Giới thiệu dự án

Trong bối cảnh nền kinh tế Việt Nam đang đẩy mạnh công nghiệp hóa và hiện đại hóa, ngành sản xuất đóng vai trò đầu tàu đóng góp hơn 25% vào GDP quốc gia. Tuy nhiên, rào cản lớn nhất đối với các doanh nghiệp sản xuất (DNSX) niêm yết là nhu cầu vốn đầu tư trung và dài hạn để đổi mới dây chuyền công nghệ, máy móc thiết bị nhằm duy trì năng lực cạnh tranh. Các kênh huy động vốn truyền thống như vay vốn ngân hàng thương mại thường đòi hỏi tài sản bảo đảm khắt khe, thủ tục phức tạp, trong khi ngân sách nhà nước chỉ tập trung vào khối doanh nghiệp công ích. Cho thuê tài chính (CTTC - Financial Leasing) nổi lên như một công cụ tài chính hiện đại, giúp doanh nghiệp tiếp cận tài sản vốn mà không làm suy giảm thanh khoản tức thời.

Vấn đề cốt lõi đặt ra là: Liệu việc sử dụng đòn bẩy cho thuê tài chính có thực sự tối ưu hóa hiệu quả tài chính của các công ty sản xuất tại Việt Nam, hay lại gia tăng gánh nặng chi phí sử dụng vốn và chi phí đại diện (Agency Costs)?

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Định lượng tác động: Đánh giá thực nghiệm mức độ ảnh hưởng của tài trợ cho thuê ngắn hạn (SLF) và tài trợ cho thuê dài hạn (LLF) lên tỷ suất sinh lời trên tổng tài sản (ROA) và tỷ suất sinh lời trên vốn chủ sở hữu (ROE).
  2. Kiểm định và xử lý khuyết tật mô hình: Ứng dụng quy trình hồi quy dữ liệu bảng đa biến (Panel Data Econometrics) từ Pooled OLS, Mô hình tác động cố định (FEM), Mô hình tác động ngẫu nhiên (REM) đến phương pháp Bình phương tối thiểu tổng quát khả thi (FGLS) để triệt tiêu hiện tượng phương sai sai số thay đổi và tự tương quan.
  3. Đề xuất khung chiến lược vốn: Xây dựng hàm ý chính sách và lộ trình phân bổ cấu trúc vốn dành riêng cho các nhà quản trị tài chính (CFO) và các nhà làm chính sách tiền tệ.

Phương pháp tiếp cận dựa trên dữ liệu bảng cân bằng (Balanced Panel Data) của 188 doanh nghiệp sản xuất niêm yết trên HOSE, HNX và UPCoM trong giai đoạn 8 năm liên tục (2015 – 2022), tạo ra mẫu quan sát thực nghiệm $N \times T = 188 \times 8 = 1.504$ quan sát.

Phạm vi nghiên cứu giới hạn ở các doanh nghiệp sản xuất đã từng phát sinh nghiệp vụ thuê tài chính trên báo cáo tài chính kiểm toán, loại trừ các định chế tài chính, bảo hiểm và bất động sản do đặc thù cấu trúc tài sản khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường tài chính Việt Nam, các hình thức tài trợ đầu tư tài sản cố định bao gồm mua sắm trực tiếp bằng vốn tự có, vay tín dụng trung dài hạn từ ngân hàng thương mại, và thuê tài chính.

Tiêu chí so sánh Mua sắm trực tiếp (Vốn tự có) Tín dụng ngân hàng truyền thống Cho thuê tài chính (Financial Leasing)
Áp lực dòng tiền ban đầu Rất cao (100% giá trị tài sản) Trung bình (20 - 30% vốn đối ứng) Thấp (chỉ trả phí thuê định kỳ)
Yêu cầu tài sản thế chấp Không Bắt buộc (bất động sản, tài sản độc lập) Chính tài sản thuê là tài sản bảo đảm
Lợi ích tấm chắn thuế Khấu hao tài sản thông thường Khấu trừ lãi vay Khấu trừ chi phí thuê hoặc trích khấu hao nhanh
Rủi ro công nghệ lạc hậu Doanh nghiệp chịu toàn bộ Doanh nghiệp chịu toàn bộ Chuyển giao một phần cho bên cho thuê
Chi phí giao dịch & thẩm định Thấp Phức tạp, kéo dài 4 - 8 tuần Nhanh chóng, linh hoạt 1 - 3 tuần

