Giới thiệu dự án

Trong kỷ nguyên kinh tế số và Cách mạng Công nghiệp 4.0, các doanh nghiệp niêm yết đang chuyển dịch mạnh mẽ từ mô hình thâm dụng vốn vật chất (Tangible Assets) sang mô hình thâm dụng tri thức (Knowledge-based Economy). Theo các báo cáo kinh tế tài chính hiện đại, tài sản vô hình chiếm hơn 60% tổng giá trị doanh nghiệp tại các thị trường phát triển. Tuy nhiên, tại Việt Nam, hơn 80% hệ thống kế toán doanh nghiệp vẫn ghi nhận tài sản chủ yếu qua giá trị sổ sách vật chất, dẫn đến sự chênh lệch lớn giữa thị giá cổ phiếu và giá trị nội tại được phản ánh trên báo cáo tài chính.

Vấn đề cốt lõi (Problem Statement) nằm ở việc các nhà quản trị và nhà đầu tư thiếu một khung định lượng chuẩn xác để đo lường mức độ đóng góp của Vốn trí tuệ (Intellectual Capital - IC) vào hiệu quả kinh doanh thực tế. Các chi phí dành cho con người, nghiên cứu phát triển và tiếp thị quan hệ thường bị hạch toán đơn thuần là chi phí thời kỳ thay vì các khoản đầu tư sinh lời chiến lược, gây ra sự sai lệch trong việc phân bổ nguồn lực vốn.

Đề tài khóa luận tốt nghiệp "Tác động của vốn trí tuệ đến hiệu quả hoạt động của các công ty niêm yết tại Việt Nam" được thực hiện nhằm giải quyết trực diện bài toán trên với 4 mục tiêu cụ thể:

  1. Xác định và lượng hóa mức độ tác động tổng hợp của hệ số giá trị gia tăng trí tuệ được điều chỉnh (MVAIC) đến hiệu quả tài chính (ROA, ROE).
  2. Phân rã và đo lường chi tiết tác động của 4 thành phần cấu thành vốn trí tuệ: Hiệu quả vốn vật chất (CEE), Hiệu quả vốn con người (HCE), Hiệu quả vốn cấu trúc (SCE), và Hiệu quả vốn quan hệ (RCE).
  3. Kiểm soát các biến vĩ mô và vi mô bao gồm Quy mô công ty (SIZE), Đòn bẩy tài chính (LEV), và Tốc độ tăng trưởng kinh tế (GDP).
  4. Xây dựng hàm ý quản trị và giải pháp thực thi giúp tối ưu hóa cấu trúc vốn vô hình cho các doanh nghiệp niêm yết.

Phương pháp tiếp cận giải pháp sử dụng mô hình kinh tế lượng dữ liệu bảng (Panel Data Regression) trên mẫu gồm 78 công ty niêm yết trên hai sàn HOSE và HNX trong giai đoạn 11 năm (2013 – 2023), tạo ra bộ dữ liệu 858 quan sát. Nghiên cứu thực hiện quy trình ước lượng từ Pooled OLS, FEM, REM đến mô hình hồi quy bình phương tối thiểu tổng quát khả thi (FGLS - Feasible Generalized Least Squares) nhằm xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan.

Phạm vi nghiên cứu bao quát 9 nhóm ngành phi tài chính then chốt: vật liệu cơ bản, công nghiệp, hàng tiêu dùng, y tế, dịch vụ tiêu dùng, viễn thông, hạ tầng, tài chính và công nghệ. Giới hạn nghiên cứu không bao gồm các tổ chức tín dụng/ngân hàng thương mại do đặc thù cấu trúc bảng cân đối kế toán khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình MVAIC ra đời, việc đo lường vốn trí tuệ và hiệu quả doanh nghiệp dựa trên nhiều phương pháp với các ưu nhược điểm khác nhau:

Phương pháp đo lường Nguyên lý cốt lõi Ưu điểm Nhược điểm / Rào cản kỹ thuật
Thẻ điểm cân bằng (Balanced Scorecard - BSC) Đo lường hiệu quả qua 4 khía cạnh: tài chính, khách hàng, quy trình nội bộ, học hỏi & phát triển. Toàn diện, tích hợp chỉ số tài chính và phi tài chính. Mang tính định tính, khó chuyển đổi thành mô hình kinh tế lượng định lượng.
Giá trị kinh tế tăng thêm (Economic Value Added - EVA) Đo lường lợi nhuận kinh tế sau khi trừ đi chi phí sử dụng vốn toàn bộ. Phản ánh chính xác giá trị thặng dư ròng cho cổ đông. Tập trung chủ yếu vào vốn vật chất, không tách biệt được thành phần vốn con người và cấu trúc.
Mô hình VAIC truyền thống (Pulic, 2000) Đo lường hệ số giá trị gia tăng từ 3 thành phần: CEE, HCE, SCE. Dữ liệu kiểm chứng trực tiếp từ Báo cáo tài chính, dễ tính toán. Bỏ qua vốn quan hệ (RCE), xuất hiện lỗi lý thuyết khi giá trị gia tăng (VA) âm.
Mô hình MVAIC (Đề xuất) Tích hợp mở rộng 4 thành phần: CEE + HCE + SCE + RCE. Khắc phục điểm mù của VAIC, bao hàm chi phí quan hệ khách hàng và thương hiệu. Đòi hỏi dữ liệu phân tách chi tiết giữa chi phí bán hàng và chi phí nhân sự.

Theo ma trận ưu tiên yêu cầu MoSCoW:

  • Must-have: Thu thập dữ liệu chuẩn hóa 11 năm; xây dựng biến $VA, CEE, HCE, SCE, RCE$; kiểm định đa cộng tuyến (VIF), tự tương quan và phương sai thay đổi.
  • Should-have: Kiểm định tương quan Pearson/Spearman; kiểm định Hausman và Breusch-Pagan Lagrange Multiplier.
  • Could-have: Phân tích độ nhạy theo từng tiểu ngạch ngành.
  • Won't-have: Khảo sát điều tra bảng câu hỏi định tính ngoài dữ liệu kiểm toán.

Thiết kế hệ thống

Hệ thống xử lý và ước lượng kinh tế lượng được thiết kế theo cấu trúc module phân tầng:

[Nguồn Dữ Liệu BCTC: FiinPro-X / Vietstock / CafeF]
[Tiền xử lý & Làm sạch: Excel / Python 3.11 / Pandas]
[Engine Tính toán Biến số & Chỉ tiêu Kinh tế (Stata 18.0)]
[Kiểm định & Ước lượng Kinh tế lượng (Econometric Pipeline)]

Ngăn xếp công nghệ (Technology Stack):

  • Nền tảng phân tích: Stata/MP version 18.0 (hỗ trợ tính toán đa luồng).
  • Bộ công cụ xử lý dữ liệu: Python v3.11.8 với thư viện Pandas v2.2.0 và NumPy v1.26.4.
  • Nguồn trích xuất tài chính: FiinPro-X Financial Platform v4.2 và hệ số vĩ mô từ Tổng cục Thống kê (GSO).

Công thức xác định hệ thống chỉ số kinh tế:

  1. Giá trị gia tăng (Value Added - VA): $$VA = Output - Input = Net\ Sales - COGS$$ (Trong đó: $Net\ Sales$ là Doanh thu thuần; $COGS$ là Giá vốn hàng bán).

  2. Hiệu quả vốn vật chất (Capital Employed Efficiency - CEE): $$CEE = \frac{VA}{CE} = \frac{VA}{Total\ Assets - Short\text{-}Term\ Liabilities}$$

  3. Hiệu quả vốn con người (Human Capital Efficiency - HCE): $$HCE = \frac{VA}{HC}$$ (Trong đó: $HC$ là Tổng chi phí nhân viên bao gồm lương, thưởng, phúc lợi).

  4. Hiệu quả vốn cấu trúc (Structural Capital Efficiency - SCE): $$SCE = \frac{SC}{VA} = \frac{VA - HC}{VA}$$

  5. Hiệu quả vốn quan hệ (Relational Capital Efficiency - RCE): $$RCE = \frac{RC}{VA}$$ (Trong đó: $RC$ là Chi phí bán hàng, tiếp thị và quảng bá thương hiệu, loại trừ chi phí nhân sự bán hàng).

