Investigating the Effects of Debt Convergence of Companies on the Speed of Capital Structure Adjustment Considering the Time Horizon

Document Type : Research Paper

Authors

1 Ph.D. Student, Department of Accounting, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran

2 Assistant Professor, Department of Accounting, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran

Abstract

This study examined the capital structure adjustment speed between converged and non-converged companies in terms of financial leverage according to the timing of capital structure adjustment using data from companies listed on the Tehran Stock Exchange (TSE). The aim of the study was to investigate whether corporate debt convergence and timing of capital structure adjustment had a significant effect on the capital structure adjustment speed. This study was unique in that it investigated the effect of debt convergence on capital structure adjustment speed, comparing adjustment timing between converged and non-converged companies - an approach not previously explored in domestic research. The relevant data for companies listed on the TSE from 2015 to 2021 were collected. First, the converged and non-converged companies were identified using the Phillips and Sul’s (2007) method. Then, the estimation results were analyzed using the generalized method of moments regression. The results indicated that the capital structure adjustment speed was higher for the converged companies (in terms of leverage) compared to the non-converged companies. Additionally, the capital structure adjustment speed was lower in the earlier years of the adjustment period compared to the later years. There was a significant difference in the capital structure adjustment speed between the beginning and the end of the adjustment period for the converged versus non-converged companies.
Keywords: Capital Structure Adjustment Speed, Debt Convergence, Capital Structure Adjustment Time, Converged Companies, Non-Converged Companies.
 
Introduction
Extensive research has examined the speed at which companies adjust their financial leverage towards an optimal capital structure. The idea is that there exists an optimal debt-to-equity ratio that maximizes a company's value and when companies deviate from this optimal level, they will make adjustments to return to the target capital structure. The phenomenon of mean reversion in leverage was first highlighted by Chen and Zhao (2007), which complicates the assessment of adjustment speed. This mean reversion effect can create contradictions in financial policies and leverage changes - for instance, a company may have an explicit policy to increase debt, yet its debt ratio still decreases and vice versa. The fact that leverage ratios are bounded between 0 and 1 contributes to this mean reversion tendency. Studies on capital structure adjustment speed have generally found that companies adjust their leverage gradually over a long period of time. Specifically, the adjustment tends to start off at a slower pace in the beginning and then accelerate in the later years of the adjustment process. Given these considerations, we investigated whether the convergence of corporate debt levels affected the speed of capital structure adjustment and whether the adjustment speed varied over the course of the adjustment period. In other words, the study sought to examine if debt convergence impacted the dynamics of the capital structure adjustment process for companies listed on the Tehran Stock Exchange (TSE).
 
 
Materials & Methods
The study period spanned from 2016 to 2021. The first step was to distinguish between convergent and non-convergent companies using the Phillips and Sul’s (2007) method. Then, the generalized method of moments regression was employed to estimate the results.
 
Findings
This study examined debt convergence as a key factor influencing the capital structure speed of adjustment. The results supported the hypothesis that debt convergence affects the adjustment speed. The second hypothesis was also confirmed - the capital structure speed of adjustment was lower in the initial years of the adjustment period compared to the later years. This was likely because adjusting the capital structure incurred costs and given the significant gap between actual and target leverage in the early adjustment years, the companies tended to adjust their leverage more slowly during this phase. Finally, the third hypothesis was supported as well - the capital structure speed of adjustment differed between the convergent and non-convergent companies both in the early and later stages of the adjustment process. This suggested that the dynamics of the adjustment path varied depending on whether a company's debt level had converged towards an industry average or not.
 
Discussion & Conclusions
Numerous domestic and international studies have examined the factors affecting the capital structure speed of adjustment. However, two factors that have received relatively less attention are the impacts of corporate debt convergence and timing of the adjustment process. This study aimed to investigate the influence of these two variables on the capital structure speed of adjustment with greater rigor and precision. The findings provided important insights; the results indicated that the speed of adjustment was higher for companies whose debt levels had converged compared to those that had not. Additionally, the adjustment speed was lower in the initial years of the process compared to the later stages. These insights could enhance our understanding of how companies selected their optimal capital structure mix of equity and debt. The results suggest that researchers should pay close attention to both factors of timing and debt convergence when examining companies' decisions on their optimal capital structure compositions. In fact, the optimal capital structure for a company cannot be assessed in isolation. It is essential to evaluate the optimal composition based on the convergence of a company's capital structure with its industry peers or other comparable companies in the same geographic region or country. This contextual perspective is crucial for accurately determining a company's optimal financing mix. In conclusion, this study contributes to the existing literature by shedding light on the dynamic and nuanced nature of the capital structure adjustment process, underscoring the importance of considering debt convergence and adjustment timing when investigating these decisions.
 

Keywords

Main Subjects

Full Text

مقدمه

ســاختار ســرمایه،‌ ترکیبی‌ از بدهی‌ و حقوق صــاحبان ســهام است که‌ شرکت‌ها به‌­وسیلۀ‌ آن به‌ تأمین‌ مالی‌ بلندمدت دارایی‌های خود می‌پردازند (Rajan & Zingales, 1995). حداکثرسازی ارزش شرکت‌ نیز مستلزم به‌کارگیری بهینۀ تأمین‌ مالی‌، کسب‌ بازدهی‌ و انتخاب ریسک‌ مناسب‌ برای شرکت‌ است‌. ســاختار ســرمایه‌ و تعدیلات آن می‌تواند از عوامل‌ داخلی‌ و خارجی‌ تأثیر پذیرد که‌ به‌ آنها عوامل‌ تعیین‌کنندۀ ساختار سرمایه‌ گفته‌ می‌شود. مطالعۀ سرعت‌ تعدیل‌ اهرم به‌ سمت‌ هدف، موضوعی‌ حائز اهمیت‌ است‌. میزان ســـرعت‌ تعدیل‌ اهرم می‌تواند نشـــان­دهندۀ اهمیت‌ واقعی‌ اهرم هدف و تبعات انحراف از آن باشــد (Byoun, 2008). برخی از رفتارهای تأمین مالی شرکت‌ها را نمی‌توان با عوامل خاص شرکت و یا رابطۀ آنها با تصمیمات تأمین مالی و حتی با مدل­های استاندارد بدهی تشریح کرد. مطالعات مربوط به سرعت تعدیل ساختار سرمایه درحالی­که به کل اهرم شرکت و نرخ تعدیل توجه دارد، روند مشترک بین آنها را نادیده می‌گیرد و نمی‌تواند تعدیل بلندمدت را تشخیص دهد. اهرم شرکتی، بیشتر به ویژگی‌های مقطعی مربوط می‌شود. برای کل بخش شرکتی، تغییرات بدهی یک شرکت تأثیر گسترده‌ای نخواهد داشت، اما تغییرات رایج در بسیاری از شرکت‌ها در یک دورۀ زمانی طولانی دارای یک سیگنال قوی از ریسک سیستماتیک است؛ بنابراین، به­منظور نظارت و هشدار ریسک کلی بدهی لازم است بررسی شود که آیا تغییرات در اهرم شرکت در یک سری زمانی (متغیر با زمان) دارای اشتراک (همگرایی) هستند یا خیر. متغیر زمان به روند یک شاخص داده در طول زمان در یک دوره نمونۀ خاص اشاره دارد و می‌توان آن را بین افراد مختلف مقایسه کرد تا مشخص شود که آیا ویژگی‌های مشترکی (همگرایی) وجود دارد یا خیر.

هنگامی­که ساختار مالی شرکتی از اهرم هدف فاصله می‌گیرد، شرکت هزینه‌های انحراف را تجربه می‌کند و به همین دلیل، انگیزه زیادی برای نزدیک‌شدن به اهرم هدف خود دارد. هزینه‌های انحراف برای یک شرکت با اهرم مالی بالاتر، بیشتر است؛ باوجوداین، شرکت‌ها در زمان تعدیل ساختارهای مالی خود، هزینه‌های تعدیلی را نیز تجربه می‌کنند. اگر هزینه‌های تعدیل وجود نداشت، اهرم مشاهده‌شده باید با اهرم بهینه برابر می‌بود. درواقع، اگر شرکت‌ها با سرعت زیادی به سمت اهرم هدف حرکت کنند، آنگاه فعالیت‌های تأمین مالی گذشتۀ شرکت و شرایط تاریخی بازار، تنها اثرات کوتاه­مدتی بر ساختار سرمایه فعلی شرکت خواهند داشت؛ درحالی­که اگر شرکت‌ها به­آرامی ساختار سرمایه­شان را تعدیل کنند، عکس این قضیه صادق است. از منظر دیگر، تعدیل سریع به سمت هدف ممکن است بر هزینه‌های معاملاتی نسبتاً کمتر (مانند هزینه‌های تأمین مالی خارجی کمتر)، هزینه‌های انحراف از هدف بالاتر و انعطاف‌پذیری مالی بیشتر دلالت داشته باشد (McMillan & Camara, 2012).

