Giới thiệu dự án

Ngành vật liệu xây dựng (VLXD) giữ vai trò then chốt trong chuỗi cung ứng bất động sản và phát triển hạ tầng quốc gia, đóng góp từ 6,5% – 7,2% vào GDP Việt Nam hàng năm. Tuy nhiên, giai đoạn 2013–2022 chứng kiến nhiều biến động kinh tế vĩ mô phức tạp: chu kỳ đóng băng – phục hồi của thị trường bất động sản, sự đứt gãy chuỗi cung ứng toàn cầu do đại dịch COVID-19, và sự leo thang của giá nguyên vật liệu đầu vào (than đá, quặng sắt, clinker, xăng dầu tăng 25% – 45%). Tỷ suất sinh lời của các doanh nghiệp sản xuất VLXD niêm yết có sự phân hóa sâu sắc, với biên độ dao động $ROA$ từ mức đáy $-15,8%$ (CTCP Tập đoàn Xây dựng Hoà Bình - HBC) đến đỉnh cao $24,74%$ (CTCP CIC39 - C32).

Thực trạng này đặt ra bài toán cấp thiết về quản trị tài chính: Làm thế nào để nhận diện chính xác các nhân tố nội tại chi phối khả năng sinh lời (KNSL) của doanh nghiệp VLXD trong điều kiện môi trường kinh doanh biến động?

[Bối cảnh kinh tế vĩ mô 2013-2022]
[Mô hình định lượng: OLS -> FEM/REM -> Kiểm định khuyết tật -> FGLS]
[Tối ưu hóa cấu trúc vốn & Nâng cao KNSL (ROA, ROE)]

Mục tiêu nghiên cứu cụ thể

  1. Xác định các nhân tố tài chính nội tại chi phối khả năng sinh lời của 26 công ty VLXD niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE).
  2. Đo lường định lượng mức độ và chiều hướng tác động của từng biến số thông qua hệ thống mô hình kinh tế lượng dữ liệu bảng (Panel Data).
  3. Kiểm định và xử lý triệt để các khuyết tật mô hình (phương sai sai số thay đổi, tự tương quan bậc nhất) bằng kỹ thuật hồi quy bình phương tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
  4. Đề xuất giải pháp và hàm ý quản trị tài chính thực tiễn giúp doanh nghiệp tối ưu hóa đòn bẩy, tái cấu trúc tài sản cố định và nâng cao hiệu suất sinh lời trên tổng tài sản ($ROA$) cùng vốn chủ sở hữu ($ROE$).

Phương pháp tiếp cận và phạm vi nghiên cứu

Nghiên cứu tích hợp hệ thống lý thuyết tài chính kinh điển: Lý thuyết nguồn lực (Resource-Based View - RBV), Lý thuyết đánh đổi cấu trúc vốn (Trade-off Theory), Lý thuyết trật tự phân hạng (Pecking Order Theory) và Định lý Modigliani-Miller. Phạm vi thực nghiệm bao quát toàn bộ 26 doanh nghiệp ngành VLXD niêm yết liên tục trên sàn HOSE trong chu kỳ 10 năm (2013 – 2022), tạo lập tập dữ liệu bảng cân bằng với 259–260 quan sát chuẩn hóa từ hệ thống FiinPro.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu trước đây tại thị trường quốc tế và Việt Nam tiếp cận KNSL theo nhiều khía cạnh nhưng còn tồn tại các khoảng trống phương pháp luận:

Nghiên cứu Phạm vi & Dữ liệu Phương pháp Phát hiện chính Hạn chế phương pháp luận
Santoso (2020) 70 DN bảo hiểm Sharia (Indonesia, 2014–2018) Pooled OLS Quy mô ($SIZE$) (+) tác động mạnh; Tỷ lệ nợ ($DER$) (-) tác động đến $ROA$. Chưa kiểm soát hiệu ứng cố định cá thể và khuyết tật phương sai thay đổi.
Hossain (2020) 34 DN sản xuất (Bangladesh, 2014–2019) Pearson & Pooled OLS Hiệu quả quản lý ($ME$) (+), Đòn bẩy ($LEV$) (-) tác động đến $ROA, ROE$. Dữ liệu ngắn hạn (6 năm), không xử lý hiện tượng tự tương quan chuỗi thời gian.
Cuong Duc Pham et al. (2018) 30 DN VLXD (Việt Nam, 2010–2016) Panel Regression $SIZE$ (+), Quản lý nợ (+) tác động $ROA$. Tỷ lệ tài sản cố định ($TANG$) (-). Cỡ mẫu cắt ngang ngắn, chưa cập nhật giai đoạn biến động sau 2019.
Đồ án này (2023) 26 DN VLXD HOSE (Việt Nam, 2013–2022) Pooled OLS, FEM, REM, FGLS $SIZE$ (+), $ME$ (+) thúc đẩy sinh lời; $DER$ (-), $LEV$ (-), $TANG$ (-) làm giảm $ROA, ROE$. Khắc phục hoàn toàn hiện tượng Heteroskedasticity & Autocorrelation bằng FGLS.

Phân tích khoảng trống (Gap Analysis) cho thấy: Đa số các nghiên cứu trước đây dừng lại ở mô hình FEM/REM mà bỏ qua kiểm định hiện tượng tự tương quan chuỗi bậc nhất $AR(1)$ và phương sai sai số thay đổi theo nhóm (Groupwise Heteroskedasticity), dẫn đến các ước lượng OLS/FEM bị chệch và không đạt tính chất hiệu quả tối ưu (BLUE).

Thiết kế hệ thống mô hình kinh tế lượng

Hệ thống mô hình thực nghiệm sử dụng 2 biến phụ thuộc đo lường KNSL ($ROA, ROE$) và 5 biến độc lập tài chính:

$$\begin{aligned} ROA_{i,t} &= \beta_0 + \beta_1 DER_{i,t} + \beta_2 LEV_{i,t} + \beta_3 SIZE_{i,t} + \beta_4 TANG_{i,t} + \beta_5 ME_{i,t} + \varepsilon_{i,t} \ ROE_{i,t} &= \alpha_0 + \alpha_1 DER_{i,t} + \alpha_2 LEV_{i,t} + \alpha_3 SIZE_{i,t} + \alpha_4 TANG_{i,t} + \alpha_5 ME_{i,t} + u_{i,t} \end{aligned}$$

         [Kiểm định Hausman]                    [Kiểm định khuyết tật]
       (p < 0.05 -> Chọn FEM)               - VIF (Đa cộng tuyến)
                                            - Modified Wald (Phương sai thay đổi)
                                            - Wooldridge test (Tự tương quan)

Bảng định lượng danh mục biến số

  • ROA (Return on Assets): $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$
  • ROE (Return on Equity): $\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$
  • DER (Debt to Equity Ratio): $\frac{\text{Tổng nợ phải trả}}{\text{Vốn chủ sở hữu}}$
  • LEV (Financial Leverage): $\frac{\text{Tổng nợ phải trả}}{\text{Tổng tài sản}}$
  • SIZE (Firm Size): $\ln(\text{Tổng tài sản})$
  • TANG (Asset Tangibility): $\frac{\text{Tài sản cố định}}{\text{Tổng tài sản}}$
  • ME (Management Efficiency): $\frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}}$

Methodology

Quy trình nghiên cứu áp dụng chu trình chuẩn hóa 5 giai đoạn:

  1. Thu thập và làm sạch dữ liệu: Trích xuất Báo cáo tài chính kiểm toán 2013–2022 qua FiinPro Terminal v2.0, lọc bỏ các doanh nghiệp hủy niêm yết hoặc thiếu dữ liệu, chuẩn hóa dữ liệu bảng cân bằng (Balanced Panel Data).
  2. Thống kê mô tả và phân tích tương quan: Tính toán Mean, Std. Dev, Min, Max; xây dựng ma trận hệ số tương quan Pearson nhằm sơ bộ nhận diện mối liên hệ đơn biến.
  3. Ước lượng mô hình cơ bản: Chạy đồng thời Pooled OLS, Mô hình hiệu ứng cố định (Fixed Effects Model - FEM) và Mô hình hiệu ứng ngẫu nhiên (Random Effects Model - REM).
  4. Kiểm định giả thuyết và chẩn đoán khuyết tật:
    • Kiểm định Hausman ($H_0$: REM phù hợp, $H_1$: FEM phù hợp).
    • Kiểm định hệ số phóng đại phương sai $VIF$ ($VIF < 10$: Không có đa cộng tuyến nghiêm trọng).
    • Kiểm định Modified Wald ($H_0$: Phương sai đồng nhất giữa các thực thể).
    • Kiểm định Wooldridge ($H_0$: Không có tự tương quan bậc nhất $AR(1)$).
  5. Ước lượng vững FGLS: Áp dụng hồi quy xtgls điều chỉnh đồng thời phương sai thay đổi theo thực thể (panels hetero) và tự tương quan chuỗi (corr ar1).

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được lập trình và thực thi hoàn toàn trên môi trường Stata/MP version 17.0 và Microsoft Excel 365 Enterprise.

* Thiết lập cấu trúc dữ liệu bảng
clear all
import excel "panel_data_vlxd.xlsx", sheet("Data") firstrow
xtset company_id year

* 1. Thống kê mô tả dữ liệu
summarize ROA ROE DER LEV SIZE TANG ME

* 2. Phân tích tương quan và kiểm tra đa cộng tuyến
pwcorr ROA ROE DER LEV SIZE TANG ME, sig star(0.05)
regress ROA DER LEV SIZE TANG ME
estat vif

* 3. Ước lượng mô hình OLS, FEM và REM
quietly regress ROA DER LEV SIZE TANG ME
estimates store ols_model

quietly xtreg ROA DER LEV SIZE TANG ME, fe
estimates store fe_model

quietly xtreg ROA DER LEV SIZE TANG ME, re
estimates store re_model

* 4. Kiểm định lựa chọn mô hình
hausman fe_model re_model

* 5. Kiểm định khuyết tật mô hình FEM
xtreg ROA DER LEV SIZE TANG ME, fe
xttest3                                  // Kiểm định phương sai thay đổi Modified Wald
xtserial ROA DER LEV SIZE TANG ME       // Kiểm định tự tương quan Wooldridge

* 6. Ước lượng FGLS điều chỉnh khuyết tật toàn diện
xtgls ROA DER LEV SIZE TANG ME, panels(hetero) corr(ar1)
estimates store fgls_roa

xtgls ROE DER LEV SIZE TANG ME, panels(hetero) corr(ar1)
estimates store fgls_roe

Testing và validation

1. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity)

Kết quả phân tích VIF cho thấy không có cặp biến nào có $VIF > 10$ (giá trị trung bình $Mean\ VIF < 2.5$), chứng minh mô hình không vi phạm hiện tượng đa cộng tuyến nghiêm trọng.

2. Kết quả kiểm định mô hình (Hausman Test)

  • Với biến phụ thuộc $ROA$: Thống kê $\chi^2 = 18,42$ với $p\text{-value} = 0,0025 < 0,05$. Bác bỏ $H_0$, chọn mô hình FEM.
  • Với biến phụ thuộc $ROE$: Thống kê $\chi^2 = 15,31$ với $p\text{-value} = 0,0091 < 0,05$. Bác bỏ $H_0$, chọn mô hình FEM.

3. Kết quả chẩn đoán sai số mô hình FEM

  • Kiểm định Modified Wald test: $p\text{-value} = 0,0000 < 0,01 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi giữa 26 doanh nghiệp.
  • Kiểm định Wooldridge test: $p\text{-value} = 0,0012 < 0,05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc nhất $AR(1)$.

Nhờ sử dụng kỹ thuật FGLS (Feasible Generalized Least Squares), các sai số chuẩn ước lượng được hiệu chỉnh, đảm bảo hệ số hồi quy không bị chệch và có độ tin cậy thống kê cao nhất.

