Luận văn thạc sĩ quản lý xây dựng áp dụng mô hình machine learning để dự đoán và đánh giá tỷ số lợi nhuận trên tài sản roa cho doanh nghiệp xây dựng việt nam

Luận văn thạc sĩ kỹ thuật phân tích quản lý xây dựng áp dụng mô hình machine learning để dự đoán và đánh giá tỷ số lợi nhuận trên tài, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Lê Tùng Dương
• Người hướng dẫn: TS. Trần Thành Long
• Trường học: Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Ứng Dụng Machine Learning Dự Đoán ROA Cho Doanh Nghiệp Xây Dựng Việt Nam
• Loại tài liệu: đồ án tốt nghiệp thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Đặt vấn đề
• 1.2. Lý do cho sự lựa chọn đề tài
• 1.3. Mục tiêu nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.5.1. Về khoa học
• 1.5.2. Về thực tiễn
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
• 2.1. Các nghiên cứu trước đây
• 2.1.1. Các nghiên cứu nước ngoài
• 2.1.2. Các nghiên cứu trong nước
• 2.2. Các mô hình máy học áp dụng để dự đoán tỷ suất lợi nhuận ROA
• 2.2.1. Các mô hình phân tích hồi quy độc lập
• 2.2.2. Các mô hình kết hợp
• 2.2.3. Mô hình mạng thần kinh nhân tạo
• 2.3. Môi trường ảo thực thi máy học
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình thực hiện nghiên cứu
• 3.2. Công cụ thực hiện nghiên cứu
• 3.3. Các lý thuyết, thuật toán áp dụng
• 3.3.1. Các biến tài chính
• 3.3.2. Các loại dự báo và các phương pháp dự báo
• 3.3.3. Các mô hình phân tích hồi quy độc lập
• 3.3.4. Các mô hình kết hợp
• 3.3.5. Mô hình mạng thần kinh nhân tạo
• 3.4. Áp dụng lý thuyết thu thập và xử lý dữ liệu
• 3.5. Thiết lập mô hình dự đoán
• 3.6. Kiểm soát mô hình dự báo
• 3.6.1. Sai số căn trung bình bình phương (RMSE)
• 3.6.2. Hệ số tương quan R2
• 4. CHƯƠNG 4: HUẤN LUYỆN MÔ HÌNH DỰ BÁO VÀ THẢO LUẬN
• 4.1. Tổng quan về dữ liệu
• 4.1.1. Thu thập dữ liệu
• 4.1.2. Xử lý dữ liệu
• 4.1.3. Mô tả dữ liệu
• 4.2. Các biến trong mô hình dự đoán
• 4.2.1. Xử lý dữ liệu
• 4.3. Thử nghiệm mô hình
• 4.3.1. Trường hợp nghiên cứu thử nghiệm
• 5. CHƯƠNG 5: KẾT LUẬN, HƯỚNG PHÁT TRIỂN VÀ THẢO LUẬN
• 5.1. Giới hạn về dữ liệu và hướng khắc phục
• 5.2. Giới hạn về mô hình học máy
• 5.3. Hướng phát triển nghiên cứu
• DANH MỤC CÔNG TRÌNH KHOA HỌC
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu và bối cảnh nghiên cứu

Nghiên cứu này tập trung vào việc ứng dụng Machine Learning để dự đoán ROA (Tỷ suất lợi nhuận trên tài sản) cho các doanh nghiệp xây dựng Việt Nam. Ngành xây dựng tại Việt Nam đóng vai trò quan trọng trong nền kinh tế, nhưng cũng đối mặt với nhiều thách thức về quản lý tài chính và dự báo hiệu quả kinh doanh. Machine Learning được xem là công cụ tiềm năng để cải thiện độ chính xác trong dự đoán tài chính, đặc biệt là ROA, giúp các doanh nghiệp tối ưu hóa chiến lược kinh doanh.

1.1. Vấn đề nghiên cứu

Các phương pháp truyền thống trong dự báo ROA thường tốn nhiều thời gian và thiếu chính xác. Ứng dụng Machine Learning trong phân tích tài chính hứa hẹn mang lại sự cải thiện đáng kể về độ chính xác và hiệu quả. Nghiên cứu này nhằm khám phá khả năng áp dụng các mô hình Machine Learning như Random Forest để dự đoán ROA cho các doanh nghiệp xây dựng tại Việt Nam.

