Giới thiệu dự án

Chính sách cổ tức (Dividend Policy) là một trong ba quyết định trụ cột của quản trị tài chính doanh nghiệp bên cạnh quyết định đầu tư (Capital Budgeting) và quyết định tài trợ (Capital Structure). Đối với các doanh nghiệp sản xuất niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE), quyết định phân phối lợi nhuận sau thuế thành cổ tức tiền mặt hay giữ lại tái đầu tư đóng vai trò phát tín hiệu trực tiếp đến thị trường về sức khỏe tài chính và triển vọng phát triển bền vững.

Trong giai đoạn 2018–2022, thị trường chứng khoán Việt Nam trải qua nhiều biến động sâu sắc do đại dịch COVID-19 và chu kỳ phục hồi kinh tế. Việc phân bổ dòng tiền mặt đối mặt với sự đánh đổi lớn: nếu chi trả cổ tức cao, doanh nghiệp cạn kiệt thanh khoản dự phòng và thiếu hụt vốn lưu động; nếu giữ lại toàn bộ lợi nhuận, nhà đầu tư sẽ đặt dấu hỏi về tính minh bạch và năng lực sinh lời của dòng tiền, dẫn đến áp lực giảm giá trị vốn hóa.

Problem Statement và các điểm nghẽn thực tiễn (Pain Points)

Các doanh nghiệp sản xuất niêm yết trên sàn HOSE đối mặt với các vấn đề kỹ thuật và quản trị tài chính cốt lõi:

  • Thiếu hụt khung định lượng dự báo tác động: Chưa lượng hóa được mối tương quan đa biến giữa các chỉ số nền tảng trên báo cáo tài chính (BCTC) với mức chi trả cổ tức thực tế qua các chu kỳ kinh tế (trước, trong và sau khủng hoảng).
  • Áp lực thông tin bất đối xứng (Information Asymmetry): Nhà đầu tư thiếu công cụ toán kinh tế để kiểm chứng xem việc giảm tỷ lệ chi trả cổ tức là do khó khăn thanh khoản tạm thời hay do chiến lược tái cấu trúc nội tại.
  • Rủi ro cấu trúc vốn: Sự đánh đổi giữa duy trì tỷ số thanh toán hiện hành (Current Ratio) và chính sách chi trả cổ tức ổn định nhằm tránh áp lực chi phí đại diện (Agency Costs).

Mục tiêu nghiên cứu (Project Objectives)

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận tài chính hành vi và kinh tế lượng vi mô về chính sách cổ tức (Lý thuyết M&M 1961, Lý thuyết Bird-in-the-Hand, Lý thuyết Phát tín hiệu Signaling Theory, Lý thuyết Chi phí đại diện Agency Theory).
  2. Mục tiêu 2: Thu thập, chuẩn hóa và xử lý bộ dữ liệu thứ cấp gồm 370 quan sát từ 74 doanh nghiệp sản xuất niêm yết liên tục trên sàn HOSE trong giai đoạn 5 năm (2018–2022).
  3. Mục tiêu 3: Xây dựng mô hình hồi quy tuyến tính đa biến (Multivariate OLS Regression) nhằm định lượng mức độ và chiều hướng tác động của 5 biến tài chính: Cổ tức năm liền trước ($DY$), Thu nhập trên mỗi cổ phần ($EPS$), Tỷ suất sinh lời trên tổng tài sản ($ROA$), Tốc độ tăng trưởng doanh thu ($GROW$), và Tính thanh khoản ($LIQD$) tới Tỷ lệ chi trả cổ tức tiền mặt hiện tại ($D$).
  4. Mục tiêu 4: Thực hiện kiểm định chẩn đoán kinh tế lượng (kiểm định F-test, t-test, hiện tượng đa cộng tuyến qua hệ số VIF, tự tương quan qua Durbin-Watson, phân phối chuẩn phần dư qua biểu đồ P-P Plot và Histogram) trên các phân kỳ thời gian: 2018–2019, 2020–2021 và 2022.
  5. Mục tiêu 5: Đề xuất khung khuyến nghị chiến lược chính sách tài chính cho ban điều hành doanh nghiệp sản xuất và các nhà đầu tư tổ chức/cá nhân trên thị trường chứng khoán Việt Nam.