بنابراین، باتوجه‌به موارد مذکور، پژوهش حاضـر اثر همگرایی بدهی شرکت‌ها را بر ســرعت تعدیل ســاختار ســرمایه با در نظر گرفتن افق زمانی در بین شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران بررسـی کرده است. در این راستا، این سؤال مطرح می‌شود که آیا همگرایی بدهی شرکت‌ها بر سرعت تعدیل ساختار سرمایه تأثیرگذار است و آیا این سرعت تعدیل ساختار سرمایه در طول دوره‌های زمانی متفاوت است یا خیر.

 

مبانی نظری

بخش بزرگی از ادبیات پژوهشی، سرعت تعدیل اهرم مالی در مقایسه با یک اهرم مالی بهینه را بررسی کرده است (Faulkender et al., 2012; Shivdasani & Stefanescu, 2010; Flannery & Rangan, 2006; Hovakimian et al., 2001; Assadi et al., 2021; Rostami & Zakerhosseini, 2020; Beshkooh et al., 2019; Gorji & Raei, 2015). یکی از ایده‌های اصلی این ادبیات این است که براساس نظریۀ توازن، نقایص بازار ارتباطی را در بین نسبت اهرمی و ارزش شرکت ایجاد می‌کند؛ بدین ترتیب، وجود نسبت بدهی مطلوب، ارزش شرکت را به حداکثر می‌رساند و هنگامی­که شرکت‌ها از این سطح مطلوب منحرف شوند، تعدیلاتی را برای بازگشت به ساختار سرمایه هدف به کار خواهند گرفت؛ با­این­حال، این تعدیلات بدون هزینه نیست (Devos et al., 2017). دلایل مختلفی برای داشتن سرعت تعدیل ساختار سرمایۀ متفاوت در بین شرکت‌ها و در اقتصادهای مختلف وجود دارد؛ اگرچه ادبیات نشان می‌دهد که اهرم بهینه در بلندمدت به دست می‌آید. کمتر مطالعه‌ای دارای تلاشی برای بررسی رفتار دینامیکی تعدیل اهرم در طول دورۀ تعدیل بوده است. دورۀ تعدیل، دوره‌ای است که در آن یک شرکت ساختار سرمایه را از سال اول تا سال آخر تعدیل مجدداً متعادل می‌کند. برای نخستین‌بار، بایون (Byoun, 2008) با ترکیب مؤلفه‌های نظریۀ توازن (فاصله از اهرم هدف) و سلسله­مراتبی (شکاف مالی) دریافت که شرکت‌های بالای اهرم هدف و دارای مازاد مالی با بیشترین سرعت، ساختار سرمایه خود را تعدیل می‌کنند. نکتۀ حائز اهمیت آن است که وی در فرایند محاسبۀ سرعت تعدیل، دارایی‌ها را ثابت در نظر گرفته و فرض می‌کند تعدیل ساختار سرمایه صرفاً ازطریق افزایش یا کاهش بدهی انجام شده است. این فرض که با مشاهدات دنیای واقعی در تناقض است، زمینۀ تورش نتایج را فراهم می‌سازد. نکتۀ مطرح دیگر در سنجش سرعت تعدیل به پدیدۀ بازگشت مکانیکی به میانگین اهرم مربوط بوده است که نخستین‌بار چن و ژائو (Chen & Zhao, 2007) به آن اشاره کردند. این پدیده باعث بروز تناقض در سیاست تأمین مالی و تغییرات اهرم می‌شود؛ به این معنا که در مواردی با وجود صراحت سیاست افزایش میزان بدهی، نسبت بدهی کاهش می‌یابد و برعکس. قرارگیری نسبت اهرمی در بازۀ صفر و یک، عامل ایجاد پدیدۀ بازگشت به میانگین است و بخشی از سرعت تعدیل محاسبه­شده با کمک الگوهای تعدیل جزئی ممکن است ناشی از این پدیده باشد (Iliev & Welch, 2010). نسبت اهرمی یک شرکت به­طور خودکار و صرف نظر از اینکه دارای اهرم هدف باشد یا نباشد، به سمت میانگین بازگشت دارد. این امکان وجود دارد که تنها بخشی از اهرم شرکت دارای روند مشترک باشد؛ بنابراین، باید روند همگرایی هر نمونه به شکل جداگانه آزمون شده و مدل غیرخطی عامل متغیر با زمان برای آزمون همگرایی اهرم مالی شرکت‌ها استفاده ‌شود. مدل غیرخطی عامل متغیر با زمان، روشی برای آزمایش همگرایی داده‌های تابلویی است که در ابتدا توسط فیلیپس و سول (Phillips & Sul, 2007) پیشنهاد شد. این مدل بررسی می‌کند که آیا واریانس سری زمانی داده‌های تابلویی در طول زمان کاهش می‌یابد یا خیر. این روش می‌تواند بر محدودیت‌های شرطی قبلی پژوهش­های سنتی غلبه کند و ازنظر طول دورۀ آزمون بر مدل تعدیل بدهی، برتری داشته باشد. همگرایی به کاهش اختلاف در متغیر اهرم مالی در طی زمان اشاره دارد (Graham et al., 2015). اگر اهرم مالی شرکت‌ها روند صعودی مشترکی داشته باشد (همگرایی به سمت بالا)، ممکن است عوامل سیستمی در بازار وجود داشته باشدکه منجر به بدهی‌های بالای شرکتی شود. این امر نشان­دهنده ریسک بالقوه بحران بدهی در بازار است. در مقابل، اگر اهرم شرکتی دارای روند مشترک نزولی باشد (همگرایی نزولی)، ممکن است عوامل سیستمی موجود در بازار باعث روند کاهشی بدهی شرکت‌ها شود که نشان­دهندۀ پیشروی رکود مالی است. براساس مدل فیلیپس و سول (2007) می‌توان همگرایی بلندمدت اهرم مالی شرکت‌ها را بررسی کرد که بیانگر روند اهرم مالی شرکت‌های گروه است. باتوجه‌به جایگاه مهم اهرم مالی شرکت‌ها در کل جامعه، انتظار می‌رود سرعت تعدیل ساختار سرمایۀ شرکت‌ها از همگرایی بدهی شرکت‌ها تأثیر پذیرد. آنجلوس و همکاران (Angelos et al., 2016) این روش را برای مطالعۀ شرکت‌های آمریکایی به کار برده و ثابت کردند که فقط برخی از شرکت‌ها دارای روند بدهی مشترک هستند و استنباط کردند که این موضوع ممکن است به دلیل محدودیت‌های مالی کمتر این شرکت‌ها باشد. اکرم و راث (Akram & Rath, 2019) در پژوهش خود از تکنیک همگرایی باشگاهی ارائه‌شده توسط فیلیپس و سول (2007) استفاده کردند. نتایج این پژوهش، وجود واگرایی بدهی برای کل ایالات هند را نشان می­دهد. هی و وانگ He & Wang, 2020)) نشان دادند که شرکت‌های چینی در تصمیم‌گیری‌های مالی از همتایان خود تقلید کرده‌اند و چنین رفتاری باعث بیشترشدن ارزش، مخصوصاً بعد از اصلاح ساختار تقسیم سهام شده است. شرکت‌های چینی از دارایی شرکت، بیشتر از بدهی استفاده می‌کنند و سرعت تعدیلات اهرمی برای رسیدن به نسبت اهرمی بهینه مبتنی بر بازار را برای کاهش هزینه‌های مبادله و هزینه‌های نمایندگی سرعت می‌بخشند. ژیائو و همکاران Xiao et al., 2022) ) عوامل مالی فردی و کلان مؤثر بر همگرایی اهرم مالی شرکت‌های چینی را بررسی کردند. نتایج نشان داد که شرکت‌های فاقد وجوه داخلی، بیشتر از شرکت‌های دارای وجوه داخلی کافی به باشگاه‌های بزرگ همگرا شده و همگرایی اهرم بدهی شرکت‌ها در باشگاه بزرگ در مقایسه با شرکت‌ها در باشگاه‌های غیربزرگ، بیشتر از سیاست‌های پولی تأثیر می‌پذیرند. ژیائو و همکاران (Xiao et al., 2021) نشان دادند که هیچ همگرایی کلی در اهرم بدهی شرکت‌های غیرمالی فهرست‌شده در چین وجود ندارد؛ بااین­حال، اهرم بدهی بیشتر شرکت‌ها براساس نسبت در باشگاه‌های مختلف همگرا شده است.

