Luận Văn Tốt Nghiệp Ngành Logistics Và Quản Lý Chuỗi Cung Ứng Đề Tài Phân Tích, Dự Đoán Lựa Chọn Hiệu Quả Dịch Vụ Logistics Bên Thứ 3 (3Pl) Trong Ngành May Mặc.pdf

Hiện nay, Việt Nam có thế lực mạnh trong sản xuất và xuất khẩu, chiếm ưu thế ở các loại mặc hàng về máy tính, linh kiện, điện tử,máy móc và các loại thiết bị khác,... Theo số liệu của Tổng cục Hải quan cho biết, tổng trị giá xuất khẩu của Việt Nam năm 2022 đạt 371,3 tỷ USD, tăng 10,5%, tương ứng tăng tới 35,14 tỷ USD so với năm trước [1]. Không chỉ vậy, hàng may mặc chiếm vị trí thứ tư trong top 10 nhóm hàng chiếm ưu thế trong ngành xuất khẩu, là đối thủ cạnh tranh của nhiều quốc gia có thế mạnh về dệt may như Indonesia, Ấn Độ, Trung Quốc,.... Do đó may mặc cũng chính là một trong những sản phẩm xuất khẩu chủ lực của Việt Nam, có giá trị kim ngạch trong các năm gần đây tăng trưởng mạnh.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU 12

Cơ sở lý thuyết

Khi chọn dịch vụ logistics cho công ty 3PL trong lĩnh vực sản xuất và xuất khẩu hàng may mặc, cần xem xét các yếu tố quan trọng như độ tin cậy của nhà cung cấp, khả năng đáp ứng nhu cầu vận chuyển, chi phí dịch vụ, và công nghệ hỗ trợ quản lý chuỗi cung ứng Việc lựa chọn đúng dịch vụ logistics sẽ giúp tối ưu hóa quy trình sản xuất, giảm thiểu chi phí và nâng cao hiệu quả xuất khẩu.

Khi lựa chọn nhà cung cấp logistics cho ngành sản xuất và xuất khẩu hàng may mặc, hãy ưu tiên những đơn vị có kinh nghiệm và chuyên môn cao Họ cần nắm vững quy trình, hệ thống và các giấy tờ cần thiết để đảm bảo hàng hóa được vận chuyển đến các thị trường xuất khẩu một cách chuyên nghiệp và hiệu quả.

Khả năng quản lý kho là yếu tố quan trọng trong vận chuyển hàng may mặc Lựa chọn nhà cung cấp logistics có khả năng quản lý kho hiệu quả sẽ giúp đảm bảo hàng hóa của bạn được bảo quản và lưu trữ một cách an toàn và đúng cách.

Khả năng vận chuyển là yếu tố quan trọng trong ngành may mặc, đòi hỏi nhà cung cấp logistics phải có khả năng vận chuyển hàng hóa một cách đầy đủ và đúng thời gian Điều này đảm bảo rằng sản phẩm của bạn được vận chuyển an toàn và đến tay khách hàng đúng hạn.

Khi lựa chọn nhà cung cấp logistics, bạn cần xem xét kỹ lưỡng chi phí vận chuyển và hình thức thanh toán So sánh giá cả giữa các nhà cung cấp để đảm bảo bạn nhận được mức giá hợp lý, nhưng lưu ý rằng giá hợp lý không đồng nghĩa với giá rẻ Những nhà cung cấp có giá thấp thường không đủ khả năng đảm bảo chất lượng dịch vụ tốt nhất Hơn nữa, phương thức thanh toán linh hoạt là yếu tố quan trọng, giúp bạn dễ dàng thanh toán và đảm bảo nguồn vốn cho nhà cung cấp, từ đó hỗ trợ cho hoạt động sản xuất hiệu quả.

Trải nghiệm dịch vụ khách hàng là yếu tố quan trọng khi lựa chọn nhà cung cấp logistics Hãy ưu tiên những nhà cung cấp có dịch vụ khách hàng tốt để đảm bảo bạn luôn có sự hỗ trợ kịp thời khi cần thiết.

