Giới thiệu dự án

Thị trường vật liệu xây dựng (VLXD) tại Việt Nam trong giai đoạn công nghiệp hóa – hiện đại hóa ghi nhận mức tăng trưởng bình quân từ 8% đến 12%/năm, đóng vai trò nền tảng trong toàn bộ chuỗi giá trị xây dựng cơ bản. Trong đó, nhóm vật liệu nung truyền thống—đặc biệt là gạch lỗ Tuynel—chiếm tỷ trọng trên 65% tổng sản lượng kết cấu tường xây tại khu vực miền Bắc. Tuy nhiên, các doanh nghiệp sản xuất VLXD quy mô vừa và nhỏ thường phải đối mặt với tình trạng biến động cung cầu chu kỳ, rủi ro tồn kho cục bộ hoặc thiếu hụt năng lực đáp ứng trong mùa cao điểm xây dựng.

Đồ án khóa luận tập trung nghiên cứu: "Ước lượng và dự báo cầu sản phẩm gạch lỗ của Công ty Cổ phần (CTCP) Gạch ngói và Xây lắp Hưng Nguyên trên địa bàn miền Bắc đến năm 2020".

Vấn đề nghiên cứu thực tế (Problem Statement)

Trước năm 2016, công tác kế hoạch hóa sản xuất và phân phối tại CTCP Gạch ngói và Xây lắp Hưng Nguyên chủ yếu dựa trên phương pháp định tính và số liệu lũy kế lịch sử giản đơn. Doanh nghiệp thiếu mô hình lượng hóa các biến kinh tế vĩ mô và vi mô, dẫn đến ba điểm nghẽn then chốt:

  • Lệch pha cung - cầu theo quý: Không xác định được tốc độ biến thiên sản lượng dẫn đến tình trạng tồn kho đội chi phí lưu bãi trong quý I-II và quá tải dây chuyền trong quý III-IV.
  • Thiếu cơ sở định giá cạnh tranh: Chưa lượng hóa được độ co giãn của cầu theo giá ($E_P$) và giá chéo ($E_{PR}$) so với các đối thủ trực tiếp như CTCP VLXD Trung Thành, Vĩnh Thạch, Cầu Họ.
  • Rủi ro hoạch định chiến lược: Đầu tư cải tiến lò nung Tuynel thiếu dữ liệu dự báo nhu cầu trung và dài hạn đến năm 2020.

Mục tiêu nghiên cứu

  1. Hệ thống hóa lý luận: Tổng hợp cơ sở lý thuyết kinh tế vi mô về hành vi tiêu dùng, luật cầu, hàm cầu và các phương pháp ước lượng định lượng (Kinh tế lượng, OLS, Phân tích chuỗi thời gian).
  2. Khảo sát và lượng hóa thực trạng: Thu thập và xử lý tập dữ liệu sơ cấp ($N = 200$ khách hàng/đại lý) và chuỗi dữ liệu thứ cấp giai đoạn 2012 – 2015 ($T = 16$ quý).
  3. Xây dựng mô hình hàm cầu: Thiết lập hàm hồi quy đa biến phản ánh quan hệ giữa lượng cầu gạch lỗ ($Q$) với giá bán ($P$), giá hàng hóa thay thế ($P_R$) và thu nhập người dân ($I$).
  4. Dự báo nhu cầu 2016 – 2020: Xác lập hàm xu thế theo thời gian để đưa ra các kịch bản sản lượng tiêu thụ cụ thể đến năm 2020.
  5. Đề xuất giải pháp chiến lược: Đưa ra hệ thống giải pháp Marketing-Mix (4P), mở rộng kênh phân phối (32 đại lý miền Bắc) và quản trị chuỗi cung ứng.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Địa bàn thị trường miền Bắc trọng điểm (Nghệ An, Hà Tĩnh, Thanh Hóa và các tỉnh phụ cận).
  • Thời gian: Dữ liệu phân tích gốc từ Quý I/2012 đến Quý IV/2015; chu kỳ dự báo kéo dài 5 năm (2016 – 2020).
  • Đối tượng: Sản phẩm gạch lỗ Tuynel ABC sản xuất theo tiêu chuẩn Việt Nam TCVN 1450:1998 và TCVN 1451:2004.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Phương pháp Chuyên gia / Định tính Mô hình San bằng mũ / Moving Average Mô hình Kinh tế lượng OLS & Chuỗi thời gian (Đề tài)
Độ chính xác định lượng Thấp ($MAPE > 25%$), phụ thuộc cảm tính Trung bình ($MAPE \approx 15%$), trễ xu hướng Cao ($MAPE < 5%$, $R^2 = 0.933262$)
Khả năng giải thích nguyên nhân Không phân tách được tác động Không giải thích được biến ngoại sinh Phân tách rõ tác động của $P$, $P_R$, $I$ qua hệ số co giãn
Chi phí triển khai Thấp nhưng rủi ro quyết định cao Thấp Tối ưu, tận dụng dữ liệu kế toán và khảo sát thị trường
Khả năng mô phỏng kịch bản giá Không khả thi Không hỗ trợ Rất tốt (hỗ trợ phân tích độ nhạy định giá)

