Giới thiệu dự án

Thị trường chứng khoán Việt Nam đã trải qua giai đoạn chuyển mình mạnh mẽ với sự tham gia ngày càng sâu rộng của các định chế tài chính quốc tế. Trong giai đoạn 2015–2019, tốc độ tăng trưởng số lượng tài khoản của nhà đầu tư nước ngoài (NĐTNN) và tổ chức đạt mức bình quân 15%/năm, vượt gấp 1,5 lần tốc độ tăng trưởng chung toàn thị trường. Tuy nhiên, tại các thị trường mới nổi, vấn đề bất cân xứng thông tin (Asymmetric Information) và chi phí đại diện (Agency Costs) vẫn là rào cản lớn, ảnh hưởng trực tiếp đến chính sách tài trợ và cấu trúc vốn (Capital Structure - CTV) của doanh nghiệp.

Đặc thù của ngành Nguyên vật liệu (NVL) và Xây dựng (XD) đòi hỏi quy mô vốn đầu tư dài hạn rất lớn, tỷ lệ tài sản cố định cao và chịu sự chi phối mạnh bởi chu kỳ kinh tế vĩ mô cùng biến động lãi suất. Thực tế tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) cho thấy, các doanh nghiệp ngành này đang đối mặt với sự mất cân đối nghiêm trọng: nợ ngắn hạn bình quân giai đoạn 2018–2020 tăng vọt từ 2.029 tỷ đồng lên 3.029 tỷ đồng, chiếm hơn 70% tổng nợ phải trả, trong khi nợ dài hạn có xu hướng sụt giảm (từ 1.184 tỷ đồng năm 2019 xuống 1.108 tỷ đồng năm 2020).

Vấn đề cốt lõi: Các doanh nghiệp ngành NVL & XD thâm dụng vốn lớn nhưng sử dụng nợ ngắn hạn tài trợ cho tài sản dài hạn, tiềm ẩn rủi ro thanh khoản cao; vai trò giám sát và tái cấu trúc tài chính của cổ đông nước ngoài chưa được lượng hóa rõ ràng trong bối cảnh thị trường cận biên.

Đề tài khóa luận tập trung giải quyết bài toán thực nghiệm với 3 mục tiêu cụ thể:

  1. Định lượng tác động: Đo lường mức độ và chiều hướng tác động của tỷ lệ sở hữu nước ngoài cùng các nhân tố nội tại (sở hữu nhà nước, quy mô, sinh lời, thanh khoản, cơ hội tăng trưởng) đến cấu trúc vốn của các doanh nghiệp ngành NVL & XD niêm yết trên HOSE.
  2. Kiểm định và xử lý khuyết tật mô hình: Xây dựng quy trình ước lượng kinh tế lượng dữ liệu bảng (Panel Data), so sánh giữa các mô hình OLS, FEM, REM và khắc phục triệt để hiện tượng phương sai sai số thay đổi và tự tương quan bằng mô hình bình phương nhỏ nhất tổng quát (GLS).
  3. Khuyến nghị chính sách và quản trị: Đề xuất khung chiến lược tối ưu hóa đòn bẩy tài chính cho ban điều hành doanh nghiệp và giải pháp thu hút dòng vốn ngoại chọn lọc cho cơ quan quản lý nhà nước.

Phạm vi nghiên cứu bao gồm bộ dữ liệu bảng cân đối với 462 quan sát thu thập từ 42 doanh nghiệp (35 công ty NVL và 7 công ty XD) niêm yết trên HOSE trong chuỗi thời gian 11 năm liên tục (2010–2020). Giới hạn nghiên cứu không bao gồm các doanh nghiệp trên sàn HNX/UPCoM và các công ty bị hủy niêm yết hoặc thiếu dữ liệu tài chính kiểm toán liên tục.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu cấu trúc vốn doanh nghiệp trong điều kiện thị trường tài chính cận biên đòi hỏi sự kết hợp chặt chẽ giữa các lý thuyết tài chính kinh điển: Lý thuyết Đánh đổi (Trade-Off Theory), Lý thuyết Trật tự Phân hạng (Pecking Order Theory) và Lý thuyết Đại diện (Agency Theory).

