Đánh đổi cấu trúc vốn là gì? Cách xây dựng mô hình nghiên cứu

Mô hình đánh đổi cấu trúc vốn là gì

Bạn có thể hình dung doanh nghiệp đang đứng giữa hai lựa chọn: dùng nợ để tận dụng lợi ích của lá chắn thuế, hoặc dùng vốn chủ sở hữu để giảm áp lực trả nợ và nguy cơ mất khả năng thanh toán. Lý thuyết đánh đổi cấu trúc vốn giải thích rằng doanh nghiệp tìm kiếm một tỷ lệ nợ tối ưu bằng cách cân bằng lợi ích biên của nợ với chi phí biên do nợ tạo ra.

Vì vậy, câu hỏi “đánh đổi cấu trúc vốn là gì” không chỉ yêu cầu một định nghĩa. Trong luận văn định lượng, đây là nền tảng để bạn giải thích vì sao các đặc điểm như quy mô doanh nghiệp, khả năng sinh lời, tài sản hữu hình, cơ hội tăng trưởng hoặc tính thanh khoản có thể ảnh hưởng đến tỷ lệ nợ.

Mô hình này thường được trình bày như một quan hệ giữa các biến giải thích và biến phụ thuộc là cấu trúc vốn. Cấu trúc vốn có thể được đo bằng tỷ lệ tổng nợ trên tổng tài sản, nợ dài hạn trên tổng tài sản, hoặc nợ trên vốn chủ sở hữu. Bạn cần chọn một cách đo nhất quán với dữ liệu và mục tiêu nghiên cứu, thay vì đưa nhiều chỉ tiêu vào mô hình chỉ vì chúng có sẵn trong báo cáo tài chính.

Một điểm cần giữ rõ khi viết cơ sở lý thuyết là mô hình đánh đổi không khẳng định “nợ càng cao càng tốt” hay “doanh nghiệp nên tránh nợ”. Ý chính là mức nợ thấp có thể khiến doanh nghiệp chưa tận dụng hết lợi ích thuế, trong khi mức nợ quá cao làm chi phí kiệt quệ tài chính và rủi ro mất khả năng thanh toán tăng lên. Tỷ lệ phù hợp phụ thuộc vào đặc điểm của từng doanh nghiệp và bối cảnh ngành.

Nếu bạn đang xây nền tảng cho phần tài chính doanh nghiệp, có thể xem thêm chủ đề Mô hình nghiên cứu để đặt lý thuyết này vào đúng vị trí trong đề cương. Các bài về CAPM là gì và lý thuyết CAPM cũng hữu ích nếu đề tài của bạn liên quan đến chi phí vốn hoặc rủi ro thị trường.

Các thành phần trong mô hình

Một mô hình định lượng về đánh đổi cấu trúc vốn thường có biến phụ thuộc, nhóm biến giải thích và các biến kiểm soát. Bạn không nhất thiết phải dùng đủ mọi biến thường xuất hiện trong nghiên cứu trước. Hãy ưu tiên biến có dữ liệu thu thập được, có lý do lý thuyết và có thể giải thích khi giảng viên hỏi.

Nếu dữ liệu của bạn là dữ liệu thứ cấp từ báo cáo tài chính, các biến trên thường được tính bằng công thức số học. Bạn cần tạo một bảng mã biến trước khi nhập SPSS hoặc R, trong đó ghi tên biến, công thức, đơn vị tính, nguồn dữ liệu và cách xử lý giá trị thiếu. Bước này giúp bạn tránh tình trạng một biến được tính bằng tổng nợ ở năm này nhưng lại dùng nợ dài hạn ở năm khác.

Nếu đề tài thuộc kế toán hoặc tài chính doanh nghiệp, bạn có thể tham khảo thêm đề tài luận văn kế toán để xem cách giới hạn phạm vi nghiên cứu. Các khái niệm như Fama-French là gì phù hợp hơn với nghiên cứu lợi suất và yếu tố thị trường, nên không nên đưa vào mô hình cấu trúc vốn nếu bạn chưa giải thích được quan hệ lý thuyết.

