Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam

Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam.Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam.Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam.Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam.Đánh giá tác động của đặc điểm nhân khẩu học của Giám đốc điều hành, ưu đãi thuế và phi thuế đến kết quả hoạt động của doanh nghiệp trong ngành NCKH&PTCN tại Việt Nam.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG -o0o - LUẬN ÁN TIẾN SĨ ĐÁNH GIÁ TÁC ĐỘNG CỦA ĐẶC ĐIỂM NHÂN KHẨU HỌC CỦA GIÁM ĐỐC ĐIỀU HÀNH (CEO), ƯU ĐÃI THUẾ VÀ PHI THUẾ ĐẾN KẾT QUẢ HOẠT ĐỘNG CỦA DOANH NGHIỆP TRONG NGÀNH NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ TẠI VIỆT NAM Ngành: Quản trị kinh doanh Mã số: 93.40.101 Nghiên cứu sinh: Dương Thị Thanh Thuỷ Người hướng dẫn khoa học: TS Hồ Hồng Hải TS Nguyễn Thục Anh Hà Nội - 2022 LỜI CAM ĐOAN Luận án “Đánh giá tác động đặc điểm nhân học Giám đốc điều hành (CEO), ưu đãi thuế phi thuế đến kết hoạt động doanh nghiệp ngành nghiên cứu khoa học phát triển công nghệ Việt Nam” cơng trình nghiên cứu tơi thực giai đoạn 2017-2022 Tất liệu sơ cấp thứ cấp sử dụng nghiên cứu có nguồn gốc rõ ràng, trung thực, trích dẫn đầy đủ Tôi cam đoan luận án tôn trọng đầy đủ quy tắc đạo đức nghiên cứu quy định quyền tác giả Hà Nội, ngày … tháng … năm 2022 Tác giả luận án NCS Dương Thị Thanh Thuỷ LỜI CẢM ƠN Lời đầu tiên, xin chân thành cảm ơn hai thầy cô hướng dẫn khoa học tôi, TS Hồ Hồng Hải TS Nguyễn Thục Anh, người hết lòng bảo, hướng dẫn cho từ ngày đầu làm nghiên cứu, động viên, kiên nhẫn chặng đường nghiên cứu tôi, hỗ trợ thời gian khoảng cách, giúp vượt qua nhiều khó khăn, thử thách Sự trợ giúp khoa học cổ vũ tinh thần hai thầy cô giúp tơi can đảm vượt lên mình, bước chân vào đường nghiên cứu khoa học vốn chưa phẳng dễ dàng Tôi xin trân trọng cảm ơn thầy cô tổ mơn Quản trị Tài chính, Khoa Quản trị kinh doanh, Đại học Ngoại thương góp ý chân thành, thẳng thắn cho cơng trình khoa học tơi, giúp tơi bổ sung hồn thiện tốt có thể, đáp ứng yêu cầu khoa học luận án tiến sỹ Tôi xin cảm ơn Khoa Sau đại học, Đại học Ngoại thương trợ giúp tận tình, kịp thời vấn đề học tập, thủ tục, quy định suốt thời gian học tập thực nghiên cứu cho luận án Sau cùng, biết ơn gửi lời chúc thân thương tới mẹ, chồng hai tôi, người mong mỏi, ủng hộ, trợ giúp đường khoa học, chấp nhận hy sinh, chia sẻ thời gian sức lực để tơi tập trung cho cơng việc nghiên cứu Luận án cơng trình tơi tưởng nhớ đến cha, nhà toán học, người thầy, với tất tình cảm thương u, kính trọng! Tác giả luận án NCS Dương Thị Thanh Thuỷ MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC TỪ VIẾT TẮT TIẾNG VIỆT DANH MỤC TỪ VIẾT TẮT TIẾNG ANH DANH MỤC BẢNG DANH MỤC HÌNH PHẦN MỞ ĐẦU 1 Lý lựa chọn đề tài Mục tiêu nhiệm vụ nghiên cứu 3 Đối tượng phạm vi nghiên cứu 4 Phương pháp nghiên cứu luận án Những đóng góp luận án 5.1 Những đóng góp lý luận 5.2 Những đóng góp thực tiễn .6 Cấu trúc luận án .6 CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1.1 Tổng quan cơng trình nghiên cứu 1.1.1 Các nghiên cứu mối liên hệ đặc điểm nhân học Giám đốc điều hành (CEO) kết hoạt động (KQHĐ) doanh nghiệp (DN) .8 1.1.2 Các nghiên cứu mối liên hệ ưu đãi thuế phi thuế với KQHĐ DN 22 1.1.3 Các nghiên cứu liên quan tới DN ngành nghiên cứu khoa học phát triển công nghệ (NCKH&PTCN) Việt Nam 32 1.2 Khoảng trống định hướng nghiên cứu 33 TỔNG KẾT CHƯƠNG 36 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ TÁC ĐỘNG CỦA ĐẶC ĐIỂM NHÂN KHẨU HỌC CỦA CEO, ƯU ĐÃI THUẾ VÀ PHI THUẾ ĐẾN KQHĐ CỦA DN TRONG NGÀNH NCKH&PTCN 37 2.1 DN ngành NCKH&PTCN .37 2.1.1 Khái niệm Doanh nghiệp khoa học công nghệ 37 2.1.2 Phân loại DN ngành NCKH&PTCN 38 2.2 Cơ sở lý thuyết KQHĐ DN ngành NCKH&PTCN 39 2.2.1 Khái niệm KQHĐ DN 39 MỤC LỤC 2.2.2 Các lý thuyết quản trị nhóm nhân tố tác động đến KQHĐ DN .41 2.2.3 Các mô hình đánh giá KQHĐ DN 45 2.2.4 Các số đánh giá KQHĐ DN 47 2.2.5 Khái niệm công cụ luận án – KQHĐ nội hàm khái niệm … 49 2.3 Các nhóm nhân tố tác động đến KQHĐ DN ngành NCKH&PTCN Việt Nam 51 2.3.1 Đặc điểm nhân học CEO 51 2.3.2 Ưu đãi thuế 52 2.3.3 Ưu đãi phi thuế 54 TỔNG KẾT CHƯƠNG 56 CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 57 3.1 Thiết kế nghiên cứu 57 3.2 Mô tả mẫu nghiên cứu .58 3.2.1 Mẫu nghiên cứu nghiên cứu định lượng 58 3.2.2 Mẫu nghiên cứu nghiên cứu định tính 61 3.3 Phương pháp nghiên cứu sử dụng 62 3.3.1 Phương pháp nghiên cứu định lượng .62 3.3.2 Phương pháp nghiên cứu định tính 74 TỔNG KẾT CHƯƠNG 76 CHƯƠNG 4: PHÂN TÍCH THỰC TRẠNG TÁC ĐỘNG CỦA ĐẶC ĐIỂM NHÂN KHẨU HỌC CỦA CEO, ƯU ĐÃI THUẾ VÀ PHI THUẾ ĐẾN KQHĐ DN ngành NCKH&PTCN TẠI VIỆT NAM GIAI ĐOẠN 2008-2019 ……………………………………………………… …………………………… 77 4.1 Hoạt động DN ngành NCKH&PTCN Việt Nam 77 4.1.1 Thể chế pháp lý hành DN ngành NCKH&PTCN ……………………………………………………………… ……… 77 4.1.2 Tình hình SXKD DN ngành NCKH&PTCN Việt Nam 80 4.1.3 Thống kê loại hình pháp lý DN ngành NCKH&PTCN Việt Nam .82 4.2 Phân tích thực trạng tác động đặc điểm nhân học CEO, ưu đãi thuế phi thuế đến KQHĐ DN ngành NCKH&PTCN Việt Nam …………………………………………………………………………………… 83 MỤC LỤC 4.2.1 Tác động đặc điểm nhân học CEO đến KQHĐ DN ngành NCKH&PTCN 83 4.2.2 Tác động ưu đãi thuế đến KQHĐ DNKHCN .101 4.2.3 Đánh giá ưu đãi thuế phi thuế từ góc nhìn DN 115 TỔNG KẾT CHƯƠNG .126 CHƯƠNG 5: KHUYẾN NGHỊ VÀ GIẢI PHÁP NÂNG CAO KQHĐ CỦA DN TRONG NGÀNH NCKH&PTCN TẠI VIỆT NAM 127 5.1 Chiến lược phát triển hoạt động KH&CN Việt Nam 127 5.2 Khuyến nghị đặc điểm nhân học CEO số đặc điểm DN ngành NCKH&PTCN 127 5.2.1 Khuyến nghị tới DN72 128 5.2.2 Khuyến nghị tới DNKHCN 129 5.3 Đề xuất nhóm giải pháp thực hố ưu đãi phi thuế hoàn thiện