị của lĩnh vực ngân hàng và giai đoạn đầu phát triển của thị trường chứng khoán và thị trường tài chính tại Việt Nam. Thứ hai, CTV được tìm thấy có mối quan hệ phi tuyến với GTDN. Kết quả nghiên cứu hàm ý rằng, ở mức nợ thấp, CTV có tác động tích cực đến GTDN ; tuy nhiên, ở mức nợ cao, mối quan hệ này chuyển từ tích cực sang tiêu cực. Cuối cùng các tác giả này lập luận rằng các lý thuyết truyền thống ở các nước phương Tây cần được xem xét kỹ lưỡng hoặc điều chỉnh khi áp dụng vào các thị trường mới nổi và chuyển đổi như Việt Nam (Le và Phan, 2017) và tùy thuộc vào đặc điểm của ngành nghề kinh doanh và đặc điểm của từng công ty mà doanh nghiệp có thể đưa ra CTV hợp lý để tối đa hóa GTDN (Khanh và cộng sự, 2020). Đối với một sàn giao dịch chứng khoán cụ thể, Võ Minh Long (2017) nghiên cứu tác động của CTV đến GTDN của các doanh nghiệp cổ phần niêm yết trên HOSE trong giai đoạn 2008- 2015. Trong đó, GTDN được đại diện bởi Tobin’s Q. CTV được đo lường bởi 3 chỉ tiêu là tỷ số nợ trên tổng tài sản, tỷ số nợ ngắn hạn trên tổng tài sản và tỷ số nợ dài hạn trên tổng tài sản. Bên cạnh đó, để xác định ngưỡng CTV tối ưu để GTDN đạt mức tối đa, luận án còn dùng thêm biến CTV bình phương. Ngoài ra, tác giả còn đưa vào mô hình một số nhóm biến kiểm soát như nhóm biến thanh khoản (tỷ số thanh toán ngắn hạn), nhóm biến đặc điểm doanh nghiệp (quy mô doanh nghiệp, tài sản cố định hữu hình, tuổi doanh nghiệp), nhóm biến hiệu quả hoạt động (ROA, số vòng quay tài sản, tốc độ tăng trưởng). Kết quả cho thấy CTV và CTV theo kỳ hạn đều có tác động tích cực đến GTDN. Đặc biệt, đối với mối quan hệ phi tuyến giữa CTV và GTDN, kết quả nghiên cứu đã chỉ ra có ngưỡng tối đa đối với tỷ số nợ và tỷ số nợ ngắn hạn nhưng chỉ có ngưỡng tối thiểu đối với tỷ số nợ dài hạn. Cụ thể, khi doanh nghiệp tăng tỷ số nợ thì sẽ tăng GTDN, và khi tỷ số nợ tăng đến mức 67,8624% thì sẽ có GTDN tối đa, nhưng khi vượt quá mức này sẽ làm giảm GTDN. Tương tự, khi doanh nghiệp tăng tỷ số nợ ngắn hạn cũng sẽ tăng GTDN nhưng chỉ nên tăng nợ ngắn hạn đến mức 45,4479% vì ở mức đó sẽ có GTDN tối đa, khi vượt quá mức này sẽ làm giảm GTDN. Ngược lại, khi tỷ số nợ dài hạn nhỏ hơn 25,9789% sẽ không nâng cao được GTDN, nhưng khi tỷ số này cao hơn 25,9789% sẽ cải thiện và nâng cao được GTDN. Đối với một ngành cụ thể, Cuong và Canh (2012) cũng như Cuong (2014) đều tiến hành nghiên cứu về tác động của CTV đến GTDN trong các doanh nghiệp chế biến thủy sản khu vực Nam Trung Bộ. Mục đích của các tác giả này là nhằm điều tra xem liệu có tồn tại một đòn bẩy tối ưu mà tại đó các @ Trường Đại học Đà Lạt
280 doanh nghiệp chế biến thủy sản khu vực Nam Trung Bộ có thể tối đa hóa GTDN của mình hay không. CTV là biến độc lập cũng là biến ngưỡng được đo lường bằng nợ phải trả/tổng tài sản còn biến phụ thuộc là GTDN được đại diện bởi ROE (Cuong và Canh, 2012) hoặc giá trị sổ sách của vốn chủ sở hữu cộng với nợ dài hạn và ROE (Cuong, 2014). Kết quả thực nghiệm chỉ ra rằng thực tế có tồn tại một mối quan hệ phi tuyến giữa CTV và GTDN trong các doanh nghiệp chế biến thủy sản khu vực Nam Trung Bộ trong giai đoạn nghiên cứu. Hàm ý mà hai nghiên cứu này mang lại đó là các doanh nghiệp chế biến thủy sản khu vực Nam Trung Bộ chỉ nên sử dụng nợ phải trả ở một mức vừa phải (nhỏ hơn hoặc bằng CTV tối ưu) vì như vậy việc tăng tài trợ nợ sẽ giúp gia tăng và tối đa hóa GTDN. Dĩ nhiên, nếu các doanh nghiệp này sử dụng quá nhiều nợ, cụ thể là vượt quá mức nợ tối ưu thì việc tăng tài trợ nợ sẽ làm giảm GTDN. Cụ thể, tỷ lệ nợ tối ưu mà các công ty này nên sử dụng là 59,27% trong nghiên cứu của Cuong và Canh (2012) và là 57,39% trong nghiên cứu của Cuong (2014). 4. Phát triển giả thuyết nghiên cứu và xây dựng mô hình nghiên cứu 4.1. Phát triển giả thuyết nghiên cứu Theo lý thuyết đánh đổi, ở một mức nợ thấp và trung bình, lúc này chi phí kiệt quệ tài chính là nhỏ, doanh nghiệp càng tăng cường vay nợ thì càng được hưởng lợi ích từ lá chắn thuế, nghĩa là CTV có tác động tích cực đến GTDN. Tuy nhiên, khi tổng mức nợ tăng lên thì lợi ích cận biên của việc tăng nợ sẽ giảm còn chi phí cận biên của khoản nợ tăng thêm (Adland và cộng sự, 2017). Khi mức nợ tăng lên quá cao, chi phí kiệt quệ tài chính sẽ vượt quá lợi ích của lá chắn thuế, kết quả là làm cho GTDN giảm đi. Do đó, để tối đa hóa GTDN, các công ty cần tìm ra mức nợ tối ưu mà ở đó lợi ích cận biên bằng với chi phí cận biên (Adland và cộng sự, 2017). Tương tự, lý thuyết M&M (1963) cũng cho rằng nếu công ty cân bằng được giữa nguy cơ phá sản do vay nợ và lợi ích từ khoản