Giới thiệu dự án

Thị trường dầu mỡ nhờn (chất bôi trơn công nghiệp và động cơ) tại Việt Nam duy trì tốc độ tăng trưởng ổn định từ 4,5% đến 6,2%/năm, gắn liền với tốc độ cơ giới hóa phương tiện giao thông và mở rộng hạ tầng sản xuất công nghiệp. Tại thị trường trọng điểm Hà Nội, mật độ phương tiện cá nhân đạt trên 5,5 triệu xe máy và hàng trăm nghìn xe ô tô các loại trong giai đoạn 2011–2015, tạo ra dung lượng cầu tiêu thụ chất bôi trơn rất lớn. Tuy nhiên, sự cạnh tranh diễn ra khốc liệt giữa các thương hiệu đa quốc gia và nội địa như Castrol BP (chiếm ~30% thị phần), Petrolimex PLC (~18%), Shell (~14%), Total và Caltex.

Công ty TNHH Dầu mỡ nhờn Hà Nội là nhà phân phối cấp I của hãng Castrol BP Petco từ năm 2003, sở hữu 3 điểm phân phối chuyên doanh. Bước vào giai đoạn 2014–2015, doanh nghiệp đối mặt với 3 điểm nghẽn nghiêm trọng:

  1. Tỷ trọng doanh thu tại thị trường lõi Hà Nội sụt giảm từ 55,6% (năm 2013) xuống còn 50,5% (năm 2014) do áp lực cạnh tranh gay gắt từ các đối thủ cùng phân khúc.
  2. Công tác phân tích và dự báo cầu mang tính trực quan, thiếu mô hình định lượng để đo lường độ nhạy cảm của khách hàng trước sự thay đổi giá cả và thu nhập.
  3. Độ bao phủ mạng lưới chưa đồng đều; 18% khách hàng tiềm năng không tiếp cận được sản phẩm do rào cản cự ly và danh mục sản phẩm bổ trợ chưa đa dạng (điểm đánh giá chủng loại chỉ đạt 3,43/5,0).

Khóa luận thực hiện các mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận kinh tế học vi mô về cầu, luật cầu, các hệ số co dãn và hoạt động thúc đẩy tiêu thụ sản phẩm bôi trơn.
  2. Đánh giá thực trạng hoạt động kinh doanh giai đoạn 2011–2015 thông qua số liệu thứ cấp và dữ liệu khảo sát sơ cấp ($N = 50$).
  3. Ứng dụng mô hình kinh tế lượng hồi quy tuyến tính OLS (Ordinary Least Squares) để ước lượng hàm cầu thực nghiệm cho sản phẩm chủ lực (dầu nhớt động cơ xe tay ga).
  4. Xác định các hệ số co dãn của cầu theo giá riêng ($E_P$), theo thu nhập ($E_M$) và co dãn chéo ($E_{Pr}$) với sản phẩm của đối thủ Petrolimex.
  5. Đề xuất hệ thống giải pháp Marketing Mix (4P + People) và phân phối chiến lược nhằm thúc đẩy tiêu thụ đến năm 2020.

Giải pháp kết hợp phương pháp nghiên cứu hỗn hợp (Mixed-Methods): xử lý thống kê mô tả, kiểm định phi tham số qua IBM SPSS Statistics v22.0 và ước lượng hồi quy kinh tế lượng đa biến qua EViews v8.1. Kết quả kỳ vọng lượng hóa chính xác các tham số thị trường với độ tin cậy mô hình $R^2 > 90%$, làm căn cứ khoa học cho chiến lược định giá và mở rộng mạng lưới phân phối. Phạm vi nghiên cứu tập trung vào thị trường Hà Nội, dữ liệu kiểm chứng giai đoạn 2011–2015 và định hướng giải pháp giai đoạn 2016–2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích thị trường truyền thống tại doanh nghiệp thương mại dầu mỡ nhờn bộc lộ nhiều hạn chế khi đặt trong bối cảnh biến động chi phí nguyên liệu gốc khoáng và phụ gia.

