Giới thiệu dự án

Thị trường bất động sản (BĐS) tại Việt Nam đóng vai trò huyết mạch trong nền kinh tế, đóng góp trực tiếp từ 7,5% đến 8,2% GDP và có mối liên kết lan tỏa tới hơn 40 ngành kinh tế phụ trợ. Do đặc thù thâm dụng vốn lớn và chu kỳ hoàn vốn kéo dài, quyết định đầu tư (Capital Expenditure - CAPEX) của các doanh nghiệp bất động sản niêm yết (DNNY) trên Sàn Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) mang tính sống còn đối với sự tồn tại và năng lực sinh lời của doanh nghiệp.

Trong bối cảnh thị trường tài chính và bất động sản giai đoạn 2012–2021 biến động dữ dội qua các chu kỳ tái cấu trúc nợ, siết chặt tín dụng và tác động của đại dịch COVID-19, việc phân bổ nguồn vốn đầu tư của các nhà quản trị doanh nghiệp chịu tác động đa chiều từ cả yếu tố nội sinh lẫn vĩ mô. Tuy nhiên, phần lớn các doanh nghiệp BĐS vẫn ra quyết định dựa trên cảm tính hoặc mô hình đơn biến truyền thống, dẫn đến hiện tượng lệch pha cung cầu và rủi ro đứt gãy thanh khoản.

Vấn đề nghiên cứu và Điểm nghẽn thực tế (Problem Statement)

Các doanh nghiệp bất động sản niêm yết trên HOSE đối mặt với ba điểm nghẽn nghiêm trọng:

  • Bất cân xứng thông tin (Asymmetric Information): Hạn chế tiếp cận dòng vốn trung và dài hạn khi thị trường vốn không định giá chính xác giá trị thực của quỹ đất và tài sản dự án.
  • Rủi ro đòn bẩy tài chính cao: Tỷ lệ nợ/tổng tài sản (LEV) trung bình của ngành lên tới 52,70%, gây áp lực chi phí lãi vay và nguy cơ vỡ nợ khi lãi suất biến động.
  • Thiếu mô hình định lượng chuẩn xác: Thiếu cơ sở dữ liệu định lượng dài hạn để dự báo tương quan giữa tăng trưởng tài sản dài hạn với các biến động vĩ mô (lạm phát, tăng trưởng GDP).

Mục tiêu nghiên cứu (Project Objectives)

  1. Xác định các nhân tố vi mô nội tại: Đo lường mức độ tác động của 5 nhân tố tài chính nội bộ gồm Quy mô tài sản (SIZE), Tỷ lệ tài sản cố định hữu hình (TANGB), Đòn bẩy tài chính (LEV), Tốc độ tăng trưởng doanh thu (REVG) và Cơ hội đầu tư thị trường (TOBIN'S Q) tới mức độ đầu tư (INV).
  2. Đánh giá tác động của môi trường vĩ mô: Định lượng hóa mức độ chi phối của biến động tăng trưởng kinh tế (GDP) và tỷ lệ lạm phát (INF) lên quyết định đầu tư.
  3. Thiết lập và chuẩn hóa mô hình kinh tế lượng: Ứng dụng các kỹ thuật hồi quy dữ liệu bảng (Panel Data) gồm Pooled OLS, Fixed Effects Model (FEM) và Random Effects Model (REM), đồng thời kiểm định Hausman để chọn ra mô hình tối ưu nhất phục vụ công tác dự báo tài chính.

Phương pháp tiếp cận giải pháp (Solution Approach)

Đề tài sử dụng phương pháp kinh tế lượng thực nghiệm trên tập dữ liệu bảng thứ cấp (Balanced/Unbalanced Panel Data) thu thập từ Báo cáo tài chính kiểm toán và Báo cáo thường niên của 48 công ty BĐS niêm yết trên HOSE trong chuỗi thời gian liên tục 10 năm (2012–2021), tạo thành tổng thể 480 quan sát. Quy trình xử lý gồm lọc sạch dữ liệu, logarit hóa dữ liệu tài sản để loại trừ phương sai thay đổi, kiểm tra đa cộng tuyến qua VIF và chạy hồi quy mô hình hiệu ứng cố định (FEM).

