5. Bố cục của luận văn
2.2.3. Phương pháp phân tích thông tin
2.2.3.1. Phương pháp phân tích dữ liệu thứ cấp
Luận văn sử dụng phương pháp tổng hợp, phương pháp phân tích, phương pháp so sánh để phân tích các dữ liệu thứ cấp đã thu thập được.
- Phương pháp tổng hợp: Sử dụng để tổng hợp kết quả đã thu thập được sau đó dùng phương pháp diễn giải, có các đánh giá, kết luận cụ thể.
- Phương pháp so sánh: Sử dụng để so sánh số lượng doanh nghiệp, doanh thu, quy mô đội ngũ lao động,… đã thu thập và tổng hợp được trong giai đoạn 2013 - 2015. Từ đó, thấy được tình hình tăng hay giảm, sự tăng giảm này ảnh hưởng đến kết quả kinh doanh, sự phát triển của các DNCNNVV tỉnh Thái Nguyên như thế nào.
- Phương pháp phân tích: Được sử dụng để phân tích các kết quả đã tổng hợp được. Qua sự phân tích đó thấy được sự tăng giảm của các chỉ tiêu và tìm hiểu nguyên nhân tại sao lại có sự tăng hoặc giảm về số lượng doanh nghiệp, lao động, doanh thu,…và sự tăng giảm đó có ảnh hưởng đến sự phát triển các DNCNNVV tỉnh Thái Nguyên hay không?
2.2.3.2. Phương pháp phân tích dữ liệu sơ cấp
Luận văn sử dụng các phương pháp khác nhau để phân tích thông tin thu thập được như:
- Phương pháp thống kê mô tả: Nghiên cứu việc tổng hợp, số hóa, biểu diễn bằng đồ thị các số liệu thu thập được. Sau đó, tính toán các tham
số đặc trưng cho tập hợp dữ liệu như trung bình, phương sai,... nhằm mô tả tập dữ liệu.
- Phương pháp so sánh: được sử dụng để chỉ ra xu hướng và mức độ biến động của các hệ thống chỉ tiêu. Trong phạm vi luận văn, phương pháp này được dùng để so sánh sự tăng, giảm của số lượng các doanh nghiệp, sự tăng, giảm của số lượng người lao động trong các DNCNNVV trên địa bàn tỉnh Thái Nguyên,...
- Đánh giá độ tin cậy của thang đo
Đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Cronbach’s Alpha dùng để loại bỏ các câu không phù hợp và hạn chế các câu nhiễu trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo. Hệ số Cronbach’s Alpha có giá trị biến thiên từ 0 đến 1. Về lý thuyết, Cronbach’s alpha càng lớn thì thang đo có độ tin cậy càng cao. Tuy nhiên, điều này không thực sự vậy vì nếu như hệ số đó quá cao có thể là một biểu hiện của hiện tượng đa cộng tuyến.
Hệ số này chỉ cho biết các đo lường có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi hay biến quan sát nào cần giữ lại. Khi đó, hệ số tương quan biến - tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều cho sự mô tả cần đo.
Những biến có hệ số tương quan biến tổng (item -total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm đang nghiên cứu mới. Thông thường, thang đó có Cronbach’s alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt (Nunnally, 1978; Peterson, 1994; Slater, 1995).
- Phương pháp phân tích nhân tố khám phá
Phương pháp phân tích nhân tố khám phá (EFA) (Exploratory Factor Analysis - viết tắt là EFA) là tập hợp các kỹ thuật phân tích thống kê có liên
hệ với nhau dùng để rút gọn một tập K biến quan sát thành một tập F (F<K) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ của các nhân tố với các biến nguyên thủy.
Phương pháp EFA thuộc nhóm các phương pháp phân tích đa biến phụ thuộc lẫn nhau vì các biến được đưa vào phân tích không có biến độc lập và phụ thuộc mà chúng cùng phụ thuộc lẫn nhau. Để chọn số lượng nhân tố, ba phương pháp thường sử dụng là:
- Tiêu chí E = Eigenvalue - Tiêu chí điểm uốn
- Xác định trước số lượng nhân tố.
Để dễ dàng trong diễn giải kết quả EFA, người ta thường dùng phương pháp xoay nhân tố để diễn giải kết quả, có thể xoay vuông góc hay không vuông góc. Để xác định sự phù hợp khi dùng EFA, có thể dùng kiểm định Bartlert hoặc KMO (Kaiser -Meyer-Olkin). KMO có giá trị từ 0,5 trở lên, các biến có trọng số (factor loading) nhỏ hơn 0,5 sẽ bị loại và kiểm tra tổng phương sai trích được (>=50%), hệ số Eigenvalue >=1 đối với mỗi nhân tố mới đạt yêu cầu.
