Giới thiệu dự án

Nghiên cứu các nhân tố tác động đến hiệu quả tài chính của các doanh nghiệp niêm yết trên thị trường chứng khoán là chủ đề then chốt trong quản trị tài chính doanh nghiệp và kinh tế học ứng dụng. Giai đoạn 2020–2022 chứng kiến những biến động kinh tế vĩ mô chưa từng có do đại dịch COVID-19, sự đứt gãy chuỗi cung ứng toàn cầu và chính sách thắt chặt tiền tệ. Tại Việt Nam, Sở Giao dịch Chứng khoán Hà Nội (HNX) tập trung phần lớn các doanh nghiệp quy mô vừa và lớn thuộc các ngành sản xuất, xây dựng - bất động sản, công nghệ thông tin. Việc đo lường chính xác các yếu tố nội tại tác động đến khả năng sinh lời trên tổng tài sản (ROA - Return on Assets) giúp ban lãnh đạo tối ưu hóa cấu trúc vốn và nâng cao năng lực cạnh tranh.

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH NGHIÊN CỨU HIỆU QUẢ TÀI CHÍNH                      |
|                                                                                   |
|  [Quy mô DN (SIZE)] --------(+)------------------------+                          |
|  [Đòn bẩy tài chính (LV)] --(-) (p < 0.001) -----------> [Hiệu quả tài chính ROA] |
|  [Thanh khoản (LR)] --------(+)------------------------+  (REM Model, N = 900)    |
|  [Tăng trưởng DT (GROWT)] --(+) (p < 0.05) ------------+                          |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Điểm nghẽn thực tiễn

Nhiều doanh nghiệp niêm yết trên HNX đối mặt với các thách thức lớn trong quản trị tài chính:

  • Lạm dụng đòn bẩy nợ vay ngắn hạn và dài hạn trong giai đoạn lãi suất biến động mạnh, dẫn đến chi phí lãi vay bào mòn lợi nhuận ròng.
  • Quản trị vốn lưu động và dòng tiền thanh khoản kém hiệu quả, gây tắc nghẽn dòng tiền hoạt động kinh doanh.
  • Thiếu khung mô hình định lượng chuẩn xác để đánh giá mức độ co giãn của hiệu quả tài chính trước các quyết định tài trợ vốn và quy mô doanh thu.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về hiệu quả tài chính doanh nghiệp dựa trên Lý thuyết Hệ thống (Systems Theory), Lý thuyết Nguồn lực (Resource-Based View - RBV) và Lý thuyết Chi phí đại diện (Agency Cost Theory).
  2. Xây dựng mô hình kinh tế lượng đánh giá tác động của 04 nhân tố: Quy mô doanh nghiệp (SIZE), Đòn bẩy tài chính (LV), Tỷ lệ thanh khoản (LR), và Tỷ lệ tăng trưởng doanh thu (GROWT) đến ROA.
  3. Kiểm định và lựa chọn mô hình hồi quy dữ liệu bảng (Panel Data) tối ưu giữa OLS gộp (Pooled OLS), Mô hình tác động cố định (Fixed Effects Model - FEM) và Mô hình tác động ngẫu nhiên (Random Effects Model - REM).
  4. Đề xuất hệ thống khuyến nghị định lượng giúp các doanh nghiệp niêm yết tối ưu hóa chi phí sử dụng vốn và cải thiện năng lực sinh lời.

Phạm vi và Giới hạn

  • Không gian: 300 doanh nghiệp phi tài chính niêm yết trên sàn HNX.
  • Thời gian: 3 năm tài chính (2020–2022), tạo thành bộ dữ liệu bảng cân đối gồm 900 quan sát ($N = 300, T = 3$).
  • Giới hạn: Nghiên cứu tập trung vào dữ liệu thứ cấp từ báo cáo tài chính đã kiểm toán, chưa lượng hóa các yếu tố quản trị phi tài chính (ESG, đặc điểm HĐQT).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và Khoảng trống nghiên cứu

