2. Thiết kế nghiên cứu
2.4. Do lường các biến
Tỷ lệ nợ ngắn hạn trên
tổng tài sản
- N ng n h nợ ắ ạ
T ng tài s nổ ả SHORT
Quy mô Tổng tài sản + ln(t ng tài s n)ổ ả SIZE
Đầu tư tài sản cố định Tỷ trọng TSCĐ trên tổng TS + T ng tài s nTSCĐ ổ ả TANG Tăng trưởng doanh thu Tốc độ tăng trưởng doanh thu +
Doanh thu t0 — Doanh thu t1
GROWTH Doanh thu t0 Quản trị nợ phải thu KH Kỳ thu tiền bình quân - N PTKHợ bq × 365
Doanh thu thu n BHầ KTBQ
Thuế Thuế - Thuế theo từng năm TAX
Thời gian hoạt động
Thời gian
hoạt động + Số năm hoạt động tính đếnnăm 2020 YEARINB
Rủi ro kinh doanh Rủi ro kinh doanh +/- Độ lệch chuẩn dòng tiền
(LNs sau thuế + khấu hao) RISK
Lạm phát Tỷ lệ lạm phát hàng năm +/- L m phát ạ t0 — L m phát ạ t1 L m phát ạ t0 INF Biến phụ thuộc ROA Tỷ số lợi nhuận trên
tài sản L i nhu n ròngợT ng tài s nổ ậ ả ROA
ROE
Tỷ số lợi nhuận trên
2.5. Phương pháp nghiên cứu
Trong bài nghiên cứu, tác giả sử dụng mô hình hồi quy đa biến với phương pháp bình quân tối thiểu (OLS) và dữ liệu tổng hợp trên Excel. Các nhân tố tác động đến hiệu quả hoạt động kinh doanh của doanh nghiệp bao gồm: Cấu trúc vốn, Quy mô, Đầu tư tài sản cố định, Tăng trưởng doanh thu, Quản trị nợ phải thu KH, Thuế,
Thời gian hoạt động, Rủi ro kinh doanh, GDP, Lạm phát.
Để đánh giá về sự tác động giữa các biến độc lập với biến phụ thuộc, các nghiên cứu trước thường sử dụng các mô hình kinh tế lượng và phổ biến nhất là mô hình hồi quy đa biến. Cụ thể trong bài nghiên cứu này thì hồi quy đa biến phân tích mối quan hệ giữa biến phụ thuộc là ROA và ROE với nhiều biến độc lập, để xem xét, dự đoán hành vi của các biến phản ứng khi các biến dự báo thay đổi. Trong mô hình hồi quy tuyến tính đa biến, các tham số phải tuân theo quan hệ tuyến tính và giữa các biến độc lập không tương quan chuỗi. Bằng cách sử dụng kiểm định tự tương quan, mô hình hồi quy đa biến có thể kiểm định mối quan hệ của các biến với tỉ lệ chính xác cao. Trong trường hợp các biến tương quan lẫn nhau thì một biến thay đổi có thể dẫn đến sự thay đổi của biến phụ thuộc.
Variabl
e Obs Mean
Std.
