Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Phân tích Bayesian tác động của quản trị vốn luân chuyển đến khả năng sinh lời của các doanh nghiệp ngành bán lẻ được niêm yết trên sàn chứng khoán Tại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

Chương 4 trình bày kết quả thực nghiệm của mô hình nghiên cứu đã được xây dựng trong Chương 3, nhằm phân tích tác động của quản trị vốn luân chuyển đến khả năng sinh lời của các doanh nghiệp bán lẻ niêm yết tại Việt Nam giai đoạn 2013–2024. Dữ liệu sau khi được xử lý và kiểm định đã được phân tích bằng các mô hình hồi quy OLS, FEM, REM, GLS và Bayesian.

4.1 THỐNG KÊ MÔ TẢ

Tổng số 216 quan sát được sử dụng trong nghiên cứu được thu thập từ 18 doanh nghiệp bán lẻ niêm yết tại Việt Nam. Dữ liệu được lấy từ báo cáo tài chính giai đoạn 2013–2024, bao gồm 7 biến trong mô hình nghiên cứu, trong đó có 1 biến phụ thuộc, 4 biến độc lập và 2 biến kiểm soát. Các chỉ tiêu thống kê mô tả được sử dụng để phản ánh đặc điểm cơ bản của dữ liệu, bao gồm: giá trị trung bình (Mean), giá trị nhỏ nhất (Minimum), giá trị lớn nhất (Maximum) và độ lệch chuẩn (Standard Deviation), nhằm cung cấp cái nhìn tổng quan về sự phân bố và biến động của các biến trong mô hình.

Theo thống kê dữ liệu từ Stata thì có tất cả 216 biến quan sát. Kết quả thu được:

• Bảng 4.1. Thống kê mô tả các biến (trung bình, độ lệch chuẩn, min–max) giai đoạn 2013–2024

Biến ROA – Giai đoạn 2013 – 2024 Từ Bảng 4.1 cho thấy ROA của các doanh nghiệp bán lẻ có giá trị trung bình 0,0542 (≈5,4%), nhưng dao động mạnh từ mức âm –0,3971 đến tối đa 0,3398, phản ánh sự khác biệt đáng kể về khả năng sinh lời giữa các doanh nghiệp trong mẫu. biến ROA dao động mạnh giữa các doanh nghiệp, với những năm đầu BSC và BTT thường ghi nhận mức thấp nhất, trong khi PSD liên tục duy trì ROA rất cao, nhiều năm gần sát ngưỡng 1. Sự chênh lệch này cho thấy sự phân hóa rõ rệt về khả năng sinh lời trong ngành.

• Hình 4.1 ROA bình quân theo năm của mẫu doanh nghiệp bán lẻ (2013–2024)

Biến độc lập INV – dao động quanh mức trung bình trong giai đoạn 2013–2024, INV có trung bình 42,97 ngày, dao động từ mức rất thấp 0,8165 đến 171,5577 cho thấy tồn kho chiếm tỷ trọng đáng kể trong cơ cấu tài sản nhưng phân tán rộng giữa các công ty biến INV của các doanh nghiệp bán lẻ biến động khá mạnh và chịu ảnh hưởng rõ rệt từ một số mã cổ phiếu. Năm 2013–2014, trong khi BSC tiếp tục giữ tỷ lệ thấp gần như bằng không. Những biến động này cho thấy sự khác biệt trong chiến lược kinh doanh, khi các doanh nghiệp lớn như MWG, DGW, AFX hay CMV mở rộng tồn kho để đáp ứng nhu cầu thị trường, trong khi các doanh nghiệp nhỏ hơn như BSC duy trì chính sách quản trị tồn kho chặt chẽ và ổn định hơn.

• Hình 4.2 Số ngày tồn kho (INV) bình quân theo năm giai đoạn 2013–2024

Biến AR – đạt trung bình 29,77 ngày, nhưng biến thiên rất lớn từ 0,28 đến 227 ngày, chứng tỏ sự khác biệt lớn trong chính sách tín dụng thương mại. Biến AR cũng có sự biến động lớn, nhiều năm một số doanh nghiệp để số ngày thu hồi công nợ kéo dài trên 200 ngày, trong khi những doanh nghiệp như MWG hay DGW duy trì AR thấp hơn nhiều, phản ánh khả năng thu tiền nhanh nhờ doanh thu bán lẻ trực tiếp. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

• Hình 4.3: Số ngày thu tiền (AR) bình quân theo năm giai đoạn 2013–2024

Biến AP – giá trị trung bình đạt 22,68 ngày, dao động từ 0 đến 86,39 ngày, phản ánh mức độ tận dụng tín dụng từ nhà cung cấp khác nhau giữa các doanh nghiệp. Đối với AP, sự khác biệt chủ yếu đến từ một số doanh nghiệp tận dụng tốt tín dụng thương mại với số ngày phải trả trên 80 ngày, trong khi các công ty nhỏ như BSC chỉ duy trì mức dưới 10 ngày, thể hiện sự khác biệt về vị thế thương lượng với nhà cung cấp.

• Hình 4.4: Giá trị AP của các doanh nghiệp bán lẻ giai đoạn 2013–2024

Biến SIZE – Quy mô doanh nghiệp có giá trị trung bình 27,52, dao động trong khoảng từ 24,42 đến 31,89, cho thấy sự khác biệt rõ ràng về quy mô tài chính giữa các công ty lớn và nhỏ. Biến SIZE cho thấy MWG, FRT và DGW là những doanh nghiệp lớn nhất trong mẫu nghiên cứu, thường xuyên dẫn đầu về tổng tài sản, trong khi các công ty quy mô nhỏ như BSC, BTT, PSD ở mức rất thấp, tạo khoảng cách rõ ràng về năng lực tài chính.

• Hình 4.5: Giá trị SIZE của các doanh nghiệp ngành bán lẻ giai đoạn 2013–2024

Biến LEV – Đạt giá trị trung bình ở mức 0,5164, thấp nhất 0,0635 và cao nhất 0,9721, phản ánh sự chênh lệch trong việc sử dụng nợ để tài trợ hoạt động. LEV phản ánh cấu trúc vốn cũng phân tán mạnh, với một số doanh nghiệp như DGW và MWG sử dụng đòn bẩy tài chính cao, có năm gần chạm 100% tổng tài sản, trong khi BSC hay BTT nhiều năm duy trì mức nợ rất thấp, thậm chí dưới 10%, cho thấy sự thận trọng trong vay nợ

• Hình 4.6: Giá trị LEV của các doanh nghiệp bán lẻ giai đoạn 2013–2024

Biến CATA – có giá trị trung bình đạt 0,69 dao động từ 0,1699 đến gần như tuyệt đối 0,9985, cho thấy đa số doanh nghiệp bán lẻ duy trì tỷ trọng tài sản ngắn hạn cao để đảm bảo vốn lưu động. biến CATA dao động từ khoảng 17% đến gần 100%, trong đó những doanh nghiệp bán lẻ quy mô nhỏ thường có tỷ trọng tài sản ngắn hạn rất cao để phục vụ hoạt động lưu động, trong khi các doanh nghiệp lớn hơn phân bổ tài sản đa dạng hơn nên tỷ lệ này thấp hơn.

• Hình 4.7: Giá trị CATA bình quân của các doanh nghiệp bán lẻ giai đoạn 2013–2024

4.2. PHÂN TÍCH HỆ SỐ TƯƠNG QUAN Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

• Bảng 4.2: Ma trận tương quan Pearson giữa các biến trong mô hình

Bảng 4.2 Kết quả Ma trận tương quan cho thấy mối liên hệ giữa ROA và từng biến giải thích rằng ROA có quan hệ âm mức trung bình với LEV, hệ số âm 0,348 và mức ý nghĩa rất cao gần bằng không. Điều này cho thấy đòn bẩy tài chính tăng thường đi kèm mức sinh lời trên tài sản giảm, phù hợp với lập luận chi phí lãi vay và rủi ro tài chính bào mòn lợi nhuận. ROA liên hệ âm yếu với AR, hệ số âm 0,133 và đạt ý nghĩa thống kê ở ngưỡng xấp xỉ mười phần trăm, nhận thấy việc thu hồi công nợ chậm có thể làm giảm hiệu quả sinh lời. Quan hệ giữa ROA với AP gần như bằng không, hệ số 0,056 và không có ý nghĩa thống kê, cho thấy kéo dài thời hạn thanh toán chưa biểu hiện thành lợi nhuận cao hơn trong mẫu dữ liệu này. ROA với INV hầu như không liên hệ, hệ số âm 0,057 và không có ý nghĩa. ROA với SIZE cũng gần bằng không, hệ số 0,004 và không có ý nghĩa. ROA với CATA cho kết quả âm rất nhỏ, hệ số âm 0,045 và không có ý nghĩa. Như vậy, ở mức hệ số tương quan rõ ràng nhất là tác động bất lợi của đòn bẩy tài chính và gợi ý yếu rằng thời gian thu tiền dài làm giảm ROA. Tiếp theo, xét về tương quan bên trong nhóm biến giải thích để đánh giá nguy cơ đa cộng tuyến. Ba biến liên quan đến quy mô và cấu trúc tài chính đồng biến khá mạnh.

