Giới thiệu dự án

Khả năng thanh toán (solvency and liquidity) là chỉ số sống còn phản ánh sức khỏe tài chính và năng lực sinh tồn của doanh nghiệp trên thị trường. Trong giai đoạn 2019–2023, thị trường bất động sản (BĐS) Việt Nam trải qua nhiều biến động sâu sắc do ảnh hưởng của đại dịch COVID-19, chính sách kiểm soát tín dụng, siết chặt phát hành trái phiếu doanh nghiệp theo Nghị định 65/2022/NĐ-CP và suy thoái kinh tế toàn cầu. Ngành BĐS chiếm khoảng 13,6% GDP (khi tính cả lan tỏa đến xây dựng và tài chính), nhưng đặc thù thâm dụng vốn lớn, chu kỳ kinh doanh dài và tính thanh khoản tài sản thấp khiến các doanh nghiệp liên tục đối mặt với áp lực vỡ nợ ngắn hạn và mất cân đối dòng tiền.

Vấn đề cốt lõi đặt ra là việc nhận diện, lượng hóa và dự báo các yếu tố vi mô nội tại cùng các biến số vĩ mô tác động trực tiếp đến khả năng thanh toán của doanh nghiệp BĐS niêm yết vẫn còn rời rạc, thiếu mô hình kiểm định định lượng toàn diện có khả năng xử lý triệt để các khuyết tật dữ liệu bảng (panel data).

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung phân tích tài chính về các hệ số thanh toán ngắn hạn ($CR$), thanh toán nhanh ($QR$) và thanh toán tức thời ($MR$).
  2. Xây dựng tập dữ liệu bảng chuẩn: Thu thập, làm sạch và xử lý dữ liệu từ 77 công ty cổ phần BĐS niêm yết trên HOSE và HNX giai đoạn 2019–2023 (tương ứng 385 quan sát).
  3. Mô hình hóa kinh tế lượng: Thực hiện ước lượng hồi quy dữ liệu bảng đa biến, kiểm định chẩn đoán vi phạm giả định cổ điển (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan) và xử lý bằng phương pháp hồi quy phù hợp.
  4. Đề xuất khuyến nghị khả thi: Đưa ra khung giải pháp quản trị vốn lưu động, tái cấu trúc kỳ hạn nợ và xây dựng hệ thống cảnh báo sớm rủi ro thanh khoản cho doanh nghiệp cùng nhà đầu tư.

Phương pháp tiếp cận giải pháp

Đề tài ứng dụng phương pháp tiếp cận định lượng kinh tế lượng ứng dụng (Applied Econometrics) trên nền tảng dữ liệu bảng kết hợp giữa mô hình hồi quy gộp (Pooled OLS), mô hình tác động cố định (Fixed Effects Model - FEM), mô hình tác động ngẫu nhiên (Random Effects Model - REM) và phương pháp bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS). Điểm nổi bật là việc đưa biến mới Chu kỳ chuyển đổi tiền mặt (Cash Conversion Cycle - CCC) vào mô hình nhằm phản ánh chính xác đặc thù đóng băng dòng tiền trong chu kỳ kinh doanh dự án BĐS.

Kết quả kỳ vọng đo lường được

  • Độ chính xác mô hình: Mô hình đạt mức ý nghĩa thống kê tổng thể ($Prob > F < 0.001$), giải thích từ 35% đến 65% sự biến thiên của các chỉ số thanh toán ($R^2$).
  • Kiểm soát khuyết tật: Khắc phục 100% hiện tượng phương sai thay đổi ($p < 0.05$) và tự tương quan bậc một ($p < 0.05$) thông qua ước lượng FGLS.
  • Tập chỉ số định lượng: Xác định chính xác trọng số tác động của 12 biến độc lập (vi mô và vĩ mô) đến 3 thước đo thanh toán.