Dev. Min Max
SIZE 3S2 13.73425 1.320488 11.43547 17.65568 GBOWI H IANG 3S2352 ..25250271106244 .4236448.1448782 - .8844.0158 4.2183. 7054 DT A 352 .4672884 .2005762 .016 1.2545 GD P 352 .0710551 .0251571 .028 .0588448 INF 352 .034125 .0156142 .006 .066 KTBQ 352 46.52614 56.32355 O 568 BO A 352 8.720227 8.586751 -36.42 72.15 TA X 352 53243.24 323684.3 O 2310674 BISK 349 12.63151 1.386555 5.214532 17.0651 SHOB T 352 .8541255 . 1453753 . 1842 1 DT E BO 352 1.640347 7.602265 -4.5022 140.2583 E 352 15.565 23.44486 -168.72 253.05 YEABIN B 352 30.5375 17.06353 2 68 2.6. Mô hình
Mô hình hồi quy tổng thể:
ROA = β0+ β1. LnSIZE + β2. DTA + β3. DTE + β4. SHORT + β5. TANG + β6. GROWTH + β7.ACP + β8. TAX + β9. YEARINB
+ β10. LnRISK + β11. GDP + β12. INF
ROE = β0+ β1. LnSIZE + β2. DTA + β3. DTE + β4. SHORT + β5. TANG + β6. GROWTH + β7.ACP + β8. TAX + β9. YEARINB
+ β10. LnRISK + β11. GDP + β12. INF
Trong đó: các biến SIZE và RISK được đo lường trên cơ sở logarit. Chương 3: Kết quả nghiên cứu 1. Mô tả tổng quan số liệu nghiên cứu
ROA ROE SIZE GROWTH TANG DTA GDP NI
F KTBQ TAX RISK SHORT DTE YEARINB ROA 1.0000 ROE 0.4057 1.0000 SIZE 0.1201 0.1151 1.0000 GROWTH 0.0193 0.0059 0.0532 1.0000 TANG 0.1027 0.0551 -0.0222 -0.0381 1.0000 DTA -0.4405 0.0142 0.0933 -0.0370 -0.2284 1.0000 GDP -0.0275 -0.0045 -0.0450 0.0950 0.0913 0.0083 1.0000 INF -0.0359 -0.0207 -0.0498 0.0295 0.1169 -0.0205 0.6422 1.0000
Số liệu trong bài nghiên cứu được lấy từ BCTC của 44 doanh nghiệp ngành hàng tiêu dùng niêm yết trên thị trường chứng khoán trong giai đoạn 2013-2020. Bài nghiên cứu bao gồm 14 biến: 2 biến phụ thuộc là ROA (tỷ suất lợi nhuận trên tài sản), ROE (tỷ suất lợi nhuận trên vốn chủ sở hữu) và 12 biến độc lập là tỉ lệ nợ phải trả trên tổng tài sản (DTA), tỉ lệ nợ trên vốn chủ sở hữu (DTE), tỉ lệ nợ ngắn hạn trên tổng tài sản (SHORT), quy mô (SIZE), Đầu tư tài sản cố định (TANG), Tăng trưởng doanh thu (GROWTH), Quản trị nợ phải thu KH (KTBQ), Thuế (TAX), Thời gian hoạt động (YEARINB), Rủi ro kinh doanh (RISK), GDP, Lạm phát (INF).
Do có sự chênh lệch khá lớn về tổng tài sản giữa các công ty nên tác giả quyết định lấy logarit của tổng tài sản để hạn chế sự khác biệt giữa số liệu của các công ty được sử dụng trong bài nghiên.
Bên cạnh đó, thì do dòng tiền giữa các công ty chênh lệnh, để tránh sai số và khác biệt giữa các doanh nghiệp với nhau, tác giả quyết định sử dụng giá trị logarit của dòng tiền của doanh nghiệp để đánh giá ảnh hưởng của rủi ro kinh doanh đến hiệu quả hoạt động doanh nghiệp.
Các biến độc lập như Đầu tư tài sản cố định, Tăng trưởng doanh thu, Quản trị nợ phải thu KH, Nợ phải trả trên tổng tài sản, Tỷ lệ nợ trên vốn chủ sở hữu, Tỷ lệ nợ ngắn hạn trên tổng tài sản đều được tính theo tỉ lệ phần trăm. Ngoài ra, các biến vĩ mô như GDP và Lạm phát được cũng được tính toán dưới dạng phần trăm và được tổng hợp từ nguồn tham khảo dữ liệu từ trang world bank và the global economy. Biến cuối cùng là thời gian hoạt động được tính bằng cách lấy mốc năm BCTC từ 2013 đến 2020 trừ đi năm bắt đầu hoạt động của doanh nghiệp, qua đó đánh giá tác động của số năm hoạt động trong ngành đến hiệu quả hoạt động doanh nghiệp.
