Lấp đầy một bất động sản bằng các khách thuê cùng một ngành có mang lại lợi ích không? Kinh tế học đô thị cho rằng sự quần tụ giúp doanh nghiệp làm ăn hiệu quả hơn: họ dùng chung nhà cung cấp, cùng khai thác một nguồn lao động lành nghề và học hỏi lẫn nhau (Rosenthal và Strange 2004). Nếu khách thuê coi trọng điều đó, họ sẽ sẵn sàng trả tiền thuê cao hơn để được ở gần những doanh nghiệp giống mình, và chủ sở hữu bất động sản sẽ hưởng một phần lợi ích ấy. Logic danh mục đầu tư lại nói điều ngược lại. Một chủ cho thuê có toàn bộ khách thuê thuộc cùng một ngành đã dồn rủi ro vào một chỗ, và chỉ một năm khó khăn của ngành đó cũng đủ ảnh hưởng đến toàn bộ nguồn thu tiền thuê cùng một lúc.
Liu, Zheng, và Zhu (2026) đưa sự đánh đổi này vào bối cảnh các tòa nhà văn phòng ở Mỹ, và câu trả lời của họ là sự quần tụ chỉ làm tăng giá trị trong một trường hợp duy nhất: khi khách thuê của tòa nhà và khu vực xung quanh cùng chuyên môn hóa vào cùng một ngành. Họ cũng cho thấy thị trường chứng khoán đồng tình với nhận định này. Các REIT có lợi nhuận bất thường dương khi mua những tòa nhà chuyên môn hóa và lợi nhuận bất thường âm khi bán chúng.
Chương này làm hai việc với bài báo:
Mục 41.1 trình bày thiết kế nghiên cứu và kết quả của bài báo, cùng những thay đổi giữa bản thảo nghiên cứu (working paper) và bản đã công bố.
Từ Mục 41.2 trở đi, chương biến bài báo thành một ví dụ thực hành cho Việt Nam. Bối cảnh chuyển từ tòa nhà văn phòng sang khu công nghiệp (KCN), và phép kiểm định trên thị trường chứng khoán chuyển từ giao dịch của REIT sang các thông báo cho thuê đất của doanh nghiệp phát triển KCN niêm yết. Mục 41.3 trình bày một bộ thông báo được thu thập thủ công, Mục 41.4 xem xét bộ dữ liệu này có thể phát hiện tác động lớn đến mức nào, và Mục 41.5 thực hiện nghiên cứu sự kiện bằng quy trình xử lý trong chương nghiên cứu sự kiện.
Nguồn tài liệu sử dụng trong chương
Bài báo là Liu, Zheng, và Zhu (2026), Management Science 72(10), 8366–8393. Bản PDF đã công bố nằm sau một lớp kiểm tra chống bot, nên các chi tiết thiết kế và độ lớn hệ số dưới đây lấy từ bản thảo nghiên cứu tháng 2 năm 2022, “The Agglomerative Effects of Neighborhood and Building Specialization on Office Values,” được trình bày tại hội nghị của European Real Estate Society. Câu hỏi nghiên cứu, sự đánh đổi và kết quả chính được trích từ phần tóm tắt của bản đã công bố. Một số độ lớn có thể đã thay đổi giữa hai phiên bản.
41.1 Bài báo
41.1.1 Câu hỏi nghiên cứu và sự đánh đổi
Phần tóm tắt của bản đã công bố mở đầu bằng sự đánh đổi: tích tụ (agglomeration) trong một tòa nhà hay một khu vực làm tăng năng suất của khách thuê, nhưng cái giá phải trả là cơ cấu khách thuê tập trung hơn. Tác động nào chiếm ưu thế là một câu hỏi thực nghiệm. Các nghiên cứu trước về tiền thuê văn phòng đã tìm thấy mối liên hệ dương giữa quần tụ và tiền thuê, nhưng dựa trên tiền thuê bình quân hoặc thước đo quần tụ bình quân, nên không thể tách chất lượng tòa nhà khỏi vị trí (Liu, Zheng, và Zhu 2026). Bài báo này khác biệt ở hai điểm. Thứ nhất, nó đo lường quần tụ ở hai cấp độ: xung quanh tòa nhà (chiều “ngang”) và bên trong tòa nhà (chiều “dọc”, dựa trên bằng chứng rằng tích tụ diễn ra cả bên trong tòa nhà và thậm chí giữa các tầng (Liu, Rosenthal, và Strange 2018)). Thứ hai, nó liên kết hai cấp độ này bằng cách hỏi liệu khách thuê chính của tòa nhà có hoạt động trong ngành mà khu vực xung quanh chuyên môn hóa hay không.
41.1.2 Dữ liệu và các thước đo
Mẫu của bản thảo nghiên cứu gồm 457 tòa nhà văn phòng do 57 REIT Mỹ mua hoặc bán trong giai đoạn 2014–2020, với 5.396 khách thuê được thu thập thủ công từ CoStar. Khu vực được xác định theo mã ZIP 5 chữ số, và cơ cấu ngành của mỗi khu vực lấy từ ZIP Code Business Patterns của Cục Điều tra Dân số Mỹ ở cấp NAICS 2 chữ số. Bài báo xây dựng ba thước đo.
Mức độ tập trung của khu vực là chỉ số Herfindahl của tỷ trọng việc làm giữa các ngành \(k\) trong mã ZIP của tòa nhà \(i\):
Mức độ tập trung của khách thuê là cùng chỉ số đó nhưng tính trên các ngành của khách thuê trong tòa nhà, có trọng số theo diện tích sàn mà mỗi khách thuê sử dụng:
Mức độ chuyên môn hóa giữa tòa nhà và khu vực là thước đo then chốt. Xác định ngành \(a(i)\) của khách thuê lớn nhất trong tòa nhà, rồi lấy số việc làm của ngành đó trong mã ZIP chia cho số việc làm của ngành đó trên toàn quốc:
Một tòa nhà có khách thuê lớn nhất là doanh nghiệp công nghệ thông tin và nằm trong một mã ZIP đông lao động công nghệ thông tin sẽ có SPEC cao. Vì SPEC cao có thể chỉ đơn giản phản ánh một khu vực bị một ngành chi phối, các hồi quy còn kiểm soát thêm tỷ trọng việc làm địa phương thuộc ngành của khách thuê chủ lực, \(E_{z(i),a(i),t}/E_{z(i),t}\).
41.1.3 Kết quả
Các biến kết quả là logarit giá trên mỗi foot vuông, logarit thu nhập hoạt động ròng (NOI) và tỷ suất vốn hóa (cap rate), được hồi quy theo các thước đo, cùng với các biến kiểm soát về tòa nhà (diện tích, tuổi, chiều cao, chất lượng, chứng nhận xanh), các biến kiểm soát về vị trí, và hiệu ứng cố định theo năm, theo REIT và theo vùng đô thị. Trong bản thảo nghiên cứu:
Cả hai loại tập trung đều làm tăng giá trị. Mức độ tập trung của khu vực tăng một độ lệch chuẩn đi kèm với giá cao hơn 6,9% và NOI cao hơn 4,8%. Mức tăng tương tự của mức độ tập trung khách thuê đi kèm với giá cao hơn 8,6% và NOI cao hơn 9,3%. Tác động lên tỷ suất vốn hóa yếu.
Chuyên môn hóa thắng tập trung. Khi đưa \(\text{HHI}^{\text{nbhd}}\) và SPEC vào cùng một hồi quy, mức độ tập trung của khu vực mất ý nghĩa thống kê, còn SPEC vẫn giữ được, khoảng 8,2% đối với giá và 6,9% đối với NOI cho mỗi độ lệch chuẩn. Phép so tài trực tiếp (horse race) này là cốt lõi của bài báo. Điều khách thuê sẵn sàng trả tiền không phải là mật độ hoạt động kinh tế nói chung. Họ trả tiền để được ở gần các doanh nghiệp cùng ngành, đúng như dự đoán của lý thuyết lan tỏa tri thức.
Khách thuê chủ lực có vai trò quan trọng. Phần bù tăng theo tỷ trọng diện tích của ngành lớn nhất hoặc của khách thuê lớn nhất, và được ước lượng chính xác nhất ở những tòa nhà chỉ có một ngành hoặc một khách thuê.
41.1.4 Kiểm định trên thị trường chứng khoán
Vì bên mua và bên bán là các REIT niêm yết, mỗi giao dịch cũng là một sự kiện đối với một cổ phiếu. Bài báo ước lượng lợi nhuận bất thường bằng các nhân tố Fama-French cộng với một chỉ số REIT, rồi hồi quy lợi nhuận bất thường tích lũy (CAR) của REIT theo các thước đo của tòa nhà. Mức độ tập trung khách thuê cao hơn một độ lệch chuẩn ở tòa nhà được mua đi kèm với CAR cao hơn 0,49% trong các ngày \((0, +1)\), và chênh lệch tương tự ở tòa nhà được bán đi kèm với CAR thấp hơn 0,47%. SPEC làm CAR tăng thêm khoảng 0,15% đối với các thương vụ mua. Tác động của thương vụ mua chỉ kéo dài một phiên giao dịch, trong khi mức phạt khi bán một tòa nhà có khách thuê tập trung kéo dài khoảng một tuần.
41.1.5 Từ bản thảo nghiên cứu đến bài báo trên tạp chí
Những thay đổi giữa hai phiên bản là một bài học về cách định khung cho một bài báo như vậy. Tiêu đề bản thảo nghiên cứu mô tả phương pháp (“The Agglomerative Effects of Neighborhood and Building Specialization on Office Values”). Tiêu đề bản đã công bố đặt một câu hỏi có hoặc không, với một mâu thuẫn thực sự phía sau. Trong bản thảo nghiên cứu, lập luận về đa dạng hóa chỉ xuất hiện ở phần kết luận. Trong bản đã công bố, nó mở đầu phần tóm tắt. Và kết quả vốn chỉ là một tiểu mục của bản thảo nghiên cứu, rằng phần bù chỉ xuất hiện khi có chuyên môn hóa ở cả hai cấp độ cùng lúc, đã trở thành kết quả chính. Thiết kế thực nghiệm hầu như không đổi; cách lập luận xung quanh nó thì đã thay đổi.
41.2 Từ văn phòng đến khu công nghiệp
Thiết kế này cần ba điều: những đơn vị chứa nhiều khách thuê, một cách đo ngành của các khách thuê đó và của khu vực xung quanh, và những chủ sở hữu niêm yết có cổ phiếu phản ứng khi cơ cấu khách thuê thay đổi. Ở Việt Nam, đối tượng phù hợp nhất không phải thị trường văn phòng mà là các khu công nghiệp.
Quần tụ diễn ra có chủ đích và ở quy mô lớn. Các tỉnh và doanh nghiệp phát triển KCN chủ động thu hút nhà đầu tư chủ lực, và các nhà cung cấp đi theo họ. Các cụm điện tử hình thành quanh nhà máy của Samsung ở Bắc Ninh và Thái Nguyên là ví dụ nổi tiếng nhất.
Thời hạn thuê dài. Đất công nghiệp được cho thuê theo thời hạn còn lại của KCN, thường từ 40 đến 50 năm, và tiền thuê phần lớn được trả trước. Vì vậy, giá thuê đất gần với một giá trị đã được vốn hóa, tương tự giá giao dịch trong bài báo gốc.
Chủ sở hữu là doanh nghiệp niêm yết. Khoảng một chục doanh nghiệp phát triển KCN giao dịch trên HOSE, HNX và UPCoM, và họ thông báo khách thuê mới qua công bố thông tin trên sở giao dịch, thông cáo báo chí và các lễ ký kết.
Bảng 41.1 đối chiếu từng thành phần của thiết kế gốc với thành phần tương ứng ở Việt Nam.
Bảng 41.1: Đối chiếu thiết kế cho văn phòng với khu công nghiệp ở Việt Nam
Giá thuê đất trên mỗi m² cho thời hạn còn lại, tỷ lệ lấp đầy, số héc-ta được hấp thụ
Kiểm định trên thị trường
CAR của REIT quanh các thương vụ mua và bán
CAR của doanh nghiệp phát triển KCN quanh các thông báo cho thuê và các cú sốc ngành
Hai thành phần có thể chuyển trực tiếp. Phép so tài giữa mức độ tập trung và chuyên môn hóa khớp ngành vận hành giống hệt, và việc dùng giá cổ phiếu của chủ sở hữu niêm yết để xem nhà đầu tư có cùng đánh giá hay không cũng vậy. Một thành phần thì không. Việt Nam không có cơ sở dữ liệu giao dịch nào tương đương CoStar, nên các hồi quy giá ở cấp tòa nhà trong Mục 41.1.3 cần một bộ dữ liệu bảng ở cấp KCN, phải xây dựng từ báo cáo của các công ty môi giới và hồ sơ của tỉnh (Mục 41.6). Vì vậy, ví dụ thực hành trong chương này bắt đầu với phần có thể xây dựng từ nguồn công khai ngay hôm nay: nghiên cứu sự kiện quanh các thông báo cho thuê.
Chuyển sang bối cảnh này, nghiên cứu sự kiện kiểm định một dự đoán. Nếu khách thuê trả tiền để được ở gần các doanh nghiệp cùng ngành, cổ phiếu của doanh nghiệp phát triển KCN sẽ phản ứng mạnh hơn khi doanh nghiệp ký với một khách thuê thuộc chính ngành mà KCN đã được xây dựng xung quanh. Một hợp đồng làm sâu thêm cụm ngành của KCN sẽ làm tăng tiền thuê kỳ vọng trên phần đất còn lại, trong khi một khách thuê không liên quan chỉ mang lại chính hợp đồng thuê đó. Rủi ro tập trung tác động theo chiều ngược lại, và Việt Nam cũng cung cấp một phép kiểm định rõ ràng cho phía này: các thông báo thuế quan của Mỹ năm 2025, vốn tác động mạnh nhất đến các nhà sản xuất điện tử hướng về xuất khẩu.
41.3 Các thông báo cho thuê được thu thập thủ công
Không có cơ sở dữ liệu nào ghi nhận các hợp đồng thuê đất KCN, nên các sự kiện phải được thu thập thủ công. Bảng dưới đây được tổng hợp vào tháng 10 năm 2026 từ kho tin tức của chính các doanh nghiệp phát triển KCN, cổng thông tin của chính quyền cấp tỉnh và báo chí kinh doanh Việt Nam, theo các quy tắc sau.
Doanh nghiệp phát triển KCN. Toàn bộ các doanh nghiệp phát triển KCN niêm yết đều được tìm kiếm: KBC, IDC, BCM, SZC, NTC, D2D, TIP, LHG, VGC, SIP, GVR, PHR và SNZ. Chỉ sáu doanh nghiệp có sự kiện kiểm chứng được.
Sự kiện. Một doanh nghiệp phát triển KCN hoặc công ty con công bố hợp đồng thuê đất, biên bản ghi nhớ (MOU) hoặc thỏa thuận nguyên tắc, hay việc bàn giao đất với một khách thuê được nêu tên tại một trong các KCN của mình, hoặc tỉnh trao giấy chứng nhận đăng ký đầu tư cho khách thuê đó đối với một dự án trong KCN. Giai đoạn nghiên cứu là 2012–2025.
Kiểm chứng. Mỗi dòng được xác nhận trên một trang có ghi ngày và nêu tên khách thuê, và trang đó được dẫn liên kết trong source_url. Ngày sự kiện là ngày công khai sớm nhất tìm được: ngày ký kết hoặc ngày tổ chức lễ nếu nguồn có ghi, nếu không thì là ngày đăng tin (date_type ghi lại trường hợp nào).
Mã hóa.hectares chỉ được điền khi nguồn nêu rõ diện tích. vsic2 là ngành cấp 2 theo VSIC 2018 của hoạt động chính của khách thuê, và anchor_vsic2 là ngành cấp 2 của nhóm khách thuê chi phối KCN trước thương vụ, lấy từ mô tả về KCN của doanh nghiệp phát triển và của báo chí. Trường này để trống khi không có nguồn nào nêu tên khách thuê chủ lực.
