BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC UEH
TRƯỜNG KINH DOANH UEH
BÀI TIỂU LUẬN CUỐI KỲ
MÔN: KINH TẾ LƯỢNG TÀI CHÍNH
CHỦ ĐỀ: KHẢ NĂNG SINH LỜI CỦA CÁC DOANH NGHIỆP
NGÀNH CÔNG NGHỆ TRONG GIAI ĐOẠN COVID-19.
Giảng viên:
THS. Lê Văn
Sinh viên:
Nguyễn Hiền Vy
Lớp/Khóa học:
FI001/K47
Mã số sinh viên:
31211024329
Số điện thoại:
0898473404
TP. HCM, ngày 02 tháng 06 năm 2023.
1
MỤC LỤC
DANH MỤC CÁC TỪ VIẾT TẮT: .............................................................................3
DANH MỤC BẢNG: .....................................................................................................4
CHƯƠNG 1: GIỚI THIỆU ..........................................................................................5
1.1
Đối tượng nghiên cứu: .....................................................................................5
1.2 Phạm vi nghiên cứu: ...........................................................................................5
1.3 Ý nghĩa đề tài:.......................................................................................................5
1.3.1 Ý nghĩa về mặt lý luận: ................................................................................5
1.3.2 Ý nghĩa về mặt thực tiễn: ..............................................................................5
CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU ..............................................................6
2.1. Dữ liệu nghiên cứu ..............................................................................................6
2.2. Mô tả biến nghiên cứu ........................................................................................6
2.2.1. Biến phụ thuộc ..............................................................................................6
2.2.2. Biến độc lập ...................................................................................................7
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ MÔ HÌNH ĐỀ XUẤT ...........8
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU ....................................................................9
4.1. Thống kê mô tả ....................................................................................................9
4.2. Kết quả phân tích hồi quy ................................................................................10
4.3. Kiểm định hiện tượng đa cộng tuyến ..............................................................11
4.4. Hồi quy tuyến tính Pooled OLS .......................................................................11
4.5. Kiểm định Hausman .........................................................................................12
4.6 Kiểm định hiện tượng phương sai thay đổi .....................................................13
4.7. Kiểm định hiện tượng tự tương quan .............................................................13
4.8. Hiển thị cả 4 mô hình vừa chạy để so sánh kết quả .......................................14
CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ......................................................15
TÀI LIỆU THAM KHẢO...........................................................................................16
2
DANH MỤC CÁC TỪ VIẾT TẮT:
Từ viết tắt
Ý nghĩa
HOSE
Sở giao dịch chứng khoán Thành phố Hồ Chí Minh
HNX
Sở giao dịch chứng khoán Hà Nội
ROE
Khả năng sinh lời trên vốn chủ sở hữu
ROS
Tỷ suất lợi nhuận ròng trên doanh thu
CR
Tỷ số thanh toán hiện hành
TDR
Hệ số tổng nợ trên tổng tài sản - Đòn bẩy tài chính
SIZE
Quy mô doanh nghiệp
VIF
Hệ số phóng đại phương sai
OLS
Phương pháp bình phương nhỏ nhất thông thường
FEM
Mô hình tác động cố định
REM
Mô hình tác động ngẫu nhiên
3
DANH MỤC BẢNG:
Bảng 4.1: Thống kê mô tả các biến nghiên cứu
Bảng 4.2: Ma trận hệ số tương quan
Bảng 4.3: Kiểm định đa cộng tuyến
Bảng 4.4: Thông số trong mô hình Pooled OLS
Bảng 4.5: Kiểm định Hausman
Bảng 4.6: Kiểm định Breusch and Pagan
Bảng 4.7: Kiểm định Wooldridge
Bảng 4.8: Bảng so sánh kết quả hồi quy của 4 mô hình
4
CHƯƠNG 1: GIỚI THIỆU
1.1
Đối tượng nghiên cứu:
20 công ty thuộc nhóm ngành công nghệ của Việt Nam được niêm yết trên sàn chứng
khoán. Dữ liệu được lấy từ quý 1/2020 đến quý 4/2021 nhằm đánh giá khả năng sinh lời
của các công ty, từ đó đánh giá hiệu quả hoạt động của ngành công nghệ tại Việt Nam
trong đại dịch COVID-19.
1.2 Phạm vi nghiên cứu:
Thời gian: Tác giả lấy dữ liệu 20 doanh nghiệp thuộc lĩnh vực ngành công nghệ
được niêm yết trên Sở giao dịch chứng khoán với số liệu trong 8 quý, từ quý 1 năm 2020
đến quý 4 năm 2021.
Không gian: Bài nghiên cứu được thực hiện dựa trên 160 mẫu quan sát của 20
doanh nghiệp thuộc lĩnh vực ngành công nghệ được niêm yết trên Sở giao dịch chứng
khoán Thành phố Hồ Chí Minh (HOSE) và Sở giao dịch chứng khoán Hà Nội (HNX)
với nhiều biến khác nhau như ROE, ROS, CR, TDR, SIZE,..., có đầy đủ các dữ liệu đã
được công bố trên website vietstock.vn và TVSI.
