CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.2.4. Phương pháp xử lý và phân tích thông tin
- Thống kê mô tả: Mẫu thu thập được sẽ tiến hành thống kê phân loại theo các biến dựa vào tiêu chí là giới tính, chuyên ngành, năm học, chỗ ở, làm thêm. Đồng thời tính giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, độ lệch chuẩn… của các câu hỏi trong bảng để làm cơ sở lý luận cho nghiên cứu.
- Tham vấn ý kiến chuyên gia: Nghiên cứu thực hiện phỏng vấn tham vấn ý kiến chuyên gia, dựa trên kinh nghiệm của họ về các vấn đề có liên quan đến sự phát triển của các KCN nói chung và các KCN trên địa bàn Bắc Ninh nói riêng, từ đó đưa ra những nhận định về sự HLCDDC ở gần các KCN sẽ bị tác động bởi những nhân tố gì? các nhân tố đó nên đánh giá dựa trên các khía cạnh nào? Đánh giá tổng quan các KCN trên địa bàn tỉnh Bắc Ninh những năm gần đây đã tạo ra những chuyển biến như thế nào đối với đời sống của cộng đồng dân cư sống gần đó? Từ đó cho biết đánh giá của chuyên gia về tầm quan trọng của các nhân tố đó như thế nào khi áp dụng với trường hợp tỉnh Bắc Ninh (Bảng 5) (lựa chọn với quy ước (1) ít quan trọng, (2) quan trọng, (3) rất quan trọng, (4) đặc biệt quan trọng)? Nhân tố đó tác động dương hay âm? Cuối cùng nêu ra các cơ quan quản lý trên địa bàn Bắc Ninh đã có những giải pháp gì để nâng cao sự hài lòng của cộng đồng dân cư đối với phát triển các KCN?.
Kết quả tham vấn ý kiến chuyên gia trong phần Phụ lục.
Bảng 3.3: Đánh giá của chuyên gia về tầm quan trọng của các nhân tố tác động đến sự hài lòng của cộng đồng dân cư đối với sự phát triển KCN tỉnh Bắc Ninh Các nhân tố Đánh giá tầm quan trọng của các nhân tố Tác động
(1) ít quan trọng
(2) quan trọng
(3) rất quan trọng
(4) đặc biệt quan trọng
(+) (-)
Thu nhập Việc làm Môi trường Sức khỏe
Tốc độ đô thị hóa Cơ sở hạ tầng
Dịch vụ tiện ích xã hội Văn hóa xã hội
Chính quyền địa phương Dịch vụ công
Đất đai nhà ở
Quá trình phỏng vấn chuyên gia, nhóm nghiên cứu lựa chọn 10 chuyên gia bao gồm: 3 cán bộ công tác trong Ban quản lý các KCN tỉnh Bắc Ninh; 4 lãnh đạo lần lượt các huyện Tiên Sơn, Yên Phong, Thuận Thành, Quế Võ; 3 giảng viên Khoa Kinh tế thuộc ĐH Kinh tế quốc dân, Học viện Ngân hàng và Học viện Tài chính trong thời gian tháng 6/2022.
Dựa trên những tham góp của chuyên gia, nhóm nghiên cứu thực hiện khẳng định lại việc lựa chọn các biến và xây dựng mô hình phân tích. Đồng thời, những ý kiến của chuyên gia cũng sẽ góp phần cho việc đưa ra những khuyến nghị giải pháp trong chương khuyến nghị giải pháp được khoa học hơn.
- Kiểm định độ tin cậy của thang đo để đánh giá chất lượng của các thang đo: Hệ số Cronbach’s Alpha chạy cho từng nhân tố sẽ được sử dụng thông qua phương pháp nhất quán nội tại để đánh giá độ tin cậy của các thang đo. Mục đích của việc đo lường độ tin cậy là tìm hiểu xem các biến quan sát có cùng đo lường cho một khái niệm cần
đo hay không. Hệ số Cronbach's Alpha qua phân tích chỉ cho biết các đo lường có liên kết với nhau hay không nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó việc tính toán hệ số tương quan giữa biến tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo. Sử dụng phương pháp hệ số Cronbach's Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các biến giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).
Các chỉ tiêu được sử dụng khi đánh giá độ tin cậy của thang đo:
- Theo Nunnally (1978); Peterson (1994): Khi lựa chọn biến, thực hiện loại biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3. Hệ số Cronbach's Alpha lớn hơn 0.6 (Cronbach's Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao).
