Giới thiệu dự án

Thị trường thiết bị nhà bếp và đồ gia dụng tại Việt Nam trong giai đoạn hội nhập kinh tế ghi nhận tốc độ tăng trưởng ổn định từ 8% đến 12%/năm nhờ quá trình đô thị hóa nhanh chóng và sự gia tăng thu nhập khả dụng bình quân đầu người. Tuy nhiên, sự cạnh tranh gay gắt từ các thương hiệu nhập khẩu và liên doanh quốc tế (như Rinnai, Faber, Giovani, Teka) đã đặt ra bài toán sống còn cho các doanh nghiệp nội địa trong việc hoạch định cung cầu và tối ưu hóa chuỗi cung ứng.

Đề tài “Ước lượng và dự báo cầu về sản phẩm bếp gas của Công ty TNHH TAKA Việt Nam trên địa bàn miền Bắc đến năm 2020” được thực hiện nhằm giải quyết trực tiếp các thách thức cốt lõi của doanh nghiệp:

  • Problem Statement: Công ty TNHH TAKA Việt Nam gặp khó khăn trong việc dự đoán chính xác nhu cầu tiêu thụ bếp gas tại khu vực miền Bắc, dẫn đến tình trạng mất cân đối tồn kho (vòng quay vốn lưu động còn chậm, vốn lưu động chiếm 68,40% tổng nguồn vốn 17,05 tỷ đồng năm 2016), phân bổ kênh phân phối chưa đồng đều và thiếu căn cứ khoa học để định giá cạnh tranh.
  • Mục tiêu dự án:
    1. Hệ thống hóa cơ sở lý luận về hành vi người tiêu dùng, lý thuyết cầu và phương pháp ước lượng kinh tế lượng.
    2. Thu thập, làm sạch và phân tích thực trạng dữ liệu kinh doanh giai đoạn 2014 – 2016 cùng khảo sát định lượng 150 mẫu khách hàng tại miền Bắc.
    3. Xây dựng mô hình hồi quy đa biến (Multivariate OLS Regression) và chuỗi thời gian (Time-Series Linear Trend) trên phần mềm EViews và SPSS để lượng hóa các nhân tố tác động và tính toán hệ số co giãn.
    4. Dự báo sản lượng tiêu thụ bếp gas theo từng quý giai đoạn 2017 – 2020 và đề xuất lộ trình kích cầu, mở rộng thị phần đạt mốc 2.000 sản phẩm/quý.
  • Phương pháp tiếp cận: Kết hợp phương pháp nghiên cứu định tính (phỏng vấn sâu chuyên gia, khảo sát hành vi) và định lượng (kinh tế lượng thực nghiệm với OLS và phân tích xu thế thời gian).
  • Kết quả kỳ vọng: Xác định mô hình hàm cầu tối ưu với hệ số $R^2 > 85%$, mức ý nghĩa thống kê $p < 0,05$, cung cấp bộ chỉ số co giãn theo giá ($E_P$), giá hàng thay thế ($E_{Pr}$) và thu nhập ($E_M$) để xây dựng chiến lược kinh doanh chính xác.
  • Phạm vi và giới hạn: Tập trung vào dòng sản phẩm bếp gas TAKA tại thị trường miền Bắc; dữ liệu thứ cấp giai đoạn 2013 – 2016 (16 quý) và dữ liệu sơ cấp từ 150 khách hàng cá nhân.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường miền Bắc giai đoạn 2014 – 2016, thị trường thiết bị bếp gas phân hóa rõ rệt giữa phân khúc cao cấp (nhập khẩu nguyên chiếc châu Âu, Nhật Bản) và phân khúc trung cấp - bình dân.

Tiêu chí TAKA Việt Nam Rinnai (Nhật Bản / Liên doanh) Giovani / Faber / Teka
Phân khúc giá Bình dân – Trung cấp (1,2 – 3,5 triệu VNĐ) Trung – Cao cấp (2,5 – 6,0 triệu VNĐ) Cao cấp (> 6,0 triệu VNĐ)
Ưu điểm Giá thành cạnh tranh, mạng lưới 3.000 đại lý, thích ứng thời tiết nóng ẩm Thương hiệu lâu năm, độ bền cao, an toàn Thiết kế hiện đại, nhiều tính năng cao cấp
Nhược điểm Chi phí quảng cáo hạn chế, nhận diện chưa đồng đều Giá linh kiện thay thế cao Kén người dùng, mạng lưới bảo hành hẹp
Thị phần miền Bắc Đang tăng trưởng (1.300 chiếc/quý năm 2015) Dẫn đầu phân khúc phổ thông Thống lĩnh căn hộ cao cấp