Mô hình gốc và các mở rộng phổ biến

Mô hình đánh đổi thường được trình bày như một hướng tiếp cận về tỷ lệ nợ tối ưu. Ở dạng cơ bản, doanh nghiệp cân nhắc lợi ích từ nợ với chi phí của nợ. Lợi ích có thể đến từ lá chắn thuế của chi phí lãi vay. Chi phí có thể bao gồm chi phí kiệt quệ tài chính, chi phí phá sản trực tiếp và gián tiếp, hoặc chi phí phát sinh do xung đột giữa các bên liên quan.

Khi chuyển lý thuyết thành mô hình thực nghiệm, bạn thường mở rộng bằng cách thêm các biến đại diện cho khả năng doanh nghiệp chịu đựng nợ. Doanh nghiệp lớn có thể tiếp cận tín dụng dễ hơn, nhưng đồng thời có thể có nhiều nguồn vốn và hoạt động đa dạng hơn. Doanh nghiệp có tỷ lệ tài sản hữu hình cao thường có nhiều tài sản bảo đảm hơn. Doanh nghiệp có khả năng sinh lời cao có thể tích lũy nguồn vốn nội bộ, từ đó giảm nhu cầu vay, nhưng cũng có thể vay dễ hơn nhờ tình hình tài chính tốt.

Đây là lý do dấu kỳ vọng không nên được chọn máy móc. Cùng một biến có thể được giải thích theo nhiều cơ chế. Chẳng hạn, khả năng sinh lời có thể có quan hệ âm với nợ nếu doanh nghiệp ưu tiên dùng lợi nhuận giữ lại. Nhưng quan hệ cũng có thể khác nếu doanh nghiệp sinh lời tốt được ngân hàng đánh giá là ít rủi ro hơn và có khả năng vay nhiều hơn.

Bạn nên lập bảng lập luận trước khi viết giả thuyết. Bảng này ghi biến, cơ chế dự kiến, dấu kỳ vọng và lý do có thể khiến kết quả khác kỳ vọng. Khi bảo vệ, phần giải thích này có giá trị hơn việc chỉ nói rằng “nghiên cứu trước đã tìm thấy quan hệ”.

Mô hình cũng có thể mở rộng theo dữ liệu bảng, dữ liệu chéo hoặc dữ liệu chuỗi thời gian. Với dữ liệu bảng doanh nghiệp qua nhiều năm, bạn cần cân nhắc biến giả năm, biến giả ngành và cách xử lý quan sát lặp lại. Nếu chỉ có dữ liệu của một năm, phần kết luận nên giới hạn ở mối liên hệ trong mẫu nghiên cứu, không diễn đạt như một quan hệ nhân quả chắc chắn.

Thang đo thường dùng cho từng khái niệm

Với dữ liệu báo cáo tài chính, “thang đo” thường là cách vận hành hóa biến bằng tỷ số, không phải bộ biến quan sát dạng Likert. Bạn cần phân biệt hai trường hợp. Nếu nghiên cứu cấu trúc vốn của doanh nghiệp niêm yết, các biến thường được tính trực tiếp từ báo cáo tài chính. Nếu nghiên cứu nhận thức của nhà quản trị về chính sách vay nợ, bạn có thể cần bảng hỏi và các biến quan sát, nhưng cách này phải có nguồn thang đo phù hợp với bối cảnh.

Nếu dùng bảng hỏi, đừng gọi các mệnh đề đo nhận thức là “dữ liệu khách quan” từ báo cáo tài chính. Bạn có thể dùng Likert nếu câu hỏi đo mức độ đồng ý của người trả lời, nhưng cần kiểm tra độ tin cậy và giá trị của thang đo trước khi đưa vào mô hình. Những nguyên tắc về thiết kế thang đo Likert có thể được đặt trong nền tảng phương pháp của mô hình CAPM chỉ khi đề tài của bạn thực sự có biến nhận thức liên quan, còn với mô hình cấu trúc vốn từ báo cáo tài chính thì tỷ số tài chính thường phù hợp hơn.