2. Kết quả mô hình hồi quy
2.1. Kiểm định tự tương quan các biến
Trong bài nghiên cứu, tác giả đã sử dụng kiểm định Correlation trong Stata để kiểm định tương quan giữa các hệ số với nhau. Để chạy mô hình kiểm định tự tương quan giữa các biến, cụ thể là 14 biến bao gồm 2 biến phụ thuộc và 12 biến độc lập, tác giả sử dụng hàm pwcorr trên Stata. Kết quả của mô hình này sẽ cho ra kết quả về mối tương quan giữa các biến trong mô hình. Trong trường hợp sự tương quan giữa các biến cho kết quả lớn thì việc chạy các mô hình sau sẽ không còn có ý nghĩa. Mức độ tương quan giữa các biến sẽ phù hợp khi thoải mãn điều kiện nhỏ hơn 0.8 (80%) do hệ số tương quan Pearson lớn hơn 0.8 thể hiện mức tương quan mạnh, gây ảnh hưởng đến mô hình.
KTBQ -0.4196 -0.2175 -0.0342 0.0485- -0.1488 0.1285 -0.0335 0.0102 1.0000 TAX 0.4643 0.2175 0.6023 - 0.0314 0.0566 -0.2035 -0.0245 -0.0230 -0.1314 1.0000 RISK 0.3369 0.3458 0.8910 0.0418- 0.1891 -0.0907 -0.0780 -0.0778 -0.2269 0.6399 1.0000 SHORT 0.0871 0.0156 -0.2374 0.0215 -0.2111 -0.0203 0.0260 0.0106 0.0328 0.0243 -0.2101 1.0000 DTE -0.2332 -0.4985 0.0501 0.0628- -0.0857 0.2433 0.0549 0.0001 0.2314 -0.0409 -0.1674 -0.0426 1.0000 YEARINB 0.1341 0.0949 0.1462 0.1383- -0.0164 -0.0164 -0.0488 -0.0425 -0.1073 0.1345 0.2552 0.0687 -0.0026 1.0000
Kiểm định Kết quả Ý nghĩa
Đa cộng tuyến Mean VIF = 2.93 Không xuất hiện đa cộng tuyến
Từ bảng kết quả, nhìn tổng quan mức độ tự tương quan là khá thấp. Đây là một dấu hiệu cho thấy việc kiểm định và xây dựng các mô hình ở các bước tiếp theo là rất khả quan. Tuy nhiên, có thể nhận thấy rằng hệ số tương quan giữa biến quy mô (SIZE) với các biến thuế (TAX) và rủi ro kinh doanh (RISK) là khá cao, ở mức 60.23% và 89.1%. Ngoài ra chính hệ số tương quan giữa biến thuế (TAX) và rủi ro kinh doanh (RISK) cũng cho thấy con số tương đối cao 63.99%, gần xấp xỉ bằng hệ số tương quan giữa biến GDP và lạm phát (INF) (64.22%). Mặc dù vậy hệ số tương quan của các các biến đều nhỏ hơn 80% và chỉ có duy nhất hệ số tương quan của biến quy mô (SIZE) với biến rủi ro kinh doanh (RISK) là quá 80%. Chính vì thế, có thể đưa ra kết luận rằng không có hiện tượng tự tương quan giữa các biến với nhau, cho thấy tín hiệu khả quan để kiểm định và chọn lựa các mô hình đánh giá ảnh hưởng của các biến ở bước tiếp theo.
2.2. Kiểm định đa cộng tuyến
Sử dụng lệnh vif, tác giả đánh giá mức độ tương quan của các biến sử dụng trong mô hình với nhau, dẫn đến hiện tượng đa cộng tuyến vi phạm các giả định ban đầu của mô hình hồi quy tuyến tính là không có mối quan hệ tuyến tính các biến độc lập.