Yêu cầu nghiên cứu định lượng theo ma trận MoSCoW:

  • Must-have: Mô hình hóa toán học các chỉ số ROA, ROE với các biến độc lập SLF, LLF và các biến kiểm soát quy mô (SZ), thanh khoản (LIQ), đòn bẩy (LEV); Kiểm định vi phạm giả định OLS (Multicollinearity, Heteroscedasticity, Autocorrelation).
  • Should-have: Hồi quy khắc phục khuyết tật bằng FGLS; Ma trận hệ số tương quan Pearson; Thống kê mô tả đa chiều.
  • Could-have: Đánh giá độ nhạy của hiệu quả tài chính theo phân nhóm quy mô doanh nghiệp.
  • Won't-have: Khảo sát định tính người tiêu dùng cá nhân; Phân tích dữ liệu phi sản xuất.

Khoảng trống nghiên cứu (Gap Analysis): Các nghiên cứu trước đây tại Việt Nam (Phan Thị Yến, 2007; Lê Minh Bình, 2019; Phạm Đình Dzu, 2021) chủ yếu tập trung vào khía cạnh pháp lý, năng lực cạnh tranh định tính của công ty cho thuê, mà chưa có mô hình kinh tế lượng đo lường thực nghiệm trên quy mô mẫu lớn của nhóm doanh nghiệp sản xuất niêm yết giai đoạn hậu khủng hoảng đến sau đại dịch COVID-19 (2015–2022).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế thành luồng pipeline khép kín:

[BCTC Kiểm toán HOSE/HNX/UPCoM (2015-2022)]
[Tiền xử lý & Trích xuất Biến số (Python 3.10 / Pandas 2.1)]
[Xây dựng Bộ dữ liệu Bảng Balanced Panel (N=188, T=8, Obs=1504)]
[Hệ thống Phân tích Kinh tế lượng (Stata 17 SE)]

Ngăn xếp công nghệ phân tích:

  • Ngôn ngữ xử lý dữ liệu: Python 3.10 với thư viện pandas (v2.1.4), numpy (v1.26.2).
  • Phần mềm kinh tế lượng: Stata 17.0 SE chuyên dụng cho dữ liệu bảng không gian - thời gian.
  • Cấu trúc lưu trữ dữ liệu: Panel Data Schema định dạng chuẩn Stata .dta và Comma-Separated Values .csv.

Cấu trúc định nghĩa biến số trong hệ thống:

Tên biến Ký hiệu Vai trò Công thức xác định
Return on Assets $ROA$ Biến phụ thuộc 1 $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$
Return on Equity $ROE$ Biến phụ thuộc 2 $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng vốn chủ sở hữu}}$
Short-term Lease Financing $SLF$ Biến độc lập $\frac{\text{Nợ thuê tài chính ngắn hạn}}{\text{Nợ ngắn hạn}}$
Long-term Lease Financing $LLF$ Biến độc lập $\frac{\text{Nợ thuê tài chính dài hạn}}{\text{Nợ dài hạn}}$
Firm Size $SZ$ Biến kiểm soát $\ln(\text{Tổng tài sản})$
Liquidity $LIQ$ Biến kiểm soát $\frac{\text{Tài sản ngắn hạn}}{\text{Nợ ngắn hạn}}$
Financial Leverage $LEV$ Biến kiểm soát $\frac{\text{Tổng nợ phải trả}}{\text{Tổng tài sản}}$

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm (Empirical Quantitative Research) theo 5 cột mốc:

  1. M1 (Tuần 1 - 2): Thu thập 1.504 báo cáo tài chính hàng năm từ cơ sở dữ liệu FiinPro/Vietstock.
  2. M2 (Tuần 3): Làm sạch dữ liệu, chuẩn hóa đơn vị tính, kiểm tra ngoại lai (Outliers) bằng phương pháp Winsorization tại phân vị 1% và 99%.
  3. M3 (Tuần 4): Ước lượng hồi quy OLS, FEM, REM và kiểm định Hausman.
  4. M4 (Tuần 5): Chẩn đoán lỗi mô hình (kiểm định Wald cho phương sai thay đổi, kiểm định Wooldridge cho tự tương quan) và thực thi ước lượng FGLS.
  5. M5 (Tuần 6): Đánh giá độ vững (Robustness checks) và tổng hợp giải pháp thực tiễn.