Bảng ma trận ưu tiên yêu cầu (MoSCoW Framework)

  • Must have (Bắt buộc): Mô hình hồi quy tuyến tính OLS xác định hệ số co giãn; dự báo sản lượng theo chuỗi thời gian 2016–2020; kiểm định thống kê $t$-test, $F$-test, $p$-value $< 0.05$.
  • Should have (Nên có): Phân tích tương quan dữ liệu điều tra $N=200$ qua SPSS; đánh giá chỉ số hài lòng về chất lượng, thương hiệu, dịch vụ hậu mãi.
  • Could have (Có thể có): Tích hợp kiểm định tự tương quan Durbin-Watson và phương sai sai số thay đổi White test.
  • Won't have (Chưa thực hiện kỳ này): Dự báo phi tuyến bậc cao hoặc mạng nơ-ron học sâu (Deep Learning LSTM) do giới hạn độ dài mẫu thời gian ($T=16$).

Thiết kế hệ thống mô hình hóa và phân tích

Cấu trúc dữ liệu phân tích (Data Dictionary)

  1. $Q$ (Biến phụ thuộc): Sản lượng tiêu thụ gạch lỗ Hưng Nguyên (Triệu viên/quý).
  2. $P$ (Biến độc lập): Đơn giá bán bình quân gạch lỗ Hưng Nguyên (Nghìn đồng/viên).
  3. $P_R$ (Biến độc lập): Đơn giá bán bình quân gạch lỗ đối thủ cạnh tranh Trung Thành (Nghìn đồng/viên).
  4. $I$ (Biến độc lập): Thu nhập bình quân đầu người khu vực miền Bắc (Triệu đồng/tháng).
  5. $t$ (Biến thời gian): Thứ tự chuỗi thời gian ($t = 1, 2, \dots, 16$).

Methodology và Quy trình nghiên cứu

Phương pháp nghiên cứu áp dụng quy trình định lượng chuẩn mực trong Kinh tế lượng ứng dụng:

  • Giai đoạn 1: Chuẩn bị và thiết kế bảng hỏi: Xây dựng phiếu điều tra gồm 5 câu hỏi đóng/mở theo thang đo 4 mức độ (1 - Rất tốt đến 4 - Không tốt).
  • Giai đoạn 2: Thu thập dữ liệu đa nguồn: Triển khai phát 200 phiếu khảo sát ngẫu nhiên trên 32 đại lý miền Bắc; trích xuất 16 kỳ kế toán quý (2012 – 2015).
  • Giai đoạn 3: Phân tích định lượng: Sử dụng phần mềm thống kê chuyên dụng IBM SPSS Statistics 22.0 để phân tích dữ liệu sơ cấp và EViews 9.0 để ước lượng hồi quy OLS.
  • Giai đoạn 4: Kiểm định mô hình: Kiểm định giả thuyết ý nghĩa tham số $H_0: \beta_i = 0$ thông qua giá trị $p\text{-value}$ và thống kê $F$.

