Giới thiệu dự án

Thị trường bất động sản (BĐS) Việt Nam giai đoạn 2021–2023 chứng kiến cuộc thanh lọc khốc liệt nhất trong vòng một thập kỷ. Theo báo cáo của MBS Research, riêng quý II/2023, nhóm doanh nghiệp BĐS chiếm tới 73% tổng giá trị chậm trả gốc và lãi trái phiếu doanh nghiệp (TPDN) toàn thị trường (tương đương gần 24.000 tỷ đồng). Dưới tác động kép từ hệ lụy đại dịch COVID-19, chu kỳ thắt chặt tiền tệ của Cục Dự trữ Liên bang Mỹ (Fed), khung pháp lý điều chỉnh qua Nghị định 153/2020/NĐ-CP và Nghị định 65/2022/NĐ-CP, khả năng thanh toán của các doanh nghiệp BĐS suy giảm nghiêm trọng, đẩy toàn ngành vào nguy cơ đóng băng thanh khoản cục bộ.

Vấn đề cốt lõi (Problem Statement) nằm ở sự mất cân đối kỳ hạn nghiêm trọng giữa tài sản và nguồn vốn: các doanh nghiệp địa ốc sử dụng đòn bẩy tài chính ngắn hạn (nợ vay ngân hàng, trái phiếu phát hành kỳ hạn 1–3 năm) để tài trợ cho các dự án phát triển dở dang có chu kỳ thu hồi vốn dài (5–10 năm). Khi thị trường đóng băng và pháp lý chậm phê duyệt, tài sản ngắn hạn bị chôn chặt trong hàng tồn kho khó thanh khoản, làm bộc lộ rủi ro vỡ nợ diện rộng.

       [ CẤU TRÚC RỦI RO KỲ HẠN VÀ THANH KHOẢN NGÀNH BẤT ĐỘNG SẢN ]

Mục tiêu của nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quản trị thanh khoản và phân tích cấu trúc tài chính của doanh nghiệp BĐS niêm yết.
  2. Đo lường định lượng thực trạng khả năng thanh toán qua 3 chỉ tiêu: Hệ số thanh toán ngắn hạn ($CR$), Hệ số thanh toán nhanh ($QR$) và Hệ số thanh toán tức thời ($MR$).
  3. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm lượng hóa mức độ tác động của 7 nhóm nhân tố vi mô và vĩ mô đến năng lực chi trả.
  4. Đề xuất ma trận giải pháp tái cấu trúc tài chính, tối ưu hóa dòng tiền và quản trị rủi ro nợ vay cho doanh nghiệp và các định chế tài chính.

Phương pháp tiếp cận: Nghiên cứu ứng dụng phương pháp kinh tế lượng hiện đại xử lý dữ liệu bảng cân bằng (Balanced Panel Data) cho 82 công ty BĐS niêm yết trên sàn HOSE và HNX trong giai đoạn 2021–2023 (tương ứng 246 quan sát), thông qua các mô hình hồi quy OLS gộp (Pooled OLS), mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM), kết hợp các kiểm định khuyết tật mô hình chuyên sâu trên phần mềm Stata 14.

Phạm vi và giới hạn: Nghiên cứu tập trung vào 82 doanh nghiệp BĐS niêm yết công khai BCTC kiểm toán giai đoạn 2021–2023, không bao gồm các doanh nghiệp chưa niêm yết hoặc các tập đoàn đa ngành có tỷ trọng BĐS dưới 30% doanh thu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng phân tích tài chính doanh nghiệp BĐS truyền thống thường bộc lộ nhiều lỗ hổng do chỉ áp dụng các tỷ số tĩnh đơn lẻ mà bỏ qua tính tương tác động và đặc thù tài sản dở dang kéo dài.