Implementation và kết quả

Development process

Hai mô hình hồi quy kinh tế lượng tổng quát được xác lập như sau:

$$\text{Mô hình 1: } ROA_{it} = \beta_0 + \beta_1 SLF_{it} + \beta_2 LLF_{it} + \beta_3 SZ_{it} + \beta_4 LIQ_{it} + \beta_5 LEV_{it} + \epsilon_{it}$$

$$\text{Mô hình 2: } ROE_{it} = \alpha_0 + \alpha_1 SLF_{it} + \alpha_2 LLF_{it} + \alpha_3 SZ_{it} + \alpha_4 LIQ_{it} + \alpha_5 LEV_{it} + u_{it}$$

Trong đó: $i = 1, \dots, 188$ đại diện cho từng công ty; $t = 2015, \dots, 2022$ biểu thị năm tài chính.

Dưới đây là tập lệnh xử lý và ước lượng cốt lõi được cấu hình trên môi trường Stata 17:

* Thiết lập dữ liệu bảng panel
clear all
import delimited "financial_leasing_panel_data.csv", clear
encode ticker, gen(firm_id)
xtset firm_id year

* Kiểm tra đa cộng tuyến với nhân tử phóng đại phương sai (VIF)
regress roa slf llf sz liq lev
vif

* Ước lượng mô hình tác động cố định (FEM) và ngẫu nhiên (REM) cho ROA
xtreg roa slf llf sz liq lev, fe
estimates store fe_roa

xtreg roa slf llf sz liq lev, re
estimates store re_roa

* Kiểm định lựa chọn mô hình qua Hausman Test
hausman fe_roa re_roa

* Kiểm định phương sai sai số thay đổi (Modified Wald test)
xtreg roa slf llf sz liq lev, fe
xttest3

* Kiểm định hiện tượng tự tương quan bậc 1 (Wooldridge test)
xtserial roa slf llf sz liq lev

* Ước lượng tối ưu FGLS khắc phục hoàn toàn khuyết tật mô hình
xtgls roa slf llf sz liq lev, panels(heteroskedastic) corr(ar1)
xtgls roe slf llf sz liq lev, panels(heteroskedastic) corr(ar1)

Tập lệnh chuẩn bị dữ liệu bằng Python 3.10:

import pandas as pd
import numpy as np

# Load dữ liệu bảng
df = pd.read_csv("raw_financial_data.csv")

# Tính toán các tỷ số tài chính
df["ROA"] = df["net_income"] / df["total_assets"]
df["ROE"] = df["net_income"] / df["equity"]
df["SLF"] = df["short_term_lease"] / df["current_liabilities"]
df["LLF"] = df["long_term_lease"] / df["long_term_debt"]
df["SZ"] = np.log(df["total_assets"])
df["LIQ"] = df["current_assets"] / df["current_liabilities"]
df["LEV"] = df["total_debt"] / df["total_assets"]

# Xử lý giá trị vô hạn hoặc dữ liệu khuyết tật
df = df.replace([np.inf, -np.inf], np.nan).dropna(subset=["ROA", "ROE", "SLF", "LLF", "SZ", "LIQ", "LEV"])
df.to_csv("financial_leasing_panel_data.csv", index=False)

Testing và validation

Kết quả kiểm định thống kê chẩn đoán mô hình:

  1. Kiểm tra đa cộng tuyến: Hệ số phóng đại phương sai (VIF) trung bình đạt $1,42 < 10$, chứng minh không xảy ra hiện tượng đa cộng tuyến nghiêm trọng giữa các biến giải thích.
  2. Kiểm định Fisher (F-Test): Giá trị $F\text{-statistic} = 14,82$ với $p\text{-value} = 0,0000 < 0,05 \implies$ Mô hình FEM vượt trội hoàn toàn so với Pooled OLS.
  3. Kiểm định Hausman:
    • Với mô hình ROA: $\chi^2 = 24,19$, $p\text{-value} = 0,0002 < 0,05 \implies$ Chọn mô hình FEM.
    • Với mô hình ROE: $\chi^2 = 31,05$, $p\text{-value} = 0,0000 < 0,05 \implies$ Chọn mô hình FEM.
  4. Kiểm định khuyết tật mô hình trên FEM:
    • Phương sai sai số thay đổi (Modified Wald Test): $\chi^2(188) = 1,4 \times 10^5$, $p\text{-value} = 0,0000 < 0,05 \implies$ Tồn tại hiện tượng phương sai thay đổi giữa các thực thể doanh nghiệp.
    • Tự tương quan (Wooldridge Test): $F(1, 187) = 28,431$, $p\text{-value} = 0,0000 < 0,05 \implies$ Tồn tại hiện tượng tự tương quan chuỗi bậc 1 (AR(1)).

$\implies$ Cả hai mô hình FEM và REM đều cho ước lượng chệch hoặc không hiệu quả. Do đó, phương pháp Feasible Generalized Least Squares (FGLS) được áp dụng để sửa chữa đồng thời hai khuyết tật trên.

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy mô hình FGLS:

Biến số Mô hình 1 (ROA) Mô hình 2 (ROE) Mức ý nghĩa thống kê Kỳ vọng lý thuyết
Hằng số ($\beta_0 / \alpha_0$) 0,0412 (0,0115) -0,1285 (0,0281) $p < 0,01$ -
SLF (Thuê ngắn hạn) 0,0218 (0,0084) 0,0542 (0,0162) $p < 0,01$ (Dương) Đúng
LLF (Thuê dài hạn) 0,0184 (0,0071) 0,0419 (0,0135) $p < 0,01$ (Dương) Đúng
SZ (Quy mô) 0,0021 (0,0018) 0,0168 (0,0032) $p < 0,01$ ở ROE Đúng
LIQ (Thanh khoản) 0,0015 (0,0012) 0,0145 (0,0029) $p < 0,01$ ở ROE Đúng
LEV (Đòn bẩy tài chính) -0,0845 (0,0124) -0,1852 (0,0248) $p < 0,01$ (Âm) Đúng
Số quan sát ($N \times T$) 1.504 1.504 - -
Số doanh nghiệp ($N$) 188 188 - -
Wald Chi-square ($\chi^2$) 186,45 ($p=0,000$) 245,18 ($p=0,000$) Toàn bộ mô hình có ý nghĩa Đạt chuẩn

Ghi chú: Giá trị trong ngoặc đơn là sai số chuẩn (Standard Error).

Phân tích kết quả:

  • Tác động của Cho thuê tài chính: Cả hai biến SLF và LLF đều có hệ số hồi quy mang dấu dương và có ý nghĩa thống kê ở mức 1% đối với cả ROA và ROE. Cụ thể, khi tỷ lệ tài trợ cho thuê ngắn hạn (SLF) tăng 1%, ROA tăng 0,0218% và ROE tăng 0,0542%. Tương tự, thuê tài chính dài hạn (LLF) tăng 1% làm ROA tăng 0,0184% và ROE tăng 0,0419%.
  • Biến kiểm soát: Đòn bẩy tài chính (LEV) có tác động tiêu cực mạnh mẽ đến hiệu quả sinh lời ($\beta = -0,0845$ đối với ROA, $\alpha = -0,1852$ đối với ROE, $p < 0,01$), phản ánh việc phụ thuộc quá lớn vào nợ vay thông thường làm tăng rủi ro kiệt quệ tài chính và chi phí lãi vay. Ngược lại, quy mô (SZ) và thanh khoản (LIQ) thúc đẩy mạnh mẽ ROE với mức ý nghĩa 1%.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và đổi mới phương pháp luận:

  1. Khắc phục triệt để khuyết tật dữ liệu bảng: Không dừng lại ở FEM/REM như đa số nghiên cứu trong nước, đề tài áp dụng mô hình FGLS hiệu chỉnh đồng thời phương sai sai số thay đổi chéo giữa các doanh nghiệp và tự tương quan AR(1), gia tăng độ tin cậy của ước lượng tham số lên 99%.
  2. Phân tách chi tiết cấu trúc kỳ hạn thuê: Nghiên cứu phân tách rõ rệt tài trợ thuê ngắn hạn ($SLF$) và tài trợ thuê dài hạn ($LLF$), giúp làm rõ mức độ đóng góp của từng cấu phần kỳ hạn vào năng lực sinh lời của doanh nghiệp sản xuất.
  3. So sánh đa diện với các nghiên cứu tiền nhiệm:
Nghiên cứu Bối cảnh & Mẫu Phương pháp Kết quả SLF/LLF tác động ROA/ROE
Bello Umar et al. (2016) Dầu khí Nigeria (6 công ty) OLS Tác động tích cực đến ROA
Obiero (2014) Sàn NSE Nairobi (33 công ty) OLS Tác động tích cực đến ROA
Munene (2014) Doanh nghiệp Kenya (30 công ty) OLS mô tả Tác động tiêu cực nhưng không có ý nghĩa
Nghiên cứu hiện tại (2023) Sản xuất Việt Nam (188 công ty, 8 năm) FGLS Tác động tích cực có ý nghĩa 1% đến cả ROA và ROE

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Tình huống 1: Tối ưu hóa CAPEX trong mở rộng sản xuất: Một doanh nghiệp dệt may niêm yết cần đầu tư hệ thống máy dệt kỹ thuật số trị giá 50 tỷ VND. Thay vì giải ngân 100% dòng tiền mặt hoặc vay tín chấp với lãi suất thả nổi cao, doanh nghiệp ký hợp đồng thuê tài chính dài hạn 5 năm. Dòng tiền mặt được giữ lại bổ sung cho vốn lưu động giúp duy trì tỷ số thanh khoản ($LIQ$), đồng thời máy móc mới vận hành tạo doanh thu ngay lập tức, gia tăng hệ số $ROA$.
  • Tình huống 2: Tái cấu trúc đòn bẩy tài chính ($LEV$): Doanh nghiệp cơ khí có tỷ lệ nợ $LEV > 0,7$ đứng trước nguy cơ bị hạ xếp hạng tín nhiệm. Bằng cách chuyển đổi một phần nợ vay ngân hàng ngắn hạn sang thuê tài chính máy móc, doanh nghiệp giảm tải rủi ro thanh toán tức thời và cải thiện tỷ suất $ROE$.

Lộ trình triển khai 4 giai đoạn dành cho doanh nghiệp sản xuất

[Giai đoạn 1: Đánh giá danh mục tài sản CĐ] (Tháng 1)
[Giai đoạn 2: Lựa chọn công ty CTTC & Đàm phán] (Tháng 2)
[Giai đoạn 3: Hạch toán & Kiểm soát rủi ro] (Tháng 3)
[Giai đoạn 4: Đánh giá định kỳ hiệu quả sinh lời] (Hàng quý)

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Mẫu dữ liệu chỉ giới hạn ở 188 doanh nghiệp sản xuất niêm yết có phát sinh thuê tài chính, chưa bao quát được toàn bộ khối doanh nghiệp vừa và nhỏ (SMEs) chưa niêm yết – nhóm đối tượng có nhu cầu thuê tài chính lớn nhất.
    • Chưa tích hợp các biến kinh tế vĩ mô ngoại sinh như biến động lãi suất điều hành của Ngân hàng Nhà nước, tỷ giá hối đoái, và tỷ lệ lạm phát vào mô hình.
  • Hướng nghiên cứu mở rộng:
    • Ứng dụng mô hình GMM sai phân hoặc GMM hệ thống (System GMM) để kiểm soát hiện tượng nội sinh (Endogeneity) tiềm ẩn giữa quyết định thuê tài chính và hiệu quả hoạt động.
    • Mở rộng phân tích so sánh liên ngành giữa khối sản xuất, vận tải kho bãi và xây dựng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu định lượng chuẩn mực từ thu thập dữ liệu bảng, kiểm định khuyết tật mô hình đến kỹ thuật ước lượng nâng cao FGLS trên Stata 17.
  • Nhà phân tích dữ liệu & Lập trình viên định lượng (Quant Analysts): Sở hữu các đoạn mã lệnh tự động hóa tiền xử lý dữ liệu và pipeline kiểm định kinh tế lượng có khả năng tái sử dụng.
  • Ban Giám đốc Tài chính (CFO) & Doanh nghiệp sản xuất: Sở hữu bằng chứng định lượng vững chắc để tự tin dịch chuyển cấu trúc tài trợ từ vay nợ truyền thống sang thuê tài chính, giúp cải thiện tỷ suất sinh lời ROA thêm 0,02% - 0,05% trên mỗi 1% tỷ trọng thuê tài chính.
  • Nhà nghiên cứu & Giảng viên: Tài liệu tham khảo có giá trị học thuật cao với mẫu khảo sát thực nghiệm 1.504 quan sát giai đoạn 2015–2022 tại thị trường mới nổi Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình nghiên cứu này là gì?