Các yếu tố tài chính của công ty dịch vụ 3PL phản ánh rõ tình hình hoạt động của doanh nghiệp, do đó doanh thu được chọn làm yếu tố chính để phân tích trong nghiên cứu này Sau khi có kết quả nghiên cứu tổng quan, các yếu tố còn lại sẽ được sử dụng để giải thích và đánh giá kết quả nhận được.

Để chọn một nhà cung cấp logistics uy tín cho việc vận chuyển hàng may mặc, cần dựa vào lý thuyết chuỗi cung ứng, trong đó các bộ phận không độc lập mà tương tác chặt chẽ với nhau Nếu một bộ phận gặp vấn đề, toàn bộ chuỗi cung ứng sẽ bị ảnh hưởng, do đó, tối ưu hóa chuỗi cung ứng là rất quan trọng Lựa chọn dịch vụ logistics chuyên nghiệp không chỉ giúp đạt được mục tiêu này mà còn nâng cao giá trị khách hàng, vì giá trị sản phẩm không chỉ nằm ở chất lượng mà còn ở dịch vụ hậu mãi và thời gian giao hàng Dịch vụ logistics chuyên nghiệp đảm bảo giao hàng nhanh chóng và đúng hạn, tăng cường độ tin cậy và sự hài lòng của khách hàng, từ đó nâng cao khả năng cạnh tranh cho doanh nghiệp trong ngành may mặc.

Việc lựa chọn dịch vụ logistics trong ngành may mặc cần dựa trên nguyên tắc chuyên môn hóa và tối ưu hóa Nhờ vào sự chuyên môn hóa và tối ưu hóa quy trình logistics, các doanh nghiệp có khả năng khai thác tối đa tài nguyên, giảm chi phí và nâng cao hiệu quả sản xuất cũng như kinh doanh.

Phương pháp nghiên cứu

Để áp dụng hiệu quả các phương pháp phân tích và nghiên cứu, chúng ta cần hiểu rõ từng phương pháp và mục đích của chúng trong việc giải quyết vấn đề cải thiện nguồn nhân lực trong ngành Logistics, đặc biệt là lĩnh vực vận tải.

Phương pháp phân tích số liệu (Data Analysis): sử dụng phương tiện thống kê để phân tích số liệu được thu thập từ các đối tượng nghiên cứu

Phương pháp phân tích nội dung (Content Analysis): phân tích các tài liệu, văn bản để tìm ra các thông tin quan trọng và kết luận

Phương pháp DEA (Phân tích Tính hiệu quả Dữ liệu) là công cụ đo lường hiệu suất tương đối, giúp đánh giá khả năng sử dụng tối ưu các nguồn lực đầu vào để tạo ra đầu ra mong muốn Những đơn vị có hiệu suất cao hơn sẽ được coi là hiệu quả hơn so với các đơn vị khác.

Phương pháp Grey Forecasting model: dự báo ngắn hạn và phân tích xu hướng

Nó cung cấp một cách tiếp cận đơn giản và trực quan để dự báo khi có dữ liệu hạn chế hoặc thiếu thông tin toàn diện.

Quy trình thực hiện nghiên cứu

Hình 2: Mô hình nghiên cứu

Giai đoạn 1 liên quan đến việc thu thập dữ liệu lịch sử từ cơ sở dữ liệu của vietstock.vn, nơi cung cấp báo cáo tài chính hàng năm và thông tin về các công ty niêm yết trên sàn giao dịch chứng khoán Việt Nam Những giá trị dữ liệu này sẽ là nền tảng quan trọng cho mô hình DEA, hỗ trợ trong việc đưa ra các dự đoán chính xác và đáng tin cậy.

Giai đoạn 2: Dữ liệu lịch sử thu thập sẽ được xử lý thông qua mô hình DEA (Đánh giá hiệu suất dựa trên nhiều biến) nhằm tính toán hiệu suất trong các khoảng thời gian khác nhau.