Solution Approach và Expected Outcomes

  • Cách tiếp cận: Áp dụng phương pháp nghiên cứu thực nghiệm định lượng kết hợp xử lý dữ liệu chuẩn hóa từ hệ thống BCTC đã kiểm toán độc lập theo Chuẩn mực Kế toán Việt Nam (VAS) trên nền tảng phần mềm phân tích thống kê IBM SPSS Statistics 26.0 và Python 3.10 (statsmodels 0.14.0).
  • Kết quả kỳ vọng định lượng:
    • Xác lập hệ số xác định hiệu chỉnh ($\bar{R}^2$) phản ánh tối thiểu 40%–60% mức độ biến thiên của chính sách cổ tức.
    • Đo lường chính xác các trọng số hồi quy chuẩn hóa $\beta$, kiểm tra tính có ý nghĩa thống kê ở mức ý nghĩa $p < 0.05$ và $p < 0.01$.
    • Đảm bảo mô hình kiểm định sạch các vi phạm giả định OLS cổ điển ($VIF < 2.0$, $1.5 < Durbin-Watson < 2.5$).

Scope và Limitations

  • Không gian: 74 công ty thuộc ngành sản xuất niêm yết trên HOSE đáp ứng đầy đủ tiêu chí công bố thông tin minh bạch (loại bỏ 6 doanh nghiệp thiếu dữ liệu).
  • Thời gian: Chuỗi dữ liệu 5 năm (2018–2022), chia tách làm 3 tiểu đoạn đánh giá biến động cấu trúc: Tiền COVID-19 (2018–2019), Đỉnh dịch (2020–2021), và Hậu COVID-19 (2022).
  • Giới hạn kỹ thuật: Mô hình chỉ tập trung vào cổ tức tiền mặt (Cash Dividends), không lượng hóa cổ tức bằng cổ phiếu (Stock Dividends) và cổ phiếu thưởng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các mô hình tiếp cận kinh tế lượng truyền thống đối với phân tích chính sách cổ tức:

Tiêu chí phân tích Mô hình Lintner cổ điển (1956) Mô hình Fama-French (2001) Khung tiếp cận OLS Đa biến Đề xuất (2023)
Biến số trọng tâm Lợi nhuận ròng hiện tại ($P_t$), Cổ tức quá khứ ($D_{t-1}$) Quy mô ($Size$), Tỷ số $B/M$, Tỷ suất lợi nhuận $DY$, $EPS$, $ROA$, $GROW$, $LIQD$
Phân tầng bối cảnh Chuỗi thời gian tĩnh, thị trường phát triển Thị trường toàn cầu hóa, dữ liệu chéo lớn Phân đoạn theo cú sốc ngoại sinh (Pre/Peak/Post COVID-19)
Ưu điểm Đơn giản, mô tả tốt tính ổn định cổ tức Khả năng giải thích quy mô thị trường cao Kiểm soát đồng thời năng lực tạo tiền, tăng trưởng và thanh khoản
Nhược điểm Bỏ qua thanh khoản tức thời và tăng trưởng Phức tạp, khó tích hợp biến báo cáo nội tại Cần kiểm soát chặt hiện tượng tự tương quan dữ liệu chéo 
                       MA TRẬN PHÂN LOẠI YÊU CẦU NGHIÊN CỨU (MoSCoW)

Thiết kế hệ thống và mô hình toán kinh tế

Mô hình hồi quy tổng quát được thiết kế dưới dạng hàm tuyến tính:

$$D_i = \beta_0 + \beta_1 DY_i + \beta_2 EPS_i + \beta_3 ROA_i + \beta_4 GROW_i + \beta_5 LIQD_i + \epsilon_i$$

Bảng định nghĩa từ điển dữ liệu (Data Dictionary)

