Giới thiệu dự án

Trong bối cảnh nền kinh tế toàn cầu và Việt Nam trải qua giai đoạn biến động mạnh (2018–2022) do tác động kép từ đại dịch COVID-19, đứt gãy chuỗi cung ứng logistics và xung đột địa chính trị làm leo thang giá nguyên liệu, các doanh nghiệp sản xuất niêm yết (DNSX) phải đối mặt với áp lực tài chính nghiêm trọng. Theo Tổng cục Thống kê (GSO), chỉ số sản xuất công nghiệp (IIP) đầu năm 2023 sụt giảm 2,2% so với cùng kỳ, giá trị tăng thêm ngành chế biến chế tạo giảm 0,82%, biên lợi nhuận ròng của toàn ngành bị bào mòn bởi chi phí đầu vào và chi phí vốn vay tăng cao.

Vấn đề cốt lõi đặt ra là: Việc lạm dụng đòn bẩy tài chính (Financial Leverage) nhằm tìm kiếm lợi ích từ "lá chắn thuế" (Tax Shield) đang đẩy các doanh nghiệp vào tình trạng rủi ro kiệt quệ tài chính (Financial Distress) hay thực sự tối ưu hóa được tỷ suất sinh lời? Đề tài "Ảnh hưởng của đòn bẩy tài chính đến khả năng sinh lời của các doanh nghiệp ngành sản xuất niêm yết tại Việt Nam" do sinh viên Nguyễn Thị Thùy Linh thực hiện dưới sự hướng dẫn của TS. Nguyễn Thị Hồng Thúy (Trường Đại học Kinh tế – ĐHQGHN) giải quyết bài toán định lượng cấu trúc vốn và hiệu quả hoạt động thông qua dữ liệu bảng đa chiều.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về cấu trúc vốn, đòn bẩy tài chính, khả năng sinh lời và các lý thuyết tài chính hiện đại (Trade-off Theory, Pecking Order Theory, Net Income Theory).
  2. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm lượng hóa chính xác mức độ tác động của đòn bẩy đến ROA (Return on Assets) và ROE (Return on Equity).
  3. Đánh giá thực trạng cấu trúc tài chính của 180 DNSX niêm yết trên HOSE và HNX trong chu kỳ 5 năm (2018–2022) với 900 quan sát.
  4. Đề xuất giải pháp tái cơ cấu nợ, tối ưu hóa điểm cân bằng vốn và kiểm soát chi phí lãi vay theo khung pháp lý Nghị định 132/2020/NĐ-CP.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 180 doanh nghiệp sản xuất niêm yết trên sàn HOSE và HNX.
  • Thời gian: 2018–2022 (bao trùm giai đoạn trước, trong và hậu COVID-19).
  • Giới hạn kỹ thuật: Không bao gồm các doanh nghiệp thuộc ngành tài chính, ngân hàng, bảo hiểm, bất động sản do đặc thù cấu trúc báo cáo tài chính khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu trước đây về tác động của đòn bẩy tài chính phân hóa thành hai luồng quan điểm trái chiều: luồng ủng hộ Lý thuyết đánh đổi cấu trúc vốn (tác động tích cực nhờ lá chắn thuế) và luồng ủng hộ Lý thuyết trật tự phân hạng (tác động tiêu cực do bất đối xứng thông tin và chi phí kiệt quệ tài chính).

Nghiên cứu tiêu biểu Mẫu & Thời gian Phương pháp ước lượng Kết quả thực nghiệm Ưu điểm & Hạn chế
Zhao (2012) 62 DN Sri Lanka (2007–2009) Pooled OLS Đòn bẩy tác động dương (+) tới tăng trưởng lợi nhuận Mẫu nhỏ, chưa xử lý hiện tượng phương sai thay đổi
Rahman et al. (2020) 22 DN dệt may Bangladesh (2011–2015) FEM, REM, GMM Đòn bẩy tác động âm (-) tới ROA, ROE Sử dụng GMM tốt nhưng phạm vi hẹp trong ngành dệt may
Lê Hoàng Vinh (2022) DN phi tài chính VN (2010–2020) GMM 2 bước Tác động phi tuyến hình chữ U ngược Phân tích phi tuyến sâu nhưng chưa bóc tách nhóm DNSX hậu COVID-19
Mô hình đề xuất (2023) 180 DNSX Việt Nam (2018–2022) Pooled OLS, FEM, REM, FGLS Đòn bẩy tác động âm (-) rõ nét lên ROA, ROE Khắc phục triệt để phương sai thay đổi và tự tương quan