1.3 Ý nghĩa đề tài:
1.3.1 Ý nghĩa về mặt lý luận:
Đề tài này tổng hợp và phân tích các kết quả cũng như các biến có tác động cùng chiều
hay ngược chiều đến hiệu quả hoạt động của doanh nghiệp ngành công nghệ Việt Nam.
Qua đó làm rõ hơn về cách thức hoạt động của ngành công nghệ bị ảnh hưởng như thế
nào trong đại dịch COVID-19.
1.3.2 Ý nghĩa về mặt thực tiễn:
Đại dịch COVID-19 đã có những tác động tiêu cực đến thế giới nói chung và mỗi quốc
gia nói riêng, đặc biệt là lĩnh vực kinh tế, chính sách giải quyết vấn đề của từng quốc
gia là khác nhau.
Từ những bằng chứng về mặt lý luận, các doanh nghiệp sẽ áp dụng vào thực tiễn. Sau
khi phân tích, họ sẽ nhìn vào kết quả và đưa ra những kinh nghiệm rút ra được sau
COVID-19. Ngành công nghệ đã được dự đoán phát triển như thế nào, nhưng “biến số”
Corona xuất hiện làm thay đổi những gì? Doanh nghiệp sẽ có cho mình được những câu
trả lời, dự đoán được xu hướng phát triển và quản trị rủi ro doanh nghiệp của mình trong
tương lai.
5
CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU
2.1. Dữ liệu nghiên cứu
Tác giả chọn mẫu nghiên cứu gồm 20 doanh nghiệp thuộc lĩnh vực ngành công nghệ
được niêm yết trên Sở giao dịch chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở
giao dịch chứng khoán Hà Nội (HNX) trong 8 quý, từ năm 2020 – 2021, đây là giai đoạn
đại dịch Covid - 19 bùng phát mạnh mẽ.
Như vậy, mẫu nghiên cứu có tổng 160 quan sát, sử dụng các phương pháp thống kê mô
tả, hồi quy tuyến tính trên phần mềm Stata từ dữ liệu được tác giả thu thập từ báo cáo
tài chính hàng quý trên website finance.vietstock và TVSI để phân tích tác động thực sự
của đại dịch COVID-19 đến hiệu quả hoạt động của các công ty thuộc ngành công nghệ
tại Việt Nam.
2.2. Mô tả biến nghiên cứu
2.2.1. Biến phụ thuộc
Biến ROE: Return on Equyty (Tỷ suất sinh lời trên vốn chủ sở hữu).
𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế 𝑣à 𝑙ã𝑖 𝑣𝑎𝑦
𝑉ố𝑛 𝑐ℎủ 𝑠ở ℎữ𝑢
Để đo lường hiệu quả khả năng sinh lời, các công ty thường sử dụng tỷ suất sinh lời. Tỷ
lệ ROE càng cao chứng tỏ rằng công ty đã sử dụng dòng vốn của cổ đông có hiệu quả.
𝑅𝑂𝐸 =
Malik (2011) cho rằng khả năng sinh lời trên vốn chủ sở hữu là một trong những thước
đo, mục tiêu quan trọng nhất của quản lý tài chính. Theo Lesakova (2007), ROE là một
chỉ số về sức khỏe tài chính của doanh nghiệp có tốt hay không; và làm thế nào để
doanh nghiệp có hiệu quả trong việc quản lý tài sản của mình. ROE là thước đo phổ biến
được sử dụng để đo lường khả năng sinh lời của doanh nghiệp (Alarussi & Alhaderi,
2020; Chander & Aggarwal, 2008). ROE phản ánh năng lực sử dụng đồng vốn để sinh
lời trong quá trình hoạt động kinh doanh của doanh nghiệp.
Trong các nghiên cứu của Gul và cộng sự (2011), Alper và Anbar (2011), Tan (2016),
thì ROE được sử dụng làm biển phụ thuộc để phân tích các nhân tố tác động đến khả
năng sinh lời.
Do đó, trong bài nghiên cứu này, tác giả sẽ sử dụng ROE để đo lường khả năng sinh lời
tổng thể của công ty, đo lường mức độ hiệu quả trong việc tạo ra lợi nhuận và ROE là
biến phụ thuộc của bài nghiên cứu này cùng với 4 biến độc lập: ROS, CR, TDR, và
SIZE.