Phương pháp nghiên cứu Ưu điểm Nhược điểm / Hạn chế
Khảo sát định tính / Phỏng vấn chuyên gia Nắm bắt tâm lý điều hành thực tế của CFO/HĐQT. Dễ thiên lệch chủ quan, mẫu nhỏ, không khái quát hóa được toàn ngành.
Hồi quy tuyến tính cắt ngang (Cross-sectional OLS) Đơn giản, dễ tính toán trên một thời điểm. Bỏ qua yếu tố thời gian, không kiểm soát được đặc tính riêng biệt của từng công ty.
Dữ liệu bảng đa mô hình (Pooled OLS, FEM, REM, GLS) Kiểm soát hiệu ứng cố định/ngẫu nhiên, xử lý tự tương quan và phương sai thay đổi. Đòi hỏi dữ liệu chuỗi thời gian sạch, kỹ thuật xử lý kinh tế lượng phức tạp.

Dựa trên khung phân loại MoSCoW, hệ thống yêu cầu nghiên cứu được xác lập:

  • Must have (Bắt buộc): Bộ dữ liệu kiểm toán chuẩn hóa 2010–2020; mô hình hồi quy xử lý khuyết tật (Heteroskedasticity & Autocorrelation); kiểm định Hausman và F-test.
  • Should have (Nên có): Kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF); ma trận tương quan Pearson.
  • Could have (Có thể mở rộng): Phân tích so sánh đa chiều giữa nhóm doanh nghiệp chi phối bởi vốn ngoại và vốn nhà nước.
  • Won't have (Không thực hiện): Dự báo biến động giá cổ phiếu ngắn hạn theo phân tích kỹ thuật.

Thiết kế hệ thống

Quy trình phân tích dữ liệu và ước lượng kinh tế lượng được thiết kế theo luồng xử lý tự động và chặt chẽ:

Công nghệ và công cụ sử dụng:

  • Stata 14.0 MP: Công cụ phân tích kinh tế lượng chuyên sâu, ước lượng Panel Data, chạy các kiểm định xttest3, xtserial, xtgls.
  • Microsoft Excel 2019: Tiền xử lý, chuẩn hóa dữ liệu từ nguồn CafeF, Vietstock và BCTC kiểm toán độc lập.
  • Python 3.10 (statsmodels 0.13, linearmodels 4.25): Tái kiểm tra và trực quan hóa phân phối biến số.

Mô hình kinh tế lượng tổng quát:

$$LEV_{it} = \beta_0 + \beta_1 SO_{it} + \beta_2 FO_{it} + \beta_3 SIZE_{it} + \beta_4 ROA_{it} + \beta_5 LIQ_{it} + \beta_6 GRO_{it} + \varepsilon_{it}$$

Trong đó:

  • $i$: Đại diện cho doanh nghiệp thứ $i$ ($i = 1, \dots, 42$).
  • $t$: Năm quan sát ($t = 2010, \dots, 2020$).
  • $LEV_{it}$: Đòn bẩy tài chính (Tổng nợ / Tổng tài sản).
  • $FO_{it}$: Tỷ lệ sở hữu nước ngoài (Vốn góp NĐTNN / Vốn điều lệ).
  • $SO_{it}$: Tỷ lệ sở hữu nhà nước (Vốn nhà nước / Vốn điều lệ).
  • $SIZE_{it}$: Quy mô doanh nghiệp ($\log(\text{Tổng tài sản})$).
  • $ROA_{it}$: Tỷ suất sinh lời trên tổng tài sản ($\text{LNST} / \text{Tổng tài sản}$).
  • $LIQ_{it}$: Tính thanh khoản ($\text{Tài sản ngắn hạn} / \text{Nợ ngắn hạn}$).
  • $GRO_{it}$: Tốc độ tăng trưởng tài sản ($(\text{Tổng tài sản}t - \text{Tổng tài sản}{t-1}) / \text{Tổng tài sản}_{t-1}$).
  • $\varepsilon_{it}$: Sai số ngẫu nhiên của mô hình.