Biến Pool OLS REM FEM
Bảng số liệu từ phần mềm Stata cho thấy chỉ số vif ở các biến đều nhỏ hơn 10. Đây là kết quả có thể chấp nhận được và có thể đưa ra kết luận không có hiện tượng đa cộng tuyến giữa các biến
2.3. Mô hình hồi quy tuyến tính đa biến
Với kết luận không có hiện tương đa cộng tuyến giữa các biến, tác giả sử dụng mô hình kinh tế lượng bình quân nhỏ nhất (OLS) để đánh giá ảnh hưởng của các biến độc lập đến biến phụ thuộc. Trước tiên, tổng số 14 biến được phân ra làm 2 biến phụ thuộc và 12 biến độc lập rồi sử dụng công cụ Regression để thực hiện chạy mô hình hồi quy tuyến tính đa biến. Có một số điều kiện cần phải được đánh giá để kiểm tra mức ý nghĩa của mô hình hồi quy tuyến tính đa biến khi sử dụng phương pháp bình quân nhỏ nhất (OLS), cụ thể như sau:
Mô hình 1:
ROA = β0+ β1. LnSIZE + β2. DTA + β3. DTE + β4. SHORT + β5. TANG + β6. GROWTH + β7.ACP + β8. TAX + β9. YEARINB
+ β10. LnRISK + β11. GDP + β12. INF
Các biến được coi là có ảnh hưởng đến ROA khi có p-value nhỏ hơn 0.05. Bên cạnh đó, hệ số tương quan β được dùng để đánh giá chiều ảnh hưởng của từng biến đến ROA, cụ thể: với hệ số tương quan β lớn hơn 0 thì biến đó có mối quan hệ cùng chiều với ROA. Với có hệ số tương quan β nhỏ hơn 0 thì biến đó sẽ có mối quan hệ ngược chiều với ROA. Ngoài ra, một điều kiện để kiểm tra mức độ tin cậy về mặt thống kê của mô hình là hệ số Significance - F: nếu F thóa mãn điều kiện nhỏ hơn 0.05 thì mô hình sẽ có ý nghĩa thống kê.
Mô hình 2:
ROE = β0+ β1. LnSIZE + β2. DTA + β3. DTE + β4. SHORT + β5. TANG + β6. GROWTH + β7.ACP + β8. TAX + β9. YEARINB
+ β10. LnRISK + β11. GDP + β12. INF
Tương tự như mô hình 1 thì ta cũng xác định các biến được coi là có ảnh hưởng đến ROE khi có p-value nhỏ hơn 0.05. Bên cạnh đó, hệ số tương quan β được dùng
để đánh giá chiều ảnh hưởng của từng biến đến ROE, cụ thể: với hệ số tương quan β lớn hơn 0 thì biến đó có mối quan hệ cùng chiều với ROE. Với có hệ số tương quan β nhỏ hơn 0 thì biến đó sẽ có mối quan hệ ngược chiều với ROE. Ngoài ra, hệ số Significance - F cũng là một yếu tố để kiểm tra mức độ tin cậy về mặt thống kê của mô hình: nếu F thỏa mãn điều kiện nhỏ hơn 0.05 thì mô hình sẽ có ý nghĩa thống kê.
2.4. Kết quả chạy mô hìnhMô hình 1: Mô hình 1:
+ β1. LnSIZE + β2. DTA + β3. DTE + β4. SHORT + β5. TANG + β6. GROWTH + β7.ACP + β8. TAX + β9. YEARINB
+ β10. LnRISK + β11. GDP + β12. INF
Bảng tổng hợp
Coefficient P value Co.efficient P value Co.efficient P value SIZE 3.727445- 0.000 -6.581457 0.000 -5.00038 0.000 GROWTH .8665805 0.309 1.750855 0.003 2.447874 0.000 TANG - 6.592261 0.019 -4.017474 0.158 -1.543926 0.614 DTA 10.38466- 0.000 -6.68622 0.005 -6.599008 0.007 GDP 3.794459 0.832 6.51354 0.539 2.717608 0.791 INF - 10.33828 0.719 -11.97358 0.485 -8.198235 0.619 KTBQ 7-.028243 0.000 -.0076568 0.203 -.0035468 0.552 TAX .0000113 0.000 .0000182 0.000 .0000216 0.000
RISK 3.299235 0.000 6.098939 0.000 7.971624 0.000 SHORT 1.050927 0.685 4.756492 0.015 5.574402 0.004 DTE .3759169 0.457 .5269217 0.181 .51618 0.199 YEARINB .0112521 0.604 -.0826918 0.074 -.4683238 0.000 Prob > F 0.0000 0.0000 0.0000 R-Squared 0.4302 F-test Prob > F = 0.0000
Kiểm định Kết quả Ý nghĩa Phương sai sai
số thay đổi
Prob > chi2 = 0.0000
Có phương sai sai số thay đổi
Bảng kết qủa mô hình FEM cho thấy F test có giá trị Prob > F = 0.0000 nhỏ hơn 0.05, kết luận giữa mô hình OLS và FEM thì mô hình FEM phù hợp hơn để nghiên cứu kiểm định mối quan hệ giữa các biến độc lập và ROA.