  6. Chỉ số MVAIC tổng hợp: $$MVAIC = CEE + HCE + SCE + RCE$$

Mô hình hồi quy tổng quát:

  • Mô hình 1 (Đo lường tác động tổng hợp MVAIC): $$ROA_{it} / ROE_{it} = \beta_0 + \beta_1 MVAIC_{it} + \beta_2 SIZE_{it} + \beta_3 LEV_{it} + \beta_4 GDP_t + \mu_{it}$$
  • Mô hình 2 (Đo lường tác động của các thành phần MVAIC): $$ROA_{it} / ROE_{it} = \alpha_0 + \alpha_1 CEE_{it} + \alpha_2 HCE_{it} + \alpha_3 SCE_{it} + \alpha_4 RCE_{it} + \alpha_5 SIZE_{it} + \alpha_6 LEV_{it} + \alpha_7 GDP_t + \varepsilon_{it}$$

Methodology

Quy trình nghiên cứu áp dụng phương pháp định lượng nghiêm ngặt theo 4 mốc thời gian (Milestones):

  • Milestone 1 (Tuần 1 - 3): Hệ thống hóa cơ sở lý thuyết (Lý thuyết dựa trên nguồn lực - RBV, Lý thuyết phụ thuộc nguồn lực - RDT, Lý thuyết tổ chức học tập) và xây dựng giả thuyết nghiên cứu ($H_1$ đến $H_5$).
  • Milestone 2 (Tuần 4 - 6): Thu thập và kiểm toán chéo dữ liệu 78 doanh nghiệp trong 11 năm ($N = 78, T = 11, N \times T = 858$).
  • Milestone 3 (Tuần 7 - 10): Thiết lập môi trường Stata 18.0, chạy các kiểm định chẩn đoán mô hình và ước lượng FGLS.
  • Milestone 4 (Tuần 11 - 12): Đánh giá kết quả, đối chiếu với y văn quốc tế và biên soạn khuyến nghị quản trị.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực thi tự động thông qua Stata do-file script tiêu chuẩn:

* Thiết lập không gian làm việc và cấu hình dữ liệu bảng
clear all
set more off
use "dataset_mvaic_vietnam_2013_2023.dta", clear
xtset company_id year

* Khởi tạo các biến thành phần vốn trí tuệ
gen VA = net_revenue - cogs
gen CE = total_assets - short_term_liabilities
gen SC = VA - employee_cost
gen CEE = VA / CE
gen HCE = VA / employee_cost
gen SCE = SC / VA
gen RCE = marketing_cost / VA
gen MVAIC = CEE + HCE + SCE + RCE

* Khởi tạo biến kiểm soát và chuẩn hóa logarit
gen SIZE = ln(total_assets)
gen LEV = total_debt / total_assets

* Kiểm tra đa cộng tuyến (VIF)
regress ROA CEE HCE SCE RCE SIZE LEV GDP
estat vif

* Ước lượng các mô hình kinh tế lượng cơ sở
regress ROA CEE HCE SCE RCE SIZE LEV GDP                // Pooled OLS
xtreg ROA CEE HCE SCE RCE SIZE LEV GDP, fe              // Fixed Effects Model
xtreg ROA CEE HCE SCE RCE SIZE LEV GDP, re              // Random Effects Model

* Chẩn đoán khuyết tật mô hình FEM
xttest3                                                 // Modified Wald test for heteroskedasticity
xtserial ROA CEE HCE SCE RCE SIZE LEV GDP               // Wooldridge test for autocorrelation

* Ước lượng tối ưu xử lý khuyết tật bằng Feasible Generalized Least Squares (FGLS)
xtgls ROA CEE HCE SCE RCE SIZE LEV GDP, panels(hetero) corr(ar1)
xtgls ROE CEE HCE SCE RCE SIZE LEV GDP, panels(hetero) corr(ar1)

Testing và validation

Kết quả chẩn đoán thống kê cho thấy:

  • Kiểm định Đa cộng tuyến: Hệ số phóng đại phương sai $VIF_{mean} = 1.48$, tất cả các chỉ số $VIF_{j} < 2.31$, thấp hơn nhiều so với ngưỡng cảnh báo 10.0, chứng minh mô hình không tồn tại đa cộng tuyến nghiêm trọng.
  • Kiểm định lựa chọn mô hình:
    • $F\text{-test}$ có giá trị $p < 0.001$, bác bỏ giả thuyết $H_0$ của Pooled OLS, chọn FEM.
    • Kiểm định Breusch-Pagan LM có giá trị $p < 0.001$, chọn REM thay vì Pooled OLS.
    • Kiểm định Hausman có giá trị $\chi^2 = 38.42$ ($p < 0.0001$), khẳng định mô hình FEM vượt trội so với REM.
  • Kiểm định khuyết tật mô hình FEM:
    • Kiểm định Modified Wald cho phương sai thay đổi giữa các thực thể cho kết quả $p < 0.0001$.
    • Kiểm định Wooldridge cho hiện tượng tự tương quan bậc 1 cho kết quả $p < 0.001$.
  • Kết luận kỹ thuật: Bắt buộc sử dụng mô hình hồi quy FGLS để loại bỏ hoàn toàn hiện tượng phương sai thay đổi và tự tương quan chuỗi thời gian, đảm bảo ước lượng không chệch và có hiệu quả thống kê cao nhất.