سرعت تعدیل، تفاوت بین اهرم مشاهده‌شده و انحراف از هدف تعریف می‌شود (Dufour et al., 2017). ون بینزبرگر و همکاران (2010 Van Binsbergen et al.,) و کورتج (Korteweg, 2010) بیان کردند که اهمیت تصمیمات ساختار سرمایه در شرکت‌ها متفاوت است. الساس و فلوریسیاک (Elsas & Florysiak, 2011) نشان دادند که سرعت تعدیل ساختار سرمایه ناهمگن است. ژو و همکاران (Zhou et al., 2016) و فرانک و گویال (Frank & Goyal, 2009) معتقدند، زمانی که مقدار اهرم برای شرکت مناسب است، نظریۀ توازن ممکن است انتخاب‌های ساختار سرمایۀ شرکت‌ها را به شکلی بهتر توضیح دهد. موکرجی و وانگ (Mukherjee & Wang, 2013) رابطه‌ای مثبت بین این فاصله و سرعت تعدیل را نشان دادند. مطالعات اولیه روی سرعت تعدیل ساختار سرمایه نشان داد که شرکت‌ها اهرم خود را به‌آرامی تنظیم می‌کنند و زمان زیادی طول می‌کشد تا به اهرم بهینه برسند (Fama & French, 2002). فرناندو و همکاران (Fernando et al., 2021) نیز با توجه به نتایج پژوهش‌های خود چنین استدلال کردند که شرکت‌ها به اهرم هدف در چندین سال دست یافته و سرعت تعدیل در دوره‌های مختلف، متفاوت است. آن‌ها بیان کردند که شرکت‌ها تعدیل خود را با سرعت کمتری در آغاز دوره تعدیل آغاز کرده و در سال‌های آخر تعدیل، سریع­تر شدند. سرعت تعدیل کمتر حاکی‌از آن است که جبران انحراف اهرم جاری از اهرم هدف، مدت­زمان بیشتری به طول می‌انجامد. اگر همانند یافته‌های کایهان و تیتمن (Kayhan & Titman, 2007) جبران انحراف 35 - 40درصدی از اهرم هدف برای یک شرکت پنج سال به طول بینجامد، در بهترین حالت، می‌تواند در تصمیم‌گیری‌های تأمین مالی شرکت‌ها به اهرم هدف به­عنوان عامل ثانویه توجه شود؛ اما اگر همانند فلانری و رنگان (2006) متوسط سرعت تعدیل 35درصد در سال باشد، در این صورت اهرم هدف از اهمیت اساسی برخوردار است (Hovakimian & Li, 2011). لیری و رابرتز (Leary & Roberts, 2005) نشان دادند که شرکت‌ها تعدیل ساختار سرمایه را با سرعت یکنواخت در طی دورۀ مربوطه انجام نمی‌دهند. آنها معتقدند که شرکت‌ها اهرم خود را در هر دوره تنظیم کرده و این کار را در محدودۀ هدف انجام داده­اند؛ بنابراین، سرعت تعدیل به اهرم مشخص‌شدۀ دوره بستگی دارد. هگد و همکاران (Hegde et al., 2023) دریافتند که ترکیبی از سرعت آهسته، متوسط و سریع برای تعدیل ساختار سرمایه وجود دارد. جالب توجه است که کمترین سرعت تعدیل ساختار سرمایه مربوط به بخش نساجی و بیشترین سرعت تعدیل مربوط به بخش مواد غذایی و کشاورزی است. فلوریسیاک و الساس (Florysiak & Elsas, 2011) در پژوهشی نشان دادند که شرکت‌های دارای کاستی یا مازاد زیاد، اهرم خود را سریع­تر از شرکت‌های دارای کاستی مالی متوسط تعدیل می‌کنند. آنها متوجه شدند که شرکت‌های دارای سرعت نامتقارن تعدیل عالی اما رتبه‌بندی اعتبار ضعیف، با شرکت‌های دارای رتبه‌بندی اعتبار بسیار عالی مقایسه‌پذیر هستند.

در رابطه با پژوهش‌های داخلی مرتبط با موضوع پژوهش نیز می‌توان مواردی هرچند اندک را مشاهده کرد. ناظمی اردکانی و زارع (Nazemi Ardakani & Zare, 2015) نشان دادند که سرعت تعدیل ساختار سرمایۀ به­دست­آمده برای شرکت‌های ایرانی ۵۷درصد بوده که نشان­دهندۀ سرعت زیاد تعدیل ساختار سرمایه در بین شرکت‌ها است. دولو و سعادت (Davallou & Saadat, 2018) نشان دادند شرکت‌هایی که در بالای اهرم هدف قرار داشته و با کسری مالی روبه‌رو بوده­اند، در برابر سایر شرکت‌ها با سرعت بیشتری ساختار سرمایۀ خود را تعدیل کرده­اند. با حذف اثر بازگشت به میانگین، سرعت تعدیل اهرم کاهش یافته است. رامشه‌ و قره‌خانی (Ramsheh & Gharakhani, 2018) نیز نشان دادند که بیشترین سرعت تعدیل در شرکت‌هایی است که ضمن کمتربودن اهرم واقعی از سطح هدف با کسری وجوه نقد مواجه بوده و سهام آنها در بازار کمتر از میزان واقعی ارزش‌گذاری شده است. چیت‌سازان و همکاران (CHitsazan et al., 2021) نیز نشان دادند که عامل صنعت، علت همگرایی نیست و ساختار‌ سرمایۀ شرکت‏ها از توسعۀ مالی تأثیر می‌پذیرد؛ این تأثیر در دو مدل تفاوت چشمگیری ندارد.

براساس مبانی نظری و پیشینۀ پژوهش مطرح‌شده، فرضیه‌های پژوهش به‌صورت زیر بیان می‌شوند:

سرعت تعدیل ساختار سرمایه در شرکت‌های همگرا (ازنظر بدهی)، بیشتر از شرکت‌های غیرهمگرا است.

سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح، کندتر از سرعت تعدیل ساختار سرمایه در سال‌های پایانی اصلاح است.

سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا (ازنظر اهرم) و شرکت‌های غیرهمگرا متفاوت است.

 

روش پژوهش

قلمرو زمانی پژوهش، سال‌های 1395 لغایت 1400 است. نمونۀ آماری این پژوهش، شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است که قبل از سال 1394 در بورس اوراق بهادار تهران پذیرفته شده باشند و به‌منظور ‌مقایسه‌پذیربودن اطلاعات، پایان سال مالی شرکت‌ها منتهی به پایان اسفند باشد؛ ازطرف دیگر به‌منظور همگن‌بودن اطلاعات، شرکت­ها از نوع بانک­ها، مؤسسات مالی و اعتباری، بیمه و لیزینگ نباشند و در دورۀ زمانی پژوهش حداقل هر سه ماه یک ‌بار سهام آنها مبادله شده باشد. همچنین شرکت‌هایی انتخاب می شوند که اطلاعات مربوط به متغیرهای انتخاب‌شده در این پژوهش، در رابطه با آنها در دسترس باشد. با اعمال موارد فوق 105 شرکت برای نمونۀ پژوهش انتخاب شدند.

کلیۀ شرکت­های پذیرفته‌شده در بورس از ابتدا تا زمان گردآوری داده­ها (1400)

380

شرکت‌هایی که سال مالی آنها منتهی به پایان اسفند نبوده یا تغییر سال مالی داده­اند

(68)

تعداد شرکت‌هایی که بعد از سال 1394 در بورس اوراق بهادار تهران پذیرفته شده­اند

(72)

شرکت­های واسطه­گری مالی (سرمایه­گذاری، لیزینگ و بانک­ها)

(76)

شرکت­هایی که بیش از سه ماه وقفه معاملاتی داشته­اند

(34)

شرکت‌هایی که اطلاعات برخی متغیرهای آنها برای دورۀ پژوهش در دسترس نبود

(25)

شرکت­های استخراجی بعد از اعمال محدودیت­ها

105

 

سرعت تعدیل ساختار سرمایه، متغیر وابسته این پژوهش است. در بسیاری از پژوهش­های ساختار سرمایه از الگوی تعدیل جزئی برای اندازه‌گیری سرعت تعدیل استفاده می‌شود ; Flannery & Rangan, 2006) (Huang & Ritter, 2009. در الگوی تعدیل جزئی، در مرحلۀ نخست باید هر دو اهرم واقعی و بهینه اندازه‌گیری شود. اهرم واقعی از نسبت مجموع بدهی‌ها بر مجموع بدهی‌ها و ارزش بازار شرکت به دست می­آید؛ اما ازآنجا‌که اهرم بهینه به­صورت مستقیم قابل اندازه‌گیری نیست، مقدار آن را باید ازطریق جایگزین‌کردن متغیرهای دیگر به دست آورد؛ به عبارت دیگر، اهرم بهینه را می‌توان نسبت منحصربه‌فرد تعیین‌شده توسط ویژگی‌های شرکت در نظر گرفت (Shahrokhi et al., 2019). اهرم بهینه به کمک الگوی زیر تخمین زده می‌شود (2015 Hashemi & Keshavarz,).

