Tác động của AI đến hiệu quả hoạt động bền vững của các doanh nghiệp xây dựng tại Việt Nam: Phân tích dựa trên các chỉ tiêu tài chính

Phạm Thị Lĩnh

Học viện Công nghệ Bưu chính Viễn thông, Cơ sở tại TP. Hồ Chí Minh

Email: [email protected]

Nguyễn Đức Vinh

Công ty Cổ phần Sản xuất Bao bì Công nghiệp Toàn Cầu

Email: [email protected]

Tóm tắt

Nghiên cứu đánh giá tác động của trí tuệ nhân tạo (AI) đến hiệu quả hoạt động bền vững và các chỉ tiêu tài chính của 120 doanh nghiệp xây dựng tại Việt Nam giai đoạn 2020-2025. Sử dụng phương pháp phân tích nội dung để xây dựng chỉ số mức độ ứng dụng AI, kết hợp với mô hình hồi quy dữ liệu bảng động System GMM, kết quả kiểm định xác nhận việc Ứng dụng AI có tác động tích cực và có ý nghĩa thống kê đến Tỷ suất sinh lời trên tài sản (ROA), Vốn chủ sở hữu (ROE), Biên lợi nhuận ròng (NPM), Giá trị doanh nghiệp (Tobin’sQ), và Vòng quay tài sản (ATO). Nghiên cứu củng cố Lý thuyết dựa trên nguồn lực và Lý thuyết năng lực động; đồng thời đề xuất các hàm ý quản trị và giải pháp chính sách nhằm thúc đẩy chuyển đổi số, nâng cao năng lực tài chính và phát triển bền vững cho doanh nghiệp ngành xây dựng Việt Nam.

Từ khóa: AI, hiệu quả hoạt động bền vững, chỉ tiêu tài chính, doanh nghiệp xây dựng, chuyển đổi số

Abstract

This study evaluates the impact of artificial intelligence (AI) on sustainable operational performance and financial indicators among 120 construction enterprises in Viet Nam during the 2020-2025 period. An AI adoption index is developed using content analysis and combined with a dynamic panel data regression model estimated using the System Generalized Method of Moments (System GMM). The empirical results confirm that AI adoption has a positive and statistically significant effect on return on assets (ROA), return on equity (ROE), net profit margin (NPM), firm value (Tobin’s Q), and asset turnover (ATO). The study reinforces the Resource-Based View and Dynamic Capabilities Theory and proposes managerial implications and policy measures to promote digital transformation, strengthen financial capacity, and foster sustainable development among construction enterprises in Viet Nam.

Keywords: Artificial intelligence, sustainable operational performance, financial indicators, construction enterprises, digital transformation

ĐẶT VẤN ĐỀ

Trong bối cảnh toàn cầu hóa và sự bùng nổ của cuộc Cách mạng công nghiệp lần thứ tư, chuyển đổi số đã trở thành yếu tố quyết định năng lực cạnh tranh của mọi nền kinh tế. Tại Việt Nam, ngành xây dựng đóng vai trò là một trong những trụ cột hạ tầng quan trọng nhất, thúc đẩy tăng trưởng GDP và giải quyết việc làm cho hàng triệu lao động. Tuy nhiên, ngành xây dựng hiện vẫn đang phải đối mặt với các điểm nghẽn cố hữu như năng suất lao động thấp, lãng phí vật liệu lớn, rủi ro an toàn lao động cao và quy trình quản lý truyền thống kém hiệu quả. Bên cạnh đó, áp lực từ các tiêu chuẩn phát triển bền vững (ESG) đòi hỏi doanh nghiệp phải giảm phát thải, tiết kiệm tài nguyên và minh bạch quản trị.

Tại Việt Nam, mức độ ứng dụng AI chuyên sâu còn hạn chế. Đặc biệt, việc đầu tư công nghệ đòi hỏi nguồn vốn lớn trong khi các doanh nghiệp xây dựng chịu áp lực đòn bẩy tài chính cao. Câu hỏi đặt ra là liệu AI có thực sự tác động tích cực đến hiệu quả tài chính và sự phát triển bền vững của doanh nghiệp hay không. Các nghiên cứu trước đây chủ yếu tập trung vào khía cạnh kỹ thuật, thiếu vắng bằng chứng định lượng chuyên sâu gắn kết giữa AI, các chỉ tiêu tài chính (ROA, ROE, Tobin’sQ) và tính bền vững. Xuất phát từ khoảng trống đó, nghiên cứu này được thực hiện nhằm đánh giá toàn diện tác động của AI đến hiệu quả hoạt động bền vững của các doanh nghiệp xây dựng tại Việt Nam.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu được xây dựng dựa trên 3 nền tảng lý thuyết kinh tế và quản trị cốt lõi.