Cặp LEV và CATA có hệ số 0,639 với ý nghĩa rất cao. Cặp SIZE và LEV đạt 0,527, còn SIZE và CATA đạt 0,406. Điều này hàm ý các doanh nghiệp lớn hơn có xu hướng sử dụng đòn bẩy cao hơn và nắm giữ tỷ trọng tài sản ngắn hạn lớn hơn, đồng thời ba biến này chia sẻ thông tin chung đáng kể. Nhóm biến vốn luân chuyển cũng đồng biến ở mức trung bình.

INV với AP đạt 0,460. AR với AP đạt 0,332. INV với AR đạt 0,313. Mối liên hệ này phản ánh tính gắn kết của các cấu phần trong chu kỳ chuyển đổi tiền mặt, khi điều chỉnh một mắt xích thường đi kèm thay đổi ở mắt xích khác. Một số cặp khác có hệ số rất nhỏ hoặc không có ý nghĩa, ví dụ AP với CATA hệ số 0,036, AR với LEV hệ số âm 0,075, AR với CATA hệ số âm 0,075. Tiếp đến là khi xây dựng mô hình hồi quy, cần kiểm tra hệ số phóng đại phương sai VIF cho các biến SIZE, LEV và CATA. Nếu chỉ số này vượt ngưỡng thông dụng như năm hoặc mười, nên cân nhắc các hướng xử lý sau. Một là chuẩn hóa và trung tâm hóa dữ liệu để giảm đồng tuyến tính. Hai là chọn lọc bớt một biến trong nhóm quy mô, đòn bẩy, tài sản ngắn hạn tùy theo mục tiêu diễn giải. Ba là thay đặc tả bằng một chỉ tiêu tổng hợp của quản trị vốn luân chuyển như chu kỳ chuyển đổi tiền mặt nhằm hạn chế chồng chéo thông tin giữa INV, AR và AP. Với tiếp cận Bayesian, có thể giúp cho các hệ số dễ đa cộng tuyến để ổn định ước lượng và mở rộng báo cáo theo phân bố hậu nghiệm, qua đó diễn giải theo xác suất thay vì chỉ dựa trên giá trị điểm.

Tổng kết, đòn bẩy có quan hệ nghịch với hiệu quả sinh lời. Thời gian thu tiền dài có xu hướng bất lợi cho ROA. Các cấu phần vốn luân chuyển cùng di chuyển, trong khi nhóm quy mô, đòn bẩy và tài sản ngắn hạn cần kiểm soát đa cộng tuyến trước khi suy luận nhân quả trong mô hình chính thức. Những điểm này sẽ được kiểm định lại trong các mô hình nghiên cứu của luận văn để đưa ra kết luận chắc chắn hơn.

4.3. KIỂM ĐỊNH ĐA CỘNG TUYẾN Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Để kiểm tra hiện tượng đa cộng tuyến trong mô hình, nghiên cứu sử dụng chỉ số phóng đại phương sai (Variance Inflation Factor – VIF). Theo cơ sở lý thuyết, VIF phản ánh mức độ mà một biến độc lập có thể được giải thích bởi các biến độc lập khác trong mô hình hồi quy. Khi giá trị VIF càng cao, mức độ tương quan tuyến tính giữa các biến càng lớn, điều này có thể dẫn đến sự bất ổn trong hệ số ước lượng và làm giảm ý nghĩa thống kê của mô hình (Gujarati & Porter, 2009). Các ngưỡng giá trị trong nghiên cứu kinh tế là VIF < 10 (theo Kennedy, 2008; Wooldridge, 2012) hoặc nghiêm ngặt hơn, VIF < 5 (theo Hair et al,, 2010) để khẳng định không có đa cộng tuyến đáng kể, Một số nghiên cứu trong lĩnh vực tài chính – kế toán còn áp dụng ngưỡng chặt hơn, chỉ cần VIF < 3 đã có thể kết luận mức độ đa cộng tuyến thấp và không ảnh hưởng tới kết quả hồi quy.

Kết quả Bảng 4.3 cho thấy các biến trong mô hình đều có VIF thấp, dao động từ 1,21 (AR) đến 2,02 (LEV), với giá trị trung bình 1,61, Các mức này đều nhỏ hơn đáng kể so với ngưỡng 3 và càng thấp so với ngưỡng 5 hoặc 10 thường dùng trong các nghiên cứu định lượng, Do đó, có thể kết luận rằng mô hình không gặp vấn đề đa cộng tuyến nghiêm trọng và các biến độc lập đều có thể được đưa vào phân tích hồi quy mà không gây sai lệch đáng kể cho ước lượng.

• Bảng 4.3: Kiểm tra đa cộng tuyến bằng hệ số VIF

4.4. ƯỚC LƯỢNG MÔ HÌNH HỒI QUY THEO PHƯƠNG PHÁP OLS

Mô hình bao gồm: ROAit = β0 + INVit + ARit + APit + SIZEit + LEVit + CATAit + εit Bảng 4.4: Kết quả ước lượng Pooled OLS cho ROA

Bảng 4.4 thu được giá trị Prob > F gần bằng 0, nên chấp nhận mô hình ở mức ý nghĩa 5% vậy mô hình có ý nghĩa thống kê. Kết quả mô hình thấy được biến INV, AR, AP, CR và CATA không có ý nghĩa thống kê ở mức ý nghĩa 5%. Tuy nhiên với mức ý nghĩa 10% có các biến AP, LEV, CR có tác động ngược chiều với tỷ suất sinh lời ROA. Trong khi đó biến SIZE có tác động tích cực lên biến phụ thuộc ROA với mức ý nghĩa 5%.

4.5. KIỂM ĐỊNH LỰA CHỌN MÔ HÌNH Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Lựa chọn mô hình FEM và OLS

Lựa chọn phương pháp F để lựa chọn mô hình FEM và OLS theo giả thuyết: H0: Chọn mô hình OLS, H1: Chọn mô hình FEM

• Bảng 4.5: Kết quả mô hình tác động ngẫu nhiên (REM)
• Bảng 4.6: Kết quả mô hình tác động cố định (FEM)

Theo kết quả kiểm định F-test ở Bảng 4.6, ta thu được giá trị p-value < 5%, như vậy bác bỏ H0 và kết luận có tồn tại tác động đặc trưng của từng đơn vị chéo. Mô hình ước lượng Pooled OLS không phù hợp để lựa chọn mô hình tốt nhất.

Lựa chọn mô hình FEM và REM bằng kiểm định Hausman:

• Bảng 4.7: Kiểm định Hausman lựa chọn giữa FEM và REM

Với giả thuyết của kiểm định theo Hausman thường dùng trong thực hành sau được áp dụng lần lượt trong mô hình hồi quy:

• H0: chấp nhận mô hình REM H1: chấp nhận mô hình FEM
• Nếu sig. > 5% chấp nhận H0 và ngược lại.

Phương pháp FEM và tác động ngẫu nhiên REM để hồi quy biến độc lập theo biến phụ thuộc đã được thực hiện cùng với kiểm định Hausman được sử dụng để phân tích mối quan hệ giữa các biến độc lập và biến phụ thuộc. Sau khi ước lượng, kiểm định Hausman được tiến hành nhằm xác định xem các yếu tố không quan sát được có tương quan với các biến giải thích trong mô hình hay không. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Bảng 4.6 về kết quả hồi quy theo mô hình hiệu ứng cố định (FEM) kiểm định cho thấy giá trị P-value nhỏ hơn 0,05, do đó bác bỏ giả thuyết H₀ và chấp nhận giả thuyết H₁ mô hình FEM được xem là phù hợp và đáng tin cậy hơn so với mô hình REM, khẳng định rằng các biến giải thích được lựa chọn phù hợp trong việc lý giải sự biến động của tỷ suất sinh lời trên tổng tài sản (ROA).

• Cụ thể:

Hàng tồn kho (INV): có hệ số âm, có ý nghĩa ở mức 1%. Kết quả gợi ý rằng mức tồn kho cao có thể làm giảm hiệu quả sinh lời, do chi phí lưu kho và rủi ro giảm giá trị hàng tồn kho.

Quy mô doanh nghiệp (SIZE): không có ý nghĩa thống kê (p = 0.294). Điều này phản ánh rằng quy mô lớn chưa chắc đã mang lại hiệu quả cao hơn, có thể do chi phí quản lý gia tăng hoặc hiệu quả sử dụng nguồn lực chưa tối ưu.

Khoản phải thu (AR): hệ số ước lượng âm và có ý nghĩa thống kê ở mức 10%. Điều này hàm ý rằng việc gia tăng khoản phải thu sẽ làm giảm hiệu quả sinh lời của doanh nghiệp, có thể do rủi ro thu hồi công nợ và chi phí vốn bị gia tăng.

Khoản phải trả (AP): không có ý nghĩa thống kê (p = 0.168), cho thấy tác động của khoản phải trả đến ROA chưa rõ ràng trong bối cảnh mẫu nghiên cứu.

Đòn bẩy tài chính (LEV): tác động âm, có ý nghĩa thống kê ở mức 1%. Điều này cho thấy việc sử dụng nợ vay quá mức sẽ làm suy giảm khả năng sinh lời, phản ánh gánh nặng chi phí lãi vay trong cơ cấu vốn.