- Phân tích mô hình hồi quy đa biến
Mô hình hồi quy đa biến MVR (Multi Variate Regression) là mô hình có nhiều biến phụ thuộc định lượng và nhiều biến độc lập định tính hoặc định lượng. Mô hình MVR giả định là các biến phụ thuộc không có quan hệ với nhau.Vì vậy, thực chất MVR là tập hợp các mô hình hồi quy bội. Mô hình hồi quy bội (Multiple Linear Regression - ký hiệu là MLR) là mô hình dùng để kiểm định tác động của nhiều biến độc lập định lượng vào một biến phụ thuộc định lượng.
Sau quá trình kiểm định giá trị của biến (EFA), tiến hành tính toán nhân số của nhân tố (giá trị nhân tố trích được trong phân tích nhân tố EFA), kiểm định thang đo (Cronbach’s Alpha) và bằng cách tính trung bình cộng của các
biến quan sát thuộc nhân tố tương ứng. Các nhân tố được trích trong phân tích nhân tố được sử dụng trong phân tích hồi quy để kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu kèm theo. Các kiểm định giả thuyết thống kê đều áp dụng mức ý nghĩa 5%.
- Phân tích tương quan Correlations
+ Kiểm định mối quan hệ giữa các biến trong mô hình: giữa biến phụ thuộc và từng biến độc lập và giữa biến độc lập với nhau. Đồ thị phân tán cũng như cung cấp thông tin trực quan về mối tương quan giữa các biến. Sử dụng hệ số tương quan Pearson để lượng hóa độ chặt chẽ mối liên hệ tuyến tính giữa hai đại lượng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này cố mối quan hệ tuyến tính càng chặt chẽ.
+ Trong mô hình nghiên cứu, kỳ vọng có mối tương quan chặt chẽ giữa biến phụ thuộc và biến độc lập. Đồng thời nghiên cứu cũng xem xét mối tương quan giữa các biến độc lập với nhau để nhận dạng hiện tượng đa cộng tuyến.
- Phân tích hồi quy đa biến
+ Sau khi kết luận là hai biến có mối liên hệ tuyến tính thì có thể mô hình hóa mối quan hệ nhân quả của hai biến này bằng hồi quy tuyến tính.
+ Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter: tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan
+ Phương trình hồi quy đa biến cho mô hình nghiên cứu đề xuất như sau: = α + β +
Trong đó:
: Phát triển DNCNNVV X : vectơ các biến giải thích α: hằng số
β: hệ số hồi quy : sai số ngẫu nhiên
+ Vận dụng vào mô hình đề xuất:
Các yếu tố trên được tác giả đưa vào mô hình phân tích để xác định các nhân tố ảnh hưởng đến phát triển DNCNNVV trên địa bàn tỉnh Thái Nguyên.
Mô hình nghiên cứu như sau:
Y = + + X2 + + + + + Trong đó:
+ Biến phụ thuộc (Y) là sự phát triển của DNCNNVV + Biến độc lập (X) bao gồm: X1: Môi trường X2: Công nghệ X3: Nguồn nhân lực X4: Chính sách của Nhà nước X5: Thị trường X6: Vốn kinh doanh
- Mô hình hồi quy được sử dụng để phân tích các yếu tố ảnh hưởng đến phát triển các DNCNNVV trên địa bàn Thái Nguyên có dạng như sau:
Sơ đồ 2.1. Mô hình nghiên cứu đề xuất
(Nguồn: Tổng hợp của tác giả)
MÔI TRƯỜNG CÔNG NGHỆ NGUỒN NHÂN LỰC PHÁT TRIỂN DNCNNVV CHÍNH SÁCH NHÀ NƯỚC THỊ TRƯỜNG VỒN KINH DOANH
- Các giả thuyết nghiên cứu:
+ Môi trường có ảnh hưởng tích cực đến sự phát triển của DNCNNVV. + Công nghệ có ảnh hưởng tích cực đến sự phát triển của DNCNNVV. + Nguồn nhân lực của DN có ảnh hưởng tích cực đến sự phát triển của DNCNNVV
+ Chính sách của Nhà nước có ảnh hưởng tích cực đến sự phát triển của DNCNNVV
+ Thị trường có ảnh hưởng tích cực đến sự phát triển của DNCNNVV + Vốn kinh doanh có ảnh hưởng tích cực đến sự phát triển của DNCNNVV - Kiểm định giả thuyết sử dụng phần mềm SPSS:
+ Đánh giá độ phù hợp của mô hình hồi quy đa biến: R2 + Kiểm định về độ phù hợp của mô hình
+ Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc lập) thông qua giá trị độ chấp nhận (tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor): VIF >10 thì có thể nhận xét có hiện tượng đa cộng tuyến.
+ Xác định mức độ ảnh hưởng của các yếu tố đến sự phát triển các DNCNNVV trên địa bàn tỉnh Thái Nguyên. Yếu tố có hệ số β (chuẩn hóa) càng lớn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn những yếu tố khác trong mô hình nghiên cứu.