Loại trừ. Khách thuê không được nêu tên, các thương vụ không có ngày chính xác, các hợp đồng thuê giữa các doanh nghiệp phát triển với nhau (chẳng hạn một công ty cùng hệ thống thuê lại cả một lô đất), và các hợp đồng thuê nhà xưởng xây sẵn nằm ngoài KCN của doanh nghiệp phát triển.
Giai đoạn tiếp theo.followup đánh dấu các giai đoạn sau của một thương vụ đã được công khai: hợp đồng của Hanwha sau MOU, hợp đồng thuê của Amkor sau thỏa thuận nguyên tắc, và giấy chứng nhận đăng ký đầu tư cùng hồ sơ hợp đồng thuê của Foxconn tại Quang Châu sau MOU năm 2022. Đây không còn là thông tin mới và bị loại khỏi nghiên cứu sự kiện.
Các thông báo cho thuê đất của doanh nghiệp phát triển KCN niêm yết, thu thập thủ công
Bảng 41.2: Các thông báo cho thuê theo doanh nghiệp phát triển KCN, không gồm các giai đoạn tiếp theo. Số sự kiện là số ngày thông báo khác nhau. Một thương vụ được coi là khớp ngành khi ngành cấp 2 theo VSIC của khách thuê trùng với ngành của khách thuê chủ lực của KCN trước thương vụ. Tỷ trọng điện tử là tỷ trọng số héc-ta được nêu rõ cho thuê cho khách thuê thuộc VSIC 26–27.
Hình 41.1: Các thông báo cho thuê theo doanh nghiệp phát triển KCN, không gồm các giai đoạn tiếp theo. Kích thước điểm là diện tích được nêu (các thương vụ không nêu diện tích được vẽ ở mức 5 héc-ta).
Bảng 41.2 và Hình 41.1 cho thấy đặc điểm của dữ liệu chi phối mọi phân tích tiếp theo: việc một thương vụ có khớp ngành hay không gần như là một thuộc tính của doanh nghiệp phát triển KCN. Tất cả các thương vụ đã mã hóa của KBC đều khớp ngành. Các KCN của KBC ở Bắc Ninh, Bắc Giang và Hải Phòng được xây dựng xoay quanh ngành điện tử (LG, Goertek, Luxshare, Foxconn), và KBC tiếp tục ký với các khách thuê điện tử. Không thương vụ đã mã hóa nào của IDICO, Sonadezi Châu Đức hay Becamex là khớp ngành; các KCN của họ ký với nhiều loại khách thuê thuộc ngành thực phẩm, vật liệu và cơ khí. Chỉ có Viglacera, và ở mức độ nhỏ là SIP, ký với cả hai loại.
Điều này quan trọng đối với phép kiểm định. Một phép so sánh gộp giữa các thương vụ khớp ngành và không khớp ngành chủ yếu là so sánh KBC với IDICO, hai doanh nghiệp vốn khác nhau cả về quy mô, khu vực, cơ cấu cổ đông lẫn giai đoạn khai thác quỹ đất. Phép so sánh trong nội bộ từng doanh nghiệp, tương tự hiệu ứng cố định theo REIT trong Liu, Zheng, và Zhu (2026), sạch hơn nhưng gần như hoàn toàn dựa vào 22 thương vụ đã mã hóa của Viglacera. Cả hai phiên bản đều được báo cáo trong Mục 41.5, và Mục 41.4 cho thấy cấu trúc này ảnh hưởng đến suy diễn thống kê như thế nào.
Cần lưu ý ba hạn chế.
Độ bao phủ không đồng đều. Các doanh nghiệp phát triển KCN thường quảng bá những thương vụ tiêu biểu, nên mẫu có quá nhiều khách thuê lớn, nổi tiếng. Kho tin của KBC thưa dần trong các giai đoạn 2019–2021 và 2024–2025, và một số doanh nghiệp không có sự kiện nào kiểm chứng được. Công bố thông tin trên sở giao dịch và báo cáo thường niên, vốn chưa được tìm kiếm một cách có hệ thống, là những nguồn tiếp theo cần bổ sung.
Một số ngày là ngày đăng tin. Với các dòng có date_type bằng news hoặc press_release, thương vụ có thể đã được biết trước đó vài ngày. Cửa sổ trước sự kiện trong Mục 41.5 kiểm tra điều này.
Không phải sự kiện nào cũng giao dịch được. Các sự kiện xảy ra trước khi cổ phiếu của doanh nghiệp phát triển bắt đầu giao dịch sẽ tự động bị loại khỏi nghiên cứu sự kiện. Hãy kiểm tra lịch sử niêm yết của từng doanh nghiệp, như trong chương về thiên kiến sống sót.
41.4 Các thông báo này có thể phát hiện tác động lớn đến mức nào?
Trước khi thực hiện nghiên cứu sự kiện, nên biết tác động có độ lớn bao nhiêu là hợp lý và mẫu có thể phát hiện tác động lớn đến mức nào.
Một cận trên sơ bộ. Xét một hợp đồng thuê 25 héc-ta với giá 130 USD mỗi m² cho thời hạn còn lại, xấp xỉ giá chào thuê bình quân ở các thị trường cấp 1 phía Bắc năm 2024. Con số này tương ứng 250.000 m² và khoảng 32 triệu USD doanh thu. Nếu một nửa trong số đó là lợi nhuận, một thương vụ hoàn toàn bất ngờ làm tăng giá trị khoảng 16 triệu USD, hay 1,6% đối với một doanh nghiệp phát triển KCN trị giá 1 tỷ USD. Phần lớn các thương vụ đã được dự đoán một phần, vì doanh nghiệp phát triển thường định hướng cho nhà đầu tư về các hợp đồng sắp ký, và nhiều thông báo đến sau một MOU trước đó. Vì vậy, tác động trực tiếp từ một đến hai phần trăm là cận trên đối với một thương vụ lớn. Kênh tích tụ thì khác. Nếu một khách thuê chủ lực khớp ngành làm tăng tiền thuê kỳ vọng trên phần còn lại của quỹ đất chưa cho thuê trong KCN, tác động lên giá trị có thể vượt quá chính thương vụ đó. Đó là tác động mà phép kiểm định đang tìm kiếm.
Suy diễn thống kê khi có ít doanh nghiệp. Mẫu thu thập được có 48 sự kiện đã biết trạng thái khớp ngành, phân bố trên sáu doanh nghiệp phát triển KCN. Hai đặc điểm của loại dữ liệu này khiến sai số chuẩn trở nên kém tin cậy. Các sự kiện của cùng một doanh nghiệp có chung một thành phần, chẳng hạn mức độ mà thị trường đã kỳ vọng về các hợp đồng sắp ký của doanh nghiệp đó. Và như Bảng 41.2 cho thấy, phần lớn doanh nghiệp chủ yếu ký với một loại khách thuê, nên MATCH hầu như không thay đổi trong nội bộ từng doanh nghiệp. Mô phỏng dưới đây tạo ra CAR hai ngày theo
với độ lệch chuẩn ở cấp sự kiện là 4,5%, xấp xỉ độ lệch chuẩn của lợi nhuận hai ngày đối với một doanh nghiệp phát triển KCN vốn hóa trung bình, và một cú sốc ở cấp doanh nghiệp \(u_d\) có độ lệch chuẩn 2%. Mô phỏng so sánh ba phép kiểm định \(\delta = 0\): kiểm định \(t\) OLS cổ điển, kiểm định \(t\) với sai số chuẩn vững theo cụm và \(G-1\) bậc tự do, và bootstrap cụm kiểu wild (wild cluster bootstrap) áp đặt giả thuyết không cùng trọng số sáu điểm của Webb, vốn được thiết kế cho trường hợp ít cụm. Ba kịch bản là: mẫu có kích thước như mẫu thu thập được và các loại khách thuê xen lẫn trong từng doanh nghiệp; mẫu cùng kích thước nhưng mỗi doanh nghiệp chủ yếu ký với một loại khách thuê (như trong dữ liệu thu thập được); và một mẫu lớn gấp ba lần.
Thống kê t vững theo cụm và bootstrap cụm kiểu wild
from scipy import statsdef cluster_t(X, Y, g, j=1):"""Cluster-robust (CR1) t-statistics of coefficient j, one per column of Y. X is (n, k) with the tested regressor in column j, Y is (n, B), and g holds cluster codes 0, ..., G-1. """ n, k = X.shape G = g.max() +1 XtX_inv = np.linalg.inv(X.T @ X) beta = XtX_inv @ X.T @ Y resid = Y - X @ beta S = np.zeros((G, k, Y.shape[1]))for c inrange(k): np.add.at(S[:, c, :], g, X[:, [c]] * resid) meat = np.einsum("gkb,glb->klb", S, S) scale = G / (G -1) * (n -1) / (n - k) var = scale * np.einsum("k,klb,l->b", XtX_inv[j], meat, XtX_inv[j])return beta[j] / np.sqrt(var)WEBB = np.array([-np.sqrt(1.5), -1, -np.sqrt(0.5), np.sqrt(0.5), 1, np.sqrt(1.5)])def wild_cluster_p(X, y, g, j=1, n_boot=999, rng=None):"""Wild cluster bootstrap-t p-value for H0: beta_j = 0, with the null imposed and Webb's six-point weights, which behave well with few clusters. Returns the p-value and the original cluster-robust t-statistic.""" rng = np.random.default_rng(rng) t0 = cluster_t(X, y[:, None], g, j)[0] Xr = np.delete(X, j, axis=1) fit_r = Xr @ np.linalg.lstsq(Xr, y, rcond=None)[0] w = rng.choice(WEBB, size=(g.max() +1, n_boot)) y_star = fit_r[:, None] + (y - fit_r)[:, None] * w[g] t_star = cluster_t(X, y_star, g, j)return np.mean(np.abs(t_star) >=abs(t0)), t0
Kích thước và sức mạnh của ba phép kiểm định phần bù khớp ngành
def simulate_match_tests(effect, n_events, n_dev, sd_dev, mix, sd_event=0.045, n_sims=1000, n_boot=199, seed=0):"""Rejection rates (two-sided, 5%) of three tests of the matched-tenant premium when announcements cluster within a few developers. CAR_e = effect * match_e + u_dev(e) + eps_e Each developer has its own share of matched deals, drawn from a Beta(mix, mix) distribution: a small `mix` makes most developers sign only one type of tenant. The developer shock u_d (say, how well its announcements are anticipated) does not average out across its events. """ rng = np.random.default_rng(seed) rej = np.zeros(3)for _ inrange(n_sims): dev = rng.integers(0, n_dev, n_events) match = (rng.random(n_events) < rng.beta(mix, mix, n_dev)[dev]).astype(float)if match.min() == match.max():continue car = (effect * match + rng.normal(0, sd_dev, n_dev)[dev]+ rng.normal(0, sd_event, n_events)) g = np.unique(dev, return_inverse=True)[1] G = g.max() +1 X = np.column_stack([np.ones(n_events), match]) fit = stats.linregress(match, car) p_wild, t_cl = wild_cluster_p(X, car, g, n_boot=n_boot, rng=rng) rej += [abs(fit.slope / fit.stderr) > stats.t.ppf(0.975, n_events -2),abs(t_cl) > stats.t.ppf(0.975, G -1), p_wild <0.05]return rej / n_simsscenarios = {"48 events, 6 developers, mixed tenants": (48, 6, 2.0),"48 events, 6 developers, one type each": (48, 6, 0.3),"150 events, 12 developers, mixed tenants": (150, 12, 2.0)}rows = []for name, (n_events, n_dev, mix) in scenarios.items():for effect in [0.0, 0.01, 0.02, 0.03, 0.04, 0.05]: r = simulate_match_tests(effect, n_events, n_dev, sd_dev=0.02, mix=mix) rows.append({"scenario": name, "effect": effect,"OLS t": r[0], "cluster t": r[1], "wild bootstrap": r[2]})power = pd.DataFrame(rows)print(power.set_index(["scenario", "effect"]).round(3).to_string())
Hình 41.2: Tỷ lệ bác bỏ của ba phép kiểm định phần bù khớp ngành ở mức 5%. Tại tác động thực bằng 0, các đường cho biết kích thước kiểm định; đường chấm đánh dấu mức 5%. Mỗi kịch bản gồm 1.000 mẫu mô phỏng.
Khi mỗi doanh nghiệp chỉ ký một loại khách thuê, chỉ có bootstrap kiểu wild giữ đúng kích thước kiểm định. Kiểm định \(t\) cổ điển bác bỏ giả thuyết không 12% số lần dù giả thuyết này đúng, vì nó coi các thông báo của cùng một doanh nghiệp là những quan sát độc lập. Kiểm định \(t\) vững theo cụm tốt hơn nhưng vẫn bác bỏ 9% số lần, vì sáu cụm là quá ít đối với nó. Bootstrap kiểu wild bác bỏ ở mức 5,5%.
Với 48 sự kiện, chỉ những tác động rất lớn mới phát hiện được. Với phần bù thực bằng 5 điểm phần trăm, bootstrap kiểu wild bác bỏ 70% số lần khi các loại khách thuê xen lẫn, và khoảng một nửa số lần khi không xen lẫn. Một phần bù có độ lớn như Liu, Zheng, và Zhu (2026) báo cáo cho các REIT Mỹ (thấp hơn nhiều so với 1% cho mỗi độ lệch chuẩn) sẽ hoàn toàn không thể phát hiện được.
Có thêm sự kiện, từ nhiều doanh nghiệp hơn, giúp ích nhiều nhất. Với 150 sự kiện từ 12 doanh nghiệp, sức mạnh kiểm định đạt 80% tại phần bù khoảng 3 điểm phần trăm. Mở rộng việc thu thập thủ công, sang công bố thông tin trên sở giao dịch, sang các doanh nghiệp chưa có sự kiện và sang các thương vụ nhỏ hơn, là bước tiếp theo có giá trị nhất.
41.5 Ứng dụng với dữ liệu Việt Nam
Đoạn mã dưới đây thực hiện hai phép kiểm định trên dữ liệu giá của DataCore bằng quy trình xử lý trong chương nghiên cứu sự kiện: EventStudyConfig, run_event_study và các hàm mà nó gọi. Đoạn mã giả định đã có ip_events từ Mục 41.3 và các hàm suy diễn ở trên.
Các thông báo cho thuê. Nhiều thương vụ ký tại cùng một buổi lễ được tính là một sự kiện. Các thông báo của cùng một doanh nghiệp cách nhau trong vòng mười ngày được đánh dấu, vì cửa sổ sự kiện của chúng chồng lên nhau. Lợi nhuận bất thường được tính theo mô hình thị trường (VN-Index, cửa sổ ước lượng 150 ngày, kết thúc 15 ngày trước sự kiện). Phép kiểm định hồi quy CAR theo MATCH với hiệu ứng cố định theo doanh nghiệp, nên phép so sánh diễn ra trong nội bộ từng doanh nghiệp: cổ phiếu của cùng một doanh nghiệp có được thị trường thưởng nhiều hơn khi doanh nghiệp ký với khách thuê khớp ngành so với khách thuê không khớp ngành hay không? Logarit số héc-ta được dùng để kiểm soát quy mô thương vụ. Suy diễn thống kê dùng bootstrap cụm kiểu wild. Mẫu “sạch” loại bỏ các sự kiện chồng lấn và các sự kiện có cổ phiếu chạm giá trần hoặc giá sàn vào ngày 0 hoặc ngày +1 (Mục 37.8 giải thích vì sao việc chạm giá trần, giá sàn đẩy quá trình khám phá giá sang các ngày sau).