Kết quả đo lường kỳ vọng (Measurable Expected Outcomes)

  • Tập mẫu: 480 biến quan sát từ 48 doanh nghiệp BĐS trên sàn HOSE giai đoạn 2012–2021.
  • Chất lượng mô hình: Độ phù hợp mô hình đạt $R^2 = 17,36%$, trị số $F(8, 408) = 12,27$ với mức ý nghĩa $p = 0,0000 < 0,01$.
  • Kiểm soát đa cộng tuyến: Hệ số phóng đại phương sai trung bình $\text{Mean VIF} = 1,16 < 3,0$, loại bỏ hoàn toàn hiện tượng đa cộng tuyến nghiêm trọng.

Phạm vi và Giới hạn nghiên cứu (Scope & Limitations)

  • Không gian: Toàn bộ 48 doanh nghiệp phân ngành bất động sản niêm yết trên Sàn Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).
  • Thời gian: Chu kỳ 10 năm từ năm 2012 đến năm 2021.
  • Giới hạn nội dung: Đại diện mức độ đầu tư được đo lường bằng tổng tài sản cố định và tài sản dài hạn khác (không bao gồm các khoản đầu tư tài chính ngắn hạn mang tính đầu cơ).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các hướng tiếp cận phân tích quyết định đầu tư phổ biến trong tài chính doanh nghiệp:

Phương pháp Ưu điểm Nhược điểm Đánh giá tính khả thi
Phân tích Định tính / Swot Dễ thực hiện, nắm bắt nhanh các yếu tố pháp lý, vĩ mô. Tính chủ quan cao, không đo lường được trọng số tác động chính xác. Không đủ cơ sở khoa học để lượng hóa dự báo
Hồi quy Cắt ngang (Cross-sectional OLS) Đơn giản, phản ánh được sai khác giữa các công ty tại một thời điểm. Bỏ qua yếu tố biến động chu kỳ theo thời gian, dễ bị chệch hệ số. Không phù hợp với dữ liệu chuỗi 10 năm
Hồi quy Dữ liệu Bảng (Panel Data - FEM/REM) Kiểm soát đặc tính riêng lẻ không quan sát được của từng công ty và xu hướng thời gian. Yêu cầu xử lý dữ liệu khắt khe, kiểm định nhiều bước (Hausman, Breusch-Pagan). Tối ưu nhất cho mẫu 48 DN BĐS (10 năm)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have (Bắt buộc có): Pipeline làm sạch dữ liệu BCTC 48 DN; Kiểm định đa cộng tuyến (VIF); Hồi quy Pooled OLS, FEM, REM; Kiểm định Hausman lựa chọn mô hình.
  • Should-have (Nên có): Chuẩn hóa Logarit biến phụ thuộc INV và biến quy mô SIZE; Bảng ma trận tương quan Pearson; Thống kê mô tả toàn diện (Mean, Std, Min, Max).
  • Could-have (Có thể có): Script tự động hóa phân tích hồi quy bằng Python (thư viện linearmodels / statsmodels) song song với Stata 11.
  • Won't-have (Chưa thực hiện): Mô hình GMM động bậc cao (System GMM) kiểm soát triệt để nội sinh đa kỳ.

Thiết kế hệ thống dữ liệu và kinh tế lượng

Technology Stack và Công cụ nghiên cứu

  • Stata 11.0 / Stata 14.0 SE: Nền tảng phân tích kinh tế lượng lõi, xử lý ma trận dữ liệu bảng, tính toán VIF, hồi quy FEM/REM và Hausman test.
  • Python 3.10 + Pandas 2.0.3 + Statsmodels 0.14.0: Xây dựng pipeline kiểm chứng kết quả và tự động hóa trích xuất báo cáo.
  • Microsoft Excel 2019: Tổng hợp, xử lý dữ liệu thô và lọc mã chứng khoán theo chuẩn ngành ICB.
  • Dữ liệu nguồn: Vietstock Corporate Data, FiinTrade Platform, Niên giám Thống kê GSO, World Bank Open Data.