Kết quả đạt được

Bảng tổng hợp kết quả hồi quy FGLS thực nghiệm tác động của vốn trí tuệ đến hiệu quả hoạt động:

Biến độc lập / Kiểm soát Biến phụ thuộc: ROA (Mô hình 1) Biến phụ thuộc: ROA (Mô hình 2) Biến phụ thuộc: ROE (Mô hình 1) Biến phụ thuộc: ROE (Mô hình 2) Trạng thái giả thuyết
MVAIC 0.0142*** (p=0.000) — 0.0215*** (p=0.000) — Chấp nhận $H_1$
CEE — 0.1984*** (p=0.000) — 0.3120*** (p=0.000) Chấp nhận $H_4$
HCE — 0.0412*** (p=0.000) — 0.0786*** (p=0.000) Chấp nhận $H_2$
SCE — -0.0315** (p=0.012) — -0.0542** (p=0.024) Bác bỏ $H_3$
RCE — -0.0228** (p=0.038) — -0.0411** (p=0.045) Bác bỏ $H_5$
SIZE 0.0085*** (p=0.001) 0.0062** (p=0.015) 0.0142*** (p=0.002) 0.0118** (p=0.021) Kiểm soát tốt
LEV -0.0721*** (p=0.000) -0.0654*** (p=0.000) -0.1140*** (p=0.000) -0.0987*** (p=0.000) Tác động ngược chiều
GDP 0.0034** (p=0.028) 0.0029** (p=0.041) 0.0051** (p=0.031) 0.0044** (p=0.046) Tác động cùng chiều
Quan sát (Obs) 858 858 858 858 —
Số công ty (N) 78 78 78 78 —
Wald $\chi^2$ 412.85*** 528.94*** 389.20*** 496.12*** Mô hình rất ý nghĩa

* Ghi chú: *** $p < 0.01$, ** $p < 0.05$.

Đổi mới và đóng góp

Nghiên cứu tạo nên bước đột phá về cả phương pháp luận lẫn giá trị thực chứng trong bối cảnh thị trường chứng khoán Việt Nam:

  1. Đổi mới mô hình đo lường (Methodological Innovation): Khác với phần lớn các nghiên cứu trong nước trước đây chỉ áp dụng mô hình VAIC 3 thành phần của Pulic (2000) (bỏ quên yếu tố thị trường), khóa luận tích hợp hoàn chỉnh thành phần Vốn quan hệ (RCE) qua mô hình MVAIC. Điều này cung cấp cái nhìn thực tế về cách các chi phí quan hệ khách hàng, quảng bá thương hiệu tương tác với dòng vốn tri thức.
  2. Khắc phục triệt để sai phạm kinh tế lượng: Việc sử dụng mô hình FGLS thay thế cho Pooled OLS/FEM thuần túy giúp các hệ số ước lượng không bị sai lệch bởi hiện tượng phương sai thay đổi chéo giữa 78 công ty và hiện tượng tự tương quan theo thời gian 11 năm.
  3. Phát hiện nghịch lý thực nghiệm tại thị trường mới nổi:
    • CEE và HCE đóng vai trò là động lực tăng trưởng chính. Mỗi đơn vị cải thiện trong hiệu quả vốn vật chất giúp tăng $19.84%$ ROA, trong khi vốn con người đem lại mức tăng $4.12%$ ROA và $7.86%$ ROE.
    • Ngược lại, SCE ($\beta = -0.0315$) và RCE ($\beta = -0.0228$) có tác động tiêu cực đến ROA và ROE. Điều này phản ánh thực trạng các doanh nghiệp niêm yết Việt Nam đang gặp tình trạng "chi phí chìm" trong đầu tư quy trình nội bộ/chuyển đổi số chưa đồng bộ, cùng với việc lãng phí ngân sách tiếp thị bán hàng nhưng chưa tối ưu hóa được chuỗi giá trị khách hàng ($LTV/CAC$).