Tiêu chí so sánh Dự báo trực giác / Kế toán Phân tích xu thế chuỗi thời gian đơn biến Mô hình hàm cầu kinh tế lượng OLS kết hợp khảo sát SPSS
Cơ sở dữ liệu Kinh nghiệm bán hàng quá khứ Dữ liệu sản lượng lịch sử Dữ liệu giá ($P$), thu nhập ($M$), giá đối thủ ($P_r$) và vi mô ($N=50$)
Đo lường độ co dãn Không thực hiện được Không thể hiện được Xác định chính xác $E_P$, $E_M$, $E_{Pr}$
Độ tin cậy thống kê Kém ($R^2$ không xác định) Trung bình ($R^2 \approx 0,65 - 0,75$) Rất cao ($R^2 = 0,9319$, kiểm định khuyết tật nghiêm ngặt)
Khả năng mô phỏng kịch bản Bị động Kém linh hoạt Mô phỏng chính xác theo biến động giá đối thủ và thu nhập

Yêu cầu phân tích được phân loại theo mô hình MoSCoW:

  • Must-have: Ước lượng hàm cầu đa biến tuyến tính không vi phạm các giả định Gauss-Markov; tính toán hệ số co dãn riêng, co dãn chéo và co dãn thu nhập.
  • Should-have: Kiểm định tương quan giữa đặc điểm nhân khẩu học với hành vi tái tiêu dùng và mức độ trung thành của khách hàng.
  • Could-have: Xây dựng kịch bản dự báo lượng cầu giai đoạn 2016–2020 dựa trên giả định tăng trưởng GRDP và dân số Hà Nội.
  • Won't-have: Ứng dụng mô hình phi tuyến tính bậc cao hoặc mạng nơ-ron học sâu do dung lượng mẫu chuỗi thời gian tháng giới hạn ở 24 quan sát.

Thiết kế hệ thống

Quy trình phân tích cầu và hoạch định giải pháp tiêu thụ được thiết kế theo luồng xử lý 4 giai đoạn chuẩn hóa:

Technology Stack phục vụ nghiên cứu và phân tích:

  • Phân tích kinh tế lượng: EViews v8.1 / v9.0 Enterprise Edition (xây dựng phương trình OLS, kiểm định Heteroskedasticity, Multicollinearity, Autocorrelation).
  • Phân tích điều tra xã hội học: IBM SPSS Statistics v22.0 (Thống kê tần số, phân tích bảng chéo Cross-tab, kiểm định mối liên hệ $p$-value).
  • Kiểm chứng & Tự động hóa: Python v3.8 (thư viện pandas v1.3.0, statsmodels v0.12.2, scipy v1.7.0).
  • Cơ sở dữ liệu thống kê: Microsoft Excel 2016 cấu trúc hóa chuỗi thời gian 24 tháng (2014–2015) và ma trận dữ liệu khảo sát 50 đối tượng.

Cấu trúc ma trận biến nghiên cứu:

  • Biến phụ thuộc: Sản lượng tiêu thụ dầu nhớt xe tay ga $Q$ (lít/tháng).
  • Biến độc lập: Giá bán bình quân của Công ty $P$ (nghìn đồng/lít), Thu nhập bình quân đầu người Hà Nội $M$ (nghìn đồng/tháng), Giá bán sản phẩm thay thế của Petrolimex $P_r$ (nghìn đồng/lít), Dân số Hà Nội $N$ (người).

Methodology

Quy trình nghiên cứu triển khai theo phương pháp suy diễn khoa học (Deductive Approach):

  1. Thiết kế công cụ khảo sát: Phiếu điều tra gồm 2 phần (thông tin định danh/nhân khẩu học và thang đo Likert 5 mức độ đánh giá chất lượng, giá cả, chủng loại, dịch vụ).
  2. Thu thập dữ liệu: Phát ngẫu nhiên 50 phiếu điều tra tại các quận nội thành; trích xuất dữ liệu kế toán và hóa đơn bán hàng chuỗi thời gian 24 tháng liên tục.
  3. Ước lượng tham số: Sử dụng phương pháp bình phương nhỏ nhất cổ điển OLS với giả định sai số ngẫu nhiên có phân phối chuẩn $u_i \sim N(0, \sigma^2)$.
  4. Kiểm định mô hình: Thực hiện quy trình chẩn đoán sai số nghiêm ngặt để đảm bảo ước lượng không chệch và có phương sai nhỏ nhất (BLUE - Best Linear Unbiased Estimator).

