1 .4.3 Giới hạn không gian
2.2.3 Phương pháp phân tích số liệu
(1) Mục tiêu cụ thể 1: Nghiên cứu thực trạng về hoạt động kinh doanh của kinh tế tư nhân trên địa bàn thành phố Cần Thơ.
Xử lý số liệu bằng phương pháp thống kê mô tả với các chỉ tiêu như số trung bình, tần suất, so sánh.
(2) Mục tiêu cụ thể 2:Xác địnhcác nhân tố ảnh hưởng đến kết quảhoạt động kinh doanh của kinh tế tư nhântại TP. Cần Thơ.
Phân tích nhân tố để xác định sự ảnh hưởng của các nhân tố.
(3) Mục tiêu cụ thể 3:Phân tích các yếu tố ảnh hưởng đếnkết quả hoạt động kinh doanh và mức độ ảnh hưởng của các nhân tố này đến kết quả hoạt động kinh doanh của kinh tế tư nhântại TP. Cần Thơ.
Sử dụng phương pháp hồi quy tuyến tính để phân tích mức độ quan trọng của các nhân tố có ảnh hưởng đến kết quả hoạt động kinh doanh của kinh tế tư nhân. Kiểm định sự khác biệt của một số thông tin với mức độ ảnh hưởng bằng ANOVA.
Từ kết quả phân tích các yếu tố có ảnh hưởng đến kết quả hoạt động kinh doanh, phân tích và đưa vào ma trận SWOT để phân tích điểm mạnh, điểm yếu, cơ hội và thách thức trong hoạt động kinh doanhKTTN tại TP. Cần Thơ.
(4) Mục tiêu cụ thể 4: Đề xuất các giải pháp nhằm nâng cao kết quả hoạt động kinh doanh của kinh tế tư nhân tại TP. Cần Thơ định hướng đến năm 2020.
Từ những kết quả mô hình và phân tích trên, dùng phương pháp suy luận, tổng hợp và đưa ra kết luận, các giải pháp nhằm nâng cao kết quảhoạt động kinh doanh của kinh tế tư nhân tại TP. Cần Thơ.
* Các phương pháp nghiên cứu:
Phương pháp thống kê mô tả: được sử dụng trong nghiên cứu nhằm mô tả thực trạng phát triển của DN trong thành phần KTTN. Đầu tiên là mô tả số liệu thống kê được thông qua bảng và trình bày số liệu thống kê, thông tin thu thập làm cơ sở để phân tích. Cuối cùng là có kếtquả phân tích và kết luận phù hợp với thực trạng phát triển doanh nghiệp.
Các công cụ cơ bản để tóm tắt và trình bày dữ liệu trong phần này là: Bảng tần số, các đại lượng thống kê mô tả…
Trang 16
(1) Bảng tần số:
- Dùng để đếm tần số với tập dữ liệu đang có thì số đối tượng có các biểu hiện nào đó ở một thuộc tính cụ thể là bao nhiêu, nhiều hay ít… Có thể thực hiện cho bảng tần số với tất cả các biến kiểu định tính lẫn định lượng.
- Ý nghĩa: là tính tần số của từng biểu hiện, được tính bằng cách đếm và cộng dồn; tần suất tính theo tỷ lệ % bằng cách lấy tần số của mỗi biểu hiện chia cho tổng số mẫu quan sát; tính phần trăm hợp lệ là tính trên số quan sát có thông tin trả lời; tính phần trăm tích luỹ do cộng dồn các phần trăm từ trên xuống , nó cho biết có bao nhiêu phần trăm từ trên xuống và nó cho ta biết có bao nhiêu phần trăm đối tượng ta đang khảo sát ở mức độ nào đó trở xuống hay trở lên.
(2) Các đại lượng thống kê mô tả:
Các đại lượng thống kê mô tả chỉ được tính đối với các biến định lượng. Nếu tính các đại lượng này đối với các biến định tính thì kết quả sẽ không có ý nghĩa.
- Các đại lượng thống kê mô tả thường được dùng là: + Mean: Trung bình cộng
+ Sum: tổng cộng (sử dụng khi điều tra tòan bộ) + Std.Deviation: độ lệch chuẩn
+ Minimum: giá trị nhỏ nhất + Maximum: giá trị lớnnhất
+ SE mean: sai số chuẩn khi ước lượng trị trung bình.