tiết kiệm thuế của nợ thì sẽ đạt được CTV tối ưu, giúp tối đa hóa GTDN. Bên cạnh các lý thuyết nền, nhiều nghiên cứu cũng cho ra kết luận, CTV sẽ tác động tích cực đến GTDN ở một mức nợ hợp lý, và tồn tại một CTV tối ưu mà nếu vượt qua mức nợ này, CTV sẽ có tác động tiêu cực đến GTDN, nghĩa là tồn tại mối quan hệ phi tuyến giữa CTV với GTDN (Cheng và cộng sự, 2010 ; Berzkalne, 2015 ; Cuong và Canh, 2012 ; Cuong, 2014 ; Võ Minh Long, 2017 ; Le và Phan, 2017 ; Khanh và cộng sự, 2020…) Dựa vào lý thuyết đánh đổi, lý thuyết M&M (1963) và các nghiên cứu thực nghiệm trước đây, nhóm tác giả kỳ vọng rằng ở một mức nợ vừa phải thì CTV có tác động tích cực đến GTDN của các công ty logistics niêm yết trên TTCK Việt Nam. Tuy nhiên, việc tài trợ bằng nợ cần phải có giới hạn vì tồn tại một mức nợ tối ưu giúp các công ty này tối đa hóa GTDN, nếu vượt quá mức nợ đó, việc tiếp tục tăng nợ sẽ làm giảm GTDN. Nói một cách khác, ở mức nợ cao thì mối quan hệ giữa CTV và GTDN sẽ chuyển từ tích cực đến tiêu cực. Nghĩa là tác giả kỳ vọng mối quan hệ giữa CTV và GTDN là mối quan hệ phi tuyến có dạng hình chữ U ngược. Do đó, tùy thuộc vào việc các công ty logistics đang có mức nợ cao hay thấp mà sẽ đưa ra quyết định về CTV cho phù hợp nhằm tối đa hóa lợi ích. Trên cơ sở đó, nhóm tác giả phát triển ba giả thuyết sau đây : Giả thuyết H1 : CTV được đo lường bằng hệ số tổng nợ có mối quan hệ phi tuyến với GTDN của các công ty logistics niêm yết trên TTCK Việt Nam Giả thuyết H2 : CTV được đo lường bằng hệ số nợ ngắn hạn có mối quan hệ phi tuyến với GTDN của các công ty logistics niêm yết trên TTCK Việt Nam Giả thuyết H3 : CTV được đo lường bằng hệ số nợ dài hạn có mối quan hệ phi tuyến với GTDN của các công ty logistics niêm yết trên TTCK Việt Nam @ Trường Đại học Đà Lạt
281 Bên cạnh các biến độc lập là CTV, tác giả cũng đưa thêm một số biến kiểm soát vào mô hình như quy mô doanh nghiệp, tốc độ tăng trưởng, cấu trúc tài sản và tỷ số thanh toán ngắn hạn. Các biến kiểm soát này liên quan đến đặc điểm nội tại của doanh nghiệp và thường được chứng minh là có tác động đáng kể đến GTDN trong các nghiên cứu thực nghiệm. 4.2. Xây dựng mô hình nghiên cứu Mô hình nghiên cứu bao gồm 1 biến phụ thuộc là GTDN, ba biến độc lập đại diện cho CTV bao gồm hệ số tổng nợ, hệ số nợ ngắn hạn, hệ số nợ dài hạn và 4 biến kiểm soát. Tuy nhiên, đối với biến phụ thuộc, tác giả sử dụng cả hai chỉ tiêu là ROE và Tobin’s Q để đại diện cho GTDN. Trước tiên, GTDN được đo lường bằng ROE bởi chỉ tiêu phản ảnh khả năng sinh lợi trên mỗi đồng vốn chủ sở hữu nên đặc biệt được các nhà đầu tư quan tâm. Bằng chứng là ROE đã được dùng làm chỉ tiêu đại diện cho GTDN trong nhiều nghiên cứu (Cheng và cộng sự, 2010 ; Cuong và Canh, 2012 ; Cuong, 2014 ; Hermuningsih, 2013 ; Le và Phan, 2017,…). Tuy nhiên ROE được coi là chỉ tiêu phản ánh giá trị sổ sách của doanh nghiệp do chỉ được tính toán từ lợi nhuận trên bảng cân đối kế toán. Do vậy, tác giả sử dụng thêm chỉ tiêu Tobin’s Q để đại diện cho GTDN vì đây là chỉ tiêu kết hợp cả giá trị sổ sách và giá trị thị trường của doanh nghiệp, do đó có những ưu điểm nhất định hơn so với ROE. Tobin’s Q cũng là chỉ tiêu được sử dụng để đại diện cho GTDN trong rất nhiều nghiên cứu gần đây về tác động của CTV đến GTDN (Ruan và cộng sự, 2011 ; Hermuningsih, 2013 ; Farooq và Masood, 2016 ; Võ Minh Long, 2017,…). Bằng việc đo lường GTDN bằng hai chỉ tiêu này, nghiên cứu sẽ giúp các nhà phân tích có nhiều cơ sở ra quyết định hơn khi muốn cải thiện cả giá trị thị trường hoặc giá trị sổ sách cho doanh nghiệp. Đối với biến độc lập là CTV, bên cạnh mức độ sử dụng tổng nợ nói chung thì kỳ hạn nợ với tư cách là các bộ phận cấu thành nên nợ phải trả mà cụ thể là nợ ngắn hạn và nợ dài hạn cũng là yếu tố rất quan trọng, thường xuyên được quan tâm điều tra về tác động của CTV đến GTDN. Do đó, trong nghiên cứu này, tác giả sử dụng cả ba chỉ tiêu bao gồm hệ số nợ, hệ số nợ ngắn hạn và hệ số nợ dài hạn để đại diện cho CTV nhằm đánh giá cụ thể hơn về mối quan hệ phi tuyến giữa các kỳ hạn nợ khác nhau và GTDN. Để điều tra về mối quan hệ phi tuyến, tác giả sử dụng một hàm bậc 2 được kế thừa từ nghiên cứu của Margaritis và Psillaki (2010), Le và Phan (2017), Võ Minh Long (2017), Khanh và cộng sự (2020). Trong đó, biến CTV bình phương bao gồm TD2, SD2 và LD2 được đưa vào trong mô hình như những biến ngưỡng nhằm xác định ngưỡng CTV tối ưu để tối đa hóa GTDN. Hàm bậc hai này cho phép kiểm tra mối quan hệ giữa CTV và GTDN là không tuyến tính, nghĩa là nó có thể chuyển từ tích cực sang tiêu cực với tỷ lệ nợ cao hơn. Điều kiện để chứng minh cho mối quan hệ hình chữ U đảo ngược giữa CTV và GTDN là (1) hệ số hồi quy của TD, TD2, SD, SD2, LD, LD2 phải có ý nghĩa thống kê và (2) hệ số β1> 0 còn hệ số β2 -(β1/2β2), và GTDN sẽ đạt giá trị cao nhất nếu CTV = -(β1/2β2). Từ đó, chúng tôi xây dựng được 4 mô hình nghiên cứu phản ánh mối quan hệ phi tuyến giữa CTV và GTDN như sau :  GTDN đại diện bởi ROE : Mô hình 1 : CTV đại điện bởi hệ số tổng nợ ROE = β0 + β1 * TD + β2 * TD2 + β3 * FS + β4 * GR + β5 * AS + β6 * CR + ε @ Trường Đại học Đà Lạt