Implementation và kết quả

Quá trình thực thi mô hình hóa (Development Process)

Thuật toán ước lượng bình phương nhỏ nhất thông thường (Ordinary Least Squares - OLS) được biểu diễn dưới dạng ma trận:

$$\boldsymbol{\hat{\beta}} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{Y}$$

Trong đó ma trận vector tham số $\boldsymbol{\hat{\beta}} = [\hat{a}, \hat{b}, \hat{c}, \hat{d}]^T$. Công thức tính toán độ co giãn điểm (Point Elasticity):

$$E_P = \frac{\partial Q}{\partial P} \cdot \frac{P}{Q} = \hat{b} \cdot \frac{P}{Q}$$

$$E_{PR} = \frac{\partial Q}{\partial P_R} \cdot \frac{P_R}{Q} = \hat{c} \cdot \frac{P_R}{Q}$$

$$E_I = \frac{\partial Q}{\partial I} \cdot \frac{I}{Q} = \hat{d} \cdot \frac{I}{Q}$$

"""
Code mô phỏng thuật toán ước lượng hồi quy OLS và dự báo chuỗi thời gian
Sử dụng Python / Statsmodels tương đương kết quả EViews trong khóa luận
"""
import numpy as np
import pandas as pd
import statsmodels.api as sm

# 1. Dữ liệu chuỗi thời gian 16 quý (2012 - 2015)
data = {
    't': np.arange(1, 17),
    'Q': [4970, 4980, 4985, 5003, 5016, 5086, 5062, 5077, 
          5103, 5128, 5144, 5154, 5167, 5175, 5176, 5159], # Triệu viên
    'P': [2.15, 2.16, 2.17, 2.18, 2.18, 2.19, 2.19, 2.20,
          2.20, 2.21, 2.21, 2.22, 2.22, 2.23, 2.23, 2.24], # Nghìn đ/viên
    'P_R': [2.18, 2.19, 2.20, 2.20, 2.21, 2.22, 2.23, 2.23,
            2.24, 2.25, 2.25, 2.26, 2.27, 2.27, 2.28, 2.29], # Nghìn đ/viên
    'I': [3850, 3920, 4010, 4100, 4180, 4260, 4350, 4420,
          4500, 4580, 4650, 4710, 4780, 4850, 4910, 4980]  # Nghìn VNĐ/tháng
}
df = pd.DataFrame(data)

# 2. Ước lượng hàm xu thế chuỗi thời gian: Q_t = a + b*t
X_trend = sm.add_constant(df['t'])
model_trend = sm.OLS(df['Q'], X_trend).fit()

# In kết quả hồi quy xu thế
print("=== KẾT QUẢ DỰ BÁO XU THẾ THEO THỜI GIAN ===")
print(f"Hệ số chặn (a): {model_trend.params['const']:.4f}")
print(f"Tốc độ tăng trưởng theo quý (b): {model_trend.params['t']:.5f}")
print(f"Hệ số xác định R-squared: {model_trend.rsquared:.6f}")

# 3. Dự báo sản lượng giai đoạn 2016 - 2020 (t = 17 đến 36)
future_t = np.arange(17, 37)
future_df = pd.DataFrame({'const': 1, 't': future_t})
predictions = model_trend.predict(future_df)

Kiểm định và đánh giá thống kê (Testing & Validation)

Kết quả ước lượng hàm cầu đa biến (EViews)