6
2.2.2. Biến độc lập
2.2.2.1. Biến ROS: Return on sales (Tỷ suất lợi nhuận ròng trên doanh thu).
𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế 𝑣à 𝑙ã𝑖 𝑣𝑎𝑦
𝐷𝑜𝑎𝑛ℎ 𝑡ℎ𝑢
Theo nghiên cứu của Khanh, N. T. (2016), ROE được chia thành 3 phần là: ROS, TAT
và đòn bẩy tài chính; trong đó ROS có mối quan hệ tỷ lệ thuận với ROE. Bên cạnh đó,
Herciu, Ogrean và Belascu (2011), Suk - panich (2007), Tangen (2003) cũng kỳ vọng
rằng ROS có quan hệ cùng chiều với ROE, một sự tăng lên ROS cho thấy công ty đang
hoạt động có hiệu quả, trong khi sự giảm xuống của chỉ số này là tín hiệu của một sức
khỏe tài chính yếu. Dựa vào lý thuyết trên, tác giả đề xuất giả thuyết:
𝑅𝑂𝑆 =
H1: ROS của một công ty có quan hệ cùng chiều với ROE (+).
2.2.2.2. Biến CR: Current ratio (Tỷ số thanh toán hiện hành)
𝐶𝑅 =
𝑇à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛
𝑁ợ 𝑛𝑔ắ𝑛 ℎạ𝑛
Tất cả các nghiên cứu đều chỉ ra rằng nợ ngắn hạn và tài sản ngắn hạn là phần quan
trọng cần phải phân tích. Chu, Nguyen, & Ngo (2015) chỉ ra rằng tỷ số thanh toán hiện
hành có tác động tích cực đến khả năng sinh lời của công ty. Tuy nhiên, nghiên cứu của
Panigrahi (2013), Saleem and Rehman (2011), Bolek and Wile'nski (2012) lại cho thấy
tỷ số thanh toán hiện hành có tác động trái chiều đến khả năng sinh lời của công ty.
Babalola và Abiola (2013) chỉ ra rằng nếu chỉ số CR lớn thì đây chính là dấu hiệu của
việc sử dụng vốn không hiệu quả. Với những lý thuyết trên, tác giả sử dụng giả thuyết
thay thế dưới đây:
H2: Tỷ số thanh toán hiện hành của một công ty có quan hệ cùng chiều với ROE (+).
2.2.2.3. Biến TDR: Total debt ratio (Hệ số tổng nợ trên tổng tài sản - Đòn bẩy tài
chính)
𝑇𝐷𝑅 =
𝑁ợ 𝑛𝑔ắ𝑛 ℎạ𝑛 + 𝑁ợ 𝑑à𝑖 ℎạ𝑛
𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛
Chu, Nguyen, & Ngo (2015) chỉ ra rằng đòn bẩy tài chính tác động tiêu cực đến khả
năng sinh lời của công ty. Nghiên cứu của Alghusin (2015) cho thấy rằng đòn bẩy tài
chính tác động tiêu cực đến khả năng sinh lời ROE của các doanh nghiệp công nghiệp.
Nghiên cứu của Odusanya và cộng sự (2020) cho thấy đòn bẩy ngắn hạn tác động tiêu
cực đáng kể đến khả năng sinh lời của doanh nghiệp tương tự kết quả của Vătavu (2014).
Alarussi và Alhaderi (2020) kết luận tỷ lệ nợ trên tài sản có tác động tiêu cực đến khả
năng sinh lời.
Bên cạnh đó cũng có nhiều nghiên cứu như của Handoo và Sharma (2014), Kebewar
(2012) và Deloof (2003) cho thấy đòn bẩy tài chính cao không có tác động đến lợi nhuận
của công ty. Dựa vào lý thuyết trên, tác giả đề xuất giả thuyết:
H3: TDR của một công ty có mối quan hệ ngược chiều với ROE (-)
7
2.2.2.4. Biến SIZE: Quy mô của doanh nghiệp
𝑆𝐼𝑍𝐸 = 𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑠𝑒𝑡𝑠
Nghiên cứu của Alghusin (2015) cho thấy quy mô công ty có tác động tích cực đến
ROE. Le (2011) đã tìm thấy mối quan hệ đồng biến giữa quy mô doanh nghiệp và khả
năng sinh lời ROE. Trong thị trường tập trung, quy mô doanh nghiệp càng lớn thì khả
năng sinh lời càng cao nhờ vào lợi thế kinh tế của quy mô Malik (2011), Yazdanfar
(2013), Vătavu (2014), Alghusin (2015), Alarussi và Alhaderi (2020). Agiomirgianakis
và cộng sự (2006) đã chỉ ra quy mô doanh nghiệp có mối quan hệ dương với khả năng
sinh lời của doanh nghiệp đó.
Tuy nhiên, khi các doanh nghiệp càng mở rộng quy mô thì việc quản lý càng khó khăn
và tốn nhiều chi phí hơn. Sẽ đến một thời điểm lợi thế kinh tế theo quy mô không còn
hiệu quả, việc gia tăng sản lượng vượt quá cầu thị trường, không làm gia tăng lợi nhuận
(Goddard et al., 2005). Tương tự, Chu, Nguyen, & Ngo (2015) chỉ ra rằng quy mô doanh
nghiệp tác động tiêu cực đến ROE.
Trong khi đó, Sivathaasan & các cộng sự (2013) cho rằng quy mô công ty không có mối
quan hệ, không có ý nghĩa thống kê với ROE.