282 Mô hình 2 : CTV đại điện bởi hệ số nợ ngắn hạn và hệ số nợ dài hạn ROE = β0 + β1 * SD + β2 * SD2 + β3 * LD + β4 * LD2 + β5 * FS + β6 * GR + β7 * AS + β8 * CR + ε  GTDN đại diện bởi Tobin’s Q : Mô hình 3 : CTV đại điện bởi hệ số tổng nợ Tobin’s Q = β0 + β1 * TD + β2 * TD2 + β3 * FS + β4 * GR + β5 * AS + β6 * CR + ε Mô hình 4 : CTV đại điện bởi hệ số nợ ngắn hạn và hệ số nợ dài hạn Tobin’s Q = β0 + β1 * SD + β2 * SD2 + β3 * LD + β4 * LD2 + β5 * FS + β6 * GR + β7 * AS + β8 * CR + ε Trong đó : Biến phụ thuộc: ROE, Tobin’s Q Biến độc lập: Hệ số tổng nợ (TD), hệ số tổng nợ bình phương (TD2), hệ số nợ ngắn hạn (SD), hệ số nợ ngắn hạn bình phương (SD2), hệ số nợ dài hạn (LD), hệ số nợ dài hạn bình phương (LD2) Biến kiểm soát : Quy mô doanh nghiệp (FS), tốc độ tăng trưởng (GR), cấu trúc tài sản (AS), tỷ số thanh toán ngắn hạn (CR) Tham số : β0, β1, β0,….., βn ; Sai số : ε 5. Phương pháp nghiên cứu, mẫu nghiên cứu, dữ liệu nghiên cứu và đo lường các biến trong mô hình 5.1. Phương pháp nghiên cứu Phương pháp nghiên cứu được sử dụng trong bài báo này là phương pháp định lượng. Các kỹ thuật phân tích định lượng được sử dụng bao gồm: thống kê mô tả; phân tích hệ số tương quan; phân tích hồi quy theo các phương pháp ước lượng là mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM); dùng kiểm định Hausman để lựa chọn mô hình hồi quy phù hợp; kiểm định và khắc phục các khuyết tật của mô hình như phương sai sai số thay đổi, tự tương quan. 5.2. Mẫu nghiên cứu Mẫu nghiên cứu bao gồm tất cả các công ty logistics hiện đang được niêm yết trên 2 sàn chứng khoán là Sở giao dịch chứng khoán Hà Nội (HNX) và Sở giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE). Đồng thời các công ty này phải có đầy đủ dữ liệu trong giai đoạn nghiên cứu từ 2016-2020. Tổng thể ban đầu có 54 công ty logistics đang niêm yết trên HNX và HOSE. Tuy nhiên, tác giả đã loại trừ 14 công ty không có đủ dữ liệu tính toán của ít nhất một năm quan sát trong giai đoạn nghiên cứu hoặc có dữ liệu quá khác biệt so với tình hình chung của mẫu. Dữ liệu cuối cùng gồm 40 công ty, tạo nên 200 quan sát từ năm 2016 đến năm 2020. 5.3. Dữ liệu nghiên cứu Dữ liệu nghiên cứu của đề tài là dữ liệu thứ cấp, được thu thập từ báo cáo tài chính của các công ty trong mẫu nghiên cứu. Để thuận tiện, nhóm tác giả tiến hành thu thập các dữ liệu nghiên cứu từ cơ sở dữ liệu FiinPro để tính toán cho các biến trong mô hình. @ Trường Đại học Đà Lạt
283 5.4. Đo lường các biến trong mô hình Bảng 1: Mô tả cách đo lường các biến trong mô hình nghiên cứu Tên biến Đo lường Các nghiên cứu trước Biến phụ thuộc Lợi nhuận sau thuế thu nhập DN Cuong (2014), Le và Phan (2017), ROE Vốn chủ sở hữu Susanti và Restiana (2018),… GTSS của nợ + giá trị vốn hóa thị trường của cổ phiếu Võ Minh Long (2017), Le và Phan Tobin’s Q GTSS của tổng tài sản (2017), Thao (2019), Luu (2021),… Biến độc lập Nợ phải trả Hermuningsih (2013), Thao (2019), Hệ số tổng nợ Tổng tài sản (Tổng nguồn vốn) Dang và Do (2021), Luu (2021),… Nợ ngắn hạn Võ Minh Long (2016), Võ Minh Hệ số nợ ngắn hạn Long (2017), Le và Phan (2017), Tổng tài sản (Tổng nguồn vốn) Yinuasa và cộng sự (2019),… Nợ dài hạn Võ Minh Long (2016), Võ Minh Hệ số nợ dài hạn Tổng tài sản (Tổng nguồn vốn) Long (2017), Le và Phan (2017), Yinuasa và cộng sự (2019),… Biến kiểm soát Cheng và cộng sự (2010), Susanti Quy mô DN Logarit của tổng tài sản và Restiana (2018), Luu (2021),… Tài sản năm t – tài sản năm t-1 Cheng và cộng sự (2010), Nguyen Tốc độ tăng trưởng và cộng sự (2020), Dang và Do Tài sản năm t-1 (2021)... Giá trị còn lại của TSCĐ hữu hình Farooq và Masood (2016), Võ Minh Cấu trúc tài sản Tổng tài sản Long (2017), Susanti và Restiana (2018),… Tỷ số thanh toán Tài sản ngắn hạn Farooq và Masood (2016), Võ Minh ngắn hạn Nợ ngắn hạn Long (2017), Thao (2019),… (Nguồn: Tác giả tự tổng hợp từ các nghiên cứu trước) 6. Kết quả nghiên cứu 6.1. Kết quả phân tích thống kê mô tả Kết quả thống kê mô tả cung cấp thông tin về mức trung bình (Mean), độ lệch chuẩn (Std.Dev), mức tối đa (Max), mức tối thiểu (Min) của các biến quan sát trong mô hình. Từ đó, sẽ cung cấp các thông tin, đặc điểm cơ bản, khái quát về các biến trong mô hình nghiên cứu. Kết quả thống kê mô tả được trình bày ở bảng 2. @ Trường Đại học Đà Lạt