1.2. Mục tiêu nghiên cứu

Mục tiêu chính của nghiên cứu là phát triển và thử nghiệm các mô hình Machine Learning để dự đoán ROA. Nghiên cứu cũng nhằm đánh giá hiệu quả của các mô hình này trong việc cải thiện hiệu quả kinh doanh và quản lý tài chính của các doanh nghiệp xây dựng.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu từ 76 doanh nghiệp xây dựng niêm yết trên Sở Giao dịch Chứng khoán Việt Nam (HOSE và HNX) từ năm 2012 đến 2022. Mô hình Random Forest được áp dụng để dự đoán ROA, với các chỉ số đánh giá như RMSE và R2.

2.1. Thu thập và xử lý dữ liệu

Dữ liệu tài chính được thu thập từ các báo cáo tài chính của các doanh nghiệp xây dựng. Quá trình phân tích dữ liệu bao gồm việc làm sạch dữ liệu, chuẩn hóa và chọn lọc các biến tài chính phù hợp để đưa vào mô hình.

2.2. Huấn luyện mô hình

Mô hình Random Forest được huấn luyện trên tập dữ liệu, với việc tối ưu hóa các tham số để đạt được độ chính xác cao nhất. Kết quả cho thấy mô hình đạt R2 là 0.9761 và RMSE là 0.5834, chứng tỏ hiệu quả vượt trội so với các phương pháp truyền thống.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy Machine Learning có khả năng dự đoán ROA với độ chính xác cao, giúp các doanh nghiệp xây dựng cải thiện hiệu quả kinh doanh và quản lý tài chính. Mô hình Random Forest được đánh giá là phù hợp nhất cho việc dự đoán ROA trong ngành xây dựng tại Việt Nam.

3.1. Đánh giá hiệu quả mô hình

Mô hình Random Forest đạt được tỷ lệ sai số dưới 1%, cho thấy khả năng dự đoán chính xác cao. Điều này khẳng định tiềm năng của Machine Learning trong việc hỗ trợ các quyết định tài chính dựa trên dữ liệu.

3.2. Ứng dụng thực tiễn

Nghiên cứu này mở ra hướng tiếp cận mới trong quản lý tài chính và dự đoán tài chính cho các doanh nghiệp xây dựng. Việc áp dụng Machine Learning không chỉ cải thiện độ chính xác mà còn giúp doanh nghiệp phản ứng nhanh hơn với các biến động thị trường.

IV. Kết luận và hướng phát triển

Nghiên cứu đã chứng minh hiệu quả của Machine Learning trong việc dự đoán ROA cho các doanh nghiệp xây dựng Việt Nam. Tuy nhiên, vẫn cần nghiên cứu thêm để tối ưu hóa mô hình và mở rộng phạm vi ứng dụng.

4.1. Giới hạn nghiên cứu

Nghiên cứu chỉ tập trung vào các doanh nghiệp niêm yết, chưa bao gồm các doanh nghiệp vừa và nhỏ. Hơn nữa, việc thu thập dữ liệu còn gặp nhiều khó khăn do sự thiếu đồng bộ trong báo cáo tài chính.

4.2. Hướng phát triển

Trong tương lai, nghiên cứu có thể mở rộng sang các ngành khác và tích hợp thêm các công nghệ tiên tiến như AI và Deep Learning để nâng cao hiệu quả dự đoán.

Nội dung chính

Tổng quan nghiên cứu

Ngành xây dựng tại Việt Nam đóng vai trò quan trọng trong tăng trưởng kinh tế với tốc độ tăng trưởng GDP dự kiến đạt khoảng 7,3 - 7,5% vào năm 2023. Tuy nhiên, ngành này cũng đối mặt với nhiều thách thức do biến động kinh tế vĩ mô, giá nguyên vật liệu và chi phí lao động. Trong bối cảnh đó, việc dự báo chính xác tỷ suất lợi nhuận trên tài sản (ROA) trở nên thiết yếu để đánh giá hiệu quả sử dụng tài sản và hỗ trợ các quyết định tài chính của doanh nghiệp xây dựng. Truyền thống dự báo ROA thường dựa vào các phương pháp thủ công, tốn thời gian và thiếu chính xác, gây khó khăn trong việc ứng phó kịp thời với biến động thị trường.

