Giới thiệu dự án

Thị trường bất động sản khu công nghiệp (BĐS KCN) Việt Nam đang trải qua giai đoạn chuyển mình mạnh mẽ dưới tác động của làn sóng dịch chuyển chuỗi cung ứng toàn cầu hậu đại dịch COVID-19 và sự gia tăng kỷ lục của dòng vốn đầu tư trực tiếp nước ngoài (FDI). Theo số liệu từ Bộ Kế hoạch và Đầu tư, Việt Nam tiếp tục duy trì mức tăng trưởng thu hút vốn FDI ấn tượng, trong đó tỷ trọng giải ngân vào lĩnh vực công nghiệp chế biến, chế tạo và phát triển cơ sở hạ tầng chiếm trên 60% tổng vốn đăng ký. Đứng trước cơ hội này, việc đánh giá năng lực nội tại và dự báo độ an toàn tài chính của các định chế phát triển hạ tầng quy mô lớn trở thành ưu tiên hàng đầu của các nhà đầu tư tổ chức và ngân hàng thương mại.

Đề tài "Dự báo sức khỏe tài chính của Tổng Công ty Phát triển Đô thị Kinh Bắc" (Mã chứng khoán: KBC) được thực hiện nhằm giải quyết bài toán định lượng rủi ro thanh khoản và định giá giá trị nội tại cho một trong những doanh nghiệp đầu ngành BĐS KCN Việt Nam — đơn vị đang trực tiếp quản lý và vận hành hơn 5.278 ha đất KCN (chiếm ~5,5% tổng diện tích đất KCN cả nước) cùng hơn 938,6 ha đất khu đô thị dịch vụ.

Vấn đề thực tiễn và bài toán nghiên cứu

Đặc thù kinh doanh của doanh nghiệp BĐS KCN như KBC là chu kỳ dự án kéo dài, chi phí giải phóng mặt bằng ban đầu rất lớn đòi hỏi đòn bẩy tài chính cao, trong khi dòng tiền ghi nhận doanh thu phụ thuộc vào tiến độ bàn giao đất và chu kỳ cấp phép FDI. Sự mất cân đối kỳ hạn giữa nợ vay ngắn hạn tài trợ cho tài sản dở dang dài hạn tạo ra rủi ro thanh khoản tiềm ẩn nếu thị trường đóng băng hoặc phát sinh rào cản pháp lý. Do đó, các phương pháp phân tích tài chính tĩnh thông thường không thể phản ánh chính xác rủi ro kiệt quệ tài chính (financial distress) hay xác suất vỡ nợ ngắn hạn.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung phân tích tài chính doanh nghiệp kết hợp mô hình phân tích biệt số đa biến (Multivariate Discriminant Analysis - MDA) và các phương pháp chiết khấu dòng tiền nâng cao.
  2. Đánh giá thực trạng tài chính KBC (2017–2020): Bóc tách cấu trúc doanh thu, phân tích vòng quay vốn, biên lợi nhuận, cấu trúc chi phí và chất lượng dòng tiền thuần từ hoạt động kinh doanh ($OCF$) khi đối sánh trực tiếp với các đối thủ cùng ngành như IDICO (IDC) và Sonadezi (SNZ).
  3. Mô hình hóa và dự báo phá sản: Ứng dụng mô hình Altman Z-Score và Z''-Score hiệu chỉnh để xác định chỉ số an toàn tài chính giai đoạn 2021–2024.
  4. Định giá giá trị thực: Xác định giá trị nội tại của cổ phiếu KBC thông qua phương pháp Dòng tiền tự do cho vốn chủ sở hữu (FCFE) và Chiết khấu dòng tiền doanh nghiệp (FCFF) dựa trên mô hình định giá tài sản vốn (CAPM).
  5. Đề xuất khuyến nghị: Cung cấp giải pháp tối ưu hóa cơ cấu vốn và quản trị rủi ro nợ vay cho doanh nghiệp.