Với mục tiêu của bài nghiên cứu, và dựa vào các lý thuyết trên, tác giả đưa ra giả thuyết:
H4: Quy mô của doanh nghiệp có tác động cùng chiều tới ROE (+).
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ MÔ HÌNH ĐỀ XUẤT
Đầu tiên, tác giả thực hiện thống kê mô tả để tóm tắt, mô tả tập hợp gồm 160 dữ liệu
của 20 công ty ngành công nghệ trong vòng 8 quý (2020-2021). Tiếp theo, đánh giá mức
độ tương quan giữa các biến bằng ma trận hệ số tương quan. Giá trị đo lường này thường
dao động từ -1 đến 1, khi kết quả cho ra càng gần -1 hoặc 1 thì hai biến có tác động
mạnh đến nhau. Sau đó, tác giả tiến hành kiểm định VIF (Variance inflation factor) để
xác định có hiện tượng đa cộng tuyến giữa các biến hay không. Nếu VIF > 2 thì có dấu
hiệu đa cộng tuyến, nếu VIF > 10 thì chắc chắn có đa cộng tuyến, còn nếu VIF < 2 thì
không có hiện tượng đa cộng tuyến. Để phù hợp với mục tiêu của bài nghiên cứu, tác
giả quyết định sử dụng hệ số VIF uncentered, nếu hệ số VIF > 10 thì có hiện tượng đa
cộng tuyến còn VIF < 10 thì không có hiện tượng đa cộng tuyến.
Lần lượt kiểm định các mô hình hồi quy tuyến tính Pooled OLS, FEM, REM và kiểm
định Hausman test để lựa chọn giữa hai mô hình FEM và REM. Tác giả đặt giả định liệu
có hay không sự tương quan giữa các yếu tố khác ngoài các biến độc lập đã nêu (εi) với
các biến độc lập:
H0: εi và các biến độc lập tương quan với nhau
H1: εi và các biến độc lập không tương quan với nhau
Nếu kiểm định cho ra p-value > 0.05, ta bác bỏ H0 và chấp nhận H1, mô hình REM sẽ
phù hợp hơn với dữ liệu nghiên cứu; Ngược lại p-value < 0.05 thì ta bác bỏ H1 và chấp
nhận H0, mô hình FEM sẽ phù hợp hơn với dữ liệu nghiên cứu.
Mô hình nghiên cứu:
8
𝑹𝑶𝑬𝒊,𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑹𝑶𝑺𝒊,𝒕 + 𝜷𝟐 𝑪𝑹𝒊,𝒕 + 𝜷𝟑 𝑻𝑫𝑹𝒊,𝒕 + 𝜷𝟒 𝑺𝑰𝒁𝑬𝒊,𝒕 + 𝜺𝒊,𝒕
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Thống kê mô tả
Dữ liệu nghiên cứu được thu thập từ 20 doanh nghiệp ngành công nghệ niêm yết trên
thị trường chứng khoán Việt Nam trong giai đoạn 2020-2021 với các biến số được mô
tả trong Bảng 4.1 sau đây:
Biến
Số quan sát Trung bình
Độ lệch chuẩn
Giá trị nhỏ nhất
Giá trị lớn nhất
ROS
160
.02378
.062955
-.2374
.2775
CR
160
1.395375
.8479764
.26
4.93
TDR
160
.6306919
.1683437
.1554
1.0105
SIZE
160
1.19e+07
3.08e+07
79412
1.78e+08
ROE
160
.1187331
.2128988
-.5862
1.0018
Bảng 4.1: Thống kê mô tả các biến nghiên cứu
Nguồn: kết quả thu được từ phần mềm Stata 17
Nhìn vào kết quả thống kê mô tả từ bảng trên, trung bình ROE dương trong giai đoạn
dịch COVID-19, dường như chỉ số này không bị ảnh hưởng quá nhiều bởi dịch COVID19. Quy mô công ty của các doanh nghiệp ngành công nghệ có giá trị trung bình 12 tỷ.
Tác giả đánh giá đây là một dấu hiệu tốt cho thấy ngành công nghệ vẫn hoạt động hiệu
quả, mặc dù dịch bệnh diễn biến phức tạp, ảnh hướng rất nhiều đến nền kinh tế và nhiều
doanh nghiệp phải đóng cửa vì chính sách cách ly nghiêm ngặt.
Các chỉ số về giá trị lớn nhất và giá trị nhỏ nhất cũng giúp người đọc hiểu được, không
phải toàn bộ các doanh nghiệp công nghệ đều hoạt động hiệu quả mà là các doanh nghiệp
lớn về công nghệ đã kéo chỉ số trung bình của ngành lên. Có thể thấy, giá trị nhỏ nhất
của ROE trong giai đoạn dịch Covid-19 xấp xỉ -0.59. Do đó, trong mẫu nghiên cứu tác
giả thu thập được, vẫn có một số doanh nghiệp bị dịch COVID-19 tác động đến nặng nề
dẫn đến tình trạng phá sản.