284 Bảng 2: Kết quả thống kê mô tả các biến trong mô hình Giá trị trung Giá trị Giá trị Tên biến Số quan sát Độ lệch chuẩn bình tối thiểu tối đa ROE 200 0,1221022 0,1255382 -0,5712161 0,6213 Tobin’s Q 200 1,201608 0,5758402 0,579863 3,888194 TD 200 0,3739752 0,2079325 0,0378735 0,9573191 SD 200 0,2396841 0,1689245 0,0329528 0,9570831 LD 200 0,1342911 0,1350312 0 0,6839167 FS 200 11,84589 0,5347324 10,77772 13,05274 GR 200 0,2704525 1,672773 -0,4435253 21,19322 AS 200 0,3579746 0,2343241 0,0018981 0,8871622 CR 200 2,835963 2,593256 0,391084 14,75179 (Nguồn: Kết quả phân tích dữ liệu từ phần mềm Stata) Bảng 2 cho thấy chỉ tiêu sức sinh lời trên vốn chủ sở hữu (ROE) của các công ty logistics trên thị trường chứng khoán Việt Nam giai đoạn 2016-2020 đạt giá trị trung bình là 12,21%. So với giá trị trung bình là 9,15% của các công ty cổ phần Việt Nam ở một giai đoạn tương tự là 2015-2019 (Trần Thu Vân và cộng sự, 2021) hay giá trị trung bình là 10,30% của các công ty niêm yết nói chung (Le và Phan, 2017) thì rõ ràng các công ty logistics niêm yết trên thị trường chứng khoán Việt Nam có khả năng sinh lợi cao hơn. Điều này cho thấy nhìn chung các công ty logistics hoạt động khá hiệu quả, khả năng sinh lợi tốt. Chỉ tiêu thứ 2 phản ánh GTDN là Tobin’s Q. Theo kết quả phân tích cho thấy chỉ tiêu Tobin’s Q của các công ty logistics đạt giá trị trung bình là 1,201608. Kết quả này là cao hơn so với giá trị 1,0857 của các công ty niêm yết trên HOSE (Võ Minh Long, 2017), giá trị 1,1518 của các công ty niêm yết nói chung trên thị trường chứng khoán Việt Nam (Le và Phan, 2017), giá trị 1,133 của các công ty niêm yết (Khanh và cộng sự, 2020),... Điều này cho thấy rằng không chỉ GTDN đại diện bởi ROE mà cả GTDN đại diện bởi Tobin’s Q của các công ty logistics trên thị trường chứng khoán Việt Nam cũng cao hơn hẳn các công ty niêm yết nói chung. Do đó, tác giả càng có cơ sở khẳng định rằng, các công ty logistics đang trong thời kỳ làm ăn hiệu quả, kinh doanh tốt, giá cổ phiếu được đánh giá cao trên thị trường. Về các chỉ tiêu đại diện cho CTV. Trước hết, hệ số tổng nợ đạt giá trị trung bình là 0,3739752 cho thấy trung bình các công ty logistics sử dụng gần 37,4% nợ phải trả trong nguồn vốn. Tỷ lệ này thấp hơn nhiều so với tỷ lệ nợ trong các ngành khác như 47,73% của ngành thực phẩm và đồ uống, 54,86% của ngành thương mại bán buôn, 65,54% trong ngành xây dựng, 53,28% trong ngành bất động sản (Dang và Do, 2021) hay 55,76% của các công ty vật liệu xây dựng (Bùi Trang Đài, 2014) và 65% của các công ty xi măng (Lê Thị Minh Nguyên, 2016). Điều này cho thấy các công ty logistics vẫn ưu tiên sử dụng nguồn vốn tự có, tính tự chủ của nguồn vốn khá cao. Xét về các kỳ hạn nợ, các công ty logistics sử dụng trung bình 23,97% nợ ngắn hạn và chỉ dử dụng trung bình có 13,43% nợ dài hạn. Việc ưa thích sử dụng nợ ngắn hạn hơn nợ dài hạn trong trường hợp các công ty logistics cũng phù hợp với một số nghiên cứu trước đây ở Việt Nam như Le và Phan (2017) với @ Trường Đại học Đà Lạt
285 41% nợ ngắn hạn và 11% nợ dài hạn hay Võ Minh Long (2017) với 36% nợ ngắn hạn và 10% nợ dài hạn. Mặc dù nợ ngắn hạn có thời hạn thanh toán sớm, dễ gặp rủi ro về tái cấp vốn và thanh khoản, tuy nhiên lại có chi phí sử dụng vốn thấp nên được các doanh nghiệp ưu tiên sử dụng. Đối với các biến kiểm soát, thứ nhất, quy mô doanh nghiệp được đo lường bằng logarit của tổng tài sản đạt giá trị trung bình là 11,84, thấp hơn giá trị 12,33 của ngành thực phẩm và đồ uống (Nguyen và cộng sự, 2020) nhưng lớn hơn giá trị 6,38 của 4 nhóm ngành trong nghiên cứu của Dang và Do (2021) và gần với giá trị 11,87 của các công ty cổ phần nói chung tại Việt Nam giai đoạn 2015-2019 (Trần Thu Vân và cộng sự, 2021). Thứ hai, trong giai đoạn 2016-2020, các công ty logistics đã có sự phát triển rất ấn tượng với tốc độ tăng trưởng đạt giá trị trung bình là 27,04%. Điều này cho thấy các công ty logistics đang trong thời kỳ hưng thịnh, có nhiều triển vọng và tiềm năng phát triển. Thứ ba, cấu trúc tài sản hay tính hữu hình của tài sản được đại diện bởi tỷ trọng giá trị còn lại của tài sản cố định hữu hình trong tổng tài sản đạt giá trị trung bình gần 35,8%. Giá trị này cao hơn giá trị 23,54% của các công ty cổ phần nói chung ở