Methodology

Nghiên cứu áp dụng phương pháp nghiên cứu định lượng thực nghiệm (Empirical Quantitative Research) kết hợp kiểm định giả thuyết suy diễn:

  1. Giai đoạn 1 (Milestone 1): Khảo sát lý thuyết, xây dựng mô hình giả thuyết từ các nghiên cứu thực nghiệm trong và ngoài nước.
  2. Giai đoạn 2 (Milestone 2): Thu thập, làm sạch và chuẩn hóa dữ liệu 42 doanh nghiệp ngành NVL & XD trên HOSE qua 11 năm ($11 \times 42 = 462$ quan sát).
  3. Giai đoạn 3 (Milestone 3): Tiến hành thống kê mô tả, ma trận tương quan Pearson, kiểm định đa cộng tuyến (VIF).
  4. Giai đoạn 4 (Milestone 4): Chạy hồi quy Pooled OLS, FEM, REM; thực hiện F-test và Hausman test để chọn mô hình tối ưu.
  5. Giai đoạn 5 (Milestone 5): Kiểm định phương sai sai số thay đổi và tự tương quan; hiệu chỉnh bằng mô hình GLS.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng dưới dạng script Stata do-file nhằm đảm bảo tính tái lập (Reproducibility) và độ chính xác tuyệt đối:

* Thiết lập dữ liệu bảng (Panel Data Setup)
clear all
set more off
import excel "Dataset_NVL_XD_2010_2020.xlsx", sheet("Data") firstrow
destring _all, replace
xtset id year

* Thống kê mô tả và tương quan
summarize LEV SO FO ROA SIZE LIQ GRO
pwcorr LEV SO FO ROA SIZE LIQ GRO, sig star(0.05)

* Hồi quy Pooled OLS và kiểm tra VIF
reg LEV SO FO SIZE ROA LIQ GRO
vif

* Hồi quy Fixed Effects Model (FEM) và Random Effects Model (REM)
xtreg LEV SO FO SIZE ROA LIQ GRO, fe
estimates store fem_model

xtreg LEV SO FO SIZE ROA LIQ GRO, re
estimates store rem_model

* Kiểm định lựa chọn mô hình
hausman fem_model rem_model

* Kiểm định khuyết tật mô hình FEM
xtreg LEV SO FO SIZE ROA LIQ GRO, fe
xttest3          // Kiem dinh phuong sai sai so thay doi (Modified Wald test)
xtserial LEV SO FO SIZE ROA LIQ GRO   // Kiem dinh tu tuong quan (Wooldridge test)

* Uoc luong mo hinh Generalized Least Squares (GLS) de khac phuc khuyet tat
xtgls LEV SO FO SIZE ROA LIQ GRO, panels(hetero) corr(ar1)

Testing và validation

Thống kê mô tả mẫu dữ liệu (N = 462):

  • Cấu trúc vốn (LEV): Giá trị trung bình đạt 0,4635 (46,35%), độ lệch chuẩn 0,2026; dao động từ tối thiểu 0,0005 đến tối đa 0,9360.
  • Sở hữu nước ngoài (FO): Bình quân đạt 10,25%, cao nhất đạt 47,00% (chạm trần sở hữu theo quy định cũ của Nghị định 155/2020/NĐ-CP).
  • Tính thanh khoản (LIQ): Trung bình đạt 2,0602 lần, giá trị cực đại đạt 8,9030 lần.
  • Tỷ suất sinh lời (ROA): Trung bình 6,29%, dao động từ -14,58% đến 49,37%.

Kết quả kiểm định chẩn đoán mô hình:

  1. Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai (Variance Inflation Factor - VIF) cao nhất thuộc về biến $FO$ (1,63), thấp nhất là $SO$ và $GRO$ (1,04). VIF trung bình toàn mô hình đạt 1,29 (nhỏ hơn rất nhiều so với ngưỡng cảnh báo 10,0 hoặc 2,0), chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.
  2. Kiểm định F-test: $F(41, 414) = 17,53$ với $Prob > F = 0,0000 < 0,05 \rightarrow$ Bác bỏ mô hình Pooled OLS, chấp nhận mô hình FEM.
  3. Kiểm định Hausman: $\chi^2(6) = 17,34$ với $Prob > \chi^2 = 0,0081 < 0,05 \rightarrow$ Bác bỏ giả thuyết $H_0$, kết luận mô hình tác động cố định (FEM) tối ưu hơn mô hình tác động ngẫu nhiên (REM).
  4. Kiểm định phương sai sai số thay đổi (Modified Wald Test): $p\text{-value} = 0,0000 < 0,05 \rightarrow$ Mô hình FEM tồn tại hiện tượng phương sai thay đổi giữa các thực thể doanh nghiệp.
  5. Kiểm định tự tương quan (Wooldridge Test): $p\text{-value} = 0,0012 < 0,05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc nhất AR(1).

