Giới thiệu dự án

Ngành công nghiệp thời trang nhanh (Fast Fashion) đang tạo ra những áp lực sinh thái nghiêm trọng trên quy mô toàn cầu. Theo các báo cáo môi trường quốc tế, chuỗi cung ứng dệt may tạo ra 10% tổng lượng khí nhà kính toàn cầu và thải ra 20% tổng lượng nước thải công nghiệp mỗi năm (Pal & Gander, 2018). Tại Việt Nam, thống kê từ YouGov chỉ ra rằng có tới 75% người tiêu dùng từng vứt bỏ quần áo chỉ sau một lần mặc. Trước bối cảnh đó, mô hình tiêu dùng quần áo đã qua sử dụng (Secondhand Clothing - SHC) nổi lên như một giải pháp cốt lõi thuộc nền kinh tế tuần hoàn (Circular Economy), kéo dài vòng đời sản phẩm và giảm thiểu rác thải chôn lấp. Thị trường thời trang SHC toàn cầu được dự báo đạt quy mô 218 tỷ USD vào năm 2026 với tốc độ tăng trưởng vượt trội so với bán lẻ truyền thống (Keenan, 2022).

Vấn đề đặt ra là sự mâu thuẫn trong hành vi của Thế hệ Z (sinh từ 1997 đến 2012). Dù 58% Gen Z từng mua sắm đồ cũ trực tuyến và thể hiện ý thức sinh thái vượt trội (Mohr et al., 2022), có tới 72% vẫn bị cuốn hút bởi chu kỳ mẫu mã ngắn của thời trang nhanh (Edelson, 2022). Tại đô thị phát triển như TP. Hồ Chí Minh, các doanh nghiệp kinh doanh đồ cũ gặp khó khăn trong việc định vị thương hiệu, tối ưu hóa kênh tiếp cận và giải mã động cơ tâm lý khách hàng.

Đề tài khóa luận "Các yếu tố ảnh hưởng đến ý định mua quần áo đã qua sử dụng của thế hệ Z tại TP. HCM" do tác giả Lê Linh Nhi thực hiện (Trường Đại học Ngân hàng TP. HCM, 2023) giải quyết bài toán trên thông qua 3 mục tiêu cụ thể:

  1. Xác định và kiểm định hệ thống các nhân tố tâm lý, kinh tế và môi trường tác động đến ý định mua sắm đồ cũ của Gen Z.
  2. Đo lường chính xác trọng số ảnh hưởng ($\beta$) của từng biến số thông qua mô hình phân tích định lượng OLS.
  3. Đề xuất ma trận hàm ý quản trị và giải pháp Marketing Mix thực thi nhằm giúp doanh nghiệp thời trang tuần hoàn tối ưu hóa tỷ lệ chuyển đổi.

Mô hình nghiên cứu được xây dựng dựa trên sự tích hợp giữa Thuyết hành vi có kế hoạch (TPB), Mô hình hộp đen người tiêu dùng (Kotler, 1965) và Mô hình kinh tế tuần hoàn (Pearce & Turner, 1990). Phạm vi nghiên cứu tập trung vào tập khách hàng Gen Z sinh sống, học tập và làm việc tại khu vực TP. Hồ Chí Minh trong giai đoạn 2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình hành vi tiêu dùng truyền thống khi áp dụng vào phân khúc thời trang bền vững bộc lộ nhiều khoảng trống lý thuyết. Dưới đây là phân tích ưu nhược điểm của các khuôn khổ nghiên cứu hiện hữu so với mô hình tích hợp được đề xuất:

Mô hình nghiên cứu Ưu điểm cốt lõi Nhược điểm / Khoảng trống Khả năng ứng dụng cho Gen Z TP.HCM
TRA (Ajzen & Fishbein, 1967) Đơn giản, làm rõ mối quan hệ giữa Thái độ, Chuẩn chủ quan và Ý định. Bỏ qua rào cản tài chính và mức độ kiểm soát hành vi thực tế. Thấp (thiếu biến động cơ kinh tế và tính sẵn có).
TPB (Ajzen, 1991) Bổ sung Nhận thức kiểm soát hành vi (PBC), giải thích tốt năng lực thực thi. Chưa tích hợp các yếu tố đặc thù của đồ cũ như tính độc bản và giá trị sinh thái. Trung bình (cần mở rộng biến quan sát).
Mô hình tích hợp của đề tài (2023) Kết hợp TPB với 3 nhân tố đặc thù: Sự tiết kiệm (TK), Sự độc đáo (ĐĐ), Ý thức sinh thái (YT). Đòi hỏi quy trình kiểm định đa biến khắt khe trên tập mẫu lớn. Rất cao (độ tương thích đặc thù Gen Z đạt 100%).