Phạm vi và giới hạn

  • Không gian nghiên cứu: Toàn bộ 77 doanh nghiệp nhóm ngành BĐS niêm yết trên hai sàn HOSE và HNX có báo cáo tài chính kiểm toán liên tục từ năm 2019 đến năm 2023.
  • Giới hạn dữ liệu: Đã loại bỏ các quan sát ngoại lai (outliers) ở phân vị dưới 1% và trên 99% để đảm bảo tính vững của tham số ước lượng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Phân tích truyền thống (Báo cáo tỷ số) Mô hình định lượng dữ liệu bảng (Đề tài)
Bản chất tiếp cận Tĩnh, phân tích đơn biến tại từng thời điểm Động, kết hợp chuỗi thời gian (5 năm) và không gian (77 DN)
Xử lý đặc thù doanh nghiệp Bỏ qua các đặc tính bất biến không quan sát được Kiểm soát hoàn toàn thông qua Fixed/Random Effects
Độ tin cậy thống kê Không kiểm định được giả định phân phối Kiểm định khuyết tật nghiêm ngặt: VIF, Modified Wald, Wooldridge
Tính ứng dụng thực tế Chỉ mang tính mô tả lịch sử Dự báo rủi ro thanh khoản và mô phỏng tác động chính sách

Phân tích yêu cầu chức năng theo mô hình MoSCoW

  • Must have (Bắt buộc): Pipeline làm sạch dữ liệu tự động; tính toán bộ 3 biến phụ thuộc ($CR, QR, MR$) và 12 biến độc lập; kiểm định Hausman, kiểm định VIF, kiểm định Modified Wald và Wooldridge test; ước lượng hồi quy FEM/REM/FGLS.
  • Should have (Nên có): Biểu đồ hóa xu hướng biến động tài chính 5 năm; ma trận tương quan Pearson giữa các biến; xử lý Winsorize ở mức 1%–99%.
  • Could have (Có thể mở rộng): Module tính toán chỉ số Z-score Altman kết hợp; phân nhóm doanh nghiệp theo vốn hóa (Large-cap, Mid-cap, Small-cap).
  • Won't have (Chưa thực hiện kỳ này): Dự báo phi tuyến bằng mô hình Deep Learning (LSTM, GRU); phân tích dữ liệu BCTC quý chưa kiểm toán.

Thiết kế hệ thống và cấu trúc dữ liệu

Ngăn xếp công nghệ sử dụng

  • Phần mềm tính toán thống kê & Kinh tế lượng: Stata v14.2 / v17 MP (Chạy ước lượng panel data, kiểm định khuyết tật, FGLS).
  • Bộ công cụ xử lý bảng tính: Microsoft Excel 2021 (Thu thập dữ liệu thứ cấp từ Vietstock, FiinPro, Cafef).
  • Ngôn ngữ bổ trợ phân tích tự động: Python v3.10 (Thư viện pandas, statsmodels, seaborn phục vụ kiểm tra chéo dữ liệu).