- Ý nghĩa : Trong tổng số mẫu quan sát người ta tính trung bình (mean) xem được bao nhiêu trong mẫu chúng ta quan sát; độ lệch chuẩn cho biết mức độ phân tán của các giá trị quanh giá trị trung bình; giá trị nhỏ nhất gặp được trong các giá trị của biến ít nhất khi khảo sát được; giá trị lớn nhất gặp được trong các giá trị lớn nhất của biến trong các mẫu quan sát được; sai số chuẩn khi dùng giá trị trung bình mẫu để ước lượng giá trị trung bình của tổng thể.
Phương pháp so sánhsố tuyệt đối: là hiệu số của hai chỉ tiêu kỳ phân tích và kỳ gốc. Số tuyệt đối biểu hiện quy mô, khối lượng của chỉ tiêu kinh tế nào đó. Là cơ sở tính toán các loại số khác:
∆ y = y1 – y0 ∆ y : là phần chênh lệch tăng giảm của các chỉ tiêu kinh tế
Trang 17
y1: chỉ tiêu kinh tế kỳ phân tích y0: chỉ tiêu kinh tế kỳ gốc
Phương pháp này sử dụng để so sánh số liệu năm sau so với năm trước của chỉ tiêu xem có biến động không và tìm ra nguyên nhân biến động của các chỉ tiêu kinh tế. Từ đó có cách đánh giá chính xác các hoạt động phân tích.
Phương pháp so sánh số tương đối: là kết quả chia giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế. Số tương đối cho biết rõ hơn về đặc điểm của hiện tượng hay bản chất của hiện tượng một cách sâu sắc hơn.
∆ y = (y1 / y0) *100%
∆ y : biểu hiện tốc độ tăng trưởng của các chỉ tiêu kinh tế y1: chỉ tiêu kinh tế kỳ phân tích
y0: chỉ tiêu kinh tế kỳ gốc
Phương pháp này dùng để đánh giá sự tăng lên hay giảm xuống của một chỉ tiêu nào đó qua thời gian hoặc đánh giá mức độ hoàn thành kế hoạch của DN. Ngoài ra, số tương đối còn giữ bí mật cho số tuyệt đối. Đồng thời việc so sánh tốc độ tăng trưởng của chỉ tiêu giữa các năm cho thấy đượcsự tác động có liên quan đến hoạt động trong phân tích. Từ đó có sự nhận diện rõ các hoạt động trong nghiên cứu.
Phương pháp phân tích nhân tố khám phá (EFA- Exploralory Factor Analysis): là một nhóm các thủ tục được sử dụng để thu nhỏ và tóm tắt các dữ liệu. Nó giúp phân nhóm các dữ liệu mang tính trừu tượng và phức tạp, hình thành các biến (dữ liệu mới) cho các nghiên cứu tiếp theo. Trong phân tích nhân tố EFA, trị số KMO (Kaiser – Meyer – Olkin) là các chỉ số bổ sung để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (0,5 < KMO < 1) là điều kiện đủ để chấp nhận phân tích nhân tố EFA, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng, Chu Nguyễn Mộng Ngọc).
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay là ma trận xoay nhân tố (rolated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Một điều cần lưu ý khi phân tích đó là hệ số tải nhân tố (Factor Loading), đây là chỉ tiêu đảm bảo mức ý nghĩa thiết thực cho EFA. Hệ số này lớn hơn hoặc bằng 0,3 là đạt mức tối thiểu, lớn hơn hoặc bằng 0,4 là quan trọng, lớn hơn hoặc bằng 0,5 là có ý nghĩa thực tiễn. Ngoài ra, tùy cỡ mẫu nghiên cứu mà quyết định giới hạn dưới cho hệ số tải nhân tố. Theo Nguyễn
Trang 18
Khánh Duy, nếu cỡ mẫu vào khoảng 100 thì hệ số này lớn hơn hoặc bằng 0,55 thì mới đạt yêu cầu.
Mô hình phân tích nhân tố
X = Ai1F1 + Ai2F2 + Ai3F3 +…+ AimFm + ViUi Trong đó:
X: biến được chuẩn hóa
Aij: hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i F: nhân tố chung
Vi: hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến j Ui: nhân tố đặc trưng của biến i
m: số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
F1 = Wi1X1 + Wi2X2 + Wi3X3 +…+ AikXk Trong đó:
F1: ước lượng trị số của nhân tố thứ i Wi: quyền số hay trọng số nhân tố k: số biến
Trong nghiên cứu này sử dụng thang đo Likert chi điểm từ 1 đến 5 để đo lường các biến quan sát.