Thảo luận và kết luận

Xử lý số liệu bằng mô hình DEA

Dự đoán dữ liệu tương lai bằng Grey Forecasting Model

‘;lkjhgfdxzzxcv, Áp dụng mô hình Window DEA

Thỏa điều kiện điề u kiện

Giai đoạn 1: Thu thập dữ liệu

Giai đoạn 2: Dự báo Xám

Giai đoạn 3 của nghiên cứu tập trung vào việc phân tích và đưa ra kết luận cụ thể dựa trên kết quả thu được từ mô hình DEA Tác giả tiến hành phân tích kỹ lưỡng các dữ liệu để rút ra những nhận định quan trọng.

Sau khi xử lý dữ liệu bằng mô hình DEA, tác giả sử dụng kết quả này làm đầu vào cho Mô hình dự báo Xám Mô hình dự báo Xám là một phương pháp dựa trên hệ số tương quan giữa các biến trong dữ liệu đã qua DEA, giúp dự đoán giá trị tương lai của biến quan tâm.

Giai đoạn 3 sẽ tiến hành dự đoán dữ liệu tương lai dựa trên mô hình dự báo từ dữ liệu lịch sử, với việc tác giả áp dụng mô hình DEA để tính toán hiệu quả trong các khoảng thời gian cụ thể Sự so sánh giữa dữ liệu lịch sử và dự báo sẽ được thực hiện qua hai khung thời gian khác nhau, giúp tác giả có được phân tích chính xác và nhận định về hướng phát triển trong tương lai.

Phương pháp điều tra khảo sát

Phương pháp điều tra khảo sát là một kỹ thuật nghiên cứu khoa học hiệu quả để thu thập thông tin và dữ liệu từ một mẫu đối tượng Phương pháp này được áp dụng rộng rãi trong nhiều lĩnh vực như sức khỏe, hành vi, cảm xúc, tâm lý học và xã hội học, giúp phân tích và đưa ra kết luận chính xác về các vấn đề liên quan.

Cơ sở lý thuyết của phương pháp điều tra khảo sát bao gồm:

Tỉ lệ và mẫu mô tả là những khái niệm quan trọng trong phương pháp điều tra khảo sát, giúp các nhà nghiên cứu xác định kích thước mẫu cần thiết để đại diện cho toàn bộ dân số và đạt được độ chính xác mong muốn.

Các phương pháp lấy mẫu đóng vai trò quan trọng trong nghiên cứu, giúp đảm bảo tính đại diện và khả năng tổng quát hóa của kết quả Các phương pháp này bao gồm mẫu ngẫu nhiên đơn giản, mẫu ngẫu nhiên đa giai đoạn, mẫu ngẫu nhiên đặc biệt và các phương pháp lấy mẫu phi ngẫu nhiên.

Để thu thập thông tin cần thiết, các nhà nghiên cứu cần thiết kế câu hỏi khảo sát phù hợp Việc này đòi hỏi sự chính xác và tính nhất quán giữa các câu hỏi để đảm bảo độ tin cậy của dữ liệu.

Phương pháp phân tích số liệu

Phương pháp phân tích số liệu là quy trình phân tích dữ liệu thông qua việc thu thập, xử lý và phân tích các con số để đưa ra kết luận hữu ích cho quyết định Phương pháp này được ứng dụng rộng rãi trong các lĩnh vực như kinh tế học, thống kê, khoa học dữ liệu, y học, giáo dục và nghiên cứu xã hội.

Phương pháp phân tích số liệu dựa trên lý thuyết từ các lĩnh vực thống kê, toán học, trí tuệ nhân tạo và khoa học máy tính, nhằm phân tích và hiểu rõ các số liệu cũng như dữ liệu định lượng Các công cụ và phương pháp này đóng vai trò quan trọng trong việc khai thác thông tin từ dữ liệu.

Thống kê mô tả là phương pháp tóm tắt và mô tả dữ liệu số thông qua các chỉ số và biểu đồ thống kê như trung bình, phương sai, độ lệch chuẩn, và phân bố tần suất Các biểu đồ thường sử dụng bao gồm biểu đồ đường, biểu đồ cột và biểu đồ tròn, giúp trực quan hóa thông tin một cách hiệu quả.