Thiết kế hệ thống mô hình kinh tế lượng

Mô hình hồi quy đa biến được thiết lập dưới dạng hàm tuyến tính toán học:

$$\text{ROA}{it} = \beta_0 + \beta_1 \text{DA}{it} + \beta_2 \text{DE}{it} + \beta_3 \text{ICR}{it} + \beta_4 \text{SGR}{it} + \beta_5 \text{SIZE}{it} + \beta_6 \text{QR}{it} + \epsilon{it}$$

$$\text{ROE}{it} = \alpha_0 + \alpha_1 \text{DA}{it} + \alpha_2 \text{DE}{it} + \alpha_3 \text{ICR}{it} + \alpha_4 \text{SGR}{it} + \alpha_5 \text{SIZE}{it} + \alpha_6 \text{QR}{it} + u{it}$$

Ma trận biến số và định nghĩa đo lường

Ký hiệu Tên biến Công thức đo lường Kỳ vọng dấu Cơ sở lý thuyết
ROA Tỷ suất sinh lời trên tài sản $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$ Phụ thuộc DuPont Analysis
ROE Tỷ suất sinh lời trên VCSH $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu}$ Phụ thuộc DuPont Analysis
DA Hệ số nợ trên tổng tài sản $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$ $(-)$ Pecking Order Theory
DE Hệ số nợ trên vốn chủ sở hữu $\text{Tổng nợ phải trả} / \text{Vốn chủ sở hữu}$ $(-)$ Trade-off Theory
ICR Hệ số khả năng trả lãi $\text{EBIT} / \text{Chi phí lãi vay}$ $(+)$ Financial Safety Ratio
SIZE Quy mô doanh nghiệp $\ln(\text{Tổng tài sản})$ $(+)$ Economies of Scale
SGR Tốc độ tăng trưởng doanh thu $(\text{Doanh thu}t - \text{Doanh thu}{t-1}) / \text{Doanh thu}_{t-1}$ $(+)$ Market Growth Theory
QR Tỷ số thanh toán nhanh $(\text{Tài sản ngắn hạn} - \text{Hàng tồn kho}) / \text{Nợ ngắn hạn}$ $(+)$ Liquidity Preference

Methodology

Quy trình nghiên cứu định lượng tuân thủ nghiêm ngặt 5 bước:

  1. Tiền xử lý dữ liệu: Thu thập báo cáo tài chính đã kiểm toán từ cơ sở dữ liệu Vietstock và FiinPro; tiến hành Winsorization ở mức 1% và 99% để loại bỏ giá trị ngoại lai (outliers).
  2. Thống kê mô tả & Phân tích tương quan Pearson: Xác định giá trị trung bình, độ lệch chuẩn, kiểm tra sơ bộ mối liên hệ tuyến tính.
  3. Kiểm định đa cộng tuyến (Multicollinearity): Tính toán hệ số phóng đại phương sai (VIF - Variance Inflation Factor).
  4. Lựa chọn mô hình tối ưu: Thực hiện kiểm định Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) kết hợp kiểm định Hausman Test.
  5. Kiểm định và khắc phục khuyết tật: Sử dụng Modified Wald Test (phương sai sai số thay đổi) và Wooldridge Test (tự tương quan), sau đó hiệu chỉnh bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).

Implementation và kết quả

Development process & Code thực thi

Toàn bộ quá trình xử lý dữ liệu và ước lượng mô hình được lập trình tự động trên nền tảng Stata 17.0 MP và script kiểm chứng bằng Python 3.10 (statsmodels, linearmodels).

