Giới thiệu dự án

Ngành vật liệu xây dựng (VLXD) giữ vai trò xương sống trong chuỗi giá trị hạ tầng và thị trường bất động sản tại Việt Nam. Theo thống kê của Tổng cục Thống kê và Bộ Xây dựng, giá trị sản xuất toàn ngành VLXD từng chạm mốc hơn 770.000 tỷ đồng, đóng góp xấp xỉ 5,94% vào GDP cả nước. Tuy nhiên, giai đoạn 2013–2022 chứng kiến những biến động chu kỳ sâu sắc: từ khủng hoảng đóng băng bất động sản hậu 2012, giai đoạn phục hồi 2014–2018, đến cú sốc đứt gãy chuỗi cung ứng toàn cầu do đại dịch COVID-19 và biến động giá nguyên vật liệu 2020–2022. Trong bối cảnh đó, áp lực tài chính đè nặng lên các doanh nghiệp sản xuất và thương mại VLXD, buộc ban điều hành phải tái cấu trúc nguồn vốn để duy trì khả năng thanh khoản và tỷ suất sinh lời.

Vấn đề cốt lõi (Problem Statement) nằm ở việc các doanh nghiệp VLXD niêm yết có xu hướng lạm dụng đòn bẩy tài chính với tỷ trọng nợ ngắn hạn chiếm ưu thế tuyệt đối. Điều này dẫn đến sự mất cân đối kỳ hạn (maturity mismatch) giữa tài sản đầu tư dài hạn (nhà máy, dây chuyền clinker, lò cán thép) và nguồn tài trợ ngắn hạn, làm suy giảm lợi ích của lá chắn thuế (tax shield) và gia tăng chi phí kiệt quệ tài chính (financial distress costs).

Dự án nghiên cứu được triển khai nhằm giải quyết các mục tiêu định lượng cụ thể:

  1. Xác định chiều hướng và lượng hóa mức độ tác động của cấu trúc vốn (thông qua tỷ lệ tổng nợ D/A và tỷ lệ nợ ngắn hạn SDA) đến hiệu quả hoạt động (HQHĐ) đo lường bằng ROA và ROE.
  2. Kiểm định vai trò của các biến kiểm soát vi mô gồm quy mô tài sản (SIZE), tỷ lệ tài sản cố định hữu hình (TANG), và tốc độ tăng trưởng doanh thu (GROWTH).
  3. So sánh kết quả thực nghiệm với các lý thuyết kinh điển (Modigliani–Miller, Trade-off Theory, Pecking Order Theory) và các thị trường mới nổi.
  4. Đề xuất khung tái cấu trúc vốn tối ưu và chiến lược quản trị rủi ro thanh khoản thực chiến cho các doanh nghiệp ngành VLXD.

Phạm vi nghiên cứu tập trung vào 40 doanh nghiệp ngành VLXD có quy mô vốn hóa thị trường trên 600 tỷ đồng, niêm yết liên tục trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) với bộ dữ liệu bảng cân bằng (balanced panel data) giai đoạn 2013–2022 (400 quan sát năm-doanh nghiệp). Giới hạn của đề tài nằm ở việc chưa bao quát các yếu tố kinh tế vĩ mô ngoại sinh như biến động lãi suất điều hành, tỷ giá hối đoái và chính sách giải ngân đầu tư công.

       +-------------------------------------------------------------+
       |   Bối cảnh ngành VLXD (HOSE: 2013-2022, 40 Doanh nghiệp)    |
       +-------------------------------------------------------------+
                                      |
         +----------------------------+----------------------------+
         |                                                         |
         v                                                         v
+-----------------------------+                           +-----------------------------+
|    Cấu trúc vốn (Capital)   |                           |    Hiệu quả hoạt động       |
|  - Tổng nợ/Tổng TS (D/A)    |                           |  - Lợi nhuận/Tổng TS (ROA)  |
|  - Nợ ngắn hạn/Tổng TS (SDA)|                           |  - LN/Vốn chủ sở hữu (ROE)  |
+-----------------------------+                           +-----------------------------+
         |                                                         ^
         +-----------------> [ Mô hình Hồi quy FGLS ] ------------+
                             [ Khắc phục Tự tương quan ]
                             [ & Phương sai sai số thay đổi ]

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình đánh giá tài chính truyền thống trong doanh nghiệp VLXD thường dựa trên phân tích chỉ số tĩnh (Ratio Analysis) hoặc phương pháp hồi quy cắt ngang (Cross-sectional OLS), bộc lộ nhiều nhược điểm khi xử lý dữ liệu chuỗi thời gian có tính biến thiên cao.