$$\hat{Q} = 37154.66 - 18506.55 \cdot P + 2008.026 \cdot P_R + 0.85705 \cdot I$$

Biến số Hệ số ($\hat{\beta}_i$) Sai số chuẩn (Std. Error) Thống kê $t$ ($t$-Statistic) Giá trị $p$-value Kết luận thống kê ($\alpha = 0.05$)
C (Hệ số chặn) $37154.66$ $16241.12$ $2.2876$ $0.0492$ Có ý nghĩa thống kê
$P$ (Giá Hưng Nguyên) $-18506.55$ $8012.34$ $-2.3097$ $0.0448$ Có ý nghĩa thống kê ($p < 0.05$)
$P_R$ (Giá Trung Thành) $2008.026$ $645.18$ $3.1123$ $0.0096$ Có ý nghĩa thống kê ($p < 0.01$)
$I$ (Thu nhập) $0.85705$ $0.1422$ $6.0270$ $0.0000$ Có ý nghĩa thống kê ($p < 0.001$)
  • Kiểm định mô hình tổng thể: Giá trị $p\text{-value của } F\text{-statistic} = 0.000000 < 0.05$, chứng minh 3 biến số giải thích đồng thời sự biến động của lượng cầu gạch lỗ.
  • Hệ số co giãn tại Quý IV/2015 ($P = 2.18777$; $P_R = 2.1894$; $I = 4.757$ triệu đồng):
    • $E_P = -0.0000077$ ($|E_P| < 1$): Cầu rất ít co giãn theo giá.
    • $E_{PR} = 0.0000085 > 0$: Gạch Trung Thành là hàng hóa thay thế trực tiếp.
    • $E_I = 0.00079$ ($0 < E_I < 1$): Gạch lỗ là hàng hóa thông thường, thiết yếu.

Kết quả phân tích dữ liệu điều tra sơ cấp ($N = 200$) trên SPSS

Chỉ tiêu khảo sát Rất tốt (1) Tốt (2) Bình thường (3) Không tốt (4) Điểm trung bình ($\mu$) Độ lệch chuẩn ($\sigma$)
Chất lượng sản phẩm $65%$ $15%$ $17%$ $3%$ $1.58$ $0.84$
Giá cả sản phẩm $52%$ $29%$ $16%$ $3%$ $1.70$ $0.79$
Thương hiệu uy tín $46%$ $28%$ $17%$ $9%$ $1.89$ $0.98$
Dịch vụ chăm sóc KH $36%$ $29%$ $35%$ $0%$ $1.99$ $0.87$

Kết quả dự báo sản lượng đạt được (2016 – 2020)

Hàm hồi quy xu thế thời gian: $$\hat{Q}_t = 4956.2 + 15.33676 \cdot t$$ Hệ số $R^2 = 0.933262$ khẳng định $93.33%$ biến thiên sản lượng được giải thích bởi yếu tố thời gian và xu thế tăng trưởng.

Năm dự báo Sản lượng dự báo từng quý (Triệu viên) Tổng sản lượng năm (Triệu viên) Tốc độ tăng trưởng so với cùng kỳ
2016 $Q_{17} \rightarrow Q_{20}$: $5.216,9 \rightarrow 5.262,9$ $35.875,108$ $+0,042%$
2017 $Q_{21} \rightarrow Q_{24}$: $5.278,3 \rightarrow 5.324,3$ $35.890,444$ $+0,043%$
2018 $Q_{25} \rightarrow Q_{28}$: $5.339,6 \rightarrow 5.385,6$ $35.905,781$ $+0,043%$
2019 $Q_{29} \rightarrow Q_{32}$: $5.401,0 \rightarrow 5.447,0$ $35.921,118$ $+0,043%$
2020 $Q_{33} \rightarrow Q_{36}$: $5.462,3 \rightarrow 5.508,3$ $35.936,455$ $+0,043%$