Việt Nam (Trần Thu Vân và cộng sự, 2021) hay 18,04% của các công ty ngành hóa chất (Luu, 2021). Thứ tư, tỷ số thanh toán ngắn hạn của các công ty logistics trong giai đoạn này khá tốt với giá trị trung bình đạt 2,836 lần. Điều này cho thấy khả năng thanh toán trong ngắn hạn khá đảm bảo. 6.2. Kết quả phân tích tương quan giữa các biến Bảng 3: Ma trận hệ số tương quan giữa các biến trong mô hình Tobin’s ROE TD SD LD FS GR AS CR Q ROE 1,0000 Tobin’s Q 0,6535 1,0000 TD -0,2038 -0,2696 1,0000 SD -0,0368 -0,1524 0,7621 1,0000 LD -0,2678 -0,2245 0,5865 -0,0774 1,0000 FS -0,0024 0,1062 0,2260 0,0452 0,2915 1,0000 GR 0,0034 -0,0641 0,2059 0,2648 -0,0142 0,0856 1,0000 AS -0,1101 -0,0319 0,1143 -0,2736 0,5183 0,0719 -0,1636 1,0000 CR 0,0489 0,2084 -0,6911 -0,5327 -0,3977 -0,2273 -0,0338 -0,2421 1,0000 (Nguồn: Kết quả phân tích dữ liệu từ phần mềm Stata) Đối với mối tương quan giữa biến độc lập, biến kiểm soát và biến phụ thuộc. Bảng 3 cho thấy các biến độc lập và biến kiểm soát có mối quan hệ tuyến tính khá yếu với hai biến phụ thuộc. Trong đó, các nhân tố như hệ số tổng nợ, hệ số nợ ngắn hạn, hệ số nợ dài hạn và cấu trúc tài sản bước đầu cho thấy có mối tương quan ngược chiều đến cả hai đại diện của biến phụ thuộc (ROE và Tobin’s Q); nhân tố tỷ số thanh toán ngắn hạn có tương quan cùng chiều với cả hai biến phụ thuộc; trong khi đó, quy mô công ty có tương quan ngược chiều với ROE nhưng tương quan cùng chiều với Tobin’s Q; ngược lại tốc độ tăng trưởng có tương quan cùng chiều với ROE nhưng có tương quan ngược chiều với Tobin’s Q. @ Trường Đại học Đà Lạt
286 Đối với mối tương quan giữa các biến độc lập và biến kiểm soát. Kết quả chỉ ra mối tương quan giữa hệ số nợ ngắn hạn và hệ số nợ dài hạn với hệ số tổng nợ là khá cao. Điều này cũng dễ hiểu do nợ ngắn hạn và nợ dài hạn là hai bộ phận cấu thành nên nợ phải trả. Do đó, để giảm khả năng xảy ra đa cộng tuyến, hệ số tổng nợ sẽ được tách riêng với hệ số nợ ngắn hạn và hệ số nợ dài hạn trong mô hình nghiên cứu (đã trình bày ở mục 3). Bên cạnh đó, nhân tố cấu trúc tài sản và tỷ số thanh toán ngắn hạn cũng có tương quan đáng kể với các hệ số nợ. Tác giả sẽ lưu ý vấn đề này khi kiểm tra khuyết tật của mô hình. Giữa các biến độc lập và các kiểm soát còn lại đều có quan hệ tuyến tính yếu hoặc không có quan hệ tuyến tính với nhau thể hiện qua hệ số tương quan thấp. 6.3. Kết quả phân tích hồi quy Theo Margaritis và Psillaki (2020), Le và Phan (2017), Võ Minh Long (2017), Khanh và cộng sự (2020), điều kiện để chứng minh cho mối quan hệ hình chữ U đảo ngược giữa CTV và GTDN là hệ số hồi quy của TD, TD2, SD, SD2, LD, LD2 phải có ý nghĩa thống kê, đồng thời hệ số β1> 0 (biến CTV) còn hệ số β2 -(β1/2β2) thì việc tăng CTV sẽ làm giảm GTDN, tức là CTV có tác động tiêu cực đến GTDN. Các bước để kiểm định mối quan hệ phi tuyến giữa CTV và GTDN trong các mô hình 1, 2, 3, 4 được thực hiện theo trình tự như sau. Đầu tiên, tác giả tiến hành phân tích hồi quy đa biến cho 4 mô hình bằng phương pháp hồi quy dữ liệu bảng là FEM và REM (được trình bày ở bảng 4). Sau đó, kiểm định Hausman được sử dụng để lựa chọn mô hình phù hợp (được trình bày ở bảng 4). Tiếp theo, tác giả cũng tiến hành kiểm định các khuyết tật của mô hình (kết quả kiểm định được trình bày ở bảng 5). Cuối cùng, tác giả khắc phục các khuyết tật của các mô hình để tìm ra kết quả hồi quy cuối cùng (được trình bày ở bảng 6). Bảng 4: Kết quả ước lượng các mô hình bằng phương pháp FEM và REM Mô hình 1 Mô hình 2 Mô hình 3 Mô hình 4 Biến (ROE và TD) (ROE và SD, LD) (Tobin’s Q và TD) (Tobin’s Q và SD, LD) FEM REM FEM REM FEM REM FEM REM 0,316648 0,3561604 0,6840685 0,6615772 TD (0,212) (0,092)* (0,081)* (0,091)* -0,1053251 -0,3950426 -0,6298779 -0,7739351 TD2 (0,718) (0,073)* (0,162) (0,078)* 0,337404 0,4001249 0,7232877 0,6900573 SD (0,185) (0,073)* (0,103) (0,119) -0,1272583 -0,3692837 -0,7688198 -0,9090194 SD2 (0,653) (0,119) (0,120) (0,062)* 0,8725633 0,6904065 0,0727478 -0,0365612 LD (0,000)*** (0,000)*** (0,808) (0,904) -2,186094 -1,997144 0,5165315 0,4402623 LD2 (0,000)*** (0,000)*** (0,417) (0,491) -0,1561401 -0,0170314 -0,1258306 -0,0107121 -0,3824298 -0,2433156 -0,3677242 -0,233289 FS (0,014)** (0,564) (0,028)** (0,719) (0,000)*** (0,005)*** (0,000)*** (0,008)*** @ Trường Đại học Đà Lạt