Tỷ trọng tài sản ngắn hạn (CATA): hệ số dương, có ý nghĩa thống kê ở mức 1%. Kết quả cho thấy doanh nghiệp có cơ cấu tài sản ngắn hạn hợp lý sẽ cải thiện khả năng sinh lời, nhờ sự linh hoạt trong hoạt động kinh doanh và khả năng đáp ứng nhu cầu vốn lưu động.

4.6. KIỂM ĐỊNH PHƯƠNG SAI VÀ TỰ TƯƠNG QUAN Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Sau khi xác định mô hình tác động cố định (FEM) là lựa chọn phù hợp nhất, nghiên cứu tiếp tục thực hiện kiểm định các khuyết tật thường gặp trong dữ liệu bảng nhằm đảm bảo tính chính xác và độ tin cậy của kết quả ước lượng.

Trước tiên, kiểm định Wooldridge được sử dụng để xác định sự tồn tại của hiện tượng tự tương quan bậc nhất trong phần dư của mô hình. Kết quả kiểm định cho thấy giá trị thống kê F = 6.48 với Prob > F = 0.0000. Với mức ý nghĩa 5%, giá trị p-value nhỏ hơn 0.05 nên bác bỏ giả thuyết H₀ về không có tự tương quan.

Do đó, có thể kết luận rằng mô hình xuất hiện hiện tượng tự tương quan, cần được xử lý ở các bước hồi quy tiếp theo để đảm bảo kết quả ước lượng đáng tin cậy.

Tiếp theo, hiện tượng phương sai sai số thay đổi được kiểm định bằng kiểm định Modified Wald. Kết quả thu được p-value bằng 0.0783 ở mức 5% không có bằng chứng tự tương quan; ở mức 10% thì biên giới (có thể xem là có). Để chắc chắn hơn bài nghiên cứu này đánh giá mô hình FEM đã lựa chọn có hiện tượng tự tương quan vì các cú sốc tài chính hay hoạt động của doanh nghiệp thường kéo dài qua nhiều kỳ, khiến sai số ở năm này có tương quan với năm trước → tạo tự tương quan.

Như vậy, kết quả kiểm định cho thấy mô hình tồn tại đồng thời hiện tượng tự tương quan và phương sai sai số thay đổi. Để khắc phục các khuyết tật này, nghiên cứu áp dụng phương pháp ước lượng Bình phương tối thiểu tổng quát (Generalized Least Squares – GLS). Cách tiếp cận này giúp hiệu chỉnh sai số chuẩn, qua đó nâng cao độ tin cậy của các ước lượng hồi quy và đảm bảo rằng kết quả phản ánh chính xác mối quan hệ thực tế giữa các biến trong mô hình.

• Bảng 4.8: Kiểm định phương sai thay đổi (Modified Wald/White) và tự tương quan (Wooldridge)

Kết quả kiểm định cho thấy mô hình FEM xuất hiện hiện tượng tự tương quan và phương sai sai số thay đổi, do đó cần có biện pháp hiệu chỉnh trong giai đoạn ước lượng. Để xử lý vấn đề này, nghiên cứu sử dụng phương pháp hồi quy Bình phương tối thiểu tổng quát (Generalized Least Squares – GLS). Phương pháp này cho phép điều chỉnh sai số chuẩn, từ đó nâng cao độ chính xác của ước lượng và đảm bảo tính tin cậy cho kết quả mô hình.

4.7. KẾT QUẢ GLS

Bài luận tiến hành hồi quy theo phương pháp hồi quy bình phương tối thiểu tổng quát GLS nhằm khắc phục hiện tượng tự tương quan trong mô hình FEM đã ước lượng và được kiểm định ở trên.

• Bảng 4.9: Ước lượng GLS với sai số chuẩn hiệu chỉnh Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Sau khi tiến hành các kiểm định cần thiết, mô hình tác động cố định (FEM) được lựa chọn và được ước lượng lại bằng phương pháp GLS với sai số chuẩn hiệu chỉnh nhằm khắc phục hiện tượng tự tương quan và phương sai sai số thay đổi. Bảng 4.9 dưới đây trình bày kết quả hồi quy của biến phụ thuộc ROA theo các biến giải thích trong mô hình nghiên cứu (với hệ số AR bậc một xấp xỉ 0,62). Kiểm định Wald cho thấy mô hình có ý nghĩa chung rất cao 52,89%, khẳng định các biến giải thích nói chung có liên hệ thống kê với ROA. Biến thời gian luân chuyển hàng tồn kho (INV) mang dấu âm và có ý nghĩa thống kê cao. Mỗi ngày tồn kho kéo dài thêm gắn với mức suy giảm nhỏ nhưng có ý nghĩa của ROA. Kết quả này phù hợp với quan sát kinh điển rằng tồn kho bị giữ lâu làm tăng chi phí lưu kho và chiếm dụng vốn, từ đó bào mòn biên lợi nhuận. Nhiều bằng chứng trước đây ủng hộ hướng tác động này, điển hình là Deloof 2003 (Bỉ), Sharma và Kumar 2011 (Ấn Độ) và Ponsian cùng cộng sự 2014 (DSE), đều cho thấy số ngày tồn kho cao đi cùng mức sinh lời thấp hơn.

Biến AR cũng cho hệ số âm có ý nghĩa. Điều này hàm ý chu kỳ thu hồi công nợ dài làm giảm hiệu quả sử dụng tài sản do vốn bị chiếm dụng ở khoản phải thu và rủi ro mất mát gia tăng. Kết quả phù hợp với các phát hiện của (Deloof, 2003 và Sharma và Kumar, 2011), cũng như với bằng chứng theo chu kỳ kinh tế của Enqvist, Graham và Nikkinen 2014, rằng trong giai đoạn suy giảm kinh tế, tác động bất lợi của khoản phải thu đến lợi nhuận còn rõ hơn. Ngược lại, kỳ thanh toán cho nhà cung cấp có hệ số dương và có ý nghĩa thống kê. Việc kéo dài thời hạn thanh toán trong giới hạn hợp đồng có thể coi như một dạng tài trợ ngắn hạn chi phí thấp, giúp doanh nghiệp giữ tiền mặt lâu hơn cho hoạt động, qua đó hỗ trợ ROA. Hướng tác động dương của kỳ thanh toán đã được ghi nhận trong bối cảnh các thị trường mới nổi và ngành sản xuất (Makori và Jagongo, 2013) và (Ponsian cùng cộng sự, 2014).

Về các biến kiểm soát, đòn bẩy tài chính mang dấu âm rất mạnh và có ý nghĩa cao. Tỷ lệ nợ tăng kéo theo chi phí lãi vay và rủi ro tài chính, làm giảm khả năng sinh lời trên tài sản. Kết quả này nhất quán với nghiên cứu trong nước và khu vực, như (Nguyễn Thanh Hùng và Đinh Thế Thanh, 2022) về ngưỡng tác động của quản trị vốn luân chuyển tới sinh lời ở Việt Nam (Nam, 2024) khi bàn về mối liên hệ giữa cấu trúc vốn, thanh khoản và hiệu quả tài chính. Tỷ trọng tài sản ngắn hạn trên tổng tài sản lại cho hệ số dương có ý nghĩa, hàm ý duy trì mức tài sản lưu động phù hợp giúp doanh nghiệp bảo đảm thanh khoản vận hành và hỗ trợ lợi nhuận. Kết quả này đồng điệu với bằng chứng trên ngành bán lẻ Indonesia (Suryani, Dwijayanti và Cahyono, 2023) về mối liên hệ tích cực giữa thanh khoản và lợi nhuận. Biến quy mô doanh nghiệp cho hệ số dương nhưng không có ý nghĩa thống kê ở mức thông dụng; điều này cho thấy lợi thế theo quy mô không thể hiện rõ ràng trong mẫu nghiên cứu hiện tại, dù nhiều nghiên cứu trước đây thường ghi nhận khuynh hướng cùng chiều (Gill, Biger và Mathur, 2010) hay (Afrifa và Padachi, 2016) trên nhóm doanh nghiệp vừa và nhỏ.

Dựa trên đó, phần tiếp theo của luận văn sẽ chuyển sang ước lượng theo tiếp cận Bayesian để kiểm định lại độ chắc chắn của các hệ số, đồng thời đánh giá xác suất hậu nghiệm của từng tham số nhằm hỗ trợ ra quyết định chính sách quản trị vốn luân chuyển trong doanh nghiệp bán lẻ.

4.8. MÔ HÌNH BAYES Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

4.8.1 Chạy 3 mô hình

Trong nghiên cứu này, phương pháp Bayes được triển khai theo lộ trình gồm bốn mô hình khác nhau, nhằm vừa đảm bảo độ chính xác thống kê, vừa củng cố tính ổn định và khách quan của các kết quả thực nghiệm. Mô hình 1 sử dụng prior phi thông tin cho các hệ số hồi quy và Jeffreys prior cho phương sai, với quy mô mô phỏng tương đối nhỏ (50.000 vòng lặp). Mục tiêu của mô hình này là cung cấp cái nhìn ban đầu về hướng tác động của các biến độc lập, đồng thời kiểm tra mức độ hội tụ của chuỗi Markov Monte Carlo (MCMC). Kết quả từ mô hình này đóng vai trò nền tảng để định hướng cho các mô hình tiếp theo.