رابطۀ (1):

 

 

که در آن،  اهرم هدف بوده که از برآورد سمت راست رابطۀ (1) به دست آمد؛ به عبارت دیگر، از ارزش­های پیش‌بینی‌شدۀ رابطۀ (1) به دست آمده است که به آن اهرم هدف می­گویند. SIZE: اندازۀ شرکت (لگاریتم طبیعی دارایی‌ها)، EBIT: سودآوری (نسبت سود قبل از بهره و مالیات سالانه به کل دارایی‌های آن در پایان سال)، GROW: فرصت‌های رشد (تقسیم ارزش بازار حقوق صاحبان سهام تقسیم بر ارزش دفتری کل دارایی‌های شرکت)، EV: نوسان‌های درآمد (قدر مطلق تفاوت درآمد هر دوره از میانگین درآمد 5سالۀ شرکت تقسیم بر میانگین درآمد 5ساله)، AGE: سن شرکت (لگاریتم طبیعی سال‌های سپری­شده از تأسیس شرکت تا سال افق زمانی پژوهش)، FA: دارایی‌های ثابت مشهود (تقسیم دارایی‌های ثابت به مجموع دارایی‌ها)، FIMB: کسری مالی (سود سهام پرداختی به‌ علاوه خالص وجوه نقد حاصل از فعالیت‌های سرمایه‌گذاری به‌ علاوه تغییرهای سرمایه در گردش منهای وجوه نقد حاصل از فعالیت‌های عملیاتی) و : جزء خطا است.

پس از محاسبۀ اهرم هدف با استفاده از رابطۀ (1) برای محاسبۀ سرعت تعدیل اهرم مالی هدف، از رابطۀ (2) استفاده شد. این مدل با استفاده از روش گشتاورهای تعمیم‌یافته (GMM) برازش شده است. روش گشتاورهای تعمیم‏یافته هنگامی به کار می‏رود که تعداد متغیرهای برش مقطعی (N) بیشتر از تعداد زمان و سال‏ها (T) باشد (2008 Baltagi,). به­منظور غلبه بر مشکلات درون‌زایی رگرسیون و پویایی داده‌های تابلویی از روش گشتاور تعمیم‌یافته سیستمی ارائه­شده توسط آرلانو و باور (1995) استفاده ‌شد. به دلایل مختلف ازجمله حذف اثرات ثابت در روش OLS، برآوردکننده‌های روش اثرات ثابت، ناسازگار و بی­اعتبار هستند. وقفۀ متغیر وابسته در روش OLS به­عنوان تقریب بالا یا پایین برآورد شده است؛ بنابراین، برآوردکننده‌های روش گشتاور تعمیم‌یافتۀ سیستمی، پارامترهای سازگار و کارآمدی ارائه می‌کنند، به‌طوری‌که متغیر مستقل برون‌زا فرض نشده و با مقادیر گذشته و فعلی همبستگی دارند. توجه به این نکته ضروری است که در روش GMM سیستمی، برخلاف روش حداقل مربعات معمولی (OLS)، فرض نرمال‌بودن داده‏ها وجود ندارد و ناهمسانی واریانس مجاز است.

رابطۀ (2):

 

 

که در آن،  برابر با نسبت کل بدهی‌ها به ارزش دفتری کل دارایی‌های شرکت i در سال t،  برابر با نسبت کل بدهی‌ها به ارزش دفتری کل دارایی‌های شرکت i در سال t-1 و  برابر با اهرم هدف شرکت i در سال t است که با استفاده از رابطۀ (1) محاسبه می‌شود. مقادیر λ در رابطۀ (2)، بیانگر سرعت تعدیل اهرم هدف است؛ به این معنا که مقادیر بالا و پایین λ نشان­دهندۀ سرعت تعدیل بالا و پایین است.

همگرایی بدهی متغیر مستقل این پژوهش است. آزمون همگرایی، امکان ارزیابی و سنجش توان مقایسه‌ای سه گروه از عوامل تعیین‌کنندۀ نسبت اهرمی یعنی عوامل خاص شرکت، عوامل خاص صنعت و عوامل مربوط به کل اقتصاد را فراهم می‌آورد. عوامل تعیین‌کنندۀ خاص شرکت نشا­ن­دهندۀ واگرایی و دو دسته عامل دیگر بیانگر همگرایی هستند. در مرحلۀ اول، از الگوریتم فیلیپس و سول (2007) جهت آزمون همگرایی استفاده شد. با این الگوریتم می‌توان این موضوع را بررسی کرد که آیا همگرایی در سطح قرار دارد؛ یعنی نسبت بدهی شرکت‌ها تمایل دارند در طول زمان در یک سطح (مثلاً 5/0) همگرا شوند یا اینکه همگرایی براساس نرخ است؛ یعنی نسبت بدهی شرکت‌ها تمایل دارد به­صورت موازی در طول زمان حرکت کند؛ علاوه بر این، این الگوریتم می­آزماید که آیا همگرایی در تمام شرکت‌های نمونه یا در زیرمجموعه‌های این شرکت‌ها اعمال شده است یا خیر. در مورد دوم، یک یا چند باشگاه همگرا وجود خواهد داشت (Antzoulatos et al., 2016). این روش توسط فیلیپس و سول (2007) طراحی و استفاده شده است. آنها از روشی نیمه‌پارامتریک برای آزمون همگرایی استفاده کردند. روش آنها ویژگی‌های مهم کاربردی زیر را دارد؛ اول اینکه این آزمون هیچ فرضی برای مانایی روند یا نامانایی آماری ندارد و دوم اینکه شکل غیرخطی مدل، به اندازۀ کافی عمومی است که بتواند شامل طیف گسترده‌ای از احتمالات و ناهمسانی آنها برای  باشد.

ریسک در داده‌های تابلویی  را می‌توان به دو بخش طبقه‌بندی کرد؛  بخش سیستماتیک آن و  عامل فردی. عامل سیستماتیک، عامل مشترکی است که بر نمونه تأثیر می‌گذارد؛ بنابراین، همبستگی مقطعی را ایجاد می‌کند. عوامل فردی شامل عوامل مشخصۀ هر نمونه است که منجر به تفاوت‌های مقطعی می‌شود. همۀ عوامل می‌توانند خطی یا غیرخطی، ثابت یا غیرثابت باشند.

رابطۀ (3):

 

در رابطۀ 3 هر دو متغیر   و   ممکن است شامل مقادیر مشترک و ویژه باشند. برای تفکیک بخش مشترک از ویژه در تابلویی می‌توان آن را به­صورت رابطۀ (4) بازنویسی کرد:

رابطۀ (4):

 

 

که ، یک جزء مشترک و ، یک جزء ویژۀ متغیر در زمان است؛ به بیان دیگر،   فاصلۀ اقتصادی بین جزء روند مشترک  و  است. این فرمول، مدل عاملی متغیر در زمان بوده که فرض می‌شود  رفتار روند قطعی یا تصادفی دارد که بر جزء گذار  وقتی  غلبه می‌کند.

در این مطالعه،  نسبت بدهی شرکت‌های نمونه را نشان می­دهد. اگر نسبت بدهی (اهرم مالی) شرکت فقط متأثر از عوامل مشخصه فردی باشد، گسسته است. اگر فقط متأثر از عوامل سیستماتیک باشد، اهرم مالی همۀ شرکت‌ها به مقدار افقی همگرا می‌شود. اگر هر دو عامل سیستماتیک و فردی تأثیرگذار باشند، همگرایی براساس نسبت وجود خواهد داشت؛ به این معنا که سرعت تعدیل بدهی مشابه خواهد بود و منحنی‌های تغییر در طول زمان موازی باقی می‌مانند؛ سپس، رابطۀ (2) به رابطۀ (3) تبدیل می‌شود که در آن،  یک عامل مشترک واحد برای اندازه‌گیری روند توسعۀ مشترک است و  یک عامل خاص متغیر با زمان بوده که فاصلۀ بین افراد و روندهای رایج را اندازه‌گیری می‌کند. در رابطۀ (4)، آزمون همگرایی بررسی می‌کند که آیا فاکتور خاص  با تغییر زمان در بین شرکت‌ها همگرا شده است یا خیر.