Nhìn chung, kết quả thống kê mô tả bằng phần mềm Stata đã giúp tác giả đánh giá được
phần nào hiệu quả hoạt động chung của các doanh nghiệp ngành công nghệ trong giai
đoạn đại dịch COVID-19 diễn ra. Có vẻ như dịch bệnh chỉ ảnh hưởng xấu tới hiệu quả
9
hoạt động của các doanh nghiệp nhỏ còn các doanh nghiệp vừa và lớn lại có kết quả khả
quan hơn khiến cho chỉ số trung bình ngành cao hơn. Tiếp theo, để làm rõ thêm liệu đại
dịch COVID-19 tác động như thế nào đến mối quan hệ giữa các biến trên, ta thực hiện
phân tích hồi quy.
4.2. Kết quả phân tích hồi quy
Để kiểm tra mối quan hệ tương quan giữa biến phụ thuộc ROE với các biến độc lập
ROS, CR, TDR, SIZE để đánh giá hiệu quả hoạt động của các doanh nghiệp ngành công
nghệ tại Việt Nam; tác giả đã thu thập dữ liệu của 20 doanh nghiệp đang hoạt động trong
lĩnh vực này và sử dụng phần mềm Stata để thực hiện hồi quy tuyến tính. Toàn bộ dữ
liệu được kiểm định qua các mô hình: Ma trận hệ số tương quan, Pooled OLS, FEM (tác
động cố định), REM (tác động ngẫu nhiên). Đồng thời kiểm định Breusch-Pagan
Lagrangian (lựa chọn giữa Pooled OLS và REM), kiểm định Hausman (lựa chọn giữa
FEM và REM), kiểm định White và Wooldrige để kiểm tra các hiện tượng phương sai
thay đổi và tự tương quan. Cuối cùng, phương pháp Robust cũng được sử dụng để kiểm
soát hiện tượng phương sai và tự tương quan.
Kết quả hồi quy cho thấy, mô hình Robust phù hợp để tác giả lựa chọn phân tích tác
động giữa các biến cho bài nghiên cứu.
ROS
ROS
1.0000
CR
-0.0693
CR
TDR
SIZE
ROE
1.0000
0.3840
TDR
SIZE
ROE
1.0000
-0.1465
-0.7267
0.0645
0.0000
0.6551
-0.1226
-0.1220
0.0000
0.1225
0.1244
0.3923
0.0193
-0.0737
0.2314
0.0000
0.8090
0.3544
0.0032
1.0000
1.0000
Bảng 4.2: Ma trận hệ số tương quan giữa các biến
Nguồn: kết quả thu được từ phần mềm Stata 17
Dựa vào bảng 4.2 ta thấy: Biến TDR có mối quan hệ tương quan ngược chiều với biến
phụ thuộc ROE. Trong khi đó, cả 3 biến ROS, CR và SIZE đều có mối quan hệ tương
quan cùng chiều với ROE. Trong đó, ROS có sự tương quan mạnh mẽ nhất với ROE khi
chỉ số là 0.3923, điều này lý giải rằng khi ROE tăng thêm 1 đơn vị thì ROS tăng lên
39.23%. Tuy nhiên hệ số tương quan chỉ đánh giá quan hệ hai chiều mà không đánh giá
được tác động một chiều các biến lên biến phụ thuộc. Do vậy, tác giả tiếp tục thực hiện
phân tích hồi quy.
10
4.3. Kiểm định hiện tượng đa cộng tuyến
Variable
VIF
1/VIF
_CONS
65.80
0.015197
TDR
35.95
0.027815
CR
8.79
0.113794
ROE
2.09
0.477683
SIZE
2.03
0.492093
Mean VIF
22.93
Bảng 4.3: Kiểm định đa cộng tuyến
Nguồn: kết quả thu được từ phần mềm Stata 17
Đầu tiên, tác giả tiến hành kiểm định hiện tượng đa cộng tuyến. Nhìn vào bảng 4.3, ta
thấy biến TDR bị đa cộng tuyến khi cho ra kết quả VIF = 35.95 > 10. Tác giả sử dụng
phương pháp “thử và sai” để quyết định xem liệu nên giữ biến hay bỏ biến. Kết quả cho
thấy khi bỏ biến bị đa cộng tuyến nêu trên thì giá trị R2 hiệu chỉnh giảm xuống, do đó
tác giả quyết định giữ lại biến TDR.
4.4. Hồi quy tuyến tính Pooled OLS
Source
SS
df
MS
Model
1.13493392 4
.28373348
Residual 6.07188461 155 .039173449
Total
7.20681853 159 .045325903
ROE
ROS
Coefficient
1.435556
Std. err.