* ==============================================================================
* STATA SCRIPT: PHAN TICH DU LIEU BANG DNSX VIET NAM (2018 - 2022)
* Author: Nguyen Thi Thuy Linh (VNU-UEB)
* ==============================================================================

* 1. Khai bao cau truc du lieu bang
clear all
import excel "DNSX_2018_2022_Final.xlsx", sheet("Data") firstrow
destring firm_id year ROA ROE DA DE ICR SIZE SGR QR, replace
xtset firm_id year

* 2. Thong ke mo ta va he so tuong quan
summarize ROA ROE DA DE ICR SIZE SGR QR, detail
pwcorr ROA ROE DA DE ICR SIZE SGR QR, sig star(0.05)

* 3. Uoc luong mo hinh OLS va kiem tra da cong tuyen
regress ROA DA DE ICR SIZE SGR QR
vif

* 4. Uoc luong mo hinh Tac dong co dinh (FEM) va Ngau nhien (REM)
xtreg ROA DA DE ICR SIZE SGR QR, fe
estimates store fixed_roa

xtreg ROA DA DE ICR SIZE SGR QR, re
estimates store random_roa

* 5. Kiem dinh Hausman lua chon FEM vs REM
hausman fixed_roa random_roa

* 6. Kiem dinh khuyet tat mo hinh FEM
xtreg ROA DA DE ICR SIZE SGR QR, fe
xttest3                          /* Kiem dinh Phuong sai sai so thay doi */
xtserial ROA DA DE ICR SIZE SGR QR /* Kiem dinh Tu tuong quan */

* 7. Uoc luong mo hinh FGLS khac phuc toan dien khuyet tat
xtgls ROA DA DE ICR SIZE SGR QR, panels(hetero) corr(ar1)
xtgls ROE DA DE ICR SIZE SGR QR, panels(hetero) corr(ar1)

Tương đương trong Python cho việc kiểm định tự động:

import pandas as pd
import numpy as np
from linearmodels.panel import PanelOLS, RandomEffects
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Load and clean dataset
df = pd.read_excel('DNSX_2018_2022_Final.xlsx')
df = df.set_index(['firm_id', 'year'])

# VIF Check
X_vars = ['DA', 'DE', 'ICR', 'SIZE', 'SGR', 'QR']
vif_data = pd.DataFrame()
vif_data["Variable"] = X_vars
vif_data["VIF"] = [variance_inflation_factor(df[X_vars].values, i) for i in range(len(X_vars))]
print(vif_data)

# Panel Estimation with Robust Covariance
mod_fe = PanelOLS(df['ROA'], df[X_vars], entity_effects=True)
res_fe = mod_fe.fit(cov_type='clustered', cluster_entity=True)
print(res_fe.summary)

Testing và validation

1. Thống kê mô tả các biến số nghiên cứu (N = 900)

  • ROA: Trung bình đạt $0.0612$ (6.12%), độ lệch chuẩn $0.0584$, biên độ dao động từ $-0.1820$ đến $0.3421$.
  • ROE: Trung bình đạt $0.1145$ (11.45%), độ lệch chuẩn $0.0982$, giá trị nhỏ nhất $-0.3210$, cao nhất $0.4850$.
  • DA (Nợ/Tổng tài sản): Trung bình ở mức $0.4682$ (46.82%), cho thấy gần một nửa tài sản của các DNSX được tài trợ bằng nợ phải trả.
  • DE (Nợ/Vốn chủ sở hữu): Trung bình $1.1240$, phản ánh mức độ đòn bẩy tài chính tương đối cao.
  • VIF Test: Tất cả hệ số VIF đều nằm trong khoảng $1.18 - 2.85$ (Mean VIF = $1.74 < 5.0$), chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.

2. Kết quả kiểm định lựa chọn mô hình và khuyết tật

Loại kiểm định Tên kiểm định Giả thuyết $H_0$ Giá trị thống kê P-value Kết luận
Lựa chọn FEM/REM Hausman Test Sai số ngẫu nhiên không tương quan biến độc lập $\chi^2(6) = 48.72$ $0.0000 < 0.05$ Bác bỏ $H_0$, chọn FEM
Phương sai sai số Modified Wald Test Phương sai sai số không đổi giữa các đơn vị $\chi^2(180) = 14285.3$ $0.0000 < 0.05$ Có phương sai thay đổi
Tự tương quan Wooldridge Test Không tồn tại tự tương quan bậc nhất AR(1) $F(1, 179) = 38.64$ $0.0000 < 0.05$ Có tự tương quan

Kết quả đạt được (Ước lượng FGLS)