Cú sốc thuế quan năm 2025. Ngày 3 tháng 4 năm 2025 (giờ Việt Nam), Mỹ công bố mức thuế 46% đối với hàng hóa Việt Nam. Mỹ tạm hoãn mức thuế này vào ngày 9 tháng 4 (ngày 10 tháng 4 theo giờ Việt Nam), và vào ngày 2 tháng 7 (ngày 3 tháng 7 theo giờ Việt Nam) công bố một thỏa thuận ở mức 20%, với mức 40% đối với hàng hóa trung chuyển. Mọi doanh nghiệp phát triển KCN đều chịu chung từng ngày sự kiện, nên đây là một phép kiểm định theo mặt cắt ngang: hồi quy CAR của từng doanh nghiệp theo mức độ phơi nhiễm của nó, tức tỷ trọng số héc-ta đã cho thuê thu thập được dành cho khách thuê điện tử (VSIC 26–27). Giả thuyết rủi ro tập trung dự đoán hệ số góc âm tại ngày công bố và hệ số góc dương tại ngày tạm hoãn và ngày đạt thỏa thuận. Cửa sổ đầu tiên kéo dài đến ngày +3, vì nhiều cổ phiếu đóng cửa ở giá sàn trong nhiều phiên sau ngày công bố.
Các thông báo cho thuê và cú sốc thuế quan năm 2025 trên dữ liệu DataCore
import statsmodels.formula.api as smffrom datacore import DataCoreClientclient = DataCoreClient()# All listed IP developers, including those without a collected event: the# tariff test uses the whole cross-sectiondevelopers =sorted(set(ip_events["ticker"]) | {"KBC", "IDC", "SZC", "BCM", "SIP","GVR", "PHR", "NTC", "D2D", "LHG","TIP", "VGC", "SNZ"})daily = client.get_daily_prices( exchanges=["HOSE", "HNX", "UPCoM"], start_date="2011-01-01", end_date="2025-12-31", include_delisted=True, fields=["ticker", "date", "exchange", "adjusted_close", "volume","market_cap", "limit_up_hit", "limit_down_hit"])daily["date"] = pd.to_datetime(daily["date"])daily = (daily[daily["ticker"].isin(developers)] .rename(columns={"ticker": "symbol"}) .sort_values(["symbol", "date"]).reset_index(drop=True))daily["ret"] = daily.groupby("symbol")["adjusted_close"].pct_change()vn = client.get_index_returns(index="VNINDEX", frequency="daily", start_date="2011-01-01", end_date="2025-12-31")vn["date"] = pd.to_datetime(vn["date"])# Market model on raw returns; the intercept absorbs the risk-free ratefactors = vn[["date"]].assign(mkt_excess=vn["return"])config = EventStudyConfig(estimation_window=150, gap=15, event_window_start=-5, event_window_end=5, min_estimation_obs=100, risk_model=RiskModel.MARKET_MODEL)windows = {"car_m5_m1": (-5, -1), "car_0_p1": (0, 1),"car_m1_p1": (-1, 1), "car_0_p5": (0, 5)}def event_cars(events):"""Run the chapter's pipeline and return one row per event with CARs over each window and a flag for price-limit hits on days 0 and +1.""" res = run_event_study(events, daily[["symbol", "date", "ret"]], factors, config, verbose=False) d = res["daily_ar"] cars = pd.concat( [d[d["evttime"].between(lo, hi)].groupby(["symbol", "evtdate"])["AR"] .sum().rename(name) for name, (lo, hi) in windows.items()], axis=1).reset_index() hits = (d[d["evttime"].between(0, 1)] .merge(daily[["symbol", "date", "limit_up_hit", "limit_down_hit"]], on=["symbol", "date"], how="left")) hits["hit"] = hits["limit_up_hit"].fillna(False) | hits["limit_down_hit"].fillna(False)return cars.merge(hits.groupby(["symbol", "evtdate"])["hit"].any() .rename("limit_hit").reset_index(), on=["symbol", "evtdate"])# --- 1. Lease announcements: matched versus other tenants -------------------# Later stages of a deal already announced are not news. Several deals signed# at one ceremony are one event for the developer's stockev = (ip_events[ip_events["followup"] ==0].dropna(subset=["match"]) .groupby(["ticker", "announce_date"]) .agg(match=("match", "max"), hectares=("hectares", lambda x: x.sum(min_count=1)), n_deals=("tenant", "size")) .reset_index() .rename(columns={"ticker": "symbol", "announce_date": "event_date"}))# Another announcement by the same developer within 10 days contaminates bothgap = ev.sort_values("event_date").groupby("symbol")["event_date"].diff().dt.daysgap_next = ev.sort_values("event_date").groupby("symbol")["event_date"].diff(-1).dt.days.abs()ev["overlap"] = (gap.le(10) | gap_next.le(10)).reindex(ev.index).fillna(False)cars = event_cars(ev[["symbol", "event_date"]])# The pipeline moves event dates to the next trading day; recover each# event's attributes from the latest original date on or before itcars = pd.merge_asof(cars.sort_values("evtdate"), ev.sort_values("event_date"), left_on="evtdate", right_on="event_date", by="symbol", direction="backward")cars["log_ha"] = np.log1p(cars["hectares"].fillna(cars["hectares"].median()))cars["year"] = cars["evtdate"].dt.yearprint(cars.groupby("match")[list(windows)].agg(["mean", "count"]).round(4))rows = []for sample, x in [("all", cars), ("clean", cars[~cars["overlap"] &~cars["limit_hit"]])]:for y in windows: sub = x.dropna(subset=[y]).reset_index(drop=True) g = sub["symbol"].astype("category").cat.codes.to_numpy()for spec in ["pooled", "within"]: X = pd.concat([pd.Series(1.0, index=sub.index, name="const"), sub["match"].astype(float), sub["log_ha"]], axis=1)if spec =="within":# Developer fixed effects: is the same developer's stock rewarded# more for a matched tenant than for an unmatched one? X = pd.concat([X, pd.get_dummies(sub["symbol"], drop_first=True, dtype=float)], axis=1) beta = np.linalg.lstsq(X.to_numpy(), sub[y].to_numpy(), rcond=None)[0] p_wild, t_cl = wild_cluster_p(X.to_numpy(), sub[y].to_numpy(), g, j=1, n_boot=1999, rng=1) rows.append({"sample": sample, "window": y, "spec": spec,"N": len(sub), "developers": g.max() +1,"match_premium": beta[1], "t_cluster": t_cl,"p_wild": p_wild})print(pd.DataFrame(rows).round(4).to_string(index=False))# --- 2. The 2025 US tariff shock: concentration risk --------------------------# Exposure: the share of each developer's leased hectares (deals announced# before the shock) that went to electronics tenants (VSIC 26-27), the sector# most exposed to US demandbase = ip_events[(ip_events["announce_date"] <"2025-04-01")& (ip_events["followup"] ==0)].dropna(subset=["hectares"])exposure = (base.assign(elec_ha=base["hectares"] * base["vsic2"].isin([26, 27])) .groupby("ticker")[["elec_ha", "hectares"]].sum() .eval("elec_ha / hectares").rename("exposure"))shocks = {"46% tariff announced": ("2025-04-03", (0, 3)),"90-day pause": ("2025-04-10", (0, 1)),"20% deal": ("2025-07-03", (0, 1))}for label, (day, (lo, hi)) in shocks.items(): windows["car_shock"] = (lo, hi) sh = event_cars(pd.DataFrame({"symbol": developers,"event_date": pd.Timestamp(day)})) sh = sh.merge(exposure, left_on="symbol", right_index=True, how="inner") fit = smf.ols("car_shock ~ exposure", data=sh).fit(cov_type="HC1")print(f"{label:22s} N={len(sh):2d} slope={fit.params['exposure']:.4f} "f"(HC1 t={fit.tvalues['exposure']:.2f}) "f"limit hits={int(sh['limit_hit'].sum())}")del windows["car_shock"]
Chúng tôi đã kiểm tra đoạn mã trên dữ liệu giá tổng hợp có cấu trúc giống các bảng của DataCore, dùng ngày thực tế của các sự kiện thu thập được. Các thương vụ khớp ngành được gài sẵn lợi nhuận bất thường 3% vào ngày 0, các thương vụ khác 0,5%, và các ngày công bố thuế quan được gài sẵn tác động bằng \(-8\%\), \(+4\%\) và \(+3\%\) nhân với mức độ phơi nhiễm. Với nhiễu đặc thù thấp, đoạn mã khôi phục được tất cả các tác động này: phần bù khớp ngành từ 2,5 đến 2,7 điểm phần trăm qua các cửa sổ và đặc tả, và các hệ số góc theo mức độ phơi nhiễm bằng \(-0.085\), \(0.037\) và \(0.031\). Với nhiễu thực tế 2,5% mỗi ngày, cùng phần bù được gài sẵn đó không có ý nghĩa thống kê trong đặc tả trong nội bộ doanh nghiệp (giá trị \(p\) của bootstrap kiểu wild từ 0,13 đến 0,40 trong các cửa sổ sự kiện), đúng như Mục 41.4 dự đoán cho trường hợp sáu doanh nghiệp. Chỉ sáu doanh nghiệp có thương vụ thu thập được mới có thước đo mức độ phơi nhiễm, nên các hồi quy thuế quan chỉ có sáu quan sát. Hãy đọc kết quả theo thứ tự sau:
Phần bù khớp ngành trong cửa sổ \((0,+1)\) của mẫu sạch, trong nội bộ doanh nghiệp, là ước lượng chính. Hãy đánh giá nó bằng giá trị \(p\) của bootstrap kiểu wild, không phải bằng thống kê \(t\) vững theo cụm. Nếu ước lượng gộp lớn hơn nhiều so với ước lượng trong nội bộ doanh nghiệp, phần bù gộp chủ yếu phản ánh sự khác biệt giữa KBC và các doanh nghiệp còn lại.
Cửa sổ trước sự kiện \((-5,-1)\) dùng để kiểm tra rò rỉ thông tin. Một phần bù dương trong cửa sổ này nghĩa là các thương vụ khớp ngành đã được biết trước ngày được sử dụng, vì vậy hãy lùi ngày sự kiện sớm hơn hoặc nới rộng cửa sổ.
Cửa sổ \((0,+5)\) cho thấy giới hạn biên độ giá và thanh khoản thấp có làm chậm phản ứng của thị trường hay không.
Các hệ số góc thuế quan kiểm định rủi ro tập trung. Với sáu doanh nghiệp, hãy đọc dấu của chúng và mẫu hình qua ba ngày sự kiện, không phải ý nghĩa thống kê của từng hệ số.
41.6 Các hướng mở rộng
Nghiên cứu sự kiện kiểm định xem nhà đầu tư có kỳ vọng quần tụ mang lại lợi ích hay không. Để kiểm định xem quần tụ có thực sự mang lại lợi ích, như Liu, Zheng, và Zhu (2026) làm với giá và NOI, cần một bộ dữ liệu bảng ở cấp KCN. Ba hướng mở rộng sau xây dựng bộ dữ liệu đó.
Một bộ dữ liệu bảng theo KCN. Với mỗi KCN và mỗi năm, tính HHI của các nhà đầu tư (Phương trình 41.2 với số héc-ta đã thuê), tỷ trọng đất đã cho thuê của khách thuê chủ lực, và SPEC (Phương trình 41.3) với số liệu việc làm từ Điều tra doanh nghiệp của Tổng cục Thống kê (từ tháng 3 năm 2025 là Cục Thống kê, Bộ Tài chính), dùng tỉnh hoặc một bán kính khoảng 25 km quanh KCN làm khu vực xung quanh. Sau đó hồi quy giá thuê đất, tỷ lệ lấp đầy và số héc-ta được hấp thụ theo các thước đo này với hiệu ứng cố định theo năm, theo doanh nghiệp phát triển và theo tỉnh, và thực hiện phép so tài của bài báo giữa mức độ tập trung của khu vực và SPEC. Giá thuê đất chủ yếu do các công ty môi giới báo cáo dưới dạng giá chào thuê theo tỉnh và theo cấp thị trường, nên tỷ lệ lấp đầy và diện tích hấp thụ thường là các biến kết quả được đo lường tốt hơn. Hãy cố định vị trí theo mã tỉnh trước năm 2025: ngày 1 tháng 7 năm 2025, Việt Nam đã sáp nhập 63 tỉnh, thành phố thành 34 và bỏ cấp huyện.
Sự xuất hiện của khách thuê chủ lực. Sự xuất hiện của một khách thuê chủ lực lớn là một can thiệp so le theo thời gian (staggered treatment). So sánh tiền thuê và diện tích hấp thụ tại các KCN, và tại các KCN lân cận, trước và sau khi một khách thuê chủ lực ký kết, với các KCN được ghép cặp theo tỉnh và tuổi, cho phép ước lượng trực tiếp tác động lan tỏa. Đây là logic của Greenstone, Hornbeck, và Moretti (2010), những người so sánh các hạt (county) giành được một nhà máy lớn với các hạt về nhì trong cuộc cạnh tranh thu hút nhà máy đó, và việc thời điểm can thiệp so le đòi hỏi một phương pháp ước lượng như Callaway và Sant’Anna (2021). Bài báo gốc, với dữ liệu mặt cắt ngang các giao dịch, không thể thực hiện phép kiểm định này.
Cơ chế là gì?Liu, Zheng, và Zhu (2026) quy phần bù của họ cho lan tỏa tri thức, vốn mạnh nhất trong nội bộ một ngành. Tại các KCN Việt Nam, chia sẻ đầu vào có thể quan trọng hơn: nhà cung cấp đặt nhà máy cạnh doanh nghiệp lắp ráp mà họ bán hàng. Ellison, Glaeser, và Kerr (2010) tách bạch các kênh này bằng cách xem những cặp ngành nào cùng định vị gần nhau. Ở đây, cách làm tương tự là bổ sung một thước đo cho biết vùng đã sản xuất được bao nhiêu phần đầu vào của khách thuê chủ lực, xây dựng từ bảng cân đối liên ngành (bảng I-O) của Tổng cục Thống kê. Một phần bù gắn với liên kết nhà cung cấp hơn là với việc cùng ngành sẽ cho thấy kênh chia sẻ đầu vào.
41.7 Tóm tắt
Liu, Zheng, và Zhu (2026) nhận thấy giá trị văn phòng chỉ tăng theo mức độ tích tụ khi khách thuê của tòa nhà và khu vực xung quanh cùng chuyên môn hóa vào một ngành, và nhà đầu tư REIT phản ánh điều này vào giá cổ phiếu. Phép so tài giữa mức độ tập trung và chuyên môn hóa khớp ngành là yếu tố giúp nhận diện cơ chế.
Ở Việt Nam, khu công nghiệp là bối cảnh tự nhiên, và các thông báo cho thuê của doanh nghiệp phát triển KCN niêm yết là các sự kiện tự nhiên. Mục 41.3 trình bày 71 thông báo được thu thập thủ công từ sáu doanh nghiệp, kèm nguồn.
Trong dữ liệu này, việc một thương vụ có khớp ngành hay không gần như là thuộc tính của doanh nghiệp phát triển: KBC đưa khách thuê điện tử vào các KCN điện tử, còn IDICO ký với nhiều loại khách thuê. Phép kiểm định trong nội bộ doanh nghiệp chủ yếu dựa vào Viglacera.
Với sáu doanh nghiệp, chỉ có bootstrap cụm kiểu wild cho suy diễn đáng tin cậy, và chỉ những tác động lớn mới phát hiện được. Thu thập thêm sự kiện quan trọng hơn việc tinh chỉnh phép kiểm định.
Các thông báo thuế quan của Mỹ năm 2025 tạo ra một cú sốc ngoại sinh hiếm có để kiểm định phía bên kia của sự đánh đổi: rủi ro của một cơ cấu khách thuê tập trung.
Callaway, Brantly, và Pedro H. C. Sant’Anna. 2021. “Difference-in-Differences with Multiple Time Periods”. Journal of Econometrics 225 (2): 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001.
Ellison, Glenn, Edward L. Glaeser, và William R. Kerr. 2010. “What Causes Industry Agglomeration? Evidence from Coagglomeration Patterns”. American Economic Review 100 (3): 1195–1213. https://doi.org/10.1257/aer.100.3.1195.
Greenstone, Michael, Richard Hornbeck, và Enrico Moretti. 2010. “Identifying Agglomeration Spillovers: Evidence from Winners and Losers of Large Plant Openings”. Journal of Political Economy 118 (3): 536–98. https://doi.org/10.1086/653714.