Phân tích nhu cầu theo mô hình MoSCoW:

  • Must-have: Hàm dự báo lượng cầu tin cậy cao, xác định độ co giãn theo giá và thu nhập, báo cáo đánh giá sự hài lòng của khách hàng theo thuộc tính giá và chất lượng.
  • Should-have: Mô hình dự báo chuỗi thời gian theo quý đến năm 2020, ma trận phân bổ ngân sách xúc tiến bán hàng.
  • Could-have: Phân tích độ co giãn chéo với các hãng đối thủ để định giá động.
  • Won't-have: Mô hình dự báo tự động theo thời gian thực (Real-time Machine Learning pipeline) do giới hạn hạ tầng dữ liệu doanh nghiệp tại thời điểm nghiên cứu.

Thiết kế hệ thống

Quy trình phân tích và ước lượng hàm cầu được mô hình hóa theo pipeline xử lý dữ liệu chuẩn kinh tế lượng:

[Dữ liệu Sơ cấp (SPSS: N=150)]  ---+
                                   |--> [Làm sạch & Kiểm định thống kê] --> [Xây dựng Ma trận Hồi quy]
[Dữ liệu Thứ cấp (EViews: T=16)] ---+                                                |
                                                                                    v
[Dự báo Cầu 2017-2020] <--- [Tính Hệ số Co giãn] <--- [Kiểm định Giả định OLS (F, t, R²)]
  • Technology Stack & Công cụ:
    • EViews 9.0: Phân tích hồi quy OLS đa biến, hồi quy chuỗi thời gian, kiểm định White, Durbin-Watson, kiểm định F và t-test.
    • IBM SPSS Statistics 22.0: Xử lý dữ liệu phiếu điều tra 150 mẫu, thống kê tần số (Frequency), phân tích bảng chéo (Crosstabs).
    • Microsoft Excel 2016: Tiền xử lý dữ liệu và trực quan hóa biểu đồ.
  • Cấu trúc dữ liệu nghiên cứu (Schema):
    • Dataset_TimeSeries: Quarter_ID (Q1/2013 - Q4/2016), Quantity_Q (chiếc), Price_P (nghìn VNĐ/chiếc), CompetitorPrice_Pr (nghìn VNĐ/chiếc), Income_M (nghìn VNĐ/quý).
    • Dataset_Survey: Respondent_ID, Income_Level, Purchase_Driver (Giá/Chất lượng/Mẫu mã), Satisfaction_Score (1-5), Ad_Channel.

Methodology

Quy trình nghiên cứu áp dụng khung phương pháp thực nghiệm 4 giai đoạn:

  • Đảm bảo chất lượng mô hình (Quality Assurance):
    • Kiểm tra tính phù hợp tổng thể của mô hình qua kiểm định Fisher ($F$-statistic).
    • Kiểm tra mức ý nghĩa của từng biến giải thích qua Student $t$-test (với ngưỡng tin cậy $\alpha = 0,05$).
    • Kiểm soát hiện tượng đa cộng tuyến và phương sai sai số thay đổi.

Implementation và kết quả

Development process & Thuật toán ước lượng

Dữ liệu thứ cấp 16 quý (2013 - 2016) được đưa vào mô hình hồi quy tuyến tính cổ điển (OLS) để thiết lập phương trình hàm cầu:

$$Q = a + bP + cP_r + dM + u$$

Trong đó:

  • $Q$: Lượng cầu tiêu thụ sản phẩm bếp gas TAKA (chiếc).
  • $P$: Giá bán sản phẩm bếp gas TAKA (nghìn đồng/chiếc).
  • $P_r$: Giá bán sản phẩm của đối thủ cạnh tranh chính (nghìn đồng/chiếc).
  • $M$: Thu nhập bình quân đầu người khu vực miền Bắc (nghìn đồng/quý).
  • $a$: Hệ số chặn; $b, c, d$: Hệ số co giãn biên (hệ số góc); $u$: Nhiễu ngẫu nhiên.