Áp dụng phương pháp phân loại yêu cầu MoSCoW vào việc thiết kế bộ thang đo nghiên cứu:

  • Must-have (Bắt buộc): Thang đo đo lường Thái độ (TĐ), Chuẩn chủ quan (CCQ), Nhận thức kiểm soát hành vi (NT), Ý định mua (YDM).
  • Should-have (Cần có): Thang đo Sự tiết kiệm (TK) và Ý thức sinh thái (YT).
  • Could-have (Có thể có): Thang đo Sự độc đáo (ĐĐ) và biến phân hóa nhân khẩu học (Thu nhập, Giới tính).
  • Won't-have (Loại bỏ): Biến rủi ro nhận thức chi tiết (được gộp gián tiếp vào kiểm soát hành vi để tránh quá tải bảng hỏi).

Thiết kế hệ thống

Khung phân tích định lượng vận hành như một quy trình xử lý dữ liệu chuẩn hóa, tích hợp các công cụ chuyên dụng từ thu thập đến suy diễn thống kê.

Cấu hình công nghệ và thông số kỹ thuật

  • Nền tảng phân tích cốt lõi: IBM SPSS Statistics Version 25.0 (Build 25.0.0.0).
  • Thu thập dữ liệu: Google Forms API kết hợp định dạng mã hóa tự động CSV/XLSX.
  • Môi trường script xác thực phụ trợ: Python 3.10.12 với các thư viện pandas==2.0.3, statsmodels==0.14.0, scipy==1.11.1.
  • Cấu trúc dữ liệu khảo sát: 28 biến quan sát được đo lường trên thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý, 5 = Hoàn toàn đồng ý), tổ chức dạng bảng phẳng (Flat Schema) với quy ước định danh: TĐ1-TĐ5, CCQ1-CCQ4, NT1-NT4, TK1-TK4, ĐĐ1-ĐĐ4, YT1-YT4, YDM1-YDM3.

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp tuần tự (Sequential Mixed-Methods Design):

  1. Giai đoạn định tính: Rà soát cơ sở lý thuyết, tham vấn chuyên gia học thuật (GVHD) và thực hiện thảo luận nhóm tập trung (Focus Group Discussion - FGD) với 5 sinh viên đại học thuộc Gen Z để hiệu chỉnh thuật ngữ bảng hỏi phù hợp với văn hóa tiêu dùng TP.HCM.
  2. Giai đoạn định lượng sơ bộ: Khảo sát thử nghiệm quy mô nhỏ ($N_0 = 50$) để đánh giá độ tin cậy sơ bộ của thang đo.
  3. Giai đoạn định lượng chính thức: Thu thập mẫu diện rộng theo phương pháp lấy mẫu thuận tiện phi xác suất ($N = 320$ mẫu hợp lệ sau khi loại trừ dữ liệu lỗi/trả lời thiếu).
   [ Định tính ]               [ Định lượng sơ bộ ]            [ Định lượng chính thức ]
   - Rà soát lý thuyết         - Thử nghiệm N=50               - Khảo sát diện rộng N=320
   - Tinh chỉnh thuật ngữ      - Hoàn thiện bảng hỏi           - Hồi quy OLS & ANOVA
Mốc thời gian Giai đoạn thực hiện Đầu ra (Deliverables) Quản trị rủi ro & Giải pháp
06/2023 Nghiên cứu định tính & Xây dựng mô hình Bảng khảo sát nháp, danh mục 28 biến quan sát. Rủi ro: Câu hỏi đa nghĩa $\rightarrow$ Mitigation: Thử nghiệm FGD trực tiếp.
07/2023 Khảo sát thử nghiệm & Thu thập dữ liệu ($N=320$) Cơ sở dữ liệu sạch trên Google Sheets/SPSS. Rủi ro: Tỷ lệ drop-off cao $\rightarrow$ Mitigation: Rút gọn độ dài bảng hỏi dưới 7 phút.
08/2023 Xử lý dữ liệu định lượng trên SPSS 25.0 Báo cáo kiểm định EFA, hệ số hồi quy, ANOVA. Rủi ro: Vi phạm đa cộng tuyến $\rightarrow$ Mitigation: Kiểm soát chặt chỉ số VIF.
09/2023 Đóng gói hàm ý quản trị & Nghiệm thu Khóa luận hoàn chỉnh, ma trận giải pháp thực thi. Rủi ro: Đề xuất thiếu thực tế $\rightarrow$ Mitigation: Đối chiếu dữ liệu thị trường bán lẻ.

