Ngoài việc sử dụng các biến như trên, tác giả còn đưa vào các biến kiểm soát nhằm tăng tính thuyết phục của bài nghiên cứu.
Khả năng sinh lợi (Profitability-PR) được tính bằng tỉ số của thu nhập trước thuế và lãi vay (Net Operating Income) chia cho tổng tài sản. Bài nghiên cứu kì vọng ảnh hưởng của biến sinh lợi trong quá khứ sẽ tác động tích cực đến hoạt động kinh doanh. Vì doanh nghiệp có khả năng sinh lợi càng cao trong năm trước càng có lợi thế cũng như kinh nghiệm hơn nên làm gia tăng hiệu quả hoạt động kinh doanh.
Quy mô doanh nghiệp (SIZE) được tính bằng hàm logarit của mức giá trị vốn hóa thị trường của doanh nghiệp tương ứng với số lượng cổ phần đang lưu hành nhân với mức giá đóng cửa cuối ngày của cổ phiếu đó. Với mức vốn hóa càng cao, doanh nghiệp càng có uy tín trong ngành, dễ dàng chọn được bạn hàng tốt làm gia tăng hiệu quả hoạt động của doanh nghiệp.
Ngoài ra, tác giả còn đưa vào bài nghiên cứu hai biến tỷ số tài sản cố định hữu hình (Tangibility-TANG) và biến tỷ số tài sản cố định vô hình (Intangibility-
INTANG) để không loại trừ khả năng cơ cấu vốn có ảnh hưởng đến tình hình kinh doanh của doanh nghiệp. Tài sản vô hình trên tổng tài sản được đo lường tại thời điểm cuối năm tài chính. Balakrishnan và Fox (1993) đã đưa ra một vài ví dụ của tài sản vô hình đặc trưng riêng của từng công ty như là thương hiệu doanh nghiệp, chi phí nghiên cứu và phát triển cùng với những khoản đầu tư về hình ảnh nhằm xây dựng danh tiếng. Tác giả cho rằng những tài sản vô hình này tác động bất lợi đến khả năng vay vốn do có đặc tính không thể thu hồi được và chứng minh được chi phí nghiên cứu và phát triển có tương quan nghịch biến đến tỷ lệ đòn bẩy. Hay có thể nói cách khác là nếu một công ty có tỷ lệ tài sản vô hình cao sẽ ảnh hưởng mộtcách bất lợi lên khả năng vay nợ của nó. Bên cạnh đó, Myers (1977) cũng đưa ra dẫn chứng cho rằng chi phí đại diện của một công ty liên quan đến tài sản vô hình thì cao hơn so với những chi phí khác có liên quan đến tài sản hữu hình của công ty.
Ngoài ra, biến tăng trưởng (GROWTH) cũng được xem như là một thước đo hiệu quả cho thấy tiềm năng cũng như các cơ hội đầu tư trong tương lai của doanh nghiệp. Do đó, trong bài nghiên cứu, tác giả kì vọng biến này sẽ có tác động tích cực lên tình hình hoạt động của doanh nghiệp.
Bảng 3.1: Định nghĩa các biến có trong mô hình.