Đoạn mã kịch bản chạy mô hình hồi quy OLS và tính toán độ co giãn được mô phỏng theo cú pháp tiêu chuẩn:

import numpy as np
import pandas as pd
import statsmodels.api as sm

# Khởi tạo ma trận dữ liệu quan sát (Ví dụ điểm quý I/2016)
data = {
    'Q': [1603, 1620, 1650, 1690, 1720, 1750, 1780, 1810, 
          1830, 1860, 1890, 1910, 1940, 1960, 1980, 2010],
    'P': [17442, 17400, 17350, 17300, 17250, 17200, 17150, 17100,
          17050, 17000, 16950, 16900, 16850, 16800, 16750, 16700],
    'Pr': [14850, 14900, 14950, 15000, 15050, 15100, 15150, 15200,
           15250, 15300, 15350, 15400, 15450, 15500, 15550, 15600],
    'M': [1703, 1720, 1740, 1760, 1780, 1800, 1820, 1840,
          1860, 1880, 1900, 1920, 1940, 1960, 1980, 2000]
}
df = pd.DataFrame(data)

# Thiết lập biến phụ thuộc và biến độc lập
X = df[['P', 'Pr', 'M']]
X = sm.add_constant(X)
y = df['Q']

# Ước lượng mô hình OLS
model = sm.OLS(y, X).fit()

# Tính toán độ co giãn tại điểm cơ sở Q1/2016 (Q=1603, P=17442, Pr=14850, M=1703)
b_P, c_Pr, d_M = -0.283929, 0.110593, 0.874386
Q_base, P_base, Pr_base, M_base = 1603, 17442, 14850, 1703

elasticity_P = b_P * (P_base / Q_base)       # Co giãn theo giá
elasticity_Pr = c_Pr * (Pr_base / Q_base)    # Co giãn theo giá chéo
elasticity_M = d_M * (M_base / Q_base)       # Co giãn theo thu nhập

Testing và validation

Kết quả thực nghiệm trên phần mềm EViews cho ra các tham số thống kê chi tiết:

Biến số Hệ số ($\hat{\beta}$) Sai số chuẩn (Std. Error) $t$-Statistic $p$-Value Kết luận kiểm định
C (Hệ số chặn) 3418,110593 421,1205 8,1167 0,0001 Có ý nghĩa thống kê ($p < 0,05$)
P (Giá bán TAKA) -0,283929 0,042115 -6,7417 0,0001 Có ý nghĩa ($b < 0$, đúng luật cầu)
Pr (Giá đối thủ) 0,110593 0,038912 2,8421 0,0143 Có ý nghĩa ($c > 0$, hàng thay thế)
M (Thu nhập) 0,874386 0,381120 2,2942 0,0438 Có ý nghĩa ($d > 0$, hàng thông thường)
  • Độ phù hợp của mô hình ($R^2$): Hệ số xác định $R^2 = 0,8913$ (89,13%), chứng minh rằng 89,13% sự biến động của lượng cầu bếp gas TAKA được giải thích bởi 3 biến giá bán công ty, giá bán đối thủ và thu nhập người dân; chỉ có 10,87% do các biến ngoài mô hình tác động.
  • Kiểm định Fisher ($F$-test): $P\text{-value}(F) = 0,000005 < 0,05$, khẳng định mô hình hồi quy đa biến có độ tin cậy vượt 99,99%.

Tính toán hệ số co giãn kinh tế (Elasticities)

Dựa trên số liệu thực tế tại Quý I/2016 ($Q = 1603$ chiếc; $P = 17.442$ nghìn đồng; $P_r = 14.850$ nghìn đồng; $M = 1.703$ nghìn đồng), các hệ số co giãn điểm được xác định:

  1. Độ co giãn của cầu theo giá ($E_P$): $$E_P = b \times \frac{P}{Q} = -0,283929 \times \frac{17442}{1603} = -3,098388$$ Nhận xét: $|E_P| = 3,098 > 1$, cầu về sản phẩm bếp gas TAKA có tính co giãn cao theo giá. Khi giá bán tăng 1%, lượng cầu giảm 3,10%; ngược lại giảm giá 1% sẽ kích cầu tăng 3,10%.
  2. Độ co giãn của cầu theo giá chéo ($E_{Pr}$): $$E_{Pr} = c \times \frac{P_r}{Q} = 0,110593 \times \frac{14850}{1603} = +1,024520$$ Nhận xét: $E_{Pr} > 0$, xác nhận bếp gas đối thủ là hàng hóa thay thế trực tiếp. Khi đối thủ tăng giá 1%, cầu sản phẩm TAKA tăng 1,02%.
  3. Độ co giãn của cầu theo thu nhập ($E_M$): $$E_M = d \times \frac{M}{Q} = 0,874386 \times \frac{1703}{1603} = +0,928932$$ Nhận xét: $0 < E_M < 1$, bếp gas TAKA thuộc nhóm hàng hóa thiết yếu thông thường. Khi thu nhập người dân tăng 1%, lượng tiêu thụ tăng 0,93%.