Với dữ liệu thứ cấp, kiểm định Cronbach's Alpha không phải bước mặc định cho từng tỷ số tài chính. Bạn không cần gom ROA, quy mô và tỷ lệ tài sản hữu hình thành một thang đo chung, vì chúng là các khái niệm khác nhau. Ngược lại, nếu bạn dùng nhiều biến quan sát để đo “khả năng tiếp cận nguồn vốn” hoặc “nhận thức về rủi ro tài chính”, Cronbach's Alpha và phân tích nhân tố mới có thể phù hợp.

Áp dụng vào đề tài của bạn

Giả sử đề tài là: “Các yếu tố ảnh hưởng đến cấu trúc vốn của doanh nghiệp niêm yết tại Việt Nam”. Biến phụ thuộc là DEBT, được tính bằng tổng nợ chia cho tổng tài sản. Bốn biến giải thích gồm quy mô doanh nghiệp, khả năng sinh lời, tài sản hữu hình và cơ hội tăng trưởng. Bạn có thể thêm biến thanh khoản hoặc tuổi doanh nghiệp nếu có dữ liệu và lập luận rõ.

Mô hình hồi quy minh họa có dạng:

DEBT = β0 + β1SIZE + β2ROA + β3TANG + β4GROWTH + ε

Trong đó β0 là hằng số, β1 đến β4 là các hệ số hồi quy và ε là sai số. Đây là mô hình minh họa về cấu trúc biến, không phải kết quả của một nghiên cứu cụ thể. Trước khi chạy, bạn cần xác định từng công thức, thời kỳ quan sát và tiêu chí loại dữ liệu bất thường.

Bạn có thể viết giả thuyết theo hướng sau:

• H1: Quy mô doanh nghiệp có ảnh hưởng đến cấu trúc vốn của doanh nghiệp niêm yết.
• H2: Khả năng sinh lời có ảnh hưởng đến cấu trúc vốn của doanh nghiệp niêm yết.
• H3: Tỷ lệ tài sản hữu hình có ảnh hưởng đến cấu trúc vốn của doanh nghiệp niêm yết.
• H4: Cơ hội tăng trưởng có ảnh hưởng đến cấu trúc vốn của doanh nghiệp niêm yết.

Nếu muốn nêu dấu kỳ vọng, bạn phải giải thích cơ chế trước. Ví dụ, H2 có thể được xây dựng theo hướng khả năng sinh lời làm giảm tỷ lệ nợ vì doanh nghiệp có nguồn vốn nội bộ lớn hơn. Khi đó, giả thuyết cần ghi rõ hướng âm nếu thiết kế nghiên cứu của bạn thực sự có cơ sở cho hướng này. Nếu tài liệu nền tảng cho thấy hai cơ chế trái chiều, bạn có thể đặt giả thuyết về “có ảnh hưởng” và để dữ liệu xác định dấu, nhưng phải nói rõ giới hạn của lựa chọn.

Cách viết vào luận văn: “Dựa trên lý thuyết đánh đổi cấu trúc vốn, nghiên cứu đề xuất rằng [tên biến độc lập] có ảnh hưởng đến [tên biến phụ thuộc], do [cơ chế lý thuyết]. Vì vậy, giả thuyết H[ ] được đề xuất: [viết nguyên văn giả thuyết].”

Khi trình bày mô hình, hãy vẽ mũi tên từ bốn biến độc lập đến DEBT. Nếu có biến kiểm soát, đặt chúng trong cùng mô hình nhưng giải thích riêng. Không nên vẽ quan hệ giữa mọi biến độc lập với nhau nếu bạn chưa có giả thuyết về quan hệ đó.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Với mô hình sử dụng tỷ số tài chính và biến phụ thuộc liên tục, hồi quy tuyến tính trong SPSS thường là lựa chọn trực tiếp. Bạn nhập mỗi doanh nghiệp hoặc mỗi quan sát doanh nghiệp theo năm thành một dòng, mỗi biến thành một cột. Các biến số phải ở dạng numeric, tên biến ngắn và không có ký tự đặc biệt.

Trong SPSS, vào Analyze > Regression > Linear. Đưa DEBT vào ô Dependent, đưa SIZE, ROA, TANG và GROWTH vào ô Independent(s). Trong Statistics, chọn Estimates, Model fit, Confidence intervals, Collinearity diagnostics và Durbin-Watson. Trong Plots, có thể đặt *ZPRED ở trục X và *ZRESID ở trục Y để quan sát dạng phân tán của phần dư.