.3323614
t
4.32
Number of obs
F(4, 155)
Prob > F
R-squared
Adj R-squared
Root MSE
P > |t|
0.000
11
=
=
=
=
=
=
160
7.24
0.0000
0.1575
0.1357
0.19792
[95% conf. interval]
.7790137 2.092099
CR
tdr
SIZE
_CONS
.0176582
.0448952
-2.33e-10
.0344034
.0284316
.143756
6.87e-10
.1269259
0.62
0.31
-0.34
0.27
0.535
0.755
0.735
0.787
-.0385052
-.2390785
-1.59e-09
-.2163244
.0738216
.3288689
1.12e-09
.2851312
Bảng 4.4: Thông số trong mô hình Pooled OLS
Nguồn: kết quả thu được từ phần mềm Stata 17
Từ bảng 4.4, ta có hệ số R2 hiệu chỉnh là 0.1575. Điều này có ý nghĩa là: mô hình mẫu
mà tác giả xây dựng không giải thích được nhiều về việc các biến độc lập thực sự quyết
định được hiệu quả hoạt động của các doanh nghiệp nghành công nghệ tại Việt Nam,
khi mà chỉ giải thích được 15.75%.
Kết quả P > |t| từ mô hình hồi quy tuyến tính Pooled OLS cũng cho biết những biến độc
lập nào có ý nghĩa thống kê, nếu P > |t| có giá trị lớn hơn 0.05 thì không có ý nghĩa thống
kê. Chỉ có biến ROS có ý nghĩa thống kê vì giá trị P > |t| = 0, còn lại 3 biến CR, TDR
và SIZE đều không có ý nghĩa thống kê. Như vậy, so với ma trận hệ số tương quan, thì
hồi quy tuyến tính Pooled OLS cho ra nhiều biến không có ý nghĩa thống kê hơn.
Hệ số chuẩn hóa (Coefficient) của biến ROS, CR và TDR thể hiện mối quan hệ cùng
chiều với biến phụ thuộc ROE. Như vậy, mô hình Pooled OLS tiếp tục cho ra các kết
quả (có ý nghĩa thống kê) có sự tương quan với biến phụ thuộc giống như sự kỳ vọng
của tác giả.
4.5. Kiểm định Hausman
ROS
CR
TDR
SIZE
(b)
fem
1.381233
.0231306
-.3192409
5.68e-09
(B)
rem
1.362335
.0351299
.0166003
3.06e-10
(b-B)
Difference
.018898
-.0119993
-.3358412
5.38e-09
sqrt(diag(V_b-V_B))
Std. err.
.1000513
.0367924
.2737422
2.17e-09
b = Consistent under H0 and Ha; obtained from xtreg.
B = Inconsistent under Ha, efficient under H0; obtained from xtreg.
Test of H0: Difference in coefficients not systematic
chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 4.48
Prob > chi2 = 0.2145
Bảng 4.5: Kiểm định Hausman
Nguồn: kết quả thu được từ phần mềm Stata 17
12
Tác giả tiếp tục thực hiện kiểm định Hausman để lựa chọn giữa mô hình FEM và mô
hình REM, sau đó quyết định mô hình nào sẽ phù hợp hơn cho bài nghiên cứu. Kết quả
kiểm định từ Bảng 4.5 cho thấy bài nghiên cứu phù hợp hơn với mô hình REM vì giá trị
p-value = 0.2145 > 0.05.
4.6 Kiểm định hiện tượng phương sai thay đổi
Breusch and Pagan Lagrangian multiplier test for random effects
ROE[mahoack,t] = Xb + u[mahoack] + e[mahoack,t]
Estimated results:
ROE
e
u
Var
.0453259
.0313169
.0076352
SD = sqrt(Var)
.2128988
.1769658
.0873796
Test: Var(u) = 0
chibar2(01) = 10.30
Prob > chibar2 = 0.0007
Bảng 4.6: Kiểm định Breusch and Pagan
Nguồn: kết quả thu được từ phần mềm Stata 17
Do mô hình REM được lựa chọn nên tác giả kiểm tra hiện tượng phương sai thay đổi
bằng kiểm định Breusch and Pagan (Bảng 4.6), kết quả p-value = 0.0007 < 0.05, suy ra
mô hình REM xảy ra hiện tượng phương sai thay đổi.
4.7. Kiểm định hiện tượng tự tương quan
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F ( 1, 19)
= 33.990
Prob > F
= 0.0000
Bảng 4.7: Kiểm định Wooldridge
Nguồn: kết quả thu được từ phần mềm Stata 17
Kết quả p-values là 0.0000 < 0.05. Do đó mô hình REM trong giai đoạn COVID-19 có
hiện tượng tự tương quan.