Kết quả dự báo đến năm 2020

Ước lượng xu thế thời gian tuyến tính trên EViews theo phương trình:

$$\hat{Q}_t = 1633,275 + 16,36471 t$$

Với $R^2 = 0,6043$ (60,43%), $p\text{-value}(F) = 0,000394 < 0,05$. Doanh số tiêu thụ bếp gas tăng bình quân 16,36 sản phẩm/quý.

Giai đoạn Doanh số dự báo theo mô hình (Chiếc/quý) Doanh thu mục tiêu toàn ngành bếp gas (Tỷ VNĐ) Mục tiêu tăng trưởng (%)
Năm 2017 1.698 – 1.747 3,8 +15,0%
Năm 2018 1.764 – 1.813 4,3 +13,1%
Năm 2019 1.829 – 1.878 5,1 +18,6%
Năm 2020 1.895 – 2.000 6,0 +17,6%

Đổi mới và đóng góp

  • Phương pháp luận định lượng thực nghiệm: Khắc phục hạn chế của các phương pháp dự báo cảm tính, chuyển đổi sang phân tích kinh tế lượng chuẩn mực kết hợp giữa chuỗi thời gian vĩ mô và khảo sát hành vi vi mô.
  • So sánh hiệu quả với các giải pháp truyền thống:
Phương pháp Sai số dự báo trung bình (MAPE) Khả năng lượng hóa yếu tố cạnh tranh Khả năng xây dựng kịch bản giá
Cảm tính / Chuyên gia 18% – 25% Không có cơ sở toán học Kém
San bằng số mũ đơn 12% – 16% Kém (chỉ dựa vào chuỗi trễ) Không thể thực hiện
Mô hình OLS Đa biến (Đề tài) < 6,5% Rất tốt ($E_{Pr} = 1,024$) Tối ưu ($E_P = -3,098$)
  • Tối ưu hóa doanh thu dựa trên độ co giãn: Nhận diện được tính chất co giãn cao của cầu theo giá ($|E_P| = 3,098$), chỉ ra rằng chiến lược hạ giá thành sản xuất kết hợp chiết khấu đại lý và tặng quà khuyến mại gia dụng (chảo, xoong nồi) sẽ làm tăng tổng doanh thu thay vì tăng giá bán trực tiếp.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng kinh doanh

  1. Chính sách định giá cạnh tranh: Khi các đối thủ ngoại tăng giá bán do biến động tỷ giá USD/VNĐ hoặc thuế nhập khẩu, TAKA duy trì giá ổn định hoặc áp dụng chương trình trợ giá để đón đầu 1,02% tăng trưởng lượng cầu chuyển dịch từ sản phẩm thay thế.
  2. Mở rộng kênh phân phối địa bàn: Tái cấu trúc mạng lưới phân phối tại các tỉnh có tốc độ đô thị hóa nhanh ở miền Bắc như Vĩnh Phúc, Nam Định, Hải Dương, Bắc Ninh, Quảng Ninh.

Đánh giá hiệu quả kinh tế (ROI & Chi phí)

  • Dự toán ngân sách: Dành 3% - 5% tổng doanh thu hàng năm cho hoạt động xúc tiến hỗn hợp, tập trung vào marketing số, tài trợ hội chợ triển lãm và nâng cao chất lượng dịch vụ bảo hành.
  • Hiệu quả tài chính: Dự kiến nâng doanh thu dòng sản phẩm bếp gas từ mức xấp xỉ 1,5 tỷ VNĐ (2014) lên 6,0 tỷ VNĐ vào năm 2020, đóng góp tích cực vào tốc độ tăng trưởng lợi nhuận sau thuế của công ty (duy trì trên 13,39%/năm).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Cỡ mẫu khảo sát 150 người tiêu dùng tại miền Bắc chưa bao phủ toàn diện hành vi người dùng tại các vùng nông thôn xa xôi.
    • Mô hình tuyến tính cổ điển chưa tính toán hết tính phi tuyến và biến động mùa vụ sâu (mùa xây dựng nhà cuối năm).
    • Biến thị hiếu và kỳ vọng giá tương lai chưa được lượng hóa trực tiếp do thiếu dữ liệu khảo sát liên tục dạng bảng (Panel Data).
  • Hướng phát triển đề xuất:
    • Ứng dụng mô hình chuỗi thời gian phi tuyến tích hợp mùa vụ (SARIMA) hoặc mô hình hồi quy véc tơ tự tương quan (VAR).
    • Tích hợp các thuật toán học máy (Machine Learning như XGBoost, Random Forest Regression) trên nền tảng Python/R để cập nhật dự báo cung cầu tự động từ dữ liệu bán hàng tại các điểm bán (POS).