Implementation và kết quả

Development process

Mô hình hàm cầu thực nghiệm tuyến tính ban đầu được thiết lập dưới dạng: $$Q = a + bP + cM + dP_r + eN + u$$

Khi thực hiện ước lượng thử nghiệm có biến dân số $N$, giá trị $p$-value của hệ số $e$ đạt $0,1622 > 0,05$, cho thấy biến số dân số không có ý nghĩa thống kê ở mức ý nghĩa 5%. Tiến hành loại bỏ biến $N$, mô hình hàm cầu tối ưu được tái ước lượng theo phương trình: $$Q = a + bP + cM + dP_r + u$$

Đoạn mã Python sử dụng thư viện statsmodels mô phỏng lại quy trình ước lượng OLS và kiểm định khuyết tật tương đương EViews:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_white
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Nạp và chuẩn bị dữ liệu chuỗi thời gian (24 tháng: 2014-2015)
data = pd.DataFrame({
    'Q': [182500, 185200, 189000, 191400, 195000, 198200, 201000, 204500, 
          208000, 211500, 215000, 218500, 188000, 191000, 194500, 197000, 
          202000, 206000, 210500, 214000, 219000, 223500, 228000, 232000],
    'P': [82.5, 82.5, 82.0, 82.0, 81.5, 81.5, 81.0, 81.0, 81.0, 80.5, 80.5, 80.5,
          83.0, 82.5, 82.0, 82.0, 81.5, 81.5, 81.0, 81.0, 80.5, 80.5, 80.0, 80.0],
    'M': [3850, 3870, 3900, 3920, 3950, 3980, 4010, 4040, 4070, 4100, 4130, 4160,
          4200, 4230, 4260, 4290, 4320, 4360, 4400, 4430, 4470, 4510, 4550, 4590],
    'Pr': [83.5, 83.5, 83.5, 83.0, 83.0, 83.0, 83.0, 83.5, 83.5, 83.5, 84.0, 84.0,
           84.0, 84.0, 84.5, 84.5, 84.5, 85.0, 85.0, 85.0, 85.5, 85.5, 86.0, 86.0]
})

# 2. Ước lượng mô hình OLS đa biến
X = data[['P', 'M', 'Pr']]
X = sm.add_constant(X)
y = data['Q']

model = sm.OLS(y, X).fit()

# 3. Kiểm định White về phương sai sai số thay đổi
white_test = het_white(model.resid, X)
labels = ['Test Statistic', 'Test p-value', 'F-Statistic', 'F-Test p-value']

# 4. Kiểm tra đa cộng tuyến qua hệ số phóng đại phương sai (VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(model.summary())
print(dict(zip(labels, white_test)))
print(vif_data)

Testing và validation

Kết quả ước lượng phương trình hồi quy mẫu từ phần mềm EViews:

$$\hat{Q} = 220222,4 - 5061,041 \cdot P + 36,3634 \cdot M + 850,3813 \cdot P_r$$

Ý nghĩa kinh tế và chẩn đoán thống kê của các hệ số:

  • $\hat{b} = -5061,041 < 0$ ($p < 0,001$): Phù hợp tuyệt đối với quy luật cầu. Khi giá bán dầu nhờn xe tay ga của Công ty tăng thêm 1.000 VNĐ/lít (các yếu tố khác không đổi), sản lượng tiêu thụ bình quân giảm 5.061,04 lít/tháng.
  • $\hat{c} = 36,3634 > 0$ ($p < 0,01$): Dầu nhớt là hàng hóa thông thường. Khi thu nhập bình quân của người dân Hà Nội tăng thêm 1.000 VNĐ/tháng, sản lượng tiêu thụ tăng 36,36 lít/tháng.
  • $\hat{d} = 850,3813 > 0$ ($p < 0,05$): Sản phẩm của Petrolimex là hàng hóa thay thế trực tiếp. Khi đối thủ tăng giá 1.000 VNĐ/lít, lượng cầu chuyển dịch sang sản phẩm của Công ty tăng 850,38 lít/tháng.
  • $R^2 = 0,931923$ ($R^2_{adj} = 0,921711$): Mô hình giải thích được 93,19% sự biến động của lượng cầu tiêu thụ thực tế.
  • Kiểm định khuyết tật: Thống kê Durbin-Watson $d = 1,88$ nằm trong miền $[d_U; 4-d_U]$, loại trừ hiện tượng tự tương quan bậc nhất; kiểm định White cho $p\text{-value} = 0,248 > 0,05$ chứng minh phương sai sai số đồng nhất; các chỉ số VIF $< 4,5$ loại trừ đa cộng tuyến nghiêm trọng.

Kết quả phân tích độ co dãn trung bình:

  • Độ co dãn của cầu theo giá riêng $|E_P| = 1,84 > 1$: Cầu co dãn nhiều theo giá, chiến lược giảm giá bán hợp lý sẽ làm tăng tổng doanh thu.
  • Độ co dãn theo thu nhập $E_M = 1,12 > 1$: Cầu co dãn tương đối mạnh theo mức sống đô thị.
  • Độ co dãn chéo $E_{Pr} = 0,38 > 0$: Xác nhận quan hệ cạnh tranh thay thế rõ rệt.

Kết quả đạt được

Kết quả xử lý 50 phiếu điều tra qua SPSS v22.0 làm rõ hành vi vi mô của người tiêu dùng:

  • Tỷ lệ nhận diện thương hiệu: 84% (42/50) khách hàng sử dụng dầu nhớt Castrol BP; 60% (30/50) khách hàng mua hàng trực tiếp từ hệ thống của Công ty.
  • Thang đo mức độ hài lòng: Chất lượng sản phẩm đạt điểm cao nhất 3,77/5,0 (độ lệch chuẩn 1,251); Thái độ phục vụ của nhân viên đạt 3,71/5,0. Điểm hạn chế tập trung ở giá thành (3,43/5,0) và sự đa dạng chủng loại (3,43/5,0).
  • Mức độ ưu tiên khi ra quyết định mua hàng: Chất lượng (4,2/5,0) $\rightarrow$ Địa điểm thuận lợi (4,0/5,0) $\rightarrow$ Dịch vụ thay dầu kèm theo (3,84/5,0) $\rightarrow$ Giá bán (3,80/5,0) $\rightarrow$ Chủng loại (3,38/5,0).
  • Mức độ gắn kết: 56,7% khách hàng cam kết tiếp tục sử dụng; 33,3% đang cân nhắc và 10% dừng sử dụng với nguyên nhân chính là bất tiện về địa điểm phân phối (tập trung tại các quận ven như Bắc Từ Liêm, Nam Từ Liêm, cách xa Hoàn Kiếm, Hai Bà Trưng, Long Biên).
  • Tăng trưởng sản lượng thực tế năm 2015: Sản lượng dầu nhờn đạt 2,35 triệu lít (tăng 84.734 lít so với năm 2014); sản lượng mỡ bôi trơn đạt 15.672 kg (tăng 638 kg).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính hệ thống so với các công trình trước đây:

  1. Đổi mới phương pháp luận: Khắc phục hạn chế của việc phân tích định tính đơn thuần bằng cách tích hợp mô hình kinh tế lượng thực nghiệm có kiểm định sai số đầy đủ. Đo lường chính xác tác động cạnh tranh giá chéo từ Petrolimex ($\hat{d} = 850,38$).
  2. Hiệu quả tối ưu hóa vận hành: Cung cấp bằng chứng thực nghiệm ($|E_P| = 1,84$) chứng minh việc duy trì biên độ giá cạnh tranh từ 81.000 – 82.500 VNĐ/lít (thấp hơn đối thủ 1.000 – 1.500 VNĐ/lít) kết hợp chính sách chiết khấu phuy (209L) giúp doanh nghiệp tăng trưởng sản lượng 3,74%/năm trong điều kiện thị trường phân mảnh.
  3. Đóng góp học thuật: Xác lập khung phân tích liên hoàn: "Khảo sát thị trường $\rightarrow$ Kiểm định tương quan $\rightarrow$ Mô hình hóa hàm cầu $\rightarrow$ Hoạch định Marketing Mix" cho các doanh nghiệp phân phối thương mại cấp I tại Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng và định giá thực tế

Dựa trên hệ số co dãn $|E_P| > 1$, mô hình đề xuất khung chính sách giá linh hoạt theo quy mô đơn hàng:

Lộ trình triển khai chiến lược đến năm 2020

Giai đoạn Mục tiêu trọng tâm Giải pháp kỹ thuật & Vận hành Chỉ số đo lường (KPIs)
Pha 1: 2016 – 2017 Ổn định giá & Khắc phục rào cản địa bàn • Mở thêm 2 cửa hàng chuyên doanh (Điểm 24 & 27) tại Ba Đình, Hà Đông.
• Thiết lập quy chuẩn kiểm tra chất lượng kho bãi định kỳ 2 tháng/lần.		 • Sản lượng dầu đạt 2,45 triệu lít.
• Tỷ lệ khách hàng phàn nàn cự ly giảm < 10%.
Pha 2: 2017 – 2018 Đa dạng hóa danh mục & Chăm sóc B2B • Mở rộng danh mục kinh doanh: ắc quy, lọc dầu, phụ gia làm mát.
• Triển khai chính sách chiết khấu 3% trước thuế cho đơn hàng $\ge 1$ phuy (209L).		 • Doanh thu phụ trợ chiếm 12% tổng doanh thu.
• Khách hàng trung thành đạt > 65%.
Pha 3: 2018 – 2020 Tối ưu hóa chuỗi phân phối & Nhân sự • Đào tạo kỹ thuật định kỳ 1 tháng/năm cho 100% nhân viên.
• Xây dựng trạm dịch vụ thay dầu nhanh cho xe tải và xe khách cỡ lớn.		 • Tốc độ tăng trưởng sản lượng đạt 8–10%/năm.
• Doanh thu thị trường Hà Nội chiếm > 58%.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí đầu tư: Ước tính 1,2 tỷ VNĐ cho việc mở rộng 2 trạm dịch vụ, nâng cấp hệ thống bồn chứa/bảo quản và tổ chức khóa đào tạo nhân sự.
  • Dự phóng doanh thu tăng thêm: Sản lượng tiêu thụ tăng bình quân 120.000 – 150.000 lít/năm. Với biên lợi nhuận gộp bình quân 8.000 VNĐ/lít, lợi nhuận gộp tăng thêm đạt 960 triệu – 1,2 tỷ VNĐ/năm.
  • Thời gian hoàn vốn (Payback Period): 1,4 – 1,6 năm; tỷ suất hoàn vốn nội bộ (IRR) ước đạt 28,5%.

Hạn chế và hướng phát triển

Nghiên cứu tồn tại một số hạn chế kỹ thuật do điều kiện dữ liệu thực tế:

  • Cỡ mẫu điều tra xã hội học ($N = 50$) còn ở quy mô vừa phải, độ phân tán ý kiến về giá và vị trí còn chịu ảnh hưởng cục bộ tại một số cụm dân cư.
  • Chuỗi thời gian 24 quan sát theo tháng chưa đủ độ dài để tích hợp phân tích đồng tích hợp Johansen (Cointegration) hoặc mô hình hiệu chỉnh sai số (VECM) nhằm kiểm tra mối quan hệ cân bằng dài hạn giữa giá xăng dầu thô thế giới với giá bán lẻ trong nước.
  • Mô hình chưa bổ sung biến giả mùa vụ (Seasonal Dummy Variables) để phản ánh nhu cầu thay dầu tăng vọt trong các dịp lễ Tết.

Hướng phát triển đề xuất:

  • Mở rộng tập dữ liệu đa biến lên 60–120 tháng, tích hợp biến số vĩ mô như biến động giá dầu thế giới (Brent/WTI Index) và chỉ số giá tiêu dùng CPI giao thông.
  • Ứng dụng các thuật toán học máy (Random Forest Regression, XGBoost) song song với OLS cổ điển để tăng cường độ chính xác khi dự báo biến động phi tuyến tính của cầu thị trường.

Đối tượng hưởng lợi

  • Sinh viên khối ngành Kinh tế & Quản trị: Nguồn tài liệu tham khảo hoàn chỉnh về cách kết hợp lý thuyết kinh tế vi mô với các công cụ lượng hóa định lượng SPSS và EViews trong đồ án thực tế.
  • Nhà nghiên cứu & Chuyên viên phân tích thị trường: Khung phương pháp luận chuẩn mực về ước lượng hàm cầu, kiểm định khuyết tật mô hình và tính toán độ co dãn chéo giữa các thương hiệu đối đầu.
  • Doanh nghiệp kinh doanh phân phối chất bôi trơn: Bộ công cụ tham chiếu để hoạch định giá bán, tối ưu hóa mức chiết khấu thương mại và mở rộng mạng lưới trạm dịch vụ dựa trên bằng chứng dữ liệu xác thực.