Thống kê suy luận là phương pháp áp dụng các mô hình thống kê để kiểm tra giả thuyết và khám phá mối liên hệ giữa các biến Các kỹ thuật chính trong thống kê suy luận bao gồm kiểm định giả thuyết, phân tích hồi quy, phân tích phương sai và phân tích nhân tố.

Khoa học dữ liệu là phương pháp khai thác và phân tích dữ liệu lớn bằng cách sử dụng các kỹ thuật và công cụ hiện đại, nhằm tìm ra tri thức và thông tin mới.

Thực hiện xử lý số liệu theo yêu cầu chạy kết quả của mô hình được sử dụng nghiên cứu trong đề tài này

Phân tích số liệu là quy trình thiết yếu trong nghiên cứu và thực tiễn, giúp chúng ta hiểu và ứng dụng dữ liệu định lượng hiệu quả để đưa ra quyết định và kết luận có giá trị.

Phương pháp phỏng vấn

Phương pháp phỏng vấn là kỹ thuật thu thập dữ liệu trong nghiên cứu khoa học, cho phép nhà nghiên cứu tương tác trực tiếp với cá nhân hoặc nhóm Qua đó, họ thu thập thông tin về ý kiến, kinh nghiệm, cảm nhận và quan điểm của người tham gia liên quan đến một chủ đề nghiên cứu cụ thể.

Phương pháp phỏng vấn có thể được thực hiện qua nhiều hình thức như phỏng vấn cá nhân, nhóm, điện thoại và trực tuyến Người phỏng vấn cần chuẩn bị kỹ lưỡng các câu hỏi và tiếp cận người được phỏng vấn một cách chuyên nghiệp nhằm đảm bảo tính chính xác và độ tin cậy của kết quả thu thập.

Phương pháp phỏng vấn là công cụ quan trọng trong nhiều lĩnh vực như khoa học xã hội, kinh tế, y học, giáo dục và nghiên cứu thị trường Phương pháp này giúp nhà nghiên cứu thu thập dữ liệu chi tiết về ý kiến, quan điểm và kinh nghiệm của cá nhân hoặc nhóm, từ đó tạo ra cái nhìn toàn diện và sâu sắc hơn về chủ đề nghiên cứu.

Phương pháp phỏng vấn dựa trên một số cơ sở lý thuyết như sau:

Phương pháp phỏng vấn dựa trên lý thuyết tâm lý học cho rằng câu hỏi và cách trả lời của người được phỏng vấn có thể tiết lộ thông tin quan trọng về cảm xúc, suy nghĩ và hành vi của họ Phỏng vấn theo cách tiếp cận này nhằm khám phá tâm trạng và suy nghĩ của người tham gia, từ đó thu thập dữ liệu giá trị về trạng thái tâm lý của họ.

Lý thuyết xã hội học cho rằng phương pháp phỏng vấn phản ánh quan điểm, giá trị, thái độ và bối cảnh xã hội của người tham gia Cách tiếp cận này giúp khám phá tác động của bối cảnh xã hội đối với suy nghĩ và hành vi của người được phỏng vấn.

Lý thuyết truyền thông đóng vai trò quan trọng trong phương pháp phỏng vấn, cho rằng câu hỏi và câu trả lời của người được phỏng vấn không chỉ tạo ra thông tin mà còn ảnh hưởng đến nhận thức và hành vi của người khác Phỏng vấn áp dụng cách tiếp cận này để khám phá cách thông tin được truyền tải và tác động của nó đến người tham gia.

Phương pháp phân tích nội dung

Phương pháp phân tích nội dung là một kỹ thuật nghiên cứu sâu sắc nhằm đánh giá các yếu tố quan trọng trong tài liệu, bao gồm văn bản, hình ảnh, âm thanh, video, và các tài liệu trực tuyến hoặc ngoại tuyến khác Phương pháp này có ứng dụng rộng rãi trong các lĩnh vực như nghiên cứu khoa học, marketing, truyền thông, giáo dục, văn hóa, xã hội học và hành vi con người.