Luận văn này nhằm phát triển và thử nghiệm các mô hình học máy (Machine Learning - ML) để dự báo và đánh giá ROA cho 76 doanh nghiệp xây dựng niêm yết trên Sở Giao dịch Chứng khoán Việt Nam (HOSE và HNX) trong giai đoạn 2012-2022. Mục tiêu cụ thể là áp dụng các thuật toán như Random Forest, Support Vector Machine và mạng nơ-ron sâu nhằm nâng cao độ chính xác dự báo, từ đó cải thiện hiệu quả quản lý tài chính và khả năng cạnh tranh của doanh nghiệp. Nghiên cứu có phạm vi tập trung vào ngành xây dựng Việt Nam, sử dụng dữ liệu tài chính thực tế trong một thập kỷ, đảm bảo tính toàn diện và khách quan.

Việc ứng dụng học máy trong dự báo tài chính không chỉ giúp tự động hóa quá trình phân tích dữ liệu lớn mà còn tăng cường độ chính xác và hiệu quả hoạt động, góp phần thúc đẩy chuyển đổi số trong ngành xây dựng. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ các nhà quản lý tài chính đưa ra quyết định dựa trên dữ liệu, đồng thời cung cấp cơ sở khoa học cho việc phát triển các công cụ dự báo tài chính hiện đại tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình học máy hiện đại để dự báo tỷ suất lợi nhuận ROA, bao gồm:

• Lý thuyết học máy có giám sát (Supervised Learning): Phương pháp học từ dữ liệu đầu vào đã biết nhãn để xây dựng mô hình dự báo chính xác biến phụ thuộc (ROA) dựa trên các biến độc lập tài chính.

• Mô hình hồi quy độc lập: Bao gồm các mô hình hồi quy tuyến tính như Lasso, Ridge, K-lân cận gần nhất (KNR) và hồi quy dựa theo vectơ hỗ trợ (SVR). Các mô hình này giúp xác định mối quan hệ tuyến tính hoặc phi tuyến giữa các biến tài chính và ROA.

• Mô hình kết hợp (Ensemble Models): Bao gồm Random Forest (RF), Extra Trees Regressor (ETR), Gradient Boosting Regressor (GBR) và XGBoost. Các mô hình này kết hợp nhiều cây quyết định để cải thiện độ chính xác và giảm thiểu sai số dự báo.

• Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN): Sử dụng kiến trúc Multilayer Perceptron (MLP) với nhiều lớp ẩn để mô hình hóa các quan hệ phi tuyến phức tạp trong dữ liệu tài chính.

Các khái niệm chính được sử dụng gồm: ROA (Return on Assets), RMSE (Root Mean Square Error), R2 (Hệ số xác định), các biến tài chính như quy mô công ty, đòn bẩy tài chính, EBIT, vòng quay hàng tồn kho, và các chỉ số thanh khoản.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu tài chính của 76 doanh nghiệp xây dựng niêm yết trên HOSE và HNX trong giai đoạn 2012-2022, thu thập từ trang web tài chính uy tín tại Việt Nam. Dữ liệu bao gồm báo cáo tài chính, bảng cân đối kế toán và báo cáo kết quả kinh doanh.

• Phương pháp phân tích: Sử dụng ngôn ngữ lập trình Python với các thư viện Pandas, NumPy, Scikit-learn, Seaborn và Matplotlib để xử lý, phân tích và trực quan hóa dữ liệu. Các mô hình học máy được huấn luyện và đánh giá dựa trên các chỉ số RMSE, R2 và sai số dự báo.

• Quy trình nghiên cứu: Bao gồm thu thập và làm sạch dữ liệu, lựa chọn biến, xây dựng và huấn luyện các mô hình học máy, đánh giá hiệu quả mô hình qua cross-validation, so sánh các mô hình để chọn ra mô hình tối ưu nhất, và áp dụng mô hình dự báo ROA cho năm 2023.