Thiết kế Từ điển Dữ liệu (Data Schema / Variables Dictionary)

Phương trình kinh tế lượng tổng quát:

$$\text{INVG}{it} = \beta_0 + \beta_1 \text{REVG}{it} + \beta_2 \text{LEV}{it} + \beta_3 \text{SIZE}{it} + \beta_4 \text{TANGB}{it} + \beta_5 \text{TOBINQ}{it} + \beta_6 \text{GDP}{it} + \beta_7 \text{INF}{it} + \varepsilon_{it}$$

Tên biến Ký hiệu Bản chất Công thức / Phương pháp tính toán Đơn vị tính
Mức độ đầu tư $\text{INVG}$ Biến phụ thuộc $\ln(K_t) = \ln(\text{TSCĐ} + \text{Tài sản dài hạn khác}) = \ln(\text{TTS} - \text{TS Lưu động})$ Logarit tự nhiên
Tăng trưởng doanh thu $\text{REVG}$ Biến độc lập $(\text{REV}t - \text{REV}{t-1}) / \text{REV}_{t-1}$ Tỷ lệ (%)
Đòn bẩy tài chính $\text{LEV}$ Biến độc lập $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$ Tỷ lệ
Quy mô công ty $\text{SIZE}$ Biến độc lập $\ln(\text{Tổng tài sản})$ Logarit tự nhiên
Tỷ lệ TSCĐ $\text{TANGB}$ Biến độc lập $\text{TSCĐ hữu hình} / \text{Tổng tài sản}$ Tỷ lệ
Cơ hội đầu tư $\text{TOBINQ}$ Biến độc lập $(\text{Tổng nợ} + \text{Vốn hóa thị trường}) / (\text{Tổng nợ} + \text{Vốn chủ sở hữu})$ Hệ số
Tăng trưởng GDP $\text{GDP}$ Biến kiểm soát Tốc độ tăng trưởng GDP thực tế hàng năm của Việt Nam Tỷ lệ (%)
Lạm phát $\text{INF}$ Biến kiểm soát $(\text{CPI}t - \text{CPI}{t-1}) / \text{CPI}_{t-1} \times 100$ Tỷ lệ (%)

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình khoa học 5 bước:

  1. Thu thập và Làm sạch dữ liệu: Loại bỏ các quan sát thiếu sót nghiêm trọng, kiểm tra tính đầy đủ của 48 mã chứng khoán BĐS trên HOSE qua 10 năm tài chính.
  2. Thống kê mô tả và Phân tích tương quan: Xác định giá trị trung bình, độ lệch chuẩn, kiểm tra sơ bộ mối liên hệ tuyến tính giữa từng cặp biến độc lập và biến phụ thuộc qua hệ số tương quan Pearson ($r$).
  3. Kiểm định vi phạm giả định hồi quy: Đo lường đa cộng tuyến bằng hệ số VIF.
  4. Ước lượng đa mô hình: Thực hiện hồi quy Pooled OLS, FEM (Fixed Effects) và REM (Random Effects).
  5. Kiểm định Hausman: So sánh tính chệch và tính hiệu quả giữa ước lượng FEM và REM nhằm chọn ra mô hình giải thích chính xác nhất.
KẾ HOẠCH TRIỂN KHAI VÀ MILESTONES (16 TUẦN):
Tuần 01 - 04: Thu thập dữ liệu BCTC 48 DN BĐS (FiinTrade/Vietstock), dữ liệu GDP & CPI (GSO/World Bank)
Tuần 05 - 08: Tiền xử lý, lọc nhiễu, chuẩn hóa Logarit, xây dựng bộ dữ liệu bảng 480 quan sát
Tuần 09 - 12: Chạy kiểm định VIF, ước lượng Pooled OLS, FEM, REM trên Stata và kiểm định Hausman
Tuần 13 - 16: Phân tích kinh tế lượng chuyên sâu, đối chiếu lý thuyết tài chính và viết báo cáo luận văn

Implementation và kết quả

Quy trình phân tích dữ liệu và Code Snippets

Toàn bộ quy trình xử lý dữ liệu và ước lượng mô hình được lập trình hóa thông qua tệp kịch bản lệnh Stata Do-file và đối chiếu bằng script Python.

Trích dẫn kịch bản phân tích trên Stata (Do-file)

* Thiết lập không gian làm việc và cấu trúc dữ liệu bảng
clear all
set more off
import excel using "Dataset_RealEstate_HOSE_2012_2021.xlsx", sheet("Data") firstrow

* Định danh đơn vị doanh nghiệp và chuỗi thời gian
encode StockCode, gen(firm_id)
xtset firm_id Year

* Biến đổi logarit cho biến Mức độ đầu tư và Quy mô doanh nghiệp
gen INVG = log(FixedAssets + OtherLongTermAssets)
gen SIZE = log(TotalAssets)