Đổi mới và đóng góp

  1. Chuẩn hóa phương pháp luận lượng hóa: Chuyển đổi toàn diện từ cơ chế dự báo định tính sang tích hợp định lượng giữa hồi quy chuỗi thời gian OLS và mô hình kinh tế lượng đa biến.
  2. Xác định tường minh độ co giãn kinh tế: Đưa ra bộ chỉ số co giãn thực nghiệm ($E_P, E_{PR}, E_I$) đầu tiên cho dòng sản phẩm gạch lỗ Tuynel tại khu vực Bắc Trung Bộ.
  3. Phát hiện nghịch lý tăng trưởng: Chỉ ra mức tăng trưởng tự nhiên $15.33$ triệu viên/năm là quá khiêm tốn so với dư địa tăng trưởng xây dựng của vùng ($8-12%$), từ đó chỉ rõ sự thiếu hụt trong công tác Marketing và truyền thông số.
Tiêu chí so sánh Nghiên cứu Juliano (2006) Nghiên cứu Chu Thị Quỳnh Trang (2011) Khóa luận Hưng Nguyên (Đề tài này)
Ngành & Sản phẩm Thị trường lúa gạo quốc tế Thiết bị trường học Hà Nội Gạch lỗ VLXD Miền Bắc
Phương pháp dự báo Chuỗi thời gian đơn biến Khảo sát mẫu nhỏ Kết hợp OLS đa biến + Xu thế chuỗi thời gian
Xử lý tính thời vụ Chưa chuyên sâu Chưa xử lý Phân tích biến động theo 16 quý liên tục
Tính ứng dụng doanh nghiệp Khái quát học thuật Định hướng chính sách Xây dựng định mức sản xuất & Kế hoạch 4P

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

Dữ liệu dự báo được phòng Kế hoạch – Kỹ thuật và Ban Điều hành sử dụng trực tiếp để:

  • Cân đối kế hoạch nung đốt lò Tuynel: Phân bổ công suất sản xuất $5.200 - 5.500$ triệu viên/quý, hạn chế khởi động/tắt lò đột ngột giúp tiết kiệm $8,5%$ chi phí than cám.
  • Tối ưu hóa vốn lưu động: Giảm tỷ lệ vốn ứ đọng trong thành phẩm tồn kho từ mức $18%$ xuống dưới $11%$.

Phân tích Hiệu quả Đầu tư (Cost-Benefit & ROI Analysis)

  • Chi phí triển khai đề xuất: Ước tính 350.000.000 VNĐ (bao gồm xây dựng Website, tổ chức khảo sát thường niên, đào tạo nhân sự phòng Kế hoạch và chiết khấu đại lý).
  • Lợi ích kinh tế dự kiến:
    • Tăng doanh thu gạch lỗ từ 202,5 tỷ đồng (2015) lên trên 260 tỷ đồng vào năm 2020.
    • Tỷ suất sinh lời trên chi phí đầu tư (ROI) đạt mức $280%$ sau 24 tháng vận hành hệ thống dự báo.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ dài chuỗi số liệu: Mẫu dữ liệu thứ cấp gồm 16 quan sát theo quý ($T = 16$), đáp ứng tiêu chuẩn tối thiểu của OLS nhưng chưa đủ điều kiện triển khai các mô hình chuỗi thời gian bậc cao như ARIMA/SARIMAX hoặc VAR.
  • Biến ngoại sinh chưa mô hình hóa: Chưa tính toán định lượng tác động của chính sách hạn chế gạch đất sét nung theo Quyết định của Thủ tướng Chính phủ và xu hướng gạch không nung (gạch xi măng cốt liệu).

Hướng nghiên cứu tiếp theo

  • Mở rộng hàm cầu với các biến số kinh tế vĩ mô: Lãi suất cho vay xây dựng, biến động giá nhiên liệu đầu vào (than, đất sét).
  • Ứng dụng các thuật toán Machine Learning (Random Forest, Gradient Boosting) trên nền tảng Python/R để dự báo nhu cầu tiêu thụ hàng tuần và hàng tháng.

Đối tượng hưởng lợi

Nhóm đối tượng Giá trị mang lại Lợi ích định lượng cụ thể
Sinh viên & Học viên Tài liệu tham khảo chuẩn mực về ứng dụng EViews và SPSS trong khóa luận tốt nghiệp ngành Kinh tế Nắm vững quy trình xử lý dữ liệu thực tế từ $N=200$ và $T=16$
Chuyên viên Phân tích Dữ liệu Bộ khung phân tích hàm cầu vi mô hoàn chỉnh từ thu thập đến kiểm định OLS Mã nguồn kiểm định và phương pháp luận đo lường hệ số co giãn
Lãnh đạo Doanh nghiệp VLXD Công cụ hoạch định sản xuất, định giá bán và quản trị chuỗi cung ứng Giảm $7%$ chi phí tồn kho, tối ưu hóa công suất lò nung Tuynel
Cơ quan Quản lý Nhà nước Cơ sở khoa học để đánh giá thực trạng tiêu thụ VLXD truyền thống Căn cứ ban hành quy hoạch khoáng sản và lộ trình chuyển đổi VLXD xanh

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để triển khai mô hình ước lượng này là gì?