Tên biến Kí hiệu Cách tính Tỉ số đòn bẩy
𝐿𝐸𝑉i,t
𝐿𝐸𝑉 = 𝐷
𝑇𝐴
Giá trị của tỉ số đòn bẩy được tính ở công ty i trong năm t. Trong đó
D: là giá trị sổ sách của nợ TA: tổng tài sản
Sở hữu cổ phần nhà quản trị
OWNCi,t
Số phần trăm cổ phiếu được các cổ đông nắm giữ tương ứng OWNC1 <25%, OWNC2 <50% và >=25%,
OWNC3>= 50% được tính ở công ty i trong năm t Thu nhập sau
thuế, vốn, lao động
Y, K, L
Dựa trên chỉ số thu nhập sau thuế, tài sản cố định hữu hình được thu thập trong các báo cáo tài chính và tổng số các nhân viên làm toàn thời gian của công ty
Biến tăng
trưởng 𝐺𝑅𝑂𝑊𝑇𝐻,
Được tính bằng % doanh số gia tăng mỗi năm
Khả năng sinh lời 𝑃𝑅, 𝑃𝑅, = NOI, TA, Trong đó,
NOI là thu nhập hoạt động kinh doanh trước thuế và lãi vay (Net Opeating Income)
TA: tổng tài sản Mức vốn hóa
thị trường SIZE ,t
Được tính bằng logarit tự nhiên dựa trên số cổ phần đang lưu hành hiện tại và mức giá đóng của vào ngày giao dịch cuối năm. Tỷ số tài sản cố định hữu hình 𝑇𝐴𝑁𝐺, 𝑇𝐴𝑁𝐺, = 𝑇𝑆𝐶𝐷𝐻𝐻, 𝑇𝐴,
Trong đó 𝑇𝑆𝐶𝐷𝐻𝐻, là tài sản cố định hữu hình
𝑇𝐴, : tổng tài sản ở công ty i trong năm t Tỷ số tài sản
cố định vô 𝐼𝑁𝑇𝐴𝑁𝐺, 𝐼𝑁𝑇𝐴𝑁𝐺, =
𝑇𝑆𝐶𝐷𝑉𝐻,
3.4. Phương pháp nghiên cứu 3.4.1. Các phương pháp định lượng 3.4.1. Các phương pháp định lượng 3.4.1.1. Thống kê mô tả
Trong bài nghiên cứu, tác giả sử dụng các biến Y, K, L để tính toán hiệu quả hoạt động của các doanh nghiệp thông qua phương pháp phân tích bao dữ liệu DEA. Sau đó, người viết đem kết quả tính được vào trong mô hình hồi quy OLS để xem xét tác động giữa các nhân tố với nhau.
3.4.1.2. Phương pháp phân tích bao dữ liệu (Data Envelopment Analysis – DEA)
Để đo lường hiệu quả lợi nhuận, để lựa chọn định hướng (đầu vào, đầu ra, hoặc cả hai) trong việc đo lường hiệu quả kỹ thuật luôn là vấn đề nan giải với các tác giả. Michael James Farrell (1957) đã đưa ra lý luận về việc sử dụng đường giới hạn khả năng sản xuất (production possibilities frontier – PPF) làm tiêu chí đánh giá hiệu quả hoạt động một cách tương đối giữa các công ty trong cùng một ngành; theo đó các công ty có thể đạt đến mức giới hạn sẽ được coi là hiệu quả hơn và các công ty không thể đạt đến đường PPF sẽ bị coi là kém hiệu quả hơn so với các công ty kia.
Cụ thể, xem hình 3.1, các DMU B, C và E có TEB = TEC = TEE = 1; còn DMU A và D có TEA = 0A/0A’ < 1 và TED = 0D/0D’ < 1.
hình Trong đó 𝑇𝑆𝐶𝐷𝑉𝐻, là tài sản cố định vô hình
Hình 3.1: Minh họa đường giới hạn khả năng sản xuất (PPF)
Nguồn: Farrell (1957)
Một cách đơn giản, hiệu quả (mang tính kỹ thuật) của việc sử dụng yếu tố đầu vào
x để thu được yếu tố đầu ra y có thể được đo lường theo công thức:
TE = Tổng đầu ra
Tổng đầu vào
Tuy nhiên, thông thường việc xác định giá cả của từng yếu tố đầu vào hay đầu ra thường rất phức tạp, nhất là trong các lĩnh vực như tài chính ngân hàng, giáo dục đào tạo,… Trong trường hợp này, chúng ta có thể giả thiết là mỗi DMU sẽ sử dụng những trọng số nhất định um và vk sao cho điểm hiệu quả TE của nó là cao nhất. Nói cách khác, um và vk là những trọng số sẽ giúp cho DMU đó tiến gần đến đường giới hạn khả năng sản xuất PPF nhất. Vì vậy, chúng còn được gọi là “giá ẩn” (shadow prices). Mặc
dù chúng không phải là giá cả thực (true prices) nhưng lại đóng vai trò như giá cả trong việc tính toán hiệu quả kỹ thuật TE.