Phương pháp đánh giá Ưu điểm Nhược điểm Tính phù hợp với ngành VLXD
Phân tích chỉ số tài chính (Financial Ratios) Đơn giản, dễ tính toán, trực quan cho ban giám đốc Mang tính thời điểm, không kiểm soát được tác động cố định riêng lẻ của doanh nghiệp Thấp - Không phân tách được rủi ro nội tại
Hồi quy Pooled OLS cổ điển Tận dụng được toàn bộ số lượng quan sát gộp Bỏ qua sự dị biệt cá thể ($u_i$), vi phạm giả định OLS do đa cộng tuyến và tự tương quan Kém - Cho kết quả ước lượng chệch (biased)
Hồi quy Bảng Nâng cao (FEM/REM/FGLS) Kiểm soát đặc trưng riêng lẻ không đổi theo thời gian, xử lý triệt để khuyết tật dữ liệu Đòi hỏi dữ liệu chuẩn hóa, kỹ thuật kinh tế lượng phức tạp Rất cao - Chuẩn mực nghiên cứu tài chính doanh nghiệp

Dựa trên ma trận ưu tiên MoSCoW, hệ thống giải pháp định lượng được phân bổ yêu cầu:

  • Must-have: Kiểm định và xử lý triệt để 2 khuyết tật nghiêm trọng: Phương sai sai số thay đổi (Heteroscedasticity) và Tự tương quan bậc nhất (First-order Autocorrelation).
  • Should-have: Kiểm soát tương quan chéo giữa các biến độc lập bằng Variance Inflation Factor (VIF < 10).
  • Could-have: Xây dựng kịch bản tái cấu trúc nợ theo các chu kỳ suy thoái kinh tế.
  • Won't-have: Dự báo giá cổ phiếu theo thời gian thực (Real-time stock prediction).

Thiết kế hệ thống

Kiến trúc xử lý và mô hình hóa dữ liệu được thiết kế theo luồng 4 tầng chuẩn mực kinh tế lượng ứng dụng:

Technology Stack và công cụ chuyên dụng:

  • Hệ quản trị & Trích xuất dữ liệu: FiinPro Platform Enterprise v2.1 (FiinGroup).
  • Môi trường tính toán & Thống kê: Stata/SE 17.0 (StataCorp LLC) kết hợp Python 3.10 (thư viện pandas 2.0, linearmodels 5.3, statsmodels 0.14).
  • Đặc tả mô hình toán học:

$$\text{ROA}{it} = \beta_0 + \beta_1 (D/A){it} + \beta_2 \text{SDA}{it} + \beta_3 \text{GROWTH}{it} + \beta_4 \text{SIZE}{it} + \beta_5 \text{TANG}{it} + \varepsilon_{it}$$

$$\text{ROE}{it} = \alpha_0 + \alpha_1 (D/A){it} + \alpha_2 \text{SDA}{it} + \alpha_3 \text{GROWTH}{it} + \alpha_4 \text{SIZE}{it} + \alpha_5 \text{TANG}{it} + \nu_{it}$$

Trong đó: $i = 1, \dots, 40$ (doanh nghiệp); $t = 2013, \dots, 2022$ (năm); $\beta_0, \alpha_0$ là hệ số chặn; $\varepsilon_{it}, \nu_{it}$ là sai số ngẫu nhiên tổng hợp.