Tiêu chí so sánh Phân tích tỷ số truyền thống Mô hình chấm điểm tín dụng (Altman Z-Score) Mô hình Kinh tế lượng dữ liệu bảng (Nghiên cứu áp dụng)
Bản chất dữ liệu Mặt cắt tĩnh từng năm Tuyến tính kết hợp tỷ số Dữ liệu bảng kết hợp không gian và thời gian (Panel Data)
Kiểm soát dị biệt Không có Rất thấp Kiểm soát dị biệt riêng của từng doanh nghiệp qua FEM/REM
Độ nhạy vĩ mô Tách rời biến vĩ mô Cố định trọng số Tích hợp biến động GDP, Lạm phát (INF) thời gian thực
Xử lý khuyết tật Không kiểm định Không kiểm định Kiểm định tự tương quan (Wooldridge), phương sai thay đổi

Phân loại yêu cầu quản trị thanh khoản theo khung MoSCoW:

  • Must-have (Bắt buộc): Kiểm soát ngưỡng an toàn $CR \ge 1.5$, theo dõi tỷ số nợ trên tổng tài sản ($DR \le 0.6$), dự báo áp lực dòng tiền đáo hạn nợ gốc trái phiếu trong 12 tháng.
  • Should-have (Nên có): Tách bạch cấu trúc hàng tồn kho thành phẩm và chi phí xây dựng dở dang trong chỉ số $QR$; phân tích độ biến thiên của dòng tiền hoạt động thuần (OCF).
  • Could-have (Có thể có): Ứng dụng mô hình kinh tế lượng để kiểm tra sức chịu tải (Stress Testing) khi lạm phát và lãi suất cho vay biến động $\pm 200$ bps.
  • Won't-have (Chưa cần): Đánh giá định giá lại tài sản ngầm ngoài bảng cân đối kế toán trong mô hình thanh khoản định kỳ ngắn hạn.

Thiết kế hệ thống mô hình kinh tế lượng

Nghiên cứu thiết lập 3 phương trình hồi quy tuyến tính bội dạng dữ liệu bảng để phân tích toàn diện 3 cấp độ thanh khoản:

$$\text{Model 1: } CR_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 AGE_{it} + \beta_3 ROA_{it} + \beta_4 ROE_{it} + \beta_5 ROS_{it} + \beta_6 AS_{it} + \beta_7 DR_{it} + \beta_8 GDP_t + \beta_9 INF_t + u_{it}$$

$$\text{Model 2: } QR_{it} = \alpha_0 + \alpha_1 SIZE_{it} + \alpha_2 AGE_{it} + \alpha_3 ROA_{it} + \alpha_4 ROE_{it} + \alpha_5 ROS_{it} + \alpha_6 AS_{it} + \alpha_7 DR_{it} + \alpha_8 GDP_t + \alpha_9 INF_t + e_{it}$$

$$\text{Model 3: } MR_{it} = \gamma_0 + \gamma_1 SIZE_{it} + \gamma_2 AGE_{it} + \gamma_3 ROA_{it} + \gamma_4 ROE_{it} + \gamma_5 ROS_{it} + \gamma_6 AS_{it} + \gamma_7 DR_{it} + \gamma_8 GDP_t + \gamma_9 INF_t + v_{it}$$

Trong đó, các biến số được định nghĩa chính xác theo chuẩn mực kế toán tài chính:

  • Biến phụ thuộc: $CR$ (TSNH / Nợ ngắn hạn), $QR$ ((TSNH - Hàng tồn kho) / Nợ ngắn hạn), $MR$ (Tiền & tương đương tiền / Nợ ngắn hạn).
  • Biến vi mô: $SIZE$ ($\ln(\text{Doanh thu})$), $AGE$ (Số năm hoạt động tính đến 2023), $ROA$ (LNST / Tổng tài sản), $ROE$ (LNST / Vốn chủ sở hữu), $ROS$ (LNST / Doanh thu), $AS$ (Cấu trúc tài sản = TSNH / Tổng tài sản), $DR$ (Tỷ số nợ = Tổng nợ / Tổng tài sản).
  • Biến vĩ mô: $GDP$ (Tốc độ tăng trưởng GDP thực tế), $INF$ (Tỷ lệ lạm phát bình quân năm).