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kinh tế/Kinh doanh: Cung cấp tài liệu tham khảo thực nghiệm chuẩn mực về quy trình liên kết lý thuyết kinh tế vi mô với phần mềm EViews và SPSS.
  • Chuyên viên Phân tích Dữ liệu / Nghiên cứu Thị trường: Tham khảo bộ kịch bản phân tích độ co giãn và các bước kiểm định sai số mô hình hồi quy.
  • Doanh nghiệp phân phối thiết bị gia dụng: Áp dụng trực tiếp khung phân tích hàm cầu và ma trận giải pháp phân phối để tối ưu lượng hàng tồn kho và hoạch định giá bán.
  • Nhà nghiên cứu kinh tế ứng dụng: Mở rộng nghiên cứu sang các ngành hàng điện tử, thiết bị thông minh sử dụng chung tập biến giải thích kinh tế vĩ mô.

Câu hỏi thường gặp

1. Điều kiện kỹ thuật tối thiểu để vận hành mô hình phân tích kinh tế lượng này là gì? Doanh nghiệp cần máy tính cấu hình văn phòng cơ bản (RAM 4GB trở lên), cài đặt phần mềm EViews (phiên bản 8.0 trở lên) hoặc ngôn ngữ lập trình Python (thư viện pandas, statsmodels, scikit-learn) và tệp dữ liệu chuỗi thời gian tối thiểu 12-16 quan sát theo quý.

2. Tại sao giá trị $|E_P| = 3,098$ lại khẳng định TAKA không nên tăng giá sản phẩm? Do $|E_P| > 1$ (cầu co giãn mạnh theo giá), tỷ lệ phần trăm sụt giảm về lượng cầu sẽ lớn gấp 3,098 lần tỷ lệ phần trăm tăng giá, dẫn đến tổng doanh thu ($TR = P \times Q$) bị sụt giảm nghiêm trọng.

3. Mô hình xử lý yếu tố thay đổi công nghệ (chuyển sang bếp từ/bếp điện) như thế nào? Hiện tượng chuyển dịch công nghệ được phản ánh gián tiếp qua biến giá hàng thay thế ($P_r$) và hệ số xu thế thời gian ($t$). Trong tương lai, mô hình có thể bổ sung biến số lượng bếp từ tiêu thụ trên thị trường làm biến độc lập giải thích.

4. Dữ liệu 150 mẫu khảo sát bằng SPSS có đảm bảo tính đại diện cho toàn miền Bắc? Mẫu được chọn theo phương pháp phân tầng phi ngẫu nhiên tại các trung tâm đô thị lớn và vùng phụ cận. Mặc dù đủ tiêu chuẩn cho nghiên cứu khóa luận, doanh nghiệp cần mở rộng cỡ mẫu lên 500 - 1.000 khi triển khai dự án đầu tư nhà máy quy mô lớn.

5. Lộ trình đạt mốc 2.000 sản phẩm bếp gas/quý vào năm 2020 cần ưu tiên khâu nào nhất? Ưu tiên hàng đầu là tái cấu trúc hệ thống 3.000 đại lý, tập trung chiết khấu thương mại và đào tạo thái độ phục vụ khách hàng (yếu tố nhận 6,6% phản hồi chưa hài lòng từ người tiêu dùng).

Kết luận

Đề tài nghiên cứu đã xây dựng thành công mô hình ước lượng và dự báo cầu sản phẩm bếp gas TAKA tại thị trường miền Bắc giai đoạn 2017 – 2020 với độ tin cậy khoa học cao ($R^2 = 89,13%$). Các phát hiện then chốt về độ co giãn theo giá ($E_P = -3,098$), giá chéo ($E_{Pr} = 1,024$) và thu nhập ($E_M = 0,929$) là cơ sở định lượng vững chắc giúp Ban lãnh đạo TAKA Việt Nam ban hành các quyết sách kinh doanh tối ưu, mở rộng mạng lưới phân phối và đảm bảo mục tiêu doanh thu 6 tỷ đồng cho dòng sản phẩm bếp gas. Để nâng cao hiệu quả cạnh tranh bền vững, doanh nghiệp cần tiếp tục đầu tư nguồn lực cho công tác nghiên cứu thị trường chuyên trách và hiện đại hóa hệ thống thông tin dự báo trong kỷ nguyên chuyển đổi số.