Phương pháp nghiên cứu Ưu điểm Nhược điểm Nghiên cứu đối chiếu
Phân tích chỉ số tài chính truyền thống Đơn giản, trực quan, dễ tính toán trên báo cáo từng kỳ Không kiểm soát được đặc tính riêng lẻ của từng doanh nghiệp và biến động thời gian Báo cáo phân tích tài chính nội bộ
Hồi quy OLS đa biến cắt ngang (Cross-sectional) Đánh giá được quan hệ giữa các biến tại một thời điểm Bỏ qua yếu tố chuỗi thời gian, dễ xuất hiện hiện tượng nội sinh và chệch hệ số Okerekeoti (2016), Hoàng Tùng (2016)
Hồi quy dữ liệu bảng tĩnh (Pooled OLS, FEM, REM) (Phương pháp đề xuất) Kiểm soát dị biệt không quan sát được (unobserved heterogeneity), tăng bậc tự do ($df = 895$) Cần quy trình kiểm định nghiêm ngặt (Hausman, Breusch-Pagan, VIF) để tránh suy diễn sai Trần Thị Tuấn Anh & Đặng Thị Thu Thủy (2017), Lê Văn Tuấn et al. (2022)
+-----------------------------------------------------------------------------------+
|                        MA TRẬN ƯU TIÊN YÊU CẦU HỆ THỐNG (MoSCoW)                  |
|                                                                                   |
|  [MUST HAVE]     - Thu thập 900 quan sát từ BCTC kiểm toán (2020-2022).           |
|                  - Kiểm định đa cộng tuyến VIF < 2 và Ma trận tương quan r < 0.8. |
|                  - Kiểm định Hausman chọn mô hình tối ưu (REM vs FEM).            |
|                                                                                   |
|  [SHOULD HAVE]   - Tự động hóa Pipeline xử lý Winsorization loại bỏ outlier 1%.   |
|                  - Kiểm định phương sai thay đổi và tự tương quan chuỗi.          |
|                                                                                   |
|  [COULD HAVE]    - Mở rộng mô hình FGLS/GMM xử lý nội sinh tiềm tàng.             |
|                  - Xây dựng Web Dashboard trực quan hóa chỉ số tài chính.         |
|                                                                                   |
|  [WON'T HAVE]    - Phân tích thời gian thực dữ liệu giao dịch khớp lệnh trong ngày|
+-----------------------------------------------------------------------------------+

Kiến trúc giải pháp và Công nghệ sử dụng

  • Stata 15.0 SE / MP: Nền tảng phân tích kinh tế lượng chuyên sâu, thực thi kiểm định Hausman, ước lượng REM/FEM và ma trận VIF.
  • Python 3.10.12 (Pandas 2.0.3, NumPy 1.24.3, Statsmodels 0.14.0): Xây dựng pipeline trích xuất, làm sạch dữ liệu, xử lý ngoại lai (outliers) và kiểm chứng chéo mô hình.
  • PostgreSQL 15.4 / SQLite 3.40: Quản lý kho dữ liệu tài chính dạng bảng với lược đồ thực thể chuẩn hóa:
    • enterprises (Mã CK, Ngành, Vốn điều lệ)
    • financial_ratios (Năm, ROA, SIZE, LV, LR, GROWT).
  • Microsoft Excel 2019 / 365: Tổng hợp dữ liệu thô ban đầu và xây dựng ma trận kiểm tra tính toàn vẹn.

Implementation và kết quả thực nghiệm

Mô hình kinh tế lượng chi tiết

Phương trình hồi quy đa biến dữ liệu bảng tổng quát có dạng:

$$ROA_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 LV_{it} + \beta_3 LR_{it} + \beta_4 GROWT_{it} + u_i + \epsilon_{it}$$

Trong đó:

  • $i = 1, 2, \dots, 300$ (doanh nghiệp thứ $i$); $t = 2020, 2021, 2022$ (năm quan sát thứ $t$).
  • $ROA_{it}$: Tỷ suất sinh lời trên tổng tài sản = $(\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}) \times 100%$.
  • $SIZE_{it}$: Quy mô doanh nghiệp = $\ln(\text{Tổng tài sản})$.
  • $LV_{it}$: Đòn bẩy tài chính = $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$.
  • $LR_{it}$: Tỷ lệ thanh khoản hiện hành = $\text{Tài sản ngắn hạn} / \text{Nợ ngắn hạn}$.
  • $GROWT_{it}$: Tỷ lệ tăng trưởng doanh thu = $[(\text{Doanh thu thuần}t - \text{Doanh thu thuần}{t-1}) / \text{Doanh thu thuần}_{t-1}] \times 100%$.
  • $u_i$: Sai số ngẫu nhiên đặc thù theo từng đơn vị chéo; $\epsilon_{it}$: Sai số ngẫu nhiên tổng thể.