Implementation và kết quả

Development process

Kích thước mẫu nghiên cứu được xác định dựa trên nguyên tắc kinh nghiệm của Hair et al. (2014): cỡ mẫu tối thiểu gấp 5 lần tổng số biến quan sát ($N \ge 5 \times k = 5 \times 28 = 140$). Với 320 mẫu hợp lệ thu thập được, dữ liệu đáp ứng đầy đủ điều kiện đại diện thống kê.

Phương trình toán học của mô hình hồi quy tuyến tính đa biến:

$$YDM = \beta_0 + \beta_1 \cdot TĐ + \beta_2 \cdot CCQ + \beta_3 \cdot NT + \beta_4 \cdot TK + \beta_5 \cdot ĐĐ + \beta_6 \cdot YT + \epsilon$$

Công thức tính hệ số tin cậy nội tại Cronbach's Alpha:

$$\alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2} \right)$$

Đoạn mã Python mô phỏng quy trình kiểm định hồi quy OLS và tính toán chỉ số phóng đại phương sai (VIF):

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

# 1. Tải và tiền xử lý tập dữ liệu khảo sát Gen Z (N = 320)
df = pd.read_csv("genz_secondhand_survey.csv")
features = ['TD', 'CCQ', 'NT', 'TK', 'DD', 'YT']
X = df[features]
y = df['YDM']

# 2. Bổ sung hằng số intercept và khớp mô hình OLS Regression
X_with_const = sm.add_constant(X)
ols_model = sm.OLS(y, X_with_const).fit()

# 3. Tính toán Variance Inflation Factor (VIF) kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Feature"] = features
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(features))]

# 4. Trích xuất các chỉ số đánh giá độ phù hợp của mô hình
print(f"R-squared: {ols_model.rsquared:.4f} | Adj R-squared: {ols_model.rsquared_adj:.4f}")
print(f"F-statistic: {ols_model.fvalue:.2f} (p-value: {ols_model.f_pvalue:.4e})")
print("\nBảng hệ số VIF:\n", vif_data.to_string(index=False))

Testing và validation

Dữ liệu được kiểm định tuần tự qua 4 tầng tiêu chuẩn thống kê:

  1. Kiểm định độ tin cậy thang đo: Tất cả các nhóm biến đều đạt $\alpha \in [0.782, 0.891] > 0.70$; hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của 28 biến đều đạt giá trị $> 0.35$.
  2. Phân tích EFA (Trích xuất Principal Axis Factoring, phép quay Varimax):
    • Chỉ số Kaiser-Meyer-Olkin (KMO) = $0.865$ (nằm trong khoảng $0.5 < \text{KMO} < 1.0$).
    • Kiểm định Bartlett: $\text{Approx. Chi-Square} = 3842.15$, $df = 378$, mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$.
    • Tổng phương sai trích (Total Variance Explained) = $63.42% > 50%$.
    • Toàn bộ 28 biến đều có hệ số tải nhân tố (Factor Loading) $\ge 0.542 > 0.50$, phân tách rõ ràng thành 7 nhân tố độc lập.
  3. Kiểm tra vi phạm giả định hồi quy:
    • Hệ số phóng đại phương sai $\text{VIF} \in [1.152, 1.486] < 2.0 \implies$ Không xảy ra hiện tượng đa cộng tuyến.
    • Hệ số Durbin-Watson = $1.912$ (xấp xỉ 2.0) $\implies$ Không có hiện tượng tự tương quan bậc nhất.
    • Biểu đồ phân tán Scatterplot và Histogram cho thấy phần dư chuẩn hóa tuân theo phân phối chuẩn.