287 0,0030489 0,0045134 0,0041227 0,0047957 0,0006533 0,000017 0,0006004 0,000193 GR (0,396) (0,208) (0,197) (0,134) (0,906) (0,998) (0,914) (0,973) -0,0611677 -0,047782 0,0047635 0,0104338 0,2018036 0,1972737 0,1557725 0,1488569 AS (0,462) (0,406) (0,953) (0,867) (0,117) (0,115) (0,271) (0,283) -0,0012405 -0,0002395 0,0021931 0,0040946 -0,0033778 -0,0013149 -0,0042596 -0,0023685 CR (0,823) (0,963) (0,689) (0,427) (0,693) (0,880) (0,656) (0,807) 1,897153 0,2794671 1,495599 0,1476826 5,528708 3,911123 5,378287 3,820118 Constant (0,012)** (0,431) (0,028)** (0,685) (0,000)*** (0,000)*** (0,000)*** (0,000)*** Số công ty 40 40 40 40 40 40 40 40 Số quan 200 200 200 200 200 200 200 200 sát R2 0,0767 0,0365 0,2842 0,2629 0,1896 0,1814 0,1983 0,1904 Kiểm định Prob>chi2=0,0692 Prob>chi2=0,0966 Prob>chi2=0,0080 Prob>chi2=0,0339 Hausman Ghi chú: *,**,*** tương ứng với mức ý nghĩa 10%, 5%, 1%. (Nguồn: Kết quả phân tích dữ liệu từ phần mềm Stata) Kết quả kiểm định Hausman cho thấy, mô hình 1 có Prob>chi2=0,0692 và mô hình 2 có Prob>chi2=0,0966 đều lớn hơn 5%, cho thấy trong 2 mô hình đầu tiên, ước lượng hồi quy theo mô hình REM là phù hợp với dữ liệu của bài nghiên cứu. Ngược lại, mô hình 3 có Prob>chi2=0,0080 và mô hình 4 có Prob>chi2=0,0339 đều nhỏ hơn 5% cho thấy trong 2 mô hình này, ước lượng hồi quy theo mô hình FEM là phù hợp với dữ liệu của bài nghiên cứu. Do đó, tác giả sẽ tiến hành kiểm định hiện tượng phương sai sai số thay đổi cho mô hình 1 và 2 bằng kiểm định Breusch and Pagan Lagrangian multiplier còn mô hình 3 và 4 thì dùng kiểm định Modifiel Wald. Đồng thời tác giả cũng kiểm định hiện tượng tự tương quan bằng kiểm định Wooldridge. Bảng 5: Kết quả kiểm tra các khuyết tật Mô hình 3 Mô hình 4 Mô hình 1 Mô hình 2 Kiểm định (Tobin’s Q và (Tobin’s Q và (ROE và TD) (ROE và SD, LD) TD) SD, LD) Breusch and Pagan Prob>chibar2=0,0000 Prob>chibar2=0,0000 Lagrangian multiplier test Modifiel Prob>chi2=0,0000 Prob>chi2=0,0000 Wald test Wooldridge Prob>F=0,0730 Prob>F=0,3070 Prob>F=0,0258 Prob>F=0,0273 test (Nguồn: Kết quả phân tích dữ liệu từ phần mềm Stata) Kết quả kiểm định Breusch and Pagan Lagrangian multiplier trong mô hình 1 và 2 cho kết quả Prob>chibar2=0,0000 và kiểm định Modifiel Wald trong mô hình 3 và 4 đều nhỏ hơn 5% cho thấy trong cả 4 mô hình đều có hiện tượng phương sai sai số thay đổi. Còn theo kết quả kiểm định Wooldridge thì mô hình 1 và 2 không có hiện tượng tự tương quan trong khi mô hình 3 và 4 thì có hiện tượng tự tương quan. Do đó, tác giả sẽ sử dụng kiểm định GLS để khắc phục khuyết tật của ước lượng hồi quy REM trong 2 mô hình đầu và phương pháp ước lượng hồi quy với sai số chuẩn Driscoll – Kraay (1998) để khắc phục khuyết tật ước lượng hồi quy FEM trong 2 mô hình sau. @ Trường Đại học Đà Lạt
288 Bảng 6. Kết quả hồi quy cuối cùng về mối quan hệ phi tuyến giữa CTV và GTDN Mô hình 3 Mô hình 4 Mô hình 1 Mô hình 2 (Tobin’s Q và (Tobin’s Q và (ROE và TD) (ROE và SD, LD) TD) SD, LD) 0,3561604 0,6840685 TD (0,199) (0,093)* -0,3950426 -0,6298779 TD2 (0,207) (0,206) 0,4001249 0,7232877 SD (0,138) (0,012)** -0,3692837 -0,7688198 SD2 (0,159) (0,074)* 0,6904065 0,0727478 LD (0,001)*** (0,655) -1,997144 0,5165315 LD2 (0,000)*** (0,121) -0,0170314 -0,0107121 -0,3824298 -0,3677242 FS (0,427) (0,685) (0,037)** (0,050)** 0,0045134 0,0047957 -0,0006533 -0,0006004 GR (0,002)*** (0,000)*** (0,649) (0,729) -0,047782 0,0104338 0,2018036 0,1557725 AS (0,342) (0,845) (0,019)** (0,210) -0,0002395 0,004338 -0,0033778 -0,0042596 CR (0,937) (0,845) (0,675) (0,441) 0,2794671 0,1476826 5,528708 5,378287 _cons (0,284) (0,664) (0,023)** (0,027)** Số công ty 40 40 40 40 Số quan sát 200 200 200 200 R-sq 0,0365 0,2629 0,1896 0,1983 Ghi chú: *,**,*** tương ứng với mức ý nghĩa 10%, 5%, 1% (Nguồn: Kết quả phân tích dữ liệu từ phần mềm Stata) Kết quả hồi quy cuối cùng sau khi khắc phục khuyết tật của mô hình ở bảng trên cho thấy: - Đối với Mô hình 1 (biến phụ thuộc là ROE và biến CTV là hệ số tổng nợ): các hệ số β của TD và TD2 đều không có ý nghĩa thống kê, nghĩa là không có mối quan hệ phi tuyến giữa hệ số tổng nợ và GTDN đại diện bởi ROE. - Đối với Mô hình 2 (biến phụ thuộc là ROE và biến CTV là hệ số nợ ngắn hạn và hệ số nợ dài hạn). + Các hệ số β của SD và SD2 đều không có ý nghĩa thống kê, nghĩa là không có mối quan hệ phi tuyến giữa hệ số ngắn hạn và GTDN đại diện bởi ROE. + Các hệ số β của LD và LD2 đều có ý nghĩa thống kê với độ tin cậy 99%. Ngoài ra, hệ số β @ Trường Đại học Đà Lạt