Liu, Crocker H., Stuart S. Rosenthal, và William C. Strange. 2018. “The Vertical City: Rent Gradients, Spatial Structure, and Agglomeration Economies”. Journal of Urban Economics 106: 101–22. https://doi.org/10.1016/j.jue.2018.04.001.
Rosenthal, Stuart S., và William C. Strange. 2004. “Evidence on the Nature and Sources of Agglomeration Economies”. Trong Handbook of Regional and Urban Economics, biên tập bởi J. Vernon Henderson và Jacques-François Thisse, 4:2119–71. Elsevier. https://doi.org/10.1016/S1574-0080(04)80006-3.
Mã nguồn
# Khách thuê chủ lực tại khu công nghiệp và giá trị của doanh nghiệp phát triển KCN {#sec-ipa}Lấp đầy một bất động sản bằng các khách thuê cùng một ngành có mang lại lợi ích không? Kinh tế học đô thị cho rằng sự quần tụ giúp doanh nghiệp làm ăn hiệu quả hơn: họ dùng chung nhà cung cấp, cùng khai thác một nguồn lao động lành nghề và học hỏi lẫn nhau [@rosenthal2004evidence]. Nếu khách thuê coi trọng điều đó, họ sẽ sẵn sàng trả tiền thuê cao hơn để được ở gần những doanh nghiệp giống mình, và chủ sở hữu bất động sản sẽ hưởng một phần lợi ích ấy. Logic danh mục đầu tư lại nói điều ngược lại. Một chủ cho thuê có toàn bộ khách thuê thuộc cùng một ngành đã dồn rủi ro vào một chỗ, và chỉ một năm khó khăn của ngành đó cũng đủ ảnh hưởng đến toàn bộ nguồn thu tiền thuê cùng một lúc.@liu2026agglomeration đưa sự đánh đổi này vào bối cảnh các tòa nhà văn phòng ở Mỹ, và câu trả lời của họ là sự quần tụ chỉ làm tăng giá trị trong một trường hợp duy nhất: khi khách thuê của tòa nhà và khu vực xung quanh cùng chuyên môn hóa vào *cùng một* ngành. Họ cũng cho thấy thị trường chứng khoán đồng tình với nhận định này. Các REIT có lợi nhuận bất thường dương khi mua những tòa nhà chuyên môn hóa và lợi nhuận bất thường âm khi bán chúng.Chương này làm hai việc với bài báo:1. @sec-ipa-paper trình bày thiết kế nghiên cứu và kết quả của bài báo, cùng những thay đổi giữa bản thảo nghiên cứu (working paper) và bản đã công bố.2. Từ @sec-ipa-vietnam trở đi, chương biến bài báo thành một ví dụ thực hành cho Việt Nam. Bối cảnh chuyển từ tòa nhà văn phòng sang khu công nghiệp (KCN), và phép kiểm định trên thị trường chứng khoán chuyển từ giao dịch của REIT sang các thông báo cho thuê đất của doanh nghiệp phát triển KCN niêm yết. @sec-ipa-events trình bày một bộ thông báo được thu thập thủ công, @sec-ipa-power xem xét bộ dữ liệu này có thể phát hiện tác động lớn đến mức nào, và @sec-ipa-application thực hiện nghiên cứu sự kiện bằng quy trình xử lý trong [chương nghiên cứu sự kiện](60_event_studies.qmd).::: {.callout-note title="Nguồn tài liệu sử dụng trong chương"}Bài báo là @liu2026agglomeration, *Management Science* 72(10), 8366--8393. Bản PDF đã công bố nằm sau một lớp kiểm tra chống bot, nên các chi tiết thiết kế và độ lớn hệ số dưới đây lấy từ bản thảo nghiên cứu tháng 2 năm 2022, "The Agglomerative Effects of Neighborhood and Building Specialization on Office Values," được trình bày tại hội nghị của European Real Estate Society. Câu hỏi nghiên cứu, sự đánh đổi và kết quả chính được trích từ phần tóm tắt của bản đã công bố. Một số độ lớn có thể đã thay đổi giữa hai phiên bản.:::## Bài báo {#sec-ipa-paper}### Câu hỏi nghiên cứu và sự đánh đổi {#sec-ipa-question}Phần tóm tắt của bản đã công bố mở đầu bằng sự đánh đổi: tích tụ (agglomeration) trong một tòa nhà hay một khu vực làm tăng năng suất của khách thuê, nhưng cái giá phải trả là cơ cấu khách thuê tập trung hơn. Tác động nào chiếm ưu thế là một câu hỏi thực nghiệm. Các nghiên cứu trước về tiền thuê văn phòng đã tìm thấy mối liên hệ dương giữa quần tụ và tiền thuê, nhưng dựa trên tiền thuê bình quân hoặc thước đo quần tụ bình quân, nên không thể tách chất lượng tòa nhà khỏi vị trí [@liu2026agglomeration]. Bài báo này khác biệt ở hai điểm. Thứ nhất, nó đo lường quần tụ ở hai cấp độ: xung quanh tòa nhà (chiều "ngang") và bên trong tòa nhà (chiều "dọc", dựa trên bằng chứng rằng tích tụ diễn ra cả bên trong tòa nhà và thậm chí giữa các tầng [@liu2018vertical]). Thứ hai, nó liên kết hai cấp độ này bằng cách hỏi liệu khách thuê chính của tòa nhà có hoạt động trong ngành mà khu vực xung quanh chuyên môn hóa hay không.### Dữ liệu và các thước đo {#sec-ipa-measures}Mẫu của bản thảo nghiên cứu gồm 457 tòa nhà văn phòng do 57 REIT Mỹ mua hoặc bán trong giai đoạn 2014--2020, với 5.396 khách thuê được thu thập thủ công từ CoStar. Khu vực được xác định theo mã ZIP 5 chữ số, và cơ cấu ngành của mỗi khu vực lấy từ ZIP Code Business Patterns của Cục Điều tra Dân số Mỹ ở cấp NAICS 2 chữ số. Bài báo xây dựng ba thước đo.**Mức độ tập trung của khu vực** là chỉ số Herfindahl của tỷ trọng việc làm giữa các ngành $k$ trong mã ZIP của tòa nhà $i$:$$\text{HHI}^{\text{nbhd}}_{i,t} = \sum_{k} \left(\frac{E_{z(i),k,t}}{E_{z(i),t}}\right)^2 .$$ {#eq-ipa-hhi-nbhd}**Mức độ tập trung của khách thuê** là cùng chỉ số đó nhưng tính trên các ngành của khách thuê trong tòa nhà, có trọng số theo diện tích sàn mà mỗi khách thuê sử dụng:$$\text{HHI}^{\text{tenant}}_{i,t} = \sum_{l} \left(\frac{A_{i,l,t}}{A_{i,t}}\right)^2 .$$ {#eq-ipa-hhi-tenant}**Mức độ chuyên môn hóa giữa tòa nhà và khu vực** là thước đo then chốt. Xác định ngành $a(i)$ của khách thuê lớn nhất trong tòa nhà, rồi lấy số việc làm của ngành đó trong mã ZIP chia cho số việc làm của ngành đó trên toàn quốc:$$\text{SPEC}_{i,t} = \frac{E_{z(i),a(i),t}}{E_{a(i),t}} .$$ {#eq-ipa-spec}Một tòa nhà có khách thuê lớn nhất là doanh nghiệp công nghệ thông tin và nằm trong một mã ZIP đông lao động công nghệ thông tin sẽ có SPEC cao. Vì SPEC cao có thể chỉ đơn giản phản ánh một khu vực bị một ngành chi phối, các hồi quy còn kiểm soát thêm tỷ trọng việc làm địa phương thuộc ngành của khách thuê chủ lực, $E_{z(i),a(i),t}/E_{z(i),t}$.### Kết quả {#sec-ipa-results}Các biến kết quả là logarit giá trên mỗi foot vuông, logarit thu nhập hoạt động ròng (NOI) và tỷ suất vốn hóa (cap rate), được hồi quy theo các thước đo, cùng với các biến kiểm soát về tòa nhà (diện tích, tuổi, chiều cao, chất lượng, chứng nhận xanh), các biến kiểm soát về vị trí, và hiệu ứng cố định theo năm, theo REIT và theo vùng đô thị. Trong bản thảo nghiên cứu:- **Cả hai loại tập trung đều làm tăng giá trị.** Mức độ tập trung của khu vực tăng một độ lệch chuẩn đi kèm với giá cao hơn 6,9% và NOI cao hơn 4,8%. Mức tăng tương tự của mức độ tập trung khách thuê đi kèm với giá cao hơn 8,6% và NOI cao hơn 9,3%. Tác động lên tỷ suất vốn hóa yếu.- **Chuyên môn hóa thắng tập trung.** Khi đưa $\text{HHI}^{\text{nbhd}}$ và SPEC vào cùng một hồi quy, mức độ tập trung của khu vực mất ý nghĩa thống kê, còn SPEC vẫn giữ được, khoảng 8,2% đối với giá và 6,9% đối với NOI cho mỗi độ lệch chuẩn. Phép so tài trực tiếp (horse race) này là cốt lõi của bài báo. Điều khách thuê sẵn sàng trả tiền không phải là mật độ hoạt động kinh tế nói chung. Họ trả tiền để được ở gần các doanh nghiệp cùng ngành, đúng như dự đoán của lý thuyết lan tỏa tri thức.- **Khách thuê chủ lực có vai trò quan trọng.** Phần bù tăng theo tỷ trọng diện tích của ngành lớn nhất hoặc của khách thuê lớn nhất, và được ước lượng chính xác nhất ở những tòa nhà chỉ có một ngành hoặc một khách thuê.### Kiểm định trên thị trường chứng khoán {#sec-ipa-market}Vì bên mua và bên bán là các REIT niêm yết, mỗi giao dịch cũng là một sự kiện đối với một cổ phiếu. Bài báo ước lượng lợi nhuận bất thường bằng các nhân tố Fama-French cộng với một chỉ số REIT, rồi hồi quy lợi nhuận bất thường tích lũy (CAR) của REIT theo các thước đo của tòa nhà. Mức độ tập trung khách thuê cao hơn một độ lệch chuẩn ở tòa nhà được mua đi kèm với CAR cao hơn 0,49% trong các ngày $(0, +1)$, và chênh lệch tương tự ở tòa nhà được bán đi kèm với CAR thấp hơn 0,47%. SPEC làm CAR tăng thêm khoảng 0,15% đối với các thương vụ mua. Tác động của thương vụ mua chỉ kéo dài một phiên giao dịch, trong khi mức phạt khi bán một tòa nhà có khách thuê tập trung kéo dài khoảng một tuần.### Từ bản thảo nghiên cứu đến bài báo trên tạp chí {#sec-ipa-writing}Những thay đổi giữa hai phiên bản là một bài học về cách định khung cho một bài báo như vậy. Tiêu đề bản thảo nghiên cứu mô tả phương pháp ("The Agglomerative Effects of Neighborhood and Building Specialization on Office Values"). Tiêu đề bản đã công bố đặt một câu hỏi có hoặc không, với một mâu thuẫn thực sự phía sau. Trong bản thảo nghiên cứu, lập luận về đa dạng hóa chỉ xuất hiện ở phần kết luận. Trong bản đã công bố, nó mở đầu phần tóm tắt. Và kết quả vốn chỉ là một tiểu mục của bản thảo nghiên cứu, rằng phần bù chỉ xuất hiện khi có chuyên môn hóa ở cả hai cấp độ cùng lúc, đã trở thành kết quả chính. Thiết kế thực nghiệm hầu như không đổi; cách lập luận xung quanh nó thì đã thay đổi.## Từ văn phòng đến khu công nghiệp {#sec-ipa-vietnam}Thiết kế này cần ba điều: những đơn vị chứa nhiều khách thuê, một cách đo ngành của các khách thuê đó và của khu vực xung quanh, và những chủ sở hữu niêm yết có cổ phiếu phản ứng khi cơ cấu khách thuê thay đổi. Ở Việt Nam, đối tượng phù hợp nhất không phải thị trường văn phòng mà là các khu công nghiệp.- **Quần tụ diễn ra có chủ đích và ở quy mô lớn.** Các tỉnh và doanh nghiệp phát triển KCN chủ động thu hút nhà đầu tư chủ lực, và các nhà cung cấp đi theo họ. Các cụm điện tử hình thành quanh nhà máy của Samsung ở Bắc Ninh và Thái Nguyên là ví dụ nổi tiếng nhất.- **Thời hạn thuê dài.** Đất công nghiệp được cho thuê theo thời hạn còn lại của KCN, thường từ 40 đến 50 năm, và tiền thuê phần lớn được trả trước. Vì vậy, giá thuê đất gần với một giá trị đã được vốn hóa, tương tự giá giao dịch trong bài báo gốc.- **Chủ sở hữu là doanh nghiệp niêm yết.** Khoảng một chục doanh nghiệp phát triển KCN giao dịch trên HOSE, HNX và UPCoM, và họ thông báo khách thuê mới qua công bố thông tin trên sở giao dịch, thông cáo báo chí và các lễ ký kết.@tbl-ipa-mapping đối chiếu từng thành phần của thiết kế gốc với thành phần tương ứng ở Việt Nam.| Thành phần | @liu2026agglomeration (văn phòng ở Mỹ) | Việt Nam (khu công nghiệp) ||----|----|----|| Đơn vị quan sát | Tòa nhà văn phòng được REIT giao dịch | Khu công nghiệp; mỗi thông báo cho thuê của doanh nghiệp phát triển KCN niêm yết || Khách thuê | Danh sách khách thuê từ CoStar | Dự án của nhà đầu tư trong từng KCN, từ doanh nghiệp phát triển KCN và ban quản lý các KCN cấp tỉnh || Mức độ tập trung bên trong | HHI của các ngành khách thuê theo diện tích sàn | HHI của các ngành nhà đầu tư theo số héc-ta đã thuê || Khu vực xung quanh | Mã ZIP 5 chữ số, Census ZIP Business Patterns | Tỉnh theo địa giới trước năm 2025 hoặc một bán kính quanh KCN, Điều tra doanh nghiệp của Tổng cục Thống kê || Thước đo khớp ngành | SPEC, @eq-ipa-spec | Tương tự, dùng ngành VSIC của nhà đầu tư chủ lực || Biến kết quả về giá trị | Giá, NOI, tỷ suất vốn hóa | Giá thuê đất trên mỗi m² cho thời hạn còn lại, tỷ lệ lấp đầy, số héc-ta được hấp thụ || Kiểm định trên thị trường | CAR của REIT quanh các thương vụ mua và bán | CAR của doanh nghiệp phát triển KCN quanh các thông báo cho thuê và các cú sốc ngành |: Đối chiếu thiết kế cho văn phòng với khu công nghiệp ở Việt Nam {#tbl-ipa-mapping}Hai thành phần có thể chuyển trực tiếp. Phép so tài giữa mức độ tập trung và chuyên môn hóa khớp ngành vận hành giống hệt, và việc dùng giá cổ phiếu của chủ sở hữu niêm yết để xem nhà đầu tư có cùng đánh giá hay không cũng vậy. Một thành phần thì không. Việt Nam không có cơ sở dữ liệu giao dịch nào tương đương CoStar, nên các hồi quy giá ở cấp tòa nhà trong @sec-ipa-results cần một bộ dữ liệu bảng ở cấp KCN, phải xây dựng từ báo cáo của các công ty môi giới và hồ sơ của tỉnh (@sec-ipa-extensions). Vì vậy, ví dụ thực hành trong chương này bắt đầu với phần có thể xây dựng từ nguồn công khai ngay hôm nay: nghiên cứu sự kiện quanh các thông báo cho thuê.Chuyển sang bối cảnh này, nghiên cứu sự kiện kiểm định một dự đoán. **Nếu khách thuê trả tiền để được ở gần các doanh nghiệp cùng ngành, cổ phiếu của doanh nghiệp phát triển KCN sẽ phản ứng mạnh hơn khi doanh nghiệp ký với một khách thuê thuộc chính ngành mà KCN đã được xây dựng xung quanh.