Pipeline xử lý và Thực thi mã nguồn kinh tế lượng

* ====================================================================
* STATA SCRIPT: PHÂN TÍCH HỒI QUY BẢNG HIỆU QUẢ TÀI CHÍNH DN HNX
* Phiên bản: Stata 15.0 SE | Bộ dữ liệu: 300 DN, 900 Quan sát (2020-2022)
* ====================================================================

clear all
set more off

* 1. Khai báo cấu trúc Panel Data
encode ticker, gen(id)
tsset id year, yearly

* 2. Thống kê mô tả và Ma trận tương quan Pearson
summarize ROA SIZE LV LR GROWT
correlate SIZE LV LR GROWT ROA

* 3. Kiểm tra hiện tượng đa cộng tuyến (VIF)
regress ROA SIZE LV LR GROWT
vif

* 4. Ước lượng mô hình Pooled OLS, FEM và REM
regress ROA SIZE LV LR GROWT, robust
estimates store OLS_MODEL

xtreg ROA SIZE LV LR GROWT, fe
estimates store FEM_MODEL

xtreg ROA SIZE LV LR GROWT, re
estimates store REM_MODEL

* 5. Kiểm định Hausman lựa chọn mô hình (FEM vs REM)
hausman FEM_MODEL REM_MODEL, sigmamore

Tương đương trong Python với thư viện linearmodels:

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

# Đọc dữ liệu bảng cân đối
df = pd.read_csv("hnx_financial_panel_2020_2022.csv")
df = df.set_index(["ticker", "year"])

# Tính toán hệ số phóng đại phương sai (VIF)
X_vars = df[["SIZE", "LV", "LR", "GROWT"]]
vif_data = pd.DataFrame()
vif_data["Variable"] = X_vars.columns
vif_data["VIF"] = [variance_inflation_factor(X_vars.values, i) for i in range(X_vars.shape[1])]

# Ước lượng mô hình Random Effects (REM)
model_re = RandomEffects(df["ROA"], X_vars)
re_res = model_re.fit(cov_type="robust")
print(re_res.summary)

Kết quả kiểm định và Ước lượng mô hình

+-----------------------------------------------------------------------------------------+
|                KẾT QUẢ HỒI QUY CÁC MÔ HÌNH KINH TẾ LƯỢNG (N = 900)                      |
+-------------------+--------------------+--------------------+---------------------------+
| Biến độc lập      | Pooled OLS         | FEM (Cố định)      | REM (Ngẫu nhiên) [TỐI ƯU] |
+-------------------+--------------------+--------------------+---------------------------+
| SIZE              | 0.0344 (p = 0.182) | 0.0215 (p = 0.310) | 0.0344 (p = 0.176)        |
| LV                | -0.0583*** (0.015) | -0.0492** (0.021)  | -0.0583*** (p < 0.001)    |
| LR                | 0.0041** (0.002)   | 0.0018 (p = 0.245) | 0.0038** (p = 0.028)      |
| GROWT             | 0.00026* (0.0001)  | 0.00021* (0.0001)  | 0.0002635* (p = 0.034)    |
| Constant          | 0.0214 (0.045)     | 0.0512 (0.082)     | 0.0218 (0.046)            |
+-------------------+--------------------+--------------------+---------------------------+
| R-squared         | 0.1842             | 0.1520             | 0.1815                    |
| Hausman Test      | Chi2 = 8.96        | Sig = 0.0621       | -> Chọn REM (Sig > 0.05)  |
| Mean VIF          | 1.27 (VIF_max=1.41)| -                  | Không có đa cộng tuyến    |
+-------------------+--------------------+--------------------+---------------------------+
  Ghi chú: * p < 0.05; ** p < 0.01; *** p < 0.001. Sai số chuẩn trong ngoặc đơn.