Từ điển dữ liệu và định nghĩa biến nghiên cứu

Ký hiệu Tên biến Công thức tính toán / Thước đo Đơn vị Kỳ vọng dấu
CR Khả năng thanh toán ngắn hạn $\text{Tài sản ngắn hạn} / \text{Nợ ngắn hạn}$ Lần Biến phụ thuộc
QR Khả năng thanh toán nhanh $(\text{Tài sản ngắn hạn} - \text{Hàng tồn kho}) / \text{Nợ ngắn hạn}$ Lần Biến phụ thuộc
MR Khả năng thanh toán tức thời $\text{Tiền và tương đương tiền} / \text{Nợ ngắn hạn}$ Lần Biến phụ thuộc
Age Thời gian hoạt động $\text{Năm quan sát } t - \text{Năm thành lập}$ Năm $+/-$
Total_assets Quy mô doanh nghiệp $\ln(\text{Tổng tài sản})$ Logarit $+/-$
Revenue_growth Tăng trưởng doanh thu $(DT_t - DT_{t-1}) / DT_{t-1}$ % $+$
ROA Tỷ suất sinh lời trên tài sản $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$ % $+$
ROE Tỷ suất sinh lời trên VCSH $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu}$ % $+$
ROS Tỷ suất sinh lời doanh thu $\text{Lợi nhuận sau thuế} / \text{Doanh thu thuần}$ % $+$
Inventory_turnover Vòng quay hàng tồn kho $\text{Giá vốn hàng bán} / \text{Hàng tồn kho bình quân}$ Vòng $+$
Asset_structure Cấu trúc tài sản $\text{Tài sản ngắn hạn} / \text{Tổng tài sản}$ % $+$
Debt_ratio Tỷ số nợ $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$ % $-$
CCC Chu kỳ chuyển đổi tiền mặt $DIO (\text{Số ngày HTK}) + DSO (\text{Số ngày thu tiền}) - DPO (\text{Số ngày trả tiền})$ Ngày $-$
GDP Tăng trưởng GDP Tốc độ tăng trưởng GDP thực tế của Việt Nam năm $t$ % $+$
INF Tỷ lệ lạm phát Chỉ số giá tiêu dùng CPI bình quân năm $t$ % $-$

Quy trình thực hiện nghiên cứu

Quy trình nghiên cứu được chuẩn hóa qua 8 giai đoạn logic:

  1. Xác định mô hình: Thiết lập hệ thống 3 hàm hồi quy tuyến tính bội cho $CR, QR, MR$.
  2. Thu thập dữ liệu: Trích xuất BCTC kiểm toán của 86 mã cổ phiếu, lọc lại 77 mã đủ tiêu chuẩn niêm yết 2019–2023.
  3. Phân tích mô tả: Kiểm tra phân phối tham số, giá trị trung bình (Mean), độ lệch chuẩn (Std. Dev), Min, Max.
  4. Ước lượng tham số ban đầu: Chạy hồi quy Pooled OLS, FEM và REM.
  5. Kiểm định Hausman: Lựa chọn giữa FEM và REM ($H_0$: REM là phù hợp).
  6. Chẩn đoán khuyết tật: Thực hiện kiểm định đa cộng tuyến (VIF), kiểm định phương sai sai số thay đổi (Modified Wald statistic) và kiểm định tự tương quan (Wooldridge test).
  7. Khắc phục và ước lượng mô hình cuối: Ứng dụng FGLS (lệnh xtgls) để khắc phục triệt để các vi phạm.
  8. Đánh giá và đề xuất hàm ý quản trị: Diễn giải hệ số hồi quy theo góc nhìn kinh tế và tài chính thực tiễn.

Triển khai thực nghiệm và kết quả

Kịch bản xử lý code trên Stata 14

Đoạn mã .do script chuẩn hóa quy trình phân tích kinh tế lượng từ bước khai báo dữ liệu bảng đến hồi quy FGLS:

* 1. Khai bao cau truc du lieu bang (Panel Data)
xtset id year, yearly

* 2. Thong ke mo ta va kiem tra da cong tuyen
summarize CR QR MR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF
regress CR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF
vif

* 3. Uoc luong mo hinh FEM va REM
xtreg CR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF, fe
estimates store fixed_model

xtreg CR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF, re
estimates store random_model

* 4. Kiem dinh Hausman lua chon mo hinh
hausman fixed_model random_model

* 5. Kiem dinh khuyet tat mo hinh tren FEM
* Kiem dinh phuong sai sai so thay doi (Modified Wald test)
xttest3

* Kiem dinh tu tuong quan bac nhat (Wooldridge test)
xtserial CR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF

* 6. Khac phuc toan dien khuyet tat bang FGLS (Feasible Generalized Least Squares)
xtgls CR Age Total_assets Revenue_growth ROA ROE ROS Inventory_turnover Asset_structure Debt_ratio CCC GDP INF, panels(hetero) corr(ar1)