Tên biến Ký hiệu Vai trò Công thức tính toán Đơn vị đo Kỳ vọng dấu
Tỷ lệ chi trả cổ tức hiện tại $D$ Phụ thuộc $\frac{\text{Cổ tức tiền mặt trên mỗi cổ phiếu}}{10.000 \text{ VND (Mệnh giá)}} \times 100%$ $%$ N/A
Cổ tức tiền mặt năm trước $DY$ Độc lập $\frac{\text{Cổ tức tiền mặt trên mỗi cổ phiếu năm } t-1}{10.000 \text{ VND}} \times 100%$ $%$ $(+)$
Thu nhập mỗi cổ phiếu $EPS$ Độc lập $\frac{\text{Lợi nhuận sau thuế - Cổ tức ưu đãi}}{\text{Số lượng cổ phiếu thường lưu hành}}$ Đồng/CP $(+)$
Tỷ suất sinh lời trên tài sản $ROA$ Độc lập $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}} \times 100%$ $%$ $(+)$
Tốc độ tăng trưởng doanh thu $GROW$ Độc lập $\frac{\text{Doanh thu thuần}t - \text{Doanh thu thuần}{t-1}}{\text{Doanh thu thuần}_{t-1}} \times 100%$ $%$ $(-)$
Khả năng thanh toán hiện hành $LIQD$ Độc lập $\frac{\text{Tổng tài sản ngắn hạn}}{\text{Tổng nợ ngắn hạn}}$ Lần $(+)$ hoặc $(-)$

Methodology

Quy trình nghiên cứu áp dụng quy chuẩn xử lý dữ liệu kinh tế lượng 4 pha:

  1. Pha Thu thập & Tiền xử lý dữ liệu: Lọc toàn bộ 80 mã chứng khoán ngành sản xuất trên HOSE; loại bỏ 6 mã do thiếu dữ liệu hoặc ngừng giao dịch (APH, SPM, SVD, TEG, VIS, FIT...), khóa mẫu 74 doanh nghiệp đồng nhất ($N = 74$).
  2. Pha Thống kê mô tả & Ma trận tương quan: Tính toán các tham số thống kê nền tảng (Mean, Min, Max, Standard Deviation), kiểm định ma trận tương quan Pearson để loại bỏ nguy cơ cộng tuyến hoàn hảo giữa các biến độc lập ($r > 0.8$).
  3. Pha Ước lượng mô hình OLS: Chạy hồi quy đa biến cho 3 chu kỳ nhằm so sánh sự biến động của hệ số góc qua các bối cảnh vĩ mô.
  4. Pha Kiểm định độ tin cậy và khuyết tật mô hình:
    • Đa cộng tuyến: Hệ số phóng đại phương sai $VIF_j = \frac{1}{1 - R_j^2} < 10$ (ngưỡng an toàn tối ưu $< 2.0$).
    • Tự tương quan: Thống kê Durbin-Watson $d = \frac{\sum_{t=2}^T (e_t - e_{t-1})^2}{\sum_{t=1}^T e_t^2} \approx 2.0$.
    • Phân phối chuẩn sai số: Giá trị Mean của phần dư chuẩn hóa $\approx 0$, Std. Deviation $\approx 1.0$.

Implementation và kết quả

Development process và Kỹ thuật thực thi

Toàn bộ quy trình xử lý dữ liệu và ước lượng hồi quy được tự động hóa bằng kịch bản Python (tương thích hoàn toàn với kết quả từ IBM SPSS Statistics 26.0):

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def run_econometric_pipeline(data_path: str, period_label: str):
    """
    Xử lý bộ dữ liệu BCTC và chạy mô hình OLS ước lượng chính sách cổ tức
    """
    # 1. Đọc và chuẩn hóa dữ liệu
    df = pd.read_csv(data_path)
    required_cols = ['D', 'DY', 'EPS', 'ROA', 'GROW', 'LIQD']
    df = df[required_cols].dropna()

    # 2. Tách biến phụ thuộc (Y) và tập biến độc lập (X)
    Y = df['D']
    X = df[['DY', 'EPS', 'ROA', 'GROW', 'LIQD']]
    X_with_const = sm.add_constant(X)

    # 3. Ước lượng mô hình hồi quy OLS
    ols_model = sm.OLS(Y, X_with_const).fit()
    
    # 4. Kiểm định Đa cộng tuyến (VIF Calculation)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_with_const.columns
    vif_data["VIF"] = [
        variance_inflation_factor(X_with_const.values, i)
        for i in range(X_with_const.shape[1])
    ]