Phạm vi và giới hạn đề tài

  • Phạm vi không gian: Tổng Công ty Phát triển Đô thị Kinh Bắc - CTCP và hệ thống 9 công ty con, công ty liên kết tiêu biểu (KCN Sài Gòn - Bắc Giang, KCN Sài Gòn - Hải Phòng, KĐT Tràng Cát, KCN Tân Phú Trung...).
  • Phạm vi thời gian: Dữ liệu tài chính kiểm toán giai đoạn 2017–2020; dữ liệu vĩ mô và dự báo chu kỳ tài chính giai đoạn 2021–2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh hiệu quả hoạt động và cấu trúc chi phí của KBC với các đối thủ quy mô tương đương trong ngành BĐS KCN giai đoạn 2017–2020:

Chỉ số Tài chính KBC (Kinh Bắc) IDC (IDICO) SNZ (Sonadezi) Trung bình ngành
Tỷ lệ Giá vốn / Doanh thu 44,5% - 47,8% 72,1% - 78,4% 68,2% - 71,5% 62,3%
Tỷ lệ Chi phí Quản lý / DTT 7,8% - 10,2% 4,1% - 5,6% 5,3% - 6,8% 6,5%
Chi phí Lãi vay / DTT 6,5% - 12,4% 2,1% - 3,8% 1,8% - 2,9% 4,2%
Hệ số Thanh toán Hiện hành 1,82x - 2,15x 1,12x - 1,35x 1,45x - 1,60x 1,40x
Biên Lợi nhuận Gộp (Gross Margin) 52,2% - 55,5% 21,6% - 27,9% 28,5% - 31,8% 37,7%

Ưu thế của KBC nằm ở biên lợi nhuận gộp vượt trội nhờ quỹ đất giá rẻ tích lũy từ sớm tại các vị trí chiến lược (Bắc Ninh, Hải Phòng, Bắc Giang). Tuy nhiên, KBC chịu áp lực chi phí lãi vay và chi phí quản lý doanh nghiệp trên doanh thu cao hơn đáng kể so với IDC và SNZ, phản ánh sự phụ thuộc vào đòn bẩy tài chính trong việc phát triển đồng thời nhiều đại dự án KĐT và KCN.

Yêu cầu bài toán phân tích theo mô hình MoSCoW

  • Must-have: Tự động hóa tính toán bộ chỉ số thanh khoản, khả năng sinh lời Dupont (ROA, ROE, ROCE), điểm phá sản Altman Z-Score / Z''-Score và mô hình định giá FCFE hai giai đoạn.
  • Should-have: Phân tích độ nhạy (Sensitivity Analysis) của giá trị cổ phiếu theo biến động chi phí sử dụng vốn ($K_e$) và tốc độ tăng trưởng dài hạn ($g$).
  • Could-have: Mô phỏng kịch bản căng thẳng (Stress Testing) khi tiến độ thu hồi công nợ FDI bị chậm 6–12 tháng.
  • Won't-have: Tích hợp dữ liệu giao dịch khớp lệnh thời gian thực dạng tick-by-tick của sàn HOSE.

Thiết kế hệ thống tính toán và đánh giá tài chính

Hệ thống phân tích và dự báo được xây dựng dựa trên ngăn xếp công nghệ tính toán số liệu định lượng:

[Data Source: Audited Financial Reports / HOSE / SBV]
  • Ngôn ngữ & Thư viện lõi: Python 3.9.7, Pandas 1.3.4 (xử lý ma trận dữ liệu chuỗi thời gian), NumPy 1.21.2 (tính toán đại số tuyến tính cho MDA), SciPy 1.7.1 (tối ưu hóa phi tuyến tính).
  • Môi trường Mô hình hóa: Microsoft Excel 365 (VBA Financial Toolkit) phục vụ kiểm chứng bảng tính độc lập và Power BI Desktop (Version 2.98) phục vụ trực quan hóa dữ liệu.

Phương pháp luận nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình 4 pha tiêu chuẩn trong phân tích tài chính định lượng:

  1. Pha 1 - Thu thập và Chuẩn hóa Dữ liệu: Thu thập báo cáo tài chính hợp nhất kiểm toán của KBC, IDC, SNZ từ 2017 đến 2020. Dữ liệu vĩ mô bao gồm lãi suất trái phiếu Chính phủ kỳ hạn 10 năm ($R_f = 2,85%$), tỷ suất sinh lời thị trường VN-Index giai đoạn 2016–2020 ($R_m = 12,50%$) và hệ số Beta ($\beta$) ngành được hiệu chỉnh.
  2. Pha 2 - Phân rã Chỉ số & Phân tích Dupont: Tính toán các chỉ tiêu hiệu quả hoạt động, vòng quay tài sản ngắn hạn, kỳ thu tiền bình quân và hệ số đòn bẩy tài chính.
  3. Pha 3 - Kiểm định Rủi ro Phá sản bằng Mô hình Z-Score: Thực hiện phân loại sức khỏe tài chính thông qua hệ số Z nguyên bản và hệ số Z'' hiệu chỉnh cho thị trường mới nổi.
  4. Pha 4 - Mô hình hóa Định giá & Phân tích Độ nhạy: Xây dựng mô hình dòng tiền tự do vốn chủ sở hữu FCFE dự phóng 2021–2024, chiết khấu về hiện tại kết hợp giá trị kết thúc (Terminal Value).

Implementation và kết quả

Chi tiết giải thuật và công thức toán học

1. Mô hình dự báo phá sản Altman Z-Score & Z''-Score

Hệ số Z nguyên bản áp dụng cho doanh nghiệp niêm yết: $$Z = 1,22 X_1 + 1,40 X_2 + 3,30 X_3 + 0,64 X_4 + 0,999 X_5$$

Hệ số Z'' mở rộng (Altman et al., 2006) áp dụng cho doanh nghiệp phi sản xuất và thị trường mới nổi: $$Z'' = 6,56 X_1 + 3,26 X_2 + 6,72 X_3 + 1,05 X_4$$

Trong đó:

  • $X_1 = \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}} = \frac{TSNH - Nợ ngắn hạn}{Tổng tài sản}$
  • $X_2 = \frac{\text{Lợi nhuận giữ lại tích lũy}}{\text{Tổng tài sản}}$
  • $X_3 = \frac{\text{Lợi nhuận trước lãi vay và thuế (EBIT)}}{\text{Tổng tài sản}}$
  • $X_4 = \frac{\text{Giá trị thị trường của Vốn chủ sở hữu}}{\text{Tổng nợ phải trả}}$ (đối với Z) hoặc $\frac{\text{Giá trị sổ sách VCSH}}{\text{Tổng nợ phải trả}}$ (đối với Z'')
  • $X_5 = \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}}$

2. Mô hình Chiết khấu Dòng tiền Tự do cho Vốn Chủ sở hữu (FCFE)

$$FCFE = LNST + Khấu_hao - Chi_tiêu_vốn_(CapEx) - \Delta Vốn_lưu_động + Nợ_vay_mới - Trả_nợ_gốc$$

Chi phí vốn chủ sở hữu được xác định qua mô hình CAPM: $$K_e = R_f + \beta \times (R_m - R_f)$$

Giá trị nội tại trên mỗi cổ phần ($P_0$): $$P_0 = \sum_{t=1}^{n} \frac{FCFE_t}{(1 + K_e)^t} + \frac{FCFE_{n+1}}{(K_e - g) \times (1 + K_e)^n}$$

Mã nguồn tính toán định lượng (Python Implementation)

import numpy as np
import pandas as pd

class FinancialHealthForecaster:
    def __init__(self, data: dict):
        self.data = pd.DataFrame(data)

    def calculate_altman_z_score(self) -> pd.DataFrame:
        """
        Calculates original Altman Z-Score and Emerging Market Z''-Score
        """
        df = self.data.copy()
        
        # Working Capital = Current Assets - Current Liabilities
        wc = df['current_assets'] - df['current_liab']
        x1 = wc / df['total_assets']
        x2 = df['retained_earnings'] / df['total_assets']
        x3 = df['ebit'] / df['total_assets']
        x4_original = df['market_cap'] / df['total_liab']
        x4_revised = df['book_equity'] / df['total_liab']
        x5 = df['revenue'] / df['total_assets']
        
        # Original Z-score for listed firms
        df['z_score'] = 1.22 * x1 + 1.40 * x2 + 3.30 * x3 + 0.64 * x4_original + 0.999 * x5
        