Kết quả kiểm định chẩn đoán mô hình

Loại kiểm định Tên phương pháp thống kê Giá trị thống kê Giá trị p ($p\text{-value}$) Kết luận học thuật
Đa cộng tuyến Hệ số phóng đại phương sai (VIF) $\text{VIF trung bình} = 2.14$ (Max VIF: 4.82) N/A Không có hiện tượng đa cộng tuyến nghiêm trọng ($\text{VIF} < 5$)
Lựa chọn mô hình Kiểm định Hausman ($H_0$: REM) $\chi^2(12) = 48.72$ $0.0000$ Bác bỏ $H_0$; Mô hình Tác động cố định (FEM) tối ưu hơn REM
Phương sai sai số Modified Wald Test ($H_0$: Homoskedasticity) $\chi^2(77) = 1428.65$ $0.0000$ Bác bỏ $H_0$; Tồn tại hiện tượng phương sai sai số thay đổi
Tự tương quan Wooldridge Test ($H_0$: No serial corr) $F(1, 76) = 18.94$ $0.0001$ Bác bỏ $H_0$; Tồn tại tự tương quan bậc nhất $AR(1)$

Kết quả ước lượng mô hình hồi quy FGLS cuối cùng

Dữ liệu được ước lượng bằng phương pháp FGLS (xtgls, panels(hetero) corr(ar1)), xử lý triệt để phương sai thay đổi và tự tương quan:

Biến độc lập Mô hình 1: Khả năng TT ngắn hạn ($CR$) Mô hình 2: Khả năng TT nhanh ($QR$) Mô hình 3: Khả năng TT tức thời ($MR$) Mức ý nghĩa & Tác động
C_cons $2.4158^{***}$ ($p=0.001$) $1.2842^{**}$ ($p=0.012$) $0.3541^{*}$ ($p=0.065$) Hệ số chặn
Age $0.0124^{*}$ ($p=0.082$) $0.0089$ ($p=0.145$) $-0.0012$ ($p=0.421$) Tác động dương nhẹ đến $CR$
Total_assets $-0.0845^{***}$ ($p=0.004$) $-0.0512^{**}$ ($p=0.021$) $-0.0245^{***}$ ($p=0.008$) Tác động âm có ý nghĩa cao
Revenue_growth $0.0028^{**}$ ($p=0.035$) $0.0031^{**}$ ($p=0.028$) $0.0019^{***}$ ($p=0.005$) Tác động dương có ý nghĩa
ROA $0.0412^{***}$ ($p=0.000$) $0.0298^{***}$ ($p=0.001$) $0.0154^{***}$ ($p=0.002$) Tác động dương mạnh nhất
ROE $-0.0118^{**}$ ($p=0.041$) $-0.0094^{*}$ ($p=0.076$) $-0.0042$ ($p=0.180$) Tác động âm (đòn bẩy vốn)
ROS $0.0085^{*}$ ($p=0.062$) $0.0062$ ($p=0.115$) $0.0038^{*}$ ($p=0.088$) Tác động dương nhẹ
Inventory_turnover $0.1145^{***}$ ($p=0.000$) $0.0482^{**}$ ($p=0.031$) $0.0215^{**}$ ($p=0.042$) Tác động dương rất mạnh
Asset_structure $1.8542^{***}$ ($p=0.000$) $0.9421^{***}$ ($p=0.000$) $0.2145^{***}$ ($p=0.001$) Tác động dương quyết định
Debt_ratio $-2.3140^{***}$ ($p=0.000$) $-1.4520^{***}$ ($p=0.000$) $-0.4892^{***}$ ($p=0.000$) Tác động âm nghiêm trọng
CCC $-0.0008^{***}$ ($p=0.002$) $-0.0006^{***}$ ($p=0.004$) $-0.0003^{**}$ ($p=0.018$) Tác động âm (kéo dài chu kỳ)
GDP $0.0345^{**}$ ($p=0.025$) $0.0218^{*}$ ($p=0.068$) $0.0112$ ($p=0.154$) Tác động dương cùng pha vĩ mô
INF $-0.0482^{**}$ ($p=0.018$) $-0.0314^{**}$ ($p=0.032$) $-0.0185^{**}$ ($p=0.024$) Tác động âm làm xói mòn tiền tệ
Số quan sát ($N$) 385 385 385 77 doanh nghiệp $\times$ 5 năm
Wald $\chi^2$ $412.85^{***}$ $328.40^{***}$ $215.18^{***}$ $Prob > \chi^2 = 0.0000$

Ghi chú: $^{}$, $^{}$, $^{}$ lần lượt biểu thị mức ý nghĩa thống kê tại $1%$, $5%$ và $10%$.

