Sản phẩm tài chính Có sử dụng Khơng sử dụng
Tài khoản thanh toán 100% 0%
Tiết kiệm kỳ hạn 22,6% 77,4%
Vay từ các tổ chức tài chính khác 4,7% 95,3%
Vay Quỹ phát triển DNNVV 1,9% 98,1%
Thư tín dụng 8,2% 91,8%
Bao thanh tốn khoản phải thu/khoản phải trả
0% 100%
Bảo hiểm hàng hóa 21,3% 78,7%
Cho th tài chính 0,9% 99,1%
Dịch vụ quản lí tài khoản 0,9% 99,1%
Dịch vụ bảo lãnh 5,7% 94,3%
Nguồn: Tổng hợp thông tin khảo sát
Sản phẩm được sử dụng phổ biến nhất đó là dịch vụ vay vốn ngân hàng với gần 68,6% DN, thư tín dụng 8,2%, bảo hiểm hàng hóa 21,3%, dịch vụ bảo lãnh dao động trung bình khoảng 5,7%. Các hoạt động mua bán hàng hóa, xuất khẩu, nhập khẩu, mua bảo lãnh cho hàng hóa xuất khẩu, dự thầu, bảo lãnh làm hàng... gắn liền với các dịch vụ trên, được phần lớn các DN biết đến và lựa chọn sử dụng, tùy theo từng hoạt động kinh doanh của DN.
Việc không phải DN nào cũng sử dụng dịch vụ khá phổ biến là tiết kiệm kỳ hạn vì khơng phải DN nào cũng có sẵn nguồn tiền nhàn rỗi để gửi tiết kiệm, mà phụ thuộc vào tình hình hoạt động tại thời điểm đó. Như nguồn vốn có sẵn chuẩn bị để nhập hàng vào lúc cao điểm, nhưng bây giờ đang thấp điểm, DN có thể lựa chọn gửi tiết kiệm để tranh thủ được một khoản lãi suất giữa khoảng thời gian này. Hoặc
DN có nguồn nhàn rỗi, nhưng được dùng để đầu tư vào mục đích khác so với mục đích kinh doanh chính của DN.
Bên cạnh đó, ngân hàng cũng cung cấp nhiều dịch vụ khác như dịch vụ quản lý tài khoản, tiết kiệm, dịch vụ ngân hàng điện tử,…... Tuy nhiên, những dịch vụ này ít được DN biết đến do chưa phát sinh nhu cầu, hoặc có thì thủ tục phức tạp, chi phí cho dịch vụ cao.
Còn việc đi kêu gọi từ các TCTD khác, Quỹ phát triển DNNVV của tỉnh, hoặc Cho thuê tài chính chỉ được một số ít các DN sử dụng. Do sự hạn chế về các nguồn thông tin và khả năng, hoặc DN không thực sự quan tâm đến các nguồn vốn này.
3.2.2 Phương pháp phân tích dữ liệu
Dữ liệu được nhập và xử lý bằng phần mềm SPSS. Khi nhập dữ liệu vào phần mềm SPSS, dữ liệu được mã hóa, số liệu sẽ được phân tích qua các bước như sau: thống kê mô tả, đánh giá độ tin cậy của các thang đo, phân tích nhân tố khám phá và phân tích hồi qui. Qua các bước chi tiết như sau: kiểm định thang đo bằng hệ số tin cậy Cronbach Alpha, loại bỏ các biến có hệ số tương quan giữa biến và tổng nhỏ. Sử dụng cơng cụ phân tích nhân tố khám phá (EFA) trên SPSS 20 và loại bỏ các biến có thơng số nhỏ bằng cách kiểm tra các hệ số tải nhân tố (Factor loading) và các phương sai trích được. Đánh giá sự phù hợp của mơ hình nghiên cứu qua hệ số KMO. Sau cùng sẽ kiểm tra độ thích hợp của mơ hình bằng chỉ tiêu R2 điều chỉnh, xây dựng mơ hình hồi quy và kiểm định mơ hình nghiên cứu đặt ra.