Từ bảng kết quả số liệu, có thể thấy hệ số Significance - F là 0.00 (nhỏ hơn 0.05) cho thấy mô hình được sử dụng trong bài nghiên cứu là mô hình có ý nghĩa
Kết quả chạy OLS cho thấy R bình phương là 43.02% và R bình phương điều chỉnh là 40.98% được sử dụng để đo lường mức độ phù hợp của mô hình hồi quy. Chỉ số R càng gần giá trị 1 thì mô hình hồi quy có mức độ phù hợp cao với tập dữ liệu đã thu thập được sử dụng để chạy mô hình hồi quy. Ngoài ra thì R bình phương bằng 43.02% giải thích sự biến động của ROA đến từ 43.02% là do 12 nhân tố sử dụng trong mô hình và 56.98% là do các nhân tố khác không xuất hiện trong mô hình. Có thể kết luận rằng với cả hai giá trị R này thì mô hình tuyến tính này phù hợp với tập dữ liệu được sử dụng và biến ROA được giải thích bởi các biến dự báo ở trên.
Kiểm định Hausman
Tác giả sử dụng kiểm định Hausman để đánh giá và lựa chọn mô hình phù hợp. Từ đó đưa ra giả thuyết:
H0: Mô hình REM là phù hợp hơn
H1: Mô hình FEM là phù hợp hơn
Qua bảng kiểm định Hausman, có thể thấy giá trị Chi square = 23.30 và giá trị Prob > chi2 là 0.0097 < 0.05 như vậy chấp nhận H1 và bác bỏ H0. Ket luận mô hình FEM là mô hình phù hợp để nghiên cứu kiểm định mối quan hệ giữa các biến độc lập đến ROA.
Kiểm định phương sai sai số thay đổi
Tác giả sử dụng lệnh xttest3 để đánh giá xem phương sai sai số trong mô hình được chọn có đồng nhất hay không. Lý do kiểm định là do khi phương sai thay đổi tuy không làm mất đi tính chất không thiên lệch và nhất quán của các ước lượng OLS, tuy nhiên nó sẽ khiến các ước lượng không còn có phương sai nhỏ (phương sai hiệu quả) dẫn đến những kết quả sai lầm khi chạy các kiểm định sau và ảnh hưởng đến mức độ chính xác của kết quả. Từ đó hình thành giả thuyết:
H0: Phương sai sai số đồng nhất
H1: Phương sai sai số không đồng nhất
Kiểm định Kết quả Ý nghĩa Tự tương quan Prob > chi2 =
0.0051
Có hiện tượng tự tương quan
Biến Pool OLS
Co.efficient P value SIZE -5.00038 0.037 GROWTH 2.447874 0.002 TANG -1.543926 0.763 DTA -6.599008 0.003 GDP 2.717608 0.828 INF -8.198235 0.604 KTBQ -.0035468 0.674 TAX .0000216 0.109 RISK 7.971624 0.002 SHORT 5.574402 0.017
Kết quả cho thấy Prob > chi2 là 0.0000 < 0.05, chấp nhận H1 bác bỏ H0, kết luận phương sai sai số không đồng nhất
Kết quả cho thấy p-value < 0.05 (5%) từ đó có thể đưa ra kết luận mô hình xuất hiện hiện tượng tự tương quan. Đây là dấu hiệu không khả quan khi hiện tượng này xảy ra kết hợp với hiện tượng phương sai sai số thay đổi ở trên có thể làm sai lệch mức độ tin cậy của các ước lượng.
Mô hình khắc phục khuyết tật
DTE .51618 0.231
YEARINB -.4683238 0.115
Biến
Pool OLS REM FEM
Coefficient P value Coefficient P value Co.efficient P value