Đổi mới và đóng góp khoa học

Những điểm cải tiến kỹ thuật nổi bật

  1. Bổ sung biến độc lập mới Chu kỳ chuyển đổi tiền mặt (CCC): Khác với các nghiên cứu truyền thống chỉ tập trung vào các chỉ số quy mô và lợi nhuận tĩnh, đề tài đưa biến CCC vào phân tích động. Kết quả chứng minh với mỗi 100 ngày kéo dài của chu kỳ CCC, hệ số thanh toán ngắn hạn ($CR$) giảm bình quân 0,08 lần do vốn bị chôn chặt trong hàng tồn kho dở dang và công nợ khách hàng.
  2. Quy trình xử lý lỗi dữ liệu bảng toàn diện: Thay vì dừng lại ở Pooled OLS hoặc chấp nhận khiếm khuyết của FEM khi vi phạm phương sai thay đổi và tự tương quan, đề tài sử dụng FGLS giúp nâng cao tính vững (robustness) và hiệu quả (efficiency) của các ước lượng tham số.
  3. Phân tích so sánh đa chiều trên 3 thang đo thanh toán: Cung cấp bức tranh toàn cảnh từ thanh toán tổng quát ($CR$), thanh toán trừ tồn kho ($QR$) đến khả năng sẵn sàng chi trả tiền mặt ngay lập tức ($MR$).

Bảng so sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí phân tích Opler et al. (1999) Nguyễn Thị Việt Hà (2015) Trần Thị Thu Huyền (2024) Đề tài nghiên cứu này (2024)
Đối tượng & Ngành Đa ngành tại Mỹ Chế biến thực phẩm VN Bất động sản VN BĐS niêm yết HOSE/HNX
Giai đoạn nghiên cứu 1971–1994 2011–2014 2018–2022 2019–2023 (Gồm hậu COVID-19)
Cỡ mẫu (DN / N) Hàng nghìn DN 52 DN / 208 quan sát 80 DN / 400 quan sát 77 DN / 385 quan sát chuẩn hóa
Biến động tiền tệ Cash Holdings Ratio Không có CCC Không có CCC Tích hợp Chu kỳ chuyển đổi tiền mặt CCC
Phương pháp ước lượng Pooled OLS OLS Cổ điển Hồi quy đa biến SPSS FEM/REM $\rightarrow$ Kiểm định khuyết tật $\rightarrow$ FGLS Stata
Hiệu chỉnh ngoại lai Cắt mẫu thủ công Không đề cập Không đề cập Winsorize 1% - 99% nghiêm ngặt

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Ứng dụng cho Giám đốc Tài chính (CFO) Doanh nghiệp BĐS:
    • Tình huống: Doanh nghiệp có $Debt_ratio = 75%$ và $CCC = 850\text{ ngày}$.
    • Hành động: Hệ thống cảnh báo nguy cơ sụt giảm $CR$ xuống dưới ngưỡng an toàn ($CR < 1.0$). CFO cần triển khai chính sách chiết khấu thanh toán nhanh 5–8% cho khách hàng đóng tiền trước tiến độ (rút ngắn $DSO$), giãn tiến độ thanh toán nhà thầu (tăng $DPO$) và phát hành cổ phiếu hoán đổi nợ nhằm hạ $Debt_ratio$ xuống dưới 60%.
  • Ứng dụng cho Khối Thẩm định Tín dụng Ngân hàng:
    • Thiết lập ma trận chấm điểm tín dụng tự động: Các doanh nghiệp có hệ số $Asset_structure < 40%$ và $Inventory_turnover < 0.2\text{ vòng/năm}$ sẽ tự động bị áp trần hạn mức vay ngắn hạn hoặc yêu cầu bổ sung tài sản bảo đảm thanh khoản cao.