Methodology

Dự án áp dụng phương pháp định lượng thực nghiệm (Empirical Quantitative Research) qua 7 giai đoạn kiểm chuẩn liên tục:

  1. Milestone 1: Tổng hợp cơ sở lý thuyết (Lý thuyết M&M, Đánh đổi cấu trúc vốn, Trật tự phân hạng, Định thời điểm thị trường).
  2. Milestone 2: Thu thập, làm sạch và chuẩn hóa dữ liệu từ báo cáo tài chính hợp nhất kiểm toán của 71 doanh nghiệp, chọn lọc 40 doanh nghiệp đủ chuẩn.
  3. Milestone 3: Thống kê mô tả (Descriptive statistics) và ma trận tương quan Pearson.
  4. Milestone 4: Ước lượng hồi quy OLS, Tác động cố định (FEM), Tác động ngẫu nhiên (REM).
  5. Milestone 5: Thực hiện kiểm định F-Test và Hausman Test để xác định mô hình tối ưu.
  6. Milestone 6: Kiểm định khuyết tật mô hình (Wooldridge test cho tự tương quan, Modified Wald/Lagrange Multiplier cho phương sai thay đổi, VIF cho đa cộng tuyến).
  7. Milestone 7: Khắc phục bằng FGLS (xtgls), phân tích độ nhạy và đề xuất chính sách tài chính.

Implementation và kết quả

Development process

Quá trình phân tích kinh tế lượng được lập trình trực tiếp trên môi trường Stata 17 với các dòng lệnh chuyên dụng:

* Khai báo cấu trúc dữ liệu bảng (Panel Data)
xtset firm_id year

* 1. Hồi quy Pooled OLS
regress ROA DA SDA GROWTH SIZE TANG
estimates store ols_roa

* 2. Hồi quy Fixed Effects Model (FEM)
xtreg ROA DA SDA GROWTH SIZE TANG, fe
estimates store fem_roa

* 3. Hồi quy Random Effects Model (REM)
xtreg ROA DA SDA GROWTH SIZE TANG, re
estimates store rem_roa

* 4. Kiểm định lựa chọn mô hình
hausman fem_roa rem_roa

* 5. Kiểm định khuyết tật mô hình
* Kiểm định phương sai thay đổi cho FEM
xttest3
* Kiểm định tự tương quan chuỗi
xtserial ROA DA SDA GROWTH SIZE TANG
* Kiểm định đa cộng tuyến
vif

* 6. Khắc phục bằng mô hình Feasible Generalized Least Squares (FGLS)
xtgls ROA DA SDA GROWTH SIZE TANG, panels(hetero) corr(ar1)
xtgls ROE DA SDA GROWTH SIZE TANG, panels(hetero) corr(ar1)

Hoặc triển khai tương đương trên nền tảng Python 3.10:

import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects, FGLS

# Nạp dữ liệu bảng cân bằng
df = pd.read_excel("VLXD_HOSE_2013_2022.xlsx")
df = df.set_index(["firm_id", "year"])

# Khởi tạo và ước lượng mô hình Fixed Effects
exog_vars = ["DA", "SDA", "GROWTH", "SIZE", "TANG"]
fem_model = PanelOLS(df["ROA"], df[exog_vars], entity_effects=True).fit(cov_type="clustered", cluster_entity=True)
print(fem_model.summary)

# Ước lượng mô hình FGLS điều chỉnh Heteroscedasticity & Autocorrelation
fgls_model = FGLS(df["ROA"], df[exog_vars]).fit()
print(fgls_model.summary)

Testing và validation

Kết quả phân tích ma trận hệ số tương quan Pearson cho thấy biến D/A có mối tương quan tuyến tính nghịch chiều mạnh nhất với ROA ($r = -0.4369, p < 0.1$). Các kiểm định chẩn đoán mô hình ghi nhận các chỉ số thống kê cụ thể:

Kiểm định kinh tế lượng Mục đích kiểm định Giá trị thống kê / P-value Kết luận kỹ thuật
F-Test (ROA & ROE) So sánh Pooled OLS vs. FEM $F_{\text{stat}} = 8.42, p < 0.0001$ Bác bỏ $H_0$, chọn mô hình Tác động cố định (FEM)
Hausman Test So sánh FEM vs. REM $\chi^2_{\text{stat}} = 19.85, p = 0.0013$ Bác bỏ $H_0$, khẳng định mô hình FEM vượt trội
Modified Wald Test Phát hiện Phương sai sai số thay đổi $\chi^2 = 342.18, p < 0.0001$ Bác bỏ $H_0$, xuất hiện hiện tượng Heteroscedasticity
Wooldridge Test Phát hiện Tự tương quan chuỗi AR(1) $F = 14.62, p = 0.0004$ Bác bỏ $H_0$, xuất hiện hiện tượng Autocorrelation
Hệ số phóng đại VIF Đánh giá Đa cộng tuyến $\text{Mean VIF} = 1.48, \text{Max VIF} = 2.12$ $\text{VIF} < 10$, mô hình hoàn toàn không bị đa cộng tuyến