• bayesmh ROA INV AR AP SIZE LEV CATA, likelihood(normal({var})) prior({ROA:}, flat) prior({var}, jeffreys) mcmcsize(50000).

Tiếp đến, Mô hình 2 giữ nguyên cấu trúc prior nhưng mở rộng số vòng lặp mô phỏng lên 100.000, giúp cải thiện đáng kể tính ổn định của phân phối hậu nghiệm. Việc tăng số vòng lặp làm giảm sai số Monte Carlo, khiến cho các ước lượng trung bình hậu nghiệm và khoảng tin cậy trở nên mượt và đáng tin cậy hơn. Nhờ vậy, mô hình 2 cung cấp bộ kết quả có giá trị tham khảo chính thống hơn, đồng thời giúp xác định rõ những mối quan hệ ổn định giữa các biến.

• bayesmh ROA INV AR AP SIZE LEV CATA, likelihood(normal({var})) prior({ROA:}, flat) prior({var}, jeffreys) mcmcsize(100000) Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Mô hình 3 được xây dựng nhằm kiểm tra độ nhạy cảm của kết quả đối với lựa chọn prior. Thay vì tiếp tục sử dụng prior phi thông tin như ở các mô hình trước, mô hình này áp dụng prior dạng weakly-informative, cụ thể là Normal(0, σ²) cho các hệ số hồi quy và Inverse-Gamma(0.01, 0.01) cho phương sai. Cách tiếp cận này phản ánh giả định thận trọng rằng các hệ số có xu hướng phân bố quanh 0 nhưng vẫn cho phép dữ liệu quyết định phần lớn kết quả ước lượng. Việc kết quả của mô hình 3 vẫn duy trì sự tương đồng với mô hình 1 và 2 cho thấy các kết luận rút ra từ phân tích Bayes là ổn định và không bị chi phối quá mức bởi lựa chọn prior.

• bayesmh ROA INV AR AP SIZE LEV CATA, likelihood(normal({var})) prior({ROA:}, normal(0, {var})) prior({var}, igamma(0.01, 0.01)) mcmcsize(50000)

Việc triển khai đồng thời bốn mô hình Bayes theo lộ trình tăng dần về số vòng lặp và thay đổi cấu trúc prior không chỉ giúp khẳng định tính chính xác và ổn định của kết quả, mà còn củng cố tính khách quan trong diễn giải. Đồng thời, việc thay đổi cấu trúc prior từ phi thông tin sang prior có thông tin yếu cho phép đánh giá độ nhạy cảm của kết quả với giả định tiên nghiệm. Đây là một bước kiểm tra quan trọng trong Bayes, bởi nếu kết quả không thay đổi đáng kể khi prior thay đổi, điều đó đồng nghĩa với việc dữ liệu có đủ sức mạnh để “lấn át” ảnh hưởng của prior, và các kết luận rút ra sẽ khách quan hơn. Nhờ đó, nghiên cứu có thể đưa ra các kết luận với mức độ tin cậy cao hơn, và thực sự phản ánh mối quan hệ tiềm ẩn trong dữ liệu.

4.8.2 So sánh các mô hình

• Bảng 4.10: So sánh 03 mô hình Bayesian

Trong khuôn khổ nghiên cứu Bayesian, việc lựa chọn mô hình không chỉ dựa trên tiêu chí độ phù hợp đơn thuần mà còn gắn liền với việc đánh giá xác suất hậu nghiệm của từng mô hình sau khi quan sát dữ liệu. Khác với tiếp cận tần suất truyền thống, phương pháp Bayes cho phép lượng hóa trực tiếp xác suất để một mô hình cụ thể là đúng, từ đó đưa ra sự so sánh minh bạch và có cơ sở lý thuyết vững chắc hơn.

Kết quả so sánh ba mô hình cho thấy mô hình 1 chiếm ưu thế nổi bật. Vì, mô hình 1 có DIC nhỏ nhất và Log(BF) lớn nhất. Như vậy, dựa trên các bằng chứng thống kê Bayesian, có thể kết luận rằng mô hình 1 vừa đảm bảo mức độ phù hợp cao, vừa giữ được sự cân bằng cần thiết giữa tính chính xác và sự đơn giản, đồng thời có xác suất hậu nghiệm cao nhất. Việc lựa chọn mô hình 1 cho các phân tích kiểm tra hội tụ trong bước tiếp theo trong nghiên cứu là hoàn toàn hợp lý, phù hợp với định hướng phương pháp luận Bayesian, bảo đảm độ tin cậy và tính chặt chẽ của kết quả hơn của mô hình.

4.8.3 Kiểm tra hội tụ Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Sau khi lựa chọn được mô hình dựa trên các tiêu chí Bayesian (log(Marginal Likelihood), Bayes Factor và posterior probability), bước tiếp theo của nghiên cứu là kiểm định hội tụ chuỗi MCMC nhằm đánh giá mức độ ổn định và độ tin cậy của kết quả ước lượng. Việc kiểm tra hội tụ có ý nghĩa quan trọng, bởi ngay cả khi một mô hình được dữ liệu ủng hộ theo các tiêu chí so sánh, nếu các chuỗi Markov chưa đạt hội tụ thì kết quả ước lượng vẫn có thể thiếu chính xác và khó bảo đảm tính chặt chẽ trong suy luận. Do đó, nghiên cứu tiến hành phân tích trace plots để đánh giá sự phân tán ngẫu nhiên quanh giá trị trung bình của các tham số trong mô hình 1.

• Hình 4.8: Biểu đồ vết MCMC của mô hình 1

Kết quả biểu đồ vết Hình 4.8 cho mô hình 1 cho thấy một số tham số (như INV, SIZE, LEV, CATA và _cons) vẫn còn xu hướng dao động, chưa thực sự ổn định quanh giá trị trung bình. Điều này phản ánh rằng các chuỗi MCMC chưa đạt được mức hội tụ tối ưu, dẫn tới nguy cơ kết quả ước lượng chưa đảm bảo tính tin cậy cao. Trong khi đó, các tham số khác (như LEV, CATA và ROA:cons) có xu hướng dao động ngẫu nhiên quanh mean, cho thấy sự hội tụ tốt hơn.

• Hình 4.9: Biểu đồ tự tương quan MCMC của mô hình 1

Kết quả biểu đồ tự tương quan cho thấy mức độ phụ thuộc giữa các giá trị trong chuỗi MCMC giảm dần theo độ trễ (lag). Các tham số như AP, SIZE, LEV và var có mức tự tương quan giảm nhanh về gần 0 khi độ trễ tăng, phản ánh khả năng trộn (mixing) tốt và hội tụ ổn định. Trong khi đó, một số tham số như AR và _cons cho thấy sự tự tương quan vẫn còn tồn tại ở những độ trễ cao hơn, cho thấy quá trình trộn chuỗi chưa thật sự tối ưu.

• Hình 4.10: Biểu đồ CUSUM chuỗi MCMC của mô hình 1

Đánh giá kết quả biểu đồ tổng tích lũy cho mô hình 1 cho thấy, cho thấy chuỗi MCMC chưa đạt mức hội tụ tối ưu

Sau khi thực hiện kiểm định hội tụ chuỗi MCMC của mô hình 1 nhằm đánh giá mức độ ổn định và độ tin cậy của kết quả ước lượng, mức độ ổn định của các tham số chưa đồng đều. Như vậy, theo tiêu chí Bayesian, các chỉ số Bayesian (log(Marginal Likelihood) và posterior probability), mô hình 1 ban đầu được xem là phù hợp nhất, tuy nhiên việc kiểm định hội tụ chuỗi MCMC thông qua Trace plots (biểu đồ vết), Autocorrelation plots (biểu đồ tự tương quan) và Cusum plots (biểu đồ tổng tích lũy) cho thấy một số tham số của mô hình 1 (như LEV, SIZE, CATA) vẫn còn xuất hiện xu hướng dao động, chưa thật sự ổn định quanh giá trị trung bình. Điều này phản ánh rằng kết quả ước lượng của mô hình 1 có thể chưa đạt mức hội tụ tối ưu, dẫn đến độ tin cậy trong suy luận chưa cao. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Kết quả so sánh ba mô hình cho thấy mô hình 1 chiếm ưu thế nổi bật. Mặc dù, mô hình 2 có DIC nhỏ hơn một chút (–613.40) ⇒ cho thấy độ phù hợp mô hình cao hơn (vì DIC càng nhỏ mô hình càng tốt) đồng thời giữ được mức phức tạp vừa phải. Log(ML) của mô hình 2 chỉ thấp hơn nhẹ so với mô hình 1 ⇒ chênh lệch khả năng dự báo không đáng kể. Log(BF) của mô hình 2 là –0.985, nghĩa là mức bằng chứng giữa hai mô hình gần như tương đương.Do đó, có thể kết luận rằng: Mô hình 2 đạt sự cân bằng tốt nhất giữa độ phù hợp (DIC thấp) và tính đơn giản, ổn định. Vì vậy, mô hình 2 được lựa chọn là mô hình tối ưu và đáng tin cậy nhất trong bộ so sánh.