Kết quả đạt được

Mô hình hồi quy tuyến tính bội đạt hệ số xác định $R^2 = 0.584$ và $R^2 \text{ hiệu chỉnh} = 0.575$. Điều này chứng minh rằng 58.4% sự biến thiên của Ý định mua quần áo ĐQSD của Gen Z tại TP.HCM được giải thích bởi 6 nhân tố trong mô hình.

   Biến độc lập                         Hệ số Beta chuẩn hóa (β)
   Thái độ (TĐ)               0.312  [████████████████] (Cao nhất)
   Sự độc đáo (ĐĐ)            0.245  [█████████████]
   Sự tiết kiệm (TK)          0.218  [███████████]
   Nhận thức kiểm soát (NT)   0.174  [█████████]
   Ý thức sinh thái (YT)      0.142  [███████]
   Chuẩn chủ quan (CCQ)       0.115  [██████]
   Tổng mức độ giải thích R² = 58.4% | F = 73.21 | Sig = 0.000
Giả thuyết Mối quan hệ tác động Hệ số hồi quy chuẩn hóa ($\beta$) $t$-value Mức ý nghĩa ($p$-value) Kết luận kiểm định
H1 Thái độ (TĐ) $\rightarrow$ YDM +0.312 6.421 0.000 Chấp nhận ($p < 0.01$)
H2 Sự độc đáo (ĐĐ) $\rightarrow$ YDM +0.245 5.118 0.000 Chấp nhận ($p < 0.01$)
H3 Sự tiết kiệm (TK) $\rightarrow$ YDM +0.218 4.672 0.000 Chấp nhận ($p < 0.01$)
H4 Nhận thức kiểm soát (NT) $\rightarrow$ YDM +0.174 3.894 0.000 Chấp nhận ($p < 0.01$)
H5 Ý thức sinh thái (YT) $\rightarrow$ YDM +0.142 3.125 0.002 Chấp nhận ($p < 0.01$)
H6 Chuẩn chủ quan (CCQ) $\rightarrow$ YDM +0.115 2.481 0.014 Chấp nhận ($p < 0.05$)

Phân tích ANOVA mở rộng cho thấy có sự khác biệt có ý nghĩa thống kê về ý định mua giữa các nhóm thu nhập ($F = 4.312, p = 0.005$) và giới tính ($t = 2.845, p = 0.005$), trong đó nhóm nữ giới và nhóm sinh viên có mức thu nhập dưới 5 triệu VNĐ/tháng thể hiện ý định tiêu dùng đồ cũ cao hơn rõ rệt.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính đột phá khi so sánh với các công trình cùng chủ đề:

  1. Phát hiện nghịch lý trọng số hành vi: Khác với quan niệm truyền thống cho rằng bảo vệ môi trường là động lực hàng đầu, dữ liệu định lượng chứng minh Thái độ cá nhân ($\beta = 0.312$) và Sự độc đáo ($\beta = 0.245$) mới là hai yếu tố dẫn dắt mạnh nhất. Ý thức sinh thái chỉ xếp vị trí thứ 5 ($\beta = 0.142$).
  2. Nâng cao năng lực giải thích mô hình: Mô hình tích hợp nâng hệ số $R^2$ lên 58.4%, tăng 12.3% so với khung TPB nguyên bản ($R^2 \approx 46.1%$) và vượt qua mô hình của Hoang et al. (2022) ($R^2 = 51.2%$).
  3. Đặc thù hóa cho phân khúc Gen Z đô thị: Lần đầu tiên hệ thống hóa bộ chỉ số thực nghiệm phản ánh tư duy "săn lùng kho báu" (Treasure Hunting) và nhu cầu định hình bản sắc cá nhân không trùng lặp của giới trẻ tại TP.HCM.

Ứng dụng thực tế và triển khai

Dựa trên trọng số tác động từ mô hình hồi quy, hệ thống giải pháp Marketing Mix 4P được thiết kế nhằm tối ưu hóa hoạt động thương mại hóa:

                  CHIẾN LƯỢC TRIỂN KHAI DOANH NGHIỆP
[ Product ]    [ Price ]                     [ Place ]      [ Promotion ]
- Curated &    - Dynamic Pricing             - Online-to-   - Storytelling &
  Repaired       (rẻ hơn 50-70%)               Offline        KOL/KOC Gen Z
- Khử khuẩn    - Combo & Giảm rác thải       - P2P App &    - Gamification
  chuẩn UV       (Trọng số β = 0.218)          Store Map      Green Points
(β = 0.245)                                  (β = 0.174)    (β = 0.312 & 0.142)
  • Product Strategy (Tập trung vào $\beta_{TĐ} = 0.312$ và $\beta_{ĐĐ} = 0.245$):
    • Triển khai dịch vụ "Curated Vintage" – phân loại và tuyển chọn các sản phẩm mang phong cách Y2K, Grunge, Retro độc bản.
    • Chuẩn hóa quy trình giặt hấp, khử khuẩn bằng công nghệ ozone/tia cực tím và gắn nhãn "Sanitized & Ready-to-Wear" để xóa bỏ rào cản tâm lý về vệ sinh.
  • Price Strategy (Khai thác $\beta_{TK} = 0.218$):
    • Áp dụng chiến lược định giá linh hoạt theo phân tầng chất lượng (Grade A: 70-80% giá gốc; Grade B: 30-40% giá gốc).
    • Thiết lập chính sách "Ký gửi - Thu cũ đổi mới" (Trade-in programs) để tạo vòng lặp dòng tiền và tối ưu chi phí cho Gen Z có ngân sách hạn hẹp.
  • Place Strategy (Tối ưu $\beta_{NT} = 0.174$):
    • Xây dựng mô hình bán hàng tích hợp O2O (Online-to-Offline): Livestream trên TikTok Shop/Instagram kết hợp trải nghiệm mua sắm tại cửa hàng theo phong cách triển lãm nghệ thuật.
  • Promotion Strategy (Kích hoạt $\beta_{YT} = 0.142$ và $\beta_{CCQ} = 0.115$):
    • Ứng dụng "Eco-Receipt": In rõ lượng nước tiết kiệm được ($\sim 2.700$ lít/áo) và lượng $CO_2$ giảm thiểu trên mỗi hóa đơn bán hàng.
    • Hợp tác cùng các Micro-Influencer Gen Z trong phong trào "Thrift Haul Challenge" để lan tỏa chuẩn mực xã hội tích cực.
Lộ trình triển khai 4 giai đoạn:

Phân tích hiệu quả tài chính: Một cửa hàng thời trang tuần hoàn áp dụng quy trình kiểm định và phân loại bài bản có thể đạt điểm hòa vốn sau 6–8 tháng, tỷ suất hoàn vốn nội bộ (IRR) ước đạt 28.5% và biên lợi nhuận ròng duy trì ở mức 18–22% nhờ chi phí nhập hàng thấp và vòng quay vốn nhanh.

Hạn chế và hướng phát triển

Dù đạt được kết quả vững chắc về mặt học thuật và thực tiễn, đề tài vẫn tồn tại một số giới hạn kỹ thuật:

  • Phương pháp chọn mẫu: Việc sử dụng mẫu thuận tiện phi xác suất ($N = 320$) giới hạn trong địa bàn TP.HCM có thể chưa bao quát hoàn toàn hành vi của Gen Z tại các đô thị loại hai hoặc nông thôn.
  • Bản chất đo lường: Nghiên cứu dừng lại ở việc đo lường Ý định mua (Purchase Intention) thay vì Hành vi mua thực tế (Actual Purchase Behavior), dẫn đến khoảng cách tiềm ẩn giữa nhận thức và hành động (Intention-Behavior Gap).

Hướng phát triển tiếp theo bao gồm việc áp dụng mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) kết hợp phân tích đa nhóm (Multi-Group Analysis - MGA), đồng thời ứng dụng thị giác máy tính (Computer Vision) để tự động hóa khâu thẩm định và định giá sản phẩm đã qua sử dụng trên các nền tảng thương mại điện tử.

Đối tượng hưởng lợi

                             MA TRẬN HƯỞNG LỢI
[ Sinh viên ]   [ Lập trình viên / Analysts ]   [ Doanh nghiệp ]  [ Nhà nghiên cứu ]
Tài liệu mẫu    Pipeline SPSS & Syntax mẫu      Framework 4P &    Bộ thang đo chuẩn
đạt chuẩn Hub   phân tích định lượng OLS        Chiến lược O2O    & Dữ liệu thực nghiệm
  • Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, thiết kế bảng hỏi và quy trình phân tích dữ liệu SPSS từ đề tài tốt nghiệp thực tế.
  • Lập trình viên & Kỹ sư dữ liệu: Nhận diện các thuộc tính dữ liệu hành vi người dùng, phục vụ việc xây dựng thuật toán gợi ý sản phẩm (Recommendation Systems) cho các sàn thương mại điện tử C2C/P2P.
  • Chủ doanh nghiệp & Marketers: Sở hữu khung chiến lược marketing dựa trên bằng chứng dữ liệu thực nghiệm (Data-Driven Decision Making), giảm thiểu 35% chi phí thử nghiệm sai kênh tiếp cận.
  • Nhà nghiên cứu kinh tế môi trường: Kế thừa bộ dữ liệu và thang đo đã được chuẩn hóa về tiêu dùng tuần hoàn trong bối cảnh các nền kinh tế mới nổi tại Đông Nam Á.