Do xuất hiện đồng thời cả hiện tượng tự tương quan và phương sai sai số thay đổi, các ước lượng FEM/REM thông thường bị mất tính hiệu quả (hiệp phương sai sai số không đồng nhất). Việc áp dụng hồi quy FGLS (Feasible Generalized Least Squares) là phương án tối ưu để mang lại các ước lượng không chệch và có phương sai nhỏ nhất (BLUE).

Kết quả đạt được

Kết quả ước lượng thông qua mô hình FGLS khẳng định mối quan hệ định lượng giữa cấu trúc vốn và hiệu quả hoạt động:

+-------------------------------------------------------------------------------+
| Biến số   | Hệ số FGLS (ROA) | p-value | Hệ số FGLS (ROE) | p-value | Chiều   |
+-----------+------------------+---------+------------------+---------+---------+
| D/A       | -0.0682          | < 0.01  | -0.1245          | < 0.01  | Nghịch  |
| SDA       | -0.0415          | < 0.05  | -0.0892          | < 0.05  | Nghịch  |
| TANG      | -0.0318          | < 0.05  | -0.0541          | < 0.10  | Nghịch  |
| GROWTH    | +0.0142          | < 0.01  | +0.0387          | < 0.01  | Thuận   |
| SIZE      | +0.0011          | 0.4520  | +0.0028          | 0.3810  | K.ý nghĩa|
+-------------------------------------------------------------------------------+
  • Tỷ lệ tổng nợ (D/A): Tác động nghịch chiều có ý nghĩa thống kê 1% đến cả ROA ($\beta = -0.0682$) và ROE ($\alpha = -0.1245$). Khi tỷ lệ nợ tăng thêm 10%, ROA của doanh nghiệp giảm bình quân 0.682%.
  • Tỷ lệ nợ ngắn hạn (SDA): Tác động nghịch chiều đáng kể ($p < 0.05$). Việc sử dụng nợ ngắn hạn để tài trợ tài sản dài hạn bào mòn biên lợi nhuận do gánh nặng tái cấp vốn liên tục.
  • Tỷ lệ tài sản cố định (TANG): Tác động tiêu cực đến HQHĐ ($\beta = -0.0318$). Doanh nghiệp VLXD sở hữu nhà xưởng, máy móc công nghệ cũ phải chịu chi phí khấu hao lớn và hiệu suất quay vòng tài sản kém.
  • Tăng trưởng doanh thu (GROWTH): Tác động tích cực ($\beta = +0.0142, p < 0.01$), minh chứng doanh nghiệp mở rộng thị phần sẽ cải thiện hiệu quả quy mô.
  • Quy mô doanh nghiệp (SIZE): Không có ý nghĩa thống kê trong việc gia tăng tỷ suất sinh lời của ngành VLXD tại HOSE.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp khoa học và thực tiễn nổi bật so với các công trình trước đây:

                       CÁC ĐÓNG GÓP & CẢI TIẾN NỔI BẬT
[ Dữ liệu chuẩn xác ]       [ Kỹ thuật FGLS triệt để ]    [ Khẳng định Lý thuyết ]
Mẫu 40 DN vốn hóa >600 tỷ   Xử lý đồng thời tự tương      Ủng hộ mạnh mẽ Pecking
xuyên suốt 10 năm biến động  quan AR(1) & phương sai thay  Order Theory đối với
(2013-2022) trên HOSE.       đổi theo nhóm doanh nghiệp.   thị trường cận biên.
  1. Khắc phục triệt để khuyết tật dữ liệu bảng: So với các nghiên cứu của Akingunola et al. (2018) hay Dada & Ghazali (2016) vốn chỉ dừng lại ở FEM/REM tiêu chuẩn, đề tài đã phát hiện hiện tượng tự tương quan chuỗi ($p=0.0004$) và phương sai thay đổi ($p<0.0001$), sau đó áp dụng thành công ma trận trọng số FGLS (panels(hetero) corr(ar1)), giúp tăng độ tin cậy của ước lượng lên trên 95%.
  2. Cung cấp bằng chứng thực nghiệm về Lý thuyết Trật tự phân hạng (Pecking Order Theory): Nghiên cứu bác bỏ giả định về lợi ích vô hạn của lá chắn thuế theo M&M (1963) trong ngành VLXD Việt Nam. Tại thị trường có lãi suất thực vay biến động từ 8.5%–12%/năm, chi phí lãi vay và nguy cơ kiệt quệ tài chính lấn át hoàn toàn lợi ích thuế, khiến nợ vay trở thành yếu tố kìm hãm HQHĐ.
  3. Phát hiện nghịch lý tài sản cố định trong ngành sản xuất: Trái ngược với quan điểm truyền thống cho rằng đầu tư tài sản cố định lớn tạo rào cản gia nhập ngành (entry barrier), nghiên cứu chứng minh TANG có tương quan âm với ROA ($r = -0.0877$), cảnh báo nguy cơ dư thừa công suất sản xuất thép và xi măng giai đoạn hậu tăng trưởng nóng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp VLXD

  1. Tối ưu hóa cấu trúc kỳ hạn nợ (Debt Maturity Optimization):
    • Các doanh nghiệp VLXD cần hạ tỷ lệ D/A xuống dưới ngưỡng an toàn 45%–50% tổng tài sản.
    • Chuyển dịch tối thiểu 30% dư nợ ngắn hạn sang trái phiếu doanh nghiệp dài hạn hoặc vốn chủ sở hữu nhằm đồng pha chu kỳ thu hồi vốn của dây chuyền sản xuất (thời gian khấu hao 7–10 năm).
  2. Quản trị dòng tiền hoạt động theo mô hình Pecking Order:
    • Ưu tiên tài trợ vốn lưu động và đầu tư bảo dưỡng máy móc từ dòng tiền giữ lại (Retained Earnings).
    • Tận dụng vốn tín dụng thương mại từ nhà cung cấp thông qua đàm phán kéo dài thời gian thanh toán (DPO), giảm thiểu phụ thuộc vào hạn mức thấu chi ngân hàng ngắn hạn.

Kế hoạch tái cơ cấu tài chính (Implementation Roadmap)

Giai đoạn 1 (Tháng 1-3)   : Kiểm toán cấu trúc nợ & Đánh giá mức độ nhạy cảm lãi suất
Giai đoạn 2 (Tháng 4-6)   : Tái cơ cấu danh mục nợ ngắn hạn, thanh lý tài sản cố định lạc hậu
Giai đoạn 3 (Tháng 7-9)   : Phát hành cổ phần tăng vốn / Thu hút cổ đông chiến lược
Giai đoạn 4 (Tháng 10-12) : Ổn định tỷ lệ D/A < 45%, thiết lập KPI quản trị ROA/ROE tự động

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Mẫu nghiên cứu giới hạn ở 40 doanh nghiệp niêm yết trên HOSE, chưa bao quát các doanh nghiệp VLXD trên sàn HNX và UPCoM.
    • Mô hình FGLS tuyến tính chưa nắm bắt được tính chất phi tuyến (Non-linear U-shaped relationship) hoặc ngưỡng nợ tối ưu (Threshold Regression Model).
  • Hướng nghiên cứu mở rộng:
    • Ứng dụng mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) của Arellano-Bond để kiểm soát hoàn toàn hiện tượng nội sinh (Endogeneity).
    • Tích hợp các biến số vĩ mô: Tỷ lệ lạm phát (CPI), Tốc độ tăng trưởng GDP, và Chỉ số giá năng lượng đầu vào (than đá, điện năng).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu kinh tế lượng chuẩn mực, nắm vững quy trình xử lý dữ liệu bảng bằng Stata và Python từ khâu kiểm định giả định đến hồi quy FGLS.
  • Nhà phân tích tài chính & Quản trị rủi ro: Sở hữu bộ hệ số định lượng chính xác để xây dựng mô hình xếp hạng tín nhiệm nội bộ và dự báo hiệu quả tài chính doanh nghiệp ngành VLXD.
  • Ban điều hành & Hội đồng quản trị doanh nghiệp: Định hình chiến lược tài trợ vốn an toàn, tránh bẫy đòn bẩy tài chính ngắn hạn trong chu kỳ suy thoái kinh tế.
  • Nhà đầu tư chứng khoán: Bộ tiêu chí sàng lọc cổ phiếu tiềm năng dựa trên tốc độ tăng trưởng doanh thu (GROWTH > 0) và tỷ lệ đòn bẩy thấp (D/A < 0.5).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và phần mềm để tái lập mô hình nghiên cứu?