** Một hợp đồng làm sâu thêm cụm ngành của KCN sẽ làm tăng tiền thuê kỳ vọng trên phần đất còn lại, trong khi một khách thuê không liên quan chỉ mang lại chính hợp đồng thuê đó. Rủi ro tập trung tác động theo chiều ngược lại, và Việt Nam cũng cung cấp một phép kiểm định rõ ràng cho phía này: các thông báo thuế quan của Mỹ năm 2025, vốn tác động mạnh nhất đến các nhà sản xuất điện tử hướng về xuất khẩu.## Các thông báo cho thuê được thu thập thủ công {#sec-ipa-events}Không có cơ sở dữ liệu nào ghi nhận các hợp đồng thuê đất KCN, nên các sự kiện phải được thu thập thủ công. Bảng dưới đây được tổng hợp vào tháng 10 năm 2026 từ kho tin tức của chính các doanh nghiệp phát triển KCN, cổng thông tin của chính quyền cấp tỉnh và báo chí kinh doanh Việt Nam, theo các quy tắc sau.- **Doanh nghiệp phát triển KCN.** Toàn bộ các doanh nghiệp phát triển KCN niêm yết đều được tìm kiếm: KBC, IDC, BCM, SZC, NTC, D2D, TIP, LHG, VGC, SIP, GVR, PHR và SNZ. Chỉ sáu doanh nghiệp có sự kiện kiểm chứng được.- **Sự kiện.** Một doanh nghiệp phát triển KCN hoặc công ty con công bố hợp đồng thuê đất, biên bản ghi nhớ (MOU) hoặc thỏa thuận nguyên tắc, hay việc bàn giao đất với một khách thuê *được nêu tên* tại một trong các KCN của mình, hoặc tỉnh trao giấy chứng nhận đăng ký đầu tư cho khách thuê đó đối với một dự án trong KCN. Giai đoạn nghiên cứu là 2012--2025.- **Kiểm chứng.** Mỗi dòng được xác nhận trên một trang có ghi ngày và nêu tên khách thuê, và trang đó được dẫn liên kết trong `source_url`. Ngày sự kiện là ngày công khai sớm nhất tìm được: ngày ký kết hoặc ngày tổ chức lễ nếu nguồn có ghi, nếu không thì là ngày đăng tin (`date_type` ghi lại trường hợp nào).- **Mã hóa.** `hectares` chỉ được điền khi nguồn nêu rõ diện tích. `vsic2` là ngành cấp 2 theo VSIC 2018 của hoạt động chính của khách thuê, và `anchor_vsic2` là ngành cấp 2 của nhóm khách thuê chi phối KCN *trước* thương vụ, lấy từ mô tả về KCN của doanh nghiệp phát triển và của báo chí. Trường này để trống khi không có nguồn nào nêu tên khách thuê chủ lực.- **Loại trừ.** Khách thuê không được nêu tên, các thương vụ không có ngày chính xác, các hợp đồng thuê giữa các doanh nghiệp phát triển với nhau (chẳng hạn một công ty cùng hệ thống thuê lại cả một lô đất), và các hợp đồng thuê nhà xưởng xây sẵn nằm ngoài KCN của doanh nghiệp phát triển.- **Giai đoạn tiếp theo.** `followup` đánh dấu các giai đoạn sau của một thương vụ đã được công khai: hợp đồng của Hanwha sau MOU, hợp đồng thuê của Amkor sau thỏa thuận nguyên tắc, và giấy chứng nhận đăng ký đầu tư cùng hồ sơ hợp đồng thuê của Foxconn tại Quang Châu sau MOU năm 2022. Đây không còn là thông tin mới và bị loại khỏi nghiên cứu sự kiện.```{python}#| label: ipa-events#| code-summary: "Các thông báo cho thuê đất của doanh nghiệp phát triển KCN niêm yết, thu thập thủ công"import ioimport numpy as npimport pandas as pdip_events = pd.read_csv(io.StringIO("""ticker,announce_date,date_type,deal_type,tenant,industry,vsic2,hectares,park,province,anchor_vsic2,followup,source_urlBCM,2014-06-24,signing_ceremony,lease_contract,Kingtec Group,LED lights and table/wall lamps,27,16,Mỹ Phước 3,Bình Dương,22,0,https://en.vietstock.vn/2014/06/kingtec-invests-us$30-million-in-binh-duong-38-179364.htmBCM,2016-04-27,signing_ceremony,mou,DDK Vietnam,bicycles and bicycle parts (specialised sub-zone),30,80,Bàu Bàng mở rộng,Bình Dương,,0,https://tuoitre.vn/saigontimes/binh-duong-mo-rong-kcn-bau-bang-them-1-000-ha/IDC,2022-10-06,signing_ceremony,lease_contract,Phu My Super White Float Glass Co. Ltd (PFG; Viglacera subsidiary),super-white float glass,23,20,Phú Mỹ II mở rộng,Bà Rịa-Vũng Tàu,24,0,https://idico.com.vn/en/tin-tuc/idico-ky-hop-dong-voi-cong-ty-kinh-phu-myIDC,2023-02-22,signing_ceremony,lease_contract,Suntory PepsiCo Vietnam Beverage Co. Ltd,beverages and dairy,11,20,Hựu Thạnh,Long An,52,0,https://idico.com.vn/vi/tin-tuc/suntory-pepsico-huuthanhIDC,2023-10-03,news,investment_certificate,Hyosung Vietnam Co. Ltd,carbon fibre,20,19.2,Phú Mỹ II,Bà Rịa-Vũng Tàu,24,0,https://theinvestor.vn/ba-ria-vung-tau-province-okays-540-mln-hyosung-carbon-fiber-factory-d6855.htmlIDC,2023-12-08,press_release,investment_certificate,J&W Vietnam (mechanical tools factory),air compressors and power tools,28,3.71,Cầu Nghìn,Thái Bình,,0,https://idico.com.vn/vi/tin-tuc/idico-ban-giao-giay-chung-nhan-dau-tu-cho-cac-du-an-dau-tu-fdi-tai-thai-binhIDC,2023-12-08,press_release,investment_certificate,WEISHENG Vietnam (industrial tools factory),industrial tools,25,2.65,Cầu Nghìn,Thái Bình,,0,https://idico.com.vn/vi/tin-tuc/idico-ban-giao-giay-chung-nhan-dau-tu-cho-cac-du-an-dau-tu-fdi-tai-thai-binhIDC,2023-12-08,press_release,investment_certificate,XINGYU Vietnam (pump factory),pumps,28,1.80,Cầu Nghìn,Thái Bình,,0,https://idico.com.vn/vi/tin-tuc/idico-ban-giao-giay-chung-nhan-dau-tu-cho-cac-du-an-dau-tu-fdi-tai-thai-binhIDC,2023-12-21,signing_ceremony,lease_contract,Cynthia International Co. Ltd (Liancheng Vietnam Electronics Technology),metal/plastic electronic components (connectors),26,,Hựu Thạnh,Long An,52,0,https://idico.com.vn/vi/tin-tuc/idico-ky-hop-dong-voi-cac-nha-dau-tu-trung-quocIDC,2023-12-21,signing_ceremony,lease_contract,Miracle Pharm Pte. Ltd. (Viet Thanh Biotechnology Co. Ltd),biotech and veterinary medicine,21,,Hựu Thạnh,Long An,52,0,https://idico.com.vn/vi/tin-tuc/idico-ky-hop-dong-voi-cac-nha-dau-tu-trung-quocIDC,2025-04-08,signing_ceremony,mou,Topsun Logistics Equipment Industrial Co. Ltd,cargo lashing straps / winches / racks / chains,25,3,Phú Mỹ II,Bà Rịa-Vũng Tàu,24,0,https://idico.com.vn/vi/tin-tuc/su-kien-dinh-cua-nha-dau-tu-trong-boi-canh-thi-truong-nhieu-bien-dongIDC,2025-05-13,signing_ceremony,lease_contract,Advanced Materials Zili Vietnam Co. Ltd (Zili Group),corundum refractory materials,23,,Phú Mỹ II,Bà Rịa-Vũng Tàu,24,0,https://idico.com.vn/vi/tin-tuc/ky-ket-cong-ty-advanced-materials-zili-tu-singapore-chinh-thuc-dau-tu-vao-he-sinh-thai-cong-nghiep-idicoIDC,2025-06-27,signing_ceremony,lease_contract,Vifon Long An Co. Ltd,instant / rice-based processed food,10,,Hựu Thạnh,Long An,52,0,https://www.idico.com.vn/vi/tin-tuc/vifon-dau-tu-nha-may-che-bien-thuc-pham-tai-khu-cong-nghiep-idico-huu-thanhKBC,2013-09-06,signing_ceremony,investment_certificate,LG Electronics,consumer electronics,26,,Tràng Duệ,Hải Phòng,,0,https://kinhbaccity.vn/en/402-lg-electronics-inc-chinh-thuc-duoc-thanh-pho-hai-phong-cap-giay-chung-nhan-dau-tu-vao-khu-trang-due-thuoc-khu-kinh-te-dinh-vu-cat-hai.htmKBC,2014-10-28,signing_ceremony,lease_contract,C.P. Vietnam Livestock JSC,food/feed processing,10,,Tân Phú Trung,Hồ Chí Minh City,,0,https://kinhbaccity.vn/en/483-xay-dung-nha-may-300-trieu-usd-tai-kcn-tan-phu-trung.htmKBC,2014-12-18,signing_ceremony,mou,LG Electronics,consumer electronics,26,40,Tràng Duệ,Hải Phòng,26,0,https://kinhbaccity.vn/en/494-lg-electronics-leases-more-land-in-trang-due-ip.htmKBC,2015-03-06,signing_ceremony,mou,Haengsung Electronics,PCB assembly (electronic components),26,10,Tràng Duệ,Hải Phòng,26,0,https://kinhbaccity.vn/en/512-kbc-tinh-hinh-thu-fdi-hai-thang-dau-nam-2015.htmKBC,2015-09-03,signing_ceremony,mou,Hee-Sung Electronics,LED backlights/touch panels,26,13.86,Tràng Duệ,Hải Phòng,26,0,https://cafef.vn/tin-tuc-du-an/kbc-ky-hop-dong-cho-thue-dat-kcn-trang-due-tri-gia-khoang-250-ty-20150903105608869.chnKBC,2016-04-05,news,mou,LG Display,display panels,26,40.4,Tràng Duệ,Hải Phòng,26,0,https://cafef.vn/tin-tuc-du-an/lg-display-se-xay-dung-du-an-15-ty-usd-tai-kcn-trang-due-20160405215211015.chnKBC,2016-07-11,signing_ceremony,mou,JA Solar (JA Solar Hongkong Investment),solar cells,26,88,Quang Châu,Bắc Giang,26,0,https://kinhbaccity.vn/en/630-ja-solar-thue-88-ha-dat-tai-kcn-quang-chau-de-dau-tu-du-an-san-xuat-pin-nang-luong-mat-troi-cong-nghe-cao-voi-tong-von-hon-1-ty-usd-.htmKBC,2016-09-14,signing_ceremony,mou,Luxshare-ICT,electronics components,26,14,Quang Châu,Bắc Giang,26,0,https://kinhbaccity.vn/en/644-quang-chau-industrial-park-received-550-million-invested-capitals-from-hong-kong-investors.htmKBC,2017-01-10,signing_ceremony,mou,Hanwha Techwin,CCTV/security cameras,26,6,Quế Võ mở rộng,Bắc Ninh,26,0,https://kinhbaccity.vn/en/669-kbc-welcomes-the-first-high-tech-investor-to-que-vo-industrial-park-bac-ninh-province-in-2017.htmKBC,2017-03-02,press_release,lease_contract,Hanwha Techwin,CCTV/security cameras,26,6,Quế Võ mở rộng,Bắc Ninh,26,1,https://kinhbaccity.vn/en/683-hanwha-techwin-signed-the-official-contract-with-kbc-increasing-the-investment-capital-for-first-phase-up-to-usd-100-million.htmKBC,2017-11-01,signing_ceremony,lease_contract,LG Innotek,camera modules,26,7.2,Tràng Duệ,Hải Phòng,26,0,https://kinhbaccity.vn/en/734-lg-innotek-mo-rong-san-xuat-giai-doan-2-tiep-tuc-thue-them-dat-tai-kcn-trang-due.htmKBC,2018-03-29,signing_ceremony,mou,Samkwang Co. Ltd,mobile phone components,26,10,Quang Châu,Bắc Giang,26,0,https://kinhbaccity.vn/en/755-trien-vong-lon-cho-kbc-tu-viec-thu-hut-du-an-dau-tu-150-trieu-usd-cua-samkwang.htmKBC,2019-02-18,press_release,investment_certificate,Goertek (Hong Kong),acoustic/electronic devices,26,,Quế Võ,Bắc Ninh,26,0,https://kinhbaccity.vn/en/799-tin-hieu-kha-quan-trong-thu-hut-dau-tu-cua-kbc-tu-nhung-ngay-dau-nam-moi-2019.htmKBC,2019-05-27,signing_ceremony,investment_certificate,Billion Max Vietnam (Winson Group),plastic toys/baby products,32,,Sài Gòn - Chân Mây,Thừa Thiên Huế,,0,https://kinhbaccity.vn/831-du-an-nha-may-che-xuat-billion-max-viet-nam-trong-kcn-va-kptq-sai-gon-chan-may-duoc-trao-giay-chung-nhan-dang-ky-dau-tu.htmKBC,2021-01-18,news,investment_certificate,Foxconn Singapore (Fukang Technology),laptops/tablets assembly,26,,Quang Châu,Bắc Giang,26,0,https://english.vov.vn/en/economy/foxconn-pours-us270-million-into-bac-giang-project-831451.vovKBC,2022-03-03,press_release,investment_certificate,Goertek Vina,acoustic/electronic devices,26,,Quế Võ,Bắc Ninh,26,0,https://kinhbaccity.vn/en/1157-goertek-tiep-tuc-mo-rong-quy-mo-dien-tich-tang-von-dau-tu-du-an-tai-kcn-que-vo-len-gan-566-trieu-usd.htmKBC,2022-08-15,signing_ceremony,mou,Foxconn (Hon Hai),electronics assembly,26,50.5,Quang Châu,Bắc Giang,26,0,https://kinhbaccity.vn/en/1280-foxconn-signs-the-memorandum-of-understanding-mou-to-sublease-50-5-ha-in-quang-chau-industrial-park-bac-giang-province.htmKBC,2023-01-02,signing_ceremony,investment_certificate,Ingrasys (Singapore)/Fulian Co. (Foxconn),precision electronics,26,49.6,Quang Châu mở rộng,Bắc Giang,26,1,https://kinhbaccity.vn/en/1396-du-an-nha-may-cong-nghe-chinh-xac-fulian-dau-tu-tai-kcn-quang-chau-bac-giang-duoc-cap-giay-chung-nhan-dang-ky-dau-tu-vao-ngay-dau-nam-2023-eng.htmKBC,2023-02-14,exchange_filing,lease_contract,Fulian Precision Technology Component (Foxconn),precision electronics,26,45,Quang Châu,Bắc Giang,26,1,https://www.rfa.org/vietnamese/news/vietnamnews/foxconn-leases-new-site-in-vn-as-apple-contractor-continues-to-diversify-production-away-from-china-02162023071333.htmlKBC,2023-02-15,signing_ceremony,mou,Goertek,acoustic/electronic devices,26,62.7,Nam Sơn - Hạp Lĩnh,Bắc Ninh,,0,https://doanhnhan.baophapluat.vn/tap-doan-cong-nghe-noi-tieng-the-gioi-ky-bien-ban-ghi-nho-thue-627-ha-tai-khu-cong-nghiep-nam-son--hap-linh-cua-kbc-50106.htmlKBC,2024-06-17,news,investment_certificate,Foxconn Singapore (FCPV Foxconn Bac Ninh),printed circuit boards,26,14.26,Nam Sơn - Hạp Lĩnh,Bắc Ninh,26,0,https://en.vietstock.vn/2024/06/foxconn-to-pour-383-million-into-bac-ninh-factory-974-568100.htmKBC,2024-07-16,news,investment_certificate,Shunsin Technology (Foxconn),IC packaging,26,4.43,Quang Châu,Bắc Giang,26,0,https://en.baobacninhtv.vn/quang-chau-industrial-park-lures-additional-investment-of-80-million-usd-110543.bbgSIP,2024-07-15,signing_ceremony,investment_certificate,King King Group (Best Base),handicraft products,,10,Phước Đông,Tây Ninh,13,0,https://saigonvrg.com.vn/vi/tay-ninh-trao-giay-chung-nhan-dau-tu-cho-du-an-fdi-tai-kcn-phuoc-dongSIP,2024-07-22,signing_ceremony,investment_certificate,Jinhua Vietnam (Anhui Jinhua Zinc Oxide),zinc oxide,20,2.30,Phước Đông,Tây