Kết quả đạt được

Biến độc lập Kỳ vọng ban đầu Hệ số hồi quy FGLS ($ROA$) Mức ý nghĩa ($p$-value) Hệ số hồi quy FGLS ($ROE$) Mức ý nghĩa ($p$-value) Kết luận thực nghiệm
DER $(-)$ $-0,0112$ $0,000^{***}$ $-0,0324$ $0,000^{***}$ Chấp nhận $H_1$
LEV $(-)$ $-0,0845$ $0,001^{***}$ $-0,1521$ $0,000^{***}$ Chấp nhận $H_2$
SIZE $(+)$ $+0,0142$ $0,002^{***}$ $+0,0289$ $0,001^{***}$ Chấp nhận $H_3$
TANG $(+)$ $-0,0431$ $0,015^{**}$ $-0,0782$ $0,021^{**}$ Phủ định $H_4$ (Ngược chiều)
ME $(+)$ $+0,0518$ $0,000^{***}$ $+0,0943$ $0,000^{***}$ Chấp nhận $H_5$

(Ghi chú: $^{}\ p < 0,01;\ ^{}\ p < 0,05$)*

  • Tỷ lệ nợ trên VCSH ($DER$) & Đòn bẩy tài chính ($LEV$): Đều tác động nghịch chiều có ý nghĩa thống kê $1%$ đến cả $ROA$ và $ROE$. Tăng $1%$ đòn bẩy $LEV$ khiến $ROA$ suy giảm $0,0845%$. Điều này phản ánh rõ nét chi phí lãi vay và rủi ro thanh khoản cao của ngành VLXD trong các giai đoạn lãi suất thắt chặt.
  • Quy mô công ty ($SIZE$): Tác động tích cực có ý nghĩa ($p < 0,01$). Khi quy mô tài sản tăng $1%$, $ROA$ tăng $0,0142%$ nhờ lợi thế kinh tế theo quy mô (Economies of Scale), năng lực đàm phán giá đầu vào và tối ưu hóa hệ thống phân phối.
  • Tỷ lệ tài sản cố định ($TANG$): Tác động nghịch chiều đến KNSL (ngược với giả thuyết ban đầu nhưng phù hợp với đặc thù sản xuất nặng). Tỷ lệ TSCĐ cao tạo áp lực lớn về chi phí khấu hao, bảo dưỡng máy móc trong bối cảnh công suất nhà máy chưa đạt mức tối đa.
  • Hiệu quả quản lý ($ME$): Đóng góp tích cực nhất vào KNSL ($p = 0,000$). Tăng 1 vòng quay tài sản giúp cải thiện $ROA$ thêm $0,0518%$ và $ROE$ thêm $0,0943%$.

Đổi mới và đóng góp

  • Đóng góp về phương pháp luận: Không dừng lại ở mô hình FEM/REM thông thường, nghiên cứu hoàn thiện quy trình kiểm định khuyết tật hai bước (Modified Wald & Wooldridge) và áp dụng thành công ước lượng FGLS Panel Data, giúp loại bỏ hoàn toàn hiện tượng suy diễn sai lệch thống kê thường gặp ở các phân tích OLS gộp.
  • Phát hiện mới về cấu trúc tài sản ngành VLXD: Chứng minh thực nghiệm rằng đối với ngành VLXD tại Việt Nam, việc mở rộng tài sản cố định ($TANG$) không đồng nghĩa với gia tăng KNSL nếu không đi kèm với tối ưu hóa vòng quay tài sản ($ME$). Chi phí vốn chìm và áp lực khấu hao là rào cản lớn đối với biên lợi nhuận ròng.
  • Độ bao quát dữ liệu theo chu kỳ kinh tế: Khai thác dữ liệu liên tục 10 năm (2013–2022), bao quát trọn vẹn chu kỳ kinh tế gồm giai đoạn tăng trưởng nóng (2015–2018), suy thoái do dịch bệnh (2020–2021) và tái cấu trúc hậu COVID-19 (2022).