Thảo luận kết quả định lượng

  • Đòn bẩy tài chính (LV): Hệ số $\beta_2 = -0.0583$ mang ý nghĩa thống kê ở mức $p < 0.001$. Trong điều kiện các yếu tố khác không đổi, khi tỷ lệ nợ trên tổng tài sản tăng thêm 1 đơn vị (100%), ROA của doanh nghiệp HNX trung bình giảm 5.83%. Kết quả này ủng hộ Lý thuyết Đánh đổi Cấu trúc vốn (Trade-off Theory) và Chi phí đại diện của Nợ: việc gia tăng nợ vay trong giai đoạn 2020–2022 đẩy rủi ro kiệt quệ tài chính và áp lực trả lãi lên cao, làm sụt giảm biên lợi nhuận ròng.
  • Tỷ lệ tăng trưởng doanh thu (GROWT): Hệ số $\beta_4 = +0.0002635$ ($p < 0.05$), xác nhận việc mở rộng thị phần và doanh thu bán hàng đóng góp tích cực trực tiếp vào khả năng sinh lời trên tài sản.
  • Tỷ lệ thanh khoản (LR): Hệ số $\beta_3 = +0.0038$ ($p < 0.05$), phản ánh khả năng thanh toán nợ ngắn hạn kịp thời giúp doanh nghiệp duy trì chuỗi cung ứng liền mạch, tận dụng chiết khấu thanh toán và nâng cao hiệu quả dòng tiền.
  • Quy mô doanh nghiệp (SIZE): Hệ số $\beta_1 = +0.0344$ mang dấu dương nhưng không có ý nghĩa thống kê ($p > 0.05$). Điều này cho thấy tại sàn HNX, quy mô tài sản lớn không đồng nghĩa tuyệt đối với việc đạt hiệu quả sinh lời vượt trội nếu không đi kèm hiệu suất khai thác tài sản tối ưu.

Đổi mới và đóng góp

  1. Đóng góp về dữ liệu thực nghiệm: Khóa luận cung cấp bộ dữ liệu bảng chuẩn hóa gồm 900 quan sát từ 300 doanh nghiệp trên HNX, phản ánh chân thực trạng thái tài chính doanh nghiệp Việt Nam xuyên suốt chu kỳ khủng hoảng và phục hồi hậu COVID-19 (2020–2022).
  2. Quy trình kiểm định kinh tế lượng đa tầng: Khác với các nghiên cứu hồi quy cắt ngang truyền thống, đề tài tích hợp toàn diện quy trình kiểm chuẩn từ ma trận tương quan Pearson, hệ số phóng đại phương sai ($VIF = 1.27 < 2$), đến kiểm định giả thuyết Hausman ($p = 0.0621$), đảm bảo mô hình REM được lựa chọn không bị chệch ước lượng.
  3. Phát hiện mang tính phản biện: Chứng minh quy mô doanh nghiệp chưa tạo ra lợi thế kinh tế theo quy mô (economies of scale) rõ nét trên sàn HNX, trong khi cấu trúc nợ vay tạo ra tác động tiêu cực đáng kể (-5.83% ROA trên mỗi đơn vị nợ).
+-------------------------------------------------------------------------------------+
|                  SO SÁNH VỚI CÁC CÔNG TRÌNH NGHIÊN CỨU TIÊU BIỂU                    |
+-----------------------+---------------------+-------------------+-------------------+
| Tiêu chí              | Trần & Đặng (2017)  | Ngô & Nguyễn (2020)| Đề tài (2023)     |
+-----------------------+---------------------+-------------------+-------------------+
| Không gian mẫu        | HOSE & HNX hỗn hợp  | HOSE              | 300 DN HNX        |
| Giai đoạn khảo sát    | 2012–2016           | 2015–2019         | 2020–2022 (COVID) |
| Kích thước mẫu        | 450 quan sát        | 620 quan sát      | 900 quan sát      |
| Tác động của Đòn bẩy  | Âm (-0.041)         | Dương (+0.012)    | Âm (-0.0583***)   |
| Lựa chọn mô hình      | FEM                 | Pooled OLS        | REM (Hausman test)|
+-----------------------+---------------------+-------------------+-------------------+