* 1. Thống kê mô tả và ma trận hệ số tương quan
summarize INVG REVG TANGB LEV SIZE TOBINQ GDP INF
pwcorr INVG REVG TANGB LEV SIZE TOBINQ GDP INF, sig star(0.05)

* 2. Hồi quy Tuyến tính Pooled OLS và Kiểm định Đa cộng tuyến (VIF)
regress INVG REVG TANGB LEV SIZE TOBINQ GDP INF
vif

* 3. Ước lượng Mô hình Tác động Ngẫu nhiên (REM)
xtreg INVG REVG TANGB LEV SIZE TOBINQ GDP INF, re
estimates store model_rem

* 4. Ước lượng Mô hình Tác động Cố định (FEM)
xtreg INVG REVG TANGB LEV SIZE TOBINQ GDP INF, fe
estimates store model_fem

* 5. Kiểm định Hausman lựa chọn mô hình FEM hay REM
hausman model_fem model_rem

Script phân tích đối chiếu bằng Python (Statsmodels / Linearmodels)

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

# Đọc tập dữ liệu bảng
df = pd.read_excel("Dataset_RealEstate_HOSE_2012_2021.xlsx")
df["INVG"] = np.log(df["FixedAssets"] + df["OtherLongTermAssets"])
df["SIZE"] = np.log(df["TotalAssets"])

# Thiết lập MultiIndex cho dữ liệu bảng (firm_id, Year)
df = df.set_index(["firm_id", "Year"])
exog_vars = ["REVG", "SIZE", "TOBINQ", "LEV", "TANGB", "GDP", "INF"]
X = df[exog_vars]
y = df["INVG"]

# Kiểm định VIF
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("Hệ số VIF:\n", vif_data)

# Chạy mô hình Fixed Effects (FEM) với Entity Effects
fem_mod = PanelOLS(y, X, entity_effects=True)
fem_res = fem_mod.fit(cov_type="clustered", cluster_entity=True)
print(fem_res.summary)

Kết quả kiểm định và Đánh giá kỹ thuật

1. Kiểm tra hiện tượng đa cộng tuyến (Variance Inflation Factor - VIF)

Tất cả các biến độc lập đều có hệ số VIF rất thấp, dao động từ 1,01 đến 1,43 (trung bình 1,16), thấp hơn nhiều so với ngưỡng cảnh báo lý thuyết ($VIF < 5,0$). Điều này chứng minh không có hiện tượng đa cộng tuyến, đảm bảo độ chuẩn xác cho các hệ số hồi quy.

Tên biến VIF 1/VIF (Tolerance) Đánh giá
SIZE 1,43 0,6995 Không đa cộng tuyến
LEV 1,25 0,7997 Không đa cộng tuyến
TOBINQ 1,24 0,8044 Không đa cộng tuyến
GDP 1,08 0,9221 Không đa cộng tuyến
INF 1,06 0,9428 Không đa cộng tuyến
TANGB 1,05 0,9539 Không đa cộng tuyến
REVG 1,01 0,9877 Không đa cộng tuyến
Mean VIF 1,16 - Mô hình đạt độ tin cậy cao

2. Kết quả kiểm định lựa chọn mô hình Hausman

Kiểm định Hausman được thực hiện nhằm kiểm tra giả thuyết:

  • $H_0$: Không có sự tương quan giữa các sai số riêng biệt của đơn vị ($\varepsilon_i$) và các biến giải thích (Mô hình REM tối ưu hơn).
  • $H_1$: Có sự tương quan giữa các sai số riêng biệt và các biến giải thích (Mô hình FEM tối ưu hơn).

Kết quả kiểm định:

  • Giá trị thống kê $\chi^2(7) = 51,78$.
  • Giá trị $p\text{-value} = \text{Prob} > \chi^2 = 0,0021 < 0,05$.

Kết luận: Bác bỏ giả thuyết $H_0$ ở mức ý nghĩa 1%, lựa chọn Mô hình Tác động Cố định (Fixed Effects Model - FEM) làm mô hình chuẩn xác nhất để kết luận nghiên cứu.