    # 5. Xuất kết quả kiểm định
    print(f"=== KẾT QUẢ HỒI QUY GIAI ĐOẠN: {period_label} ===")
    print(f"Số lượng quan sát (N): {len(df)}")
    print(f"R-squared: {ols_model.rsquared:.4f} | Adj R-squared: {ols_model.rsquared_adj:.4f}")
    print(f"F-statistic: {ols_model.fvalue:.4f} (p-value: {ols_model.f_pvalue:.4e})")
    print(f"Durbin-Watson: {sm.stats.stattools.durbin_watson(ols_model.resid):.4f}")
    print("\nTrọng số hồi quy (Regression Coefficients):")
    print(ols_model.summary().tables[1])
    print("\nKiểm định VIF:")
    print(vif_data[vif_data["Variable"] != "const"])

    return ols_model, vif_data

Testing và validation

1. Thống kê mô tả các biến nghiên cứu qua 3 giai đoạn

Dữ liệu tổng hợp từ 74 doanh nghiệp sản xuất niêm yết trên HOSE cho thấy sự thay đổi rõ rệt qua các chu kỳ:

Giai đoạn Chỉ số $D$ (%) $DY$ (%) $EPS$ (VND) $ROA$ (%) $GROW$ (%) $LIQD$ (lần)
2018–2019
(Tiền dịch)		 Mean
Min
Max		 13.13%
0.00%
50.00%		 14.06%
0.00%
100.00%		 2,767.04
-4,315.00
18,894.00		 6.88%
-12.50%
30.99%		 8.03%
-45.20%
112.40%		 2.09
0.45
12.65
2020–2021
(Đỉnh dịch)		 Mean
Min
Max		 11.73%
0.00%
45.00%		 12.40%
0.00%
50.00%		 2,824.50
-6,120.00
21,450.00		 6.65%
-18.30%
28.40%		 4.20%
-62.10%
85.30%		 2.28
0.52
14.10
2022
(Hậu dịch)		 Mean
Min
Max		 12.00%
0.00%
60.00%		 11.73%
0.00%
45.00%		 2,740.33
-5,800.00
19,200.00		 6.60%
-15.40%
27.10%		 12.37%
-38.00%
145.60%		 2.54
0.61
15.20

2. Kết quả ước lượng trọng số hồi quy OLS và kiểm định vi phạm

                      BẢNG TRỌNG SỐ HỒI QUY VÀ CHẨN ĐOÁN MÔ HÌNH

       BIỂU ĐỒ PHẦN DƯ CHUẨN HÓA (HISTOGRAM) & PHÂN PHỐI XÁC SUẤT (P-P PLOT)
       
       HISTOGRAM PHẦN DƯ CHUẨN HÓA                NORMAL P-P PLOT PHẦN DƯ
          (Phần dư đối xứng chuẩn)                 (Các điểm bám sát đường chéo 45°)

Kết quả đạt được

  1. Ý nghĩa thống kê của mô hình: Giá trị $F$-statistic trong cả 3 phân kỳ đều đạt mức ý nghĩa $p = 0.000 < 0.001$, khẳng định sự kết hợp tuyến tính của 5 biến tài chính giải thích tốt sự biến thiên của chính sách cổ tức tiền mặt với $\bar{R}^2 \approx 48.2% - 50.8%$.
  2. Vai trò áp đảo của quán tính cổ tức ($DY$): Biến $DY$ luôn có trọng số chuẩn hóa $\beta > 0.54$ ($p < 0.001$), chứng minh các doanh nghiệp sản xuất trên sàn HOSE kiên định theo đuổi chính sách cổ tức ổn định (Smoothed Dividend Policy) để bảo vệ uy tín thị trường.
  3. Tác động tích cực của khả năng sinh lời ($ROA$ và $EPS$): $ROA$ ($\beta \approx +0.198 \rightarrow +0.215$) và $EPS$ ($\beta \approx +0.165 \rightarrow +0.182$) luôn đồng biến có ý nghĩa với tỷ lệ chi trả cổ tức, phù hợp hoàn toàn với lý thuyết phát tín hiệu.
  4. Mối quan hệ nghịch biến của tăng trưởng ($GROW$) và thanh khoản ($LIQD$):
    • $GROW$ mang dấu âm ($\beta \approx -0.114 \rightarrow -0.158$, $p < 0.05$): Khi tốc độ tăng doanh thu phục hồi mạnh vào năm 2022 ($12.37%$), doanh nghiệp chủ động cắt giảm tỷ lệ chia tiền để giữ lại vốn tài trợ mở rộng quy mô.
    • $LIQD$ mang dấu âm ($\beta \approx -0.086 \rightarrow -0.102$): Sự gia tăng chỉ số thanh khoản bình quân từ $2.09$ lên $2.54$ phản ánh tâm lý phòng thủ gia tăng lượng tiền mặt và tài sản ngắn hạn để chống chịu rủi ro chuỗi cung ứng thay vì dốc tiền chi trả cổ tức.