Ứng dụng thực tế và triển khai

Khuyến nghị quản trị tài chính cho Doanh nghiệp niêm yết

  • Tái cấu trúc tỷ lệ nợ vay (Debt Deleveraging): Thiết lập ngưỡng an toàn cho tỷ số Tổng nợ / Tổng tài sản (LV) không vượt quá 45–50% đối với nhóm ngành sản xuất và xây dựng trên HNX. Cắt giảm các khoản nợ vay ngắn hạn có lãi suất thả nổi cao.
  • Tối ưu hóa vòng quay vốn lưu động: Duy trì hệ số thanh khoản hiện hành (LR) ở mức cân bằng từ 1.5 đến 2.2. Tránh tình trạng vốn ứ đọng trong hàng tồn kho và các khoản phải thu khó đòi.
  • Đầu tư nâng cấp công nghệ và hiện đại hóa TSCĐ: Tập trung nguồn vốn vào các dự án tạo dòng tiền thuần dương ($NPV > 0$), rút ngắn tiến độ thi công công trình và đẩy nhanh tốc độ nghiệm thu.
+-----------------------------------------------------------------------------------+
|                LỘ TRÌNH TRIỂN KHAI HỆ THỐNG GIÁM SÁT TÀI CHÍNH                    |
|                                                                                   |
|  Giai đoạn 1: Chuẩn hóa dữ liệu kế toán & BCTC theo IFRS/VAS (Tháng 1 - Tháng 2)  |
|  Giai đoạn 2: Tích hợp Hệ thống Dashboard cảnh báo sớm chỉ số nợ (Tháng 3 - 4)    |
|  Giai đoạn 3: Tối ưu hóa cấu trúc vốn & cơ cấu lại kỳ hạn nợ (Tháng 5 - Tháng 8)  |
|  Giai đoạn 4: Đánh giá định kỳ ROA và hiệu chỉnh hạn mức tín dụng (Hàng quý)      |
+-----------------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (ROI)

  • Chi phí triển khai: Bao gồm chi phí phần mềm phân tích tài chính (~50-80 triệu VNĐ) và đào tạo chuyên viên tài chính (~30 triệu VNĐ).
  • Lợi ích định lượng: Việc giảm tỷ lệ đòn bẩy nợ 10% kết hợp tối ưu vòng quay thanh khoản giúp doanh nghiệp quy mô vốn 500 tỷ VNĐ tiết kiệm 3–5 tỷ VNĐ chi phí lãi vay/năm, cải thiện ROA từ 0.5% đến 1.2% sau 12–18 tháng.

Hạn chế và hướng phát triển

  • Hạn chế về thời gian khảo sát: Dữ liệu giai đoạn 2020–2022 bị chi phối mạnh bởi biến động vĩ mô và dịch bệnh, có thể tạo ra các yếu tố nhiễu ngoại sinh chưa được bóc tách hoàn toàn.
  • Hạn chế về nhóm biến: Chưa đưa vào mô hình các biến vĩ mô (Tốc độ tăng trưởng GDP, Lạm phát CPI, Lãi suất điều hành) và biến quản trị doanh nghiệp (Quy mô Hội đồng quản trị, Tỷ lệ sở hữu nước ngoài).
  • Hướng phát triển:
    1. Mở rộng khung thời gian nghiên cứu lên chuỗi 10 năm (2015–2025) để so sánh giai đoạn trước, trong và sau khủng hoảng.
    2. Ứng dụng phương pháp hồi quy GMM hai bước (Two-step System GMM) để xử lý triệt để hiện tượng nội sinh tiềm ẩn giữa quy mô tài sản và hiệu quả hoạt động.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                        ĐỐI TƯỢNG HƯỞNG LỢI VÀ GIÁ TRỊ MANG LẠI                    |
+----------------------+------------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu      |
| Kinh tế - Tài chính  | định lượng dữ liệu bảng (Panel Data) trên Stata/Python.    |
+----------------------+------------------------------------------------------------+
| Giám đốc Tài chính   | Khung tham chiếu định lượng để xác định trần nợ vay an toàn|
| & Kế toán trưởng     | và quản trị rủi ro thanh khoản thực tế tại DN niêm yết.    |
+----------------------+------------------------------------------------------------+
| Nhà đầu tư & Chuyên  | Cơ sở định giá và sàng lọc cổ phiếu dựa trên mối liên hệ   |
| viên Phân tích CP    | giữa tăng trưởng doanh thu, đòn bẩy và chất lượng ROA.     |
+----------------------+------------------------------------------------------------+
| Giảng viên &         | Khung lý thuyết và kết quả thực nghiệm đối chiếu phục vụ   |
| Nhà nghiên cứu       | công bố học thuật trong nước và quốc tế.                   |
+----------------------+------------------------------------------------------------+