• Cỡ mẫu và chọn mẫu: Dữ liệu toàn bộ 76 doanh nghiệp xây dựng niêm yết trong 11 năm, đảm bảo tính đại diện và đủ lớn để huấn luyện các mô hình học máy phức tạp.

• Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 01/2024, hoàn thành thu thập và xử lý dữ liệu trong quý 1, huấn luyện và đánh giá mô hình trong quý 2, hoàn thiện luận văn và bảo vệ vào tháng 06/2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình Random Forest: Mô hình RF đạt tỷ lệ sai số dưới 1%, với hệ số xác định R2 đạt 0,9761 và RMSE là 0,5834, cho thấy khả năng dự báo ROA rất chính xác trên dữ liệu thực tế của các doanh nghiệp xây dựng Việt Nam.

2. So sánh các mô hình học máy: Các mô hình kết hợp như RF, XGBoost và GBR cho kết quả vượt trội hơn các mô hình hồi quy độc lập (Lasso, Ridge, SVR) và mạng nơ-ron nhân tạo MLP, với mức cải thiện R2 trung bình khoảng 10-15%.

3. Ảnh hưởng của các biến tài chính: Các yếu tố như quy mô công ty (Size), đòn bẩy tài chính (Financial Leverage), EBIT và vòng quay hàng tồn kho (DIO) có mức độ tương quan cao với ROA, đóng vai trò quan trọng trong dự báo.

4. Ứng dụng thực tế: Mô hình RF được áp dụng dự báo ROA cho 6 doanh nghiệp xây dựng tiêu biểu năm 2023, cho kết quả dự báo sát với thực tế, sai số trung bình dưới 1%, giúp doanh nghiệp có thể điều chỉnh chiến lược tài chính kịp thời.

Thảo luận kết quả

Kết quả cho thấy mô hình học máy, đặc biệt là Random Forest, có khả năng xử lý tốt dữ liệu tài chính phức tạp và biến động của ngành xây dựng, vượt trội hơn các phương pháp truyền thống dựa trên phân tích thủ công hoặc hồi quy tuyến tính đơn giản. Việc sử dụng các mô hình kết hợp giúp giảm thiểu sai số dự báo và tăng độ ổn định của mô hình.

So với các nghiên cứu quốc tế, kết quả này tương đồng với các nghiên cứu tại Ghana và Trung Quốc, nơi ML cũng đạt tỷ lệ chính xác trên 70-80% trong dự báo lợi nhuận ngành xây dựng. Điều này khẳng định tính khả thi và hiệu quả của việc áp dụng ML trong bối cảnh Việt Nam.

Dữ liệu có thể được trình bày qua biểu đồ so sánh R2 và RMSE giữa các mô hình, biểu đồ tầm quan trọng các biến tài chính trong mô hình RF, và bảng so sánh dự báo ROA thực tế và dự báo cho các doanh nghiệp năm 2023, giúp minh họa rõ ràng hiệu quả mô hình.

Đề xuất và khuyến nghị

1. Áp dụng rộng rãi mô hình học máy trong quản lý tài chính doanh nghiệp xây dựng: Các doanh nghiệp nên triển khai mô hình Random Forest để dự báo ROA định kỳ, giúp nâng cao độ chính xác và kịp thời trong việc ra quyết định tài chính. Thời gian thực hiện: trong vòng 6 tháng tới; Chủ thể: Ban tài chính và công nghệ thông tin doanh nghiệp.

2. Đào tạo và nâng cao năng lực công nghệ cho nhân sự: Tổ chức các khóa đào tạo về học máy và phân tích dữ liệu cho cán bộ quản lý tài chính nhằm tăng cường khả năng vận hành và khai thác mô hình. Thời gian: 3-6 tháng; Chủ thể: Bộ phận nhân sự và đào tạo.

3. Xây dựng hệ thống dữ liệu tài chính chuẩn hóa và liên tục cập nhật: Thiết lập hệ thống thu thập và lưu trữ dữ liệu tài chính tự động, đảm bảo dữ liệu đầu vào cho mô hình luôn đầy đủ và chính xác. Thời gian: 6-12 tháng; Chủ thể: Ban công nghệ thông tin và quản lý dữ liệu.