Sau đó đọc các bảng Model Summary, ANOVA và Coefficients. Model Summary cho biết R và R Square. Bảng ANOVA cung cấp kiểm định mức phù hợp tổng thể của mô hình. Bảng Coefficients cho biết hệ số B, sai số chuẩn, Beta, t và Sig. của từng biến. Bạn cần đọc cùng lúc dấu của B và p-value, không kết luận chỉ vì R Square cao.

Bảng dưới đây là số liệu minh họa, không phải kết quả từ một nghiên cứu thật. Tên cột được sắp theo bảng Coefficients của SPSS để bạn đối chiếu với file đang mở.

Trong ví dụ này, hệ số của SIZE dương và Sig. bằng 0.003. Nếu ngưỡng ý nghĩa bạn đã chọn là 5%, có thể nói SIZE có quan hệ cùng chiều với DEBT trong mẫu minh họa. ROA có hệ số âm và Sig. bằng 0.004. GROWTH có Sig. bằng 0.110 nên chưa có đủ bằng chứng thống kê ở mức 5% trong ví dụ này. Bạn phải thay toàn bộ số liệu bằng output thật của mình trước khi viết chương 4.

SmartPLS phù hợp hơn khi mô hình của bạn có biến tiềm ẩn đo bằng nhiều biến quan sát, chẳng hạn nhận thức về rủi ro tài chính hoặc khả năng tiếp cận tín dụng. Nếu mô hình chỉ gồm các tỷ số tài chính quan sát trực tiếp, SmartPLS có thể làm quy trình phức tạp hơn cần thiết. Khi dùng SmartPLS 4, dữ liệu .csv cần có hàng đầu là tên biến và các hàng sau là quan sát.

Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo các chỉ báo vào construct, nối các construct theo giả thuyết và chạy PLS-SEM Algorithm. Sau đó đánh giá measurement model trước rồi mới đánh giá structural model. Quy trình hai bước này giúp bạn không diễn giải path coefficient khi thang đo chưa đạt. Với mô hình chỉ dùng biến đơn chỉ báo, bạn cần giải thích rõ lý do chọn SmartPLS và cách khai báo construct.

Khi đọc kết quả SmartPLS, hãy xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square, Collinearity Statistics và kết quả Bootstrapping. Đừng đưa CFI, TLI hoặc RMSEA vào bài SmartPLS, vì các chỉ số đó thuộc nhóm đánh giá độ phù hợp thường dùng trong CB-SEM.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng “tỷ lệ nợ” nhưng không ghi công thức. Tổng nợ trên tổng tài sản, nợ dài hạn trên tổng tài sản và tổng nợ trên vốn chủ sở hữu là ba biến khác nhau. Tên biến trong mô hình, công thức trong chương 3 và tiêu đề bảng kết quả phải trùng nhau.

Lỗi thứ hai là chọn dấu giả thuyết theo thói quen. Một biến có thể có nhiều cơ chế tác động. Nếu bạn không giải thích vì sao dấu kỳ vọng là dương hoặc âm, hội đồng có thể hỏi lại ngay cả khi kết quả có ý nghĩa thống kê.

Lỗi thứ ba là coi tương quan là quan hệ nhân quả. Dữ liệu bảng không tự động chứng minh biến độc lập gây ra thay đổi ở cấu trúc vốn. Hãy dùng cách diễn đạt phù hợp với thiết kế nghiên cứu và nêu giới hạn về nội sinh, biến bỏ sót hoặc sai lệch đo lường nếu bạn chưa có phương pháp xử lý chuyên sâu.

Lỗi thứ tư là bỏ qua dữ liệu bất thường. Một doanh nghiệp có vốn chủ sở hữu âm có thể làm tỷ lệ nợ trên vốn chủ sở hữu biến động rất lớn. Bạn cần kiểm tra outlier, giá trị thiếu, đơn vị tiền tệ và sự nhất quán giữa báo cáo các năm. Việc xóa quan sát phải có tiêu chí và được ghi lại, không xóa chỉ vì kết quả chưa đạt kỳ vọng.