Hệ thống yêu cầu cài đặt Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17) hoặc môi trường Python 3.9+ với các gói pandas, statsmodels, linearmodels. Tập dữ liệu đầu vào cần được cấu trúc theo dạng bảng cân bằng (Balanced Panel Data), định dạng .dta hoặc .xlsx.

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

Kiểm định F-Test ($p < 0.0001$) bác bỏ Pooled OLS vì tồn tại sự khác biệt cố định không quan sát được giữa các doanh nghiệp. Kiểm định Hausman ($p = 0.0013$) chỉ ra sai số ngẫu nhiên $u_i$ có tương quan với các biến giải thích, khiến ước lượng REM bị chệch và không nhất quán; do đó FEM là mô hình lý thuyết phù hợp nhất trước khi xử lý khuyết tật bằng FGLS.

3. Phương sai sai số thay đổi và tự tương quan ảnh hưởng thế nào nếu không dùng FGLS?

Nếu giữ nguyên mô hình OLS/FEM khi có khuyết tật, các hệ số ước lượng vẫn không chệch nhưng sai số chuẩn (Standard Errors) sẽ bị ước lượng sai lệch nghiêm trọng, dẫn đến giá trị t-statistic và p-value không còn đáng tin cậy, gây ra các kết luận sai lầm về ý nghĩa thống kê.

4. Doanh nghiệp VLXD có nên loại bỏ hoàn toàn nợ vay ra khỏi cấu trúc vốn?

Không. Nợ vay vẫn giữ vai trò cung cấp thanh khoản nhanh cho các hợp đồng cung ứng lớn. Mục tiêu cốt lõi là duy trì tỷ lệ D/A ở mức tối ưu (dưới 45%) và cân đối tỷ lệ nợ dài hạn/nợ ngắn hạn để phục vụ tài sản cố định, tránh rủi ro kiệt quệ tài chính.

5. Chi phí triển khai và thời gian mang lại ROI khi tái cấu trúc vốn?

Thời gian tái cơ cấu nợ và cân bằng lại danh mục nguồn vốn thường mất từ 6 đến 12 tháng. Lợi ích tài chính ghi nhận được gồm: Giảm 1.5%–3.0% chi phí lãi vay bình quân/năm, cải thiện biên ROA từ 0.5%–1.2% và triệt tiêu nguy cơ vi phạm các cam kết tín dụng ngân hàng (covenants).

Kết luận

Nghiên cứu về tác động của cấu trúc vốn đến hiệu quả hoạt động của các doanh nghiệp ngành vật liệu xây dựng niêm yết trên HOSE giai đoạn 2013–2022 đã cung cấp bức tranh định lượng chuyên sâu và toàn diện. Bằng việc ứng dụng phương pháp ước lượng FGLS khắc phục triệt để các khuyết tật tự tương quan và phương sai thay đổi trên 400 quan sát, đề tài khẳng định:

  • Cấu trúc vốn với tỷ trọng nợ cao (đặc biệt là nợ ngắn hạn) tác động tiêu cực rõ rệt đến tỷ suất sinh lời ROA và ROE.
  • Hiệu quả hoạt động chịu sự chi phối mạnh mẽ bởi tốc độ tăng trưởng doanh thu, trong khi việc tích lũy tài sản cố định quy mô lớn không đem lại ưu thế sinh lời trong bối cảnh thị trường biến động.

Kết quả nghiên cứu là cẩm nang thực chiến giúp các nhà quản trị doanh nghiệp VLXD, định chế tài chính và nhà đầu tư đưa ra các quyết định phân bổ nguồn vốn chuẩn xác, bền vững và tối ưu hóa giá trị doanh nghiệp trong dài hạn.