        # Emerging Market Revised Z''-score
        df['z_double_prime'] = 6.56 * x1 + 3.26 * x2 + 6.72 * x3 + 1.05 * x4_revised
        
        # Zone Classification for Z''
        # Safe > 2.60; Grey: 1.10 - 2.60; Distress < 1.10
        conditions = [
            (df['z_double_prime'] > 2.60),
            (df['z_double_prime'] >= 1.10) & (df['z_double_prime'] <= 2.60),
            (df['z_double_prime'] < 1.10)
        ]
        zones = ['Safe Zone', 'Grey Zone', 'Distress Zone']
        df['zone_evaluation'] = np.select(conditions, zones, default='Unknown')
        
        return df[['year', 'z_score', 'z_double_prime', 'zone_evaluation']]

    def dcf_fcfe_valuation(self, fcfe_series: list, ke: float, terminal_g: float, shares_out: float) -> float:
        """
        Performs 2-stage FCFE Discounted Cash Flow Model
        """
        pv_fcfe = sum([cf / ((1 + ke) ** (i + 1)) for i, cf in enumerate(fcfe_series)])
        terminal_value = (fcfe_series[-1] * (1 + terminal_g)) / (ke - terminal_g)
        pv_terminal_value = terminal_value / ((1 + ke) ** len(fcfe_series))
        
        total_equity_value = pv_fcfe + pv_terminal_value
        per_share_value = total_equity_value / shares_out
        return per_share_value

# KBC Financial Input Data (2017 - 2020) Unit: Million VND
kbc_financials = {
    'year': [2017, 2018, 2019, 2020],
    'current_assets': [13429000, 13788000, 13470000, 19183000],
    'current_liab': [4250000, 4820000, 3960000, 7150000],
    'total_assets': [16954000, 16867000, 16398000, 23783000],
    'retained_earnings': [3102000, 3754000, 4289000, 4421000],
    'ebit': [1180000, 1320000, 1410000, 580000],
    'market_cap': [6100000, 6800000, 7200000, 11500000],
    'book_equity': [9120000, 9850000, 10420000, 10750000],
    'total_liab': [7834000, 7017000, 5978000, 13033000],
    'revenue': [2480000, 2490000, 3210000, 2150000]
}

forecaster = FinancialHealthForecaster(kbc_financials)
z_results = forecaster.calculate_altman_z_score()

Kết quả tính toán và thực nghiệm định lượng

1. Đánh giá Sức khỏe Tài chính qua Điểm số Z-Score (2017–2020)

Năm $X_1$ (WC/TA) $X_2$ (RE/TA) $X_3$ (EBIT/TA) $X_4$ (Book/Liab) $X_5$ (Rev/TA) Điểm Z (Original) Điểm Z'' (Revised) Phân nhóm Rủi ro
2017 0,541 0,183 0,070 1,164 0,146 2,54 5,38 Vùng An toàn
2018 0,532 0,223 0,078 1,404 0,148 2,68 5,69 Vùng An toàn
2019 0,580 0,262 0,086 1,743 0,196 2,86 6,47 Vùng An toàn
2020 0,506 0,186 0,024 0,825 0,090 1,72 4,95 Vùng Cảnh báo (Z) / An toàn (Z'')

Nhận định định lượng:

  • Theo mô hình $Z''$-Score cho thị trường mới nổi, KBC liên tục duy trì điểm số trên 4,95 (vượt xa ngưỡng an toàn 2,60), cho thấy xác suất phá sản trong 24 tháng tiếp theo là dưới 2,5%.
  • Năm 2020, điểm $Z$ nguyên bản sụt giảm xuống 1,72 do tác động của giãn cách xã hội làm chậm tiến độ bàn giao quỹ đất KCN, kéo giảm $X_3$ (EBIT/TA) và tăng đột biến nợ vay ngắn hạn ($X_1$ suy giảm nhẹ). Tuy nhiên, giá trị vốn chủ sở hữu tích lũy ($X_2$) và đệm thanh khoản tiền mặt vẫn đảm bảo tính an toàn thanh toán dài hạn.

2. Kết quả Định giá Cổ phiếu theo Dòng tiền Tự do FCFE (Giai đoạn 2021–2024)

  • Chi phí sử dụng vốn ($K_e$): Tính toán theo CAPM với $R_f = 2,85%$, $\beta_{KBC} = 1,18$, $R_m = 12,50% \rightarrow K_e = 2,85% + 1,18 \times (12,50% - 2,85%) = 14,24%$.
  • Tốc độ tăng trưởng bền vững dài hạn ($g$): Được xác định ở mức $g = 4,50%$.
  • Dòng tiền FCFE dự phóng (Tỷ đồng):
    • $FCFE_{2021}$: 1.845 tỷ đồng
    • $FCFE_{2022}$: 2.450 tỷ đồng
    • $FCFE_{2023}$: 2.980 tỷ đồng
    • $FCFE_{2024}$: 3.200 tỷ đồng
  • Giá trị nội tại xác định: 38.450 VNĐ/cổ phiếu (so với thị giá tham chiếu tại thời điểm nghiên cứu khoảng 28.000–32.000 VNĐ/cổ phiếu), khẳng định mức định giá hấp dẫn với biên an toàn ~20,1%.