Sau khi xử lý khuyết tật bằng mô hình FGLS (Cross-sectional heteroskedasticity and first-order autocorrelation), kết quả ước lượng cho thấy độ tin cậy vượt trội:

Biến độc lập Mô hình (1): Phụ thuộc ROA Mô hình (2): Phụ thuộc ROE
Hệ số hồi quy ($\beta$) P-value ($z$) Hệ số hồi quy ($\alpha$) P-value ($z$)
Hệ số chặn (Const) $-0.0984^{***}$ $0.001$ $-0.1842^{***}$ $0.000$
DA $-0.0842^{***}$ $0.000$ $-0.1125^{***}$ $0.000$
DE $-0.0128^{**}$ $0.024$ $-0.0315^{***}$ $0.002$
ICR $+0.0018^{***}$ $0.004$ $+0.0032^{***}$ $0.001$
SIZE $+0.0185^{***}$ $0.000$ $+0.0312^{***}$ $0.000$
SGR $+0.0241^{***}$ $0.000$ $+0.0458^{***}$ $0.000$
QR $+0.0112^{**}$ $0.018$ $+0.0184^{**}$ $0.031$
Wald $\chi^2$ $486.35^{}$* $0.0000$ $612.40^{}$* $0.0000$
Số quan sát (N) $900$ $900$

(Ghi chú: $^{}$, $^{}$ biểu thị mức ý nghĩa thống kê lần lượt tại 1% và 5%).*

Đổi mới và đóng góp

  1. Khẳng định tính ưu thế của Lý thuyết trật tự phân hạng trong khủng hoảng: Kết quả chứng minh hệ số hồi quy của tỷ lệ nợ (DA: $\beta = -0.0842$, $p < 0.01$; DE: $\alpha = -0.0315$, $p < 0.01$) đều mang dấu âm có ý nghĩa thống kê vững. Điều này bác bỏ giả thiết cho rằng việc tăng nợ vay giúp nâng cao ROA/ROE thông qua lá chắn thuế trong giai đoạn 2018–2022.
  2. Định lượng tác động của quy mô và tăng trưởng: Biến quy mô ($\text{SIZE}: \beta = +0.0185$) và tăng trưởng doanh thu ($\text{SGR}: \beta = +0.0241$) đóng vai trò then chốt bù đắp sự sụt giảm lợi nhuận từ gánh nặng chi phí vốn.
  3. Tiếp cận phương pháp khắc phục khuyết tật dữ liệu toàn diện: Không dừng lại ở mô hình OLS giản đơn hay FEM/REM cơ bản, nghiên cứu triển khai mô hình FGLS xử lý đồng thời hai khuyết tật cố hữu của dữ liệu bảng tài chính tại thị trường mới nổi.

Ứng dụng thực tế và triển khai

Khuyến nghị quản trị tài chính doanh nghiệp

  • Kiểm soát ngưỡng trần đòn bẩy: Các DNSX cần duy trì hệ số nợ trên tổng tài sản ($DA$) ở mức an toàn dưới $40% - 45%$. Khi vượt ngưỡng này, chi phí kiệt quệ tài chính sẽ triệt tiêu hoàn toàn lợi ích của lá chắn thuế.
  • Tối ưu hóa vốn lưu động: Nâng cao tỷ số thanh toán nhanh ($QR > 1.2$) thông qua việc đẩy nhanh tốc độ luân chuyển hàng tồn kho và thắt chặt chính sách bán chịu, tránh để dòng tiền bị chiếm dụng.
  • Tuân thủ quy định thuế thu nhập doanh nghiệp: Theo dõi chặt chẽ trần chi phí lãi vay được trừ khi tính thuế TNDN (không quá 30% EBITDA theo Nghị định 132/2020/NĐ-CP) để tránh phát sinh chi phí thuế ngoài dự toán.