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu để ban lãnh đạo doanh nghiệp (Hội đồng quản trị, CEO, CFO) thiết kế lộ trình chuyển đổi cấu trúc vốn:

 - Định lượng $VA, HCE, CEE$      - Gắn kết KPI lương thưởng với VA     - Rà soát chi phí chuyển đổi số       - Đo lường ROI chi phí Marketing
 - Xác định điểm rò rỉ chi phí     - Đào tạo nâng cao tay nghề nhân sự    - Tinh gọn bộ máy quản trị            - Tối ưu hóa phễu chuyển đổi KH

Kịch bản ứng dụng cụ thể:

  • Tối ưu hóa Chi phí nhân sự (HCE): Thay vì cắt giảm lương để giảm chi phí ngắn hạn, doanh nghiệp tái cơ cấu chính sách đãi ngộ dựa trên giá trị gia tăng tạo ra ($VA/HC$). Tăng chi phí đầu tư đào tạo có mục tiêu giúp tăng năng suất lao động thực tế, trực tiếp cải thiện biên lợi nhuận ròng.
  • Khắc phục tình trạng kém hiệu quả của Vốn cấu trúc (SCE) và Vốn quan hệ (RCE): Cắt giảm các khoản chi tiêu marketing dàn trải, chuyển đổi sang các kênh tiếp thị số dựa trên dữ liệu (Data-driven Marketing) để đo lường chính xác tỷ lệ chuyển đổi; đồng thời tái cấu trúc quy trình nội bộ nhằm giảm thời gian vận hành dư thừa.
  • Phân tích Hiệu quả Đầu tư (ROI Estimates): Việc tái phân bổ 15% ngân sách marketing kém hiệu quả sang hệ thống đào tạo kỹ năng chuyên sâu và tự động hóa quy trình dự kiến sẽ giúp doanh nghiệp cải thiện chỉ số ROE từ 1.8% – 2.5% trong vòng 2 năm tài chính.

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu: Mô hình MVAIC dựa trên số liệu kế toán lịch sử từ Báo cáo tài chính đã kiểm toán theo Chuẩn mực Kế toán Việt Nam (VAS). VAS hiện tại chưa cho phép vốn hóa đầy đủ các chi phí R&D và giá trị thương hiệu nội tại như Chuẩn mực Kế toán Quốc tế (IAS 38/IFRS), khiến giá trị vô hình có thể bị đánh giá thấp hơn thực tế.
  • Hạn chế mẫu nghiên cứu: Nghiên cứu tập trung vào 78 doanh nghiệp niêm yết quy mô lớn; chưa bao quát các doanh nghiệp vừa và nhỏ (SMEs) hoặc khối công ty khởi nghiệp công nghệ (Tech Startups) - nơi có tỷ trọng vốn trí tuệ thâm dụng cao nhất.
  • Hướng phát triển tương lai:
    1. Ứng dụng mô hình GMM sai phân (Difference/System GMM) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa vốn trí tuệ và hiệu quả kinh doanh.
    2. Ứng dụng xử lý ngôn ngữ tự nhiên (NLP) phân tích Báo cáo thường niên và Báo cáo phát triển bền vững (ESG) nhằm trích xuất các chỉ số vốn trí tuệ định tính bổ trợ cho MVAIC.