289 của LD là 0,6904065 > 0 đồng thời hệ số β của LD2 là -1,997144 < 0 cho thấy có đủ điều kiện để kết luận rằng hệ số nợ dài hạn có mối quan hệ phi tuyến hình chữ U ngược với GTDN đại diện bởi ROE. Thay vào phương trình X= -(β1/2β2), với β1 = 0,6904065 và β2 = -1,997144 cho ra được kết quả mức nợ dài hạn tối ưu để tối đa hóa GTDN là 17,28%. - Đối với Mô hình 3 (biến phụ thuộc là Tobin’s Q và biến CTV là hệ số tổng nợ): hệ số β của TD có ý nghĩa thống kê với độ tin cậy 90% nhưng hệ số β của TD2 không có ý nghĩa thống kê, do đó kết luận không có mối quan hệ phi tuyến giữa hệ số tổng nợ và GTDN đại diện bởi Tobin’s Q. - Đối với Mô hình 4 (biến phụ thuộc là Tobin’s Q và biến CTV là hệ số nợ ngắn hạn và hệ số nợ dài hạn). + Các hệ số β của SD và SD2 đều có ý nghĩa thống kê với độ tin cậy lần lượt là 95% và 90%. Ngoài ra, hệ số β của SD là 0,7232877 > 0 đồng thời hệ số β của SD2 là -0,7688198 < 0 cho thấy có đủ điều kiện để kết luận rằng hệ số nợ ngắn hạn có mối quan hệ phi tuyến hình chữ U ngược với GTDN đại diện bởi Tobin’s Q. Thay vào phương trình X= -(β1/2β2), với β1 = 0,7232877 và β2 = -0,7688198 cho ra được kết quả mức nợ ngắn hạn tối ưu để tối đa hóa GTDN là 47,04%. + Các hệ số β của LD và LD2 đều không có ý nghĩa thống kê, nghĩa là không có mối quan hệ phi tuyến giữa hệ số nợ dài hạn và GTDN đại diện bởi Tobin’s Q. Riêng đối với các biến kiểm soát, quy mô doanh nghiệp không có ý nghĩa thống kê với ROE nhưng có tác động tiêu cực đến Tobin’s Q. Ngược lại, tốc độ tăng trưởng có tác động tích cực đến ROE trong mô hình 1 và 2 nhưng không có tác động đến GTDN đại diện bởi Tobin’s Q trong mô hình 3 và 4. Cấu trúc tài sản được tìm thấy có tác động tích cực đến GTDN trong mô hình 3 nhưng không có ý nghĩa thống kê trong mô hình 1, 2 và 4. Tỷ số thanh toán ngắn hạn không có ý nghĩa thống kê trong cả 4 mô hình. 7. Thảo luận kết quả nghiên cứu và kiến nghị Thứ nhất, CTV đại diện bởi hệ số tổng nợ không có mối quan hệ phi tuyến với GTDN đại diện bởi cả ROE và Tobin’s Q, do đó giả thuyết H1 bị bác bỏ. Kết quả này cũng được tìm thấy trong nghiên cứu của Nguyễn Hữu Huân và Lê Nguyễn Quỳnh Hương (2014) khi nghiên cứu này không tìm thấy các ngưỡng nợ khác nhau ảnh hưởng đến GTDN của 517 doanh nghiệp phi tài chính đang niêm yết trên hai sàn giao dịch chứng khoán TP. Hồ Chí Minh và Hà Nội giai đoạn 2010-2012. Thứ hai, CTV đại diện bởi hệ số nợ ngắn hạn không có mối quan hệ phi tuyến với GTDN đại diện bởi ROE nhưng có mối quan hệ phi tuyến với GTDN đại diện bởi Tobin’s Q, như vậy về cơ bản hệ số nợ ngắn hạn vẫn có quan hệ phi tuyến với GTDN được đo lường bằng giá trị sổ sách kết hợp với giá trị thị trường, do đó giả thuyết H2 được chấp nhận. Theo đó, các công ty logistics được niêm yết trên thị trường chứng khoán Việt Nam chỉ nên sử dụng tối đa 47,04% nợ ngắn hạn trong CTV bởi đây là mức nợ ngắn hạn tối ưu. Dưới mức nợ này, việc gia tăng nợ ngắn hạn sẽ làm tăng GTDN nhưng khi vượt quá mức nợ này, việc tăng nợ ngắn hạn sẽ làm giảm GTDN. Thứ ba, CTV đại diện bởi hệ số nợ dài hạn không có mối quan hệ phi tuyến với GTDN đại diện bởi Tobin’s Q nhưng có mối quan hệ phi tuyến với GTDN đại diện bởi ROE, như vậy về cơ bản hệ số nợ dài hạn vẫn có quan hệ phi tuyến với GTDN được đo lường bằng giá trị sổ sách, do đó giả thuyết H3 được chấp nhận. Theo kết quả của nghiên cứu này, các công ty logistics được niêm yết trên thị trường chứng khoán Việt Nam chỉ nên sử dụng tối đa 17,28% nợ dài hạn trong CTV bởi đây là mức nợ dài hạn tối ưu. Dưới mức nợ này, việc gia tăng nợ dài hạn sẽ làm tăng GTDN nhưng khi vượt quá mức nợ này, việc tăng nợ dài hạn sẽ làm giảm GTDN. @ Trường Đại học Đà Lạt
290 Việc doanh nghiệp chỉ nên dùng một mức nợ ngắn hạn hay nợ dài hạn vừa phải để nâng cao GTDN trong nghiên cứu này là hoàn toàn phù hợp với lý thuyết đánh đổi bởi theo lý thuyết này, ở một mức nợ thấp và trung bình, chi phí kiệt quệ tài chính nhỏ, rủi ro và áp lực thanh toán thấp, nên nếu doanh nghiệp vay thêm nợ thì sẽ được hưởng thêm lợi ích từ lá chắn thuế. Tuy nhiên, mức nợ càng tăng thì lợi ích cận biên của nợ càng giảm còn chi phí cận biên của khoản nợ càng tăng. Và khi mức nợ tăng lên quá cao, chi phí kiệt quệ tài chính sẽ vượt quá lợi ích của lá chắn thuế, việc vay nợ sẽ làm cho GTDN giảm đi. Ngoài ra, việc tồn tại ngưỡng nợ ngắn hạn và dài hạn tối ưu giúp tối đa hóa GTDN là hoàn toàn phù hợp với lý thuyết đánh đổi và một số nghiên cứu trước đây như Le và Phan (2017), Võ Minh Long (2017). Như vậy, tùy thuộc vào việc doanh nghiệp logistics đang sử dụng mức nợ như thế nào và mục tiêu của doanh nghiệp là gì, muốn cải thiện ROE hay Tobin’s Q của doanh nghiệp mà sẽ đưa ra những quyết định hợp lý về CTV. Tài liệu tham khảo Tài liệu tham khảo tiếng Việt [1] Bộ Công Thương (2018), Báo cáo logistics Việt Nam 2018, Hà Nội: Nhà xuất bản Công Thương. [2] Bộ Công Thương (2019), Báo