Ninh,13,0,https://saigonvrg.com.vn/vi/tay-ninh-cap-phep-dau-tu-du-an-fdi-22-trieu-usd-vao-kcn-phuoc-dongSIP,2024-10-30,signing_ceremony,lease_contract,Thantawan Industry (Vietnam),plastic packaging,22,,Phước Đông,Tây Ninh,13,0,https://saigonvrg.com.vn/vi/sai-gon-vrg-ky-ket-hop-tac-cung-cong-ty-thantawan-industrySIP,2025-03-07,signing_ceremony,investment_certificate,Global Hantex,knitted fabric/garment accessories,13,50,Phước Đông,Tây Ninh,13,0,https://baodautu.vn/tay-ninh-cap-phep-dau-tu-du-an-fdi-quy-mo-50-ha-tai-kcn-phuoc-dong-d251394.htmlSIP,2025-11-07,signing_ceremony,mou,Transimex Port (Transimex group),port/logistics,52,,Lộc An - Bình Sơn,Đồng Nai,,0,https://saigonvrg.com.vn/vi/le-ky-ket-bien-ban-ghi-nho-thue-lai-quyen-su-dung-dat-tai-khu-cong-nghiep-loc-an-binh-son-giua-cong-ty-co-phan-cang-transimex-va-cong-ty-co-phan-dau-tu-va-phat-trien-vrg-long-thanhSZC,2018-05-22,press_release,lease_contract,SH Solar Farm Vina Co. Ltd,solar power generation,35,60,Châu Đức,Bà Rịa-Vũng Tàu,15,0,https://sonadezichauduc.com.vn/vn/kcn-do-thi-va-san-golf-chau-duc-don-du-an-dien-nang-luong-mat-troi.htmlSZC,2024-05-13,signing_ceremony,lease_contract,Electronic Tripod Vietnam (Chau Duc) Co. Ltd (Tripod Technology),printed circuit boards,26,18,Châu Đức,Bà Rịa-Vũng Tàu,15,0,https://sonadezichauduc.com.vn/vn/tripod-dau-tu-nha-may-250-trieu-usd-tai-kcn-chau-duc.htmlSZC,2024-11-12,news,investment_certificate,Ton Vina One (coated steel sheet plant),coated steel sheet,24,12,Châu Đức,Bà Rịa-Vũng Tàu,15,0,https://nguoiquansat.vn/cac-mo-vang-tai-vung-tau-don-hon-2-900-ty-dong-chi-trong-mot-thang-176822.htmlVGC,2012-12-19,signing_ceremony,lease_contract,Curious Seiki Vietnam,auto parts,29,1.1961,Tiên Sơn,Bắc Ninh,26,0,https://viglacera.com.vn/blog/curious-seiki-nhat-ban-trien-khai-dau-tu-tai-khu-cong-nghiep-tien-son-viglaceraVGC,2013-07-09,signing_ceremony,mou,Yazaki Hai Phong Vietnam,auto wiring harnesses,29,7,Đông Mai,Quảng Ninh,,0,https://viglacera.com.vn/blog/tap-doan-yazaki-nhat-ban-dau-tu-tai-kcn-dong-mai-viglaceraVGC,2014-07-02,signing_ceremony,investment_certificate,Samsung Display Vietnam,display panels,26,,Yên Phong I,Bắc Ninh,26,0,https://viglacera.com.vn/en/blog/bac-ninh-awards-a-one-billion-usd-investment-certificate-to-sam-sung-display-project-implemented-in-yen-phong-industrial-zoneVGC,2015-07-16,signing_ceremony,lease_contract,Ottogi Vietnam,food and beverages,10,6.6,Yên Phong I,Bắc Ninh,26,0,https://viglacera.com.vn/en/blog/one-more-high-reputation-korean-enterprises-invests-in-viglacera-yen-phong-idustrial-zoneVGC,2015-08-06,signing_ceremony,investment_certificate,Samsung Display Vietnam (USD 3bn expansion),display panels,26,,Yên Phong I,Bắc Ninh,26,0,https://viglacera.com.vn/blog/samsung-display-tiep-tuc-dau-tu-them-3-ty-usd-vao-kcn-yen-phong-viglaceraVGC,2016-07-06,signing_ceremony,lease_contract,Sakai Amiori,textiles (knitting),13,,Phú Hà,Phú Thọ,14,0,https://viglacera.com.vn/en/blog/phu-ha-industrial-park-a-new-attractive-destination-for-japanese-enterprisesVGC,2016-07-12,signing_ceremony,investment_certificate,Vietnam Vega Balls (Yuan Chi Group),sports balls,32,3.24,Đông Mai,Quảng Ninh,29,0,https://viglacera.com.vn/en/blog/issuance-of-investment-certificate-for-taiwanese-enterprise-in-dong-mai-industrial-parkVGC,2016-11-11,signing_ceremony,lease_contract,NT Vina,phone components (vibration motors/camera),26,3,Phú Hà,Phú Thọ,14,0,https://viglacera.com.vn/en/blog/phu-ha-industrial-zone-successfully-attracts-korean-electronics-enterpriseVGC,2017-02-20,press_release,lease_contract,Davo C&M,electronic components (Samsung vendor),26,2,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/blog/khu-cong-nghiep-phu-ha-viglacera-thu-hut-nhieu-doanh-nghiep-ve-tinh-cho-samsungVGC,2017-02-24,signing_ceremony,investment_certificate,Samsung Display Vietnam (USD 2.5bn expansion),display panels,26,,Yên Phong I,Bắc Ninh,26,0,https://viglacera.com.vn/en/blog/more-than-25-billion-usd-was-invested-in-yen-phong-viglacera-industrial-park-from-samsungVGC,2017-04-14,signing_ceremony,lease_contract,Haehwa,phone camera modules,26,1.7,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/blog/cac-cong-ty-ve-tinh-cua-samsung-lien-tiep-dau-tu-vao-khu-cong-nghiep-phu-haVGC,2017-04-14,signing_ceremony,lease_contract,Woojin Global Logistics (Logisvalley Vina),logistics/warehousing,52,6,Yên Phong mở rộng,Bắc Ninh,26,0,https://viglacera.com.vn/blog/cac-doanh-nghiep-lon-han-quoc-tiep-tuc-dau-tu-vao-khu-cong-nghiep-yen-phong-mo-rongVGC,2017-08-30,press_release,lease_contract,Toyoda Gosei (Haiphong Thai Binh Plant),airbag parts/steering wheels,29,11.3,Tiền Hải,Thái Bình,,0,https://www.toyoda-gosei.com/news/details.php?id=159VGC,2017-11-14,press_release,lease_contract,Anam Electronics Vietnam,audio electronics,26,10,Đồng Văn IV,Hà Nam,26,0,https://viglacera.com.vn/en/blog/dong-van-iv-industrial-park-viglacera-has-successfully-attracted-large-korean-electronics-manufacturersVGC,2018-07-19,press_release,lease_contract,Moda Innochips,circuit boards/phone parts,26,5.1,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/en/blog/viglacera-phu-ha-industrial-park-attracts-many-high-technology-enterprisesVGC,2018-09-05,signing_ceremony,lease_contract,Asentec,auto parts (wheel-speed sensors/cables),29,3.2,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/blog/khu-cong-nghiep-phu-ha-viglacera-thu-hut-them-doanh-nghiep-san-xuat-phu-tung-o-to-tu-han-quocVGC,2018-10-23,signing_ceremony,lease_contract,ActRo Vina,phone camera components,26,2,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/en/blog/korean-enterprises-continue-to-invest-in-phu-ha-industrial-park-viglaceraVGC,2019-08-21,press_release,lease_contract,Qisda Corporation,monitors/projectors,26,,Đồng Văn IV,Hà Nam,26,0,https://viglacera.com.vn/en/blog/a-taiwanese-enterprise-invested-nearly-400-million-usd-in-dong-van-4-industrial-park-viglaceraVGC,2019-08-27,press_release,lease_contract,Foxconn Singapore (Hon Hai),TV screen component assembly,26,10,Đông Mai,Quảng Ninh,29,0,https://viglacera.com.vn/en/blog/dong-mai-industrial-park-viglacera-successfully-attracted-one-of-the-leading-electronics-and-information-technology-corporations-in-the-worldVGC,2019-09-26,signing_ceremony,investment_certificate,Kanglongda,disposable gloves/PE fibre,22,35,Phong Điền,Thừa Thiên Huế,,0,https://viglacera.com.vn/en/blog/thua-thien-hue-province-awarded-investment-registration-certificate-for-a-200-million-usd-project-in-phong-dien-industrial-park-viglaceraVGC,2020-05-04,press_release,mou,Hyosung TNS,ATMs/financial equipment,28,,Yên Phong II-C,Bắc Ninh,,0,https://viglacera.com.vn/en/blog/viglaceras-industrial-parks-grow-stably-in-the-first-quarter-of-2020VGC,2020-05-28,signing_ceremony,lease_contract,INOUE Rubber Vietnam (IRC Tire),motorcycle/bicycle tyres,22,12,Phú Hà,Phú Thọ,26,0,https://viglacera.com.vn/en/blog/japanese-enterprises-continue-to-choose-phu-ha-industrial-park-viglaceraVGC,2021-11-04,signing_ceremony,mou,Amkor Technology,semiconductor packaging/test,26,23,Yên Phong II-C,Bắc Ninh,28,0,https://bacninh.gov.vn/web/english/59/-/details/4790216/bac-ninh-amkor-sign-agreement-to-develop-semiconductor-factory-in-yen-phongVGC,2022-01-20,signing_ceremony,lease_contract,Amkor Technology,semiconductor packaging/test,26,23,Yên Phong II-C,Bắc Ninh,28,1,https://viglacera.com.vn/blog/khu-cong-nghiep-yen-phong-2c-thu-hut-thanh-cong-tap-doan-san-xuat-vat-lieu-ban-dan-hang-dau-the-gioiVGC,2024-05-13,signing_ceremony,lease_contract,AAC Technologies,acoustic/optical components,26,,Yên Phong II-C,Bắc Ninh,26,0,https://viglacera.com.vn/blog/viglacera-ky-ket-hop-dong-voi-doanh-nghiep-trung-quoc-tai-thuong-hai-trung-quocVGC,2024-05-13,signing_ceremony,lease_contract,Cayi Technology Vietnam,vacuum flasks,25,7,Yên Phong II-C,Bắc Ninh,26,0,https://viglacera.com.vn/blog/viglacera-ky-ket-hop-dong-voi-doanh-nghiep-trung-quoc-tai-thuong-hai-trung-quocVGC,2024-05-13,signing_ceremony,lease_contract,Micro Commercial Components Vietnam (Yangjie),semiconductor devices,26,8,Yên Phong II-C,Bắc Ninh,26,0,https://viglacera.com.vn/blog/viglacera-ky-ket-hop-dong-voi-doanh-nghiep-trung-quoc-tai-thuong-hai-trung-quocVGC,2024-09-22,signing_ceremony,mou,Johnson Health Tech,fitness equipment,32,,Thuận Thành (Eco-Smart),Bắc Ninh,,0,https://vneconomy.vn/bac-ninh-trao-quyet-dinh-chu-truong-dau-tu-va-chung-nhan-dau-tu-voi-so-von-gan-5-6-ty-usd.htm"""), parse_dates=["announce_date"], dtype={"vsic2": "Int64", "anchor_vsic2": "Int64"})# MATCH = 1 when the tenant's VSIC division equals that of the park's anchor# before the deal; missing when either code is unknownip_events["match"] = (ip_events["vsic2"] == ip_events["anchor_vsic2"]).astype("Int64")print(f"{len(ip_events)} deals by {ip_events['ticker'].nunique()} developers, "f"{ip_events['announce_date'].min():%Y}-{ip_events['announce_date'].max():%Y}; "f"{int(ip_events['followup'].sum())} are later stages of an earlier deal")``````{python}#| label: tbl-ipa-events#| tbl-cap: "Các thông báo cho thuê theo doanh nghiệp phát triển KCN, không gồm các giai đoạn tiếp theo. Số sự kiện là số ngày thông báo khác nhau. Một thương vụ được coi là khớp ngành khi ngành cấp 2 theo VSIC của khách thuê trùng với ngành của khách thuê chủ lực của KCN trước thương vụ. Tỷ trọng điện tử là tỷ trọng số héc-ta được nêu rõ cho thuê cho khách thuê thuộc VSIC 26--27."new = ip_events[ip_events["followup"] ==0].copy()new["ha"] = new["hectares"].fillna(0)new["elec_ha"] = new["ha"] * new["vsic2"].isin([26, 27])summary = new.groupby("ticker").agg( deals=("tenant", "size"), events=("announce_date", "nunique"), matched=("match", lambda m: int((m ==1).sum())), unmatched=("match", lambda m: int((m ==0).sum())), unknown=("match", lambda m: int(m.isna().sum())), hectares=("ha", "sum"), elec_ha=("elec_ha", "sum"),)summary["electronics_share"] = (summary.pop("elec_ha") / summary["hectares"]).round(2)summary.loc["Total"] = summary.sum()summary.loc["Total", "electronics_share"] =round( new["elec_ha"].sum() / new["ha"].sum(), 2)summary.astype({c: intfor c in ["deals", "events", "matched", "unmatched","unknown"]}).round({"hectares": 1})``````{python}#| label: fig-ipa-timeline#| fig-cap: "Các thông báo cho thuê theo doanh nghiệp phát triển KCN, không gồm các giai đoạn tiếp theo. Kích thước điểm là diện tích được nêu (các thương vụ không nêu diện tích được vẽ ở mức 5 héc-ta)."#| fig-alt: "Biểu đồ điểm, mỗi hàng là một doanh nghiệp phát triển KCN, trục hoành là ngày thông báo từ 2012 đến 2025. Các điểm của KBC từ 2013 đến 2024 hầu hết màu xanh lá (khớp ngành). Các điểm của IDICO từ 2022 đến 2025 đều màu đỏ (không khớp ngành). Hàng của Viglacera từ 2012 đến 2024 xen lẫn điểm xanh và đỏ. SIP, SZC và BCM mỗi doanh nghiệp có vài điểm, phần lớn màu đỏ hoặc xám, với một điểm xanh lớn của SIP năm 2025."from plotnine import (ggplot, aes, geom_point, labs, theme_minimal, theme, scale_color_manual, scale_size_continuous, scale_x_datetime)timeline = new.assign( status=new["match"].map({1: "Matched", 0: "Not matched"}).fillna("Unknown"), size_ha=new["hectares"].fillna(5))(ggplot(timeline, aes("announce_date", "ticker", color="status", size="size_ha"))+ geom_point(alpha=0.7)+ scale_color_manual(values={"Matched": "#1b7837", "Not matched": "#b2182b","Unknown": "#999999"})+ scale_size_continuous(range=(1.5, 7), breaks=[10, 25, 50, 80])+ scale_x_datetime(date_labels="%Y", date_breaks="2 years")+ labs(x="Announcement date", y="", color="Tenant", size="Hectares")+ theme_minimal()+ theme(figure_size=(9, 3.6)))```@tbl-ipa-events và @fig-ipa-timeline cho thấy đặc điểm của dữ liệu chi phối mọi phân tích tiếp theo: **việc một thương vụ có khớp ngành hay không gần như là một thuộc tính của doanh nghiệp phát triển KCN.** Tất cả các thương vụ đã mã hóa của KBC đều khớp ngành. Các KCN của KBC ở Bắc Ninh, Bắc Giang và Hải Phòng được xây dựng xoay quanh ngành điện tử (LG, Goertek, Luxshare, Foxconn), và KBC tiếp tục ký với các khách thuê điện tử. Không thương vụ đã mã hóa nào của IDICO, Sonadezi Châu Đức hay Becamex là khớp ngành; các KCN của họ ký với nhiều loại khách thuê thuộc ngành thực phẩm, vật liệu và cơ khí. Chỉ có Viglacera, và ở mức độ nhỏ là SIP, ký với cả hai loại.