Công nghệ và công cụ thực hiện:

  • Phần mềm phân tích kinh tế lượng: Stata phiên bản 14.0 (StataCorp LLC).
  • Tiền xử lý và chuẩn hóa dữ liệu: Python 3.10 (thư viện pandas 2.0.3, numpy 1.24.3).
  • Nguồn trích xuất dữ liệu: Báo cáo tài chính kiểm toán 82 doanh nghiệp từ VietstockFinance và FiinPro.
       [ QUY TRÌNH XỬ LÝ VÀ PHÂN TÍCH DỮ LIỆU KINH TẾ LƯỢNG ]

Phương pháp luận (Methodology)

Nghiên cứu triển khai quy trình chuẩn 8 bước trong phân tích kinh tế lượng ứng dụng:

  1. Thu thập dữ liệu thứ cấp từ 246 báo cáo tài chính kiểm toán và số liệu Tổng cục Thống kê (GSO).
  2. Làm sạch dữ liệu, mã hóa biến số và kiểm tra tính toàn vẹn (Data Integrity).
  3. Phân tích thống kê mô tả (Mean, Std. Dev., Min, Max, Skewness, Kurtosis).
  4. Kiểm tra hiện tượng đa cộng tuyến thông qua Hệ số phóng đại phương sai (VIF).
  5. Ước lượng hồi quy theo mô hình OLS gộp, FEM và REM.
  6. Thực hiện kiểm định Hausman Specification Test để lựa chọn giữa FEM và REM:
    • $H_0$: Ước lượng ngẫu nhiên REM hiệu quả hơn ($Cov(X_{it}, u_i) = 0$).
    • $H_1$: Ước lượng cố định FEM phù hợp hơn ($Cov(X_{it}, u_i) \neq 0$).
  7. Kiểm định khuyết tật: Kiểm định Wooldridge cho tự tương quan bậc một; kiểm định Breusch-Pagan / Modified Wald cho phương sai sai số thay đổi.
  8. Ước lượng mô hình hiệu chỉnh (Robust Standard Errors hoặc FGLS) để kết luận mức ý nghĩa thống kê ($p$-value $< 0.05$).

Implementation và kết quả

Quy trình phân tích dữ liệu trên Stata

Quá trình phân tích thực nghiệm được thực hiện thông qua tập lệnh Stata Do-File tối ưu:

* Thiết lập dữ liệu bảng cân bằng (Balanced Panel Data)
clear all
set more off
import delimited "real_estate_liquidity_2021_2023.csv", clear
encode ticker, gen(id)
xtset id year

* Kiểm tra đa cộng tuyến
regress cr size age roa roe ros as dr gdp inf
vif

* Ước lượng Mô hình 1 (Hệ số thanh toán hiện hành - CR)
regress cr size age roa roe ros as dr gdp inf
estimates store ols_cr
xtreg cr size age roa roe ros as dr gdp inf, fe
estimates store fem_cr
xtreg cr size age roa roe ros as dr gdp inf, re
estimates store rem_cr

* Kiểm định Hausman cho Mô hình 1
hausman fem_cr rem_cr

* Kiểm định phương sai sai số thay đổi và tự tương quan
xttest0
xtserial cr size age roa roe ros as dr gdp inf

* Ước lượng mô hình hiệu chỉnh sai số chuẩn vững (Robust Cluster Standard Errors)
xtreg cr size age roa roe ros as dr gdp inf, re vce(robust)
xtreg qr size age roa roe ros as dr gdp inf, re vce(robust)
xtreg mr size age roa roe ros as dr gdp inf, fe vce(robust)

Kiểm định thống kê và kết quả chẩn đoán mô hình

Kết quả kiểm tra đa cộng tuyến cho thấy tất cả các biến độc lập đều có hệ số $\text{VIF} < 2.0$ (trung bình $\text{Mean VIF} = 1.42$), chứng minh mô hình hoàn toàn không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.

Tên biến Chỉ tiêu đại diện Mean Std. Dev. Min Max VIF
CR Khả năng thanh toán ngắn hạn (lần) 2.145 4.821 0.280 73.750 -
QR Khả năng thanh toán nhanh (lần) 1.412 4.698 0.070 73.750 -
MR Khả năng thanh toán tức thời (lần) 0.264 0.741 0.001 8.120 -
SIZE Logarit tự nhiên của Doanh thu 6.842 1.943 0.000 11.536 1.38
AGE Số năm hoạt động (năm) 20.15 8.421 4.000 48.000 1.12
ROA Lợi nhuận trên tổng tài sản (%) 3.14% 5.82% -24.12% 31.45% 1.76
ROE Lợi nhuận trên vốn chủ sở hữu (%) 6.89% 12.31% -68.40% 58.20% 1.84
AS TSNH / Tổng tài sản (%) 64.20% 21.30% 8.90% 98.40% 1.45
DR Tổng nợ / Tổng tài sản (%) 48.90% 19.40% 2.10% 89.20% 1.52