ưu đãi thuế cho DNKHCN 132 5.3.1 Giải pháp truyền thông 133 5.3.2 Giải pháp thể chế 134 5.3.3 Giải pháp trợ giúp pháp lý tư vấn 138 5.3.4 Giải pháp trợ giúp thương mại hoá mở rộng thị trường .139 5.4 Các khuyến nghị sách tới quan quản lý Nhà nước tổ chức có liên quan 140 5.4.1 Khuyến nghị tới liên Bộ - Bộ Khoa học công nghệ, Bộ Kế hoạch đầu tư, Bộ Tài Chính phủ 140 5.4.2 Khuyến nghị tới Bộ KH&CN 142 5.4.3 Khuyến nghị tới Hiệp hội DNKHCN 145 TỔNG KẾT CHƯƠNG .146 KẾT LUẬN 147 DANH MỤC CƠNG TRÌNH CƠNG BỐ KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI LUẬN ÁN .150 TÀI LIỆU THAM KHẢO 151 CÁC PHỤ LỤC (1-11) 162 i DANH MỤC TỪ VIẾT TẮT TIẾNG VIỆT Từ viết tắt Từ đầy đủ CHXHCN Cộng hoà xã hội chủ nghĩa Cơng ty CP Cơng ty cổ phần CP Chính phủ CSH Chủ sở hữu DN Doanh nghiệp DNNN Doanh nghiệp Nhà nước DNKHCN Doanh nghiệp khoa học công nghệ DN72 Doanh nghiệp ngành 72 GPHI Giải pháp hữu ích HĐQT Hội đồng quản trị HTX Hợp tác xã KH&CN Khoa học công nghệ KH&ĐT Kế hoạch đầu tư KQHĐ Kết hoạt động NCKH Nghiên cứu khoa học NCKH&PTCN Nghiên cứu khoa học phát triển công nghệ NC&PT Nghiên cứu phát triển NĐ Nghị định NK Nhập NSNN Ngân sách Nhà nước SHTT Sở hữu trí tuệ SXKD Sản xuất kinh doanh TNDN Thu nhập doanh nghiệp TNHH Trách nhiệm hữu hạn TP Thành phố TSCĐ Tài sản cố định TW Trung ương XK Xuất ii DANH MỤC TỪ VIẾT TẮT TIẾNG ANH Từ viết tắt CEO FE FGLS GDP GSO IPO IT M&A MBA OLS R&D RBT RDT RE ROA ROE ROI ROS RR SGMM SMEs SOEs UET VIF VSIC Từ đầy đủ Tiếng Anh Chief Executive Officer Fixed effects model Feasible generalized least squares Gross Domestic Products General Statistics Office Initial Public Offering Institution Theory Mergers and acquisitions Master of Business Administration Ordinary least squares Research and Development Resource-based Theory Resource Dependence Theory Random effects model Return on assets Return on equity Return on investment Return on sales Robust regression System Generalized Method of Moments Small and medium-sized enterprises State-owned enterprises Upper Echelon Theory Variance inflation factor Vietnam standard industrial classification system Nghĩa Tiếng Việt Giám đốc điều hành Mơ hình tác động cố định Phương pháp bình phương tổng quát tối thiểu Tổng sản phẩm quốc nội Tổng cục thống kê Chào bán cổ phiếu công chúng lần đầu Lý thuyết thể chế Thơn tính sáp nhập Thạc sỹ Quản trị kinh doanh Phương pháp bình phương nhỏ thông thường Nghiên cứu phát triển Lý thuyết dựa vào nguồn lực Lý thuyết phụ thuộc nguồn lực Mơ hình tác động ngẫu nhiên Tỷ suất sinh lời tổng tài sản Tỷ suất sinh lời vốn chủ sở hữu Tỷ suất sinh lời vốn đầu tư Tỷ suất sinh lời doanh thu Hồi quy Robust Phương pháp moment tổng quát hệ thống Doanh nghiệp quy mô nhỏ vừa Doanh nghiệp thuộc sở hữu Nhà nước Lý thuyết nhà lãnh đạo cấp cao Hệ số phóng đại phương sai Hệ thống mã ngành kinh tế Việt Nam DANH MỤC BẢNG Bảng 3.1: Thống kê số lượng DNKHCN có liệu nhiều năm .60 Bảng 3.2: Nguồn gốc DNKHCN DN tham gia vấn sâu 62 Bảng 3.3: Mô tả biến Mơ hình (1) 70 Bảng 3.4: Mô tả biến Mơ hình (2) 73 Bảng 3.5: Các quan hệ ngữ nghĩa phổ biến 74 Bảng 4.1: Tổng hợp văn pháp luật liên quan tới DNKHCN 77 Bảng 4.2: Số lượng DNKHCN số tỉnh thành điển hình 81 Bảng 4.3: Thống kê mơ tả biến_Mơ hình (1) (Biến liên tục) .84 Bảng 4.4: Thống kê mơ tả biến_Mơ hình (1) (Biến phân loại) 85 Bảng 4.5.a: Hệ số tương quan biến độc lập Mơ hình (1) (DN72) ………………………………………………………………………… … … 88 Bảng 4.5.b: Hệ số tương quan biến độc lập Mơ hình (1) (DNKHCN) 88 Bảng 4.5.c: Hệ số tương quan biến độc lập Mơ hình (1) (Ngành NCKH&PTCN) 89 Bảng 4.6: Hồi quy OLS số điều chỉnh_Mơ hình (1) 89 Bảng 4.7: Hồi quy Robust_Mơ hình (1) .91 Bảng 4.8: Hồi quy Robust với biến Tuổi*Học vấn_Mơ hình (1) .92 Bảng 4.9: Hồi quy Robust với biến Giới tính*Học vấn_Mơ hình (1) 93 Bảng 4.10: Hồi quy Robust với biến Tuổi*Giới tính_Mơ hình (1) 95 Bảng 4.11: Kết kiểm định phi tham số (KQHĐ Ngành với đặc điểm CEO) 96 Bảng 4.12: Thống kê TSLNTT ROE Học vấn CEO (Ngành) – Kiểm định Kruskall-Wallis rank 96 Bảng 4.13: So sánh kết giả thuyết nghiên cứu_Mơ hình (1) 99 Bảng 4.14: Thống kê mô tả biến_Mơ hình (2) (số liệu gốc) 101 Bảng 4.15: Thống kê mơ tả biến_Mơ hình (2) (giá trị logarit tự nhiên) … 102 Bảng 4.16.a: Ma trận hệ số tương quan_ROA biến Mô hình (2) 104 Bảng 4.16.b: Ma trận hệ số tương quan_ROE biến Mơ hình (2) 104 UniDegree CEOEdu#c.Age College Doctor Intermediate Master OtherEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity _cons | | | | | | | | | | | | | | | | | | (base) 0012289 0047449 -.2454874 0014099 0029466 0104883 0023916 0061436 0021807 0031396 0.12 1.98 -39.96 0.65 0.94 0.907 0.050 0.000 0.519 0.350 -.0195354 0000101 -.2576502 -.0029073 -.0032692 0219933 0094798 -.2333246 0057271 0091624 -.0004419 0011942 -.0008918 0242536 1539855 0145376 -.0125522 -.030694 0120294 0111774 0067536 0088186 0285179 0591161 0379566 0623768 0269284 0629216 -0.04 0.18 -0.10 0.85 2.60 0.38 -0.20 -1.14 0.19 0.969 0.860 0.920 0.397 0.010 0.702 0.841 0.257 0.849 -.0225705 -.0121764 -.0183505 -.0322051 0369497 -.0606075 -.1360435 -.0840058 -.1125405 0216866 0145647 0165669 0807123 2710214 0896827 1109392 0226177 1365993 Phụ lục 8p: Hồi quy robust với biến Gioitinh*Hocvan_DN72 (2017) rreg ROA Age i.Gender##i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity note: 0.Gender#1.CEOEdu identifies no observations in the sample note: 1.Gender#1.CEOEdu omitted because of collinearity Huber iteration 1: maximum difference Huber iteration 2: maximum difference Huber iteration 3: maximum difference Huber iteration 4: maximum difference Huber iteration 5: maximum difference Huber iteration 6: maximum difference Biweight iteration 7: maximum difference Biweight iteration 8: maximum difference Biweight iteration 9: maximum difference Biweight iteration 10: maximum difference in Biweight iteration 11: maximum difference in Biweight iteration 12: maximum difference in Biweight iteration 13: maximum difference in Biweight iteration 14: maximum difference in Robust regression ROA| Coef + Age | 000198 | Gender | | | -.0167552 | CEOEdu | College | 0178778 Doctor | -.2502622 Intermediate | 038791 Master | 0235245 OtherEdu | 001284 UniDegree | | Gender#CEOEdu | 0#College | 1#College | 1#Doctor | 258898 1#Intermediate | -.0928773 1#Master | -.0002906 1#OtherEdu | 0024694 | log_FirmAge | 0027236 log_TotalAssets | 0019183 log_Labour | -.0005237 Leverage | 0146958 CorpTax | 0764712 ImportExport | 0448241 SpecialZone | 006532 CenCity | 0008768 _cons | -.0328169 Std Err .0002247 (base) 0068588 in weights = 80206008 in weights = 44625971 in weights = 23013383 in weights = 13719521 in weights = 08529672 in weights = 03450388 in weights = 29498431 in weights = 45877267 in weights = 24864358 weights = 28843118 weights = 24239358 weights = 1238174 weights = 03029245 weights = 0098479 Number of obs F( 19, 178) Prob > F t P>|t| [95% 0.88 0.379 = 198 = 14.62 = 0.0000 Conf Interval] -.0002454 0006415 -2.44 0.016 -.0302903 1.51 -13.11 1.98 1.57 0.05 0.133 0.000 0.049 0.119 0.960 -.0054849 -.2879256 0001105 -.0060786 -.0497501 0412405 -.2125987 0774715 0531277 0523182 (empty) (omitted) 0224302 0286526 0179385 0333593 11.54 -3.24 -0.02 0.07 0.000 0.001 0.987 0.941 2146346 -.1494198 -.03569 -.0633611 3031614 -.0363349 0351089 0683 0037588 001898 0030046 0105168 0234796 0143332 0182979 0099802 0209315 0.72 1.01 -0.17 1.40 3.26 3.13 0.36 0.09 -1.57 0.470 0.314 0.862 0.164 0.001 0.002 0.722 0.930 0.119 -.0046939 -.0018273 -.006453 -.0060579 030137 0165393 -.0295767 -.0188179 -.0741228 0101411 0056638 0054055 0354495 1228055 0731089 0426408 0205714 008489 0118389 0190858 0196011 0150012 0258613 (base) -.00322 rreg ROE Age i.Gender##i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity note: 0.Gender#1.CEOEdu identifies no observations in the sample note: 1.Gender#1.CEOEdu omitted because of collinearity Huber Huber Huber Huber Huber Huber Huber Huber Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: maximum difference in weights = 75136141 maximum difference in weights = 41201377 maximum difference in weights = 33881297 maximum difference in weights = 20815669 maximum difference in weights = 20077926 maximum difference in weights = 15299023 maximum difference in weights = 0801623 maximum difference in weights = 04526177 maximum difference in weights = 30132055 maximum difference in weights = 95424361 maximum difference in weights = 2549233 maximum difference in weights = 27072258 maximum difference in weights = 14811821 maximum difference in weights = 08066604 maximum difference in weights = 08626879 maximum difference in weights = 04406444 maximum difference in weights = 032566 maximum difference in weights = 0290303 maximum difference in weights = 01564718 maximum difference in weights = 01682504 maximum difference in weights = 00810018 Robust regression ROE Age Gender CEOEdu College Doctor Intermediate Master OtherEdu UniDegree Gender#CEOEdu 0#College 1#College 1#Doctor 1#Intermediate 1#Master 1#OtherEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity _cons | + | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | Coef Std Err Number of obs F( 19, 178) Prob > F t P>|t| [95% = 198 = 14.50 = 0.0000 Conf Interval] 0001083 00022 0.49 0.623 -.0003259 0005425 -.0117267 (base) 0067158 -1.75 0.083 -.0249796 0015261 0196892 -.004838 0637642 018164 0000293 011592 0186877 0191924 0146884 025322 (base) 1.70 -0.26 3.32 1.24 0.00 0.091 0.796 0.001 0.218 0.999 -.0031863 -.041716 0258904 -.0108218 -.0499406 0425647 0320401 1016381 0471498 0499991 0 0145263 -.1199153 -.0046974 0044493 (empty) (omitted) 0219625 0280551 0175644 0326636 0.66 -4.27 -0.27 0.14 0.509 0.000 0.789 0.892 -.028814 -.1752786 -.0393586 -.0600084 0578667 -.064552 0299639 068907 002472 0022883 -.0002789 0434918 0599582 1366929 -.0053729 -.0017136 -.0338249 0036804 0018585 002942 0102975 02299 0140343 0179163 009772 020495 0.67 1.23 -0.09 4.22 2.61 9.74 -0.30 -0.18 -1.65 0.503 0.220 0.925 0.000 0.010 0.000 0.765 0.861 0.101 -.0047908 -.0013792 -.0060845 0231709 0145902 1089979 -.0407287 -.0209976 -.0742694 0097349 0059558 0055267 0638127 1053262 1643878 0299828 0175703 0066195 rreg TSLNTT Age i.Gender##i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity note: 0.Gender#1.CEOEdu identifies no observations in the sample note: 1.Gender#1.CEOEdu omitted because of collinearity Huber Huber Huber Huber Huber Huber Huber iteration iteration iteration iteration iteration iteration iteration 1: 2: 3: 4: 5: 6: 7: maximum maximum maximum maximum maximum maximum maximum difference difference difference difference difference difference difference in weights = 75160253 in weights = 39597555 in weights = 31225019 in weights = 22499153 in weights = 18540803 in weights = 12836664 in weights = 07998522 Huber iteration 8: Biweight iteration 9: Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration Biweight iteration maximum difference in weights = 04211157 maximum difference in weights = 29528973 10: maximum difference in weights = 92634859 11: maximum difference in weights = 36744603 12: maximum difference in weights = 24544924 13: maximum difference in weights = 09864663 14: maximum difference in weights = 07926553 15: maximum difference in weights = 05829784 16: maximum difference in weights = 04064176 17: maximum difference