Tổng hợp kết quả ước lượng mô hình

Biến độc lập Mô hình Pooled OLS ($\beta$) Mô hình REM ($\beta$) Mô hình FEM Tối ưu ($\beta$) P-value (FEM) Mức ý nghĩa Thống kê
REVG 0,0165 0,0049 0,0051 0,723 Không có ý nghĩa
SIZE 2,0585 2,6667 2,7045 0,000 Có ý nghĩa ở mức 1% (***)
TOBINQ 0,3211 0,0870 0,0833 0,532 Không có ý nghĩa
LEV -0,9660 -0,7324 -0,7472 0,111 Xu hướng tác động âm
TANGB 2,4056 8,5482 8,7956 0,000 Có ý nghĩa ở mức 1% (***)
GDP 1,9449 0,0877 0,1950 0,944 Không có ý nghĩa
INF 6,0148 8,3889 8,5875 0,000 Có ý nghĩa ở mức 1% (***)
_CONS -0,8897 - -9,0376 0,000 Có ý nghĩa ở mức 1% (***)

$$\text{INVG}{it} = -9,0376 + 2,7045 \cdot \text{SIZE}{it} + 8,7956 \cdot \text{TANGB}{it} + 8,5875 \cdot \text{INF}{it} + 0,0051 \cdot \text{REVG}{it} - 0,7472 \cdot \text{LEV}{it} + 0,0833 \cdot \text{TOBINQ}{it} + 0,1950 \cdot \text{GDP}{it}$$

Phân tích chuyên sâu các nhân tố tác động then chốt

  • Quy mô doanh nghiệp ($\text{SIZE}, \beta = 2,7045, p < 0,01$): Quy mô công ty có tác động dương mạnh mẽ nhất đến quyết định đầu tư. Khi quy mô tổng tài sản tăng 1%, mức độ đầu tư dài hạn của doanh nghiệp BĐS tăng 2,7045%. Các tập đoàn lớn có lợi thế tuyệt đối trong tiếp cận vốn tín dụng ngân hàng, phát hành trái phiếu và phát triển các đại dự án tích lũy quỹ đất.
  • Tỷ lệ tài sản cố định hữu hình ($\text{TANGB}, \beta = 8,7956, p < 0,01$): Hệ số dương cực lớn chứng minh các doanh nghiệp sở hữu tỷ trọng máy móc, thiết bị, hạ tầng kỹ thuật và bất động sản đầu tư lớn có khả năng thế chấp tài sản vượt trội để tái tài trợ cho các dự án mới.
  • Tỷ lệ lạm phát ($\text{INF}, \beta = 8,5875, p < 0,01$): Tác động đồng biến có ý nghĩa thống kê cao. Trong bối cảnh kinh tế Việt Nam, bất động sản được xem là kênh trú ẩn lạm phát an toàn nhất; khi lạm phát gia tăng, các doanh nghiệp có xu hướng đẩy mạnh giải ngân vốn mua bán sáp nhập (M&A) quỹ đất và xây dựng nhằm hạn chế sự mất giá của tiền mặt.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến mang tính thực nghiệm cao so với các nghiên cứu trước đây tại thị trường Việt Nam:

SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ PHƯƠNG PHÁP:
    do tính chất "tài sản trú ẩn" đặc thù của BĐS Việt Nam.

Bảng so sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí Lê Bảo Lâm & Lê Văn Hướng (2012) Lê Thị Hiệu (2013) Đồ án Nghiên cứu Hiện tại (2022)
Phạm vi mẫu Doanh nghiệp tại Tiền Giang (Đa ngành) 150 Doanh nghiệp niêm yết (Đa ngành) 48 Doanh nghiệp BĐS niêm yết trên HOSE
Giai đoạn nghiên cứu Cắt ngang 1 năm 2006 – 2012 (7 năm) 2012 – 2021 (10 năm liên tục)
Phương pháp ước lượng Binary Logistic Pooled OLS, FEM, REM FEM tối ưu hóa qua kiểm định Hausman
Biến phụ thuộc Quyết định đầu tư dạng nhị phân (0/1) Tốc độ tăng trưởng đầu tư tổng thể $\ln(K_t)$ chuẩn hóa tài sản dài hạn
Phát hiện về Lạm phát Không xem xét Hệ số âm, không có ý nghĩa thống kê Hệ số dương ($\beta = 8,5875$, $p = 0,000$)