Phương pháp phân tích nội dung thường bao gồm các bước sau:

Xác định các đơn vị phân tích là bước quan trọng trong quá trình nghiên cứu nội dung, bao gồm các yếu tố cơ bản như từ, cụm từ, chủ đề, tình huống, hình ảnh và nhiều yếu tố khác Những yếu tố này sẽ được phân tích để hiểu rõ hơn về nội dung và ngữ cảnh của nó.

Xác định các mục tiêu phân tích là bước quan trọng đầu tiên, giúp đảm bảo rằng quá trình nghiên cứu sẽ tập trung vào những vấn đề cốt lõi và quan trọng nhất Việc thiết lập các mục tiêu này trước khi tiến hành phân tích sẽ tối ưu hóa hiệu quả nghiên cứu và mang lại những kết quả có giá trị.

• Thu thập dữ liệu: Dữ liệu được thu thập từ các nguồn khác nhau như sách, tài liệu trực tuyến, phim, báo cáo và các tài liệu khác

Phân tích dữ liệu là quá trình nghiên cứu sâu sắc các dữ liệu thu thập được nhằm phát hiện các mẫu, xu hướng và thông tin quan trọng liên quan đến mục tiêu phân tích.

Kết quả phân tích sẽ được tổng hợp và báo cáo nhằm giải thích các kết luận cũng như đưa ra khuyến nghị cho những vấn đề đã được nghiên cứu.

Phương pháp phân tích nội dung dựa trên một số cơ sở lý thuyết như sau:

Lý thuyết học thuyết định nghĩa cho rằng các từ và cụm từ mang ý nghĩa riêng biệt Phương pháp phân tích nội dung dựa trên lý thuyết này nhằm khám phá ý nghĩa của các yếu tố trong tài liệu.

Phân tích nội dung trong lý thuyết xã hội học cho rằng các nội dung thể hiện giá trị, quan điểm và thái độ của xã hội Phương pháp này giúp khám phá mối liên hệ giữa các yếu tố trong tài liệu và ảnh hưởng của chúng đến bối cảnh xã hội.

Phân tích nội dung trong lý thuyết tâm lý học cho rằng các yếu tố trong tài liệu có khả năng gợi lên cảm xúc, suy nghĩ và hành động của người đọc Phương pháp này được sử dụng để khám phá tác động của những yếu tố này đối với nhận thức và hành vi của con người.

Lý thuyết phân tích nội dung là phương pháp chuyên sâu nhằm hiểu rõ các mẫu và xu hướng trong tài liệu thông qua các kỹ thuật như phân tích tần suất, phân tích từ khóa, phân tích dạng biểu và phân tích dòng dữ liệu Các kỹ thuật này giúp xác định thông tin quan trọng liên quan đến nội dung, từ đó cung cấp cái nhìn sâu sắc về cách thức mà thông tin được truyền tải và tiếp nhận.

Phương pháp định lượng

Phương pháp định lượng là một kỹ thuật trong nghiên cứu khoa học, nhằm đo lường độ lớn, tần suất và mức độ của các đại lượng Các cơ sở lý thuyết của phương pháp này đóng vai trò quan trọng trong việc đảm bảo tính chính xác và khách quan của dữ liệu thu thập.

Nguyên lý đo lường là cơ sở của phương pháp định lượng, cho phép xác định mức độ của đại lượng bằng cách so sánh với đơn vị đo lường chuẩn Đơn vị đo lường chuẩn được lựa chọn dựa trên tính chất của đại lượng cần đo và các tiêu chuẩn quốc tế.

Độ chính xác của phương pháp định lượng chịu ảnh hưởng lớn từ thiết bị đo lường và quy trình thực hiện Để nâng cao độ chính xác, việc sử dụng thiết bị đo lường chất lượng cao và tuân thủ quy trình kiểm tra định kỳ là rất cần thiết.

Độ lặp lại trong phương pháp định lượng là khả năng đạt được kết quả giống nhau khi đo cùng một mẫu nhiều lần Để đảm bảo độ lặp lại, việc sử dụng quy trình đo lường chính xác và áp dụng các phương pháp thống kê là rất cần thiết để kiểm tra tính nhất quán của kết quả.