Điều này quan trọng đối với phép kiểm định. Một phép so sánh gộp giữa các thương vụ khớp ngành và không khớp ngành chủ yếu là so sánh KBC với IDICO, hai doanh nghiệp vốn khác nhau cả về quy mô, khu vực, cơ cấu cổ đông lẫn giai đoạn khai thác quỹ đất. Phép so sánh trong nội bộ từng doanh nghiệp, tương tự hiệu ứng cố định theo REIT trong @liu2026agglomeration, sạch hơn nhưng gần như hoàn toàn dựa vào 22 thương vụ đã mã hóa của Viglacera. Cả hai phiên bản đều được báo cáo trong @sec-ipa-application, và @sec-ipa-power cho thấy cấu trúc này ảnh hưởng đến suy diễn thống kê như thế nào.Cần lưu ý ba hạn chế.- **Độ bao phủ không đồng đều.** Các doanh nghiệp phát triển KCN thường quảng bá những thương vụ tiêu biểu, nên mẫu có quá nhiều khách thuê lớn, nổi tiếng. Kho tin của KBC thưa dần trong các giai đoạn 2019--2021 và 2024--2025, và một số doanh nghiệp không có sự kiện nào kiểm chứng được. Công bố thông tin trên sở giao dịch và báo cáo thường niên, vốn chưa được tìm kiếm một cách có hệ thống, là những nguồn tiếp theo cần bổ sung.- **Một số ngày là ngày đăng tin.** Với các dòng có `date_type` bằng `news` hoặc `press_release`, thương vụ có thể đã được biết trước đó vài ngày. Cửa sổ trước sự kiện trong @sec-ipa-application kiểm tra điều này.- **Không phải sự kiện nào cũng giao dịch được.** Các sự kiện xảy ra trước khi cổ phiếu của doanh nghiệp phát triển bắt đầu giao dịch sẽ tự động bị loại khỏi nghiên cứu sự kiện. Hãy kiểm tra lịch sử niêm yết của từng doanh nghiệp, như trong [chương về thiên kiến sống sót](15_missing_data_and_survivorship.qmd).## Các thông báo này có thể phát hiện tác động lớn đến mức nào? {#sec-ipa-power}Trước khi thực hiện nghiên cứu sự kiện, nên biết tác động có độ lớn bao nhiêu là hợp lý và mẫu có thể phát hiện tác động lớn đến mức nào.**Một cận trên sơ bộ.** Xét một hợp đồng thuê 25 héc-ta với giá 130 USD mỗi m² cho thời hạn còn lại, xấp xỉ giá chào thuê bình quân ở các thị trường cấp 1 phía Bắc năm 2024. Con số này tương ứng 250.000 m² và khoảng 32 triệu USD doanh thu. Nếu một nửa trong số đó là lợi nhuận, một thương vụ hoàn toàn bất ngờ làm tăng giá trị khoảng 16 triệu USD, hay 1,6% đối với một doanh nghiệp phát triển KCN trị giá 1 tỷ USD. Phần lớn các thương vụ đã được dự đoán một phần, vì doanh nghiệp phát triển thường định hướng cho nhà đầu tư về các hợp đồng sắp ký, và nhiều thông báo đến sau một MOU trước đó. Vì vậy, tác động trực tiếp từ một đến hai phần trăm là cận trên đối với một thương vụ lớn. Kênh tích tụ thì khác. Nếu một khách thuê chủ lực khớp ngành làm tăng tiền thuê kỳ vọng trên *phần còn lại* của quỹ đất chưa cho thuê trong KCN, tác động lên giá trị có thể vượt quá chính thương vụ đó. Đó là tác động mà phép kiểm định đang tìm kiếm.**Suy diễn thống kê khi có ít doanh nghiệp.** Mẫu thu thập được có 48 sự kiện đã biết trạng thái khớp ngành, phân bố trên sáu doanh nghiệp phát triển KCN. Hai đặc điểm của loại dữ liệu này khiến sai số chuẩn trở nên kém tin cậy. Các sự kiện của cùng một doanh nghiệp có chung một thành phần, chẳng hạn mức độ mà thị trường đã kỳ vọng về các hợp đồng sắp ký của doanh nghiệp đó. Và như @tbl-ipa-events cho thấy, phần lớn doanh nghiệp chủ yếu ký với một loại khách thuê, nên MATCH hầu như không thay đổi trong nội bộ từng doanh nghiệp. Mô phỏng dưới đây tạo ra CAR hai ngày theo$$\text{CAR}_e = \delta \cdot \text{MATCH}_e + u_{d(e)} + \varepsilon_e ,$$ {#eq-ipa-sim}với độ lệch chuẩn ở cấp sự kiện là 4,5%, xấp xỉ độ lệch chuẩn của lợi nhuận hai ngày đối với một doanh nghiệp phát triển KCN vốn hóa trung bình, và một cú sốc ở cấp doanh nghiệp $u_d$ có độ lệch chuẩn 2%. Mô phỏng so sánh ba phép kiểm định $\delta = 0$: kiểm định $t$ OLS cổ điển, kiểm định $t$ với sai số chuẩn vững theo cụm và $G-1$ bậc tự do, và bootstrap cụm kiểu wild (wild cluster bootstrap) áp đặt giả thuyết không cùng trọng số sáu điểm của Webb, vốn được thiết kế cho trường hợp ít cụm. Ba kịch bản là: mẫu có kích thước như mẫu thu thập được và các loại khách thuê xen lẫn trong từng doanh nghiệp; mẫu cùng kích thước nhưng mỗi doanh nghiệp chủ yếu ký với một loại khách thuê (như trong dữ liệu thu thập được); và một mẫu lớn gấp ba lần.```{python}#| label: ipa-infer#| code-summary: "Thống kê t vững theo cụm và bootstrap cụm kiểu wild"from scipy import statsdef cluster_t(X, Y, g, j=1):"""Cluster-robust (CR1) t-statistics of coefficient j, one per column of Y. X is (n, k) with the tested regressor in column j, Y is (n, B), and g holds cluster codes 0, ..., G-1. """ n, k = X.shape G = g.max() +1 XtX_inv = np.linalg.inv(X.T @ X) beta = XtX_inv @ X.T @ Y resid = Y - X @ beta S = np.zeros((G, k, Y.shape[1]))for c inrange(k): np.add.at(S[:, c, :], g, X[:, [c]] * resid) meat = np.einsum("gkb,glb->klb", S, S) scale = G / (G -1) * (n -1) / (n - k) var = scale * np.einsum("k,klb,l->b", XtX_inv[j], meat, XtX_inv[j])return beta[j] / np.sqrt(var)WEBB = np.array([-np.sqrt(1.5), -1, -np.sqrt(0.5), np.sqrt(0.5), 1, np.sqrt(1.5)])def wild_cluster_p(X, y, g, j=1, n_boot=999, rng=None):"""Wild cluster bootstrap-t p-value for H0: beta_j = 0, with the null imposed and Webb's six-point weights, which behave well with few clusters. Returns the p-value and the original cluster-robust t-statistic.""" rng = np.random.default_rng(rng) t0 = cluster_t(X, y[:, None], g, j)[0] Xr = np.delete(X, j, axis=1) fit_r = Xr @ np.linalg.lstsq(Xr, y, rcond=None)[0] w = rng.choice(WEBB, size=(g.max() +1, n_boot)) y_star = fit_r[:, None] + (y - fit_r)[:, None] * w[g] t_star = cluster_t(X, y_star, g, j)return np.mean(np.abs(t_star) >=abs(t0)), t0``````{python}#| label: ipa-sim#| code-summary: "Kích thước và sức mạnh của ba phép kiểm định phần bù khớp ngành"def simulate_match_tests(effect, n_events, n_dev, sd_dev, mix, sd_event=0.045, n_sims=1000, n_boot=199, seed=0):"""Rejection rates (two-sided, 5%) of three tests of the matched-tenant premium when announcements cluster within a few developers. CAR_e = effect * match_e + u_dev(e) + eps_e Each developer has its own share of matched deals, drawn from a Beta(mix, mix) distribution: a small `mix` makes most developers sign only one type of tenant. The developer shock u_d (say, how well its announcements are anticipated) does not average out across its events. """ rng = np.random.default_rng(seed) rej = np.zeros(3)for _ inrange(n_sims): dev = rng.integers(0, n_dev, n_events) match = (rng.random(n_events) < rng.beta(mix, mix, n_dev)[dev]).astype(float)if match.min() == match.max():continue car = (effect * match + rng.normal(0, sd_dev, n_dev)[dev]+ rng.normal(0, sd_event, n_events)) g = np.unique(dev, return_inverse=True)[1] G = g.max() +1 X = np.column_stack([np.ones(n_events), match]) fit = stats.linregress(match, car) p_wild, t_cl = wild_cluster_p(X, car, g, n_boot=n_boot, rng=rng) rej += [abs(fit.slope / fit.stderr) > stats.t.ppf(0.975, n_events -2),abs(t_cl) > stats.t.ppf(0.975, G -1), p_wild <0.05]return rej / n_simsscenarios = {"48 events, 6 developers, mixed tenants": (48, 6, 2.0),"48 events, 6 developers, one type each": (48, 6, 0.3),"150 events, 12 developers, mixed tenants": (150, 12, 2.0)}rows = []for name, (n_events, n_dev, mix) in scenarios.items():for effect in [0.0, 0.01, 0.02, 0.03, 0.04, 0.05]: r = simulate_match_tests(effect, n_events, n_dev, sd_dev=0.02, mix=mix) rows.append({"scenario": name, "effect": effect,"OLS t": r[0], "cluster t": r[1], "wild bootstrap": r[2]})power = pd.DataFrame(rows)print(power.set_index(["scenario", "effect"]).round(3).to_string())``````{python}#| label: fig-ipa-power#| fig-cap: "Tỷ lệ bác bỏ của ba phép kiểm định phần bù khớp ngành ở mức 5%. Tại tác động thực bằng 0, các đường cho biết kích thước kiểm định; đường chấm đánh dấu mức 5%. Mỗi kịch bản gồm 1.000 mẫu mô phỏng."#| fig-alt: "Biểu đồ đường gồm ba ô, mỗi ô một kịch bản, trục hoành là tác động thực từ 0 đến 5 phần trăm và trục tung là tỷ lệ bác bỏ. Trong mỗi ô, cả ba phép kiểm định đều tăng theo tác động. Trong ô mà mỗi doanh nghiệp chỉ ký một loại khách thuê, kiểm định t OLS bác bỏ 12 phần trăm số lần khi tác động bằng 0 và kiểm định t theo cụm bác bỏ 9 phần trăm, còn bootstrap kiểu wild giữ gần 5 phần trăm. Với 48 sự kiện, chỉ có kiểm định t OLS (vốn bác bỏ quá mức) đạt sức mạnh 80 phần trăm, và chỉ tại tác động 5 phần trăm; với 150 sự kiện, bootstrap kiểu wild đạt 80 phần trăm tại khoảng 3 phần trăm."from plotnine import (ggplot, aes, geom_line, geom_point, geom_hline, facet_wrap, labs, theme_minimal, theme, scale_x_continuous)plot_df = power.melt(id_vars=["scenario", "effect"], var_name="test", value_name="rejection_rate")plot_df["scenario"] = pd.Categorical(plot_df["scenario"], list(scenarios))(ggplot(plot_df, aes("effect * 100", "rejection_rate", color="test"))+ geom_hline(yintercept=0.05, linetype="dotted")+ geom_line() + geom_point(size=1.5)+ facet_wrap("~scenario", ncol=3)+ scale_x_continuous(breaks=[0, 1, 2, 3, 4, 5])+ labs(x="True matched-tenant premium (%)", y="Rejection rate", color="")+ theme_minimal()+ theme(figure_size=(9, 3.4), legend_position="bottom"))```Có ba bài học rút ra từ @fig-ipa-power.- **Khi mỗi doanh nghiệp chỉ ký một loại khách thuê, chỉ có bootstrap kiểu wild giữ đúng kích thước kiểm định.** Kiểm định $t$ cổ điển bác bỏ giả thuyết không 12% số lần dù giả thuyết này đúng, vì nó coi các thông báo của cùng một doanh nghiệp là những quan sát độc lập. Kiểm định $t$ vững theo cụm tốt hơn nhưng vẫn bác bỏ 9% số lần, vì sáu cụm là quá ít đối với nó. Bootstrap kiểu wild bác bỏ ở mức 5,5%.- **Với 48 sự kiện, chỉ những tác động rất lớn mới phát hiện được.** Với phần bù thực bằng 5 điểm phần trăm, bootstrap kiểu wild bác bỏ 70% số lần khi các loại khách thuê xen lẫn, và khoảng một nửa số lần khi không xen lẫn. Một phần bù có độ lớn như @liu2026agglomeration báo cáo cho các REIT Mỹ (thấp hơn nhiều so với 1% cho mỗi độ lệch chuẩn) sẽ hoàn toàn không thể phát hiện được.- **Có thêm sự kiện, từ nhiều doanh nghiệp hơn, giúp ích nhiều nhất.** Với 150 sự kiện từ 12 doanh nghiệp, sức mạnh kiểm định đạt 80% tại phần bù khoảng 3 điểm phần trăm. Mở rộng việc thu thập thủ công, sang công bố thông tin trên sở giao dịch, sang các doanh nghiệp chưa có sự kiện và sang các thương vụ nhỏ hơn, là bước tiếp theo có giá trị nhất.## Ứng dụng với dữ liệu Việt Nam {#sec-ipa-application}Đoạn mã dưới đây thực hiện hai phép kiểm định trên dữ liệu giá của DataCore bằng quy trình xử lý trong [chương nghiên cứu sự kiện](60_event_studies.qmd): `EventStudyConfig`, `run_event_study` và các hàm mà nó gọi. Đoạn mã giả định đã có `ip_events` từ @sec-ipa-events và các hàm suy diễn ở trên.- **Các thông báo cho thuê.** Nhiều thương vụ ký tại cùng một buổi lễ được tính là một sự kiện. Các thông báo của cùng một doanh nghiệp cách nhau trong vòng mười ngày được đánh dấu, vì cửa sổ sự kiện của chúng chồng lên nhau. Lợi nhuận bất thường được tính theo mô hình thị trường (VN-Index, cửa sổ ước lượng 150 ngày, kết thúc 15 ngày trước sự kiện). Phép kiểm định hồi quy CAR theo MATCH với hiệu ứng cố định theo doanh nghiệp, nên phép so sánh diễn ra trong nội bộ từng doanh nghiệp: cổ phiếu của cùng một doanh nghiệp có được thị trường thưởng nhiều hơn khi doanh nghiệp ký với khách thuê khớp ngành so với khách thuê không khớp ngành hay không? Logarit số héc-ta được dùng để kiểm soát quy mô thương vụ. Suy diễn thống kê dùng bootstrap cụm kiểu wild. Mẫu "sạch" loại bỏ các sự kiện chồng lấn và các sự kiện có cổ phiếu chạm giá trần hoặc giá sàn vào ngày 0 hoặc ngày +1 (@sec-price-limit-delayed giải thích vì sao việc chạm giá trần, giá sàn đẩy quá trình khám phá giá sang các ngày sau).- **Cú sốc thuế quan năm 2025.** Ngày 3 tháng 4 năm 2025 (giờ Việt Nam), Mỹ công bố mức thuế 46% đối với hàng hóa Việt Nam. Mỹ tạm hoãn mức thuế này vào ngày 9 tháng 4 (ngày 10 tháng 4 theo giờ Việt Nam), và vào ngày 2 tháng 7 (ngày 3 tháng 7 theo giờ Việt Nam) công bố một thỏa thuận ở mức 20%, với mức 40% đối với hàng hóa trung chuyển. Mọi doanh nghiệp phát triển KCN đều chịu chung từng ngày sự kiện, nên đây là một phép kiểm định theo mặt cắt ngang: hồi quy CAR của từng doanh nghiệp theo mức độ phơi nhiễm của nó, tức tỷ trọng số héc-ta đã cho thuê thu thập được dành cho khách thuê điện tử (VSIC 26--27). Giả thuyết rủi ro tập trung dự đoán hệ số góc âm tại ngày công bố và hệ số góc dương tại ngày tạm hoãn và ngày đạt thỏa thuận. Cửa sổ đầu tiên kéo dài đến ngày +3, vì nhiều cổ phiếu đóng cửa ở giá sàn trong nhiều phiên sau ngày công bố.