13
4.8. Hiển thị cả 4 mô hình vừa chạy để so sánh kết quả
(pool)
(fem)
(rem)
(robust)
ROE
ROE
ROE
ROE
1.436***
1.381***
1.362***
1.362***
(4.32)
(4.05)
(4.18)
(3.62)
0.0177
0.0231
0.0351
0.0351
(0.62)
(0.45)
(0.98)
(1.05)
0.0449
-0.319
0.0166
0.0166
(0.31)
(-0.95)
(0.08)
(0.09)
-2.33e-10
5.68e-09*
3.06e-10
3.06e-10
(-0.34)
(2.43)
(0.35)
(0.60)
0.0344
0.187
0.0232
0.0232
(0.27)
(0.68)
(0.14)
(0.15)
N
160
160
160
160
R-sq
0.157
0.184
ROS
CR
TDR
SIZE
_CONS
t statistics in parentheses
* p<0.05, ** p<0.01, *** p<0.001
Bảng 4.8: Bảng so sánh kết quả hồi quy của 4 mô hình
Nguồn: kết quả thu được từ phần mềm Stata 17
Để khắc phục được hiện tượng phương sai thay đổi và hiện tượng tự tương quan của
REM, tác giả sử dụng mô hình sai số chuẩn mạnh (Robust Standard Errors). Sau đó tóm
tắt kết quả hồi quy của cả 4 mô hình bao gồm (Pooled OLS, FEM, REM và Robust
Standard Errors) trong Bảng 4.8. Tác giả quyết định sử dụng mô hình Robust Standard
Errors để phân tích tác động của các biến độc lập lên biến phụ thuộc.
14
Trong giai đoạn diễn ra đại dịch Covid, có sự khác biệt giữa mức ý nghĩa thống kê của
các biến, trong khi ROS có ý nghĩa thống kê và có sự tác động cùng chiều so với biến
phụ thuộc ROE, do đó tác giả quyết giữ quan điểm như phân tích trước đó, điều này còn
cho thấy dù đại dịch Covid diễn biến phức tạp nhưng các doanh nghiệp nghành công
nghệ vẫn hoạt động có hiệu quả, có sức khỏe tài chính tốt và có mức cân đối tài chính
giữa: Doanh thu, vốn chủ sở hữu và tài sản.
Ngoài ra, biến SIZE cũng có sự tương quan dương với ROE, doanh nghiệp có quy mô
tài sản càng lớn càng có hiệu quả hoạt động kinh doanh tốt, bởi doanh nghiệp có thể sử
dụng nguồn lực của mình để phục vụ cho lợi ích của mình, tạo ra lợi nhuận. Kết quả này
phù hợp với nghiên cứu trước đó của García-Teruel và Martinez-Solano (2007), Deloof
(2003), Lazaridis và Tryfonidis (2006).
Bên cạnh đó, cùng với sự kỳ vọng ban đầu của tác giả, đòn bẩy tài chính có mối quan
hệ ngược chiều với tỷ suất sinh lời. Tuy rằng đòn bẩy tài chính cao có thể giúp doanh
nghiệp gia tăng được lợi nhuận và hiệu quả hoạt động, nhưng điều này chỉ hợp lý khi
doanh nghiệp có sức khỏe tài chính tốt, có năng lực cạnh tranh và có sự quản lý tốt của
ban quản trị, giai đoạn diễn biến dịch COVID-19 đã gây khó khăn trong việc kêu gọi
vốn, các chính sách tín dụng thắt chặt khiến cho các ngân hàng ngại cho vay, hoạt động
sản xuất kinh doanh bị tạm ngưng khiến cho cả cung và cầu đều giảm. Do vậy, việc sử
dụng đòn bẩy tài chính (TDR) trong giai đoạn này thực sự không chỉ không đem lại hiệu
quả mà còn có tác động ngược chiều đến hiệu quả hoạt động.
Biến CR không có ý nghĩa thống kê khi cho ra giá trị p-value > 0.05.
CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
Thông qua kết quả từ việc thực hiện hồi quy tuyến tính giữa các biến độc lập lên biến
phụ thuộc ROE, các biến mà tác giả đề xuất ít nhiều cũng tác động lên hiệu quả hoạt
động của doanh nghiệp. Trong đó, dễ dàng nhận thấy nhất là biến ROS. Để tăng hiệu
quả hoạt động của các doanh nghiệp nghành công nghệ, tác giả đề xuất phải tăng được
chỉ số ROS. Muốn tăng được ROS, doanh nghiệp phải tính toán được các khoản chi phí
sao cho phù hợp, sử dụng biện pháp tránh các khoản thuế phải đóng cho nhà nước,…
Trong đại dịch, các khoản chi nhân công, chi phí quản lý sẽ giảm xuống do chính sách
cách ly, nên các doanh nghiệp sẽ tiết kiệm được kha khá khoản tổn thất này, tuy nhiên
chính vì vậy mà hiệu quả đi kèm cũng giảm xuống do doanh thu bán hàng giảm, hàng
tồn kho chất đống, do đó các doanh nghiệp nên có sự chuyển hướng về các kênh bán
hàng mới. Ngoài ra, các biến TDR, SIZE cũng có tác động tới ROE, nhưng mà là tác
động ngược chiều. Vì điều kiện kinh tế khó khăn do đại dịch, tác giả đề xuất các doanh
nghiệp nên hạn chế sử dụng đòn bẩy tài chính nếu cấu trúc vốn của doanh nghiệp không
đủ vững để có thể chịu đựng các khoản chi phí lãi cao.