Lý thuyết dựa trên nguồn lực (RBV) là cơ sở để khẳng định hệ thống chỉ số ứng dụng AI (AI_Index) và hạ tầng dữ liệu là nguồn lực vô hình độc đáo, đáp ứng tiêu chuẩn VRIN, giúp doanh nghiệp tạo lập lợi thế cạnh tranh dài hạn và tối ưu hóa hiệu quả sinh lời (Barney, 1991; Brynjolfsson và Hitt, 2000).

Lý thuyết năng lực động (DCT) nhấn mạnh, AI đóng vai trò công cụ kích hoạt năng lực thích ứng, giúp doanh nghiệp xây dựng tái cấu trúc quy trình, quản trị rủi ro dòng tiền và linh hoạt ứng phó trong môi trường biến động (Teece, 2007; Warner và Wäger, 2019).

Khung Công nghệ - Tổ chức - Môi trường (TOE) giải thích các yếu tố bối cảnh công nghệ, tổ chức và môi trường tác động đến quyết định ứng dụng công nghệ của tổ chức (Tornatzky và Fleischer, 1990).

Giả thuyết nghiên cứu

Việc ứng dụng các công cụ như AI-BIM giúp phát hiện xung đột thiết kế từ giai đoạn tiền thi công, cắt giảm từ 5% đến 8% lãng phí vật tư và tối ưu hóa chi phí vận hành, trực tiếp thúc đẩy các chỉ số sinh lời (Darko và cộng sự, 2020; Doan và Nguyen, 2025). Do đó, các giả thuyết sau được đề xuất:

H1a: Ứng dụng AI có tác động tích cực đến Tỷ suất sinh lợi trên tổng tài sản (ROA) của các doanh nghiệp xây dựng.

H1b: Ứng dụng AI có tác động tích cực đến Tỷ suất sinh lợi trên vốn chủ sở hữu (ROE) của các doanh nghiệp xây dựng.

H1c: Ứng dụng AI có tác động tích cực đến Biên lợi nhuận ròng (NPM) của các doanh nghiệp xây dựng.

Ứng dụng AI không chỉ cải thiện hiệu quả tài chính ngắn hạn mà còn nâng cao chuẩn mực ESG, tạo dựng uy tín thương hiệu và củng cố kỳ vọng tăng trưởng dài hạn từ phía các nhà đầu tư trên thị trường chứng khoán (Goldfarb và Tucker, 2019; Vo và Do, 2024). Do đó, giả thuyết sau được đề xuất:

H2: Ứng dụng AI có tác động tích cực đến Giá trị doanh nghiệp (Tobin’sQ).

Các hệ thống giám sát công trường bằng Computer Vision và quản lý tiến độ real-time giúp giảm thiểu rủi ro trễ hạn, đẩy nhanh tốc độ nghiệm thu và giải ngân dòng tiền, qua đó nâng cao hiệu suất quay vòng tài sản (Pan và Zhang, 2021; Regona và cộng sự, 2021). Do đó, giả thuyết sau được đề xuất:

H3: Ứng dụng AI có tác động tích cực đến Vòng quay tổng tài sản (ATO).

Mô hình nghiên cứu

Dựa trên cơ sở lý thuyết (RBV, DCT, TOE) và các giả thuyết nghiên cứu đã thiết lập, mô hình nghiên cứu định lượng được đề xuất dưới dạng phương trình hồi quy dữ liệu bảng tổng quát như sau:

Trong đó: biến phụ thuộc Performance đại diện lần lượt cho các chỉ tiêu tài chính: (ROA, ROE, NPM, Tobin’sQ) và ATO. Biến độc lập chính là chỉ số ứng dụng trí tuệ nhân tạo (AI_Index), kết hợp cùng các biến kiểm soát gồm quy mô (SIZE), đòn bẩy tài chính (LEV), tuổi đời (AGE) và tốc độ tăng trưởng doanh thu (GROWTH).

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp kết hợp định tính và định lượng nhằm kiểm định tác động của Ứng dụng AI đến hiệu quả tài chính của 120 doanh nghiệp xây dựng tại Việt Nam giai đoạn 2020 - 2025 với 720 quan sát dạng dữ liệu bảng. Dữ liệu thứ cấp được thu thập từ báo cáo kiểm toán, kết hợp với chỉ số ứng dụng AI (AI_Index) xây dựng qua phương pháp phân tích nội dung dựa trên bộ từ khóa trọng số (Acemoglu và cộng sự, 2022; Goldfarb và Tucker, 2019).

Nhằm khắc phục triệt để hiện tượng nội sinh động, hiệu ứng nhân quả ngược và phương sai thay đổi, nghiên cứu sử dụng mô hình hồi quy dữ liệu bảng động 2 bước (Two-step System GMM) cùng sai số chuẩn Windmeijer (2005). Các biến phụ thuộc gồm các chỉ tiêu sinh lời (ROA, ROE, NPM), giá trị doanh nghiệp (Tobin'sQ) và hiệu quả tài sản (ATO), kết hợp kiểm soát các yếu tố quy mô, đòn bẩy tài chính, tuổi đời và tăng trưởng doanh thu. Mô hình được kiểm định độ bền vững thông qua kiểm định Hansen và Arellano-Bond AR (Arellano và Bover, 1995; Roodman, 2009).

KẾT QUẢ VÀ THẢO LUẬN

Thống kê mô tả và tương quan

Mẫu nghiên cứu gồm 120 doanh nghiệp xây dựng tại Việt Nam giai đoạn 2020-2025 với 720 quan sát. Kết quả thống kê mô tả tại Bảng 1 cho thấy AI_Index đạt trung bình 0,24, dao động từ 0,00 đến 0,85, phản ánh sự phân hóa sâu sắc giữa nhóm tiên phong và nhóm truyền thống. Các chỉ tiêu tài chính như ROA (2,85%), ROE (7,20%) và NPM (2,15%) cho thấy biên lợi nhuận của ngành khá mỏng. Hệ số phóng đại phương sai VIF của các biến đều nhỏ hơn 2,0, khẳng định mô hình không có hiện tượng đa cộng tuyến.

Bảng 1: Thống kê mô tả các biến trong mô hình (N = 720)

Nguồn: Tổng hợp từ kết quả nghiên cứu

Kết quả ước lượng mô hình System GMM

Nghiên cứu áp dụng mô hình System GMM 2 bước để giải quyết hiện tượng nội sinh động. Các kiểm định chẩn đoán gồm Arellano-Bond AR(2) (p > 0,10) và kiểm định Hansen (p > 0,10) xác định các biến công cụ hoàn toàn ngoại sinh và mô hình không có tự tương quan bậc hai.

Bảng 2: Kết quả ước lượng mô hình System GMM 2 bước

Ghi chú: *p < 0,10, **p < 0,05, ***p < 0,01

Nguồn: Tổng hợp từ kết quả nghiên cứu

Thảo luận kết quả nghiên cứu

Kết quả hồi quy (Bảng 2) chứng minh biến AI_Index tác động dương có ý nghĩa thống kê ở mức 1% và 5% đến toàn bộ các chỉ tiêu tài chính. Cụ thể:

Tác động đến khả năng sinh lời (H1a, H1b, H1c): Hệ số của AI_Index đối với ROA (1,850), ROE (3,420) và NPM (1,215) khẳng định Ứng dụng AI giúp tối ưu hóa chi phí vật liệu và cắt giảm sai sót thiết kế qua AI-BIM (Darko và cộng sự, 2020).

Tác động đến Giá trị doanh nghiệp (H2) và Hiệu suất tài sản (H3): Hệ số dương đối với Tobin'sQ (0,485) và ATO (0,215) cho thấy AI không chỉ nâng cao hiệu quả vận hành ngắn hạn mà còn củng cố uy tín ESG, thu hút nhà đầu tư và đẩy nhanh vòng quay thu hồi vốn (Vo và Do, 2024).

Các kết quả này củng cố mạnh mẽ cho Lý thuyết dựa trên nguồn lực (Barney, 1991) và Lý thuyết năng lực động (Teece, 2007), đồng thời bác bỏ giả thuyết “Nghịch lý năng suất” trong dài hạn đối với ngành xây dựng Việt Nam.

KẾT LUẬN VÀ HÀM Ý

Kết quả nghiên cứu cho thấy, việc Ứng dụng AI có tác động tích cực và có ý nghĩa thống kê đến Tỷ suất sinh lời trên tài sản (ROA), Vốn chủ sở hữu (ROE), Biên lợi nhuận ròng (NPM), Giá trị doanh nghiệp (Tobin’sQ), và Vòng quay tài sản (ATO).