Kết quả lựa chọn mô hình qua kiểm định:

  • Mô hình 1 (Biến phụ thuộc $CR$): Kiểm định Hausman có $p\text{-value} = 0.1842 > 0.05 \rightarrow$ Mô hình REM được lựa chọn. Kiểm định Wooldridge phát hiện tự tương quan ($p = 0.012$), kiểm định Breusch-Pagan phát hiện phương sai sai số thay đổi ($p = 0.000$). Tiến hành hiệu chỉnh bằng REM Robust.
  • Mô hình 2 (Biến phụ thuộc $QR$): Kiểm định Hausman có $p\text{-value} = 0.2105 > 0.05 \rightarrow$ Mô hình REM được lựa chọn. Hiệu chỉnh khuyết tật bằng REM Robust.
  • Mô hình 3 (Biến phụ thuộc $MR$): Kiểm định Hausman có $p\text{-value} = 0.0084 < 0.05 \rightarrow$ Bác bỏ $H_0$, lựa chọn mô hình tác động cố định FEM. Hiệu chỉnh khuyết tật bằng FEM Robust.
                  [ TỔNG HỢP KẾT QUẢ HỒI QUY CUỐI CÙNG ]
Ghi chú: * p < 0.1, ** p < 0.05, *** p < 0.01

Kết quả chi tiết và phân tích kinh tế lượng

  1. Cấu trúc tài sản ($AS$): Tác động cùng chiều mạnh mẽ nhất đến cả 3 chỉ số ($p < 0.01$). Với mỗi 1% gia tăng tỷ trọng tài sản ngắn hạn trên tổng tài sản, hệ số thanh toán ngắn hạn tăng 0.0482 lần. Doanh nghiệp duy trì tỷ trọng TSNH cao có khả năng linh hoạt giải phóng vốn để thanh toán nghĩa vụ nợ.
  2. Tỷ số nợ ($DR$): Tác động ngược chiều có ý nghĩa thống kê cao ($p < 0.01$). Tỷ số nợ tăng 1% làm $CR$ giảm 0.0612 lần và $QR$ giảm 0.0581 lần. Điều này khẳng định việc lạm dụng đòn bẩy tài chính là nguyên nhân trực tiếp bào mòn thanh khoản.
  3. Nghịch lý hàng tồn kho qua phân hóa $CR$ - $QR$ - $MR$:
    • Hơn 89.02% đến 93.90% doanh nghiệp có $CR > 1.0$, tạo cảm giác an toàn giả tạo.
    • Tuy nhiên, khi loại bỏ tồn kho, tỷ lệ doanh nghiệp có $QR < 1.0$ tăng vọt lên 41.46% - 48.78%. Tiêu biểu như CTCP Quốc Cường Gia Lai (QCG) có $QR = 0.07$.
    • Khi xét đến tiền mặt thực tế, có đến 85.37% doanh nghiệp có $MR < 0.5$, phản ánh tình trạng "đói tiền mặt" nghiêm trọng. Điển hình, Tập đoàn Novaland (NVL) ghi nhận tồn kho cuối năm 2023 lên tới 138.598 tỷ đồng (chiếm 29% tồn kho toàn ngành), trong đó 93.8% là dự án dở dang chưa thể thương mại hóa.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính đột phá so với các công trình trước đây:

  1. Tính thời sự và tính đại diện trong giai đoạn khủng hoảng thanh khoản: So với nghiên cứu của Nguyễn Thị Việt Hà (2015) trên ngành thực phẩm hay Nguyễn Văn Thép & Tạ Quang Dũng (2017) trên 35 mã BĐS giai đoạn 2011–2015, nghiên cứu này cập nhật toàn diện mẫu dữ liệu 82 doanh nghiệp trong giai đoạn bản lề 2021–2023 – thời điểm thị trường trái phiếu BĐS Việt Nam đối diện với đợt tái cấu trúc lớn nhất lịch sử.

