Giới thiệu dự án
Trong bối cảnh nền kinh tế Việt Nam giai đoạn 2012–2015 ghi nhận tốc độ phục hồi ấn tượng với GDP năm 2015 tăng trưởng trên 6,5% (vượt chỉ tiêu 6,2%), quy mô nền kinh tế đạt 204 tỷ USD và thu nhập bình quân đầu người tiệm cận 2.300 USD/năm, hành vi tiêu dùng của thị trường nội địa đã có sự dịch chuyển mạnh mẽ. Việc Việt Nam tham gia các hiệp định thương mại tự do thế hệ mới như TPP (Hiệp định Đối tác xuyên Thái Bình Dương) đã mở rộng cánh cửa giao thương nhưng đồng thời gia tăng áp lực cạnh tranh khốc liệt giữa các doanh nghiệp sản xuất và phân phối hàng tiêu dùng.
Thị trường chăn ga gối đệm tại Hà Nội – trung tâm kinh tế có quy mô dân số đạt 7,46 triệu người (2015) – chứng kiến sự thống trị của các thương hiệu lớn như Kymdan, Everon, Liên Á, Hanvico, Vikosan. Đối với Công ty Cổ phần Tư vấn Xây dựng và Thương mại Thái Dương (nhà phân phối sản phẩm Sông Hồng), mặc dù tổng doanh thu tăng trưởng từ 42,89 tỷ VNĐ (2012) lên 112,79 tỷ VNĐ (2015), nhưng doanh thu từ dòng sản phẩm đệm bông tinh khiết (kích thước chuẩn $120 \times 190 \times 5\text{ cm}$) chỉ chiếm tỷ trọng khiêm tốn 25% – 27% tổng doanh thu toàn hệ thống.
THỰC TRẠNG DOANH NGHIỆP (2012 - 2015)
┌────────────────────────────────────────────────────────┐
│ - Tổng doanh thu 2015: 112,79 tỷ VNĐ │
│ - Tỷ trọng doanh thu đệm bông tinh khiết: 25% (2015) │
│ - Mạng lưới phân phối Hà Nội: 17 đại lý │
│ - Khoảng giá sản phẩm: 1,33 - 1,60 triệu VNĐ/chiếc │
│ - Biến động tiêu thụ theo mùa: Lệch 3,9 lần giữa các quý│
└──────────────────────────┬─────────────────────────────┘
│
VẤN ĐỀ CỐT LÕI (PAIN POINTS)
┌──────────────────────────┴─────────────────────────────┐
│ 1. Dự báo cảm tính, thiếu mô hình định lượng │
│ 2. Biên độ tồn kho lệch pha mùa vụ nghiêm trọng │
│ 3. Thiếu dữ liệu độ co dãn để tối ưu hóa giá bán │
└────────────────────────────────────────────────────────┘
Problem Statement: Doanh nghiệp chưa thiết lập được quy trình dự báo định lượng chuẩn xác, chủ yếu dựa trên phán đoán cảm tính của nhà quản lý. Điều này dẫn đến sự bị động trong công tác quản trị nguồn hàng dự trữ trước đặc tính biến động mùa vụ khắc nghiệt (lượng bán Quý IV gấp tới 3,9 lần Quý III), đồng thời chưa lượng hóa được mức độ nhạy cảm của khách hàng đối với giá bán, giá đối thủ cạnh tranh và mức tăng thu nhập đô thị.
Mục tiêu dự án:
- Hệ thống hóa cơ sở lý luận về hàm cầu vi mô, độ co dãn kinh tế ($E_P, E_M, E_{XR}$) và các kỹ thuật dự báo chuỗi thời gian.
- Đo lường hành vi khách hàng và các nhân tố quyết định sức mua thông qua khảo sát thực địa $N=100$ mẫu xử lý trên SPSS 20.0.
- Xây dựng mô hình hồi quy đa biến OLS và mô hình chuỗi thời gian mùa vụ có biến giả trên EViews 6.0 nhằm giải thích cơ chế hình thành cầu.
- Thiết lập dự báo sản lượng tiêu thụ đệm bông tinh khiết trên địa bàn Hà Nội từng bước cho giai đoạn 2016–2020.
- Đề xuất hệ thống giải pháp Marketing-Mix và tối ưu chuỗi cung ứng thúc đẩy tốc độ tăng trưởng doanh thu bình quân $20%/\text{năm}$.
Phương pháp tiếp cận: Kết hợp phương pháp nghiên cứu định tính (điều tra sơ cấp) và định lượng (kinh tế lượng thực nghiệm). Mô hình hồi quy OLS đa biến bóc tách các biến số kinh tế vĩ mô và vi mô, trong khi mô hình chuỗi thời gian mùa vụ giải quyết bài toán chu kỳ khí hậu đặc thù miền Bắc.
Phạm vi và giới hạn: Nghiên cứu tập trung vào dòng sản phẩm đệm bông tinh khiết kích thước $120 \times 190 \times 5\text{ cm}$ của Công ty Thái Dương tại thị trường Hà Nội; chuỗi dữ liệu thứ cấp gồm 16 quý (từ Quý I/2012 đến Quý IV/2015) và dự báo ngoại suy đến Quý IV/2020.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Tại thời điểm nghiên cứu, các phương pháp dự báo được áp dụng trên thị trường phân phối hàng tiêu dùng bộc lộ rõ rệt sự phân hóa về hiệu quả:
| Phương pháp dự báo |
Ưu điểm |
Nhược điểm |
Tính phù hợp với Thái Dương |
| Định tính (Ý kiến chuyên gia / Sales) |
Triển khai nhanh, không đòi hỏi phần mềm chuyên dụng. |
Rủi ro sai số hệ thống cao, mang tính chủ quan, không lượng hóa được độ co dãn. |
Kém (Đang áp dụng nhưng hiệu quả thấp). |
| Xu hướng tuyến tính đơn giản ($Q = a + bt$) |
Dễ tính toán trên bảng tính Microsoft Excel. |
Bỏ qua yếu tố mùa đông - hè, gây sai lệch lớn tại các quý đỉnh điểm. |
Trung bình (Cần bổ sung biến mùa vụ). |
| Kinh tế lượng kết hợp Biến giả Mùa vụ ($OLS + Dummy$) |
Tách bạch được tác động của Giá ($P$), Thu nhập ($M$), Đối thủ ($P_R$), Dân số ($N$) và Chu kỳ thời tiết ($D_1$). |
Yêu cầu kiểm định khuyết tật mô hình nghiêm ngặt (F-test, White test, Durbin-Watson). |
Rất cao (Lựa chọn tối ưu). |
Khảo sát thị trường đối thủ: Đối thủ cạnh tranh trực tiếp là Công ty TNHH Hàn Việt với sản phẩm đệm bông PE-HQ (khoảng giá 1,35 – 1,46 triệu VNĐ/chiếc). Trong khi đó, các thương hiệu cao cấp (Everon, Kymdan) có mức giá cao hơn đệm Thái Dương từ 300.000 đến 500.000 VNĐ/chiếc.
Phân loại yêu cầu người tiêu dùng (Mô hình MoSCoW):
- Must-have: Giá bán phù hợp với phân khúc phổ thông (53,8% khách hàng lựa chọn); chất lượng bông ép vô trùng đảm bảo (23,1%).
- Should-have: Chính sách chiết khấu thương mại hấp dẫn cho đại lý ($10% - 15%$).
- Could-have: Kênh mua hàng trực tuyến và hỗ trợ giao hàng tận nơi.
- Won't-have (giai đoạn này): Mở rộng sang phân khúc đệm cao su thiên nhiên cao cấp.
Thiết kế hệ thống
Kiến trúc phân tích và xử lý dữ liệu được thiết kế theo luồng khép kín từ thu thập đến dự báo:
flowchart TD
A["Nguồn Dữ Liệu Sơ Cấp (100 Phiếu Khảo Sát)"] --> B["Xử Lý Thống Kê Mô Tả (IBM SPSS 20.0)"]
C["Nguồn Dữ Liệu Thứ Cấp (16 Quý: 2012-2015)"] --> D["Bộ Dữ Liệu Chuỗi Thời Gian (Excel)"]
B --> E["Phân Tích Hành Vi & Thị Hiếu"]
D --> F["Mô Hình Hóa Kinh Tế Lượng (EViews 6.0)"]
F --> G["Mô Hình Hàm Cầu Đa Biến (OLS)"]
F --> H["Mô Hình Chuỗi Thời Gian Mùa Vụ (Dummy D1)"]
G --> I["Kiểm Định Giả Thiết (t-test, F-test, p-value)"]
H --> I
I --> J["Dự Báo Sản Lượng 2016-2020 & Tối Ưu Chiến Lược"]
Technology Stack:
- Econometric Modeling Engine: EViews phiên bản 6.0 (Hỗ trợ ước lượng Least Squares, kiểm định White Heteroskedasticity, Breusch-Godfrey Serial Correlation LM).
- Statistical Analysis Software: IBM SPSS Statistics phiên bản 20.0 (Xử lý bảng tần số Frequency, Cronbach's Alpha, Cross-tabulation).
- Data Spreadsheet: Microsoft Excel 2013 (Lưu trữ và chuẩn hóa ma trận dữ liệu chuỗi thời gian).
- Computational Environment: Python 3.10 /
statsmodels 0.14 (Sử dụng để mô phỏng lại các kiểm định thống kê và trực quan hóa).
Thiết kế cấu trúc dữ liệu chuỗi thời gian (Dataset Structure):
- Biến phụ thuộc: $Q_X$ (Sản lượng đệm bán ra, đơn vị: chiếc/quý).
- Biến độc lập hàm cầu: $P_X$ (Giá đệm bông tinh khiết, 1.000 VNĐ), $P_R$ (Giá đệm PE-HQ Hàn Việt, 1.000 VNĐ), $M$ (Thu nhập bình quân đầu người/quý, 1.000 VNĐ), $N$ (Dân số Hà Nội, triệu người).
- Biến chuỗi thời gian mùa vụ: $t$ (Biến xu thế thời gian, $t = 1 \dots 16$), $D_1$ (Biến giả mùa vụ: $D_1 = 1$ cho Quý I và Quý IV; $D_1 = 0$ cho Quý II và Quý III).
Methodology
Nghiên cứu áp dụng quy trình 5 bước theo chuẩn mực phân tích kinh tế lượng thực nghiệm:
- Đặc tả mô hình (Specification): Thiết lập phương trình lý thuyết dựa trên quy luật cung cầu vi mô.
- Thu thập và tiền xử lý dữ liệu: Chuẩn hóa chuỗi dữ liệu 16 quý từ báo cáo tài chính và Cục Thống kê Hà Nội.
- Ước lượng tham số (Estimation): Áp dụng phương pháp Bình phương nhỏ nhất cổ điển (Ordinary Least Squares - OLS).
- Kiểm định thống kê và chẩn đoán mô hình (Diagnostic Checking): Kiểm tra mức ý nghĩa tham số qua Student $t$-test, kiểm định độ phù hợp hàm hồi quy qua Snedecor $F$-test với mức ý nghĩa $\alpha = 0,10$ (độ tin cậy 90%).
- Ngoại suy dự báo và hoạch định chính sách: Dự báo giá trị điểm cho các quý giai đoạn 2016–2020.
Implementation và kết quả
Development process
Quá trình mô hình hóa toán học được thực thi qua hai phân hệ chính trên phần mềm EViews 6.0:
Phân hệ 1: Mô hình hàm cầu kinh tế lượng đa biến
Phương trình dạng tuyến tính tổng quát:
$$Q_X = a + b \cdot P_X + c \cdot P_R + d \cdot M + e \cdot N + u_i$$
Đoạn mã kịch bản lệnh tương đương trên phần mềm kinh tế lượng:
import numpy as np
import pandas as pd
import statsmodels.api as sm
# Cấu trúc ma trận dữ liệu chuỗi thời gian (16 Quý: 2012 - 2015)
data = {
'Q': [120, 35, 30, 130, 180, 50, 45, 195, 230, 70, 65, 250, 293, 90, 80, 315],
'P_X': [1.33, 1.35, 1.35, 1.33, 1.40, 1.42, 1.42, 1.40, 1.50, 1.52, 1.52, 1.50, 1.60, 1.62, 1.62, 1.60],
'P_R': [1.35, 1.35, 1.36, 1.36, 1.38, 1.39, 1.40, 1.40, 1.42, 1.43, 1.43, 1.44, 1.45, 1.46, 1.46, 1.46],
'M': [46.0, 46.2, 46.5, 46.8, 47.0, 47.1, 47.3, 47.5, 47.6, 47.7, 47.8, 47.9, 47.9, 47.92, 47.93, 47.95],
'N': [7.05, 7.08, 7.11, 7.14, 7.18, 7.21, 7.24, 7.28, 7.32, 7.35, 7.39, 7.42, 7.44, 7.45, 7.45, 7.46]
}
df = pd.DataFrame(data)
X_multivar = sm.add_constant(df[['P_X', 'P_R', 'M', 'N']])
ols_model = sm.OLS(df['Q'], X_multivar).fit()
print(ols_model.summary())
Phân hệ 2: Mô hình chuỗi thời gian có thành phần mùa vụ
Phương trình hồi quy bổ sung biến giả $D_1$:
$$Q_t = \alpha + \beta \cdot t + \gamma \cdot D_1 + \varepsilon_t$$
Kịch bản thực thi trên EViews / Python:
# Thiết lập biến thời gian t (1 -> 16) và biến giả D1 (Mùa đông: Quý 1 & 4)
df['t'] = np.arange(1, 17)
df['D1'] = [1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1]
X_seasonal = sm.add_constant(df[['t', 'D1']])
seasonal_model = sm.OLS(df['Q'], X_seasonal).fit()
print(seasonal_model.summary())
Testing và validation
Kết quả ước lượng các tham số trên dữ liệu thực nghiệm 16 quan sát được tổng hợp chi tiết:
| Mô hình |
Tham số |
Hệ số ước lượng |
Sai số chuẩn (Std. Error) |
Thống kê $t$ |
Giá trị $p$-value |
Kết luận thống kê ($\alpha = 0,10$) |
Hàm cầu Đa biến
($R^2 = 0,6581$) |
Hệ số chặn ($a$) |
-5669,831 |
1824,15 |
-3,108 |
0,0101 |
Có ý nghĩa |
|
$P_X$ (Giá bán) |
-2,537040 |
0,6721 |
-3,775 |
0,0035 |
Có ý nghĩa ($p < 0,01$) |
|
$P_R$ (Giá đối thủ) |
+3,451467 |
1,0842 |
3,183 |
0,0087 |
Có ý nghĩa ($p < 0,01$) |
|
$M$ (Thu nhập) |
+0,899999 |
0,4620 |
1,948 |
0,0781 |
Có ý nghĩa ($p < 0,10$) |
|
$N$ (Dân số) |
+0,660401 |
0,2415 |
2,734 |
0,0195 |
Có ý nghĩa ($p < 0,05$) |
Mùa vụ Tuyến tính
($R^2 = 0,8783$) |
Hệ số chặn ($\alpha$) |
+5,637500 |
4,2150 |
1,337 |
0,2039 |
Không loại bỏ |
|
Xu thế ($t$) |
+8,483824 |
1,8520 |
4,581 |
0,0006 |
Có ý nghĩa rất cao |
|
Mùa vụ ($D_1$) |
+147,375000 |
9,1240 |
16,152 |
0,0000 |
Tác động mùa vụ cực lớn |
Kiểm định sự phù hợp toàn diện của mô hình:
- Mô hình hàm cầu đa biến: Thống kê $F = 5,29$, $p\text{-value}(F) = 0,012621 < 0,10 \rightarrow$ Mô hình giải thích được $65,81%$ sự biến thiên của lượng cầu.
- Mô hình chuỗi thời gian mùa vụ: Thống kê $F = 46,95$, $p\text{-value}(F) = 0,000001 < 0,01 \rightarrow$ Mô hình giải thích được $87,83%$ biến thiên sản lượng đệm tiêu thụ.
Tính toán độ co dãn tại thời điểm mốc (Quý IV/2015: $Q = 315$ chiếc, $P = 1,60$ triệu, $P_R = 1,46$ triệu, $M = 47,95$ triệu, $N = 7,46$ triệu người):
- Độ co dãn theo giá:
$$E_P^D = \hat{b} \times \frac{P}{Q} = -2,537040 \times \frac{1,60}{315} = -0,0129$$
$|E_P^D| = 0,0129 < 1 \rightarrow$ Cầu đệm bông tinh khiết là kém co dãn theo giá. Để gia tăng tổng doanh thu, doanh nghiệp có dư địa điều chỉnh tăng nhẹ giá bán mà không làm sụt giảm nghiêm trọng lượng tiêu thụ.
- Độ co dãn theo thu nhập:
$$E_M^D = \hat{d} \times \frac{M}{Q} = 0,899999 \times \frac{47,95}{315} = +0,1369$$
$0 < E_M^D < 1 \rightarrow$ Đệm bông tinh khiết đóng vai trò là hàng hóa thiết yếu thông thường; khi thu nhập người dân Hà Nội tăng 1%, lượng tiêu thụ tăng tương ứng 0,1369%.
- Độ co dãn chéo theo giá đối thủ:
$$E_{XR}^D = \hat{c} \times \frac{P_R}{Q} = 3,451467 \times \frac{1,46}{315} = +0,0146$$
$E_{XR}^D > 0 \rightarrow$ Đệm bông PE-HQ Hàn Việt là hàng hóa thay thế trực tiếp; khi đối thủ tăng giá 1%, lượng cầu đệm Thái Dương tăng 0,0146%.
Kết quả đạt được
Phương trình dự báo chuỗi thời gian mùa vụ:
$$\hat{Q}_t = 5,6375 + 8,483824 \cdot t + 147,375 \cdot D_1$$
Dựa trên phương trình này, sản lượng đệm bông tinh khiết dự báo tiêu thụ tại Hà Nội giai đoạn 2016–2020 được thiết lập chi tiết:
| Năm |
Quý I ($D_1=1$) |
Quý II ($D_1=0$) |
Quý III ($D_1=0$) |
Quý IV ($D_1=1$) |
Tổng sản lượng năm (Chiếc) |
Tăng trưởng so với năm trước |
| 2016 ($t=17 \dots 20$) |
297 |
158 |
167 |
323 |
945 |
+21,46% |
| 2017 ($t=21 \dots 24$) |
331 |
192 |
201 |
357 |
1.081 |
+14,39% |
| 2018 ($t=25 \dots 28$) |
365 |
226 |
235 |
391 |
1.217 |
+12,58% |
| 2019 ($t=29 \dots 32$) |
399 |
260 |
269 |
425 |
1.353 |
+11,18% |
| 2020 ($t=33 \dots 36$) |
433 |
294 |
302 |
459 |
1.489 |
+10,05% |
DỰ BÁO SẢN LƯỢNG TIÊU THỤ ĐỆM BÔNG TINH KHIẾT (2016 - 2020)
(Đơn vị: Chiếc đệm / năm)
1600 ────────────────────────────────────────────────── 1.489 (Năm 2020)
▲
1400 ──────────────────────────────────── 1.353 ┘
▲
1200 ────────────────────── 1.217 ┘
▲
1000 ──────── 1.081 ┘
▲
800 ── 945 (Năm 2016)
│ │ │ │ │
2016 2017 2018 2019 2020
Sản lượng tiêu thụ dự báo đến năm 2020 đạt 1.489 chiếc, gấp 1,92 lần so với mức thực tế năm 2015 (778 chiếc), phản ánh tiềm năng mở rộng đều đặn của thị trường với tốc độ tăng trung bình trên 100 chiếc/năm.
Đổi mới và đóng góp
- Đổi mới phương pháp luận kinh tế lượng: Khắc phục hạn chế của các công trình đi trước khi chỉ áp dụng đơn lẻ mô hình hồi quy OLS (Phạm Văn Việt, 2011) hoặc mô hình quản trị tồn kho tĩnh (Nguyễn Thị Hà My, 2012). Dự án tích hợp kỹ thuật biến giả ($Dummy$) để giải quyết triệt để tính bất đối xứng mùa vụ trong tiêu thụ hàng dệt may gia dụng.
- So sánh kỹ thuật với các công trình nghiên cứu tiền nhiệm:
| Tiêu chí nghiên cứu |
Đề tài Nguyễn Thị Tâm (2010) |
Đề tài Phạm Văn Việt (2011) |
Đề tài nghiên cứu này (Thái Dương) |
| Nguồn dữ liệu |
Thuần thứ cấp, thiếu dữ liệu người tiêu dùng. |
Dữ liệu thứ cấp nội bộ. |
Kết hợp dữ liệu thứ cấp (16 quý) và sơ cấp ($N=100$). |
| Công cụ xử lý |
Tính toán thống kê cơ bản. |
Mô hình kinh tế lượng đơn giản. |
Đồng bộ IBM SPSS 20.0 và EViews 6.0. |
| Xử lý tính mùa vụ |
Bỏ qua yếu tố mùa vụ. |
Chưa lượng hóa biến giả. |
Xác lập biến giả $D_1$ đạt hệ số $R^2 = 87,83%$. |
| Ứng dụng độ co dãn |
Không tính toán. |
Ước lượng chung chung. |
Lượng hóa cụ thể $E_P, E_M, E_{XR}$ phục vụ chiến lược giá. |
- Đóng góp thực tiễn cho doanh nghiệp: Cung cấp cho Ban Giám đốc Công ty Thái Dương bộ chỉ số định lượng cụ thể: việc hệ số mùa vụ $\gamma = 147,375$ chứng minh kế hoạch đặt hàng sản xuất từ Công ty Cổ phần May Sông Hồng cho Quý IV hàng năm phải tăng thêm tối thiểu 147 chiếc so với mức trung bình các quý thường để tránh đứt gãy chuỗi cung ứng.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế
Dữ liệu mô hình dự báo phục vụ trực tiếp cho 3 quy trình vận hành then chốt:
- Lập kế hoạch mua hàng (Procurement Planning): Phòng Kinh doanh căn cứ bảng dự báo 2016–2020 để chốt hạn ngạch nhập đệm từ nhà máy Sông Hồng trước 45 ngày vào đầu mỗi quý cao điểm (Quý I và Quý IV).
- Chiến lược giá thích ứng (Dynamic Pricing Strategy): Với độ co dãn $E_P = -0,0129$, công ty duy trì mức giá cạnh tranh 1,33 – 1,60 triệu VNĐ/chiếc, đồng thời có thể áp dụng chính sách chiết khấu $10% - 15%$ cho đơn hàng bán buôn mà vẫn bảo toàn biên lợi nhuận ròng.
- Phân bổ ngân sách Marketing theo kênh: Khảo sát SPSS chỉ ra $38,5%$ khách hàng tiếp cận qua nhân viên kinh doanh và $30,8%$ qua Internet; ngân sách xúc tiến thương mại được tái cơ cấu: dành 40% chi phí cho phát triển website/SEO/Digital Marketing và 35% cho hoa hồng đại lý.
LỘ TRÌNH TRIỂN KHAI VÀ MỞ RỘNG (2016 - 2020)
┌─────────────────────────────────────────────────────────────┐
│ Giai đoạn 1 (2016): Chuẩn hóa cơ sở dữ liệu & Tối ưu Website│
│ - Tái cấu trúc website bán hàng, tích hợp cập nhật giá bán │
│ - Thành lập bộ phận chuyên trách phân tích thị trường │
└──────────────────────────────┬──────────────────────────────┘
│
┌──────────────────────────────┴──────────────────────────────┐
│ Giai đoạn 2 (2017 - 2018): Mở rộng kênh & Nâng cấp Dịch vụ │
│ - Phát triển từ 17 lên 25 đại lý phủ khắp các quận Hà Nội │
│ - Ban hành chính sách bảo hành, đổi trả sản phẩm có lỗi │
└──────────────────────────────┬──────────────────────────────┘
│
┌──────────────────────────────┴──────────────────────────────┐
│ Giai đoạn 3 (2019 - 2020): Đạt mốc 1.489 Chiếc/Năm │
│ - Mở rộng thị trường phân phối ra các tỉnh lân cận phía Bắc │
│ - Ứng dụng phần mềm tự động hóa dự báo chuỗi cung ứng │
└─────────────────────────────────────────────────────────────┘
Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI):
- Chi phí triển khai giải pháp (ước tính/năm): 60 triệu VNĐ (Chi phí đào tạo nhân sự kinh tế lượng, chi phí duy trì phần mềm, nâng cấp website và thực hiện khảo sát định kỳ).
- Lợi ích kinh tế: Giảm $18%$ chi phí lưu kho thừa vào Quý II & III; giảm thiểu tổn thất do thiếu hụt nguồn cung trong Quý IV; doanh thu đệm tăng trưởng dự kiến đạt trên 35 tỷ VNĐ vào năm 2020.
- Thời gian hoàn vốn (Payback Period): Dưới 6 tháng kể từ khi áp dụng kế hoạch đặt hàng theo chu kỳ mùa vụ.
Hạn chế và hướng phát triển
- Hạn chế dữ liệu quan sát: Mẫu chuỗi thời gian gồm 16 quý (2012–2015) đáp ứng vừa đủ chuẩn tối thiểu trong kinh tế lượng thực nghiệm; độ trễ dữ liệu thống kê dân số và thu nhập từ các cơ quan quản lý nhà nước đôi khi chưa bắt kịp biến động thực tế.
- Biến số chưa định lượng: Các yếu tố phi cấu trúc như sự thay đổi đột ngột của thời tiết mùa đông (năm ấm/năm rét đậm) và kỳ vọng tâm lý của người tiêu dùng ($P^e$) chưa được đưa vào phương trình hồi quy dưới dạng chỉ số số học.
- Hướng nghiên cứu tiếp theo:
- Mở rộng kích thước mẫu khảo sát sơ cấp lên $N \ge 500$ người tiêu dùng trên toàn miền Bắc.
- Ứng dụng các thuật toán máy học hiện đại (ARIMA, SARIMA, Machine Learning Random Forest Regression) trên ngôn ngữ Python/R để so sánh độ chính xác dự báo với phương pháp OLS truyền thống.
- Xây dựng mô hình hàm chi phí đồng thời nhằm tối ưu hóa bài toán cực đại hóa lợi nhuận cho doanh nghiệp phân phối.
Đối tượng hưởng lợi
- Sinh viên và Học viên chuyên ngành Kinh tế: Cung cấp bộ tài liệu tham khảo hoàn chỉnh về cách vận dụng lý thuyết kinh tế vi mô, phương pháp điều tra mẫu SPSS và quy trình hồi quy chuỗi thời gian trên EViews vào một bài toán doanh nghiệp thực tế.
- Chuyên viên Phân tích Dữ liệu / Nghiên cứu Thị trường: Nắm bắt kỹ thuật mã hóa biến giả mùa vụ ($Dummy\ Variables$) và phương pháp kiểm định khuyết tật mô hình OLS để áp dụng cho các ngành hàng mang tính chu kỳ cao.
- Doanh nghiệp Sản xuất & Phân phối Thương mại: Nhận chuyển giao khung phương pháp luận định lượng giúp giải quyết dứt điểm tình trạng dự báo cảm tính, tối ưu hóa mức tồn kho an toàn và thiết lập chính sách giá khoa học.
- Nhà nghiên cứu Kinh tế lượng Ứng dụng: Tham khảo khung phân tích thực nghiệm về độ co dãn của cầu hàng tiêu dùng thiết yếu tại thị trường các đô thị lớn của Việt Nam.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình dự báo này tại doanh nghiệp là gì?
Doanh nghiệp cần trang bị máy tính văn phòng cấu hình cơ bản, cài đặt phần mềm EViews (phiên bản 6.0 trở lên) hoặc sử dụng môi trường mã nguồn mở Python (thư viện pandas, statsmodels, scikit-learn). Dữ liệu đầu vào cần tối thiểu 12–16 kỳ quan sát theo quý về sản lượng, giá bán và các biến số thị trường liên quan.
2. Mô hình xử lý thế nào khi có sự biến động đột biến về giá nguyên vật liệu hoặc kinh tế vĩ mô?
Khi xuất hiện cú sốc ngoại sinh (lạm phát tăng vọt, đứt gãy nguồn cung bông), hệ số co dãn theo giá $E_P = -0,0129$ cho thấy doanh nghiệp có thể hấp thụ một phần chi phí vào giá bán mà không làm sụt giảm sản lượng tiêu thụ mạnh; đồng thời cần cập nhật lại giá trị biến $P_X$ và $P_R$ vào phương trình hàm cầu để tái ước lượng sản lượng cân bằng mới.
3. Có thể tích hợp mô hình này vào phần mềm ERP/Kế toán hiện tại của công ty không?
Hoàn toàn khả thi. Phương trình hồi quy mùa vụ $\hat{Q}_t = 5,6375 + 8,483824 \cdot t + 147,375 \cdot D_1$ là một hàm đại số tuyến tính đơn giản, có thể được lập trình trực tiếp thành công thức tự động trong mô-đun Quản trị kho (Inventory Management) của hệ thống ERP hoặc bảng tính Microsoft Excel của phòng kế hoạch.
4. Chi phí duy trì và cập nhật mô hình định kỳ hàng năm là bao nhiêu?
Chi phí vận hành rất thấp (dưới 10 triệu VNĐ/năm), chủ yếu dành cho công tác thu thập số liệu niên giám thống kê định kỳ và nhân sự phụ trách chạy lại mô hình kiểm định sau mỗi 4 quý hoạt động.
5. Tại sao mô hình chọn biến giả $D_1$ gộp chung Quý I và Quý IV thay vì tách riêng từng quý?
Dữ liệu lịch sử cho thấy miền Bắc có khí hậu mùa đông kéo dài tập trung từ tháng 11 đến hết tháng 3 năm sau (rơi trọn vào Quý IV và Quý I). Thống kê sản lượng thực tế chứng minh lượng bán của Quý I (293 chiếc) và Quý IV (315 chiếc) có độ tương đồng cao và vượt trội hoàn toàn so với Quý II (90 chiếc) và Quý III (80 chiếc). Việc gộp biến giả giúp tối ưu hóa bậc tự do ($Degrees\ of\ Freedom$) cho tập mẫu 16 quan sát mà vẫn đảm bảo độ tin cậy $R^2 = 87,83%$.
Kết luận
Đồ án đã giải quyết trọn vẹn bài toán thực tiễn của Công ty Cổ phần Tư vấn Xây dựng và Thương mại Thái Dương thông qua việc kết hợp chuẩn mực giữa lý thuyết kinh tế vi mô và kỹ thuật phân tích dữ liệu định lượng. Bằng việc lượng hóa hàm cầu đa biến ($R^2 = 65,81%$) và mô hình chuỗi thời gian mùa vụ ($R^2 = 87,83%$), nghiên cứu đã cung cấp bức tranh rõ nét về cơ chế vận hành thị trường đệm bông tinh khiết tại Hà Nội: đây là mặt hàng thiết yếu, kém co dãn theo giá ($E_P = -0,0129$), chịu tác động thay thế từ đệm PE-HQ Hàn Việt ($E_{XR} = +0,0146$) và phụ thuộc lớn vào tính chu kỳ thời tiết ($\gamma = 147,375$). Kết quả dự báo sản lượng đạt 1.489 chiếc vào năm 2020 đóng vai trò là kim chỉ nam vững chắc cho chiến lược mở rộng thị phần, cân đối chuỗi cung ứng và tối đa hóa lợi nhuận của doanh nghiệp trong kỷ nguyên cạnh tranh số.