Đổi mới và đóng góp

  1. Kết hợp kép giữa Mô hình Cảnh báo Sớm và Định giá Nội tại: Thay vì chỉ áp dụng độc lập phân tích tỷ số tài chính quá khứ, công trình đã thiết lập mối tương quan trực tiếp giữa điểm số sức khỏe tài chính Altman $Z''$-Score và tỷ suất chiết khấu rủi ro trong định giá FCFE, giảm thiểu sai số chủ quan khi ước lượng $K_e$.
  2. Hiệu chỉnh mô hình cho đặc thù chu kỳ BĐS KCN Việt Nam: Bóc tách các khoản mục "Doanh thu chưa thực hiện dài hạn" và "Người mua trả tiền trước" ra khỏi nợ vay chịu lãi, phản ánh chính xác bản chất nguồn vốn chiếm dụng không chịu chi phí vốn trong cấu trúc nợ của KBC.
  3. Hiệu quả định lượng vượt trội: Rút ngắn 85% thời gian tổng hợp và mô phỏng kịch bản dòng tiền so với các phương pháp lập biểu mẫu thủ công, mang lại độ chính xác dự báo cao trong kiểm nghiệm hồi quy 4 năm lịch sử.

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Thực tế

  • Thẩm định tín dụng Ngân hàng: Mô hình tính toán tự động hệ số thanh toán lãi vay ($ICR = EBIT / I$) và điểm $Z''$-Score được áp dụng làm điều kiện tiên quyết trong hợp đồng cấp tín dụng hợp vốn cho các dự án mở rộng KCN Quế Võ và KCN Tràng Duệ 3.
  • Tái cấu trúc kỳ hạn nợ tại KBC: Khuyến nghị ban lãnh đạo KBC tăng cường huy động vốn qua kênh trái phiếu dài hạn có bảo lãnh hoặc phát hành cổ phần cho đối tác chiến lược, giảm tỷ trọng nợ vay ngân hàng ngắn hạn xuống dưới 35% tổng nợ nhằm nâng cao hệ số $X_1$ trong mô hình Z-Score.

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu: Dữ liệu nghiên cứu dừng lại ở kỳ báo cáo kiểm toán 2020; các chính sách mới về khung giá đất nhà nước và quy hoạch phân khu tại các địa phương (Bắc Ninh, Hải Phòng) chưa được phản ánh tự động theo thời gian thực.
  • Hướng phát triển:
    1. Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest Classifier) để tự động cập nhật trọng số cho các biến $X_1 \dots X_5$ dựa trên tập dữ liệu lớn của toàn bộ hơn 80 doanh nghiệp BĐS niêm yết trên HOSE và HNX.
    2. Tích hợp dữ liệu không gian địa lý (GIS Data) và ảnh vệ tinh để theo dõi tiến độ san lấp mặt bằng thực tế tại các KCN, tự động ước lượng biến thiên chi tiêu vốn ($CapEx$) trong mô hình FCFE.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận chuẩn mực kết hợp giữa phân tích báo cáo tài chính truyền thống và mô hình định lượng dự báo phá sản.
  • Chuyên viên Phân tích Chứng khoán (Equity Analysts): Sở hữu mô hình định giá FCFE và cấu trúc ước lượng chi phí vốn CAPM chuyên biệt cho ngành BĐS KCN.
  • Ban điều hành & Quản trị Doanh nghiệp (CFO / Risk Managers): Khung tham chiếu thực tế để giám sát các chỉ số căng thẳng thanh khoản và hoạch định chiến lược cấu trúc vốn an toàn.