ازآنجاکه  عامل مشترک در فرمول است، می‌توان آن را با مقیاس حذف و ضریب گذار را از آن استخراج کرد:

رابطۀ (5):

 

 

این رابطه، بار عاملی  را در رابطه با میانگین تابلویی در زمان t محاسبه می‌کند. فرض بر این است که ،   و  همه مثبت هستند و ساختن بار عاملی  به­راحتی انجام می‌شود. همانند ،   یک مسیر گذار در رابطه با میانگین تابلویی است. این مفهوم در تحلیل رشد همگرایی و محاسبۀ اثرات گذار مفید است. فیلیپس و سول (2007)،  را پارامتر گذار نسبی نامیدند. بعضی از ویژگی‌های  به شرح زیر است؛ 1- میانگین ها بنا بر تعریف برابر یک است و 2- اگر ضریب بار عاملی   به  همگرا شود، آنگاه متغیر گذار نسبی  به یک همگرا می‌شود. در این حالت، در بلندمدت، واریانس مقطعی  که آن را   می‌نامند، به صفر همگرا می‌شود؛ بنابراین، رابطۀ آن به شکل زیر است:

رابطۀ (6):

 

 

فیلیپس و سول (2007) در مقالهۀخود، یک فرایند اقتصادسنجی تفصیلی برای آزمون تغییرات  در طول زمان ایجاد کردند. آنها نشان دادند که یک حالت حدی به­صورت رابطۀ (7) وجود دارد:

رابطۀ (7):

 

 

که A مقدار ثابت مثبت،   یک تابع متغیر کندکننده مانند log(t+1) و  نرخ همگرایی است. می‌توان از همین مفهوم برای آزمون همگرایی استفاده کرد. بنا بر تخمین مقدار ، دو حالت همگرایی وجود دارد؛ همگرایی در سطح هنگامی است ­که  باشد؛ به این معنا که شرکت‌ها در طول زمان به یک سطح همگرا می‌شوند و همگرایی در نرخ هنگامی است ­که  باشد؛ یعنی شرکت‌های همگرا در طول زمان موازی حرکت می‌کنند. رابطۀ (8)، یک رگرسیون آزمون t برای فرض صفر همگرایی است.

رابطۀ (8):

H0: δit = δ        α ≥ 0

H1: δit   ≠ δ       α < 0

 

برای آزمون فرض صفر، فیلیپس و سول (2007) از رگرسیون رابطۀ (9) استفاده کردند.

رابطۀ (9):

 

t=[rT], [rT]+1, …, T

 

که  و  است و از آزمون t یک­طرفه استفاده شده که خطاها دارای ناهمسانی واریانس و خودهمبستگی سازگار (HAC) است. داده‌های رگرسیون از t=[rT] شروع شده است که بخش عدد صحیح rT بوده و بنا بر تحلیل فیلیپس و سول (2007)،   برابر با 3/0 در نظر گرفته شده است. اگر مقدار آماره  از  tجدول کمتر باشد (کمتر از مقدار بحرانی ٦٥/١- باشد)، فرض صفر رد می‌شود. رد فرض صفر همگرایی برای کل نمونه به این معنا نیست که هیچ همگرایی وجود ندارد ،بلکه بنا بر فرایند طراحی‌شده توسط فیلیپس و سول (2007)، باشگاه‌های همگرا از نمونۀ اصلی دارای همگرایی مدنظر است.

برای آزمون فرضیه‌های این پژوهش، از مدل­های رگرسیون چندگانه به روش داده‌های ترکیبی استفاده‌ خواهد شد. مدل‌های این پژوهش به شرح زیر ارائه شده است. مدل استفاده‌شده برای بررسی و مقایسه سرعت تعدیل ساختار سرمایه در شرکت‌های همگرا (ازنظر اهرم) در مقایسه با شرکت‌های غیر همگرا به قرار زیر است. جهت تأیید فرضیۀ اول باید <  باشد.

رابطۀ (10):

 

 

که در آن،  اهرم دفتری،  متغیر همگرابودن در زمان t، متغیر غیرهمگرابودن در زمان t و  نشان‌دهندۀ‌ میزان انحراف اهرم واقعی و اهرم هدف است.

مدل استفاده‌شده برای بررسی سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح در برابر سرعت تعدیل ساختار سرمایه در سال‌های پایانی به قرار زیر است. جهت تأیید فرضیه دوم باید سرعت تعدیل به ­دست ­آمده از سال‌های شروع اصلاح کمتر از سرعت تعدیل به ­دست ­آمده از سال‌های پایان اصلاح باشد. متغیر ، نشان­دهندۀ سرعت اصلاح ساختار سرمایه در هریک از مدل­ها (در هریک از سال­ها) است که با مقایسۀ ضریب  بین مدل­های مختلف (سال‌های مختلف) می‌توان تأیید یا رد فرضیه‌ها را بررسی کرد.

رابطۀ (11):

Levit -Levit-3= Lev*it  -  Levit-3 )+

Levit -Levit-4= Lev*it  -  Levit-4)+

Levit -Levit-n=  Lev*it  -  Levit-n)+

 

مدل استفاده‌شده برای مقایسۀ سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا (ازنظر بدهی) و شرکت‌های غیرهمگرا به قرار رابطۀ (12) است. جهت تأیید فرضیۀ سوم باید سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا و شرکت‌های غیرهمگرا متفاوت باشد. همانند مدل­های فرضیۀ قبلی، متغیر  بیانگر سرعت اصلاح ساختار سرمایه در هریک از مدل­ها (در هریک از سال­ها) بوده که با مقایسۀ ضریب  بین مدل­های مختلف (سال‌های مختلف) و مقایسۀ ضریب  بین مدل­های مربوط به شرکت‌های همگرا و غیرهمگرا می‌توان تأیید یا رد فرضیه‌ها را بررسی کرد.

رابطۀ (12):

Levit -Levit-3= Lev*it  -  Levit-3)+

Levit -Levit-4= Lev*it  -  Levit-4)+

Levit  - Levit-n= Lev*it  -  Levit-n)+

 

یافته­ها

برای ارائۀ­ یک نمای کلی از خصوصیات مهم متغیرهای محاسبه‌شده، در جدول (1) برخی از آماره­های توصیفی این متغیرها شامل میانگین، میانه، انحراف معیار، حداقل و اکثر مشاهدات ارائه شده است.

جدول (1): آماره­های توصیفی متغیرهای پژوهش

Table (1): Descriptive statistics of the variables

متغیرها

میانگین

میانه

انحراف معیار

حداکثر

حداقل

کسری مالی

0859/0-

0151/0

3515/0

8280/1

8134/0-

ریسک

0221/0

1275/0

0591/0

1416/0

0607/0

اندازۀ شرکت

7335/14

7950/14

5673/1

6446/10

4641/20

سود قبل از بهره و مالیات

1153/0

1015/0

1693/0

8422/0

7809/0-

فروش به دارایی­ها

9283/0

8573/0

8400/0

6059/3

0092/0

تولید ناخالص داخلی

0023/0

0015/0

0773/0

1421/0

0971/0-

دارایی ثابت

2480/0

1209/0

1868/0

9754/0

0001/0

اهرم مالی

7310/0

6589/0

5927/0

3474/1

0314/0

نوسان درآمد

2428/0

3350/0

6505/0

9383/0

0001/0

فرصت­های رشد

1370/2

7411/1

3148/0

7620/2

0701/0-

عمر شرکت

8061/3

7011/3

2443/0

2341/4

0910/3

 

قبل از تخمین مدل، در ابتدا همگرایی بتای مطلق برای 105 شرکت بررسی شد. در این مرحله، ابتدا بررسی شد که آیا فرض همگرایی بدهی برای کل نمونه وجود دارد یا خیر؛ سپس، امکان همگرایی خوشه­ با استفاده از الگوریتم خوشه‌بندی پیشنهادی فیلیپس و سول (2009) بررسی شد. مرحلۀ بررسی کل نمونه به­صورت زیر انجام شد:

ابتدا برای حذف مؤلفۀ چرخه­ای، متغیر بررسی شد و متغیری جدید برای ذخیرۀ مؤلفۀ روند ایجاد شد؛ سپس، رگرسیون لگاریتمی متغیر برای آزمون همگرایی اجرا شد. خروجی ضریب، خطای استاندارد و آماره t را برای متغیر لگاریتمی گزارش می­کند. ازآنجا‌که مطابق با جدول (2)، مقدار آمارۀ t محاسبه‌شده برابر با 420/43- بوده و کمتر از 65/1- است، فرضیۀ صفر همگرایی در سطح 5درصد رد شد.

جدول (2): آزمون همگرایی کل نمونه

Table (2): Convergence test of the total sample

متغیر

ضریب

خطای استاندارد

آمارۀ t

Log (t)

725/1-

039/0

420/43-

 

باتوجه‌به واگرایی کلی نمونه، شناسایی خوشه­های همگرا انجام شد. خروجی نرم­افزار، طبقه­بندی هر خوشه را ارائه می­دهد. تمام نتایج تخمین زده‌شده در قالب شرکت­های قرارگرفته در هر خوشه نشان داده شد. در ادامه، ضریب همگرایی هر خوشه ارائه شده است.