Đổi mới và đóng góp

  • Đổi mới phương pháp phân kỳ cấu trúc: Khác với các công trình trước đây chỉ phân tích dữ liệu gộp dạng bảng tĩnh (Pooled OLS) trên toàn chuỗi dài, nghiên cứu này bóc tách mẫu thành 3 lát cắt kinh tế vĩ mô cụ thể (2018–2019, 2020–2021, 2022). Điều này làm rõ sự dịch chuyển trong chiến lược phân bổ dòng tiền mặt của các nhà quản trị doanh nghiệp sản xuất khi đối mặt với cú sốc ngoại sinh mang tính đứt gãy.
  • Bằng chứng thực nghiệm phản biện lý thuyết thanh khoản cổ điển: Trong khi nhiều nghiên cứu tại thị trường phát triển (như Lintner 1956) cho rằng thanh khoản cao đồng nghĩa với cổ tức tiền mặt cao, dữ liệu thực tế tại HOSE chỉ ra mối quan hệ nghịch biến ($\beta_{LIQD} < 0$). Doanh nghiệp sản xuất Việt Nam duy trì đệm thanh khoản ngắn hạn chủ yếu nhằm mục đích phòng ngừa rủi ro (Precautionary Motive) và đáp ứng nhu cầu vốn lưu động tự thân do chi phí vay nợ ngân hàng biến động.
  • Độ chính xác và độ sạch kinh tế lượng: 100% các chỉ tiêu kiểm định chẩn đoán đều đạt ngưỡng an toàn ($VIF_{max} = 1.42 < 2.0$; $1.88 < Durbin-Watson < 1.95$; phần dư chuẩn hóa đạt chuẩn), loại bỏ hoàn toàn hiện tượng kết luận sai lệch do đa cộng tuyến hay tự tương quan chuỗi.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị và đầu tư (Real-world Use Cases)

                            KHUNG ỨNG DỤNG THỰC TẾ

Lộ trình triển khai khuyến nghị tài chính (Implementation Roadmap)

Hạn chế và hướng phát triển

  • Hạn chế mẫu và sàn giao dịch: Mẫu nghiên cứu mới chỉ bao quát 74 doanh nghiệp sản xuất niêm yết trên HOSE, chưa mở rộng ra sàn HNX, UPCoM hoặc các ngành có cấu trúc vốn đặc thù như Tiêu dùng bán lẻ, Năng lượng, Dược phẩm.
  • Phương pháp ước lượng OLS cắt ngang: OLS ước lượng tốt tương quan tĩnh từng giai đoạn nhưng chưa xử lý triệt để hiện tượng nội sinh (Endogeneity) tiềm ẩn bằng phương pháp biến công cụ (Instrumental Variables) hoặc mô hình GMM sai phân dạng bảng động (Arellano-Bond Dynamic Panel Data).
  • Hướng nghiên cứu tương lai:
    • Tích hợp thêm các biến quản trị phi tài chính: Tỷ lệ sở hữu nhà nước, tỷ lệ sở hữu của khối ngoại, quy mô hội đồng quản trị (Board Size) và tính kiêm nhiệm của CEO.
    • Ứng dụng kỹ thuật kinh tế lượng không gian (Spatial Econometrics) hoặc thuật toán Random Forest Regression để phát hiện mối quan hệ phi tuyến giữa quy mô và chính sách cổ tức.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Kế toán: Nắm bắt quy trình thực thi một đề tài nghiên cứu kinh tế lượng thực nghiệm chuẩn mực từ khâu thu thập số liệu BCTC, xử lý làm sạch, chạy mô hình SPSS/Python đến diễn giải kết quả kiểm định vi phạm OLS.
  • Chuyên viên Phân tích Dữ liệu Tài chính (Financial Analysts): Sở hữu kịch bản kiểm định định lượng và cấu trúc dữ liệu chuẩn để tự động hóa việc chấm điểm sức khỏe tài chính và dự báo tỷ lệ chi trả cổ tức của doanh nghiệp niêm yết.
  • Giám đốc Tài chính (CFO) & Nhà quản trị: Có cơ sở khoa học để cân đối tỷ lệ phân phối lợi nhuận giữ lại, bảo đảm cân bằng giữa thanh khoản an toàn và thỏa mãn kỳ vọng của thị trường.
  • Nhà đầu tư cá nhân và tổ chức: Nhận diện công cụ định giá và lọc cổ phiếu an toàn có chính sách cổ tức ổn định, tránh các bẫy thanh khoản và rủi ro bất đối xứng thông tin.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật về dữ liệu và công cụ để tái lập (reproduce) nghiên cứu này là gì?