4. Hợp tác nghiên cứu và phát triển công nghệ học máy trong ngành xây dựng: Khuyến khích các doanh nghiệp phối hợp với các viện nghiên cứu, trường đại học để phát triển các mô hình học máy phù hợp với đặc thù ngành xây dựng Việt Nam. Thời gian: liên tục; Chủ thể: Doanh nghiệp, viện nghiên cứu, trường đại học.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý tài chính doanh nghiệp xây dựng: Giúp nâng cao khả năng dự báo tài chính, tối ưu hóa quản lý tài sản và ra quyết định đầu tư hiệu quả.

2. Chuyên gia phân tích dữ liệu và khoa học dữ liệu: Cung cấp phương pháp và mô hình học máy ứng dụng thực tiễn trong lĩnh vực tài chính xây dựng, mở rộng kiến thức và kỹ năng chuyên môn.

3. Nhà nghiên cứu và giảng viên trong lĩnh vực quản lý xây dựng và tài chính: Là tài liệu tham khảo khoa học về ứng dụng công nghệ mới trong quản lý tài chính doanh nghiệp xây dựng tại Việt Nam.

4. Các nhà hoạch định chính sách và quản lý ngành xây dựng: Hỗ trợ đánh giá tình hình tài chính ngành, từ đó xây dựng chính sách hỗ trợ và phát triển bền vững.

Câu hỏi thường gặp

1. Mô hình học máy nào phù hợp nhất để dự báo ROA trong ngành xây dựng?
   Mô hình Random Forest được đánh giá là hiệu quả nhất với tỷ lệ sai số dưới 1% và R2 đạt 0,9761, nhờ khả năng xử lý dữ liệu phức tạp và giảm thiểu overfitting.

2. Dữ liệu tài chính nào quan trọng nhất trong dự báo ROA?
   Các biến như quy mô công ty, đòn bẩy tài chính, EBIT và vòng quay hàng tồn kho có ảnh hưởng lớn đến độ chính xác dự báo, được xác định qua phân tích tầm quan trọng biến trong mô hình.

3. Lợi ích của việc áp dụng học máy trong dự báo tài chính là gì?
   Học máy giúp tự động hóa phân tích dữ liệu lớn, nâng cao độ chính xác dự báo, giảm thời gian và công sức so với phương pháp truyền thống, từ đó hỗ trợ quyết định tài chính nhanh chóng và hiệu quả.

4. Các doanh nghiệp nhỏ có thể áp dụng mô hình này không?
   Mặc dù mô hình yêu cầu dữ liệu đầy đủ và kỹ năng vận hành, các doanh nghiệp nhỏ có thể hợp tác với các đơn vị chuyên môn hoặc sử dụng dịch vụ phân tích dữ liệu để tận dụng lợi ích của học máy.

5. Hướng phát triển tiếp theo của nghiên cứu này là gì?
   Nghiên cứu sẽ mở rộng áp dụng các mô hình học sâu (Deep Learning), tích hợp thêm dữ liệu phi cấu trúc và mở rộng phạm vi nghiên cứu sang các chỉ số tài chính khác nhằm nâng cao hiệu quả dự báo.

Kết luận

• Luận văn đã phát triển thành công mô hình học máy, đặc biệt là Random Forest, để dự báo tỷ suất lợi nhuận trên tài sản (ROA) cho doanh nghiệp xây dựng Việt Nam với độ chính xác cao (R2 = 0,9761, sai số dưới 1%).
• Nghiên cứu khẳng định vai trò quan trọng của các biến tài chính như quy mô công ty, đòn bẩy tài chính và EBIT trong dự báo ROA.
• Kết quả so sánh cho thấy mô hình học máy vượt trội hơn các phương pháp truyền thống và các mô hình hồi quy đơn lẻ.
• Đề xuất áp dụng rộng rãi mô hình học máy trong quản lý tài chính doanh nghiệp xây dựng nhằm nâng cao hiệu quả và khả năng cạnh tranh.
• Hướng phát triển tiếp theo tập trung vào mở rộng mô hình học sâu và tích hợp dữ liệu đa dạng để nâng cao độ chính xác và ứng dụng thực tiễn.