Ứng dụng thực tế và triển khai

Giải pháp tái cấu trúc tài chính cho doanh nghiệp VLXD

  1. Kiểm soát ngưỡng an toàn cấu trúc vốn: Duy trì tỷ lệ $LEV = \frac{\text{Tổng nợ}}{\text{Tổng tài sản}} < 50%$ và $DER < 1,2$ lần. Cắt giảm các khoản vay thương mại ngắn hạn có lãi suất thả nổi cao, chuyển hướng sang phát hành trái phiếu công trình dài hạn hoặc huy động vốn cổ phần.
  2. Nâng cao vòng quay tổng tài sản ($ME$):
    • Tối ưu hóa chu chuyển vốn lưu động bằng cách rút ngắn kỳ thu tiền bình quân (DSO) từ 90 ngày xuống dưới 65 ngày.
    • Ứng dụng hệ thống ERP/S&OP dự báo chính xác nhu cầu thị trường, giảm tồn kho clinker, thép xây dựng và gạch ốp lát 15% – 20%.
  3. Chiến lược quản trị tài sản cố định ($TANG$):
    • Tạm dừng đầu tư dàn trải vào các dây chuyền mới khi công suất vận hành chưa vượt 85%.
    • Áp dụng hình thức thuê tài chính (Financial Leasing) hoặc Sale-and-Leaseback đối với các phương tiện vận tải và máy móc chuyên dụng để giảm áp lực khấu hao trực tiếp lên $ROA$.

Lộ trình triển khai khuyến nghị quản trị (Roadmap 12 tháng)

Tháng 1 - 3: Kiểm toán toàn diện cấu trúc nợ (LEV, DER) & Rà soát hiệu suất máy móc (TANG)
Tháng 4 - 6: Tái cơ cấu danh mục nợ vay, thanh lý tài sản nhàn rỗi, thiết lập KPI vòng quay tài sản
Tháng 7 - 9: Triển khai giải pháp số hóa quản trị hàng tồn kho và khoản phải thu (Tối ưu ME)
Tháng 10 - 12: Đánh giá cải thiện ROA/ROE định kỳ, chuẩn hóa chính sách cấu trúc vốn mục tiêu

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Mới chỉ khảo sát 26 doanh nghiệp niêm yết trên HOSE, chưa bao quát các doanh nghiệp vừa và nhỏ (SMEs) chưa niêm yết hoặc niêm yết trên sàn HNX/UPCoM.
  • Yếu tố vĩ mô chưa được lượng hóa trực tiếp: Mô hình tập trung vào các nhân tố tài chính nội tại mà chưa đưa các biến vĩ mô (lạm phát $CPI$, tốc độ tăng trưởng $GDP$, biến động giá nguyên liệu thế giới, tỷ giá $USD/VND$) vào phương trình hồi quy đa biến.
  • Hướng nghiên cứu tiếp theo: Mở rộng tập mẫu sang toàn bộ các sàn giao dịch (HOSE, HNX, UPCoM) với số lượng quan sát $> 500$; tích hợp mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) để kiểm soát tính nội sinh tiềm tàng giữa đòn bẩy tài chính và KNSL.

Đối tượng hưởng lợi

  • Hội đồng quản trị & Giám đốc tài chính (CFO): Nắm bắt các trọng số tác động định lượng ($SIZE, LEV, TANG, ME$) để hoạch định chính sách cấu trúc vốn tối ưu, giảm thiểu rủi ro kiệt quệ tài chính.
  • Nhà đầu tư chứng khoán & Chuyên viên phân tích: Sở hữu mô hình định giá và sàng lọc cổ phiếu VLXD tiềm năng dựa trên chỉ số hiệu quả quản lý ($ME$) và quy mô ($SIZE$), tránh các doanh nghiệp lạm dụng đòn bẩy nợ cao ($DER > 2,0$).
  • Ngân hàng thương mại & Tổ chức cấp tín dụng: Có thêm cơ sở định lượng trong việc thẩm định rủi ro tín dụng và thiết lập điều khoản giới hạn đòn bẩy tài chính đối với nhóm khách hàng ngành xây dựng - vật liệu.
  • Sinh viên & Nhà nghiên cứu kinh tế lượng: Tham khảo bộ khung hoàn chỉnh về xử lý dữ liệu bảng (Panel Data), từ kiểm định chọn mô hình (Hausman) đến kỹ thuật xử lý khuyết tật bằng FGLS trên Stata.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ phần mềm để tái lập mô hình nghiên cứu này là gì?

Cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0/MP) cùng Microsoft Excel. Dữ liệu đầu vào cần được tổ chức dưới dạng cấu trúc dữ liệu bảng cân bằng (Balanced Panel Data) với đầy đủ mã định danh công ty (company_id) và biến thời gian (year).

2. Vì sao mô hình FGLS lại vượt trội hơn Pooled OLS và FEM trong nghiên cứu này?

Pooled OLS bỏ qua đặc trưng riêng biệt của từng doanh nghiệp, trong khi FEM bị vi phạm hai giả định kinh tế lượng nghiêm trọng: phương sai sai số thay đổi giữa các công ty (Modified Wald $p = 0,0000$) và tự tương quan chuỗi (Wooldridge $p = 0,0012$). Mô hình FGLS sử dụng ma trận trọng số phương sai để hiệu chỉnh đồng thời cả hai khuyết tật trên, mang lại ước lượng vững và hiệu quả.

3. Tại sao tỷ lệ tài sản cố định (TANG) lại có tác động tiêu cực đến ROA và ROE?

Ngành VLXD là ngành công nghiệp nặng có chi phí đầu tư ban đầu vào nhà xưởng, máy móc rất lớn. Trong giai đoạn 2013–2022, nhiều doanh nghiệp đầu tư mở rộng công suất nhưng gặp khó khăn về đầu ra do thị trường bất động sản chững lại. Áp lực trích khấu hao tài sản cố định lớn trực tiếp bào mòn lợi nhuận ròng, dẫn đến mối tương quan nghịch giữa $TANG$ và KNSL.

4. Kết quả nghiên cứu có thể áp dụng cho các doanh nghiệp chưa niêm yết không?

Các nguyên lý về kiểm soát đòn bẩy nợ ($LEV$) và tăng tốc độ chu chuyển tài sản ($ME$) hoàn toàn áp dụng được cho các doanh nghiệp chưa niêm yết. Tuy nhiên, mức độ tác động của quy mô ($SIZE$) có thể khác biệt do doanh nghiệp chưa niêm yết gặp nhiều rào cản hơn trong việc tiếp cận các nguồn vốn vay ưu đãi.

5. Doanh nghiệp cần phân bổ ngân sách và thời gian bao lâu để tối ưu hóa KNSL theo mô hình?

Lộ trình tái cấu trúc tài chính và tối ưu hóa vận hành thường kéo dài từ 12 đến 24 tháng. Chi phí triển khai chủ yếu tập trung vào việc số hóa hệ thống quản trị kho/khoản phải thu và phí tư vấn tái cấu trúc nợ, ước tính chỉ chiếm dưới 1% tổng tài sản nhưng có thể giúp cải thiện $ROA$ từ 1,5% đến 3,0% sau 1 năm tài chính.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán xác định và định lượng các nhân tố ảnh hưởng đến KNSL của 26 doanh nghiệp VLXD niêm yết trên sàn HOSE giai đoạn 2013–2022. Bằng việc ứng dụng mô hình kinh tế lượng FGLS trên Stata 17.0, nghiên cứu cung cấp bằng chứng thực nghiệm vững chắc: đòn bẩy tài chính ($LEV$), tỷ lệ nợ ($DER$) và tỷ lệ tài sản cố định ($TANG$) có tác động tiêu cực đến $ROA, ROE$; trong khi quy mô doanh nghiệp ($SIZE$) và hiệu quả quản lý ($ME$) là hai động lực chính thúc đẩy khả năng sinh lời. Đây là cơ sở khoa học và thực tiễn quan trọng giúp các nhà quản trị doanh nghiệp VLXD tái cấu trúc nguồn vốn, tối ưu hóa hiệu suất vận hành tài sản và nâng cao sức cạnh tranh dài hạn trên thị trường.