  2. So sánh tương quan với các công trình thực nghiệm:

Tác giả & Năm công bố Mẫu nghiên cứu & Giai đoạn Mô hình áp dụng Phát hiện cốt lõi về Đòn bẩy & Tồn kho
Hongxia Hu (2021) BĐS Trung Quốc (A-Share, 2010–2019) Thống kê mô tả & Hồi quy tuyến tính Vòng quay tồn kho quyết định 68% thanh khoản ngắn hạn; rủi ro nợ vay hệ thống
Trần Mạnh Dũng (2018) 31 DN Thực phẩm VN (2012–2016) Pooled OLS $SIZE, ROA, AS$ cùng chiều; $DR, ROE$ ngược chiều thanh toán
Nghiên cứu hiện tại (2024) 82 DN BĐS niêm yết VN (2021–2023) REM/FEM Robust trên Panel Data Phát hiện hiện tượng "Ảo ảnh thanh khoản" ($CR > 1$ nhưng $MR < 0.1$); $DR$ phá hủy dòng tiền nhanh
  1. Đóng góp phương pháp luận: Chứng minh rằng mô hình FEM hiệu chỉnh sai số chuẩn vững là bắt buộc khi phân tích hệ số thanh toán tức thời ($MR$), do đặc tính quản trị quỹ tiền mặt mang tính chất đặc thù nội tại bất biến theo thời gian của từng ban điều hành doanh nghiệp.

Ứng dụng thực tế và triển khai

Khung chiến lược ứng phó cho doanh nghiệp bất động sản

Dựa trên kết quả định lượng, lộ trình 4 bước tái cấu trúc thanh khoản được đề xuất cho các doanh nghiệp BĐS:

                  [ LỘ TRÌNH 4 BƯỚC TÁI CẤU TRÚC THANH KHOẢN ]
  1. Giải phóng hàng tồn kho và tái cơ cấu danh mục dự án: Chấp nhận chiết khấu thương mại 15–25% đối với các sản phẩm thành phẩm để thu hồi dòng tiền ngay lập tức, đưa hệ số $QR$ vượt ngưỡng an toàn $1.0$.
  2. Khai thông cấu trúc vốn qua đàm phán nợ trái phiếu: Áp dụng triệt để cơ chế Nghị định 08/2023/NĐ-CP để gia hạn kỳ hạn trái phiếu thêm 2 năm, hoặc hoán đổi gốc nợ trái phiếu bằng tài sản bất động sản hoàn thiện pháp lý.
  3. Chi phí và Lợi ích tài chính (ROI Analysis): Việc hạ tỷ lệ nợ $DR$ từ $0.65$ xuống $0.45$ giúp doanh nghiệp tiết kiệm trung bình 3.5% chi phí lãi vay hàng năm, cải thiện xếp hạng tín nhiệm nội bộ và giảm chi phí vốn bình quân (WACC) từ 13.5% xuống 10.8%.

Hạn chế và hướng phát triển

Nghiên cứu ghi nhận một số giới hạn học thuật:

  • Giới hạn thời gian: Khung dữ liệu 3 năm (2021–2023) phản ánh giai đoạn khủng hoảng bất thường, có thể tạo ra độ lệch nhất định so với chu kỳ kinh tế dài hạn 10 năm.
  • Biến ngoại bảng: Chưa lượng hóa được đầy đủ các nghĩa vụ bảo lãnh thanh toán chéo và cam kết tài chính ngoài bảng cân đối kế toán của các công ty con/công ty liên kết.

Hướng mở rộng đề tài:

  • Mở rộng tập dữ liệu sang giai đoạn 2024–2026 để đánh giá tác động sau khi Luật Đất đai (sửa đổi), Luật Nhà ở (sửa đổi) và Luật Kinh doanh BĐS chính thức có hiệu lực thi hành.
  • Tích hợp các thuật toán học máy (Machine Learning) như Random Forest, XGBoost để xây dựng hệ thống cảnh báo sớm vỡ nợ (Early Warning System) theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành Tài chính - Kế toán: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu dữ liệu bảng thực nghiệm trên phần mềm Stata 14 với đầy đủ quy trình kiểm định khuyết tật mô hình.
  • Giám đốc Tài chính (CFO) & Nhà quản trị doanh nghiệp BĐS: Sở hữu công cụ định lượng chính xác tác động của việc gia tăng nợ vay và tỷ trọng tồn kho đến sức khỏe dòng tiền để lập kế hoạch tài chính tối ưu.
  • Chuyên viên phân tích đầu tư & Ngân hàng thương mại: Ứng dụng bộ 3 chỉ số ($CR, QR, MR$) đã được bóc tách rủi ro tồn kho để thẩm định hạn mức tín dụng và xếp hạng mức độ an toàn trái phiếu doanh nghiệp.
  • Cơ quan quản lý nhà nước (Bộ Xây dựng, Ủy ban Chứng khoán): Có thêm căn cứ định lượng thực chứng để ban hành các quy định về tỷ lệ an toàn vốn và điều kiện phát hành TPDN riêng lẻ.