Next steps: Triển khai mô hình trong doanh nghiệp, đào tạo nhân sự, xây dựng hệ thống dữ liệu chuẩn hóa và hợp tác nghiên cứu phát triển công nghệ.

Các doanh nghiệp và nhà quản lý tài chính ngành xây dựng nên chủ động tiếp cận và ứng dụng các mô hình học máy để nâng cao hiệu quả quản lý tài chính và phát triển bền vững trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

đặt vấn đề, lý do cho sự lựa chọn đề tài, đối tượng và phạm vi, phương pháp, quy trình, công cụ nghiên cứu. CHƯƠNG 2: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU: Trình bày tổng quan về vấn đề đã được nghiên cứu trong và ngoài nước. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU: Trình bày cơ sở lý thuyết các mô hình sử dụng để dự báo tỷ suất lợi nhuận (ROA). Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 7 GVHD: TS.

Trần Thành Long CHƯƠNG 4: HUẤN LUYỆN MÔ HÌNH DỰ BÁO VÀ THẢO LUẬN: Xây dựng và so sánh các mô hình để chọn mô hình dự báo hiệu quả nhất. Áp dụng mô hình dự báo tỷ suất lợi nhuận ROA cho doanh nghiệp năm 2023. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: Đưa ra kết luận về vấn đề nghiên cứu đã đề xuất và một số gợi ý phát triển hướng nghiên cứu trong tương lai. Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 8 GVHD: TS.

Trần Thành Long CHƯƠNG 2 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 2.1 Các nghiên cứu trước đây Trong thế giới hiện đại dựa trên dữ liệu, học máy (ML) đã mang đến sự đổi mới lớn trong việc phân tích và đưa ra dự đoán trên nhiều lĩnh vực. ML không chỉ là một công cụ hiệu quả để nhận diện xu hướng trong dữ liệu phức tạp, mà còn giúp dự đoán hành vi, kết quả, và hiện tượng một cách chính xác. Các thuật toán của ML liên tục học hỏi từ dữ liệu, cải tiến qua thời gian, và phát hiện các mô hình mà con người có thể bỏ sót. Hiệu quả của nó đã được thử nghiệm trong nhiều ngành như dự báo thời tiết, tài chính, chăm sóc sức khỏe, quản lý chuỗi cung ứng, và phát triển sản phẩm.

Khả năng thích ứng với dữ liệu mới của ML không chỉ cải thiện hiệu suất hoạt động, mà còn giúp các tổ chức dự đoán các thách thức tương lai. Đây là điểm mạnh lớn của ML, mở ra không gian cho sự đổi mới, sáng tạo và quyết định chiến lược dựa trên dữ liệu.1 Các nghiên cứu nước ngoài Trong lĩnh vực quản lý xây dựng đang phát triển, việc áp dụng máy học (ML) đã tạo ra sự tiến bộ quan trọng trong việc cải thiện khả năng dự đoán và hiểu biết về lợi nhuận trong ngành. Các nghiên cứu gần đây đề cao vai trò ngày càng lớn của ML trong việc dự báo kết quả tài chính, nhấn mạnh rằng sự thay đổi công nghệ này có khả năng cải thiện quy trình hoạch định chiến lược và ra quyết định. [2] đã dẫn đầu trong việc áp dụng Thuật toán Hồi quy Vector Hỗ trợ (SVRA) để dự đoán lợi nhuận dự án xây dựng tại Ghana, đạt tỷ lệ chính xác ấn tượng là 73,66%.