Phương pháp DEA

This article references two key sources: "Introduction to Data Envelopment Analysis and Its Uses With DEA-Solver Software and References" (2005) and "Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software" (2006), both authored by WW Cooper, LM Seiford, and K Tone These texts provide fundamental insights into the DEA model and its practical applications, enhancing the understanding of Data Envelopment Analysis.

Trong phiên bản 13.0, phương pháp mới SBM_Max được giới thiệu để thay thế các biến thể của mô hình đo lường (SBM) trong phiên bản 12.1 Slacks-Based Measure (SBM) là một phương pháp đánh giá hiệu suất trong phân tích bao bì dữ liệu (DEA), nhằm đánh giá tính hiệu quả của các đơn vị ra quyết định (DMUs) SBM tập trung vào khái niệm slack, đại diện cho các nguồn lực chưa được sử dụng trong một DMU Hiệu quả của DMU được xác định bằng cách so sánh đầu vào và đầu ra với các DMU khác Phương pháp SBM nới lỏng giả định CRS và cho phép lợi nhuận biến để quy mô (VRS), đo lường hiệu quả bằng cách tính toán lượng slack và thiết lập mục tiêu thực tế để cải thiện hiệu suất Các mô hình SBM thường báo cáo điểm hiệu quả thấp nhất cho các DMU kém hiệu quả, cho thấy điểm được chiếu là điểm xa nhất trên đường biên hiệu quả liên quan.

Các mô hình SBM_Max tìm kiếm điểm gần nhất trên đường biên hiệu quả, cho phép tối đa hóa điểm hiệu quả so với các mô hình SBM (SBM-Min) thông thường Mặc dù thời gian tính toán tăng theo số lượng DMU hiệu quả, nhưng điều này cho thấy khả năng đạt được trạng thái hiệu quả với việc giảm đầu vào và mở rộng đầu ra ít hơn so với các mô hình SBM tối thiểu.

Dự báo bằng mô hình SBM_Max được xem như một sự cải tiến thực tế của DEA, thể hiện khái niệm "KAIZEN" Mỗi mô hình này bao gồm các phiên bản đầu vào và đầu ra, không bị định hướng theo giả định về lợi nhuận không đổi và khả biến theo quy mô Mối quan hệ giữa các mô hình SBM thông thường (SBM-Min), CCR và SBM-Max có thể được mô tả rõ ràng qua hình ảnh minh họa.

Trong phiên bản 12.0, Mô hình Khoảng cách Định hướng (Chức năng) được phát triển từ mô hình DEA hướng tâm, nhằm tính toán hiệu quả của DMU theo hướng đã chỉ định Chúng tôi cung cấp hai loại hiệu quả, bao gồm hiệu quả thông thường và siêu hiệu quả.

Tất cả các mô hình DEA có thể được phân loại thành bốn loại chính: mô hình xuyên tâm (Radial), mô hình không xuyên tâm và có định hướng (NonRadial and Oriented), mô hình không xuyên tâm và không định hướng (NonRadial and NonOriented), và mô hình vừa xuyên tâm vừa không xuyên tâm (Radial and NonRadial).

Mô hình "xuyên tâm" tập trung vào sự thay đổi tỷ lệ giữa giá trị đầu vào và đầu ra, bỏ qua các yếu tố thư giãn phụ hay tùy ý, trong khi mô hình "không xuyên tâm" xử lý thư giãn trực tiếp mà không chú ý đến sự thay đổi này.

Mô hình "có định hướng" tập trung vào việc tối ưu hóa đầu vào hoặc đầu ra trong đánh giá hiệu quả, với mục tiêu chính là giảm thiểu nguồn lực đầu vào hoặc mở rộng sản phẩm đầu ra Cụ thể, các mô hình định hướng đầu vào được thiết kế để giảm thiểu tài nguyên đến mức tối ưu nhất, trong khi việc mở rộng đầu ra chỉ là mục tiêu thứ yếu Ngược lại, mô hình "không có định hướng" đồng thời xử lý cả hai khía cạnh: giảm đầu vào và mở rộng đầu ra.