Một cách tổng quát, với bài toán có n DMU, mỗi DMU sử dụng k yếu tố đầu vào xm để tạo ra m yếu tố đầu ra ym, việc xác định hiệu quả TE0 của một DMU0 bất kỳ sẽ được tính toán như sau:
Maxu,v TE0 Trong điều kiện:
𝑇𝐸 = ∑
∑ (Điểm hiệu quả DMU0)
𝑇𝐸 = ∑∑ ≤ 1, 𝑗 = 1,2, … , 𝑛 (Điểm hiệu quả của tất cả các DMU không vượt quá 1)
𝑢 ; 𝑣 ≥ 0
Bên cạnh việc tính toán hiệu quả kỹ thuật tại một thời điểm nhất định, việc tính toán hiệu quả theo thời gian cũng quan trọng không kém. Sự so sánh các mức hiệu quả giữa các giai đoạn khác nhau giúp các nhà nghiên cứu có cái nhìn rõ nét hơn về sự thay đổi của hiệu quả theo thời gian, từ đó giúp họ có thể đánh giá về những thay đổi trong các giai đoạn đó có tác động thế nào tới hiệu quả, cũng như có thể phần nào dự đoán được biến động của hiệu quả trong tương lai.
Trong phương pháp DEA, việc ước lượng hiệu quả kỹ thuật được thực hiện dựa trên một đường giới hạn (frontier) xác định, và do đó, việc so sánh hiệu quả giữa hai giai đoạn dựa trên hai đường giới hạn khác nhau là rất phức tạp. Tuy nhiên, nếu chúng ta quy chúng về cùng một gốc tọa độ thì vấn đề sẽ trở nên đơn giản hơn với sự giúp đỡ của các hàm khoảng cách (distance functions). Fare và các đồng sự (1994) đã đưa ra mô hình xác định mức thay đổi của năng suất tổng hợp theo thời gian trong đó mỗi
hai đường frontier khác nhau tại hai thời điểm t và t+1) và từ đó so sánh sự thay đổi về năng suất tổng hợp của DMU đó. Tuy nhiên, vì dữ liệu bài nghiên cứu còn nhiều thiếu sót và các phần mềm hỗ trợ còn gặp nhiều hạn chế nên bài nghiên cứu sử dụng phương pháp DEA theo mô hình không đổi theo quy mô CRS trong từng năm.
Việc tối đa hóa hiệu quả sẽ tùy thuộc vào việc tối thiểu hóa đầu vào hoặc tối đa hóa đầu ra. Theo nghiên cứu của Lovell Cak và các cộng sự (1993), nếu biến đầu vào có thể rà soát và dễ dàng thay đổi thì việc định hướng đầu vào sẽ thích hợp hơn. Do đó, trong bài nghiên cứu này, tác giả lựa chọn áp dụng phương pháp tối thiểu hóa đầu vào.
Từ các lý thuyết và công thức nêu trên, bài nghiên cứu đưa ra giả thiết nếu biến đo hiệu quả hoạt động doanh nghiệp EFF =1 thì doanh nghiệp hoạt động hiệu quả, còn nếu EFF<1 thì doanh nghiệp hoạt động kém hiệu quả.
Phương pháp phân tích bao dữ liệu là một công cụ phân tích kinh tế khá mạnh, được sử dụng trong phân tích hiệu quả hoạt động sản xuất của các tổ chức, doanh nghiệp, nhóm hộ sản xuất. Trong phương pháp DEA, mô hình toán tuyến tính và kinh tế được lồng ghép và áp dụng khá linh hoạt. DEA là một kỹ thuật bao số liệu và do đó nó không phải là 1 mô hình kinh tế lượng tiêu chuẩn. Không có các tham số hồi quy để ước lượng, không có chức năng, không có thuật ngữ lỗi và không có sự phân biệt giữa các biến phụ thuộc và độc lập. Do đó phương pháp này không có vấn đề nội sinh để xử lý.