Như vậy, dựa trên các bằng chứng thống kê Bayesian, có thể kết luận rằng mô hình 2 vừa đảm bảo mức độ phù hợp cao, vừa giữ được sự cân bằng cần thiết giữa tính chính xác và sự đơn giản, đồng thời có xác suất hậu nghiệm cao nhất. Việc lựa chọn mô hình 2 cho các phân tích tiếp theo trong nghiên cứu là hoàn toàn hợp lý, phù hợp với định hướng phương pháp luận Bayesian, bảo đảm độ tin cậy và tính chặt chẽ của kết quả

Kết quả kiểm định hội tụ chuỗi MCMC của mô hình 2 (với 100.000 vòng lặp) cho thấy các chuỗi MCMC dao động ngẫu nhiên quanh trung bình, không còn xu hướng rõ rệt, chứng tỏ mức độ hội tụ tốt hơn và kết quả ước lượng đáng tin cậy hơn.

• Hình 4.11: Biểu đồ vết MCMC của mô hình 2

Theo kết quả biểu đồ biểu đồ vết từ Stata ta thấy, biểu đồ vết của các tham số pha trộn tốt, đi nhanh chóng qua miền hậu nghiệm và có giá trị trung bình ổn định và phương sai gần như không đổi.

• Hình 4.12: Biểu đồ tự tương quan MCMC của mô hình 2

Cả 4 biểu đồ Tự tương quan (AC) cho thấy cỡ mẫu MCMC giao nhau và cắt tại trục hoành, điều đó là dấu hiệu cho thấy các chuỗi MCMC tại mô hình 2 đã hội tụ. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

• Hình 4.13: Biểu đồ CUSUM chuỗi MCMC của mô hình 2

Kết quả kiểm định hội tụ chuỗi MCMC của mô hình 2 cho thấy các tham số đã đạt mức hội tụ ổn định. Trace plots thể hiện các chuỗi dao động ngẫu nhiên quanh giá trị trung bình, không xuất hiện xu hướng tăng hoặc giảm rõ rệt, chứng tỏ quá trình lấy mẫu đã trộn tốt. Autocorrelation plots cho thấy mức tự tương quan giữa các giá trị trong chuỗi giảm nhanh về 0 khi độ trễ tăng, phản ánh khả năng hội tụ và hiệu quả lấy mẫu cao. Đồng thời, Cusum plots chỉ ra rằng các đường tích lũy nằm trong khoảng giới hạn và không có xu hướng lệch hệ thống, củng cố bằng chứng về sự ổn định của các tham số. Nhìn chung, kết quả từ cả ba kiểm định cho thấy mô hình 3 đáp ứng yêu cầu về hội tụ MCMC, qua đó bảo đảm độ tin cậy của các ước lượng Bayesian và phù hợp để sử dụng trong các phân tích tiếp theo.

Do đó, mặc dù mô hình 1 có xác suất hậu nghiệm cao hơn, nhưng xét trên khía cạnh kiểm định hội tụ và độ ổn định trong quá trình ước lượng, nghiên cứu quyết định lựa chọn mô hình 3 cho các phân tích tiếp theo. Cách tiếp cận này vừa bảo đảm tuân thủ tiêu chí Bayesian, vừa duy trì được độ tin cậy và chặt chẽ trong suy luận.

4.9. THẢO LUẬN KẾT QUẢ NGHIÊN CỨU Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

4.9.1 Thảo luận hồi quy tuyến tính truyền thống

• Bảng 4.11: Đối chiếu hệ số và mức ý nghĩa giữa OLS, FEM, REM và GLS

Kết quả ước lượng từ bốn mô hình hồi quy cho thấy các giá trị p-value đều nhỏ hơn 0,01, chứng tỏ mức ý nghĩa thống kê cao và độ tin cậy đạt đến 99%. Trong mô hình GLS, có năm biến gồm INV, AR, AP, LEV và CATA thể hiện ý nghĩa thống kê ở mức 1%, trong khi quy mô doanh nghiệp (SIZE) không cho thấy tác động đáng kể đến biến phụ thuộc ROA.

Xét về chiều hướng ảnh hưởng, ba biến INV, AR và LEV có tác động âm, cho thấy khi các biến này tăng, khả năng sinh lời của doanh nghiệp có xu hướng giảm. Ngược lại, hai biến AP và CATA lại có tác động tích cực, phản ánh việc kéo dài kỳ thanh toán hoặc tăng tốc độ vòng quay tài sản ngắn hạn có thể góp phần cải thiện lợi nhuận. Để hiểu rõ hơn cơ chế ảnh hưởng của từng thành phần trong cấu trúc vốn luân chuyển đến hiệu quả sinh lời, sẽ phân tích chi tiết tác động của từng biến độc lập bên dưới:

Giả thuyết H1: Thời gian luân chuyển hàng tồn kho có tác động ngược chiều đến khả năng sinh lợi nhuận của doanh nghiệp.

Từ kết quả của 3/4 mô hình REM, FEM và GLS đều cho thấy được sự tác động ngược chiều của thời gian luân chuyển hàng tồn kho đối với biến lợi nhuận ROA. Kết quả hồi quy cho thấy biến INV mang dấu âm ở FEM (-0.001), REM (-0.0007) và GLS (-0.0004) đều có ý nghĩa thống kê ở mức 1%. Kết quả này hoàn toàn đồng nhất với giả thuyết ban đầu tác giả đưa ra trong nghiên cứu, có cùng kết quả với các nghiên cứu trước của Trúc và Thiên (2015), Toản (2016), Sharma và Kumar (2011) và Ponsian, Chrispina, Tago và Mkiibi (2014).

Giả thuyết H2: Thời gian thu tiền bình quân có tác động ngược chiều đến khả năng sinh lời.

Biến AR cho kết quả nhất quán ở cả bốn mô hình, luôn mang dấu âm và có ý nghĩa thống kê. Điều này chứng minh rằng thời gian thu tiền kéo dài sẽ làm giảm hiệu quả sinh lời, do vốn bị chiếm dụng và rủi ro thanh toán tăng lên. Kết quả này đồng nhất với nhiều nghiên cứu trước (Makori & Jagongo, 2013; Dương Thị Hồng Vân & Trần Phương Nga, 2018; Ponsian et al., 2014; Nguyễn Thị Trúc Anh, 2019. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Giả thuyết H3: Thời gian thanh toán bình quân có tác động tích cực đến khả năng sinh lời.

Kết quả hồi quy cho thấy AP có dấu dương ở 3/4 mô hình, nhưng chỉ có ý nghĩa thống kê mức ý nghĩa 1% trong OLS, GLS và mức ý nghĩa 10% trong REM. FEM không cho thấy ý nghĩa rõ ràng. Điều này phản ánh rằng trong một số trường hợp, kéo dài thời gian thanh toán giúp doanh nghiệp duy trì vốn lưu động và cải thiện ROA, nhưng tác động không ổn định trên toàn bộ mẫu.

Kết quả này chỉ ủng hộ một phần H3, và có sự khác biệt so với một số nghiên cứu trước như Toản (2016) vốn cho rằng AP không ảnh hưởng đến khả năng sinh lời.

Giả thuyết H4: Quy mô doanh nghiệp có tác động cùng chiều đến khả năng sinh lời của doanh nghiệp.

Kết quả hồi quy cho thấy biến SIZE có dấu dương và ý nghĩa trong OLS (p < 0.01), nhưng trong FEM, REM và GLS không có ý nghĩa thống kê. Điều này cho thấy tác động của quy mô chưa nhất quán, phụ thuộc vào đặc điểm quản trị từng doanh nghiệp.

Một số nghiên cứu như Toản (2016), Vân & Nga (2018), Makori & Jagongo (2013) chứng minh quy mô lớn mang lại lợi thế kinh tế nhờ quy mô. Tuy nhiên, FEM phản ánh chi phí quản lý và vận hành của doanh nghiệp lớn có thể làm giảm hiệu quả.

Ngoài các giả thuyết được đề xuất, nghiên cứu đã thấy được có tác động của các biến kiểm soát đến hiệu quả sinh lời đó là:

LEV: Qua kết quả cả mô hình hồi quy thấy có tác động ngược chiều đến biến khả năng sinh lời, tương ứng việc tăng tỷ lệ nợ của doanh nghiệp lên 1% thì lợi nhuận ROA sẽ giảm 14.9%. Kết quả nghiên cứu cũng phù hợp với kết quả của các nghiên cứu trước Makori và Jagongo (2013), Vân và Nga (2018), Toản (2016). Điều này chứng tỏ các doanh nghiệp có cơ cấu vốn an toàn (đòn bẩy thấp) sẽ sinh lời tốt hơn.

CATA: đều có ý nghĩa thống kê trong cả 4 mô hình (OLS, FEM, REM và GLS) với tác động cùng chiều với khả năng sinh lời ROA, chứng tỏ các doanh nghiệp duy trì tỷ trọng tài sản ngắn hạn cao sẽ phản ánh năng lực quản lý vốn lưu động và thanh khoản hiệu quả từ đó có xu hướng đạt được mức sinh lời cao hơn. Kết quả này phù hợp với lý thuyết tài chính doanh nghiệp và các nghiên cứu trước (ví dụ Deloof, 2003; Lazaridis & Tryfonidis, 2006; Atseye et al., 2015).