Cuối cùng, đừng đưa quá nhiều biến vào một mẫu nhỏ. Nhiều biến làm mô hình khó giải thích và có thể làm tăng đa cộng tuyến. Kiểm tra VIF, xem xét tương quan giữa các biến và giữ lại những biến có cơ sở lý thuyết. Nếu bạn sử dụng hồi quy, có thể tham khảo quy tắc cỡ mẫu trong (Tabachnick và Fidell, 2013), nhưng vẫn cần xét chất lượng dữ liệu và số lượng biến thực tế.

Câu hỏi thường gặp

Đánh đổi cấu trúc vốn là gì trong tài chính doanh nghiệp?

Đó là cách giải thích quyết định vay nợ như một sự cân bằng giữa lợi ích của nợ và chi phí do nợ tạo ra. Doanh nghiệp tìm một mức nợ phù hợp thay vì mặc định tăng nợ hoặc loại bỏ hoàn toàn nợ.

Trong luận văn, lý thuyết này thường được dùng để giải thích vì sao quy mô, khả năng sinh lời, tài sản hữu hình, tăng trưởng và thanh khoản có thể liên quan đến tỷ lệ nợ.

Nên dùng tổng nợ trên tổng tài sản hay nợ dài hạn trên tổng tài sản?

Bạn chọn chỉ tiêu dựa trên câu hỏi nghiên cứu. Tổng nợ trên tổng tài sản phản ánh mức đòn bẩy chung. Nợ dài hạn trên tổng tài sản phù hợp hơn nếu bạn tập trung vào quyết định tài trợ dài hạn.

Hãy chọn một biến chính, ghi công thức rõ và có thể dùng chỉ tiêu còn lại trong kiểm định độ bền nếu dữ liệu cho phép. Không nên thay đổi chỉ tiêu sau khi xem kết quả để tìm mô hình có p-value đẹp hơn.

Mô hình đánh đổi cấu trúc vốn có bắt buộc dùng SmartPLS không?

Không. Nếu các biến là tỷ số tài chính quan sát trực tiếp và bạn kiểm định ảnh hưởng của nhiều biến độc lập lên một biến phụ thuộc liên tục, hồi quy tuyến tính trong SPSS thường dễ giải thích hơn.

SmartPLS phù hợp khi bạn có construct tiềm ẩn, nhiều biến quan sát, hoặc một mô hình PLS-SEM rõ ràng. Công cụ không thay thế cho lập luận lý thuyết và cũng không làm dữ liệu thứ cấp tự động trở thành thang đo.

Khi hệ số hồi quy trái với dấu kỳ vọng thì phải làm sao?

Trước hết kiểm tra cách tính biến, đơn vị đo, dữ liệu thiếu, outlier và đa cộng tuyến. Sau đó xem lại cơ chế lý thuyết và đặc điểm mẫu. Dấu trái kỳ vọng là kết quả cần giải thích, không phải lý do để tự động xóa biến.

Trong chương 4, bạn có thể trình bày dấu quan sát được, mức ý nghĩa, so sánh với kỳ vọng và đưa ra các khả năng giải thích phù hợp với phạm vi dữ liệu. Không nên khẳng định một nguyên nhân mà mô hình chưa kiểm định.

Có cần chạy Cronbach's Alpha cho các biến ROA, SIZE và DEBT không?

Thông thường không. Đây là các chỉ tiêu tài chính khác khái niệm, không phải những biến quan sát cùng đo một thang đo. Cronbach's Alpha phù hợp hơn khi bạn có nhiều biến quan sát cùng đo một construct, chẳng hạn nhận thức về rủi ro tài chính.

Với dữ liệu báo cáo tài chính, trọng tâm là công thức vận hành hóa, độ nhất quán của nguồn dữ liệu, kiểm tra giá trị bất thường và lựa chọn mô hình hồi quy phù hợp.

Bạn hãy mở file dữ liệu, lập bảng công thức cho DEBT, SIZE, ROA, TANG và GROWTH, rồi kiểm tra từng biến trước khi chạy mô hình. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và muốn giữ lại bảng output để viết chương 4, xem M4 phân tích dữ liệu của DoThesis.