Mơ hình nghiên cứu như sau:
Y = Bo + B1*TS + B2*TN + B3*QL + B4*SD + B5*NGA + B6*HD + B7*NH
Nghiên cứu sử dụng phương pháp phân tích hồi qui bội với các quan hệ tuyến tính để xác định các nhân tố có ảnh hưởng đến khả năng tiếp cận vốn từ đó tính được mức độ quan trọng của từng nhân tố. Từ kết quả phân tích, kiểm định mơ
hình và ứng dụng mơ hình vào thực tiễn cho các DNNVV trong tồn tỉnh Bình Dương.
Thang đo các nhân tố trong nghiên cứu này được xây dựng dựa trên thang đo Likert. Các nhân tố phù hợp với điều kiện của các DNNVV tại Bình Dương. Các yếu tố ảnh hưởng đến khả năng tiếp cận vốn của các DNNVV được sử dụng trong nghiên cứu gồm:
Thang đo Likert, sau khi nghiên cứu sơ bộ gồm những nhân tố sau:
+ Nhân tố Ngân hàng (NH) được đo lường bằng 7 biến quan sát, từ biến quan sát có mã số KK1 đến KK7.
+ Nhân tố Trả nợ (TN) được đo lường bằng 5 biến quan sát, từ biến quan sát có mã số TN1 đến TN5.
+ Nhân tố Quản lý và môi trường nội bộ (QL) được đo lường bằng 6 biến quan sát, từ biến quan sát có mã số QL1 đến QL6.
+ Nhân tố Ngành hoạt động DN (NGA) được đo lường bằng 4 biến quan sát, từ biến quan sát có mã số NGH1 đến NGH4.
+ Nhân tố Hoạt động DN (HD) được đo lường bằng 6 biến quan sát, từ biến quan sát có mã số HD1 đến HD6.
+ Nhân tố Tài sản đảm bảo (TS) được đo lường bằng 3 biến quan sát, từ biến quan sát có mã số TS1 đến TS3
- Kiểm định mơ hình đo lường
Nghiên cứu đã sử dụng các tiêu chí của thang đo để đo khả năng tiếp cận vốn của DNNVV, tác giả đã có sự điều chỉnh, bổ sung cho phù hợp với đặc thù thực tiễn nghiên cứu. Chính vì vậy, cần phải tiến hành kiểm định lại các thang đo thông qua Cronbach Alpha, qua hệ số Cronbach Alpha, loại bỏ các biến quan sát khơng thỏa mãn điều kiện thì loại bỏ bớt, giữ lại các biến thỏa mãn tất cả các điều kiện.
Hệ số Cronbach Alpha được sử dụng để kiểm tra độ tin cậy từng thành phần của thang đo khả năng tiếp cận vốn của DNNVV. Tiếp theo toàn bộ các biến quan sát có ý nghĩa và đạt được độ tin cậy nhất định sẽ được đưa vào phân tích EFA để
khám phá cấu trúc thang đo các thành phần ảnh hưởng đến khả năng tiếp cận vốn. Kỹ thuật phân tích EFA là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích EFA bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết các biến khơng có tương quan với nhau trong tổng thể bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5≤ KMO ≤1 và sig< 0,05. Trường hợp KMO<0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu.
Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị tác động bởi các yếu tố khác ngồi mơ hình). Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue<1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue>1 và được chấp nhận khi tổng phương sai trích ≥ 50%.
Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và cộng sự [55], Factor loading>0,3 được xem là đạt mức tối thiểu; Factor loading>0,4 được xem là quan trọng; Factor loading>0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading>0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading>0,55; nếu cỡ mẫu khoảng 50 thì Factor loading>0,75. Ngoại lệ, có thể giữ lại biến có Factor loading<0,3; nhưng biến đó phải có giá trị nội dung. Trường hợp các biến có Factor loading khơng thỏa mãn điều kiện trên hoặc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤ 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó bị loại và các
biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix). Sau khi phân tích nhân tố khám phá (EFA), nghiên cứu sẽ thực hiện kiểm định các giả thuyết được đưa ra thông qua kiểm định tương quan và hồi quy bội. Trong hồi quy bội hình có ý nghĩa càng cao khi R2 đã điều chỉnh càng tiến gần 1 (0<Adjusted R2<1), các nhân tố đưa vào phải có mức ý nghĩa sig.<0,05 và giữa các biến hoàn toàn độc lập nhau, tức không xảy ra hiện tượng đa cộng tuyến khi VIF <2.
3.2.2.1 Đánh giá thang đo và phân tích nhân tố