3.4.1.3. Phương pháp hồi quy bảng (Panel Data)
Dữ liệu bảng là sự kết hợp của dữ liệu chéo (cross-section) và dữ liệu thời gian (time series). Dữ liệu bảng cho phép kiểm soát các yếu tố không quan sát được. Các yếu tố này có thể khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian hoặc thay đổi theo thời gian nhưng sẽ không khác nhau giữa các đối tượng. Điều này làm giảm độ lệch trong ước lượng của bài nghiên cứu. Ngoài ra, sử dụng dữ liệu bảng có ít sự đa cộng tuyến giữa các biến giải thích, do đó làm cho kết quả sẽ chính xác hơn.
3.4.1.4. Phương pháp hồi quy phân vị (Quartile Regression)
Phương pháp hồi quy phân vị được Koenker và Bassett giới thiệu lần đầu tiên năm 1978. Thay vì ước lượng các tham số của hàm hồi quy trung bình bằng phương pháp OLS, Koenker và Bassett (1978) đưa ra đề xuất về việc ước lượng các tham số hồi quy trên từng phân vị của biến phụ thuộc để sao cho tổng chênh lệch tuyệt đối của hàm hồi quy tại phân vị τ của biến phụ thuộc là nhỏ nhất. Nói một cách khác, thay vì xác định tác động biên của biến độc lập đến giá trị trung bình của biến phụ thuộc, hồi quy phân vị sẽ giúp xác định tác động biên của biến độc lập đến biến phụ thuộc trên từng phân vị của biến phụ thuộc đó.
Theo Koenker (2005), Hao và Naiman (2007), hồi quy phân vị có những ưu điểm như sau:
1. Hồi quy phân vị cho phép thể hiện một cách chi tiết về mối quan hệ giữa biến phụ thuộc và các biến độc lập trên từng phân vị của biến phụ thuộc, không phải chỉ xét mối quan hệ này trên giá trị trung bình như hồi quy OLS.
2. Trong hồi quy OLS, các quan sát bất thường (outliers) thường được loại bỏ để ước lượng OLS không bị chệch. Trong khi đó, hồi quy phân vị có tính ổn định (robustness), nên không bị ảnh hưởng bởi sự hiện diện của các quan sát bất thường đó.
3. Các kiểm định về tham số của hồi quy phân vị không dựa vào tính chuẩn của sai số. Ngoài ra, các kiểm định này không dựa trên bất kỳ một giả định nào về dạng phân phối của sai số hồi quy.
4. Hồi quy phân vị đặc biệt phù hợp khi phân tích trên mô hình hồi quy có sự hiện diện của phương sai thay đổi hoặc trong mẫu số liệu mà hàm phân phối của biến phụ thuộc bất đối xứng quanh giá trị trung bình. Khi đó, hàm hồi quy phân vị trên các phân vị khác nhau sẽ có sự khác biệt rõ rệt, cho thấy tác động không giống nhau của biến độc lập đến biến phụ thuộc ở những phân vị khác nhau.
Đối với bài nghiên cứu này, tác giả thực hiện hồi quy phân vị ứng với trường hợp τ = 0.25, τ = 0.5 và τ = 0.75
TÓM TẮT CHƯƠNG 3
Trong chương 3 tác giả nêu tổng quát quy trình nghiên cứu, mẫu và định nghĩa các biến có trong mô hình. Và quan trọng nhất là giới thiệu mô hình nghiên cứu cũng như trình bày các phương pháp nghiên cứu mà tác giả sử dụng trong bài nghiên cứu này. Tiếp theo chương 4 tác giả trình bày kết quả nghiên cứu.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU 4.1 Mô tả dữ liệu
Dựa vào bảng 4.1 kết quả thống kê mô tả cho thấy
Giá trị EFF trung bình là 0.016 trong đó lớn nhất là 1 và nhỏ nhất là 0, độ lệch chuẩn là 0.053.