Chúng ta có thể chia chúng thành bốn loại sau:

LOẠI CỤM HOẶC MÔ HÌNH

Xuyên tâm (Radial) CCR, BCC, IRS, DRS, AR, ARG, NCN, NDSC, BND,

CAT, SYS, Super-Radial, Bilateral, Scale Elasticity, Congestion, Window, Malmquist-Radial, FDH, NonConvex-Radial, Resampling-(Super)Radia Directional Distance Model

Không xuyên tâm và có định hướng

SBM-Oriented, Super-SBM-Oriented, Malmquist, Weighted SBM-Oriented, NetworkSBM-Oriented,

DynamicSBM-Oriented, Dynamic and Network SBM- Oriented, NonConvex-SBM-I(O), Resampling- (Super)SBM-Oriented, SBM_Max-Oriented

Không xuyên tâm và không định hướng (NonRadial and NonOriented)

The analysis of financial performance involves key metrics such as cost, new cost, revenue, new revenue, profit, and new profit, which are essential for understanding business efficiency Various methodologies, including SBM-NonOriented and Super-SBM-NonOriented, provide frameworks for measuring these metrics The Malmquist-C index (V, GRS) evaluates productivity changes over time, while techniques like Weighted SBM and Network SBM-NonOriented address the complexities of multiple outputs Dynamic SBM-NonOriented and Network SBM-NonOriented methods further enhance performance analysis by incorporating time and interconnections Additionally, NonConvex-SBM-NonOriented and Resampling-(Super)SBM-NonOriented approaches offer advanced insights into operational efficiency, while SBM_Max-NonOriented focuses on maximizing performance outcomes.

Xuyên tâm và không xuyên tâm

Bảng 1 Phân loại các mô hình DEA

Phần mềm DEA hoạt động trên nền tảng Microsoft Excel 97 hoặc phiên bản cao hơn Nếu trình giải DEA gặp vấn đề trên máy tính của bạn, hãy điều chỉnh cài đặt vùng trong Bảng điều khiển Windows Hướng dẫn này được thiết lập cho cài đặt khu vực tiếng Anh (Hoa Kỳ).

3.1.9.1 Ký hiệu của các mô hình DEA

DEA-Solver áp dụng ký hiệu sau để mô tả các mô hình DEA

Tên model - I hoặc O – C, V hoặc GRS trong đó I hoặc O tương ứng với định hướng "Input" - hoặc "Output" và C hoặc V tương ứng với " Constant" hoặc "Variable

Mô hình "AR-IC" đề cập đến tỷ lệ tương ứng, trong đó khu vực đảm bảo hướng đầu vào dựa trên giả định về lợi nhuận không đổi theo quy mô.

Trong một số trường hợp, "I hoặc O" và/hoặc "C hoặc V" bị bỏ qua Ví dụ,

Mô hình "CCR-I" đại diện cho CCR định hướng đầu vào tự nhiên với hiệu suất không đổi theo tỷ lệ, trong khi "GRS" là viết tắt của mô hình quy mô tổng quát Các mô hình GRS yêu cầu nhập hai tham số qua bàn phím: ranh giới thấp hơn L của lambdas (λ) và ranh giới trên U Lưu ý rằng không có phần mở rộng cho các mô hình "song phương", "tắc nghẽn" và "FDH".

Có nhiều phương pháp khác nhau tùy thuộc vào chức năng mà chúng ta cần xử lý Trong bài viết này, chúng ta sẽ áp dụng phương pháp phân tích bằng bộ phân tích Window Analysis.

Phương pháp DEA (Phân tích Tương quan Dữ liệu) là một công cụ phân tích hiệu suất phát triển không yêu cầu thông tin về hàm mục tiêu hoặc các tham số đầu vào của các đơn vị đo lường Nó được áp dụng để đánh giá hiệu suất tương đối của các đơn vị đo lường dựa trên một tập hợp các đầu vào và đầu ra.