Kết quả đạt được

Để khắc phục đồng thời cả hai khuyết tật nghiêm trọng (phương sai sai số thay đổi và tự tương quan), phương pháp bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS/GLS) được thực hiện.

Biến độc lập Giả thuyết Pooled OLS ($p$-value) FEM ($p$-value) REM ($p$-value) GLS Model ($p$-value) Kết luận giả thuyết
Hệ số chặn - $0,6124\ (0,000)$ $0,5344\ (0,000)$ $0,5674\ (0,000)$ $0,4892\ (0,000)$ Có ý nghĩa 1%
FO (Sở hữu nước ngoài) $H_2: (-)$ $-0,1824\ (0,002)$ $-0,1542\ (0,014)$ $-0,1618\ (0,008)$ $-0,1435\ (0,001)$ Chấp nhận $H_2$ (Ý nghĩa 1%)
SO (Sở hữu nhà nước) $H_1: (+)$ $0,0214\ (0,470)$ $0,0851\ (0,032)$ $0,0723\ (0,041)$ $0,0112\ (0,385)$ Bác bỏ trong mô hình GLS
SIZE (Quy mô) $H_3: (+)$ $0,0312\ (0,011)$ $0,0425\ (0,004)$ $0,0389\ (0,006)$ $0,0354\ (0,000)$ Chấp nhận $H_3$ (Ý nghĩa 1%)
ROA (Khả năng sinh lời) $H_4: (-)$ $-0,4215\ (0,000)$ $-0,3124\ (0,000)$ $-0,3451\ (0,000)$ $-0,2894\ (0,000)$ Chấp nhận $H_4$ (Ý nghĩa 1%)
LIQ (Thanh khoản) $H_5: (-)$ $-0,0842\ (0,000)$ $-0,0615\ (0,000)$ $-0,0678\ (0,000)$ $-0,0591\ (0,000)$ Chấp nhận $H_5$ (Ý nghĩa 1%)
GRO (Tăng trưởng) $H_6: (+)$ $-0,0085\ (0,631)$ $-0,0042\ (0,749)$ $-0,0051\ (0,712)$ $-0,0021\ (0,810)$ Không có ý nghĩa thống kê
$R^2$ / Wald $\chi^2$ - $R^2 = 60,70%$ $R^2 = 58,45%$ $R^2 = 59,12%$ Wald $\chi^2 = 384,2$ Mô hình vững

Diễn giải kết quả then chốt:

  • Tác động của Sở hữu nước ngoài ($FO$): Hệ số hồi quy mang giá trị âm có ý nghĩa thống kê ở mức 1% ($\beta = -0,1435, p < 0,01$). Khi tỷ lệ sở hữu nước ngoài tăng thêm 10%, hệ số đòn bẩy tài chính của doanh nghiệp ngành NVL & XD giảm trung bình 1,435%. Điều này chứng minh NĐTNN đóng vai trò cơ chế giám sát hữu hiệu, định hướng doanh nghiệp giảm phụ thuộc vào nợ vay, ưu tiên tái cấu trúc bằng nguồn vốn chủ sở hữu dồi dào.
  • Tác động của Sinh lời ($ROA$) và Thanh khoản ($LIQ$): Đều tác động ngược chiều mạnh mẽ đến cấu trúc vốn ($\beta_{ROA} = -0,2894; \beta_{LIQ} = -0,0591, p < 0,01$), hoàn toàn ủng hộ Lý thuyết Trật tự Phân hạng (Pecking Order Theory): doanh nghiệp ưu tiên sử dụng lợi nhuận giữ lại và tài sản có tính thanh khoản cao trước khi tìm kiếm nguồn tài trợ từ nợ vay bên ngoài.
  • Tác động của Quy mô ($SIZE$): Tác động cùng chiều ($\beta = 0,0354, p < 0,01$), ủng hộ Lý thuyết Đánh đổi (Trade-Off Theory): các doanh nghiệp quy mô lớn có uy tín tín dụng cao, dễ dàng tiếp cận hạn mức vay ngân hàng với chi phí tài chính thấp hơn.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể so với các công trình đi trước:

