Giới thiệu dự án

Thị trường công nghiệp điện ảnh và dịch vụ chiếu phim tại Việt Nam ghi nhận tốc độ tăng trưởng vượt bậc trong hơn một thập kỷ qua. Theo thống kê của Trung tâm Phát hành phim và Chiếu bóng, quy mô mạng lưới rạp chiếu hiện đại đã tăng từ 90 phòng chiếu (năm 2010) lên 1.096 phòng chiếu tại hơn 200 cụm rạp trên toàn quốc (năm 2020), đạt mức tăng trưởng ấn tượng và dự báo chạm mốc 1.050 cụm rạp với 5.000 phòng chiếu, phục vụ 210 triệu lượt khán giả mỗi năm vào năm 2030. Bất chấp sự phục hồi mạnh mẽ sau đại dịch COVID-19, thị trường chứng kiến sự cạnh tranh bất cân xứng khi hai tập đoàn nước ngoài là CJ CGV (74 cụm rạp) và Lotte Cinema (42 cụm rạp) chiếm lĩnh phần lớn thị phần, tạo áp lực khốc liệt lên các thương hiệu nội địa như Galaxy Cinema (14 cụm rạp) và BHD Star Cineplex (9 cụm rạp). Bên cạnh đó, sự bùng nổ của các nền tảng phát trực tuyến (Over-The-Top - OTT) như Netflix hay VieON đang tái định hình hành vi giải trí tại gia.

Vấn đề cốt lõi đặt ra cho các nhà quản lý cụm rạp tại Hà Nội là việc tối ưu hóa chi phí vận hành và giữ chân phân khúc khách hàng nòng cốt: đối tượng sinh viên đại học. Nhóm khách hàng trẻ có độ nhạy cảm cao về giá vé, yêu cầu trải nghiệm công nghệ số tiện lợi nhưng đồng thời chịu tác động sâu sắc bởi tâm lý đám đông và xu hướng xã hội.

Đề tài khóa luận tốt nghiệp "Nghiên cứu các yếu tố ảnh hưởng tới quyết định lựa chọn rạp chiếu phim của sinh viên thành phố Hà Nội" (Thực hiện bởi sinh viên Bùi Nguyệt An, GVHD: TS. Đặng Trung Tuyến, Khoa Kinh tế Chính trị - Trường Đại học Kinh tế, ĐHQGHN) giải quyết bài toán định lượng hành vi người tiêu dùng thông qua 3 mục tiêu cụ thể:

  1. Xác định hệ thống các nhân tố cấu thành ảnh hưởng đến quyết định chọn cụm rạp của sinh viên trên địa bàn TP. Hà Nội.
  2. Đo lường mức độ tác động và thứ tự ưu tiên của từng biến số thông qua mô hình kinh tế lượng hồi quy đa biến.
  3. Đề xuất ma trận giải pháp thực thi (Marketing mix 7P, tối ưu điểm chạm dịch vụ - Customer Touchpoints) hỗ trợ các cụm rạp nâng cao năng lực cạnh tranh.

Phạm vi nghiên cứu tập trung vào sinh viên các trường đại học tại khu vực nội thành Hà Nội, kết hợp dữ liệu thứ cấp giai đoạn 2018–2022 và dữ liệu sơ cấp thu thập từ 240 mẫu khảo sát hợp lệ trong giai đoạn tháng 03/2023 – 04/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành rà soát các cách tiếp cận mô hình hóa hành vi người tiêu dùng hiện hành để lựa chọn khung lý thuyết phù hợp nhất cho dịch vụ giải trí chiếu phim.

Phương pháp tiếp cận Ưu điểm Nhược điểm Đánh giá áp dụng
Mô hình SERVQUAL truyền thống (Parasuraman et al.) Đánh giá chi tiết 5 khía cạnh chất lượng dịch vụ (Tin cậy, Đáp ứng, Đảm bảo, Đồng cảm, Hữu hình). Bỏ qua các rào cản hành vi bên ngoài, độ nhạy giá và chuẩn mực chủ quan xã hội. Cần điều chỉnh và bổ sung biến hành vi đặc thù.
Mô hình AHP (Analytic Hierarchy Process - Lasut & Tumewu) Phân cấp tiêu chí tốt theo trọng số định lượng thuộc tính vật lý. Mang tính phán đoán chủ quan của chuyên gia, khó khái quát hóa trên mẫu số lớn khách hàng tiêu dùng. Phù hợp đánh giá vận hành nội bộ hơn phân tích thị trường.
Tích hợp TRA / TPB mở rộng (Ajzen & Fishbein) Giải thích xuất sắc ý định hành vi qua thái độ, chuẩn chủ quan và nhận thức kiểm soát hành vi. Cần được cụ thể hóa bằng các biến số tiếp thị thực nghiệm (Chiêu thị, Thuận tiện, Giá cả cảm nhận). Lựa chọn tối ưu: Tích hợp đa chiều giữa TPB, lý thuyết địa điểm và 7P Marketing.

Áp dụng phương pháp phân tích yêu cầu MoSCoW đối với hành vi tiêu dùng dịch vụ chiếu rạp của sinh viên:

  • Must-have (Bắt buộc): Mức giá vé ưu đãi cho học sinh/sinh viên (U22), phòng chiếu chuẩn âm thanh Dolby 7.1/Atmos và hình ảnh sắc nét.
  • Should-have (Nên có): Đặt vé trực tuyến và thanh toán không tiền mặt đa kênh (Ví điện tử, thẻ nội địa), lịch chiếu dày đặc cho phim bom tấn.
  • Could-have (Có thể có): Dịch vụ bắp nước đa dạng combo, không gian check-in sảnh chờ hiện đại.
  • Won't-have (Chưa cần thiết): Các dịch vụ phòng chiếu thượng hạng (Gold Class, L'amour giường nằm) có chi phí vượt ngưỡng ngân sách sinh viên.

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu đề xuất kế thừa Thuyết hành động hợp lý (Theory of Reasoned Action - TRA), Thuyết hành vi dự định (Theory of Planned Behaviour - TPB) và mô hình phối thức chiêu thị, tích hợp 7 biến độc lập tác động trực tiếp lên biến phụ thuộc:

graph LR
    AH[Ảnh hưởng xã hội - AH] --> QD[Quyết định lựa chọn rạp chiếu phim - QD]
    GCCN[Giá cả cảm nhận - GCCN] --> QD
    TH[Nhận biết thương hiệu - TH] --> QD
    CLCN[Chất lượng cảm nhận - CLCN] --> QD
    TT[Tính thuận tiện - TT] --> QD
    TS[Tần suất chiếu phim - TS] --> QD
    CT[Chiêu thị & Khuyến mãi - CT] --> QD

Phương trình hồi quy tổng quát dạng tuyến tính:

$$QD = \beta_0 + \beta_1 AH + \beta_2 GCCN + \beta_3 TH + \beta_4 CLCN + \beta_5 TT + \beta_6 TS + \beta_7 CT + \epsilon$$

Trong đó:

  • $QD$: Quyết định lựa chọn rạp chiếu phim (Biến phụ thuộc).
  • $\beta_0$: Hằng số hồi quy; $\beta_1 \dots \beta_7$: Hệ số hồi quy chuẩn hóa của các biến độc lập.
  • $\epsilon$: Sai số ngẫu nhiên của mô hình.

Hệ thống công cụ công nghệ và tiêu chuẩn đo lường dữ liệu:

Thành phần Công nghệ / Tiêu chuẩn áp dụng Phiên bản / Quy cách
Phần mềm xử lý thống kê IBM SPSS Statistics Version 22.0 / 26.0
Thu thập & tiền xử lý Microsoft Excel & Google Forms Excel 2021 / UTF-8 Data Engine
Thang đo dữ liệu Thang đo khoảng cách Likert 5 mức độ (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý)
Ngôn ngữ kiểm thử mở rộng Python statsmodels & scipy Python 3.10 / Pandas 2.0

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình hỗn hợp hai giai đoạn:

  1. Nghiên cứu định tính ($n=8$): Phỏng vấn sâu bán cấu trúc 8 sinh viên tại 4 cụm trường đại học lớn ở Hà Nội (tần suất xem phim tối thiểu 1 lần/tháng) nhằm hiệu chỉnh từ ngữ, loại bỏ các biến quan sát trùng lặp trong thang đo gốc.
  2. Nghiên cứu định lượng chính thức ($N=240$): Thu thập dữ liệu qua bảng câu hỏi trực tuyến và trực tiếp theo phương pháp chọn mẫu thuận tiện có phân tầng theo khu vực trường học.
  3. Tiêu chuẩn kiểm định thống kê:
    • Hệ số tin cậy nội tại Cronbach's Alpha $\ge 0.70$; Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
    • Kiểm định EFA: Hệ số $KMO \ge 0.50$, kiểm định Bartlett có ý nghĩa thống kê ($p < 0.05$), Hệ số tải nhân tố (Factor Loading) $> 0.50$, Tổng phương sai trích (Total Variance Explained) $> 50%$, Giá trị Eigenvalue $> 1.0$.
    • Kiểm định hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF < 2.0$.

Triển khai và kết quả thực nghiệm

Quy trình xử lý và làm sạch dữ liệu

Quy trình phân tích kinh tế lượng được tự động hóa thông qua cấu trúc script thống kê (SPSS Syntax / Python Analytics Engine):

import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Load và tiền xử lý dữ liệu khảo sát (N=240)
df = pd.read_csv("cinema_survey_hanoi_2023.csv")
independent_vars = ['AH', 'GCCN', 'TH', 'CLCN', 'TT', 'TS', 'CT']
X = df[independent_vars]
y = df['QD']

# 2. Kiểm tra hiện tượng đa cộng tuyến qua chỉ số 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])]

# 3. Ước lượng mô hình hồi quy tuyến tính OLS
X_const = sm.add_constant(X)
model = sm.OLS(y, X_const).fit()

# Xuất bảng tổng hợp kết quả R-squared và p-values
print(model.summary())
print("\nKiểm định VIF:\n", vif_data)

Kiểm định chất lượng thang đo và phân tích nhân tố (EFA)

Trải qua các vòng lọc biến quan sát, các thang đo đạt chuẩn độ tin cậy và giá trị hội tụ:

Mã nhân tố Tên thang đo Số biến quan sát ban đầu Số biến quan sát sau EFA Cronbach's Alpha KMO / Tổng phương sai trích
AH Ảnh hưởng xã hội 4 4 0.814 $KMO = 0.842$
GCCN Giá cả cảm nhận 4 3 0.789 Bartlett's Sig. $= 0.000$
TH Nhận biết thương hiệu 4 4 0.835 Tổng phương sai trích:
CLCN Chất lượng cảm nhận 6 5 0.862 61.85%
TT Tính thuận tiện 5 4 0.795 (Tất cả biến có Factor
TS Tần suất chiếu phim 4 4 0.778 Loading $> 0.55$)
CT Chiêu thị & Khuyến mãi 5 4 0.821 Eigenvalue $= 1.238$
QD Quyết định lựa chọn 4 4 0.854 Alpha đạt chuẩn cao

Kết quả hồi quy tuyến tính và phân tích phương sai

Kết quả hồi quy đa biến cho thấy mô hình đạt độ thích hợp cao với $R^2 = 0.584$ và $R^2$ hiệu chỉnh $= 0.571$, giải thích được $57.1%$ sự biến thiên trong quyết định chọn rạp của sinh viên. Giá trị kiểm định $F = 46.382$ với mức ý nghĩa $Sig. = 0.000 < 0.01$.

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Hệ số VIF Kết luận giả thuyết
(Constant) 0.412 0.185 — 2.227 0.027 — —
CLCN 0.284 0.045 0.298 6.311 0.000 1.342 Chấp nhận H4 ($p < 0.01$)
CT 0.241 0.042 0.254 5.738 0.000 1.285 Chấp nhận H7 ($p < 0.01$)
AH 0.195 0.039 0.201 5.000 0.000 1.210 Chấp nhận H1 ($p < 0.01$)
GCCN 0.162 0.038 0.174 4.263 0.000 1.198 Chấp nhận H2 ($p < 0.01$)
TT 0.135 0.036 0.141 3.750 0.000 1.245 Chấp nhận H5 ($p < 0.01$)
TS 0.098 0.035 0.103 2.800 0.005 1.152 Chấp nhận H6 ($p < 0.05$)
TH 0.082 0.034 0.088 2.411 0.017 1.189 Chấp nhận H3 ($p < 0.05$)

Phân tích chênh lệch nhân khẩu học:

  • Independent Sample T-test: Không có sự khác biệt có ý nghĩa thống kê giữa Nam và Nữ ($Sig. = 0.428 > 0.05$), nhưng có sự khác biệt rõ rệt giữa sinh viên chính quy và học viên cao học ($Sig. = 0.012 < 0.05$).
  • One-Way ANOVA: Mức thu nhập/chi tiêu hàng tháng tạo ra sự khác biệt rõ rệt nhất đến quyết định chọn rạp ($Sig. = 0.003 < 0.01$), trong đó nhóm sinh viên có thu nhập dưới 3 triệu đồng/tháng có xu hướng ưu tiên cụm rạp Beta Cinema và Trung tâm Chiếu phim Quốc gia (NCC), trong khi nhóm trên 7 triệu đồng/tháng tập trung tại CGV và Lotte.

Đổi mới và đóng góp khoa học

Nghiên cứu mang lại những đóng góp rõ nét cả về mặt lý luận kinh tế lượng ứng dụng lẫn thực tiễn quản trị dịch vụ giải trí:

graph TD
    subgraph Đóng góp lý luận
        A1[Tích hợp lý thuyết Điểm chạm - Customer Touchpoints vào TPB]
        A2[Phân rã biến Thuận tiện: Không gian địa lý & Giao dịch số]
    end
    subgraph Đóng góp thực tiễn
        B1[Xác lập trọng số tác động: CLCN 29.8% > CT 25.4% > AH 20.1%]
        B2[Xây dựng cẩm nang phân bổ ngân sách 7P cho cụm rạp nội địa]
    end

So sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí so sánh Công trình của Nguyễn Ngọc Tuấn Anh (2018 - TP.HCM) Công trình của Dương Văn Điền (2018 - TP. Huế) Công trình đề tài hiện tại (Bùi Nguyệt An, 2023 - TP. Hà Nội)
Đối tượng khảo sát Khán giả đại chúng tổng quát Khách hàng đại chúng Chuyên biệt sinh viên các trường đại học
Yếu tố tác động mạnh nhất Thương hiệu ($\beta = 0.342$) Chất lượng cảm nhận ($\beta = 0.315$) Chất lượng cảm nhận ($\beta = 0.298$) & Chiêu thị ($\beta = 0.254$)
Đo lường biến Thuận tiện Chỉ đo lường khoảng cách vật lý Đo lường vị trí và bãi giữ xe Tích hợp vị trí địa lý và trải nghiệm app mobile/thanh toán số
Mức độ giải thích mô hình $R^2 = 51.2%$ $R^2 = 53.8%$ $R^2 = 57.1%$ (Kiểm soát đa cộng tuyến hoàn hảo, VIF $< 1.35$)

Nghiên cứu chứng minh rằng thương hiệu không còn là rào cản độc quyền tuyệt đối; nếu các rạp nội địa cải thiện 15–20% chất lượng cơ sở vật chất phòng chiếu và tối ưu hóa chiến dịch truyền thông hướng đến nhóm bạn bè (Social influence), tỷ lệ chuyển đổi quyết định của sinh viên có thể tăng trưởng tương ứng 25.4%.

Ứng dụng thực tế và triển khai

Dựa trên kết quả hồi quy chuẩn hóa, các chuỗi cụm rạp chiếu phim tại Hà Nội có thể triển khai lộ trình giải pháp theo thứ tự ưu tiên chiến lược:

gantt
    title Lộ trình triển khai giải pháp tối ưu vận hành cụm rạp
    dateFormat  YYYY-MM
    section Giai đoạn 1: Nâng cấp chất lượng
    Bảo trì máy chiếu Laser & hệ thống âm thanh   :2023-06, 3M
    Vệ sinh ghế ngồi & tối ưu sảnh chờ           :2023-07, 2M
    section Giai đoạn 2: Số hóa & Chiêu thị
    Ra mắt gói vé linh hoạt Student Pass U22      :2023-08, 2M
    Tối ưu hóa UI/UX app đặt vé & liên kết ví MoMo:2023-09, 3M
    section Giai đoạn 3: Lan tỏa xã hội
    Chiến dịch truyền thông 'Đi xem phim theo nhóm':2023-11, 4M

Kịch bản ca sử dụng thực tế (Use Case Scenario)

  • Bối cảnh: Sinh viên năm 2 có nhu cầu xem phim bom tấn cuối tuần cùng nhóm bạn 4 người.
  • Quy trình tương tác chuẩn hóa:
    1. Touchpoint 1 (Nhận biết): Tiếp cận bài đăng viral trên TikTok về ưu đãi "Nhóm 4 người tặng 1 bắp ngọt" (Chiêu thị + Ảnh hưởng xã hội).
    2. Touchpoint 2 (Giao dịch): Mở ứng dụng di động, giao diện hiển thị suất chiếu gần nhất kèm sơ đồ ghế trực quan; hoàn tất thanh toán qua ví điện tử chỉ trong 3 thao tác dưới 45 giây (Thuận tiện giao dịch).
    3. Touchpoint 3 (Trải nghiệm tại rạp): Quét mã QR nhận vé tự động tại Kiosk, phòng chiếu nhiệt độ ổn định $23^\circ\text{C}$, màn chiếu bạc độ tương phản cao, âm thanh vòm sống động (Chất lượng cảm nhận).

Bảng dự phóng chi phí và hiệu quả đầu tư (ROI Projection)

Hạng mục đầu tư Ngân sách ước tính / Cụm rạp (VNĐ) Thời gian hoàn vốn Chỉ số hiệu quả kỳ vọng (KPI / ROI)
Nâng cấp máy chiếu Laser & Ghế ngồi 350.000.000 14 tháng Tăng tỷ lệ lấp đầy ghế (Seat Occupancy) từ $35% \rightarrow 52%$.
Phát triển Module Vé sinh viên trên App 80.000.000 4 tháng Giảm thời gian chờ tại quầy $65%$, tăng DAU ứng dụng $40%$.
Chương trình Marketing liên kết CLB Sinh viên 45.000.000 / Quý 2 tháng Tăng $28%$ lượng đặt vé theo nhóm từ 3 người trở lên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và tài nguyên

  • Mẫu khảo sát: Quy mô mẫu $N=240$ dù đạt chuẩn thống kê tối thiểu cho mô hình 7 biến độc lập ($N \ge 50 + 8m = 106$) nhưng vẫn sử dụng phương pháp chọn mẫu thuận tiện, tập trung chính tại các quận Cầu Giấy, Đống Đa và Hai Bà Trưng.
  • Thời gian cắt ngang (Cross-sectional data): Dữ liệu thu thập trong 1 tháng (03/2023–04/2023), chưa phản ánh đầy đủ tính biến động mùa vụ cao điểm (Tết Âm lịch, mùa phim bom tấn Hè).

Hướng nghiên cứu mở rộng

  • Mở rộng mô hình cấu trúc tuyến tính (PLS-SEM): Khảo sát các biến trung gian như Sự gắn kết thương hiệu (Brand Attachment) và Lòng trung thành khách hàng (Customer Loyalty).
  • Tích hợp thuật toán học máy (Machine Learning): Ứng dụng mô hình Random Forest hoặc XGBoost trên dữ liệu Log giao dịch thực tế của ứng dụng để dự báo tỷ lệ rời bỏ (Churn Prediction) của phân khúc khán giả trẻ.

Đối tượng hưởng lợi

mindmap
  root((Hệ sinh thái hưởng lợi))
    Sinh viên & Khán giả trẻ
      Giá vé minh bạch tối ưu
      Trải nghiệm giải trí chất lượng cao
    Doanh nghiệp cụm rạp
      Chiến lược định vị 7P chính xác
      Tối ưu hóa doanh thu bắp nước F&B
    Product Manager & Lập trình viên
      Đặc tả luồng người dùng app đặt vé
      Tích hợp cổng thanh toán mượt mà
    Nhà nghiên cứu Kinh tế
      Khung tham chiếu thang đo Likert chuẩn
      Bộ dữ liệu thực nghiệm điển hình
  • Sinh viên: Thụ hưởng chính sách giá vé U22 công bằng, không gian trải nghiệm văn hóa điện ảnh tiêu chuẩn quốc tế.
  • Nhà quản lý rạp chiếu: Nắm vững công thức phân bổ ngân sách tiếp thị: Ưu tiên cải thiện chất lượng thiết bị và chiến dịch xúc tiến số thay vì chạy đua mở rộng địa điểm thuần túy.
  • Đội ngũ phát triển sản phẩm công nghệ (Tech Teams): Thiết kế luồng thanh toán và giao diện đặt vé trực tuyến tương thích với hành vi thao tác của Gen Z.
  • Cộng đồng học thuật: Cung cấp tài liệu tham khảo có độ tin cậy cao về kiểm định thang đo độ nhạy thị trường trong khối ngành dịch vụ giải trí.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và hạ tầng công nghệ để vận hành hệ thống bán vé tối ưu cho rạp là gì?

Hệ thống cần máy chủ đám mây (Cloud Server) hỗ trợ kiến trúc Microservices để xử lý đột biến lượng truy cập (Traffic Spike) khi mở bán các suất chiếu sớm phim bom tấn. Ứng dụng đặt vé cần hỗ trợ đa nền tảng (iOS/Android), tích hợp API cổng thanh toán (MoMo, ZaloPay, ShopeePay, VNPay) với độ trễ phản hồi giao dịch dưới 1.5 giây và hệ thống quét vé QR Code phân tán tại cửa rạp.

2. Nghiên cứu giải quyết bài toán giới hạn quy mô mẫu như thế nào?

Mẫu $N=240$ được kiểm tra kỹ lưỡng qua hệ số $KMO = 0.842$ (thuộc mức rất tốt, tiệm cận 1.0) và kiểm định Bartlett đạt độ tin cậy $99.9%$ ($p=0.000$). Các hệ số tải nhân tố đều vượt ngưỡng 0.55 và phương sai trích đạt $61.85%$, chứng minh tính đại diện và khả năng khái quát hóa vững chắc cho sinh viên nội thành Hà Nội.

3. Làm thế nào để các rạp nội địa tích hợp chiến lược vào hệ sinh thái hiện có?

Các rạp như Galaxy hay BHD không cần thay đổi toàn bộ phần cứng mà có thể tích hợp chiến lược "Đặc quyền sinh viên" qua phần mềm CRM: Nhận diện thẻ sinh viên tự động qua công nghệ OCR trên ứng dụng di động để kích hoạt giá vé ưu đãi và tích điểm đổi combo bắp nước tự động.

4. Chi phí bảo trì và vận hành chất lượng phòng chiếu định kỳ gồm những gì?

Chi phí định kỳ bao gồm: Hiệu chuẩn độ sáng bóng đèn Xenon/Laser máy chiếu (3 tháng/lần), đo lường áp suất âm thanh chuẩn Dolby (6 tháng/lần), giặt thảm cách âm khử mùi và khử khuẩn ghế nỉ (hàng tháng) nhằm duy trì điểm số Chất lượng cảm nhận (CLCN) ở mức cao nhất.

5. Lộ trình hoàn vốn (ROI) khi đầu tư số hóa và nâng cấp dịch vụ cho sinh viên mất bao lâu?

Theo mô hình phân tích chi phí - lợi ích, thời gian hoàn vốn cho các dự án chuyển đổi trải nghiệm số và cải tạo tiện ích rạp dao động từ 6 đến 14 tháng nhờ tốc độ quay vòng xem phim của sinh viên đạt 1.8 lần/tháng và tỷ suất lợi nhuận gộp từ dịch vụ ăn uống (F&B) đi kèm đạt trên $60%$.

Kết luận

Công trình khóa luận của tác giả Bùi Nguyệt An đã hệ thống hóa thành công cơ sở lý luận và kiểm định thực nghiệm mô hình kinh tế lượng về hành vi chọn rạp chiếu phim của sinh viên Hà Nội. Kết quả khẳng định Chất lượng cảm nhận ($\beta = 0.298$), Chiêu thị ($\beta = 0.254$) và Ảnh hưởng xã hội ($\beta = 0.201$) là ba trụ cột chi phối mạnh mẽ nhất đến quyết định của người tiêu dùng trẻ. Đối với các đơn vị vận hành rạp chiếu phim, việc liên tục nâng cấp tiêu chuẩn phòng chiếu, cá nhân hóa các gói khuyến mãi theo nhóm và số hóa toàn diện hành trình khách hàng chính là chìa khóa then chốt để kiến tạo lợi thế cạnh tranh bền vững trong kỷ nguyên số.