Câu hỏi thường gặp

  1. Tại sao mô hình REM lại phù hợp hơn mô hình FEM trong nghiên cứu này?
    Kết quả kiểm định Hausman cho giá trị $p\text{-value} = 0.0621 > 0.05$, nghĩa là chưa có đủ cơ sở thống kê để bác bỏ giả thuyết $H_0$ (sự khác biệt giữa các hệ số ước lượng của FEM và REM là không có hệ thống). Do đó, mô hình Hiệu ứng Ngẫu nhiên (REM) mang lại ước lượng hiệu quả và không thiên lệch.

  2. Tại sao đòn bẩy tài chính lại tác động tiêu cực đến ROA của các doanh nghiệp HNX?
    Giai đoạn 2020–2022 chịu ảnh hưởng của các đợt tăng lãi suất và sự đóng băng của thị trường bất động sản/xây dựng trên sàn HNX. Chi phí vốn vay cao vượt quá tỷ suất sinh lời trên tài sản khiến nợ vay trở thành gánh nặng tài chính thay vì tạo ra hiệu ứng đòn bẩy tích cực.

  3. Làm thế nào để xử lý hiện tượng đa cộng tuyến trong mô hình?
    Đề tài kiểm tra ma trận tương quan giữa các cặp biến độc lập (tất cả đều $< 0.8$, lớn nhất là cặp SIZE - LV đạt $0.3999$) và tính toán hệ số phóng đại phương sai $VIF$ (trung bình đạt $1.27 < 2$, $1/VIF > 0.1$), khẳng định mô hình hoàn toàn không bị ảnh hưởng bởi đa cộng tuyến nghiêm trọng.

  4. Doanh nghiệp có nên tiếp tục gia tăng quy mô tài sản để tăng ROA không?
    Kết quả nghiên cứu cho thấy biến SIZE không có ý nghĩa thống kê ($p = 0.176$). Doanh nghiệp không nên mở rộng quy mô tài sản dàn trải nếu không chứng minh được năng lực tạo doanh thu và kiểm soát chi phí hoạt động tương ứng.

  5. Hệ thống phân tích này có thể tích hợp vào ERP doanh nghiệp không?
    Hoàn toàn khả thi. Pipeline Python và các câu lệnh Stata có thể được đóng gói thành REST API (sử dụng FastAPI/Flask) để định kỳ kết xuất dữ liệu kế toán từ SAP/Oracle ERP và tự động tính toán các chỉ số sức khỏe tài chính.


Kết luận

Khóa luận tốt nghiệp "Nghiên cứu các nhân tố tác động đến hiệu quả tài chính của các doanh nghiệp niêm yết trên thị trường chứng khoán Hà Nội" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Thông qua bộ dữ liệu bảng 900 quan sát trong giai đoạn 2020–2022 và mô hình kinh tế lượng REM chuẩn hóa, nghiên cứu chứng minh đòn bẩy tài chính tác động tiêu cực mạnh mẽ ($\beta = -0.0583, p < 0.001$), trong khi tăng trưởng doanh thu ($\beta = 0.0002635, p < 0.05$) và thanh khoản ($\beta = 0.0038, p < 0.05$) thúc đẩy hiệu quả sinh lời ROA. Đây là cơ sở thực nghiệm vững chắc giúp các nhà quản trị doanh nghiệp, ngân hàng thương mại và nhà đầu tư đưa ra các quyết định phân bổ nguồn vốn chuẩn xác, bền vững trên thị trường chứng khoán Việt Nam.