cáo logistics Việt Nam 2019, Hà Nội: Nhà xuất bản Công Thương. [3] Bộ Công Thương (2020), Báo cáo logistics Việt Nam 2020, Hà Nội: Nhà xuất bản Công Thương. [4] Bùi Trang Đài (2014), Các nhân tố ảnh hưởng đến cấu trúc vốn của các công ty ngành vật liệu xây dựng niêm yết trên thị trường chứng khoán Việt Nam, Luận văn thạc sĩ, Trường Đại học Tài chính – Marketing. [5] Nguyễn Hữu Huân & Lê Nguyễn Quỳnh Hương (2014), Cấu trúc vốn và giá trị doanh nghiệp tại Việt Nam, Tạp chí Công nghệ Ngân hàng, Số 101. [6] Võ Minh Long (2016), Tác động của cấu trúc vốn đến giá trị các công ty phi tài chính, Tạp chí Tài chính, tháng 06/2016, pp. 41-43. [7] Võ Minh Long (2017), Tác động của cấu trúc vốn đến giá trị doanh nghiệp của các doanh nghiệp cổ phần niêm yết trên Sở giao dịch chứng khoán Thành phố Hồ Chí Minh, Luận án tiến sĩ, Trường Đại học Ngân hàng thành phố Hồ Chí Minh. [8] Lê Thị Minh Nguyên (2016), Các yếu tố tác động đến cấu trúc vốn: một nghiên cứu trong nghành xi măng Việt Nam, Tạp chí khoa học Trường Đại học Văn Hiến, 4(3), pp. 30-37. [9] Trần Thu Vân, Lê Trần Hạnh Phương, Lương Thị Thúy Diễm & Nguyễn Thị Thùy Linh (2021), Cấu trúc vốn của các công ty cổ phần tại Việt Nam, Tạp chí Kinh tế Châu Á – Thái Bình Dương, số tháng 5/2021, pp 46-48. Tài liệu tham khảo tiếng nước ngoài [10] Adland, R., Noraas, J. & Iversen, R.S. (2017), Capital structure determinants of shipbuilding companies, Int. J. Shipping and Transport Logistics, 9(6), pp. 763–789. [11] Berzkalne, I. (2015), Company’s Capital Structure and Value: a Panel Threshold Regression Analysis, Taikomoji Ekonomika: Sisteminiai Tyrimai, pp.77-94. [12] Cheng, Y., Liu, Y. & Chien, C. (2010), Capital structure and firm value in China: A panel threshold regression analysis, African Journal of Business Management, 4(12), pp. 2500-2507. @ Trường Đại học Đà Lạt
291 [13] Cuong, N. T. & Canh, N. T. (2012), The Effect of Capital Structure on Firm Value for Vietnam’s Seafood Processing Enterprises, International Research Journal of Finance and Economics, 89, pp. 221-233. [14] Cuong, N. T. (2014), Threshold Effect of Capital Structure on Firm Value: Evidence from Seafood Processing Enterprises in the South Central Region of Vietnam, International Journal of Finance & Banking Studies, 3(3), pp. 14-29. [15] Dang, T. D. & Do, T. V. T. (2021), Does capital structure affect firm value in Vietnam?, Investment Management and Financial Innovations, 18(1), pp.33-41 [16] Driscoll, J. C. & Kraay, A. C. (1998), Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data, The Review of Economics and Statistics, 80(4), pp. 549–560. [17] Farooq, M. A. & Masood, A. (2016), Impact of Financial Leverage on Value of Firms: Evidence from Cement Sector of Pakistan, Research Journal of Finance and Accounting, 7(9), pp. 73-77. [18] Hermuningsih, S. (2013), Profitability, growth opportunity, capital structure and the firm value, Bulletin of Monetary, Economics and Banking, pp. 115-136. [19] Khanh, V. T. V, Hung, D. N., Van, V. T. T. & Huyen, H. T. (2020), A study on the effect of corporate governance and capital structure on firm value in Vietnam, Accounting, 6 (2020), pp. 221– 230. [20] Kraus, A. & Litzenberger, R. H. (1973), A State-Preference Model of Optimal Financial Leverage, Journal of Finance, 28, pp. 911-922. [21] Le, T. P. V & Phan, T. B. N. (2017), Capital structure andfirm performance: Empirical evidence from a small transition country, Research in International Business and Finance, 42 (2017), pp. 710-726. [22] Luu, D. H. (2021), The Impact of Capital Structure on Firm Value: A Case Study in Vietnam, Journal of Asian Finance, Economics and Business, 8 (5), pp. 0287–0292. [23] Modigliani, F. & Miller, M. (1963), Corporate income taxes and the cost of capital: A correction, American Economic Review, 53, pp. 443-53. [24] Nguyen, T. T., Nguyen, H. P., Nguyen, L. B. K, Vu, N. T. & Le, T. U. (2020), The relationship between capital structure and firm value: cases of listed companies in the food and beverages industry in Vietnam, Academy of Accounting and Financial Studies Journa, 24(1), pp. 1-12. [25] Ruan, W., Tian, G. & Ma, S. (2011), Managerial Ownership, Capital Structure and Firm Value: Evidence from China’s Civilian-run Firms, Australasian Accounting, Business and Finance Journal, 5(3), pp. 73-92. [26] Yinusa, O. G., Adelopo, I., Rodionova, Y. & Samuel, O. L. (2019), Capital Structure and Firm Performance in Nigeria, African Journal of Economic Review, 7(1), pp. 31-56. @ Trường Đại học Đà Lạt