in weights = 02930337 18: maximum difference in weights = 02074601 19: maximum difference in weights = 0140633 20: maximum difference in weights = 00945111 Robust regression TSLNTT | + Age | | Gender | | | | CEOEdu | College | Doctor | Intermediate | Master | OtherEdu | UniDegree | | Gender#CEOEdu | 0#College | 1#College | 1#Doctor | 1#Intermediate | 1#Master | 1#OtherEdu | | log_FirmAge | log_TotalAssets | log_Labour | Leverage | CorpTax | ImportExport | SpecialZone | CenCity | _cons | Number of obs = F( 19, 178) = Prob > F = Coef Std Err t 198 22.66 0.0000 P>|t| [95% Conf Interval] 0000702 0002235 0.31 0.754 -.000371 0005113 -.0125426 (base) 0068228 -1.84 0.068 -.0260066 0009213 0185974 -.0049294 0027028 0152849 -.0018526 0117767 0189854 0194981 0149224 0257254 (base) 1.58 -0.26 0.14 1.02 -0.07 0.116 0.795 0.890 0.307 0.943 -.0046425 -.0423949 -.0357744 -.0141626 -.0526185 0418373 0325361 04118 0447325 0489133 0 0141246 -.0585609 -.0051541 0066983 (empty) (omitted) 0223123 028502 0178442 0331839 0.63 -2.05 -0.29 0.20 0.528 0.041 0.773 0.840 -.0299062 -.1148061 -.0403676 -.0587862 0581554 -.0023156 0300593 0721828 0033798 0020194 0005233 0455909 0638741 1967494 -.0000231 -.0074524 -.0255157 003739 0018881 0029888 0104616 0233562 0142578 0182017 0099277 0208215 0.90 1.07 0.18 4.36 2.73 13.80 -0.00 -0.75 -1.23 0.367 0.286 0.861 0.000 0.007 0.000 0.999 0.454 0.222 -.0039987 -.0017065 -.0053748 0249463 0177834 1686133 -.035942 -.0270435 -.0666045 0107583 0057453 0064214 0662355 1099649 2248856 0358959 0121387 015573 rreg TLLR Age i.Gender##i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity note: 0.Gender#1.CEOEdu identifies no observations in the sample note: 1.Gender#1.CEOEdu omitted because of collinearity Huber Huber Huber Huber Huber Huber Huber Huber Huber Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight iteration 1: maximum difference in weights = 81413055 iteration 2: maximum difference in weights = 49215522 iteration 3: maximum difference in weights = 53847944 iteration 4: maximum difference in weights = 19662068 iteration 5: maximum difference in weights = 12570107 iteration 6: maximum difference in weights = 13349492 iteration 7: maximum difference in weights = 09682413 iteration 8: maximum difference in weights = 05154386 iteration 9: maximum difference in weights = 03721615 iteration 10: maximum difference in weights = 27798117 iteration 11: maximum difference in weights = 98592916 iteration 12: maximum difference in weights = 4612568 iteration 13: maximum difference in weights = 08943465 iteration 14: maximum difference in weights = 02338564 iteration 15: maximum difference in weights = 01178492 iteration 16: maximum difference in weights = 01250216 iteration 17: maximum difference in weights = 01190665 iteration 18: maximum difference in weights = 01162092 Biweight iteration 19: maximum difference in weights = 01136965 Biweight iteration 20: maximum difference in weights = 01107259 Biweight iteration 21: maximum difference in weights = 00520282 Robust regression TLLR| + Age | | Gender | | | | CEOEdu | College | Doctor | Intermediate | Master | OtherEdu | UniDegree | | Gender#CEOEdu | 0#College | 1#College | 1#Doctor | 1#Intermediate | 1#Master | 1#OtherEdu | | log_FirmAge | log_TotalAssets | log_Labour | Leverage | CorpTax | ImportExport | SpecialZone | CenCity | _cons | Number of obs = F( 19, 123) = Prob > F = Coef Std Err t P>|t| 143 6.46 0.0000 [95% Conf Interval] 0001017 0006463 0.16 0.875 -.0011776 001381 -.0294726 (base) 019779 -1.49 0.139 -.068624 0096788 0297688 -.0039532 02133 0582059 0762286 0313971 0459628 0479322 0426716 0615662 (base) 0.95 -0.09 0.45 1.36 1.24 0.345 0.932 0.657 0.175 0.218 -.0323798 -.0949337 -.0735488 -.0262599 -.045638 0919174 0870274 1162088 1426717 1980952 0 0547893 -.7925087 -.0131961 -.0506058 (empty) (omitted) 0567127 097534 0500318 1078994 0.97 -8.13 -0.26 -0.47 0.336 0.000 0.792 0.640 -.05747 -.9855713 -.1122309 -.2641861 1670485 -.5994461 0858387 1629745 0008454 001653 -.0057409 0355929 1491377 0152044 -.0078864 -.0340757 -.0013238 0106795 0067794 0085615 026668 0577405 0377071 0619724 0250052 0630782 0.08 0.24 -0.67 1.33 2.58 0.40 -0.13 -1.36 -0.02 0.937 0.808 0.504 0.184 0.011 0.687 0.899 0.175 0.983 -.0202939 -.0117665 -.0226878 -.0171947 0348439 -.0594345 -.130557 -.0835719 -.1261831 0219848 0150724 0112061 0883805 2634316 0898432 1147842 0154205 1235356 Phụ lục 8q: Hồi quy robust với biến Tuoi*Gioitinh_DN72 (2017) rreg ROA i.Gender##c.Age i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity Huber iteration 1: maximum difference in weights = 79100751 Huber iteration 2: maximum difference in weights = 44633401 Huber iteration 3: maximum difference in weights = 19185003 Huber iteration 4: maximum difference in weights = 14945501 Huber iteration 5: maximum difference in weights = 08071501 Huber iteration 6: maximum difference in weights = 05843248 Huber iteration 7: maximum difference in weights = 03473487 Biweight iteration 8: maximum difference in weights = 29600663 Biweight iteration 9: maximum difference in weights = 43261682 Biweight iteration 10: maximum difference in weights = 26300255 Biweight iteration 11: maximum difference in weights = 23994937 Biweight iteration 12: maximum difference in weights = 10340682 Biweight iteration 13: maximum difference in weights = 04717001 Biweight iteration 14: maximum difference in weights = 02900524 Biweight iteration 15: maximum difference in weights = 01527165 Biweight iteration 16: maximum difference in weights = 01089912 Biweight iteration 17: maximum difference in weights = 00621479 Robust regression