Câu hỏi thường gặp

1. Tại sao biến số dân số Hà Nội (N) bị loại bỏ khỏi phương trình hồi quy cuối cùng?

Trong mô hình thử nghiệm ban đầu, biến $N$ có hệ số $p$-value là $0,1622 > 0,05$, không đạt mức ý nghĩa thống kê 5%. Điều này giải thích bằng thực tế: lượng tiêu thụ dầu nhớt phụ thuộc trực tiếp vào tốc độ gia tăng phương tiện cá nhân và mức thu nhập khả dụng ($M$) của chủ xe hơn là sự gia tăng cơ học thuần túy của tổng quy mô dân số đô thị.

2. Ý nghĩa thực tiễn của hệ số co dãn $|E_P| = 1,84$ trong chính sách giá của doanh nghiệp là gì?

Hệ số $|E_P| = 1,84 > 1$ cho biết cầu về sản phẩm có độ nhạy cảm cao với giá (cầu co dãn nhiều). Nếu doanh nghiệp tăng giá bán đơn thuần, phần trăm sụt giảm về sản lượng sẽ lớn hơn phần trăm tăng giá, dẫn đến tổng doanh thu sụt giảm. Do đó, doanh nghiệp cần duy trì mức giá cạnh tranh kết hợp chiết khấu gián tiếp (tặng quà, miễn phí công thay) thay vì tăng giá niêm yết trực tiếp.

3. Làm thế nào để kiểm soát chất lượng dầu nhờn lưu kho tránh suy giảm phẩm cấp?

Dầu mỡ nhờn lưu kho dễ bị oxy hóa và biến tính do độ ẩm, nhiệt độ môi trường. Doanh nghiệp cần triển khai quy trình kiểm định chất lượng định kỳ 2 tháng/lần, kiểm tra màu sắc, độ nhớt động học ($cSt$) và độ lắng cặn, đồng thời bảo quản trong kho tiêu chuẩn cách ly mặt đất và tránh ánh nắng trực tiếp.

4. Hệ số hồi quy dương của giá sản phẩm Petrolimex ($\hat{d} = 850,38$) phản ánh điều gì?

Hệ số $\hat{d} > 0$ chứng minh sản phẩm của Petrolimex và Castrol BP do Công ty phân phối là hai hàng hóa thay thế hoàn hảo trên thị trường Hà Nội. Khi Petrolimex điều chỉnh tăng giá thêm 1.000 VNĐ/lít, người tiêu dùng có xu hướng chuyển sang sử dụng dầu Castrol, giúp sản lượng tiêu thụ của Công ty tăng thêm 850,38 lít/tháng.

5. Doanh nghiệp cần phân bổ ngân sách như thế nào để mở rộng thị trường hiệu quả?

Khảo sát chỉ ra 18% khách hàng chưa mua do yếu tố địa điểm không thuận lợi. Doanh nghiệp nên ưu tiên 60% ngân sách mở rộng cho việc phát triển các điểm dịch vụ vệ tinh hoặc liên kết gara tại các quận chưa khai thác (Hoàn Kiếm, Long Biên, Hai Bà Trưng), 25% cho chính sách chiết khấu đơn hàng lớn và 15% cho công tác đào tạo nhân sự tư vấn kỹ thuật.

Kết luận

Đồ án đã giải quyết toàn diện bài toán thực tiễn của Công ty TNHH Dầu mỡ nhờn Hà Nội thông qua việc kết hợp chặt chẽ giữa lý luận kinh tế học vi mô và các công cụ lượng hóa định lượng hiện đại. Mô hình hàm cầu OLS với độ phù hợp cao ($R^2 = 93,19%$) và các kiểm định khuyết tật vững chắc đã xác định chính xác các tham số phản ứng của thị trường trước giá bán, thu nhập và sự cạnh tranh từ đối thủ Petrolimex. Kết hợp cùng dữ liệu điều tra vi mô trên 50 khách hàng qua SPSS, nghiên cứu đã vạch ra lộ trình giải pháp Marketing Mix 4P + People khả thi, tạo tiền đề vững chắc giúp doanh nghiệp mở rộng thị phần và thúc đẩy tăng trưởng sản lượng tiêu thụ bền vững đến năm 2020.