Lộ trình tái cấu trúc vốn (12 - 24 tháng)

Giai đoạn 1: Rà soát & Tái cấu trúc ngắn hạn (Tháng 1 - 6)

Giai đoạn 2: Tối ưu hóa chu chuyển vốn lưu động (Tháng 7 - 12)

Giai đoạn 3: Đa dạng hóa kênh huy động vốn (Tháng 13 - 24)

Hạn chế và hướng phát triển

  • Hạn chế: Mẫu nghiên cứu chỉ giới hạn ở 180 DNSX niêm yết có dữ liệu liên tục 5 năm; chưa phân tách sâu sắc theo từng tiểu ngành sản xuất chuyên biệt (như cơ khí chế tạo, hóa chất, dệt may, vật liệu xây dựng).
  • Hướng phát triển:
    1. Ứng dụng mô hình hồi quy phân vị (Quantile Regression) và Generalized Method of Moments (GMM 2 bước) nhằm kiểm soát yếu tố nội sinh tiềm ẩn ($Endogeneity$).
    2. Mở rộng biến số vĩ mô: Tỷ lệ lạm phát (CPI), tăng trưởng GDP thực tế và biến động tỷ giá hối đoái giai đoạn 2023–2026.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu hình nghiên cứu định lượng chuẩn mực, script Stata/Python thực chiến để phân tích dữ liệu bảng trong kinh tế tài chính.
  • Nhà quản trị tài chính (CFO): Có căn cứ khoa học chính xác để thiết lập chính sách đòn bẩy mục tiêu và quản trị rủi ro thanh khoản.
  • Nhà đầu tư chứng khoán: Bộ chỉ số định lượng giúp sàng lọc các doanh nghiệp sản xuất có chất lượng cấu trúc vốn lành mạnh, tránh bẫy các cổ phiếu sử dụng đòn bẩy vượt ngưỡng rủi ro.
  • Cơ quan quản lý thị trường: Cơ sở thực chứng để đánh giá sức khỏe tài chính của khu vực sản xuất công nghiệp và hoàn thiện cơ chế điều tiết thuế/tín dụng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn FGLS thay vì Pooled OLS hay FEM?

Mô hình Pooled OLS bỏ qua tính không đồng nhất của từng doanh nghiệp. Mô hình FEM xử lý được yếu tố cố định nhưng khi gặp hiện tượng phương sai thay đổi ($p < 0.0001$) và tự tương quan ($p < 0.0001$), các ước lượng FEM bị chệch và không còn hiệu quả (không phải BLUE). FGLS là công cụ tối ưu khắc phục toàn bộ các khuyết tật này để đưa ra hệ số tin cậy.

2. Tại sao đòn bẩy tài chính lại tác động tiêu cực đến ROA và ROE của DNSX giai đoạn 2018–2022?

Trong giai đoạn 2018–2022, lãi suất vay có xu hướng tăng cao, các cú sốc chuỗi cung ứng làm chi phí đầu vào tăng vọt và doanh thu sụt giảm. Khi đó, gánh nặng chi phí lãi vay cố định vượt qua khả năng sinh lời hoạt động (EBIT), dẫn đến việc nợ vay làm giảm mạnh lợi nhuận ròng sau thuế.

3. Quy mô doanh nghiệp (SIZE) tác động như thế nào đến khả năng sinh lời?

Biến quy mô mang hệ số dương ($\beta = +0.0185$, $p < 0.001$). Doanh nghiệp sản xuất có quy mô tài sản lớn tận dụng được lợi thế kinh tế nhờ quy mô (Economies of Scale), tối ưu hóa định phí sản xuất trên từng đơn vị sản phẩm và có khả năng đàm phán chi phí đầu vào tốt hơn.

Kết luận

Công trình khóa luận tốt nghiệp của tác giả Nguyễn Thị Thùy Linh đã làm sáng tỏ mối quan hệ thực chứng giữa đòn bẩy tài chính và khả năng sinh lời của 180 doanh nghiệp sản xuất niêm yết tại Việt Nam giai đoạn 2018–2022. Kết quả từ mô hình kinh tế lượng FGLS khẳng định đòn bẩy tài chính (cả theo tỷ lệ nợ trên tổng tài sản DA và tỷ lệ nợ trên vốn chủ sở hữu DE) có tác động ngược chiều mạnh mẽ đến ROA và ROE, ủng hộ vững chắc Lý thuyết trật tự phân hạng trong bối cảnh nền kinh tế đối mặt với các cú sốc vĩ mô. Nghiên cứu cung cấp hệ thống luận cứ khoa học và giải pháp thực tiễn giúp các doanh nghiệp ngành sản xuất chủ động tái cấu trúc vốn, quản trị an toàn thanh khoản và duy trì tăng trưởng bền vững.