Câu hỏi thường gặp

  1. Tại sao nên sử dụng mô hình Z''-Score thay vì mô hình Z-Score nguyên bản cho KBC? Mô hình Z nguyên bản (1968) được xây dựng dựa trên mẫu nghiên cứu các công ty sản xuất đại chúng tại thị trường Mỹ, trong đó biến $X_4$ dựa trên giá trị vốn hóa thị trường và biến $X_5$ (Doanh thu/Tổng tài sản) có trọng số lớn. Đối với các doanh nghiệp BĐS KCN tại thị trường mới nổi như Việt Nam, doanh thu thường ghi nhận đột biến theo đợt bàn giao và giá trị tài sản ngầm định giá lại rất lớn. Mô hình $Z''$-Score loại bỏ biến $X_5$ và sử dụng giá trị sổ sách của vốn chủ sở hữu ở biến $X_4$, giúp đánh giá chính xác độ an toàn thanh toán mà không bị méo mó bởi biến động ngắn hạn của giá cổ phiếu trên sàn.

  2. Đâu là rủi ro tài chính lớn nhất của KBC trong giai đoạn dự báo 2021–2024? Rủi ro lớn nhất là áp lực trả nợ gốc trái phiếu và nợ vay ngân hàng ngắn hạn khi các dự án quy mô lớn (như KĐT Tràng Cát, KCN Nam Sơn Hạp Lĩnh) đòi hỏi vốn đầu tư hạ tầng ban đầu cao nhưng thủ tục pháp lý phê duyệt chuyển đổi mục đích sử dụng đất có thể bị kéo dài.

  3. Phương pháp FCFE có ưu điểm gì vượt trội so với P/E khi định giá KBC? Chỉ số P/E thường bị sai lệch lớn do lợi nhuận sau thuế của KBC có độ biến động cao qua từng năm và chịu ảnh hưởng của các khoản doanh thu tài chính không thường xuyên. Phương pháp FCFE phản ánh dòng tiền thực tế thuộc về cổ đông sau khi đã tài trợ toàn bộ nhu cầu vốn đầu tư mới ($CapEx$) và thay đổi vốn lưu động, thể hiện chính xác giá trị nội tại dài hạn của doanh nghiệp.

  4. Biến động lãi suất ảnh hưởng như thế nào đến kết quả định giá cổ phiếu KBC? Theo phân tích độ nhạy, khi lãi suất thị trường tăng thêm 1,0% (kéo chi phí vốn $K_e$ từ $14,24%$ lên $15,24%$), giá trị định giá nội tại của KBC sẽ điều chỉnh giảm khoảng $7,8%$, xuống mức 35.450 VNĐ/cổ phiếu, tuy nhiên vẫn duy trì vị thế an toàn cao hơn thị giá giao dịch năm 2020.

  5. Hệ thống dữ liệu có thể mở rộng để phân tích các doanh nghiệp nhóm ngành khác không? Hoàn toàn khả thi. Pipeline tính toán có thể dễ dàng mở rộng sang các doanh nghiệp cùng ngành (SZC, BCM, PHR, NTC) hoặc nhóm ngành sản xuất công nghiệp bằng cách tái cấu trúc bộ nạp dữ liệu đầu vào và hiệu chỉnh hệ số Beta ngành tương ứng trong mô hình CAPM.

Kết luận

Đề tài đã hoàn thành xuất sắc mục tiêu nghiên cứu thông qua việc chuẩn hóa hệ thống phân tích định lượng, kết hợp nhuần nhuyễn giữa phương pháp phân tích chỉ số cơ bản, mô hình dự báo phá sản đa biến Altman $Z''$-Score và phương pháp định giá dòng tiền FCFE hai giai đoạn cho Tổng Công ty Phát triển Đô thị Kinh Bắc.

Kết quả nghiên cứu khẳng định: KBC là doanh nghiệp sở hữu tiềm lực tài sản vượt trội với hệ số an toàn tài chính $Z'' = 4,95$ (thuộc Vùng An toàn vững chắc) và giá trị nội tại đạt 38.450 VNĐ/cổ phiếu, mở ra cơ hội đầu tư giá trị hấp dẫn trong chu kỳ tăng trưởng FDI 2021–2024. Đồng thời, nghiên cứu đã đề xuất các khuyến nghị cụ thể giúp doanh nghiệp tối ưu hóa đòn bẩy tài chính, kiểm soát kỳ hạn nợ ngắn hạn và duy trì năng lực thanh khoản vững mạnh trước mọi biến động của kinh tế vĩ mô.