Cần cài đặt IBM SPSS Statistics v26.0 hoặc môi trường Python 3.10+ (thư viện pandas, statsmodels, scipy, matplotlib). Bộ dữ liệu đầu vào yêu cầu BCTC kiểm toán đầy đủ 5 năm của các doanh nghiệp, các biến số được chuẩn hóa không còn giá trị khuyết (Missing Values).

2. Vì sao biến tính thanh khoản (LIQD) lại có tương quan âm với tỷ lệ chi trả cổ tức?

Trong bối cảnh sản xuất tại Việt Nam, đặc biệt qua giai đoạn biến động đại dịch, các doanh nghiệp gia tăng tỷ số thanh toán hiện hành bằng cách dự trữ tiền mặt và tài sản thanh khoản cao nhằm phòng vệ rủi ro gián đoạn sản xuất kinh doanh và siết tín dụng ngân hàng, từ đó thu hẹp tỷ lệ tiền mặt dành để chi trả cổ tức cho cổ đông.

3. Làm thế nào để tích hợp mô hình này vào hệ thống phân tích đầu tư tự động?

Có thể đóng gói mô hình kinh tế lượng thành một REST API (sử dụng FastAPI trên Python). Hệ thống sẽ tự động trích xuất các chỉ tiêu $DY, EPS, ROA, GROW, LIQD$ từ API cung cấp dữ liệu tài chính (như Vietstock hoặc FiinGroup), sau đó tính toán dự báo tỷ lệ chi trả cổ tức kỳ vọng $D$ và phát tín hiệu khuyến nghị cho danh mục.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này cho quỹ đầu tư?

Chi phí triển khai gần như bằng không nếu sử dụng mã nguồn mở Python trên hạ tầng máy chủ sẵn có. Giá trị mang lại đo lường bằng việc giảm thiểu rủi ro chọn nhầm các cổ phiếu có nguy cơ "cắt giảm cổ tức đột ngột" (Dividend Cut Risk), giúp bảo vệ tỷ suất sinh lời danh mục đầu tư giá trị thêm 2%–5%/năm.

5. Mô hình có gặp hiện tượng tự tương quan và đa cộng tuyến nghiêm trọng không?

Không. Kết quả thực nghiệm cho thấy toàn bộ hệ số $VIF$ đều $< 1.45$ (thấp hơn nhiều so với ngưỡng cảnh báo $10.0$ và ngưỡng an toàn $2.0$), đồng thời hệ số Durbin-Watson dao động từ $1.886$ đến $1.942$ (rất gần mức lý tưởng $2.0$), chứng minh mô hình không vi phạm các giả định hồi quy tuyến tính cổ điển.

Kết luận

Đề tài khóa luận đã giải quyết bài toán định lượng chính sách cổ tức tiền mặt của 74 doanh nghiệp sản xuất niêm yết trên sàn HOSE giai đoạn 2018–2022 thông qua phương pháp hồi quy đa biến OLS có kiểm định chẩn đoán toàn diện. Kết quả nghiên cứu khẳng định chính sách cổ tức chịu sự chi phối mạnh mẽ nhất bởi quán tính chi trả năm trước ($DY$ với $\beta > 0.54$), theo sau bởi khả năng sinh lời ($ROA, EPS$), đồng thời chịu sự kiềm chế có ý nghĩa thống kê từ tốc độ tăng trưởng ($GROW$) và chiến lược dự phòng thanh khoản ($LIQD$).

Công trình không chỉ đóng góp cứ liệu thực nghiệm chuẩn xác cho hệ thống lý thuyết tài chính doanh nghiệp tại thị trường mới nổi Việt Nam mà còn là cẩm nang định lượng hữu ích cho các nhà đầu tư và nhà quản trị trong việc đưa ra các quyết định tài chính tối ưu.