جدول (3): آزمون همگرایی برای هر خوشه

Table (3): Convergence test for every cluster

Log (t)

خوشۀ 1

خوشۀ 2

خوشۀ 3

خوشۀ 4

خوشۀ 5

خوشۀ 6

خوشۀ 7

ضریب

504/3-

831/7

526/0-

416/7

470/1-

345/0

475/0-

آماره t

316/0-

909/17

814/8-

528/4

264/11-

262/10

320/1-

 

با توجه به جدول (3)، خوشه­های 3 و 5 دارای واگرایی بوده و سایر خوشه­ها همگرا هستند. درنهایت، به­منظور بررسی امکان ترکیب خوشه­ها و افزایش همگرایی، فرایند ادغام صورت گرفت. در جداول 4 و 5، امکان ترکیب خوشه­ها به­صورت جداگانه ارائه شده است.

جدول (4): آزمون ترکیب خوشه­ها

Table (4): The test of clusters composition

متغیر

ضریب

خطای استاندارد

آمارۀ t

ترکیب خوشۀ 1 و 2

Log (t)

725/1-

039/0

420/43-

ترکیب خوشۀ 2 و 3

Log (t)

297/0

535/2

117/0

ترکیب خوشۀ 3 و 4

Log (t)

720/0-

033/0

563/21-

ترکیب خوشۀ 4 و 5

Log (t)

679/1-

074/0

446/22-

ترکیب خوشۀ 5 و 6

Log (t)

324/4-

008/0

177/269-

ترکیب خوشۀ 6 و 7

Log (t)

814/0-

134/0

079/6-

خوشه­های اولیۀ 2 و 3 را می‌توان با یکدیگر ادغام کرد و خوشۀ همگرای بزرگ­تر را تشکیل داد. در جدول (5)، ضریب همگرایی هر خوشه ناشی از ترکیب و ادغام ارائه شده است.

جدول (5): ضریب همگرایی هر خوشه ناشی از ترکیب و ادغام

Table (5): Convergence coefficient of each cluster derived from composition and merging

Log (t)

خوشۀ 1

خوشۀ 2

خوشۀ 3

خوشۀ 4

خوشۀ 5

ضریب

298/0

526/0-

416/7-

012/0-

475/0

آماره t

118/0

814/8-

528/4-

343/2-

320/1

 

با توجه به جدول (5)، خوشه­های جدید منجر به افزایش تعداد شرکت­های همگرا نشده و خوشه­بندی قبلی مبنای تفکیک قرار گرفته است. باتوجه‌به نتایج به ­دست­ آمده می­توان شرکت­ها را به همگرا و واگرا تقسیم کرد. در ادامه برای محاسبه سرعت تعدیل ساختار سرمایه باید ابتدا اهرم هدف را محاسبه کرد. (جدول 6)

جدول (6): نتایج برآورد مدل 1 با استفاده از روش گشتاور تعمیم‌یافته

Table (6): Results ofestimating model 1 using generalized torque method

 

متغیر

ضریب

آماره Z

P >Z

L1

242/0

16/7

000/0

SIZE

081/0-

65/3-

000/0

EBIT

785/0-

71/7-

000/0

GROW

002/0-

39/1-

166/0

EV

006/0-

65/2-

008/0

AGE

110/1

63/3

000/0

FA

658/0-

73/6-

000/0

FIMB

0112/0-

74/4-

000/0

Cons

204/2-

30/2-

021/0

 

که در آن،  برابر با اهرم هدف است. این متغیر از برآورد سمت راست رابطۀ (1) به دست می­آید؛ به عبارت دیگر، از ارزش­های پیش‌بینی‌شدۀ رابطۀ (1) به دست آمده است و به آن اهرم هدف می­گویند. پس از محاسبۀ اهرم هدف با استفاده از رابطۀ (1) در ادامه برای محاسبۀ سرعت تعدیل اهرم مالی هدف، از رابطۀ (2) استفاده شد. این مدل با استفاده از روش گشتاورهای تعمیم‌یافته (GMM) برازش شد. مقادیر λ در رابطۀ (2) نشان­دهندۀ سرعت تعدیل اهرم هدف است. در ادامه برای آزمون هریک از فرضیه‌ها از مدل فوق به­عنوان مدل پایه استفاده شد.

 

آزمون فرضیۀ اول 

در این قسمت، قبل از تخمین مدل، برای بررسی اعتبار ابزارهای استفاده‌شده از آمارۀ آزمون تشخیص سارگان استفاده شد. در آزمون اعتبار ابزارهای استفاده‌شدۀ مدل فرضیۀ اول باتوجه‌به نتایج، فرضیۀ صفر مبنی بر اعتبار متغیرهای ابزاری استفاده‌شده در مدل رد نشد؛ بنابراین، ابزارهای استفاده‌شده در مدل معتبر بوده و نتایج مدل صحیح است. همچنین وجود خودهمبستگی جملات اختلال در این مدل آزمایش شد که براساس نتایج، فرضیۀ صفر مبنی بر وجودنداشتن خودهمبستگی بین جملات اخلال رد نشد؛ بنابراین، پس از اطمینان از نتایج آزمون خودهمبستگی جملات اخلال و اعتبار ابزارها، مدل برآوردشده برای فرضیۀ اول و نتایج آن در جدول (7) گزارش شد.

جدول (7): نتایج برآورد مدل 10 با استفاده از روش گشتاور تعمیم‌یافته

Table (7): Results of estimation the first hypothesis model using the generalized torque method

متغیر

ضریب

آماره Z

P >Z

L1

124/0

92/13

000/0

CONVER

147/1

58/42

000/0

UNCONVER

142/1

02/48

000/0

Cons

414/2-

16/46-

000/0

 

باتوجه‌به نتایج جدول (7) ملاحظه شد که شاخص ساختار سرمایۀ دورۀ قبل بر ساختار سرمایه تأثیر مثبت داشته است؛ به عبارت دیگر، با افزایش یک‌درصدی ساختار سرمایۀ دورۀ قبل، ساختار سرمایه 124/0 درصد افزایش خواهد داشت. این متغیر به لحاظ آماری نیز در سطح یک‌درصد معنا‌دار است. این امر بیانگر تأثیر ساختار سرمایۀ دورۀ جاری بر دورۀ آتی است. باتوجه‌به نتایج برآورد این مدل ملاحظه شد که ضریب سرعت تعدیل ساختار سرمایه در شرکت‌های همگرا (147/1) بیشتر از این ضریب در شرکت‌های غیرهمگرا (142/1) است؛ بنابراین، فرضیۀ اول مبنی بر بیشتربودن سرعت تعدیل ساختار سرمایه در شرکت‌های همگرا (ازنظر اهرم) در مقایسه با شرکت‌های غیرهمگرا تأیید شد.

 

آزمون فرضیۀ دوم 

در این قسمت، قبل از تخمین مدل، برای بررسی اعتبار ابزارهای استفاده‌شده از آمارۀ آزمون تشخیص سارگان استفاده شد که باتوجه‌به نتایج ابزارهای استفاده‌شده در مدل معتبر بوده و نتایج مدل صحیح است. همچنین وجود خودهمبستگی جملات اختلال در این مدل آزمایش شد که براساس نتایج، فرضیۀ صفر مبنی بر وجودنداشتن خودهمبستگی بین جملات اخلال رد نشد. درنهایت، مدل 11 برای فرضیۀ دوم برآورد و نتایج آن در جدول (8) گزارش شد.

جدول (8): نتایج برآورد مدل 11 برای دوره‌های سوم تا هفتم با استفاده از روش گشتاور تعمیم‌یافته

Table (8): Results of estimation the second hypothesis model for the third to seventh periods using the generalized torque method

متغیر

ضریب

آماره Z

P >Z

Tlev3 (دورۀ سوم)

911/0

79/51

000/0

Tlev4 (دورۀ چهارم)

904/0

15/36

000/0

Tlev5(دورۀ پنجم)

947/0

90/39

000/0

Tlev6(دورۀ ششم)

998/0

26/51

000/0

Tlev7(دورۀ هفتم)

105/1

11/51

000/0

 

باتوجه‌به نتایج جدول (8) ملاحظه شد که سرعت تعدیل ساختار سرمایه در طی سال­های بررسی‌شده، روند افزایشی داشته است، به­نحوی­که از 911/0 در سال اول به 105/1 رسیده است؛ بنابراین، با مقایسۀ ضرایب تمامی سال­ها فرضیۀ دوم تأیید شد، مبنی بر اینکه سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح کندتر از سرعت تعدیل ساختار سرمایه در سال‌های پایانی اصلاح باشد یا به عبارتی، جهت تأیید فرضیۀ دوم باید سرعت تعدیل به­دست­آمده از سال‌های شروع اصلاح، کمتر از سرعت تعدیل به­ دست­ آمده از سال‌های پایان اصلاح باشد.