Ý nghĩa của từng giá trị trung bình đối với thang đo Liket (Interval Scale).
Giá trị khoảng cách = (giá trị lớn nhất - giá trị nhỏ nhất) / n = (5 -1) / 5 = 0,8
Giá trị trung bình Ý nghĩa
1,00 – 1,8 Rất không hài lòng/ Rất khó/ Rất kém/ Rất ít 1,81 – 2,60 Không hài lòng/ Yếu/ Khó/ Ít
2,61 – 3,40 Trung bình/ Bình thường/ Tương đối 3,41 – 4,20 Hài lòng/ Khá/ Dễ/ Nhiều
Trang 19
4,21 – 5,00 Rất hàilòng/ Tốt/ Rất dễ/ Rất nhiều
Điều quan trọng trước khi sử dụng phương pháp nhân tố là phải đánh giá độ tin cậy của thang đo bằng phương pháp kiểm định Cronbach Alpha để xác định và loại bỏ biến rác, không cần thiết trong mô hình. Khi hệ số Alpha lớn hơn 0,8 thì bộ tiêu chí sử dụng tốt, nằm trong khoảng 0,7 đến 0,8 thì sử dụng được, còn nếu nhỏ hơn 0,6 thì chỉ tạm thời chấp nhận đối với nghiên cứu mới. Và hệ số Corrected Item- Total Correlation nhỏ hơn 0,3 thì là biến rời rạc, cần phải loại bỏ.
Phương pháp hồi quy đa biến: là công cụ chủ yếu của kinh tế lượng, thuật ngữ hồi qui được Francis Galton sử dụng vào năm 1886 bằng cụm từ “regression to mediocrity”- nghĩa là “qui về giá trị trung bình”. Bản chất của phân tích hồi qui là nghiên cứu mối liên hệ phụ thuộc của một biến (gọi là biến phụ thuộc hay biến được giải thích) với một hay nhiều biến khác (gọi là các biến độc lập hay biến giải thích).
Mô hình hồi qui
Mô hình hồi qui có biến phụ thuộc là Y phụ thuộc vào nhiều biến độc lập X khác nhau.Do đó mô hình có dạng như sau:
Yt= βo + β1X1i + β2X2i + β3X3i +β4X4i+ µi Trong đó:
Ký hiệu X1, X2, X3, X4 biểu hiện giá trị của biến độc lập tại quan sát thứ i= (1,2,3,4).
βo: Hệ số tự do (hệ số chặn), nó chính là giá trị trung bình của biến Y khi X1=X2=X3=X4=0
Các hệ số β1, β2, β3, β4 được gọi là hệ số hồi qui riêng phần.
Thành phần của µilà một số hạng nhiễu (hay là sai số ngẫu nhiên). Vai trò của thành phần nhiễu µi trong trường hợp này có thể dùng để đại diện cho các yếu tố khác, như: vốn mượn của họ hàng, bè bạn… nhưng không được xét đến trong mô hình này.
Xây dựng mô hình hồi qui
a) Xây dựng ma trận hệ số tương quan
Bước đầu tiên khi tiến hành phân tích hồi qui tuyến tính bội cũng là xem xét các mối quan hệ tương quan tuyến tính giữa tất cả các biến. Mô hình hồi qui tuyến tính nhiều biến, nên phải xem xét tổng quát mối quan hệ giữa từng biến độc lập với biến phụ thuộc và chính giữa các biến độc lập với nhau.
Trang 20
Đồng thời xây dựng ma trận tương quan giữa tất cả các biến cho mục đích này.
Ma trận cho biết tương quan giữa biến phụ thuộc Y với từng biến độc lập, cũng như tương quan giữa các biến độc lập với nhau. Cho nên chú ý đến bất cứ liên hệ tương quan qua lại chặt chẽ nào giữa các biến độc lập bởi vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả của phân tích hồi qui bội.
Hệ số tương quan giữa Y và các biến độc lập còn lại càng cao càng tốt và kết luận các biến độc lập này có thể đưa vào mô hình để giải thích cho Y. Nhưng hệ số tương quan giữa các biến độc lập với nhau cũng phải cao.
b) Đánh giá độ phù hợp của mô hình hồi qui tuyến tính bội
Hệ số xác định R2 là hàm không giảm theo số biến độc lập được đưa vào mô hình, càng đưa thêm biến độc lập vào mô hình thì R2 càng tăng, tuy nhiên điều này không phải phương trình càng có nhiều biến sẽ càng phù hợp với dữ liệu (tức là tốt hơn). Như vậy, R square có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn một biến giải thích trong mô hình.