ROA| + Gender | | | | Coef -.0262559 Std Err (base) 0209692 t -1.25 Number of obs = 198 F( 16, 181) = 5.82 Prob > F = 0.0000 P>|t| [95% Conf Interval] 0.212 -.0676315 0151197 Age | | Gender#c.Age | | | CEOEdu | College | Doctor | Intermediate | Master | OtherEdu | UniDegree | | log_FirmAge | log_TotalAssets | log_Labour | Leverage | CorpTax | ImportExport | SpecialZone | CenCity | _cons | -6.89e-06 0003794 -0.02 0.986 -.0007554 0007417 0002197 0004532 0.48 0.628 -.0006746 001114 016697 0053728 -.0517726 0223429 0034353 0119192 0106673 0146143 0083016 0165432 (base) 1.40 0.50 -3.54 2.69 0.21 0.163 0.615 0.001 0.008 0.836 -.0068215 -.0156753 -.0806089 0059625 -.0292071 0402154 026421 -.0229362 0387233 0360777 0047736 0023286 -.0002864 0123892 0682345 0458941 0052915 -.0095873 -.018988 0037566 0019121 0030081 0104526 0235602 0144295 0184444 0098733 024272 1.27 1.22 -0.10 1.19 2.90 3.18 0.29 -0.97 -0.78 0.205 0.225 0.924 0.237 0.004 0.002 0.775 0.333 0.435 -.0026388 -.0014444 -.0062218 -.0082354 0217465 0174224 -.0311021 -.0290689 -.0668805 012186 0061015 005649 0330139 1147225 0743658 0416851 0098943 0289044 rreg ROE i.Gender##c.Age i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity Huber Huber Huber Huber Huber Huber Huber Huber Huber Huber Huber Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: maximum difference in weights = 78221147 maximum difference in weights = 37735742 maximum difference in weights = 37344415 maximum difference in weights = 2765088 maximum difference in weights = 17656329 maximum difference in weights = 19482232 maximum difference in weights = 10209847 maximum difference in weights = 09696389 maximum difference in weights = 07743529 maximum difference in weights = 06630901 maximum difference in weights = 0400248 maximum difference in weights = 29712266 maximum difference in weights = 69929116 maximum difference in weights = 21003613 maximum difference in weights = 14619711 maximum difference in weights = 15527278 maximum difference in weights = 08737176 maximum difference in weights = 03281057 maximum difference in weights = 02133342 maximum difference in weights = 01391267 maximum difference in weights = 0082377 Robust regression ROE| + Gender | | | | Age | | Gender#c.Age | | | CEOEdu | College | Doctor | Intermediate | Master | OtherEdu | UniDegree | | log_FirmAge | log_TotalAssets | log_Labour | Leverage | CorpTax | ImportExport | SpecialZone | Coef Std Err Number of obs F( 16, 181) Prob > F t P>|t| [95% = 198 = 16.44 = 0.0000 Conf Interval] -.023466 (base) 0199606 -1.18 0.241 -.0628513 0159194 -.0000494 0003611 -0.14 0.891 -.000762 0006631 0002268 0004314 0.53 0.600 -.0006245 001078 0197499 0061539 -.0328362 0145335 0026956 0113459 0101541 0139113 0079023 0157475 (base) 1.74 0.61 -2.36 1.84 0.17 0.083 0.545 0.019 0.068 0.864 -.0026373 -.0138818 -.0602855 -.001059 -.0283766 0421371 0261896 -.0053869 030126 0337679 0032457 0030452 -.0001663 0420173 0492507 1360257 -.0073097 0035759 0018201 0028634 0099498 0224269 0137354 0175572 0.91 1.67 -0.06 4.22 2.20 9.90 -0.42 0.365 0.096 0.954 0.000 0.029 0.000 0.678 -.0038102 -.0005463 -.0058162 0223848 0049988 1089235 -.0419527 0103015 0066366 0054836 0616499 0935025 1631278 0273333 CenCity | _cons | -.0119987 -.0223415 0093984 0231045 -1.28 -0.97 0.203 0.335 -.0305432 -.0679303 0065458 0232472 rreg TSLNTT i.Gender##c.Age i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity Huber Huber Huber Huber Huber Huber Huber Huber Huber Huber Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight Biweight iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration iteration 1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: maximum difference in weights = 7948747 maximum difference in weights = 34776994 maximum difference in weights = 38576482 maximum difference in weights = 28489278 maximum difference in weights = 17539528 maximum difference in weights = 1815694 maximum difference in weights = 10523715 maximum difference in weights = 09231324 maximum difference in weights = 06118854 maximum difference in weights = 04029751 maximum difference in weights = 29740882 maximum difference in weights = 64127072 maximum difference in weights = 30643341 maximum difference in weights = 12638705 maximum difference in weights = 06882963 maximum difference in weights = 05063535 maximum difference in weights = 03192695 maximum difference in weights = 02645305 maximum difference in weights = 01319387 maximum difference in weights = 00851331 Robust regression TSLNTT | + Gender | | | | Age | | Gender#c.Age | | | CEOEdu | College | Doctor | Intermediate | Master | OtherEdu | UniDegree | | log_FirmAge | log_TotalAssets | log_Labour | Leverage | CorpTax | ImportExport | SpecialZone | CenCity | _cons | Coef Std Err Number of obs F( 16, 181) Prob > F t P>|t| [95% = 198 = 24.77 = 0.0000 Conf Interval] -.0275895 (base) 0215061 -1.28 0.201 -.0700245 0148455 -.0001126 0003891 -0.29 0.773 -.0008803 0006551 0003058 0004648 0.66 0.511 -.0006114 001223 0200643 0059455 -.0327307 0127382 002073 0122244 0109404 0149885 0085142 0169668 (base) 1.64 0.54 -2.18 1.50 0.12 0.102 0.587 0.030 0.136 0.903 -.0040563 -.0156415 -.0623054 -.0040617 -.0314052 0441849 0275326 -.0031561 029538 0355511 0041601 0030022 0008746 0441153 0623763 1933378 -.0003318 -.0119427 -.0216814 0038528 0019611 0030851 0107203 0241635 014799 0189166 0101261 0248935 1.08 1.53 0.28 4.12 2.58 13.06 -0.02 -1.18 -0.87 0.282 0.128 0.777 0.000 0.011 0.000 0.986 0.240 0.385 -.0034421 -.0008674 -.0052128 0229626 014698 1641371 -.0376573 -.0319232 -.0708002 0117623 0068717 006962 0652681 1100546 2225385 0369937 0080377 