Câu hỏi thường gặp

1. Tại sao doanh nghiệp có hệ số $CR > 2.0$ vẫn có thể đối diện nguy cơ phá sản?

Do đặc thù hàng tồn kho BĐS chiếm tỷ trọng rất lớn (thường trên 60–70% tài sản ngắn hạn). Khi tồn kho bị đóng băng pháp lý hoặc xây dựng dở dang, doanh nghiệp không thể chuyển đổi thành tiền trong ngắn hạn. Nếu nợ ngắn hạn đáo hạn ồ ạt, hệ số thanh toán tức thời $MR \approx 0$ sẽ dẫn đến mất khả năng chi trả ngay lập tức dù $CR$ trên sổ sách rất cao.

2. Sự khác biệt căn bản giữa mô hình FEM và REM trong nghiên cứu này là gì?

Mô hình tác động cố định (FEM) giả định rằng các đặc điểm riêng biệt của từng doanh nghiệp (như năng lực ban lãnh đạo, thương hiệu) có tương quan với các biến giải thích. Ngược lại, mô hình tác động ngẫu nhiên (REM) giả định sự dị biệt này là hoàn toàn ngẫu nhiên. Kiểm định Hausman giúp lựa chọn mô hình chính xác nhất để tránh ước lượng chệch.

3. Tại sao biến Quy mô ($SIZE$) lại có tương quan âm với khả năng thanh toán trong giai đoạn 2021–2023?

Trong giai đoạn này, các doanh nghiệp BĐS quy mô lớn có xu hướng thâm dụng vốn và phát hành khối lượng trái phiếu khổng lồ trong các năm trước. Khi thị trường đảo chiều, quy mô nợ gốc quá lớn trở thành gánh nặng thanh toán vượt quá khả năng tạo tiền mặt của quy mô doanh thu hiện tại.

4. Giải pháp khắc phục hiện tượng phương sai sai số thay đổi trong Stata là gì?

Nghiên cứu sử dụng tùy chọn hồi quy với sai số chuẩn vững vce(robust) hoặc vce(cluster id). Lệnh này điều chỉnh ma trận hiệp phương sai của các ước lượng, đảm bảo kiểm định giả thuyết $t$ và $F$ đạt độ tin cậy chuẩn xác.

5. Ngưỡng an toàn tối ưu của các chỉ số thanh toán đối với doanh nghiệp BĐS Việt Nam là bao nhiêu?

Theo kết quả thực nghiệm, ngưỡng an toàn đề xuất cho ngành BĐS Việt Nam là: $CR \ge 1.8$; $QR \ge 1.0$; $MR \ge 0.25$, đồng thời tỷ số nợ $DR$ không nên vượt quá $0.50$ (tổng nợ không vượt quá 50% tổng tài sản).

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán lượng hóa các nhân tố tác động đến khả năng thanh toán của 82 công ty cổ phần BĐS niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2021–2023. Kết quả chứng minh thực nghiệm rằng cấu trúc tài sản ($AS$) và tỷ suất sinh lời trên tài sản ($ROA$) đóng vai trò bảo vệ thanh khoản, trong khi tỷ số nợ ($DR$) và quy mô mở rộng bằng đòn bẩy ($SIZE$) là các nhân tố chính gây xói mòn khả năng chi trả.

Khám phá về sự chênh lệch sâu sắc giữa $CR$ sổ sách và $MR$ tiền mặt thực tế là hồi chuông cảnh báo cho các định chế tài chính và nhà đầu tư trong việc thẩm định sức khỏe doanh nghiệp địa ốc. Để xây dựng thị trường BĐS minh bạch và bền vững, việc tái cấu trúc nợ vay, thanh lọc tồn kho và duy trì kỷ luật tài chính tiền mặt là mệnh lệnh cấp bách cho toàn ngành trong chu kỳ phát triển mới.