4.9.2 Thảo luận hồi quy Bayes Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

• Bảng 4.12: Thống kê hậu nghiệm của mô hình Bayesian

Theo kết quả của Bảng 4.12 Nghiên cứu sử dụng phương pháp hồi quy Bayes với thuật toán MCMC (Metropolis–Hastings sampling) nhằm đánh giá tác động của các biến độc lập đến hiệu quả sinh lời (ROA). Sau 100.000 vòng lặp, mô hình đạt mức log marginal-likelihood = 271.1, cho thấy độ phù hợp tương đối cao so với các mô hình thay thế đã kiểm định. Tỷ lệ chấp nhận 15% và hiệu suất chuỗi (efficiency dao động từ 0,003 đến 0,03) nằm trong ngưỡng chấp nhận, đảm bảo quá trình mô phỏng hội tụ và kết quả hậu nghiệm có độ tin cậy cao.

• Kết quả ước lượng hậu nghiệm cho thấy một số biến có ảnh hưởng đáng kể đến ROA:

AR: Hệ số trung bình –0,00039 với khoảng tin cậy hậu nghiệm 95%. Khoảng tin cậy không bao gồm 0, khẳng định với xác suất cao rằng tăng khoản phải thu làm giảm ROA. Điều này cho thấy việc thu hồi công nợ chậm sẽ làm giảm hiệu quả sinh lời do vốn bị chiếm dụng và chi phí cơ hội gia tăng.

AP: Hệ số trung bình 0,0008 với khoảng tin cậy hậu nghiệm 95%. Khoảng tin cậy dương hoàn toàn, chứng tỏ phải trả người bán có tác động tích cực đến ROA. Điều này phản ánh việc tận dụng tín dụng thương mại từ nhà cung cấp giúp doanh nghiệp duy trì vốn lưu động và cải thiện lợi nhuận ngắn hạn.

SIZE: Hệ số trung bình 0.0097 và có tác động dương có ý nghĩa, cho thấy doanh nghiệp có quy mô lớn sẽ hưởng lợi từ lợi thế kinh tế theo quy mô, nâng cao hiệu quả hoạt động.

LEV: Khoảng tin cậy hoàn toàn âm, chứng minh đòn bẩy tài chính có tác động tiêu cực mạnh đến ROA. Việc gia tăng nợ vay dẫn đến chi phí lãi vay lớn, từ đó làm giảm lợi nhuận ròng.

CATA: Tác động dương có ý nghĩa, hàm ý rằng cơ cấu tài sản với tỷ trọng tài sản ngắn hạn cao giúp doanh nghiệp linh hoạt hơn trong quản trị vốn lưu động, qua đó nâng cao hiệu quả sinh lời.

INV: Khoảng tin cậy bao gồm 0, cho thấy tồn kho không có tác động rõ ràng đến ROA trong bối cảnh nghiên cứu này.

4.10 ĐÁNH GIÁ KẾT QUẢ MÔ HÌNH Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

• Bảng 4.13: So sánh dấu tác động và mức ý nghĩa: GLS và Bayesian

Kết quả thực nghiệm với ba phương pháp hồi quy khác nhau (FEM, GLS và Bayes) cho thấy bức tranh khá thống nhất về tác động của các biến trong quản trị vốn lưu động đến khả năng sinh lời (ROA) của doanh nghiệp.

Trước hết, các biến AR và LEV nhất quán cho kết quả tác động âm có ý nghĩa trong cả ba mô hình. Điều này hàm ý rằng gia tăng khoản phải thu và mức đòn bẩy tài chính sẽ làm giảm hiệu quả sinh lời, do chi phí cơ hội của vốn lưu động bị chiếm dụng và chi phí lãi vay gia tăng. Ngược lại, AP và CATA có tác động dương và có ý nghĩa thống kê trong cả ba mô hình, khẳng định vai trò tích cực của việc tận dụng tín dụng thương mại và cấu trúc tài sản ngắn hạn hợp lý trong việc cải thiện ROA. Đây là những kết quả ổn định và đáng tin cậy, củng cố giả thuyết nghiên cứu ban đầu. Sự khác biệt xuất hiện ở hai biến INV và SIZE. Tuy nhiên, với phương pháp Bayes, khoảng tin cậy hậu nghiệm của INV bao gồm 0, cho thấy bằng chứng thống kê chưa đủ mạnh để khẳng định chắc chắn tác động này. Còn biến SIZE trong Bayes lại được khẳng định có ảnh hưởng dương, hàm ý rằng các doanh nghiệp có quy mô lớn hơn thường tận dụng được lợi thế theo quy mô để gia tăng hiệu quả hoạt động.

Sự khác biệt này phản ánh bản chất phương pháp luận: trong khi các mô hình tần suất (FEM, GLS) dựa vào kiểm định giả thuyết với p-value, thì phương pháp Bayesian sử dụng toàn bộ phân bố hậu nghiệm để đánh giá mức độ tin cậy của tác động. Do đó, Bayes thường “thận trọng” hơn, chỉ công nhận ý nghĩa khi bằng chứng đủ mạnh, đồng thời có khả năng phát hiện những tín hiệu tích lũy trong dữ liệu mà các mô hình truyền thống có thể bỏ qua.

Tổng hợp lại, việc sử dụng song song FEM, GLS và Bayes đã đem lại cái nhìn toàn diện và nhất quán. Các kết quả đối với AR, AP, LEV và CATA khẳng định vai trò trung tâm của quản trị vốn lưu động đối với hiệu quả sinh lời. Đồng thời, sự khác biệt về ý nghĩa thống kê ở SIZE nhấn mạnh rằng kết quả nghiên cứu cần được diễn giải thận trọng, đồng thời mở ra hướng nghiên cứu tiếp theo về tác động của hàng tồn kho và quy mô trong các bối cảnh dữ liệu khác nhau.

• TÓM TẮT CHƯƠNG 4 Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Trong Chương 4, nghiên cứu đã tiến hành phân tích dữ liệu bảng của 18 doanh nghiệp trong giai đoạn 2013–2024 nhằm đánh giá tác động của quản trị vốn lưu động đến hiệu quả sinh lời (ROA). Đầu tiên, các kiểm định đặc trưng dữ liệu panel cho thấy mô hình hiệu ứng cố định (FEM) là phù hợp nhất so với Pooled OLS và REM. Tiếp đó, các kiểm định khuyết tật mô hình chỉ ra sự tồn tại của hiện tượng tự tương quan và phương sai sai số thay đổi, do đó nghiên cứu đã sử dụng phương pháp hồi quy GLS để khắc phục, đồng thời triển khai mô hình Bayes nhằm kiểm chứng độ tin cậy của kết quả.

Kết quả hồi quy từ cả FEM, GLS và Bayes cho thấy các biến AR và LEV có tác động âm có ý nghĩa đến ROA, trong khi AP và CATA tác động dương và có ý nghĩa. Đây là những kết quả ổn định và nhất quán giữa các mô hình. Tuy nhiên, có sự khác biệt ở hai biến INV và SIZE cụ thể: FEM và GLS cho rằng có tác động đến ROA, SIZE không có ý nghĩa nhưng ngược lại trong Bayes biến SIZE được khẳng định tác động dương còn INV không có ý nghĩa.

Như vậy, kết quả Chương 4 vừa khẳng định tính của các yếu tố quản trị vốn lưu động chủ chốt (AR, AP, LEV, CATA) đối với khả năng sinh lời, vừa cho thấy sự cần thiết phải xem xét cẩn trọng đối với vai trò của INV và SIZE. Đây là cơ sở quan trọng để Chương 5 thảo luận sâu hơn về hàm ý quản trị và đề xuất giải pháp nâng cao hiệu quả sinh lời của doanh nghiệp thông qua quản trị vốn lưu động.

CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ CHÍNH SÁCH

Bằng những kết quả thu thập ở Chương 4 Chương 5 cũng trình bày các hàm ý chính sách và khuyến nghị quản trị giúp doanh nghiệp bán lẻ nâng cao hiệu quả sử dụng vốn lưu động, đồng thời cung cấp định hướng cho các nhà đầu tư và nhà hoạch định chính sách trong việc đánh giá và hỗ trợ các doanh nghiệp thuộc lĩnh vực này. Cuối cùng, chương kết thúc bằng việc nêu ra những hạn chế của đề tài và đề xuất hướng nghiên cứu tiếp theo nhằm mở rộng và hoàn thiện hơn trong tương lai..