0274373 rreg TLLR i.Gender##c.Age i.CEOEdu log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity Huber iteration 1: maximum difference in weights = 80477627 Huber iteration 2: maximum difference in weights = 4805785 Huber iteration 3: maximum difference in weights = 48103767 Huber iteration 4: maximum difference in weights = 23928712 Huber iteration 5: maximum difference in weights = 15323447 Huber iteration 6: maximum difference in weights = 11921983 Huber iteration 7: maximum difference in weights = 10148712 Huber iteration 8: maximum difference in weights = 10721855 Huber iteration 9: maximum difference in weights = 0718658 Huber iteration 10: maximum difference in weights = 05384154 Huber iteration 11: maximum difference in weights = 02966243 Biweight iteration 12: maximum difference in weights = 29207249 Biweight iteration 13: maximum difference in weights = 6113987 Biweight iteration 14: maximum difference in weights = 36016052 Biweight iteration 15: maximum difference in weights = 07397922 Biweight Biweight Biweight Biweight Biweight iteration iteration iteration iteration iteration 16: 17: 18: 19: 20: maximum maximum maximum maximum maximum difference difference difference difference difference Robust regression TLLR Gender Age Gender#c.Age CEOEdu College Doctor Intermediate Master OtherEdu UniDegree log_FirmAge log_TotalAssets log_Labour Leverage CorpTax ImportExport SpecialZone CenCity _cons | + | | | | | | | | | | | | | | | | | | | | | | | | | | Coef Std Err in weights = 01602758 in weights = 01653609 in weights = 01524228 in weights = 01400906 in weights = 00308226 Number of obs F( 16, 126) Prob > F t P>|t| [95% = 143 = 24.04 = 0.0000 Conf Interval] -.0026266 (base) 0588697 -0.04 0.964 -.1191281 1138748 0006639 0010699 0.62 0.536 -.0014534 0027811 -.0006632 0012702 -0.52 0.603 -.0031768 0018504 0299833 0430933 -.7270424 0480113 0595885 0315251 0281918 0416517 0215919 0507398 (base) 0.95 1.53 -17.46 2.22 1.17 0.343 0.129 0.000 0.028 0.242 -.032404 -.0126975 -.8094699 0052815 -.0408241 0923706 0988841 -.6446149 090741 160001 0014172 -.0000352 -.0038269 0408433 1430108 0195293 -.0037988 -.0354786 -.0159928 0105439 0066551 0084052 0266183 0575848 0378259 0621284 0246967 0709012 0.13 -0.01 -0.46 1.53 2.48 0.52 -0.06 -1.44 -0.23 0.893 0.996 0.650 0.127 0.014 0.607 0.951 0.153 0.822 -.0194489 -.0132053 -.0204605 -.0118336 0290523 -.055327 -.1267491 -.0843526 -.1563042 0222832 013135 0128067 0935202 2569694 0943856 1191515 0133954 1243185 Phụ lục 9: Kết nghiên cứu định lượng sử dụng mơ hình SGMM phân tích tác động ưu đãi thuế tới KQHĐ DNKHCN (ROA, ROE, TSLNTT, TLLR) giai đoạn 2008 - 2019 xtset FirmID Year,yearly panel variable: FirmID (strongly balanced) time variable: Year, 2008 to 2019 delta: year xtabond2 ROA l.ROA c.log_CorpTax##i.TaxIncentives log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leve > rage log_TAGrowth log_TSGrowth i.Year,gmm(l.ROA, collapse)iv(c.log_CorpTax##i.TaxIncentives log_FirmAge log_ > Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth i.Year, equation(level)) nodiffsarg > an twostep robust orthogonal small Favoring space over speed To switch, type or click on mata: mata set matafavor speed, perm Warning: Two-step estimated covariance matrix of moments is singular Using a generalized inverse to calculate optimal weighting matrix for two-step estimation Dynamic panel-data estimation, two-step system GMM Group variable: FirmID Time variable : Year Number of instruments = 32 F(25, 82) = 30.48 Prob > F = 0.000 | ROA | + ROA | L1 | | log_CorpTax | | TaxIncentives | | | | TaxIncentives#| c.log_CorpTax | | | | log_FirmAge | log_Labour | log_AvTotalAssets | log_Tangible | Leverage | log_TAGrowth | log_TSGrowth | | Year | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | | _cons | Number of obs Number of groups Obs per group: avg max = = = = = 340 83 4.10 Corrected Std Err t P>|t| [95% Conf Interval] 2613911 0754211 3.47 0.001 1113544 4114277 -.0327906 0054578 -6.01 0.000 -.0436479 -.0219333 0637095 (empty) 0196452 3.24 0.002 0246289 1027901 0192982 (empty) 0062328 3.10 0.003 0068992 0316972 0079137 0061154 0042521 -3.98e-06 -.0471399 -.0005252 0064511 0066627 0073848 0045615 0048173 0189331 0028105 002732 1.19 0.83 0.93 -0.00 -2.49 -0.19 2.36 0.238 0.410 0.354 0.999 0.015 0.852 0.021 -.0053405 -.0085753 -.0048222 -.0095872 -.0848038 -.0061162 0010163 0211679 0208062 0133264 0095792 -.009476 0050658 0118859 0979311 0867098 0863996 0811272 072906 0680034 073176 0660401 1285833 0276259 (empty) 0169865 0163197 0174433 0177753 0170153 0157522 (omitted) 0144771 0163754 0227187 024039 5.77 5.31 4.95 4.56 4.28 4.32 0.000 0.000 0.000 0.000 0.000 0.000 0641396 0542447 0516994 0457665 039057 0366673 1317227 1191749 1210998 1164878 1067549 0993395 5.05 4.03 5.66 1.15 0.000 0.000 0.000 0.254 0443764 0334643 0833884 -.0201953 1019756 098616 1737781 0754471 -.1647305 0421157 -3.91 0.000 -.2485121 -.0809489 Coef Instruments for orthogonal deviations equation GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/11).L.ROA collapsed Instruments for levels equation Standard log_CorpTax 0b.TaxIncentives 1.TaxIncentives 0b.TaxIncentives#co.log_CorpTax 1.TaxIncentives#c.log_CorpTax log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth 2008b.Year 2009.Year 2010.Year 2011.Year 2012.Year 2013.Year 2014.Year 2015.Year 2016.Year 2017.Year 2018.Year 2019.Year _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.L.ROA collapsed Arellano-Bond test for AR(1) in first differences: z = -1.65 Pr > z = 0.099 Arellano-Bond test for AR(2) in first differences: z = 0.68 Pr > z = 0.494 Sargan test of (Not robust, Hansen