Đóng góp thực tiễn cho ngành Bất động sản

  • Lượng hóa chiến lược thâm dụng tài sản: Chứng minh bằng thực nghiệm rằng nâng cao năng lực máy móc và tài sản cố định hữu hình ($\text{TANGB}$) giúp tăng khả năng huy động vốn đầu tư gấp hơn 8 lần so với việc chỉ tập trung mở rộng doanh thu ngắn hạn ($\text{REVG}$).
  • Tái định vị chiến lược phòng thủ lạm phát: Cung cấp cơ sở khoa học định lượng giúp các Giám đốc Tài chính (CFO) tự tin phân bổ dòng tiền nhàn rỗi vào quỹ đất và dự án dở dang trong chu kỳ lạm phát mở rộng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong Quản trị Doanh nghiệp (Use Cases)

  • Use Case 1: Lập kế hoạch Ngân sách Vốn (Capital Budgeting): Ban giám đốc sử dụng mô hình FEM để tính toán mức gia tăng tài sản dài hạn tối ưu dựa trên dự báo tăng trưởng quy mô tài sản và chỉ số lạm phát mục tiêu của Chính phủ.
  • Use Case 2: Tối ưu cấu trúc Tài trợ và Đòn bẩy: Giữ hệ số $\text{LEV}$ ở mức an toàn ($< 0,55$) nhằm tránh việc hệ số đòn bẩy quá cao gây áp lực âm lên quyết định giải ngân dự án mới ($\beta_{\text{LEV}} = -0,7472$).
  • Use Case 3: Chiến lược mua gom Quỹ đất theo Chu kỳ Vĩ mô: Khi lạm phát có dấu hiệu vượt ngưỡng 4%, đẩy nhanh tiến độ đầu tư xây dựng dự án và đền bù quỹ đất nhằm đón đầu chu kỳ tăng giá bất động sản.

Lộ trình triển khai ứng dụng mô hình định lượng

LỘ TRÌNH ỨNG DỤNG CHO PHÒNG TÀI CHÍNH / ĐẦU TƯ:
[Tháng 1-2] Tích hợp API FiinTrade / Vietstock tự động kéo BCTC 48 DN BĐS
[Tháng 3-4] Xây dựng Dashboard định lượng trên Python/Streamlit
[Tháng 5-6] Ứng dụng mô hình FEM vào thẩm định kế hoạch CAPEX 3 năm

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nội sinh tiềm ẩn (Endogeneity): Mô hình FEM tĩnh chưa xử lý triệt để hiện tượng nội sinh phát sinh từ mối tương quan giữa biến trễ của đầu tư ($\text{INV}_{t-1}$) và phần dư mô hình.
  • Dữ liệu khuyết thiếu cục bộ: Một số doanh nghiệp BĐS mới niêm yết trong giai đoạn 2018–2021 dẫn đến bảng dữ liệu có độ lệch nhẹ ở biến $\text{REVG}$ ($N = 417$).
  • Đo lường biến đầu tư: Nghiên cứu chưa tách riêng giá trị chi phí xây dựng dở dang của từng phân khúc cụ thể (BĐS dân dụng, BĐS nghỉ dưỡng, BĐS khu công nghiệp).

Hướng phát triển tương lai

  • Ứng dụng Mô hình GMM Động (Two-step System GMM): Bổ sung biến trễ bậc 1 và bậc 2 của đầu tư nhằm kiểm soát hoàn toàn tính nội sinh động và tính ì trong quyết định đầu tư dài hạn.
  • Tích hợp Machine Learning / Deep Learning: Kết hợp mô hình hồi quy kinh tế lượng với các thuật toán Random Forest, XGBoost và mạng LSTM để dự báo chính xác nhu cầu giải ngân vốn CAPEX theo từng quý.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học Ngành Tài chính - Ngân hàng: Nắm vững phương pháp nghiên cứu thực nghiệm, quy trình thu thập dữ liệu bảng và kỹ thuật kiểm định mô hình Pooled OLS, FEM, REM trên Stata.
  • Chuyên viên Phân tích Định lượng (Quant / Financial Analyst): Tiếp cận bộ trọng số định lượng chính xác về các biến vi mô và vĩ mô tác động đến các cổ phiếu nhóm ngành BĐS niêm yết trên HOSE.
  • Ban Lãnh đạo & CFO Doanh nghiệp Bất động sản: Cơ sở khoa học vững chắc để hoạch định chính sách phân bổ vốn, quản trị rủi ro nợ vay và mở rộng tài sản dài hạn.
  • Các Nhà hoạch định Chính sách & Cơ quan Quản lý: Dữ liệu tham khảo để đánh giá mức độ hấp thụ vốn của ngành BĐS trong các kịch bản điều hành lạm phát và lãi suất.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại lựa chọn mô hình FEM thay vì REM hoặc Pooled OLS?