Máy trạm hoặc máy tính cá nhân cần cài đặt hệ điều hành Windows 10/11 hoặc Linux Ubuntu 20.04+, RAM tối thiểu 8GB, phần mềm Stata phiên bản 16 hoặc 17 SE, cùng môi trường Python 3.8+ (với các gói pandas, numpy, statsmodels).

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

Dữ liệu bảng vi mô của 188 doanh nghiệp qua 8 năm thường xuyên vi phạm hai giả định cơ bản của OLS: phương sai sai số thay đổi giữa các công ty (do chênh lệch quy mô tài sản) và tự tương quan chuỗi thời gian bậc 1. FGLS ước lượng lại ma trận hiệp phương sai sai số, cung cấp các ước lượng không chệch và có phương sai nhỏ nhất (Best Linear Unbiased Estimator - BLUE).

3. Doanh nghiệp sản xuất cần chuẩn bị những gì để tiếp cận kênh cho thuê tài chính?

Doanh nghiệp cần:

  • Báo cáo tài chính kiểm toán minh bạch tối thiểu 2 năm gần nhất.
  • Phương án kinh doanh và dự phóng dòng tiền khả thi từ máy móc thiết bị dự kiến thuê.
  • Lựa chọn nhà cung cấp thiết bị uy tín để công ty cho thuê tài chính thực hiện giải ngân trực tiếp 3 bên.

4. Thuê tài chính ngắn hạn (SLF) hay dài hạn (LLF) mang lại hiệu quả cao hơn cho doanh nghiệp?

Theo kết quả hồi quy FGLS, hệ số tác động của SLF lên ROE ($\alpha_1 = 0,0542$) và ROA ($\beta_1 = 0,0218$) cao hơn so với LLF ($\alpha_2 = 0,0419$ và $\beta_2 = 0,0184$). Điều này phản ánh việc tận dụng thuê tài chính ngắn hạn giúp doanh nghiệp quay vòng vốn lưu động nhanh hơn và giảm thiểu chi phí lãi vay dài hạn.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) khi chuyển đổi sang thuê tài chính?

Chi phí tài trợ thuê tài chính thường tương đương hoặc thấp hơn từ 0,5% - 1,5%/năm so với chi phí vay tín chấp ngân hàng nhờ tính chất tự bảo đảm của tài sản. Thời gian hoàn vốn đầu tư tài sản cố định thông qua kênh thuê tài chính trung bình rút ngắn từ 12 - 18 tháng so với mua sắm trực tiếp giải ngân một lần.

Kết luận

Đề tài nghiên cứu đã chứng minh một cách khoa học và thực nghiệm rằng cho thuê tài chính (cả ngắn hạn và dài hạn) có tác động tích cực đáng kể ở mức ý nghĩa thống kê 1% đến hiệu quả tài chính (ROA và ROE) của 188 công ty sản xuất niêm yết trên sàn chứng khoán Việt Nam giai đoạn 2015 – 2022. Phương pháp ước lượng FGLS đã giải quyết triệt để các hạn chế cố hữu về phương sai sai số thay đổi và tự tương quan của dữ liệu bảng. Kết quả này khẳng định cho thuê tài chính là một giải pháp cấu trúc vốn tối ưu, giúp doanh nghiệp hiện đại hóa công nghệ sản xuất, duy trì tính thanh khoản và hạn chế rủi ro kiệt quệ tài chính từ nợ vay truyền thống. Các nhà quản trị tài chính doanh nghiệp sản xuất nên chủ động đa dạng hóa nguồn vốn đầu tư tài sản cố định thông qua kênh cho thuê tài chính để tối đa hóa giá trị doanh nghiệp.