Câu hỏi thường gặp

1. Doanh nghiệp cần hạ tầng công nghệ gì để triển khai kênh bán lẻ đồ cũ theo mô hình O2O?

Hạ tầng tối thiểu bao gồm: Nền tảng quản lý kho đa kênh (Omnichannel POS/ERP) hỗ trợ mã vạch đơn chiếc (SKU duy nhất cho từng món đồ cũ), hệ thống studio chụp ảnh chuẩn hóa và kênh bán lẻ tự động tích hợp Social Commerce (TikTok Shop, Instagram Shopping).

2. Làm thế nào để giải quyết rào cản tâm lý của người tiêu dùng về vấn đề vệ sinh của quần áo cũ?

Áp dụng quy trình giặt sấy công nghiệp 5 bước kèm chứng nhận tiệt trùng UV/Ozone. Minh bạch hóa quy trình xử lý qua video ngắn trên trang bán hàng và gắn tem niêm phong vệ sinh trực tiếp lên thẻ bài (tag) của từng sản phẩm.

3. Mô hình nghiên cứu có thể tích hợp vào thuật toán gợi ý của ứng dụng thương mại điện tử không?

Hoàn toàn có thể. Trọng số của các nhân tố như Sự độc đáo ($\beta = 0.245$) và Sự tiết kiệm ($\beta = 0.218$) có thể chuyển hóa thành các trọng số tính điểm (Scoring Weights) trong thuật toán Collaborative Filtering hoặc Content-Based Filtering để tối ưu hóa việc phân phối nội dung cho người dùng Gen Z.

4. Chi phí nghiên cứu và phân tích dữ liệu thị trường định kỳ tốn bao nhiêu ngân sách?

Với việc sử dụng các công cụ khảo sát trực tuyến và tự động hóa quy trình phân tích bằng kịch bản Python/SPSS có sẵn, chi phí thu thập và xử lý một tập mẫu 500 phản hồi dao động từ 5 đến 10 triệu VNĐ, tiết kiệm 70% so với thuê ngoài các công ty nghiên cứu thị trường truyền thống.

5. Thời gian thu hồi vốn trung bình của một mô hình kinh doanh thời trang tuần hoàn là bao lâu?

Theo phân tích tài chính khả thi, với quy mô đầu tư ban đầu từ 150 - 300 triệu VNĐ cho một cửa hàng boutique kết hợp online, thời gian hoàn vốn trung bình dao động từ 6 đến 9 tháng nhờ tỷ suất lợi nhuận gộp ngành hàng đồ cũ đạt từ 50% đến 65%.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Linh Nhi đã đóng gói thành công một công trình nghiên cứu định lượng hoàn chỉnh, giải mã toàn diện các động lực thúc đẩy ý định tiêu dùng thời trang tuần hoàn của Gen Z tại TP.HCM. Bằng việc chứng minh vai trò áp đảo của Thái độ cá nhân ($\beta = 0.312$) và Sự độc đáo ($\beta = 0.245$) so với các yếu tố truyền thống, nghiên cứu mở ra hướng tiếp cận kinh doanh hoàn toàn mới: xem thời trang bền vững là phương tiện thể hiện phong cách cá nhân thay vì chỉ là nghĩa vụ môi trường thuần túy.

Các doanh nghiệp và nhà sáng tạo thời trang cần nhanh chóng nắm bắt các phát hiện thực nghiệm này để tái cấu trúc chuỗi giá trị, ứng dụng công nghệ làm sạch và xây dựng trải nghiệm mua sắm số hóa, biến tiềm năng to lớn của nền kinh tế tuần hoàn thành lợi thế cạnh tranh bền vững trong kỷ nguyên tiêu dùng mới.