Kiểm định Hausman cho giá trị $\chi^2(7) = 51,78$ với $p = 0,0021 < 0,01$, bác bỏ hoàn toàn giả thuyết $H_0$. Điều này khẳng định có sự tương quan giữa các đặc tính riêng biệt không quan sát được của từng doanh nghiệp với các biến giải thích, do đó mô hình FEM cho ước lượng vững và không bị chệch.

2. Vì sao lạm phát (INF) lại có tương quan dương với quyết định đầu tư BĐS tại Việt Nam?

Bất động sản tại Việt Nam có đặc thù là kênh bảo toàn giá trị vốn hàng đầu. Khi lạm phát tăng, chi phí nguyên vật liệu và giá đất trong tương lai được dự báo tăng cao, thúc đẩy các doanh nghiệp đẩy nhanh tiến độ giải ngân vốn đầu tư ngay trong hiện tại để tối ưu chi phí và gia tăng giá trị tài sản ròng.

3. Tỷ lệ đòn bẩy tài chính (LEV) ảnh hưởng như thế nào đến quyết định đầu tư?

Mặc dù hệ số của biến $\text{LEV}$ mang giá trị âm ($\beta = -0,7472$), phản ánh xu hướng các doanh nghiệp vay nợ quá nhiều sẽ bị giới hạn hạn mức tín dụng và giảm đầu tư, tuy nhiên biến này có mức ý nghĩa $p = 0,111 > 0,05$. Điều này cho thấy tác động của đòn bẩy còn phụ thuộc lớn vào năng lực thanh toán và chu kỳ phát triển của từng doanh nghiệp cụ thể.

4. Biến phụ thuộc mức độ đầu tư (INVG) được chuẩn hóa như thế nào để tránh phương sai thay đổi?

Nghiên cứu lấy logarit tự nhiên của tổng tài sản cố định và tài sản dài hạn khác: $\text{INVG} = \ln(\text{TSCĐ} + \text{Tài sản dài hạn khác})$. Việc logarit hóa giúp nén quy mô dữ liệu tiền tệ từ hàng chục nghìn tỷ đồng về dải giá trị chuẩn (từ 10,28 đến 32,56), đưa phân phối phần dư về gần phân phối chuẩn.

5. Yêu cầu công nghệ để tái lập và ứng dụng mô hình này là gì?

Hệ thống yêu cầu cài đặt phần mềm Stata (phiên bản 11.0 trở lên) hoặc môi trường Python 3.8+ với các gói pandas, statsmodels, linearmodels. Bộ nhớ RAM tối thiểu 4GB và cấu hình máy tính tiêu chuẩn văn phòng có thể xử lý tập dữ liệu 480 quan sát trong chưa đầy 5 giây.

Kết luận

Nghiên cứu "Những nhân tố ảnh hưởng đến quyết định đầu tư của doanh nghiệp bất động sản niêm yết trên SGDCK TP. HCM (HOSE)" giai đoạn 2012–2021 đã giải quyết bài toán định lượng phân bổ vốn trong tài chính doanh nghiệp. Thông qua phân tích 480 quan sát dữ liệu bảng từ 48 doanh nghiệp BĐS đầu ngành, nghiên cứu chứng minh mô hình Tác động Cố định (FEM) là mô hình tối ưu nhất.

Kết quả thực nghiệm khẳng định ba nhân tố có tác động tích cực và mạnh mẽ nhất đến quyết định đầu tư dài hạn với mức ý nghĩa 1% ($p < 0,01$) gồm: Tỷ lệ tài sản cố định hữu hình ($\beta = 8,7956$), Tỷ lệ lạm phát ($\beta = 8,5875$) và Quy mô doanh nghiệp ($\beta = 2,7045$).

Đây là luận cứ khoa học để các nhà quản trị tài chính BĐS tái cấu trúc danh mục tài sản, tận dụng chu kỳ kinh tế vĩ mô và tối đa hóa giá trị doanh nghiệp. Độc giả và các nhà nghiên cứu có thể sử dụng bộ kịch bản Stata/Python được cung cấp trong đồ án để tiếp tục mở rộng nghiên cứu sang mô hình GMM động hoặc ứng dụng trực tiếp vào thẩm định dự án đầu tư thực tế.