Nghiên cứu này đã minh chứng khả năng của ML trong dự báo lợi nhuận xây dựng và đặt ra tiêu chuẩn cho các nghiên cứu sau này ở các thị trường mới nổi khác. Theo cùng một hướng, [3] đã sử dụng phân tích thành phần chính (PCA) và máy vector hỗ trợ (SVM) để đối phó với các vấn đề tài chính phức tạp của các công ty xây dựng Trung Quốc, đạt tỷ lệ chính xác ấn tượng hơn 80%. Những phát hiện này đã làm rõ tiềm năng của các thuật toán ML trong việc phân tích và giải thích dữ liệu tài chính phức tạp một cách hiệu quả. Bổ sung vào đó, [4] đã giới thiệu một hệ thống hỗ trợ quyết định được thiết kế để ước lượng tỷ lệ năng suất trong các dự án xây dựng bằng cách kết hợp mô hình SVM và Naive Bayes.

Phương pháp này không chỉ nhấn mạnh sự linh hoạt của ML trong việc Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 9 GVHD: TS. Trần Thành Long đối mặt với các thách thức quản lý xây dựng đa dạng mà còn khẳng định tầm quan trọng của độ chính xác dự báo trong việc nâng cao kết quả dự án. Thêm vào, [5] đã nghiên cứu về ảnh hưởng của cấu trúc vốn đến lợi nhuận của các công ty xây dựng tại Ethiopia. Kết quả cho thấy tỷ lệ nợ/vốn chủ sở hữu và tỷ lệ nợ dài hạn/tổng tài sản đều có mối liên hệ tích cực đáng chú ý với ROE và ROA.

Nhận định này khớp với cuộc thảo luận rộng rãi về vai trò quan trọng của quyết định về cấu trúc vốn trong việc ảnh hưởng đến giá trị công ty và chi phí hoạt động. Điều này càng cho thấy tầm quan trọng của việc lập kế hoạch tài chính chiến lược trong ngành xây dựng. Luận văn đã tổng hợp một số nghiên cứu nước ngoài liên quan đến áp dụng AI để dự báo lợi nhuận cho các công ty xây dựng (Bảng 2.1 Một số nghiên cứu nước ngoài áp dụng AI dự báo lợi nhuận cho các công ty xây dựng. STT Tên nghiên cứu Tác giả Năm Mô tả Dự đoán lợi nhuận dự án Application of xây dựng tại Ghana, đạt machine learning in tỷ lệ chính xác ấn tượng predicting là 73,66%.

construction project này đã minh chứng khả Adjei, K. 1 profit in Ghana 2021 năng của ML trong dự Agyekum, F. using Support báo lợi nhuận xây dựng Fugar Vector Regression và đặt ra tiêu chuẩn cho Algorithm (SVRA) các nghiên cứu sau này ở [2] các thị trường mới nổi khác. Sử dụng phân tích thành Predicting phần chính (PCA) và máy Hong Zhang, Fei profitability of vector hỗ trợ (SVM) để 2 Yang, Yang Li, 2015 listed construction đối phó với các vấn đề tài Heng Li companies based on chính phức tạp của các principal công ty xây dựng Trung Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 10 GVHD: TS.

Trần Thành Long component analysis Quốc, đạt tỷ lệ chính xác and support vector ấn tượng hơn 80%. machine-Evidence Những phát hiện này đã from China [3] làm rõ tiềm năng của các thuật toán ML trong việc phân tích và giải thích dữ liệu tài chính phức tạp một cách hiệu quả. Giới thiệu một hệ thống hỗ trợ quyết định được thiết kế để ước lượng tỷ lệ năng suất trong các dự án xây dựng bằng cách kết A Productivity hợp mô hình SVM và Decision Support Naive Bayes. Phương System for pháp này không chỉ nhấn 3 Construction Mahfouz, Tarek 2012 mạnh sự linh hoạt của ML Projects Through trong việc đối mặt với các Machine Learning thách thức quản lý xây (ML) [4] dựng đa dạng mà còn khẳng định tầm quan trọng của độ chính xác dự báo trong việc nâng cao kết quả dự án.