- Các mức giá trị của Alpha: Cronbach's Alpha > 0.95 là hệ số có thể chấp nhận được nhưng không tốt, cần xem xét các biến quan sát có xảy ra hiện tượng "trùng biến"
hay không, 0.95 > Cronbach's Alpha 0.8 là thang đo lường tốt; 0.7 < Cronbach's Alpha
< 0.8 là sử dụng được; Cronbach's Alpha >= 0.6 là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới đối với người trả lời trong bối cảnh đang nghiên cứu (Nunnally, 1978; Peterson, 1994).
- Phân tích nhân tố khám phá EFA để kiểm tra giá trị hội tụ và giá trị phân biệt giữa các biến: Phân tích nhân tố EFA là một trong những phương pháp phân tích thống kê dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành tập hợp ít biến có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết thông tin của tập biến ban đầu. Phân tích nhân tố EFA có một số tiêu chuẩn áp dụng sau:
Hệ số Kaiser- Meyer- Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO nằm trong khoảng từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố là thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlet: dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Kiểm định Bartlet phải có ý nghĩa thống kê với Sig. <= 0.05 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)”.
Tổng phương sai trích: là phần trăm phương sai toàn bộ được giải thích bởi từng nhân tố. Nghĩa là coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %. Khi tổng phương sai trích >50%
là đạt yêu cầu dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số Eigenvalue: là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
Nghiên cứu này sử dụng phương pháp rút trích nhân tố Principal Components với nguyên tắc dựa vào hệ số Eigenvalue để xác định số lượng nhân tố (Eigenvalue >1 và những nhân tố có chỉ số Eigenvalue <1 đều bị loại khỏi mô hình nghiên cứu), phép xoay nhân tố Varimax (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Phân tích hồi quy tuyến tính để đánh giá nhân tố ảnh hưởng đến sự HLCDDC đối với sự phát triển của KCN trên địa bàn tỉnh Bắc Ninh.
Các tiêu chuẩn trong phân tích mô hình hồi quy bội bao gồm:
- 𝑅2 hiệu chỉnh: tham số 𝑅2 hiệu chỉnh cho biết mức độ phần trăm sự biến thiên của biến phụ thuộc được giải thích bởi biến độc lập. Trong bài nghiên cứu khi 𝑅2 hiệu chỉnh > 50% là phù hợp.
- Kiểm tra giả định về hiện tượng đa cộng tuyến: bằng hệ số phóng đại phương sai VIF: VIF < 2 là điều kiện để không xuất hiện đa cộng tuyến trong mô hình hồi quy bội.
- Giá trị Sig.: dùng để đánh giá sự phù hợp của mô hình. Trong nghiên cứu, với độ tin cậy 95% thì giá trị Sig. < 0.05 là có ý nghĩa.
Phântích ANOVA
Phân tích phương sai (ANOVA): là một công cụ phân tích được sử dụng trong thống kê phân tách biến thiên quan sát tổng hợp được tìm thấy bên trong một tập dữ liệu chia thành hai phần: các yếu tố hệ thống và các yếu tố ngẫu nhiên.
Các yếu tố hệ thống có ảnh hưởng thống kê đến tập dữ liệu đã cho, trong khi các yếu tố ngẫu nhiên thì không. Để xác định ảnh hưởng của các biến độc lập đối với biến phụ thuộc trong nghiên cứu hồi quy, các bài nghiên cứu phân tích sử dụng thử nghiệm ANOVA.
Kết quả phân tích ANOVA: Nếu cho mức ý nghĩa quan sát (Sig.) < 5% thì có thể chứng tỏ có sự khác biệt (có ý nghĩa thống kê) về mức độ tác động của các nhóm phân loại của biến kiểm soát đối với khái niệm phụ thuộc. Ngược lại, Sig. ≥ 5% thì kết luận chưa có sự khác biệt có ý nghĩa thống kê về giá trị trung bình của các nhóm đối tượng quan sát (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Khi thực hiện phân tích ANOVA, nếu kết quả kiểm định dẫn đến việc bác bỏ H0 thì ta tiếp tục làm tiếp phân tích sâu (Phân tích Post hoc) để xác định trung bình của nhóm nào khác biệt với nhóm nào.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU