Mô hình System Dynamics: Ứng dụng mô phỏng, đánh giá đầu tư dự án nhà phố - chung cư

1. Đặt vấn đề

Bất động sản là một trong những ngành kinh tế chủ chốt tại Việt Nam, đóng góp lớn vào GDP và ảnh hưởng sâu rộng đến nhiều lĩnh vực khác như tài chính, xây dựng và phát triển đô thị. Đặc biệt tại các đô thị lớn như TP.HCM, tốc độ đô thị hóa nhanh cũng như áp lực gia tăng dân số đã khiến nhu cầu nhà ở ngày càng tăng cao.

Theo Bộ Xây dựng (năm 2022), diện tích nhà ở bình quân đầu người tại đô thị Việt Nam dù đã tăng từ 19,5 m² (năm 2015) lên 25,0 m² (năm 2022), nhưng vẫn thấp hơn đáng kể so với các quốc gia trong khu vực như Thái Lan hay Malaysia [1].

Tuy nhiên, thị trường bất động sản TP.HCM đang đối mặt với nhiều thách thức lớn, như lãi suất tín dụng tăng mạnh từ 8,5% năm 2021 lên 11,2% năm 2023, ảnh hưởng đáng kể tới khả năng huy động vốn của chủ đầu tư lẫn người mua nhà.

Bên cạnh đó, giá vật liệu xây dựng leo thang do lạm phát và gián đoạn chuỗi cung ứng cũng làm chi phí xây dựng tăng từ 15%-20% so với năm 2020, gây áp lực lớn lên hiệu quả đầu tư. 

Trong khi đó, nhu cầu nhà ở tại TP.HCM đang thay đổi rõ rệt theo xu hướng tiêu dùng hiện đại. Căn hộ chung cư ngày càng được ưa chuộng bởi các khách hàng trẻ và gia đình trung lưu nhờ giá thành hợp lý, tiện ích đầy đủ và khả năng thanh khoản tốt.

Ngược lại, nhà phố thấp tầng vẫn là lựa chọn hấp dẫn với nhà đầu tư dài hạn nhờ sự ổn định về giá trị tài sản, ít bị ảnh hưởng bởi chu kỳ kinh tế, nhưng đòi hỏi vốn đầu tư lớn và thời gian thu hồi vốn kéo dài. Do đó, quyết định lựa chọn đầu tư giữa hai loại hình này không chỉ phụ thuộc vào lợi nhuận kỳ vọng mà còn liên quan đến việc quản lý rủi ro tài chính dài hạn của các chủ đầu tư dự án.

Nghiên cứu này sử dụng mô hình động lực học hệ thống (System Dynamics - SD) để mô phỏng, phân tích các yếu tố tác động đến hiệu quả đầu tư của hai loại hình bất động sản nói trên, từ đó đề xuất các chiến lược đầu tư tối ưu cho nhà đầu tư trong điều kiện thị trường biến động.

2. Các nghiên cứu trước đây

2.1. Nghiên cứu trong nước

Bùi và Phạm (2024) tiến hành nghiên cứu các yếu tố tác động đến khả năng sinh lời của các doanh nghiệp bất động sản niêm yết tại Việt Nam [2]. Dữ liệu nghiên cứu được thu thập từ 65 doanh nghiệp bất động sản niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HoSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX) trong thời gian từ năm 2010 đến năm 2022.

Nghiên cứu đã áp dụng mô hình hồi quy theo phương pháp bình phương tối thiểu tổng quát khả thi (FGLS) để phân tích dữ liệu. Kết quả cho thấy quy mô công ty, khả năng thanh toán ngắn hạn và tăng trưởng doanh thu là những yếu tố có tác động tích cực đến khả năng sinh lời thông qua việc đánh giá tỷ suất sinh lời của tài sản (ROA).

Trên cơ sở đó, nghiên cứu đã đề xuất một số hàm ý quản trị nhằm nâng cao khả năng sinh lời tại các công ty bất động sản niêm yết ở Việt Nam.

Trần (2024) đã áp dụng mô hình định giá tài sản vốn được Chen và cộng sự giới thiệu  năm 2011 vào ngành bất động sản [3]. Với phương pháp ước lượng sai số chuẩn mạnh, nghiên cứu đã đánh giá mức độ ảnh hưởng của các nhân tố đến chi phí sử dụng vốn chủ sở hữu của 70 công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn từ năm 2010 đến năm 2022.

Kết quả đã chỉ rõ ba nhân tố bao gồm rủi ro thị trường, quy mô công ty, tỷ số giá trị làm tăng chi phí sử dụng vốn chủ sở hữu của công ty, trong khi đó nhân tố cổ tức làm giảm chi phí sử dụng vốn chủ sở hữu. Như vậy, cả bốn nhân tố rủi ro thị trường, quy mô công ty, tỷ số giá trị và rủi ro thị trường bất động sản đều có xu hướng làm tăng rủi ro cho các công ty và nhà đầu tư.

Một số kiến nghị liên quan đến chính sách được đề xuất nhằm hạn chế rủi ro cho các công ty bất động sản ở Việt Nam và nhà đầu tư bao gồm việc đáp ứng nguồn vốn đầy đủ và kịp thời cho các dự án bất động sản. 

Một nghiên cứu khác đã chỉ ra rằng các công ty bất động sản tại Việt Nam trong giai đoạn 2008 - 2018 có sử dụng vay nợ ngắn hạn và nợ dài hạn để tài trợ cho hoạt động kinh doanh nhưng đa phần là nợ ngắn hạn [4]. Tuy nhiên, các công ty này không thực hiện điều chỉnh cấu trúc kỳ hạn nợ một cách hợp lý.

Do đó, nếu có sự sai lệch trong quyết định về cấu trúc kỳ hạn nợ, công ty có thể phải chịu những thiệt hại tài chính nhất định. Từ phân tích này, nghiên cứu đã nhấn mạnh các nhà quản trị tài chính cần xem xét đặc điểm cụ thể của từng doanh nghiệp để xây dựng và thực hiện chính sách kỳ hạn nợ phù hợp.

Các yếu tố như quy mô công ty, cơ hội tăng trưởng và khả năng thanh khoản là những đặc điểm mà nhà quản trị tài chính cần quan tâm, trong đó cơ hội tăng trưởng trong tương lai được xác định là yếu tố ảnh hưởng mạnh nhất đến quyết định vay nợ dài hạn của các công ty bất động sản tại Việt Nam.

Với việc chỉ nghiên cứu những đặc điểm công ty có tác động đến cấu trúc kỳ hạn nợ của các công ty bất động sản niêm yết trên sàn HOSE và vận dụng mô hình tĩnh và mô hình động, nghiên cứu này sẽ góp phần đặt nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực quản trị tài chính doanh nghiệp tại Việt Nam.

Nguyễn (2021) đã đánh giá tác động của các yếu tố đến hiệu quả của các doanh nghiệp bất động sản niêm yết tại Việt Nam trong thời kỳ 2010 - 2019. Đầu tiên, nghiên cứu đo lường mức độ hiệu quả của các doanh nghiệp bằng phương pháp phân tích bao dữ liệu (Data Envelopment Analysis - DEA).

Sau đó, nghiên cứu sử dụng mô hình Tobit Bayesian Model Averaging (BMA) để xác định các yếu tố tác động đến hiệu quả của các doanh nghiệp này. Kết quả nghiên cứu cho thấy hiệu quả theo quy mô trung bình của các doanh nghiệp ở mức 93,01%, với giá trị CRSTE và VRSTE lần lượt là 80,50% và 86,61%. Kết quả cho thấy các doanh nghiệp chưa sử dụng tối đa các nguồn lực đầu vào.

Kết quả mô hình Tobit BMA chỉ ra rằng quy mô doanh nghiệp, vòng quay tài sản, khả năng sinh lời, tỷ lệ sở hữu của người nước ngoài, giá bất động sản, chỉ số tiếp cận đất đai, tăng trưởng kinh tế, tính dễ tổn thương của khu vực ngân hàng và hiệu quả Chính phủ có tác động cùng chiều, trong khi đó rủi ro hệ thống, cấu trúc vốn, lãi suất và lạm phát có tác động ngược chiều đến hiệu quả của các doanh nghiệp bất động sản tại Việt Nam.

Mặc dù, các nghiên cứu được tiến hành để xác định tác động của các yếu tố liên quan đến bất động sản, tác động qua lại của các yếu tố chưa được đánh giá cụ thể bằng phương pháp phù hợp. Do đó, tại Việt Nam, một số nghiên cứu ứng dụng mô hình động lực học hệ thống (System Dynamics - SD) được áp dụng trong lĩnh vực xây dựng và bất động sản trong khoảng hơn một thập kỷ qua nhằm mục tiêu mô phỏng, dự báo và hỗ trợ ra quyết định trong các giai đoạn khác nhau của dự án.

Lưu và Nguyễn (2011) là những người đầu tiên vận dụng mô hình SD vào đánh giá kinh tế - tài chính trong các dự án bất động sản tại TP. HCM [6]. Trong nghiên cứu này, các tác giả đã thiết lập mô hình động dựa trên những biến số như biến động số lượng căn hộ và khu thương mại theo từng giai đoạn bán hàng, chi phí xây dựng theo từng thời điểm, chi phí lãi vay và tỷ lệ vốn chủ sở hữu trên vốn vay.

Qua đó, nghiên cứu cho thấy khả năng của mô hình SD trong việc dự báo lợi nhuận và đánh giá mức độ rủi ro tài chính theo các điều kiện thị trường biến động.

Nguyễn và Lưu (2015) cũng đã áp dụng SD để phát triển một mô hình chi tiết hơn nhằm dự báo lợi nhuận của các công ty bất động sản thông qua khảo sát chuyên gia và phân tích thống kê [7]. Nghiên cứu đã xác định được 19 yếu tố ảnh hưởng và chia thành bốn hệ thống phụ bao gồm đặc điểm hộ gia đình và nhu cầu nhà ở, kinh tế - tài chính, cung nhà và chi phí xây dựng.

Các tác giả đã xây dựng sơ đồ nhân quả nhằm minh họa rõ mối quan hệ tương tác phức tạp giữa các yếu tố này, từ đó làm nền tảng cho việc phát triển các mô hình định lượng để hỗ trợ dự báo lợi nhuận một cách chính xác và đáng tin cậy hơn.

Trong một nghiên cứu tiếp theo, Nguyễn và Chinda (2018) đã sử dụng mô hình SD để phân tích lợi nhuận dài hạn của các dự án nhà ở tại TP.HCM [8]. Nghiên cứu đã xác định năm nhóm yếu tố quan trọng ảnh hưởng đến lợi nhuận gồm: dân số đô thị, sức mua của người dân, nguồn cung nhà ở, các yếu tố kinh tế vĩ mô và tài chính nhà ở.

Các tác giả đã mô phỏng diễn biến lợi nhuận trong khoảng thời gian 20 năm, từ đó xác định lợi nhuận trung bình dự kiến khoảng 35% (dao động từ 19% đến 41%) và đề xuất chiến lược đầu tư tối ưu gồm tỷ lệ đặt cọc khoảng 30%, thời gian trả góp lên tới 25 năm, và duy trì tỷ lệ nợ/vốn chủ sở hữu khoảng 40%, sẽ giúp tối đa hóa lợi nhuận cũng như ổn định giá bán và tài chính dự án trong giai đoạn đầu.

Gần đây nhất, Nguyễn và cộng sự (2023) đã tiếp tục mở rộng ứng dụng của mô hình SD trong việc đánh giá hiệu quả đầu tư loại hình căn hộ thông minh (Smarthome) [9]. Nghiên cứu đã xác định và đánh giá mức độ ảnh hưởng của các yếu tố như chi phí xây dựng, chi phí thiết bị Smarthome, lãi suất vay xây dựng và giá bán căn hộ.

Trên cơ sở đó, nhóm tác giả xây dựng mô hình động nhằm mô phỏng tác động của các yếu tố trên đến hiệu quả đầu tư để xác định được phương án đầu tư tối ưu. Kết quả mô phỏng cho thấy không phải lúc nào việc tăng tỷ lệ xây dựng căn hộ thông minh cũng mang lại lợi nhuận tối đa, và tỷ lệ xây dựng tối ưu được khuyến nghị là khoảng 16%, giúp chủ đầu tư vừa đạt được lợi nhuận cao nhất vừa tránh các rủi ro liên quan đến việc tồn kho.

Bên cạnh đó, Nguyễn và cộng sự (2023) đã tập trung vào việc xác định các yếu tố ảnh hưởng đến hiệu quả tài chính của các dự án chung cư cao tầng dành cho người thu nhập thấp [10]. Thông qua phương pháp đánh giá dựa trên mức độ xảy ra và mức độ tác động, nghiên cứu đã xác định được mức độ rủi ro của từng yếu tố đối với hiệu quả đầu tư.

Kết quả cho thấy phần lớn các yếu tố đều nằm trong ngưỡng rủi ro trung bình đến cao, trong đó nổi bật là những rủi ro liên quan đến chi phí và tiến độ như: chi phí xây dựng tăng đột biến, thời gian thi công kéo dài, thiếu cơ chế kiểm soát chi phí hiệu quả, năng lực thi công hạn chế, sai lệch trong dự toán, các bên liên quan dự án phối hợp kém và chất lượng vật liệu kém.

Những phát hiện này một lần nữa nhấn mạnh tầm quan trọng của việc tích hợp mô hình hệ thống như SD để mô phỏng rủi ro và hỗ trợ nhà đầu tư đưa ra quyết định chính xác hơn trong điều kiện kinh tế biến động.

2.2. Nghiên cứu quốc tế

Nhiều công trình quốc tế cũng đã ứng dụng mô hình động lực học hệ thống (System Dynamics - SD) để phân tích, dự báo và hoạch định chính sách trong lĩnh vực nhà ở đô thị. Marzouk và Hosny (2016) đã xây dựng mô hình SD để phân tích cung - cầu trong thị trường nhà ở tại Ai Cập, đặc biệt là phân khúc nhà ở giá rẻ [11].

Các tác giả đã tiến hành mô phỏng mối quan hệ giữa các biến số trong mô hình. Kết quả phân tích cho thấy nhu cầu nhà ở giá rẻ vượt xa nguồn cung thực tế, dẫn đến áp lực lớn đối với chính sách phát triển nhà ở quốc gia.

Zhang và cộng sự (2018), mặt khác, đã phát triển một mô hình SD để mô phỏng thị trường nhà ở đô thị tại Trung Quốc với mục tiêu hỗ trợ đào tạo doanh nghiệp và đánh giá các chính sách đất đai [12].

Nghiên cứu mô phỏng các yếu tố đặc trưng như đầu cơ và cơ chế tài chính đất đai, từ đó phân tích các kịch bản chính sách theo hướng mệnh lệnh và thị trường. Kết quả cho thấy SD có khả năng phản ánh chính xác sự thay đổi của giá nhà cũng như tác động của các chính sách đối với thị trường bất động sản.

Một nghiên cứu khác ứng dụng SD để mô phỏng thị trường bất động sản được tiến hành ở Hàn Quốc [13]. Các tác giả đã xây dựng một mô hình mô phỏng động nhằm đánh giá tính khả thi kinh tế của dự án phát triển căn hộ. Mô hình xác định năm yếu tố rủi ro then chốt như giá bán, tỷ lệ bán hàng, chi phí xây dựng, giá đất và chi phí tài chính.

Mô hình đã ứng dụng vào mô phỏng một dự án thực tế. Kết quả nghiên cứu đã chứng minh khả năng dự báo chính xác tác động của từng yếu tố, từ đó hỗ trợ chủ đầu tư tìm ra các điều kiện tối ưu cho hiệu quả tài chính.

Tại Hoa Kỳ, Ali và cộng sự (2020) đã sử dụng mô hình SD để phân tích mối quan hệ giữa tăng trưởng dân số và biến động cung - cầu nhà ở trong dài hạn [14]. Mô hình tích hợp các yếu tố dân số như tỷ lệ sinh, di cư, tuổi thọ và thời vụ xây dựng để mô phỏng nhu cầu nhà ở theo từng tháng. Kết quả chứng minh rằng SD là một công cụ hữu ích trong việc thử nghiệm các kịch bản tăng trưởng, đặc biệt phù hợp cho các nhà hoạch định chính sách và nhà phát triển bất động sản quy mô lớn.

Gần đây hơn, Yang và cộng sự (2021) đã áp dụng mô hình SD để dự báo tổng cung nhà ở tại TP Tế Nam (Trung Quốc) hướng tới mục tiêu phát triển bền vững [15]. Nghiên cứu mô hình hóa quá trình tăng trưởng và phá dỡ nhà ở theo thời gian, đồng thời thử nghiệm các chính sách liên quan đến diện tích sàn, tuổi thọ công trình và tái chế vật liệu xây dựng.

Trong số các chính sách được mô phỏng và đánh giá, việc tái sử dụng gạch và bê tông từ công trình cũ được xác định là giải pháp hiệu quả nhất để giảm thiểu tác động môi trường. 

Rachmawati và Kim (2022) đã đề xuất một mô hình SD phục vụ quản lý rủi ro trong các dự án phát triển chung cư [16]. Mô hình tập trung vào các yếu tố rủi ro kinh tế như chi phí xây dựng, chi phí tài chính, giá đất và giá bán, đồng thời thiết lập các giới hạn kiểm soát để đảm bảo lợi nhuận ổn định.

Bằng việc áp dụng mô hình vào một dự án thực tế, nghiên cứu cho thấy hiệu quả rõ rệt của mô hình quản lý rủi ro trong việc duy trì lợi nhuận tối ưu ngay cả khi các điều kiện thị trường có nhiều biến động.

3. Phương pháp nghiên cứu

Nghiên cứu được tiến hành theo quy trình dưới đây:

• Bước 1: Lược khảo các nghiên cứu trước nhằm xác định khoảng trống nghiên cứu và định hướng mục tiêu.

• Bước 2: Kết hợp phỏng vấn chuyên gia và tổng hợp tài liệu để xác định các yếu tố ảnh hưởng đến hiệu quả đầu tư dự án nhà ở.

• Bước 3: Phát triển bảng câu hỏi khảo sát, thu thập và xử lý dữ liệu khảo sát nhằm đánh giá mức độ ảnh hưởng của từng yếu tố đến hiệu quả vốn đầu tư.

• Bước 4: Xây dựng sơ đồ nhân quả dựa trên lý thuyết System Dynamics để mô hình hóa mối quan hệ giữa các yếu tố.

• Bước 5: Mô phỏng, phân tích kịch bản và đưa ra kết luận, kiến nghị phục vụ ra quyết định đầu tư.

3.1. Hệ thống động (System Dynamic - SD)

Mô hình động lực học hệ thống (System Dynamics - SD), do Jay Forrester đề xuất lần đầu vào năm 1961, là một phương pháp mô phỏng mạnh mẽ nhằm phân tích hành vi của các hệ thống phức tạp theo thời gian.

Trong lĩnh vực bất động sản, SD được sử dụng để mô hình hóa các mối quan hệ động giữa các yếu tố tài chính, thị trường và chính sách, từ đó cung cấp cho nhà đầu tư một cái nhìn toàn diện về tác động tương hỗ của các biến số đến hiệu quả đầu tư trong dài hạn.

Khác với các mô hình tĩnh truyền thống, SD cho phép mô phỏng chu kỳ biến động của thị trường, dự báo xu hướng trong tương lai và đánh giá tác động của các chính sách vĩ mô lên hành vi đầu tư.

Trong nghiên cứu này, mô hình SD được xây dựng nhằm phân tích hiệu quả vốn đầu tư giữa hai loại hình bất động sản nhà ở phổ biến tại TP.HCM: nhà phố thấp tầng và căn hộ chung cư.

Việc xây dựng và mô phỏng mô hình SD cho phép thực hiện các phân tích tình huống khác nhau trong đầu tư bất động sản, từ đó cung cấp cơ sở vững chắc cho việc lựa chọn chiến lược đầu tư phù hợp trong bối cảnh thị trường liên tục biến động.

3.2. Kết quả khảo sát

Dữ liệu khảo sát được thu thập từ 107 chuyên gia đang hoạt động trong lĩnh vực bất động sản tại TP.HCM, bao gồm các nhà đầu tư, quản lý dự án, chuyên gia tài chính và kỹ sư xây dựng. Bảng câu hỏi được thiết kế dựa trên thang đo Likert 5 mức độ nhằm đánh giá mức độ quan trọng của từng yếu tố ảnh hưởng đến hiệu quả đầu tư bất động sản.

Kết quả khảo sát cho thấy 23 biến có mức độ ảnh hưởng đến hiệu quả vốn đầu tư dự án. Tất cả các biến có giá trị trung bình lớn hơn 3. Đặc biệt các biến có giá trị trung bình lớn bao gồm: giá bán, chi phí xây dựng, chi phí tài chính, tỷ lệ vốn vay trên vốn chủ đầu tư, số lượng nhà giao dịch, số lượng nhà xây dựng, loại sản phẩm, lãi suất cho vay. 

Các biến khảo sát được sử dụng để xây dựng mô hình SD mô phỏng, phân tích hiệu quả vốn đầu tư giữa hai loại hình sản phẩm bất động sản.

3.3. Thu thập dữ liệu mô phỏng

Bên cạnh khảo sát chuyên gia, dữ liệu thứ cấp về thị trường cũng được thu thập nhằm hỗ trợ quá trình mô phỏng và kiểm chứng mô hình nghiên cứu. Các thông tin được lấy từ các nguồn uy tín như Bộ Xây dựng, báo cáo thị trường của CBRE và Batdongsan.com.vn [17, 18, 19].

Dữ liệu lịch sử trong giai đoạn 2015 - 2023 được sử dụng để hiệu chỉnh và xác thực độ chính xác của mô hình động lực học, qua đó đảm bảo mô hình phản ánh đúng xu hướng biến động của thị trường nhà phố thấp tầng và căn hộ chung cư tại TP.HCM.

4. Kết quả nghiên cứu

Dựa trên kết quả khảo sát, mô hình động lực học hệ thống (System Dynamics - SD) được xây dựng nhằm phân tích hiệu quả đầu tư của hai loại hình bất động sản: nhà phố và căn hộ chung cư (Hình 1). Mô hình phản ánh các mối quan hệ phi tuyến và tính chất động của thị trường bất động sản thông qua các cấu phần chính gồm: kho (stocks), dòng (flows) và các vòng phản hồi (feedback loops).

Theo Nguyen và Chinda (2018), các mô hình SD sau khi được xây dựng phải được đánh giá về độ tin cậy [9]. Việc đánh giá độ tin cậy nhằm mục đích xác định mô hình có thể phản ánh đúng các kịch bản thực tế để làm tiền đề tiến hành các bước phân tích tiếp theo. Kết quả mô phỏng càng gần với thực tế càng thể hiện được hiệu quả mô phỏng của mô hình.

Trong nghiên cứu này, mô hình SD được kiểm chứng theo cấu trúc và tham số. Cấu trúc của mô hình đã thực hiện thông qua việc đánh giá các mối quan hệ và vòng phản hồi nhằm đảm bảo rằng các sự phù hợp đối với thị trường bất động sản. Bên cạnh đó, các tham số, đơn vị tính và các phương trình thể hiện mối quan hệ của các yếu tố cũng được kiểm tra để đảm bảo tính nhất quán. 

Mô hình còn được đánh giá thông qua việc phân tích độ nhạy. Việc phân tích độ nhạy của mô hình được thực hiện để xem xét mức độ thay đổi của kết quả tương ứng với sự thay đổi của các biến số. Việc phân tích này còn được gọi là phân tích kịch bản nhằm hỗ trợ phân tích các kịch bản của thị trường dưới các quyết định đầu tư khác nhau.

Như vậy, phân tích độ nhạy nhằm mục đích hỗ trợ các nhà đầu tư bất động sản phân tích được các rủi ro và các kịch bản khác nhau của các quyết định đầu tư. 

Nghiên cứu này đã tiến hành phân tích các kịch bản đầu tư khác nhau nhằm đánh giá sự biến động của doanh thu và lợi nhuận khi các thông số mô hình thay đổi

Kịch bản 1: Tỷ lệ diện tích nhà phố trong tổng quỹ đất

Tỷ lệ diện tích nhà phố được điều chỉnh lần lượt là 10%, 20%, 30% và 40%. Kết quả mô phỏng thể hiện ở các Hình 2 và 3.

Nhận xét: Kết quả mô phỏng cho thấy, tỷ lệ nhà phố thấp (10%) mang lại doanh thu và lợi nhuận tổng cao nhất. Điều này cho thấy, với việc đầu tư số lượng lớn căn hộ sẽ đem lại doanh thu và lợi nhuận tổng cao nhất.

Tuy nhiên, nhà đầu tư cần lưu ý việc đầu tư xây dựng nhà phố có ưu điểm là thu hồi vốn nhanh, phù hợp với mục tiêu xoay vòng vốn trong ngắn hạn. Ngược lại, các dự án căn hộ chung cư thường tiềm ẩn rủi ro cao hơn trong việc kiểm soát dòng tiền và cân đối tài chính trong suốt vòng đời dự án.

Kịch bản 2: Số tầng của căn hộ chung cư

Số tầng căn hộ được điều chỉnh từ 21 - 35 tầng, tăng dần 2 tầng mỗi lần. Các thông số chi phí xây dựng được cập nhật theo suất vốn đầu tư do Bộ Xây dựng công bố năm 2022. 

Nhận xét: Kết quả ở Hình 4 cho thấy với cùng một diện tích nhưng khi tăng số tầng của dự án căn hộ, thì lợi nhuận của dự án tăng. Tuy nhiên, ngân sách thực hiện dự án cũng tăng lên, do đó nhà đầu tư cần xem xét cân đối dòng tiền thực hiện dự án.

Kịch bản 3: Diện tích căn hộ chung cư

Căn cứ vào tiêu chuẩn phân hạng căn hộ, diện tích được lựa chọn mô phỏng lần lượt là 50m², 60m² và 70m². Kết quả lợi nhuận tương ứng của các kịch bản thể hiện ở Hình 5.

Nhận xét: Kết quả cho thấy, diện tích trung bình căn hộ nhỏ hơn cho lợi nhuận cao hơn, do tăng khả năng hấp thụ thị trường. Tuy nhiên, chênh lệch lợi nhuận là không đáng kể nên cần kết hợp tiêu chí chất lượng sống và phân khúc khách hàng khi quyết định diện tích tối ưu.

5. Kết luận và kiến nghị

Nghiên cứu đã ứng dụng mô hình động lực học hệ thống để xây dựng mô hình mô phỏng việc đầu tư dự án dân cư để phân tích hiệu quả đầu tư dự án của hai loại hình bất động sản: nhà phố và căn hộ tại TP.HCM. Mô hình thể hiện mối quan hệ động giữa chi phí, doanh thu, thị trường và chính sách trong quá trình phát triển dự án.

Kết quả mô phỏng cho thấy:

• Tỷ lệ diện tích nhà phố thấp (10%) mang lại lợi nhuận tổng cao nhất, tuy nhiên cần lưu ý khả năng thanh khoản và nhu cầu thị trường.

• Tăng số tầng căn hộ giúp tăng lợi nhuận nhưng cần tối ưu hóa chi phí xây dựng và quy mô phù hợp.

• Diện tích căn hộ nhỏ hơn mang lại lợi nhuận cao hơn, tuy nhiên cần cân nhắc về tiêu chuẩn sống và pháp lý.

Việc ứng dụng mô hình động lực học hệ thống (System Dynamics - SD) trong quá trình lập kế hoạch đầu tư bất động sản giúp đánh giá hiệu quả và rủi ro trong trung và dài hạn một cách toàn diện hơn. Các nhà đầu tư cần cân nhắc tỷ lệ hợp lý giữa nhà phố và căn hộ sao cho phù hợp với mục tiêu tài chính, phân khúc khách hàng mục tiêu và định hướng phát triển đô thị bền vững.

Đồng thời, các giả định của mô hình nên được điều chỉnh linh hoạt theo từng dự án cụ thể, bao gồm chi phí thực tế, biến động thị trường và các chính sách mới nhất từ Nhà nước. Ngoài ra, cần đánh giá bổ sung các yếu tố xã hội và môi trường, đặc biệt đối với những dự án có quy mô lớn hoặc tác động đáng kể đến hệ thống hạ tầng và mật độ dân cư.

Cuối cùng, để tăng tính chính xác và ứng dụng thực tiễn của mô hình, cần tiếp tục hoàn thiện bằng cách tích hợp thêm các yếu tố như rủi ro tài chính, phân khúc người mua, cũng như các kênh huy động vốn trong quá trình đầu tư và phát triển dự án.

* Tiêu đề do Tòa soạn đặt - Mời xem file PDF tại đây

TÀI LIỆU THAM KHẢO
[1]. Bộ Xây dựng. (2022), “Báo cáo thị trường bất động sản Việt Nam năm 2022”, Tạp chí Xây dựng và Đô thị, 18(2), 45-60.
[2]. Bùi D. L., & Phạm, T. T. H. (2024). “Các yếu tố tác động đến khả năng sinh lời của các doanh nghiệp bất động sản niêm yết tại Việt Nam”. Tạp chí Kinh tế và Phát triển, 321, 73-80.
[3]. Trần, T. M. (2024). “Chi phí sử dụng vốn chủ sở hữu của các công ty ngành bất động sản Việt Nam”. Tạp chí Nghiên cứu Tài chính - Marketing, 15(3), 104-119
[4]. Nguyễn, T. N. (2019). “Tác động của đặc điểm công ty đến cấu trúc kỳ hạn nợ của các công ty bất động sản tại Việt Nam: Nghiên cứu từ mô hình tĩnh đến mô hình động”. Tạp chí Nghiên cứu Tài chính - Marketing, 54, 12-22.
[5]. Nguyễn, T. M. P. (2021). “Các yếu tố tác động đến hiệu quả của các doanh nghiệp bất động sản niêm yết tại Việt Nam”. Tạp chí Khoa học và Công nghệ, 51, 168-179.
[6]. Lưu, T.V. & Nguyễn, Q.T. (2011). Ứng dụng system dynamics trong dự báo lợi nhuận của dự án bất động sản tại TP.HCM. Luận văn thạc sỹ, Đại học Bách khoa TP.HCM.
[7]. Nguyễn, H. N. & Văn, L. T. (2015). “Xây dựng mô hình dự báo lợi nhuận của công ty bất động sản bằng System Dynamics”. Tạp chí Khoa học Đại học Mở TP. Hồ Chí Minh - Kinh tế và Quản trị Kinh doanh, 10(3). 
[8]. Nguyen, N. H. & Chinda, T. (2018). “A dynamic model of profit of residential projects in Vietnam”. International Journal of Strategic Property Management, 22(6), 489-500. https://doi.org/10.3846/ijspm.2018.6274.
[9]. Nguyễn, H. N., Phạm, T. P., Trần, P. H., Phạm, Đ. T., & Trần, Đ. H. (2023). “Ứng dụng hệ thống động hỗ trợ đánh giá phương án đầu tư căn hộ Smarthome”. Tạp chí Xây dựng, 08-2023, 38-43. 
[10]. Nguyễn, K. Q., Nguyễn, T. B. H., Đỗ, T. M. H., Trần, T. P. H, và Huỳnh, T. N. (2023). “Các nhân tố rủi ro ảnh hưởng đến hiệu quả tài chính khi đầu tư dự án chung cư cho người thu nhập thấp”. Tạp chí Xây dựng, 01-2023, 116-121.
[11]. Marzouk, M., & Hosny, I. (2016). “Modeling housing supply and demand using system dynamics”. Housing, Care and Support, 19(2), 64-80. https://doi.org/10.1108/HCS-06-2016-0004
[12]. Zhang, X., Geltner, D., & Neufville, R. (2018). “System dynamics modeling of Chinese urban housing markets for pedagogical and policy analysis purposes”. The Journal of Real Estate Finance and Economics, 57(3), 476-501. https://doi.org/10.1007/s11146-017-9650-z.
[13]. Lee, K., Son, S., Kim, D., & Kim, S. (2019). “A dynamic simulation model for economic feasibility of apartment development projects”. International Journal of Strategic Property Management, 23(5), 305-316. https://doi.org/10.3846/ijspm.2019.9822.
[14]. Ali, G. G., El-Adaway, I. H., & Dagli, C. H. (2020). “A system dynamics approach for study of population growth and the residential housing market in the US”. Procedia Computer Science, 168, 154-160. https://doi.org/10.1016/j.procs.2020.02.281.
[15]. Yang, D., Dang, M., Sun, L., Han, F., Shi, F., Zhang, H., & Zhang, H. (2021). “A system dynamics model for urban residential building stock towards sustainability: The case of Jinan, China”. International Journal of Environmental Research and Public Health, 18(18), 9520. https://doi.org/10.3390/ijerph18189520.
[16]. Rachmawati, T. S. N., & Kim, S. (2022). “A risk management model of apartment development projects using system dynamics”. Journal of Asian Architecture and Building Engineering, 22(3), 1492-1506. https://doi.org/10.1080/13467581.2022.2086558.
[17]. Bộ Xây dựng. (2022). Công bố suất vốn đầu tư xây dựng công trình và giá xây dựng tổng hợp bộ phận kết cấu công trình năm 2022. 
[18]. Danh Khôi Real. (n.d.). The 9 Stellars. Retrieved April 22, 2025, from https://danhkhoireal.vn/the-9-stellars.
[19]. CBRE Vietnam. (2023, February 23). Ho Chi Minh City Figures Q4 2022. Retrieved April 22, 2025, from https://www.cbrevietnam.com/insights/figures/ho-chi-minh-city-figures-q4-2022.