آزمون فرضیۀ سوم 

همانند آزمون فرضیه‌های قبلی نتایج آزمون‌های تشخیصی حاکی‌از اعتبار ابزارهای استفاده‌شده در مدل و وجودنداشتن خود همبستگی بین جملات اخلال است. در ادامه مدل 12 برای فرضیۀ سوم برآورد و نتایج آن در جدول (9) گزارش شد.

جدول (9): نتایج برآورد مدل فرضیۀ سوم برای دوره‌های سوم تا هفتم با استفاده از روش گشتاور تعمیم‌یافته

Table (9): Results of estimating the third hypothesis model for the third to seventh periods using the generalized torque method

متغیر

شرکت­های همگرا و واگرا

ضریب

آماره Z

P >Z

Tlev3 (دورۀ سوم)

همگرا

037/1

90/85

000/0

واگرا

918/0

48/63

000/0

Tlev4 (دورۀ چهارم)

همگرا

943/0

30/20

000/0

واگرا

890/0

81/68

000/0

Tlev5 (دورۀ پنجم)

همگرا

976/0

64/19

000/0

واگرا

921/0

06/48

000/0

Tlev6 (دورۀ ششم)

همگرا

002/1

03/14

000/0

واگرا

985/0

14/56

000/0

Tlev7 (دورۀ هفتم)

همگرا

079/1

36/21

000/0

واگرا

102/1

31/64

000/0

 

باتوجه‌به نتایج جدول (9) ملاحظه شد که سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا و شرکت‌های غی همگرا متفاوت است؛ بنابراین، با مقایسۀ‌ ضرایب سال‌های شروع اصلاح بین شرکت‌های همگرا و شرکت‌های غیرهمگرا و سال‌های پایانی بین شرکت‌های همگرا و شرکت‌های غی همگرا فرضیۀ سوم تأیید شد، مبنی بر اینکه سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا و شرکت‌های غیرهمگرا متفاوت است.

 

نتیجه‌گیری

مطالعۀ‌ سرعت‌ تعدیل‌ اهرم به‌ سمت‌ هدف، موضوعی‌ حائز اهمیت‌ است‌. مطالعات داخلی و خارجی بسیاری دربارۀ عوامل مؤثر بر سرعت اصلاح ساختار سرمایه انجام شده است، ولی دو عاملی که کمتر به آن توجه شده است، تأثیر همگرایی بدهی شرکت‌ها و افق زمانی اصلاح ساختار سرمایه بر سرعت اصلاح ساختار سرمایه است. به همین دلیل، در این پژوهش سعی بر آن شد که تأثیر این دو متغیر بر سرعت تعدیل ساختار سرمایه با موشکافی و دقت بیشتری صورت پذیرد. نتایج به ­دست ­آمده، تمام فرضیه‌های پژوهش پایه‌گذاری­شده باتوجه‌به ادبیات پژوهش را تأیید کرد. نتیجۀ فرضیۀ اول پژوهش نشان داد که سرعت تعدیل ساختار سرمایه در شرکت‌های همگرا (ازنظر اهرم) بیشتر از شرکت‌های غیرهمگرا است. پژوهش‌های قبلی نشان داده بود که سرعت تعدیل ساختار سرمایه بین شرکت‌ها متفاوت است. در این پژوهش، همگرایی و غیرهمگرایی بدهی به­عنوان یکی از مهم‌ترین عوامل تأثیرگذار بر سرعت اصلاح بنا نهاده شد که نتیجۀ فرضیۀ اول نیز این موضوع را تأیید کرد. نتایج فرضیۀ اول با نتایج پژوهش ژیائو و همکاران (2021) مطابقت دارد. نتایج فرضیۀ دوم نشان داد که سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح کمتر از سرعت تعدیل در سال‌های پایان اصلاح است. حصول این نتیجه احتمالاً به این دلیل است که تعدیل ساختار سرمایه با هزینه‌هایی همراه است و به علت فاصلۀ زیاد اهرم مالی از اهرم هدف در سال­های شروع اصلاح ساختار سرمایه، شرکت‌ها در سال‌های شروع اصلاح ساختار سرمایه، تعدیل خود را با سرعت کمتری انجام می‌دهند. فرناندو و همکاران چنین استدلال کردند که شرکت‌ها به اهرم هدف در چندین سال دست یافته و سرعت تعدیل در دوره‌های مختلف متفاوت است (Fernando et al., 2021). طبق بیان آنها، شرکت‌ها تعدیل خود را با سرعت کمتری در آغاز دورۀ تعدیل آغاز کرده‌اند و در سال‌های آخر تعدیل سریع‌تر می‌شود. نتیجۀ فرضیۀ سوم نیز نشان داد که سرعت تعدیل ساختار سرمایه در سال‌های شروع اصلاح و سال‌های پایانی بین شرکت‌های همگرا و شرکت‌های غیرهمگرا متفاوت است. در این رابطه نیز ژئو و همکاران (Zhou et al., 2016) و فرانک و گویال (Frank & Goyal, 2009) معتقدند زمانی که مقدار اهرم برای شرکت مناسب است، نظریۀ توازن ممکن است انتخاب‌های ساختار سرمایۀ شرکت‌ها را به شکلی بهتر توضیح دهد. همگرایی به کاهش اختلاف در متغیر اهرم مالی در طی زمان اشاره دارد. اگر اهرم مالی شرکت‌ها روند صعودی مشترکی داشته باشد (همگرایی به سمت بالا)، ممکن است عوامل سیستمی در بازار وجود داشته باشد که منجر به بدهی‌های بالای شرکتی شود که بیانگر ریسک بالقوۀ بحران بدهی در بازار است. در مقابل، اگر اهرم شرکتی دارای روند مشترک نزولی باشد (همگرایی نزولی)، ممکن است عوامل سیستمی در بازار وجود داشته باشد که باعث شود بدهی شرکت‌ها روند کاهشی داشته باشد. این موضوع نشان­دهندۀ پیشروی رکود مالی است؛ بنابراین، هرچه همگرایی بدهی بین تعداد بیشتری از شرکت‌های یک صنعت یا کشور وجود داشته باشد، نشان­دهندۀ عامل مشترک تأثیرگذار بر شرکت‌های کشور است که می‌توان باتوجه‌به اثرات آن دربارۀ ساختار سرمایۀ شرکت‌ها با دقت و درک و فهم بالاتری اظهارنظر و قضاوت کرد. باتوجه‌به نتایج فرضیه‌ها می‌توان به درک بهتری دربارۀ نحوۀ انتخاب ترکیب ساختار سرمایۀ شرکت‌ها بین حقوق صاحبان سرمایه و بدهی‌ها در سال‌های مختلف پی برد. بر همین اساس، به پژوهشگران پیشنهاد می‌شود که هنگام بررسی تصمیمات انتخاب ترکیب بهینۀ سرمایۀ شرکت­ها حتماً توجه ویژه­ای به دو عامل افق زمانی و همگرایی بدهی شرکت‌ها (عامل مشترک تأثیرگذار بر اهرم مالی شرکت‌ها) داشته باشند؛ زیرا ترکیب بهینۀ ساختار سرمایۀ هر شرکت را نمی­توان به‌ طور جداگانه بررسی کرد و حتماً باید ترکیب بهینۀ ساختار سرمایه را باتوجه‌به همگرایی ساختار سرمایۀ آن شرکت با شرکت‌های صنعت مشابه یا شرکت‌های موجود در آن منطقۀ جغرافیایی یا کشور بررسی کرد.