Nghiên cứu này của tác giả còn nhiều hạn chế, do dữ liệu thu thập chưa đủ lớn và còn
xảy ra hiện tượng đa cộng tuyến, có biến còn không có ý nghĩa thống kê. Mẫu thu thập
chỉ được 20 doanh nghiệp thuộc nghành công nghệ tại Việt Nam, do đó chưa thể đại
diện cho tổng thể 100%. Nếu có thời gian thêm và cơ hội nghiên cứu thêm, tác giả sẽ
tiếp tục thu thập thêm và đưa ra mô hình đề xuất phù hợp hơn để đánh giá hiệu quả hoạt
động của công ty có thực sự phụ thuộc vào các biến độc lập hay không.
15
TÀI LIỆU THAM KHẢO
1.
Alarussi, A. S., & Alhaderi, S. M. (2020). Factors affecting profitability in
Malaysia. Journal of Economic Studies.
2.
AlGhusin, N. A. S. (2015). The impact of financial leverage, growth, and SIZE
on profitability of Jordanian industrial listed companies. Research journal of Finance
and Accounting, 6(16), 86-93.
3.
Babalola, Y. A., & Abiola, F. R. (2013). Financial ratio analysis of firms: A tool
for decision making. International journal of management sciences, 1(4), 132-137.
4.
Bolek, M., Wilinski, W. (2012), The influence of liquidity on profitability of
polish construction sector companies. Financial Internet Quarterly, 8(1), 77-89.
5.
Chander, S., & Aggarwal, P. (2008). Determinants of corporate profitability: An
empirical study of Indian drugs and pharmaceutical industry. Paradigm, 12(2), 51-61.
6.
Chu, T. T. T., Nguyen, H. T., & Ngo, Q. T. (2015). Phân tích các nhân tố ảnh
hưởng đến hiệu quả tài chính: Nghiên cứu điển hình tại các doanh nghiệp cổ phần phi
tài chính niêm yết trên sở giao dịch chứng khoán Thành phố Hồ Chí Minh [Analyisis of
factors affecting financial performance: A case study in non-financial joint-stock
companies listed on the Ho Chi Minh City stock exchange]. Tạp chí Kinh tế và Phát
triển, 215, 33-38.
7.
Deloof, M. (2003). Does working capital management affect profitability of
Belgian firms?. Journal of business finance & Accounting, 30(3‐4), 573-588.
8.
Gul và cộng sự (2011), Ongore và Kusa (2013), Ayaydın và Karakaya (2014)
9.
Handoo, A., & Sharma, K. (2014). A study on determinants of capital structure
in India. IIMB Management review, 26(3), 170-182.
10.
Herciu, M., Ogrean, C., & Belascu, L. (2011). A Du Pont analysis of the 20 most
profitable companies in the world. Group, 13(1.58), 18-93.
11.
Kebewar, M. (2013). The effect of debt on corporate profitability: Evidence from
French service sector. arXiv preprint arXiv:1301.0072.
12.
Khanh, N. T. (2016). Sử dụng mô hình Dupont phân tích tài chính các doanh
nghiệp ngành dầu khí được niêm yết trên thị trường chứng khoán. KT&PT, số, 239, 5664.
13.
Lesakova, L. (2007, June). Uses and limitations of profitability ratio analysis in
managerial practice. In International Conference on Management, Enterprise and
Benchmarking (Vol. 259).
14.
Malik, H. (2011). Determinants of insurance companies profitability: an analysis
of insurance sector of Pakistan. Academic research international, 1(3), 315.
15.
Ngọc, N. T., Linh, Đ. T. T., & Hà, N. T. NGHIÊN CỨU CÁC NHÂN TỐ ẢNH
HƯỞNG ĐẾN TỶ SUẤT SINH LỢI CỦA CÁC DOANH NGHIỆP TRONG NHÓM
NGÀNH DẦU KHÍ NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM.
16
16.
Odusanya, I. A., Yinusa, O. G., & Ilo, B. M. (2020). Determinants of firm
profitability in Nigeria: Evidence from dynamic panel models. SPOUDAI-Journal of
Economics and Business, 68(1), 43-58.
17.
Panigrahi, C. M. A. (2013). Relationship between inventory management and
profitability: An empirical analysis of Indian cement companies. Asia Pacific Journal of
Marketing & Management Review, 2(7).
18.
Saleem, Q., & Rehman, R. U. (2011). Impacts of liquidity ratios on
profitability. Interdisciplinary journal of research in business, 1(7), 95-98.
19.
Sivathaasan, N., Tharanika, R., Sinthuja, M., & Hanitha, V. (2013). “Factors
determining profitability: a study of selected manufacturing companies listed on
Colombo Stock Exchange in Sri Lanka”. European Journal of Business and
Management, Vol. 5, No. 27
20.
Tangen, S. (2003). An overview of frequently used performance measures. Work
study, 52(7), 347-354.
21.
Vatavu, S. (2015). Determinants of return on assets in Romania: A principal
component analysis. Timisoara Journal of Economics and Business, 8(1), 32-47.
17