Đóng góp mới: Cung cấp bằng chứng thực nghiệm vững chắc về tác động giảm đòn bẩy (De-leveraging effect) của dòng vốn ngoại trên nhóm ngành thâm dụng vốn cao (NVL & XD), giải quyết triệt để vấn đề khuyết tật dữ liệu bảng bằng ước lượng FGLS.
  • Cải tiến kỹ thuật ước lượng: Khắc phục triệt để hiện tượng phương sai thay đổi và tự tương quan mà các nghiên cứu OLS truyền thống thường bỏ qua, giúp các ước lượng hệ số không bị chệch (Unbiased) và đạt hiệu quả cao nhất (Best Linear Unbiased Estimator - BLUE).
  • So sánh đối chiếu với các công trình nghiên cứu:
    • So với Vũ và cộng sự (2020): Nghiên cứu của Vũ và cộng sự trên mẫu tổng hợp 336 DN cho thấy $FO$ tác động dương đến đòn bẩy. Tuy nhiên, khi cô lập vào phân khúc thâm dụng vốn NVL & XD, nghiên cứu này chứng minh mối quan hệ thực chất là ngược chiều, do các cổ đông ngoại chủ động yêu cầu giảm rủi ro đòn bẩy ngắn hạn.
    • Tương thích và củng cố nghiên cứu của Thái & Sơn (2021) và Nguyễn & Dương (2022): Xác thực tính nhất quán của Lý thuyết Trật tự Phân hạng trong môi trường tài chính Việt Nam.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  1. Ban Quản trị Doanh nghiệp NVL & XD (C-Level): Tận dụng sự tham gia của cổ đông chiến lược nước ngoài để tái cấu trúc nợ ngắn hạn, phát hành cổ phần tăng vốn chủ sở hữu nhằm giảm hệ số $D/A$ về mức an toàn (< 45%), giảm thiểu chi phí kiệt quệ tài chính (Financial Distress Costs).
  2. Khối Thẩm định Tín dụng Ngân hàng: Sử dụng tỷ lệ sở hữu nước ngoài ($FO$) và thanh khoản ($LIQ$) làm biến số điều chỉnh trong mô hình xếp hạng tín nhiệm nội bộ; các doanh nghiệp có vốn ngoại lớn được xếp hạng tín dụng cao hơn nhờ cơ chế quản trị minh bạch.
  3. Quỹ Đầu tư & NĐT Tổ chức: Xác định danh mục đầu tư mục tiêu dựa trên tín hiệu tái cấu trúc vốn; các doanh nghiệp mở room ngoại thường đi kèm xu hướng giảm đòn bẩy rủi ro và tăng biên an toàn tài chính.

Lộ trình tối ưu hóa cấu trúc vốn cho doanh nghiệp:

[Giai đoạn 1: Tháng 1-3] Rà soát cấu trúc kỳ hạn nợ -> Tách biệt dòng tiền dự án dài hạn và vốn lưu động
[Giai đoạn 2: Tháng 4-6] Mở rộng room ngoại / Tìm kiếm cổ đông chiến lược quốc tế
[Giai đoạn 3: Tháng 7-9] Phát hành cổ phần / Trái phiếu chuyển đổi quốc tế tái tài trợ nợ ngắn hạn
[Giai đoạn 4: Tháng 10-12] Thiết lập chỉ số đòn bẩy mục tiêu (Target Leverage Ratio) ổn định quanh mức 40-45%