Khả năng sinh lời PR trung bình là 0.043 lớn nhất là 16.034 và nhỏ nhất mang giá trị âm 0.418.
Tỷ lệ đòn bẩy LEV trung bình là 1.155 giá trị lớn nhất là 408.351 và giá trị nhỏ nhất bằng 0.
Tăng trưởng doanh thu GROWTH trung bình là 1.633% trong đó có doanh nghiệp lên tới hơn 700%.
Mức vốn hóa thị trường SIZE giá trị trung bình là 19.390 trong đó doanh nghiệp lớn nhất mang giá trị là 25.758 và nhỏ nhất là 14.18.
Bảng 4.1: Thống kê mô tả
VarName Obs Mean SD Min Max EFF 5176 0.016 0.053 0.000 1.000 PR 5176 0.043 0.298 -0.418 16.034 LEV 5176 1.155 7.743 0.000 408.351 TANG 5176 0.727 4.833 0.000 256.775 GROWTH 5176 1.633 12.698 0.010 749.582 SIZE 5176 19.390 1.582 14.180 25.758 OWN1 5176 0.679 0.467 0.000 1.000 OWN2 5176 0.117 0.321 0.000 1.000 OWN 5176 0.204 0.403 0.000 1.000
Nguồn: Tác giả tính toán
Các doanh nghiệp có sở hữu nhà quản trị nhỏ hơn 25% chiếm 68.11%; các doanh nghiệp còn lại chiếm 31.89%
Các doanh nghiệp có tỷ lệ sở hữu nhà quản trị nằm trong khoảng từ 25% tới 50% chiếm 11.57%, các doanh nghiệp còn lại chiếm 88.43%
Các doanh nghiệp có tỷ lệ sở hữu nhà quản trị lớn hơn 50% chiếm 20.32%, các doanh nghiệp còn lại chiếm 79.68%
Bảng 4.2: Tần suất tỷ lệ sở hữu nhà quản trị
Freq. Percent Cum. OWN1 0 1,612 31.89 31.89 1 3,443 68.11 100 OWN2 0 4,470 88.43 88.43 1 585 11.57 100 OWN3 0 4,028 79.68 79.68 1 1,027 20.32 100
Nguồn: Tác giả tính toán
4.2 Kết quả hồi quy
4.2.1 Kết quả mô hình hồi quy dữ liệu bảng
Dựa vào bảng 4.3 kết quả hồi quy dữ liệu bảng với các mô hình FEM, REM và hiệu chỉnh mô hình bằng GLS đối với các doanh nghiệp lĩnh vực công nghiệp cho thấy
Kết quả kiểm định tự tương quan:
Bảng 4.3 cho thấy, giá trị p-value kiểm định tự tương quan lớn hơn 0.05 nên không tồn tại tự tương quan
Bảng 4.3: Kết quả kiểm định tự tương quan trong lĩnh vực công nghiệp
Nguồn: Tác giả tính toán
Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation
F ( 1, 153) = 0.563 Prob > F = 0.4541
Kiểm định phương sai thay đổi:
Bảng 4.4 cho thấy, giá trị p-value kiểm định chỉ ra mô hình tồn tại phương sai thay đổi khi p-value nhỏ hơn 0.05
Bảng 4.4: Kết quả kiểm định phương sai trong lĩnh vực công nghiệp
Nguồn: Tác giả tính toán
Từ kết quả kiểm định tự tương quan và phương sai thay đổi cho thấy tồn tại khuyết tật trong mô hình nên tác giả hiệu chỉnh mô hình bằng GLS.
Phân tích kết quả hồi quy sự tác động của các biến đối với hiệu quả hoạt động kinh doanh của các doanh nghiệp thuộc lĩnh vực công nghiệp
+ Giá trị của tỷ số khả năng sinh lời PR có tác động cùng chiều lên hiệu quả hoạt động kinh doanh của doanh nghiệp trong lĩnh vực công nghiệp với các hệ số lần lượt là 0.0344, 0.0265, 0.0184. Điều này cho thấy khi doanh nghiệp có tỷ số khả năng sinh lời