Đối tượng hưởng lợi

                   HỆ SINH THÁI ĐỐI TƯỢNG HƯỞNG LỢI
[Sinh viên &      [Nhà phát triển &       [Doanh nghiệp &       [Nhà nghiên cứu &
 Giảng viên]       Data Analysts]          Nhà đầu tư]           Học giả]
- Template dữ     - Code pipeline Stata/  - Khung tái phân bổ   - Khung kiểm định
  liệu bảng 11      Python tự động hóa      vốn vô hình; tiêu     MVAIC FGLS cho
  năm chuẩn hóa     chẩn đoán lỗi           chí chọn cổ phiếu     thị trường mới
  • Sinh viên & Giảng viên khối ngành Kinh tế - Tài chính: Tiếp cận bộ tài liệu tham khảo hoàn chỉnh từ khung lý thuyết, quy trình xử lý dữ liệu bảng đa chiều đến phương pháp biện luận kinh tế lượng chuẩn mực.
  • Chuyên viên phân tích dữ liệu & Kỹ sư tài chính (Financial Analysts): Sở hữu mã nguồn Stata 18.0 tự động hóa quy trình kiểm định kinh tế lượng từ OLS $\rightarrow$ FEM/REM $\rightarrow$ FGLS.
  • Doanh nghiệp & Nhà quản trị tài chính: Nhận diện chính xác giá trị vô hình của doanh nghiệp; tránh bẫy đầu tư lãng phí vào vốn cấu trúc và tiếp thị kém hiệu quả.
  • Nhà đầu tư & Quỹ quản lý tài sản: Bổ sung bộ lọc định lượng dựa trên chỉ số MVAIC để định giá chính xác các doanh nghiệp sở hữu lợi thế cạnh tranh bền vững nhưng bị thị trường định giá thấp.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để triển khai mô hình MVAIC là gì?

Hệ thống yêu cầu máy trạm tối thiểu 4-core CPU, 8GB RAM, cài đặt Stata phiên bản 16.0 trở lên (khuyến nghị Stata 18.0 MP) hoặc môi trường Python 3.10+ tích hợp thư viện linearmodels và statsmodels. Dữ liệu đầu vào cần có Báo cáo kết quả hoạt động kinh doanh và Bảng cân đối kế toán tối thiểu 3-5 năm liên tục của doanh nghiệp.

2. Giới hạn quy mô dữ liệu và giải pháp khi mở rộng nghiên cứu?

Mô hình FGLS hoạt động tối ưu trên dữ liệu bảng cân bằng ($T \ge 10, N \ge 50$). Khi mở rộng mẫu lên toàn bộ hơn 700 doanh nghiệp trên HOSE/HNX, các hiện tượng dữ liệu bảng không cân bằng (Unbalanced Panel) và giá trị gia tăng âm ($VA \le 0$) cần được xử lý thông qua thuật toán lọc bỏ thực thể hoặc dùng phương pháp Generalized Method of Moments (GMM).

3. Làm thế nào để tích hợp MVAIC vào hệ thống ERP / Kế toán quản trị hiện hữu?

Doanh nghiệp có thể trích xuất dữ liệu tự động từ các phân hệ Kế toán tổng hợp (GL) và Bán hàng (SD) của ERP (SAP, Oracle, Odoo), thiết lập bảng tính tự động hóa tính toán các chỉ số $CEE, HCE, SCE, RCE$ theo tháng/quý để cập nhật trực tiếp lên Dashboard quản trị hiệu suất (Executive Performance Dashboard).

4. Nhu cầu bảo trì và cập nhật dữ liệu diễn ra như thế nào?

Các hệ số hồi quy vĩ mô và chỉ số trọng số vốn trí tuệ nên được tái ước lượng định kỳ hàng năm sau khi các doanh nghiệp công bố Báo cáo tài chính kiểm toán năm, nhằm thích ứng với những thay đổi trong môi trường lãi suất, lạm phát và tăng trưởng GDP.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) khi tối ưu hóa vốn trí tuệ?

Chi phí triển khai chủ yếu là chi phí chuẩn hóa dữ liệu nội bộ và tư vấn tái cấu trúc quy trình. Thời gian ghi nhận hiệu quả tài chính rõ nét (ROI) kéo dài từ 12 đến 24 tháng, chủ yếu thông qua việc cắt giảm chi phí vận hành dư thừa và gia tăng năng suất trên mỗi đồng chi phí nhân sự.

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán đo lường tác động của Vốn trí tuệ đến hiệu quả hoạt động của 78 doanh nghiệp niêm yết tại Việt Nam giai đoạn 2013 – 2023. Bằng việc ứng dụng mô hình MVAIC 4 thành phần kết hợp với kỹ thuật ước lượng FGLS chuẩn xác, nghiên cứu đã chứng minh vai trò động lực cốt lõi của Vốn vật chất (CEE) và Vốn con người (HCE), đồng thời cảnh báo rủi ro kém hiệu quả trong việc phân bổ Vốn cấu trúc (SCE) và Vốn quan hệ (RCE). Kết quả này đóng góp một góc nhìn học thuật mới và cung cấp công cụ định lượng thực tiễn giúp các doanh nghiệp Việt Nam nâng cao năng lực cạnh tranh trong nền kinh tế tri thức toàn cầu.