test of (Robust, but overid restrictions: chi2(6) = 11.39 Prob > chi2 = 0.077 but not weakened by many instruments.) overid restrictions: chi2(6) = 5.54 Prob > chi2 = 0.476 weakened by many instruments.) xtabond2 ROE l.ROE c.log_CorpTax##i.TaxIncentives log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leve > rage log_TAGrowth log_TSGrowth i.Year,gmm(l.ROE, collapse)iv(c.log_CorpTax##i.TaxIncentives log_FirmAge log_ > Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth i.Year, equation(level)) nodiffsarg > an twostep robust orthogonal small Favoring space over speed To switch, type or click on mata: mata set matafavor speed, perm Warning: Two-step estimated covariance matrix of moments is singular Using a generalized inverse to calculate optimal weighting matrix for two-step estimation Dynamic panel-data estimation, two-step system GMM Group variable: FirmID Time variable : Year Number of instruments = 32 F(25, 82) = 11.71 Prob > F = 0.000 | ROE | + ROE | L1 | | log_CorpTax | | TaxIncentives | | | | TaxIncentives#| c.log_CorpTax | | | | log_FirmAge | log_Labour | log_AvTotalAssets | log_Tangible | Leverage | log_TAGrowth | log_TSGrowth | | Year | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | Number of obs Number of groups Obs per group: avg max = = = = = 338 83 4.07 Corrected Std Err t P>|t| [95% Conf Interval] 3661611 0852027 4.30 0.000 1966658 5356563 -.0658418 0112989 -5.83 0.000 -.0883188 -.0433648 1303416 (empty) 0384735 3.39 0.001 0538056 2068777 0448669 (empty) 0144574 3.10 0.003 0161066 0736272 0314535 0149338 0015546 -.0020083 0718704 -.0057113 0168523 0125469 0171047 0105125 0091419 0331813 0051756 0058907 2.51 0.87 0.15 -0.22 2.17 -1.10 2.86 0.014 0.385 0.883 0.827 0.033 0.273 0.005 0064937 -.019093 -.0193582 -.0201944 0058622 -.0160071 0051337 0564132 0489605 0224674 0161778 1378786 0045846 0285708 1693747 1399174 1515468 118498 1116063 1095681 0967171 1003488 1090931 (empty) 0420479 0364955 034358 0338209 0322524 0297014 (omitted) 0315637 0284586 0363518 4.03 3.83 4.41 3.50 3.46 3.69 0.000 0.000 0.000 0.001 0.001 0.000 085728 0673161 0831978 0512175 047446 0504825 2530213 2125186 2198957 1857785 1757665 1686537 3.06 3.53 3.00 0.003 0.001 0.004 0339267 0437356 0367777 1595074 1569621 1814085 Coef 2019 | | _cons | 072419 041964 1.73 0.088 -.0110607 1558987 -.3694661 0948043 -3.90 0.000 -.5580621 -.1808702 Instruments for orthogonal deviations equation GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/11).L.ROE collapsed Instruments for levels equation Standard log_CorpTax 0b.TaxIncentives 1.TaxIncentives 0b.TaxIncentives#co.log_CorpTax 1.TaxIncentives#c.log_CorpTax log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth 2008b.Year 2009.Year 2010.Year 2011.Year 2012.Year 2013.Year 2014.Year 2015.Year 2016.Year 2017.Year 2018.Year 2019.Year _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.L.ROE collapsed Arellano-Bond test for AR(1) in first differences: z = -2.74 Pr > z = 0.006 Arellano-Bond test for AR(2) in first differences: z = 1.43 Pr > z = 0.153 Sargan test of (Not robust, Hansen test of (Robust, but overid restrictions: chi2(6) = 5.40 Prob > chi2 = 0.494 but not weakened by many instruments.) overid restrictions: chi2(6) = 9.17 Prob > chi2 = 0.164 weakened by many instruments.) xtabond2 Earnings l.Earnings c.log_CorpTax##i.TaxIncentives log_FirmAge log_Labour log_AvTotalAssets log_Tan > gible Leverage log_TAGrowth log_TSGrowth i.Year,gmm(l.Earnings, collapse)iv(c.log_CorpTax##i.TaxIncentives l > og_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth i.Year, equation(lev > el)) nodiffsargan twostep robust orthogonal small Favoring space over speed To switch, type or click on mata: mata set matafavor speed, perm Warning: Two-step estimated covariance matrix of moments is singular Using a generalized inverse to calculate optimal weighting matrix for two-step estimation Dynamic panel-data estimation, two-step system GMM Group variable: FirmID Time variable : Year Number of instruments = 32 F(25, 82) = 8.34 Prob > F = 0.000 | Earnings | + Earnings | L1 | | log_CorpTax | | TaxIncentives | | | | TaxIncentives#| c.log_CorpTax | | | | log_FirmAge | log_Labour | log_AvTotalAssets | log_Tangible | Leverage | log_TAGrowth | log_TSGrowth | | Year | 2008 | 2009 | 2010 | Number of obs Number of groups Obs per group: avg max = = = = = 339 83 4.08 Corrected Std Err t P>|t| [95% Conf Interval] 4041194 0914693 4.42 0.000 2221579 586081 -.0659886 0121148 -5.45 0.000 -.0900889 -.0418884 1271086 (empty) 0371381 3.42 0.001 0532291 2009882 0423426 (empty) 0142178 2.98 0.004 0140589 0706262 0355102 0170428 -.0014372 -.0023333 0979383 -.0080516 0202284 0146233 0193918 0111613 0096498 0350724 0058416 0063363 2.43 0.88 -0.13 -0.24 2.79 -1.38 3.19 0.017 0.382 0.898 0.810 0.007 0.172 0.002 0064198 -.0215336 -.0236406 -.0215298 028168 -.0196723 0076234 0646007 0556193 0207662 0168631 1677085 0035692 0328335 1812686 1423437 (empty) 0458856 0384808 3.95 3.70 0.000 0.000 0899874 0657931 2725497 2188943 Coef 2011 2012 2013 2014 2015 2016 2017 2018 2019 | | | | | | | | | | _cons | 1573853 116038 1111812 112961 0965716 0913836 1218132 0637914 0386853 0365257 0374428 0333848 (omitted) 0397472 0335095 0393568 0460704 4.07 3.18 2.97 3.38 0.000 0.002 0.004 0.001 0804279 0433768 0366956 046548 2343427 1886992 1856668 1793739 2.43 2.73 3.10 1.38 0.017 0.008 0.003 0.170 0175017 0247224 04352 -.0278573 1756415 1580448 2001063 1554401 -.3648418 0966597 -3.77 0.000 -.5571287 -.1725549 Instruments for orthogonal deviations equation GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/11).L.Earnings collapsed