Dựa trên kết quả thực nghiệm, nghiên cứu đề xuất các hàm ý quản trị và kiến nghị chính sách nhằm thúc đẩy ứng dụng AI nâng cao hiệu quả tài chính và phát triển bền vững cho ngành xây dựng Việt Nam:

Hàm ý quản trị cho doanh nghiệp xây dựng

Xây dựng chiến lược đầu tư công nghệ phân kỳ: Doanh nghiệp cần thiết lập lộ trình số hóa phù hợp với quy mô vốn, ưu tiên các giải pháp có tỷ suất sinh lời nhanh như AI-BIM để giảm lãng phí vật tư và tối ưu chi phí vận hành (Darko và cộng sự, 2020).

Phát triển hạ tầng dữ liệu và nhân lực số: Tập trung chuẩn hóa dữ liệu dự án và đào tạo nguồn nhân lực liên ngành kết hợp giữa kỹ thuật xây dựng và khoa học dữ liệu nhằm khai thác hiệu quả các mô hình học máy.

Kiến nghị chính sách đối với Nhà nước

Hoàn thiện hành lang pháp lý và tiêu chuẩn kỹ thuật: Ban hành quy chuẩn kỹ thuật quốc gia về ứng dụng AI-BIM trong đấu thầu và quản lý đầu tư công; đồng thời xây dựng khung pháp lý bảo mật dữ liệu công trình.

Hỗ trợ tài chính và tín dụng xanh: Mở rộng gói tín dụng ưu đãi từ Quỹ Đổi mới Công nghệ Quốc gia và phát triển chính sách tín dụng xanh cho các nhà thầu đạt chuẩn ESG hoặc áp dụng công nghệ tiết kiệm năng lượng, giúp doanh nghiệp vượt qua rào cản đòn bẩy tài chính cao.

Mặc dù đạt được những kết quả đáng tin cậy, nghiên cứu này vẫn tồn tại một số hạn chế nhất định. (i) Phạm vi mẫu chỉ tập trung vào 120 doanh nghiệp xây dựng niêm yết tại Việt Nam trong giai đoạn 2020-2025, chưa bao phủ toàn bộ các doanh nghiệp quy mô vừa và nhỏ chưa niêm yết. (ii) Chỉ số ứng dụng AI (AI_Index) được đo lường thông qua phương pháp phân tích nội dung báo cáo thường niên, có thể chưa phản ánh hoàn toàn chi tiết các hoạt động đầu tư công nghệ ngầm định bên trong doanh nghiệp. Đây sẽ là những hướng mở quan trọng cho các nghiên cứu tiếp theo nhằm mở rộng quy mô mẫu và tích hợp thêm các phương pháp khảo sát thực địa sâu hơn.

Tài liệu tham khảo:

1. Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2022). Artificial intelligence and jobs: Evidence from online vacancies. Journal of Labor Economics, 40(S1), 293-334.

2. Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

3. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.

4. Brynjolfsson, E., & Hitt, L. M. (2000). Beyond computation: Information technology, organizational transformation and business performance. Journal of Economic Perspectives, 14(4), 23-48.

5. Darko, A., Chan, A. P., Ameyaw, E. E., Owusu, E. K., Pärn, E., & Edwards, D. J. (2020). Review of application of artificial intelligence in architecture, engineering and construction. Automation in Construction, 118, 103264.

6. Doan, T. L., & Nguyen, H. M. (2025). Digital transformation and sustainable performance in emerging construction markets: Empirical evidence from Vietnam. Journal of Construction Engineering and Management, 151(2), 04024185.

7. Goldfarb, A., & Tucker, C. (2019). Digital economics. Journal of Economic Literature, 57(1), 3-43.

8. Pan, M., & Zhang, L. (2021). Roles of artificial intelligence in construction engineering and management: A critical review and future trends. Automation in Construction, 122, 103517.

9. Regona, M., Yigitcanlar, T., Xia, B., & Li, R. Y. (2021). Opportunities and adoption challenges of artificial intelligence in the construction industry: A PRISMA review. Journal of Open Innovation: Technology, Market, and Complexity, 7(1), 45.

10. Roodman, D. (2009). A note on the theme of too many instruments. Oxford Bulletin of Economics and Statistics, 71(1), 135-158.

11. Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350.

12. Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.

13. Vo, X. V., & Do, K. H. (2024). Corporate social responsibility, technological innovation, and firm value in emerging economies. Research in International Business and Finance, 68, 102215.

14. Warner, K. S., & Wäger, M. (2019). Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long Range Planning, 52(3), 326-349.

15. F. Windmeijer (2005). A finite sample correction for the variance of linear efficient two-step GMM estimators. Journal of Econometrics, 126 (1), 25-51.