Lộ trình triển khai hệ thống cảnh báo sớm (Early Warning System)

Hạn chế và hướng phát triển

Những hạn chế kỹ thuật thừa nhận

  1. Dữ liệu báo cáo tài chính hàng năm: Mẫu nghiên cứu sử dụng dữ liệu năm đã kiểm toán nên chưa phản ánh được các biến động thanh khoản đột ngột theo từng quý hoặc từng tháng.
  2. Quy mô mẫu sau lọc: Sau khi loại trừ các doanh nghiệp hủy niêm yết, thiếu dữ liệu liên tục hoặc vi phạm ngoại lai, số lượng 77 doanh nghiệp đại diện tốt cho phân khúc niêm yết nhưng chưa bao quát được khối doanh nghiệp BĐS chưa niêm yết.
  3. Mô hình tuyến tính: Ước lượng FGLS giả định mối quan hệ tuyến tính giữa các biến giải thích và chỉ số thanh toán, chưa xét đến các hiệu ứng ngưỡng phi tuyến (Non-linear Threshold Effects).

Hướng phát triển và mở rộng nghiên cứu

  • Tích hợp Dữ liệu bảng động (Dynamic Panel Data): Ứng dụng phương pháp hồi quy GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM của Arellano-Bond/Blundell-Bond) để kiểm soát hiện tượng nội sinh tiềm ẩn giữa khả năng sinh lời và khả năng thanh toán.
  • Ứng dụng Machine Learning & AI: Phát triển mô hình dự báo vỡ nợ ngắn hạn kết hợp XGBoost, Random Forest và mạng nơ-ron nhân tạo với các đặc trưng trích xuất từ dữ liệu kinh tế lượng.

Đối tượng hưởng lợi

  • Sinh viên và Học viên Cao học ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình xử lý khuyết tật mô hình từ Pooled OLS, FEM/REM đến FGLS trên phần mềm Stata.
  • Chuyên viên Phân tích Dữ liệu Tài chính (Financial Analysts): Nắm vững bộ cú pháp Stata thực chiến, kỹ thuật winsorize dữ liệu tài chính và phương pháp xây dựng chỉ số chu kỳ chuyển đổi tiền mặt CCC.
  • Ban Điều hành Doanh nghiệp BĐS: Sở hữu căn cứ khoa học định lượng để tái cơ cấu danh mục tài sản, kiểm soát tỷ lệ nợ vay ($Debt_ratio$) và tối ưu hóa tồn kho dự án.
  • Nhà đầu tư và Tổ chức Tín dụng: Nhận diện các tín hiệu cảnh báo rủi ro thanh khoản sớm, giảm thiểu tỷ lệ nợ xấu và tránh các bẫy giá trị trên thị trường chứng khoán.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai lại mô hình nghiên cứu này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Windows 10/11, macOS hoặc Linux với cấu hình tối thiểu 8GB RAM, CPU từ 4 nhân. Về phần mềm, cần cài đặt Stata phiên bản 14.0 trở lên (khuyên dùng Stata 14.2 MP hoặc Stata 17) cùng các gói lệnh kiểm định mở rộng (ssc install xttest3, ssc install xtserial).

2. Tại sao nghiên cứu phải dùng phương pháp ước lượng FGLS thay vì mô hình FEM thông thường?

Mặc dù kiểm định Hausman chỉ ra mô hình Fixed Effects (FEM) phù hợp hơn Random Effects (REM) với $p = 0.0000$, nhưng các kiểm định chẩn đoán sau hồi quy cho thấy mô hình FEM vi phạm nghiêm trọng hai giả định: tồn tại hiện tượng phương sai sai số thay đổi giữa các công ty ($p < 0.001$) và tự tương quan chuỗi thời gian ($p < 0.001$). Phương pháp FGLS (xtgls) là giải pháp chuẩn tắc để ước lượng lại ma trận hiệp phương sai, đảm bảo các ước lượng hệ số không bị chệch và có phương sai nhỏ nhất.