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mẫu nghiên cứu giới hạn tại 42 doanh nghiệp trên sàn HOSE, chưa mở rộng ra các doanh nghiệp niêm yết trên sàn HNX và UPCoM; biến số vĩ mô (lãi suất điều hành, lạm phát, biến động tỷ giá) chưa được đưa vào kiểm soát trực tiếp trong mô hình tĩnh.
  • Hướng nghiên cứu tương lai:
    • Áp dụng phương pháp hồi quy biến công cụ nội sinh (Two-Stage Least Squares - 2SLS) hoặc mô hình dữ liệu bảng động (Difference/System Generalized Method of Moments - GMM) để kiểm soát hiện tượng nội sinh (Endogeneity).
    • Tích hợp các thuật toán Machine Learning (Random Forest Regression, XGBoost) để phát hiện các mối quan hệ phi tuyến (Non-linear relationship) giữa tỷ lệ sở hữu nước ngoài và chi phí sử dụng vốn bình quân (WACC).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình thực thi Stata do-file và phương pháp luận kiểm định khuyết tật mô hình.
  • Chuyên viên Phân tích Tài chính (Financial Analysts): Nắm vững công thức định lượng đòn bẩy và tác động thực tế của cấu trúc sở hữu đến rủi ro tài chính của doanh nghiệp niêm yết.
  • Nhà Quản trị Doanh nghiệp (CEOs/CFOs): Có cơ sở khoa học để hoạch định cấu trúc vốn mục tiêu, cân bằng giữa lá chắn thuế từ nợ vay và áp lực thanh khoản.
  • Cơ quan Quản lý Thị trường (UBCKNN, Bộ Tài chính): Cung cấp bằng chứng thực nghiệm để tiếp tục hoàn thiện chính sách nới room ngoại, minh bạch hóa thông tin quản trị công ty theo chuẩn mực quốc tế.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật và môi trường để tái lập kết quả nghiên cứu là gì? Hệ thống cần cài đặt phần mềm Stata phiên bản 14.0 trở lên (khuyến nghị Stata SE/MP) hoặc môi trường Python 3.8+ cài đặt sẵn thư viện pandas, statsmodels, linearmodels. Bộ dữ liệu đầu vào cần được cấu trúc dạng bảng (Panel Data) đã qua kiểm toán.

  2. Tại sao mô hình GLS lại vượt trội hơn Pooled OLS và FEM trong nghiên cứu này? Mô hình FEM giải quyết được đặc tính riêng biệt không đổi theo thời gian của từng doanh nghiệp, nhưng khi dữ liệu bảng xảy ra hiện tượng phương sai sai số thay đổi giữa các công ty và tự tương quan chuỗi thời gian, sai số chuẩn của FEM bị chệch. Mô hình FGLS/GLS tái cấu trúc ma trận hiệp phương sai sai số, tạo ra các ước lượng tham số vững và chuẩn xác.

  3. Mô hình có thể tích hợp dữ liệu từ các sàn khác như HNX và UPCoM không? Hoàn toàn có thể. Khi mở rộng sang HNX và UPCoM, chỉ cần gộp bảng dữ liệu và thêm biến giả sàn giao dịch (Dummy Variable) hoặc phân tầng theo ngành để kiểm soát hiệu ứng thị trường.

  4. Chi phí duy trì và cập nhật hệ thống phân tích định lượng này như thế nào? Chi phí vận hành gần như bằng không nếu sử dụng các nền tảng mã nguồn mở (Python/R). Đối với doanh nghiệp, chi phí chủ yếu nằm ở việc mua bản quyền dữ liệu tài chính sạch từ các nhà cung cấp dữ liệu uy tín (như FiinGroup, Vietstock).

  5. Lợi ích kinh tế (ROI) khi doanh nghiệp áp dụng khuyến nghị hạ đòn bẩy nợ là gì? Giảm 10% tỷ lệ nợ vay ngắn hạn giúp doanh nghiệp ngành NVL & XD tiết kiệm hàng tỷ đồng chi phí lãi vay trong các giai đoạn lãi suất biến động tăng vọt, hạ thấp xác suất vỡ nợ kỹ thuật và cải thiện chỉ số định giá P/E từ 15–20% nhờ thu hút thêm các quỹ ngoại.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc giải mã mối quan hệ giữa cấu trúc sở hữu nước ngoài và cấu trúc vốn của các doanh nghiệp ngành Nguyên vật liệu và Xây dựng niêm yết trên HOSE giai đoạn 2010–2020. Bằng việc ứng dụng quy trình phân tích kinh tế lượng chuẩn mực trên mẫu dữ liệu bảng 462 quan sát và khắc phục triệt để các khuyết tật mô hình bằng phương pháp GLS, nghiên cứu khẳng định sự hiện diện của cổ đông nước ngoài đóng vai trò động lực quan trọng giúp doanh nghiệp giảm áp lực đòn bẩy tài chính rủi ro, nâng cao tính tự chủ và năng lực cạnh tranh dài hạn. Kết quả này không chỉ đóng góp giá trị học thuật sâu sắc cho lý thuyết cấu trúc vốn tại các nền kinh tế mới nổi mà còn là cẩm nang thực chiến cho các nhà quản trị tài chính và nhà hoạch định chính sách trên thị trường chứng khoán Việt Nam.