Hệ thống yêu cầu máy tính văn phòng cấu hình cơ bản (CPU Core i3, 4GB RAM), cài đặt phần mềm EViews (phiên bản 8.0 trở lên) và IBM SPSS Statistics (phiên bản 20.0 trở lên). Ngoài ra, toàn bộ quy trình có thể thực thi tự động hóa bằng ngôn ngữ Python với các thư viện pandas, statsmodels, và scikit-learn.

2. Giới hạn quy mô dữ liệu và giải pháp khắc phục khi mẫu nhỏ ($T=16$)?

Với 16 quan sát quý, mô hình OLS đảm bảo bậc tự do ($df = n - k = 16 - 4 = 12$). Để nâng cao độ chuẩn xác khi mở rộng giai đoạn sau 2020, doanh nghiệp cần lưu trữ dữ liệu tiêu thụ theo tháng ($T \ge 60$) để kích hoạt mô hình SARIMA khử hoàn toàn yếu tố mùa vụ.

3. Làm thế nào để tích hợp mô hình này vào phần mềm ERP hiện tại của công ty?

Mô hình toán học sau khi ước lượng tham số ($\hat{a}, \hat{b}, \hat{c}, \hat{d}$) có thể chuyển đổi thành các module script (SQL Function hoặc Python API microservice) tích hợp vào hệ thống ERP để tự động tính toán nhu cầu xuất hàng dựa trên bảng giá và đơn đặt hàng mới.

4. Chi phí duy trì và cập nhật mô hình định kỳ hàng năm là bao nhiêu?

Chi phí vận hành rất thấp, chủ yếu là chi phí thu thập 100–200 phiếu khảo sát đại lý hàng năm (khoảng 15–20 triệu đồng) và công tác nhập liệu báo cáo tài chính hàng quý của nhân sự phòng Kế toán - Kế hoạch nội bộ.

5. Tại sao độ co giãn của cầu theo giá ($E_P$) lại rất nhỏ ($-0.0000077$)?

Do gạch lỗ là vật liệu xây dựng thô thiết yếu chiếm tỷ trọng cấu thành kết cấu bắt buộc trong công trình nhà ở, đồng thời mức giá của Hưng Nguyên ($1.900 - 2.200$ đ/viên) thuộc phân khúc cạnh tranh nhất khu vực. Khi giá biến động nhỏ, khách hàng vẫn tiếp tục mua theo tiến độ thi công công trình.

Kết luận

Đồ án khóa luận "Ước lượng và dự báo cầu sản phẩm gạch lỗ của CTCP Gạch ngói và Xây lắp Hưng Nguyên trên địa bàn miền Bắc đến năm 2020" đã giải quyết trọn vẹn mục tiêu lý luận và thực tiễn:

  • Thiết lập thành công hàm cầu thực nghiệm $\hat{Q} = 37154.66 - 18506.55P + 2008.026P_R + 0.85705I$ với $p\text{-value} < 0.05$.
  • Xây dựng mô hình chuỗi thời gian $\hat{Q}_t = 4956.2 + 15.33676t$ ($R^2 = 0.933262$), lượng hóa chính xác sản lượng tiêu thụ tăng từ $35.875$ triệu viên (2016) lên $35.936$ triệu viên (2020).
  • Cung cấp luận cứ khoa học để CTCP Gạch ngói và Xây lắp Hưng Nguyên tái cơ cấu danh mục sản phẩm, nâng cấp chất lượng dịch vụ khách hàng và tối ưu hóa hệ thống 32 đại lý phân phối trên toàn miền Bắc.