R2 điều chỉnh (Adjusted R square) được sử dụng phản ảnh sát hơn mức độ phù hợp của mô hình hồi qui tuyến tính đa biến. R2 điều chỉnh không nhất thiết tăng lên khi nhiều biến được thêm vào phương trình, nó là thước đo sự phù hợp được sử dụng cho tình huống hồi qui tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2.
c) Kiểm định sự phù hợp của mô hình
Kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép kiểm định giả thuyết về sự phù hợp của mô hình hồi qui tuyến tính tổng thể. Ý tưởng của kiểm định này về mối quan hệ tuyến tính giữa biến phụ thuộc Y và biến độc lập X, biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không. Giả thuyết H0 là β1= β2=β3=β4=0
Nếu giả thuyết H0 bị bác bỏ chúng ta kết luận là kết hợp của các biến hiện có trong mô hình có thể giải thích được thay đổi của Y, điều này cũng có nghĩa là mô hình ta xây dựng phù hợp với tập dữ liệu. Như vậy sau khi chạy ra mô hình từ SPSS thì nhiệm vụ đầu tiên là phải xem xét giả thuyết H0 của kiểm định F có bị bác bỏ không.
Giá trị thống kê F được tính từ giá trị R square của mô hình đầy đủ, giá trị sig. rất nhỏ cho thấy ta sẽ an toàn khi bác bỏ giả tuyết H0 cho rằng tất cả
Trang 21
các các hệ số hồi qui bằng 0 (ngoại trừ hằng số), mô hình hồi qui tuyến tính bội của ta phù hợp với tập dữ liệu và có thể sử dụng được.
d) Ý nghĩa các hệ số hồi qui riêng phần trong mô hình
Các hệ số hồi qui của từng biến độc lập trong mô hình hồi qui tuyến tính bội, các hệ số này được gọi là hệ số hồi qui riêng phần.
Ý nghĩa của hệ số hồi qui riêng phần là: βk đo lường sự thay đổi trong giá trị trung bình Y khi Xk thay đổi một đơn vị, giữa các biến độc lập còn lại không đổi. Nói cách khác, nó cho biết ảnh hưởng “thuần” của các thay đổi một đơn vị trong Xk đối với giá trị trung bình của biến phụ thuộc Y khi loại trừ ảnh hưởng của các biến độc lập khác. Trong hồi qui tuyến tính bội, để đánh giá đóng góp “thật sự” của một biến đối với thay đổi trong Y thì chúng ta phải “kiểm soát” được ảnh hưởng của các biến khác.
Phương pháp Phân tích phương sai ANOVA
Phân tích phương sai ANOVA là phương pháp so sánh giá trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phương sai ANOVA: ANOVA 1 yếu tố (một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố (2 hay nhiều biến để phân loại). Trong phương pháp này sử dụng phân tích ANOVA nhiều yếu tố.
Phân tích ma trận SWOT
Phân tích ma trận SWOT là phân tích điểm mạnh (Strenght) và điểm yếu (Weakness) đối với các yếu tố môi trường kinh doanh bên trong doanh nghiệp; phân tích cơ hội (Opportunity) và thách thức (Threat) đối với các yếu tố môi trường kinh doanh bên ngoài ảnh hưởng đến doanh nghiệp.
- Chiến lược SO: sử dụng những điểm mạnh bên trong để tận dụng những cơ hội bên ngoài.
- Chiến lược WO: nhằm cải thiện những điểm yếu bên trong bằng cách tận dụng những cơ hội bên ngoài.
- Chiến lược ST: sử dụng các điểm mạnh của doanh nghiệp để tránh khỏi hay giảm đi những ảnh hưởng đe dọa của bên ngoài.
- Chiến lược WT: là chiến thuật phòng thủ nhằm làm giảm đi những điểm yếu bên trong và tránh những mối đe dọa của môi trường bên ngoài.
Trang 22
2.3 MÔ HÌNH NGHIÊN CỨU
Hình 2.1 Mô hình nghiên cứu Bộ dữ liệu
Thống kê mô tả
Thực trạng hoạt