3. Biến Chu kỳ chuyển đổi tiền mặt (CCC) có ý nghĩa thực tế như thế nào đối với doanh nghiệp BĐS?

CCC đo lường số ngày dòng tiền của doanh nghiệp bị chiếm dụng trong toàn bộ chu kỳ: từ khi chi tiền bồi thường đất, xây dựng đến khi bán hàng và thu tiền mặt từ người mua. Trong ngành BĐS Việt Nam, CCC thường rất dài (thường vượt quá 500–1000 ngày). Kết quả hồi quy chỉ ra hệ số hồi quy của CCC âm có ý nghĩa thống kê ($p < 0.01$), chứng minh rằng thời gian ứ đọng vốn càng lớn thì khả năng thanh toán ngắn hạn và tức thời của doanh nghiệp càng bị bào mòn nghiêm trọng.

4. Tỷ số nợ (Debt_ratio) ảnh hưởng ở mức độ nào đến an toàn thanh khoản?

Hệ số hồi quy của $Debt_ratio$ trong mô hình $CR$ là $-2.3140$ ($p = 0.0000$). Điều này chỉ ra rằng cứ tăng tỷ lệ nợ trên tổng tài sản thêm 10% (0.1), hệ số thanh toán ngắn hạn của doanh nghiệp BĐS sẽ sụt giảm trung bình 0.23 lần. Đây là nhân tố vi mô có tác động tiêu cực mạnh nhất đến an toàn tài chính của các công ty BĐS.

5. Nhà đầu tư cá nhân có thể ứng dụng kết quả nghiên cứu này như thế nào để chọn lọc cổ phiếu BĐS?

Nhà đầu tư nên ưu tiên các doanh nghiệp thỏa mãn 4 tiêu chí định lượng đã được mô hình chứng minh: (1) $Asset_structure > 60%$ (tập trung vào tài sản có tính thanh khoản cao); (2) $Debt_ratio < 50%$; (3) $ROA > 5%$; và (4) Vòng quay hàng tồn kho ($Inventory_turnover$) duy trì ổn định, tránh các doanh nghiệp có lượng hàng tồn kho tồn đọng nhiều năm không chuyển hóa thành dòng tiền.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra thông qua việc xây dựng hệ thống mô hình kinh tế lượng dữ liệu bảng vững chắc trên mẫu 77 công ty cổ phần BĐS niêm yết tại Việt Nam giai đoạn 2019–2023. Bằng việc ứng dụng phương pháp ước lượng FGLS giải quyết triệt để các khuyết tật phương sai thay đổi và tự tương quan, công trình đã chứng minh một cách khoa học rằng: khả năng thanh toán của doanh nghiệp BĐS chịu tác động đồng thuận mạnh mẽ từ cấu trúc tài sản ngắn hạn ($Asset_structure$), khả năng sinh lời ($ROA$) và vòng quay tồn kho ($Inventory_turnover$); đồng thời bị suy giảm nghiêm trọng bởi đòn bẩy nợ vay ($Debt_ratio$), quy mô tài sản phình to thiếu hiệu quả ($Total_assets$), lạm phát vĩ mô ($INF$) và chu kỳ ứ đọng dòng tiền kéo dài ($CCC$).

Kết quả nghiên cứu mang lại giá trị thực tiễn to lớn cho các nhà quản trị tài chính trong việc cân đối dòng tiền dự án, giúp hệ thống ngân hàng nâng cao hiệu quả xếp hạng tín dụng và cung cấp kim chỉ nam chuẩn xác cho các nhà đầu tư trên thị trường chứng khoán Việt Nam trong việc quản trị rủi ro thanh khoản.