 

References

Akram, V., & Rath, B. N. (2019). Does debt convergence hold in case of India?, Journal of Economic Studies, 46(4), 858-871. https://doi.org/10.1108/JES-02-2018-0064
Angelos, A. A., Kostas, K., Costas. L., & Emmanuel, T. (2016). Supply of capital and capital structure: The role of financial Development. Journal of Corporate Finance, 38, 95–166. https://doi.org/10.1016/j.jcorpfin.2016.01.011
Antzoulatos, A. A., Koufopoulos, K., Lambrinoudakis, C., & Tsiritakis, E. (2016). Supply of capital and capital structure: The role of  financial  development. Journal of Corporate Finance, 38, 166–195. https://doi.org/10.1016/j.jcorpfin.2016.01.011
Assadi, H., Tajvidi, E., & Esmaeelpour, S. (2021). The impact of financial position and industry characteristics on adjustment speed of capital structure. Journal of Investment Knowledge, 10(37), 1-21. [In Persian].
Baltagi, B. (2008). Econometric analysis of panel data. Journal of Forecasting, 27(2). 153-173. https://doi.org/10.1002/for.1047
Beshkooh, M., Kasehchi, M. & Azadfallah, A. (2019). Effect of systematic risk on adjusting the capital structure of companies admitted to the tehran stock exchange. Journal of New Research Approaches in Management Science, 2(10), 303-318. [In Persian].
Byoun, S. (2008). How and when do firms adjust their capital structures toward targets?. The Journal of Finance, 63(6), 3069-3096. https://doi.org/10.1111/j.1540-6261.2008.01421.x
Chen, L., & Zhao, X. (2007). Mechanical mean reversion of leverage ratios. Economics Letters, 95(2), 223-229. https://doi.org/10.1016/j.econlet.2006.10.008
Chitsazan, H., Mirlohi, S. M., Boghosian, A., & Nejadolhosseini, N. S. (2021). The effect of financial development on corporate finance using club convergence approach in tehran stock exchange. Journal of Investment Knowledge, 10(40), 331-352. [In Persian].
Davallou, M., & Saadat, A. (2018). Leverage mean-reversion and asymmetry of speed adjustment of ‎capital structure‎. Financial Accounting Research, 10(1), 55-74. http://doi.org/10.22108/FAR.2018.107309.1158 [In Persian].
Devos, E., Rahman, S., & Desmond, T. (2017). Debt covenants and the speed of capital structure adjustment. Journal of Corporate Finance, 45 (2017), 1–18. https://doi.org/10.1016/j.jcorpfin.2017.04.008
Dufour, D., Luu, P., & Teller, P. (2017). The Influence of cash flow on the speed of adjustment to the optimal capital structure. Research in International Business and Finance, 45, 62-71. https://doi.org/10.1016/j.ribaf.2017.07.132
Elsas, R., Florysiak, D. (2011). Heetrogeneity in the speed of adjustment toward target leverage. International. Review of Finance, 11(2),181-211. https://doi.org/10.1111/j.1468-2443.2011.01130.x
Fama, E. F., & French, K. R. (2002). Testing trade-off and pecking order predictions about dividends and debt. Review of Financial Studies, 15, 1–33. https://doi.org/10.1093/rfs/15.1.1
Faulkender, M., Flannery, M. J., Hankins, K. W., & Smith, J. M. (2012). Cash flows and leverage adjustments. Journal of Financial Economics, 103(3), 632-646. https://doi.org/10.1016/j.jfineco.2011.10.013
Fernando, J, M., Li, L., & Hou, G. (2021). Heterogeneity in capital structure adjustment revisited: Default versus non-default firms and short versus long ttime horizon. International Review of Economics and Finance, 76, 185–204. https://doi.org/10.1016/j.iref.2021.06.001
Flannery, M. J., & Rangan, K. P. (2006). Partial adjustment toward target capital structures. Journal of Financial Economics, 79(3) ,469–506. https://doi.org/10.1016/j.jfineco.2005.03.004
Florysiak, D., & Elsas, R. (2011). Heterogeneity in the speed of adjustment towards target leverage. International Review of Finance, 11(2), 181–211. https://doi.org/10.1111/j.1468-2443.2011.01130.x 
Frank, M., & Goyal, V., (2009). Capital structure decisions: Which factors are reliably important?. Financial Management, 38, 1–37. https://doi.org/10.1111/j.1755-053X.2009.01026.x
Gorji, A., & Raei, R. (2015). Identification of capital structure adjustment speed using a dynamic model of optimal capital sstructure; Emphasis on product market competition factor. Financial Knowledge of Securities Analysis, 8(25), 43-67. [In Persian].
Graham, J. R., Leary M. T. & Roberts, J. R. (2015). A Century of capital structure: The leveraging of corporate America. Journal of Financial Economics, 118, 658-683. https://doi.org/10.1016/j.jfineco.2014.08.005
Hashemi, S. A., & Keshavarzmehr, D. (2015). The investigation of asymmetry in speed of capital structure adjustment: Dynamic panel threshold models. Financial Engineering and Securities Management (Portfolio Management), 6(23), 59-78. [In Persian].
He, W., & Wang, Q. (2020). The peer effect of corporate financial decisions around split share structure reform in China. Journal of Review of Financial Economics, 38(3), 474–493. https://doi.org/10.1002/rfe.1088
Hegde, A. A., Panda, A. K., & Masuna, V. (2023). Sectoral analysis of capital structure adjustment: Evidence from emerging market. Journal of Advances in Management Research. https://doi.org/10.1108/JAMR-09-2022-0196
Hovakimian, A., Opler, T., Titman, S., (2001). The debt-equity choice. The Journal of Financial and Quantitative   Analysis, 36, 1–24. https://doi.org/10.2307/2676195
Hovakimian, A., & Li, G. (2011). In search of conclusive evidence: How to test foradjustment to target capital structure. Journal of Corporate Finance, 17, 33-44. https://doi.org/10.1016/j.jcorpfin.2010.07.004
Huang, R., & Ritter, J. R. (2009). Testing theories of capital structure and estimating the speed of adjustment. The Journal of Financial and Quantitative Analysis, 44(2), 237–271. https://doi.org/10.1017/S0022109009090152
Iliev, P., & Welch, I. (2010). Reconciling estimates of the speed of adjustment of leverage ratios. Available at SSRN: https://ssrn.com/abstract=7305137
Kayhan, A., & Titman, S. (2007). Firms’ histories and their capital structures. Journal of Financial Economics, 83(1), 1-32. https://doi.org/10.1016/j.jfineco.2005.10.007
Korteweg, A., (2010). The net benefits to leverage. Journal of Financial Economics, 65, 2137–2170. https://doi.org/10.1111/j.1540-6261.2010.01612.x
Leary, M. T., & Roberts, M. R. (2014). Do peer firms affect corporate financial policy?. The Journal of Finance, 69(1), 139-178. https://doi.org/10.1111/jofi.12094
McMillan, D. G., & Camara, O. (2012). Dynamic capital structure adjustment: US MNCs & DCs. Journal of Multinational Financial Management, 22(5), 278-301. https://doi.org/10.1016/j.mulfin.2012.10.001
Mukherjee, T. & Wang, W. (2013). Capital structure deviation and speed of adjustment. Financial Review, 48(4), 597–615. https://doi.org/10.1111/fire.12017
Nazemi A, M., & Zare, A. H. (2015). Investigating the impact of corporate governance on the speed of capital structure adjustment using the generalized torque method. Journal of Financial Management Perspectives, 6(15), 43-59. [In Persian].
Phillips, P. C. B., & Sul., D. (2007). Transition modeling and econometric convergence tests. Econometrica, 75(6), 1771-1855. https://doi.org/10.1111/j.1468-0262.2007.00811.x
Phillips, P. C. B., & Sul., D. (2009). Economic transition and growth. Journal of Applied Economics, 24(11), 53–85. https://doi.org/10.1002/jae.1080
Rajan, R. G., & Zingales, L. (1995). What do we know about capital structure? Some evidence from. International Data, The Journal of Finance, 50(5), 1421-1460.  https://doi.org/10.1111/j.1540-6261.1995.tb05184.x
Ramsheh, M., & Gharakhani, M. (2018). Leverage adjustment speeds in Tehran Stock Exchange. Financial Management Perspective, 8(22),113-134. [In Persian].
Rostami, V., & Zakerhosseini, S. (2020). Effects of company risk taking on the relationship between managerial ability and capital structure adjustment speed. Journal of New Research in Management and Accounting, 45, 311-332. [In Persian].
Shahrokhi, S., Mohammad A. S., & Mursalpur., M. (2019). Investigating the effect of the adjustment speed of the optimal capital sructure on profit acceleration. Journal of New Research Approachesn in Management and Accounting, 4(15), 121-141. [In Persian].
Shivdasani, A., & Stefanescu., I. (2010). How do pensions affect capital structure decisions?. Review of Financial Studies, 23, 1287–1323. https://doi.org/10.1093/rfs/hhp094
VanBinsbergen, J. H., Graham, J. R., & Yang, J. (2010). The cost of debt. Journal of Financ, 65, 2089–2136. https://doi.org/10.1111/j.1540-6261.2010.01611.x
Xiao, H., Zhao, Y., & Zhou, M. (2022). Can financial factors affect corporate debt leverage convergence?, Journal of Pacific-Basin Finance, 72(2022), 101-728. https://doi.org/10.1016/j.pacfin.2022.101728
Xiao, H., Zhou, C., Zhuang, K., & Jin, H. (2021). Convergence analysis of chinese corporations’ Debt leverage utilizing the nonlinear time-varying factor model. Emerging Markets Finance and Trade, 57(7), 2065-2078. https://doi.org/10.1080/1540496X.2020.1870953
Zhou, T., & Xie. J. (2016). Ultimate ownership and adjustment speed toward target capital structures: Evidence from China. Emerging Markets Finance and Trade, 52, 65–1956. https://doi.org/10.1080/1540496X.2015.1062311

Files

Share

How to cite

Statistics