5.1 KẾT LUẬN

Dựa trên việc tổng hợp các cơ sở lý thuyết và bằng chứng thực nghiệm từ những nghiên cứu trước, kết hợp với phân tích định lượng do tác giả thực hiện thông qua quá trình xây dựng mô hình và áp dụng các phương pháp hồi quy phù hợp, luận văn đã tiến hành đánh giá tác động của cấu trúc vốn luân chuyển đến khả năng sinh lời của các doanh nghiệp bán lẻ niêm yết tại Việt Nam trong giai đoạn 2013–2024. Kết quả nghiên cứu đã giải đáp đầy đủ các câu hỏi nghiên cứu được đặt ra, làm rõ mối quan hệ giữa hiệu quả quản trị vốn luân chuyển và hiệu suất sinh lời của doanh nghiệp:

• Thứ nhất, Quản trị vốn luân chuyển ảnh hưởng như thế nào đến khả năng sinh lời của doanh nghiệp bán lẻ niêm yết tại Việt Nam? Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Các công trình nghiên cứu trong và ngoài nước đều cho thấy rằng quản trị vốn luân chuyển đóng vai trò cốt lõi trong việc quyết định hiệu quả sinh lời của doanh nghiệp. Dưới góc nhìn của lý thuyết đánh đổi và lý thuyết mối quan hệ giữa thanh khoản và lợi nhuận doanh nghiệp luôn phải cân bằng giữa khả năng thanh toán và mục tiêu tối đa hóa lợi nhuận: Duy trì vốn luân chuyển quá lớn (ví dụ: tồn kho cao, khoản phải thu nhiều) giúp doanh nghiệp an toàn trong hoạt động, giảm rủi ro thiếu hụt hàng hóa hoặc mất khách hàng, nhưng lại làm tăng chi phí cơ hội và giảm ROA. Ngược lại, nếu cắt giảm quá mức vốn luân chuyển (giữ tồn kho thấp, rút ngắn kỳ thu hồi nợ), doanh nghiệp có thể cải thiện lợi nhuận ngắn hạn nhưng đối mặt với nguy cơ thiếu hụt hàng hóa, mất uy tín với khách hàng hoặc bị gián đoạn chuỗi cung ứng.

Trong bối cảnh doanh nghiệp bán lẻ, đặc thù chu kỳ kinh doanh ngắn, tốc độ quay vòng vốn nhanh và khối lượng giao dịch lớn khiến WCM trở thành yếu tố quyết định đến hiệu quả hoạt động. Các nghiên cứu quốc tế (Huda & Layyinaturrobaniyah, 2025) và trong nước (Vân & Nga, 2018; Phạm Quốc Thuận, 2020) đều nhất quán rằng quản trị vốn luân chuyển hiệu quả giúp doanh nghiệp gia tăng lợi nhuận nhờ cải thiện hiệu suất sử dụng vốn ngắn hạn.

• Thứ hai, Từng yếu tố trong quản trị vốn luân chuyển tác động đến sinh lời theo chiều hướng và mức độ ra sao?

Mức độ ảnh hưởng của từng yếu tố được tóm tắt lại như sau:

• Bảng 5.1 Tóm lược phát hiện chính

Kết quả thực nghiệm cho thấy biến đại diện cho hàng tồn kho (INV) không có bằng chứng thống kê mạnh đối với khả năng sinh lời của doanh nghiệp bán lẻ trong mẫu nghiên cứu theo Bayesian. Cụ thể, cả kết quả OLS cho kết quả có tác động ngược chiều và phân tích Bayesian cho thấy xác suất hậu nghiệm của tác động này ở mức thấp, hàm ý rằng mối quan hệ giữa tồn kho và khả năng sinh lời không mang tính hệ thống trong giai đoạn nghiên cứu. Tuy nhiên, bài luận văn cần được phát triển hơn về cục diện để có cách nhìn chính xác hơn về biến INV. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Ngược lại, khoản phải thu (AR) có ảnh hưởng tiêu cực và có ý nghĩa thống kê cao; nguồn vốn bị chiếm dụng tại các khoản phải thu làm giảm tốc độ quay vòng tài sản, từ đó tác động bất lợi đến ROA. Trái lại, khoản phải trả (AP) có ảnh hưởng tích cực và có ý nghĩa, phản ánh việc tận dụng hợp lý tín dụng thương mại từ nhà cung cấp có thể trở thành kênh tài trợ chi phí thấp, góp phần cải thiện lợi nhuận.

Đối với quy mô doanh nghiệp (SIZE), kết quả từ mô hình GLS không cho thấy bằng chứng thống kê đủ mạnh, tuy nhiên phân tích Bayesian lại chỉ ra mối quan hệ thuận chiều đáng kể, hàm ý rằng các doanh nghiệp có quy mô lớn thường tận dụng hiệu quả hơn lợi thế kinh tế theo quy mô (economies of scale), từ đó gia tăng hiệu quả hoạt động và lợi nhuận. Trong khi đó, đòn bẩy tài chính cho thấy tác động nghịch biến mạnh mẽ và ổn định trong tất cả các mô hình, cho thấy rằng việc sử dụng nợ vượt ngưỡng hợp lý có thể làm gia tăng chi phí vốn, rủi ro tài chính và suy giảm khả năng sinh lời của doanh nghiệp. Cuối cùng, tỷ trọng tài sản ngắn hạn có ảnh hưởng tích cực và đáng kể, cho thấy một cơ cấu tài sản thiên về ngắn hạn giúp doanh nghiệp nâng cao hiệu quả sử dụng vốn lưu động và qua đó cải thiện chỉ tiêu sinh lời ROA.

• Thứ ba, Tiếp cận Bayesian có mang lại ước lượng và suy luận đáng tin cậy hơn so với các phương pháp truyền thống trong đánh giá mối quan hệ này không?

Kết quả Bayesian cho thấy sự đồng nhất với kết quả của GLS ở các biến cốt lõi (AR, AP, LEV, CATA), đồng thời cung cấp một góc nhìn thận trọng và toàn diện hơn. Cụ thể, Bayes xác nhận vai trò dương của quy mô doanh nghiệp mà GLS không phát hiện, đồng thời không khẳng định tác động âm của tồn kho do khoảng tin cậy hậu nghiệm vẫn bao gồm 0. Điều này cho thấy tiếp cận Bayes có ưu thế khi đánh giá tính chắc chắn của tác động, vì thay vì dựa vào p-value, Bayes sử dụng toàn bộ phân bố hậu nghiệm để đưa ra suy luận.

Như vậy, phân tích Bayes không thay thế hoàn toàn các phương pháp truyền thống, nhưng đóng vai trò kiểm chứng tính bền vững và mang lại kết quả suy luận có độ tin cậy cao hơn, đặc biệt trong bối cảnh dữ liệu có thể chứa nhiễu hoặc tác động không ổn định.

• Thứ tư, Kết quả nghiên cứu hàm ý điều chỉnh chính sách quản trị vốn luân chuyển như thế nào để tối ưu hiệu quả tài chính của doanh nghiệp bán lẻ?

Tại phần 5.2 tác giả sẽ trả lời câu hỏi này và đưa ra những hàm ý chính sách có liên quan đến việc nâng cao hiệu quả quản lý vốn luân chuyển.

5.2 MỘT SỐ KHUYẾN NGHỊ CHÍNH SÁCH Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Từ những kết quả phân tích thu được, có thể khẳng định rằng quản trị vốn luân chuyển đóng vai trò then chốt trong việc quyết định hiệu quả sinh lời của các doanh nghiệp bán lẻ niêm yết tại Việt Nam. Các biến trong mô hình phản ánh tác động theo nhiều chiều hướng khác nhau, qua đó chỉ ra những khía cạnh tài chính mà doanh nghiệp cần đặc biệt chú trọng trong quá trình hoạch định và thực thi chính sách quản lý vốn lưu động. Dựa trên các phát hiện thực nghiệm, những hàm ý chính sách được đề xuất dưới đây nhằm giúp doanh nghiệp bán lẻ tối ưu hóa việc sử dụng vốn ngắn hạn, cải thiện khả năng sinh lời, đồng thời nâng cao năng lực cạnh tranh và tính bền vững trong hoạt động kinh doanh.

5.2.1 Hàm ý về quản lý về khoản phải thu

Cần nhấn mạnh đến vai trò của khoản phải thu (AR). Kết quả cho thấy AR có mối quan hệ tiêu cực và có ý nghĩa thống kê với ROA. Điều này phản ánh thực tế rằng khi doanh nghiệp để khách hàng chiếm dụng vốn quá lâu, vòng quay tài sản sẽ bị chậm lại, từ đó làm giảm hiệu quả kinh doanh. Do vậy, doanh nghiệp bán lẻ cần xây dựng quy trình quản lý tín dụng thương mại chặt chẽ, chẳng hạn phân loại khách hàng theo mức độ tín nhiệm, đưa ra chính sách chiết khấu thanh toán sớm để khuyến khích khách hàng trả đúng hạn, đồng thời áp dụng các công cụ giám sát nợ phải thu hiện đại để giảm thiểu rủi ro nợ xấu.

5.2.2 Giảm rủi ro chi phí sử dụng vốn

Kết quả nghiên cứu khẳng định đòn bẩy tài chính có tác động âm rõ rệt và ổn định đối với khả năng sinh lời. Việc gia tăng tỷ lệ nợ, đặc biệt là nợ ngắn hạn, sẽ làm gia tăng chi phí lãi vay, áp lực trả nợ và rủi ro mất cân đối tài chính, từ đó làm giảm lợi ích của cổ đông. Do đó, các doanh nghiệp bán lẻ cần nâng cao năng lực quản trị tài chính, đặc biệt trong quản lý cơ cấu nợ. Thay vì lạm dụng nợ vay, doanh nghiệp có thể cân nhắc huy động vốn chủ sở hữu hoặc sử dụng lợi nhuận giữ lại để tái đầu tư. Điều này vừa giảm thiểu gánh nặng chi phí tài chính, vừa nâng cao tính bền vững trong hoạt động kinh doanh.