Instruments for levels equation Standard log_CorpTax 0b.TaxIncentives 1.TaxIncentives 0b.TaxIncentives#co.log_CorpTax 1.TaxIncentives#c.log_CorpTax log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth 2008b.Year 2009.Year 2010.Year 2011.Year 2012.Year 2013.Year 2014.Year 2015.Year 2016.Year 2017.Year 2018.Year 2019.Year _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.L.Earnings collapsed Arellano-Bond test for AR(1) in first differences: z = -2.76 Pr > z = 0.006 Arellano-Bond test for AR(2) in first differences: z = 1.11 Pr > z = 0.266 Sargan test of (Not robust, Hansen test of (Robust, but overid restrictions: chi2(6) = 3.85 Prob > chi2 = 0.697 but not weakened by many instruments.) overid restrictions: chi2(6) = 6.89 Prob > chi2 = 0.331 weakened by many instruments.) xtabond2 NetProfitMargin l.NetProfitMargin c.log_CorpTax##i.TaxIncentives log_FirmAge log_Labour log_AvTotal > Assets log_Tangible Leverage log_TAGrowth log_TSGrowth i.Year,gmm(l.NetProfitMargin, collapse)iv(c.log_CorpT > ax##i.TaxIncentives log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth > i.Year, equation(level)) nodiffsargan twostep robust orthogonal small Favoring space over speed To switch, type or click on mata: mata set matafavor speed, perm Warning: Two-step estimated covariance matrix of moments is singular Using a generalized inverse to calculate optimal weighting matrix for two-step estimation Dynamic panel-data estimation, two-step system GMM Group variable: FirmID Time variable : Year Number of instruments = 32 F(25, 82) = 22.97 Prob > F = 0.000 | NetProfitMargin | + NetProfitMargin | L1 | | log_CorpTax | | TaxIncentives | | | | TaxIncentives#| c.log_CorpTax | | | | log_FirmAge | log_Labour | log_AvTotalAssets | log_Tangible | Number of obs Number of groups Obs per group: avg max = = = = = 340 83 4.10 Corrected Std Err t P>|t| [95% Conf Interval] 2435708 0898289 2.71 0.008 0648725 4222692 -.0218279 0039855 -5.48 0.000 -.0297564 -.0138994 0437584 (empty) 0168708 2.59 0.011 0101969 0773199 0121035 (empty) 0042952 2.82 0.006 003559 020648 0078929 -.0072292 0126843 0030174 0054851 0039184 0035647 0036321 1.44 -1.84 3.56 0.83 0.154 0.069 0.001 0.409 -.0030186 -.0150241 0055931 -.0042081 0188044 0005656 0197755 0102429 Coef Leverage | log_TAGrowth | log_TSGrowth | | Year | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | | _cons | -.062878 0008992 0018348 0142935 0022357 0017806 0755683 0741273 067774 0663103 0540019 0537918 0518612 0528782 0520214 0403714 (empty) 0131123 0130093 0134734 012542 013045 0130471 (omitted) 0101561 0108139 0146218 0166083 -.153787 0288815 -4.40 0.40 1.03 0.000 0.689 0.306 -.0913123 -.0035483 -.0017074 -.0344437 0053466 0053769 5.76 5.70 5.03 5.29 4.14 4.12 0.000 0.000 0.000 0.000 0.000 0.000 0494837 0482477 0409712 0413604 0280512 0278369 1016529 1000069 0945769 0912603 0799526 0797467 5.11 4.89 3.56 2.43 0.000 0.000 0.001 0.017 0316574 0313659 022934 0073322 072065 0743906 0811089 0734107 -5.32 0.000 -.2112416 -.0963324 Instruments for orthogonal deviations equation GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/11).L.NetProfitMargin collapsed Instruments for levels equation Standard log_CorpTax 0b.TaxIncentives 1.TaxIncentives 0b.TaxIncentives#co.log_CorpTax 1.TaxIncentives#c.log_CorpTax log_FirmAge log_Labour log_AvTotalAssets log_Tangible Leverage log_TAGrowth log_TSGrowth 2008b.Year 2009.Year 2010.Year 2011.Year 2012.Year 2013.Year 2014.Year 2015.Year 2016.Year 2017.Year 2018.Year 2019.Year _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.L.NetProfitMargin collapsed Arellano-Bond test for AR(1) in first differences: z = -2.12 Pr > z = 0.034 Arellano-Bond test for AR(2) in first differences: z = 0.92 Pr > z = 0.355 Sargan test of (Not robust, Hansen test of (Robust, but overid restrictions: chi2(6) = 7.41 Prob > chi2 = 0.285 but not weakened by many instruments.) overid restrictions: chi2(6) = 5.46 Prob > chi2 = 0.486 weakened by many instruments.) Phụ lục 10: Kết đánh giá ưu đãi thuế phi thuế - Nghiên cứu định tính từ góc nhìn DN Phụ lục 11: Bảng tổng kết biến đưa vào nghiên cứu định lượng Mơ hình (1) (2) Giả thuyết nghiên cứu Tên biến Biến phụ thuộc Tỷ suất sinh lời tổng tài sản Tỷ suất sinh lời vốn chủ sở hữu Tỷ suất lợi nhuận trước thuế Tỷ lệ lãi ròng Biến độc lập Tuổi CEO Giới tính CEO Học vấn CEO Tuổi DN Đòn bẩy Tổng tài sản Tăng trưởng tài sản Tăng trưởng doanh thu Thuế suất Lao động XNK Khu vực đặc biệt TP Trung ương TSCĐ Ưu đãi thuế Biến tương tác Tuổi & Học vấn CEO Giới tính & Học vấn CEO Tuổi & Giới tính CEO Ký hiệu Giả thuyết Dấu kỳ vọng Mơ hình ROA ROE TSLNTT TLLR - - (1) + (2) (1) + (2) (1) + (2) (1) + (2) Tuoi Gioitinh Hocvan TuoiDN Donbay TS TTTS TTDT Thue LĐ XNK KhuCN TPTW TSCĐ Ưuđãi H1 H2 H3 H4 H5 H6 H7 H8 H9 H10 H11 H12 H13 H14 H15 (-) Nữ (+) (+) (-) (+) (+) (+) (+) (+) (1) (-) (2) (+) (+) (+) (+) (+) (+) (1) (1) (1) (1) + (2) (1) + (2) (1) + (2) (2) (2) (1) + (2) (1) + (2) (1) (1) (1) (2) (2) Tuoi*Hocvan Gioitinh*Hocvan Tuoi*Gioitinh H1A H1B H1C (+) (+) (+) (1) (1) (1) ... luận đặc điểm nhân học, ưu đãi thuế phi thuế tác động chúng tới KQHĐ DN ngành NCKH&PTCN Việt Nam (3) Phân tích thực trạng tác động đặc điểm nhân học Giám đốc điều hành, ưu đãi thuế phi thuế đến. .. LUẬN VỀ TÁC ĐỘNG CỦA ĐẶC ĐIỂM NHÂN KHẨU HỌC CỦA CEO, ƯU ĐÃI THUẾ VÀ PHI THUẾ ĐẾN KẾT QUẢ HOẠT ĐỘNG CỦA DOANH NGHIỆP TRONG NGÀNH NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ 2.1 Doanh nghiệp ngành. .. tác động đặc điểm nhân học giám đốc điều hành (CEO), ưu đãi thuế phi thuế đến KQHĐ DN ngành NCKH&PTCN Việt Nam Phạm vi nội dung: luận án nghiên cứu tác động đặc điểm nhân học giám đốc điều hành