```{python}#| label: ipa-application#| eval: false#| code-summary: "Các thông báo cho thuê và cú sốc thuế quan năm 2025 trên dữ liệu DataCore"import statsmodels.formula.api as smffrom datacore import DataCoreClientclient = DataCoreClient()# All listed IP developers, including those without a collected event: the# tariff test uses the whole cross-sectiondevelopers =sorted(set(ip_events["ticker"]) | {"KBC", "IDC", "SZC", "BCM", "SIP","GVR", "PHR", "NTC", "D2D", "LHG","TIP", "VGC", "SNZ"})daily = client.get_daily_prices( exchanges=["HOSE", "HNX", "UPCoM"], start_date="2011-01-01", end_date="2025-12-31", include_delisted=True, fields=["ticker", "date", "exchange", "adjusted_close", "volume","market_cap", "limit_up_hit", "limit_down_hit"])daily["date"] = pd.to_datetime(daily["date"])daily = (daily[daily["ticker"].isin(developers)] .rename(columns={"ticker": "symbol"}) .sort_values(["symbol", "date"]).reset_index(drop=True))daily["ret"] = daily.groupby("symbol")["adjusted_close"].pct_change()vn = client.get_index_returns(index="VNINDEX", frequency="daily", start_date="2011-01-01", end_date="2025-12-31")vn["date"] = pd.to_datetime(vn["date"])# Market model on raw returns; the intercept absorbs the risk-free ratefactors = vn[["date"]].assign(mkt_excess=vn["return"])config = EventStudyConfig(estimation_window=150, gap=15, event_window_start=-5, event_window_end=5, min_estimation_obs=100, risk_model=RiskModel.MARKET_MODEL)windows = {"car_m5_m1": (-5, -1), "car_0_p1": (0, 1),"car_m1_p1": (-1, 1), "car_0_p5": (0, 5)}def event_cars(events):"""Run the chapter's pipeline and return one row per event with CARs over each window and a flag for price-limit hits on days 0 and +1.""" res = run_event_study(events, daily[["symbol", "date", "ret"]], factors, config, verbose=False) d = res["daily_ar"] cars = pd.concat( [d[d["evttime"].between(lo, hi)].groupby(["symbol", "evtdate"])["AR"] .sum().rename(name) for name, (lo, hi) in windows.items()], axis=1).reset_index() hits = (d[d["evttime"].between(0, 1)] .merge(daily[["symbol", "date", "limit_up_hit", "limit_down_hit"]], on=["symbol", "date"], how="left")) hits["hit"] = hits["limit_up_hit"].fillna(False) | hits["limit_down_hit"].fillna(False)return cars.merge(hits.groupby(["symbol", "evtdate"])["hit"].any() .rename("limit_hit").reset_index(), on=["symbol", "evtdate"])# --- 1. Lease announcements: matched versus other tenants -------------------# Later stages of a deal already announced are not news. Several deals signed# at one ceremony are one event for the developer's stockev = (ip_events[ip_events["followup"] ==0].dropna(subset=["match"]) .groupby(["ticker", "announce_date"]) .agg(match=("match", "max"), hectares=("hectares", lambda x: x.sum(min_count=1)), n_deals=("tenant", "size")) .reset_index() .rename(columns={"ticker": "symbol", "announce_date": "event_date"}))# Another announcement by the same developer within 10 days contaminates bothgap = ev.sort_values("event_date").groupby("symbol")["event_date"].diff().dt.daysgap_next = ev.sort_values("event_date").groupby("symbol")["event_date"].diff(-1).dt.days.abs()ev["overlap"] = (gap.le(10) | gap_next.le(10)).reindex(ev.index).fillna(False)cars = event_cars(ev[["symbol", "event_date"]])# The pipeline moves event dates to the next trading day; recover each# event's attributes from the latest original date on or before itcars = pd.merge_asof(cars.sort_values("evtdate"), ev.sort_values("event_date"), left_on="evtdate", right_on="event_date", by="symbol", direction="backward")cars["log_ha"] = np.log1p(cars["hectares"].fillna(cars["hectares"].median()))cars["year"] = cars["evtdate"].dt.yearprint(cars.groupby("match")[list(windows)].agg(["mean", "count"]).round(4))rows = []for sample, x in [("all", cars), ("clean", cars[~cars["overlap"] &~cars["limit_hit"]])]:for y in windows: sub = x.dropna(subset=[y]).reset_index(drop=True) g = sub["symbol"].astype("category").cat.codes.to_numpy()for spec in ["pooled", "within"]: X = pd.concat([pd.Series(1.0, index=sub.index, name="const"), sub["match"].astype(float), sub["log_ha"]], axis=1)if spec =="within":# Developer fixed effects: is the same developer's stock rewarded# more for a matched tenant than for an unmatched one? X = pd.concat([X, pd.get_dummies(sub["symbol"], drop_first=True, dtype=float)], axis=1) beta = np.linalg.lstsq(X.to_numpy(), sub[y].to_numpy(), rcond=None)[0] p_wild, t_cl = wild_cluster_p(X.to_numpy(), sub[y].to_numpy(), g, j=1, n_boot=1999, rng=1) rows.append({"sample": sample, "window": y, "spec": spec,"N": len(sub), "developers": g.max() +1,"match_premium": beta[1], "t_cluster": t_cl,"p_wild": p_wild})print(pd.DataFrame(rows).round(4).to_string(index=False))# --- 2. The 2025 US tariff shock: concentration risk --------------------------# Exposure: the share of each developer's leased hectares (deals announced# before the shock) that went to electronics tenants (VSIC 26-27), the sector# most exposed to US demandbase = ip_events[(ip_events["announce_date"] <"2025-04-01")& (ip_events["followup"] ==0)].dropna(subset=["hectares"])exposure = (base.assign(elec_ha=base["hectares"] * base["vsic2"].isin([26, 27])) .groupby("ticker")[["elec_ha", "hectares"]].sum() .eval("elec_ha / hectares").rename("exposure"))shocks = {"46% tariff announced": ("2025-04-03", (0, 3)),"90-day pause": ("2025-04-10", (0, 1)),"20% deal": ("2025-07-03", (0, 1))}for label, (day, (lo, hi)) in shocks.items(): windows["car_shock"] = (lo, hi) sh = event_cars(pd.DataFrame({"symbol": developers,"event_date": pd.Timestamp(day)})) sh = sh.merge(exposure, left_on="symbol", right_index=True, how="inner") fit = smf.ols("car_shock ~ exposure", data=sh).fit(cov_type="HC1")print(f"{label:22s} N={len(sh):2d} slope={fit.params['exposure']:.4f} "f"(HC1 t={fit.tvalues['exposure']:.2f}) "f"limit hits={int(sh['limit_hit'].sum())}")del windows["car_shock"]```Chúng tôi đã kiểm tra đoạn mã trên dữ liệu giá tổng hợp có cấu trúc giống các bảng của DataCore, dùng ngày thực tế của các sự kiện thu thập được. Các thương vụ khớp ngành được gài sẵn lợi nhuận bất thường 3% vào ngày 0, các thương vụ khác 0,5%, và các ngày công bố thuế quan được gài sẵn tác động bằng $-8\%$, $+4\%$ và $+3\%$ nhân với mức độ phơi nhiễm. Với nhiễu đặc thù thấp, đoạn mã khôi phục được tất cả các tác động này: phần bù khớp ngành từ 2,5 đến 2,7 điểm phần trăm qua các cửa sổ và đặc tả, và các hệ số góc theo mức độ phơi nhiễm bằng $-0.085$, $0.037$ và $0.031$. Với nhiễu thực tế 2,5% mỗi ngày, cùng phần bù được gài sẵn đó không có ý nghĩa thống kê trong đặc tả trong nội bộ doanh nghiệp (giá trị $p$ của bootstrap kiểu wild từ 0,13 đến 0,40 trong các cửa sổ sự kiện), đúng như @sec-ipa-power dự đoán cho trường hợp sáu doanh nghiệp. Chỉ sáu doanh nghiệp có thương vụ thu thập được mới có thước đo mức độ phơi nhiễm, nên các hồi quy thuế quan chỉ có sáu quan sát. Hãy đọc kết quả theo thứ tự sau:1. **Phần bù khớp ngành trong cửa sổ $(0,+1)$ của mẫu sạch**, trong nội bộ doanh nghiệp, là ước lượng chính. Hãy đánh giá nó bằng giá trị $p$ của bootstrap kiểu wild, không phải bằng thống kê $t$ vững theo cụm. Nếu ước lượng gộp lớn hơn nhiều so với ước lượng trong nội bộ doanh nghiệp, phần bù gộp chủ yếu phản ánh sự khác biệt giữa KBC và các doanh nghiệp còn lại.2. **Cửa sổ trước sự kiện $(-5,-1)$** dùng để kiểm tra rò rỉ thông tin. Một phần bù dương trong cửa sổ này nghĩa là các thương vụ khớp ngành đã được biết trước ngày được sử dụng, vì vậy hãy lùi ngày sự kiện sớm hơn hoặc nới rộng cửa sổ.3. **Cửa sổ $(0,+5)$** cho thấy giới hạn biên độ giá và thanh khoản thấp có làm chậm phản ứng của thị trường hay không.4. **Các hệ số góc thuế quan** kiểm định rủi ro tập trung. Với sáu doanh nghiệp, hãy đọc dấu của chúng và mẫu hình qua ba ngày sự kiện, không phải ý nghĩa thống kê của từng hệ số.## Các hướng mở rộng {#sec-ipa-extensions}Nghiên cứu sự kiện kiểm định xem nhà đầu tư có *kỳ vọng* quần tụ mang lại lợi ích hay không. Để kiểm định xem quần tụ có *thực sự* mang lại lợi ích, như @liu2026agglomeration làm với giá và NOI, cần một bộ dữ liệu bảng ở cấp KCN. Ba hướng mở rộng sau xây dựng bộ dữ liệu đó.**Một bộ dữ liệu bảng theo KCN.** Với mỗi KCN và mỗi năm, tính HHI của các nhà đầu tư (@eq-ipa-hhi-tenant với số héc-ta đã thuê), tỷ trọng đất đã cho thuê của khách thuê chủ lực, và SPEC (@eq-ipa-spec) với số liệu việc làm từ Điều tra doanh nghiệp của Tổng cục Thống kê (từ tháng 3 năm 2025 là Cục Thống kê, Bộ Tài chính), dùng tỉnh hoặc một bán kính khoảng 25 km quanh KCN làm khu vực xung quanh. Sau đó hồi quy giá thuê đất, tỷ lệ lấp đầy và số héc-ta được hấp thụ theo các thước đo này với hiệu ứng cố định theo năm, theo doanh nghiệp phát triển và theo tỉnh, và thực hiện phép so tài của bài báo giữa mức độ tập trung của khu vực và SPEC. Giá thuê đất chủ yếu do các công ty môi giới báo cáo dưới dạng giá chào thuê theo tỉnh và theo cấp thị trường, nên tỷ lệ lấp đầy và diện tích hấp thụ thường là các biến kết quả được đo lường tốt hơn. Hãy cố định vị trí theo mã tỉnh trước năm 2025: ngày 1 tháng 7 năm 2025, Việt Nam đã sáp nhập 63 tỉnh, thành phố thành 34 và bỏ cấp huyện.**Sự xuất hiện của khách thuê chủ lực.** Sự xuất hiện của một khách thuê chủ lực lớn là một can thiệp so le theo thời gian (staggered treatment). So sánh tiền thuê và diện tích hấp thụ tại các KCN, và tại các KCN lân cận, trước và sau khi một khách thuê chủ lực ký kết, với các KCN được ghép cặp theo tỉnh và tuổi, cho phép ước lượng trực tiếp tác động lan tỏa. Đây là logic của @greenstone2010identifying, những người so sánh các hạt (county) giành được một nhà máy lớn với các hạt về nhì trong cuộc cạnh tranh thu hút nhà máy đó, và việc thời điểm can thiệp so le đòi hỏi một phương pháp ước lượng như @callaway2021difference. Bài báo gốc, với dữ liệu mặt cắt ngang các giao dịch, không thể thực hiện phép kiểm định này.**Cơ chế là gì?** @liu2026agglomeration quy phần bù của họ cho lan tỏa tri thức, vốn mạnh nhất trong nội bộ một ngành. Tại các KCN Việt Nam, chia sẻ đầu vào có thể quan trọng hơn: nhà cung cấp đặt nhà máy cạnh doanh nghiệp lắp ráp mà họ bán hàng. @ellison2010causes tách bạch các kênh này bằng cách xem những cặp ngành nào cùng định vị gần nhau. Ở đây, cách làm tương tự là bổ sung một thước đo cho biết vùng đã sản xuất được bao nhiêu phần đầu vào của khách thuê chủ lực, xây dựng từ bảng cân đối liên ngành (bảng I-O) của Tổng cục Thống kê. Một phần bù gắn với liên kết nhà cung cấp hơn là với việc cùng ngành sẽ cho thấy kênh chia sẻ đầu vào.## Tóm tắt {#sec-ipa-summary}- @liu2026agglomeration nhận thấy giá trị văn phòng chỉ tăng theo mức độ tích tụ khi khách thuê của tòa nhà và khu vực xung quanh cùng chuyên môn hóa vào một ngành, và nhà đầu tư REIT phản ánh điều này vào giá cổ phiếu. Phép so tài giữa mức độ tập trung và chuyên môn hóa khớp ngành là yếu tố giúp nhận diện cơ chế.- Ở Việt Nam, khu công nghiệp là bối cảnh tự nhiên, và các thông báo cho thuê của doanh nghiệp phát triển KCN niêm yết là các sự kiện tự nhiên. @sec-ipa-events trình bày 71 thông báo được thu thập thủ công từ sáu doanh nghiệp, kèm nguồn.- Trong dữ liệu này, việc một thương vụ có khớp ngành hay không gần như là thuộc tính của doanh nghiệp phát triển: KBC đưa khách thuê điện tử vào các KCN điện tử, còn IDICO ký với nhiều loại khách thuê. Phép kiểm định trong nội bộ doanh nghiệp chủ yếu dựa vào Viglacera.- Với sáu doanh nghiệp, chỉ có bootstrap cụm kiểu wild cho suy diễn đáng tin cậy, và chỉ những tác động lớn mới phát hiện được. Thu thập thêm sự kiện quan trọng hơn việc tinh chỉnh phép kiểm định.- Các thông báo thuế quan của Mỹ năm 2025 tạo ra một cú sốc ngoại sinh hiếm có để kiểm định phía bên kia của sự đánh đổi: rủi ro của một cơ cấu khách thuê tập trung.