Nghiên cứu về ảnh hưởng Impacts of capital của cấu trúc vốn đến lợi structure: nhuận của các công ty xây profitability of Wassie, Fekadu 4 2020 dựng tại Ethiopia. Kết quả construction Agmas cho thấy tỷ lệ nợ/vốn chủ companies in sở hữu và tỷ lệ nợ dài Ethiopia [5] hạn/tổng tài sản đều có Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 11 GVHD: TS. Trần Thành Long mối liên hệ tích cực đáng chú ý với ROE và ROA. Kết quả của các nghiên cứu cho thấy việc sử dụng ML để dự đoán lợi nhuận tại các quốc gia mang lại kết quả vô cùng tích cực.2 Các nghiên cứu trong nước: Các nghiên cứu trong nước chỉ đang dừng tại ở mức đánh giá, so sánh các biến tài chính hoặc so sánh rút ra kết luận giữa các ngành khác với ngành xây dựng dựa vào phương pháp thống kê.2 Bảng liệt kê một số đề tài nghiên cứu trong nước STT Tên nghiên cứu Tác giả Năm Mô tả Trong nghiên cứu với trọng tâm là Việt Nam, tác giả đã cẩn thận phân tích các yếu tố quan trọng ảnh hưởng đến lợi nhuận Determinants of của các công ty xây dựng profitability: địa phương.

Những biến evidence from số như tuổi của công ty, Thi Nhu Le, Van construction tỷ lệ nợ, tốc độ tăng 1 Anh Mai and Van 2020 companies listed trưởng, hiệu quả sử dụng Cong Nguyen on Vietnam tài sản, quy mô công ty và Securities tỷ lệ tài sản cố định được Market. [6] xem là các yếu tố quan trọng đối với thành công tài chính. Nghiên cứu này đã đóng góp thêm vào cuộc thảo luận về các yếu tố tác động đến lợi nhuận Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 12 GVHD: TS. Trần Thành Long trong ngành xây dựng, cung cấp những cái nhìn sâu sắc về các đặc trưng riêng biệt của thị trường Việt Nam.

Nghiên cứu về thực hành Does working quản lý vốn lưu động capital trong ngành công nghiệp management xây dựng đã làm nổi bật matter? A mối quan hệ tinh vi giữa comparative case các thành phần vốn lưu Thi Quy Vo and 2 between 2023 động và lợi nhuận của Ngoc Cuong Ngo consumer goods doanh nghiệp, tiếp tục firms and cung cấp bằng chứng construction vững chắc về vai trò quan firms in Vietnam. trọng của quản lý tài [7] chính trong sự bền vững của ngành. Relationship between Capital Nghiên cứu về mối liên Structure and Soa La Nguyen, hệ giữa ROE, ROA, thanh Firm Cuong Duc Pham, khoản và nợ, nhấn mạnh Profitability: Tu Van Truong, 3 2023 tác động tinh tế của các Evidence from Trong Van Phi, khoản vay ngắn hạn lên Vietnamese Linh Thuy Le and lợi nhuận của doanh Listed Trang Thu Thi Vu nghiệp Companies. [8] Gần đây, sự quan tâm tới việc áp dụng công nghệ thông tin trong ngành xây dựng đã tăng lên đáng kể tại trường đại học Bách Khoa.

Rất nhiều nghiên cứu, cả trong nước và Luận văn Thạc Sỹ HVTH: Lê Tùng Dương – 2270097 13 GVHD: TS. Trần Thành Long toàn cầu, đã khám phá việc áp dụng trí tuệ nhân tạo (AI) trên các dự án khác nhau. Các dự án này bao gồm dân dụng: Tối ưu hóa trong quản lý xây dựng bằng thuật toán khuôn chất nhờn đối lập thích ứng [9], mô hình hỗ trợ trí tuệ nhân tạo ra quyết định đa tiêu chí trong quản lý xây dựng [10], định tuyến phương tiện tiên tiến trong phân phối xi măng: cách tiếp cận Thuật toán Salp Swarm rời rạc [11], đạt được hiệu suất được cải thiện trong các dự án xây dựng: khung tối ưu hóa chi phí và thời gian nâng cao [12], áp dụng thuật toán tối ưu hóa đàn kiến để tối ưu hóa thời gian và chi phí thi công cho các công trình bê tông khối [13]. Về vận tải như định tuyến phương tiện vận chuyển xi măng bằng thuật toán tối ưu hóa sin cosine lai [14] và về điện lực như nghiên cứu ứng dụng mô hình học máy để dự đoán công suất phát điện của hệ thống năng lượng mặt trời áp mái trên các tòa nhà [15].