5.2.3 Chính sách quản lý hàng tồn kho Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Với mục tiêu hàm ý chính sách này giúp rút ngắn số ngày tồn kho và nâng hiệu suất sinh lợi trên tồn kho. Các doanh nghiệp ngành bán lẻ cần dự báo nhu cầu theo chuỗi thời gian kết hợp sự kiện, phân loại để đặt mức tồn tối ưu theo từng nhóm hàng. Bên cạnh đó cần thiết lập điểm đặt hàng lại và tồn an toàn theo biến động nhu cầu. Ngoài ra có thể áp dụng chính sách giao hàng theo lô nhỏ, xuyên kho và hàng ký gửi khi phù hợp.

Tái cấu trúc danh mục: chương trình xả hàng có kiểm soát, điều chỉnh giá theo tuổi tồn. Các doanh nghiệp cần đo lường các chỉ số theo dõi: số ngày tồn kho, tỷ lệ hàng già tồn, tỷ lệ hết hàng.

5.2.4 Chính sách về tăng quy mô doanh nghiệp

Kết quả cho thấy quy mô doanh nghiệp có tác động tích cực đến khả năng sinh lời, được mô hình Bayesian khẳng định là đáng tin cậy. Do vậy, các doanh nghiệp bán lẻ cần chú trọng đến việc mở rộng quy mô sản xuất, mạng lưới phân phối và phát triển thương hiệu nhằm tận dụng lợi thế kinh tế theo quy mô. Việc tăng quy mô còn giúp gia tăng uy tín với khách hàng, giảm chi phí đơn vị trong truyền thông và quảng bá sản phẩm. Ngoài ra, các doanh nghiệp có thể xem xét hợp tác hoặc liên doanh với đối tác nước ngoài để nâng cao công nghệ sản xuất, cải thiện chất lượng sản phẩm và mở rộng thương hiệu ra thị trường quốc tế.

5.2.5 Tối ưu hóa quản lý khoản phải trả

Khoản phải trả thể hiện tác động tích cực đến khả năng sinh lời, cho thấy tín dụng thương mại từ nhà cung cấp có thể trở thành nguồn tài trợ vốn ngắn hạn hiệu quả nếu được quản lý hợp lý. Doanh nghiệp bán lẻ cần tận dụng lợi thế này bằng cách chủ động đàm phán các điều khoản thanh toán có lợi, kéo dài thời hạn thanh toán trong phạm vi chấp nhận được, đồng thời duy trì uy tín thanh toán để bảo đảm quan hệ hợp tác bền vững với đối tác. Việc sử dụng linh hoạt nguồn vốn này giúp doanh nghiệp giảm áp lực vốn lưu động và nâng cao khả năng sinh lợi.

5.2.6 Cơ cấu tài sản ngắn hạn hợp lý

Kết quả phân tích cho thấy tỷ trọng tài sản ngắn hạn có tác động tích cực và có ý nghĩa đến khả năng sinh lời. Điều này chứng minh rằng một cơ cấu tài sản thiên về ngắn hạn giúp doanh nghiệp bán lẻ linh hoạt hơn trong quản lý vốn lưu động, dễ dàng điều chỉnh dòng tiền và kịp thời nắm bắt các cơ hội kinh doanh. Tuy nhiên, việc gia tăng tài sản ngắn hạn cũng cần được cân đối với đầu tư dài hạn để bảo đảm sự phát triển bền vững, tránh rơi vào tình trạng thiếu hụt nguồn vốn cho các dự án chiến lược.

5.3 HẠN CHẾ CỦA ĐỀ TÀI NGHIÊN CỨU Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Dữ liệu bao gồm 216 biến quan sát trong giai đoạn 2013–2024 của ngành bán lẻ được niêm yết công khai trên sàn chứng khoán chưa bao quát các doanh nghiệp tư nhân/FDI, nên tính đại diện của kết quả còn hạn chế với tần suất theo năm nên chưa được đánh giá tác động theo những tần suất dày đặc hơn như theo tháng/quý.

Mô hình nghiên cứu tập trung vào 1 thước đo về khả năng sinh lời là ROA, trong khi còn nhiều thước đo khác có thể phản ánh toàn diện hơn như ROE, ROS, GOP, Tobin’s Q, hay EVA và 6 biến INV, AP, AR, SIZE, LEV CATA nhưng chưa đưa vào các yếu tố vĩ mô (tăng trưởng GDP, lạm phát, lãi suất, chu kỳ kinh tế), hoặc các biến đặc thù ngành (vòng quay tài sản ngắn hạn, tăng trưởng doanh số, cạnh tranh trong ngành). Còn kể đến nhiều biến độc lập trong mô hình không có ý nghĩa thống kê.

Phương pháp nghiên cứu chủ yếu dựa vào OLS, FEM, REM, GLS và phân tích Bayesian theo phân phối phi tiên nghiệm để tăng độ tin cậy trong việc lựa chọn mô hình. Tuy nhiên, đề tài chưa khai thác các phương pháp nâng cao khác như System GMM, BMA hay Panel Threshold Models (Mô hình ngưỡng dữ liệu bảng), vốn có khả năng kiểm soát tốt hơn các vấn đề nội sinh, tác động trễ và mối quan hệ phi tuyến trong dữ liệu bảng. Do vậy, mức độ mô hình hóa mối quan hệ giữa quản trị vốn luân chuyển và khả năng sinh lời vẫn còn hạn chế, tạo cơ hội cho các nghiên cứu tiếp theo mở rộng theo hướng này.

5.4 ĐỀ XUẤT HƯỚNG NGHIÊN CỨU TIẾP THEO

Từ những hạn chế đã được chỉ ra, tác giả đề xuất các hướng nghiên cứu tiếp theo nhằm khắc phục và hoàn thiện hơn kết quả phân tích. Thứ nhất, dữ liệu cần được mở rộng cả về phạm vi và tần suất, chẳng hạn sử dụng số liệu theo quý hoặc tháng và bao quát thêm các doanh nghiệp ngoài sàn, để tăng tính đại diện và phản ánh đặc thù biến động ngắn hạn của ngành bán lẻ. Thứ hai, các thước đo khả năng sinh lời nên được đa dạng hóa như ROE, ROS hay Tobin’s Q, đồng thời bổ sung thêm các biến vĩ mô và các yếu tố đặc thù ngành để gia tăng khả năng giải thích. Thứ ba, các phương pháp phân tích tiên tiến hơn như System GMM, Bayesian Model Averaging hay Panel Threshold Models cần được xem xét áp dụng nhằm xử lý tốt hơn các vấn đề nội sinh, tác động trễ và phi tuyến tính trong dữ liệu bảng. Cuối cùng, việc đặt kết quả trong bối cảnh chuyển đổi số, thương mại điện tử, yếu tố trong khuôn khổ đánh giá mà các doanh nghiệp ngày nay (ESG) cũng như mở rộng so sánh với các ngành và quốc gia khác sẽ giúp nâng cao giá trị thực tiễn và tính khái quát của nghiên cứu.

TÓM TẮT CHƯƠNG 5 Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

Nghiên cứu sử dụng dữ liệu của các doanh nghiệp bán lẻ niêm yết trên HOSE, HNX và UPCoM giai đoạn 2013–2024 đã khẳng định quản trị vốn luân chuyển có ảnh hưởng đáng kể đến khả năng sinh lời (ROA). Kết quả phù hợp với các lý thuyết về sự đánh đổi giữa thanh khoản và lợi nhuận, đồng thời bổ sung thêm bằng chứng thực nghiệm cho bối cảnh thị trường Việt Nam.

Trong các biến phân tích, khoản phải thu (AR) và đòn bẩy tài chính (LEV) tác động tiêu cực rõ rệt đến lợi nhuận; ngược lại, khoản phải trả (AP), cơ cấu tài sản ngắn hạn (CATA) và quy mô doanh nghiệp (SIZE) cho thấy tác động tích cực; tồn kho (INV) chưa tìm thấy bằng chứng ảnh hưởng rõ rệt. Phân tích Bayesian cho kết quả nhất quán với GLS, đồng thời khẳng định chắc chắn hơn vai trò tích cực của quy mô doanh nghiệp.

Trên cơ sở đó, các hàm ý chính sách đề xuất cho doanh nghiệp bán lẻ gồm: tăng cường quản lý khoản phải thu, thận trọng trong sử dụng nợ, tận dụng hiệu quả tín dụng thương mại, mở rộng quy mô hợp lý, duy trì tồn kho tối ưu và cơ cấu tài sản ngắn hạn linh hoạt. Việc thực thi đồng bộ các giải pháp này sẽ giúp các doanh nghiệp bán lẻ trên cả ba sàn niêm yết nâng cao hiệu quả quản trị vốn luân chuyển, cải thiện khả năng sinh lời và củng cố năng lực cạnh tranh bền vững trong giai đoạn tới. Luận văn: KQNC đến Bayesian tác động quản trị vốn luân chuyển.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Phân tích Bayesian tác động quản trị vốn luân chuyển