Trong mô hình toán học này, n đại diện cho tổng của tất cả các đơn vị quan sát, với biến đầu vào là m và biến đầu ra là s Khi tích hợp một phần tử của chuỗi thời gian t, nó sẽ trở thành một phần của mô hình Đầu vào và đầu ra sau đó được hình thành thành một véc tơ, được ký hiệu là và , như được mô tả trong công thức dưới đây.

Mô hình dự báo xám và chỉ số MAPE

3.1.10.1 Mô hình dự báo Xám

Mô hình dự báo xám (Grey Forecasting Model) là một kỹ thuật dự báo dựa trên lý thuyết hệ thống Xám, được thiết kế để tạo dự đoán cho chuỗi dữ liệu khi thông tin hạn chế hoặc dữ liệu không đầy đủ, không chắc chắn Mô hình này nhằm nắm bắt các mẫu và xu hướng cơ bản trong dữ liệu, ngay cả khi thiếu thông tin Trong nghiên cứu này, mô hình GM(1,1), còn gọi là Mô hình của Grey Verhulst, được sử dụng Phương pháp này, phát triển bởi Gray Verhulst vào những năm 1980, kết hợp các thành phần tất định và ngẫu nhiên để dự đoán hành vi tương lai của hệ thống, đặc biệt hữu ích trong trường hợp thông tin hạn chế.

Mô hình Gray Verhulst giả định rằng dữ liệu có thể được biểu diễn bằng phương trình vi phân cấp một, sử dụng một số lượng nhỏ điểm dữ liệu để xây dựng mô hình dự báo Mô hình này tạo ra chuỗi giá trị nền để nắm bắt thành phần xác định của hệ thống và chuỗi lỗi còn lại để đại diện cho thành phần ngẫu nhiên.

Các bước tính toán cụ thể của mô hình dự báo GM(1,1) được thể hiện chi tiết như sau:

Bước 1: Giả sử rằng là chuỗi giá trị dương

Với n là chiều dài chuỗi dữ liệu

Bước 2: Trước khi áp dụng mô hình dự báo Xám GM(1,1), cần kiểm tra dữ liệu ban đầu để đảm bảo đáp ứng yêu cầu Công thức kiểm tra dữ liệu được sử dụng là: σ(i) = f(g)(hi') f(g)(h), với i ≥ 2, 3, ⋯, n.

Với i ≥ 2,3, ⋯ , n nếu tất cả các giá trị σ(i) = le i opq n , e opq n r thì có thể sử dụng mô hình dự báo Xám GM(1,1)

Bước 3: Tính các giá trị 𝑋 (') bằng cách sử dụng phương pháp cộng tích lũy:

Bước 4: Thiết lập phương trình của mô hình dự báo Xám GM(1,1)

Bước 5: Tính giá trị các tham số a và b

Giá trị các tham số a và b của mô hình dự báo Xám GM(1,1) được tính dựa trên phương pháp bình phương tối thiểu như sau:

Bước 6: Thiết lập công thức để tính các giá trị dự bảo của mô hình:

Bước 7: Các giá trị dự bảo của mô hình dự báo Xám GM(1,1) được tính theo công thức:

Chỉ số MAPE (Mean Absolute Percentage Error) là thước đo phần trăm sai số trung bình tuyệt đối, dùng để đánh giá độ chính xác của mô hình dự báo Xám Giá trị MAPE càng nhỏ chứng tỏ kết quả dự đoán càng chính xác Công thức tính MAPE được áp dụng để xác định mức độ sai lệch trong dự báo.

𝑥 (U) (𝑘): Giá trị thực tế ở thời đoạn k

𝑥‹ (U) (𝑘) : Giá trị dự báo ở thời đoạn k

Chỉ số MAPE được chia thành 4 nhóm được thể hiện ở bảng sau:

CHỈ SỐ MAPE MỨC ĐÁNH GIÁ

Bảng 2 Chia nhóm các loại mức đánh giá ứng với chỉ số MAPE

NỘI DUNG NGHIÊN CỨU

Chọn các đơn vị quyết định (DMUs)

Trong nghiên cứu, việc lựa chọn các đơn vị ra quyết định (DMUs) là rất quan trọng, đại diện cho các công ty cung cấp dịch vụ Logistics bên thứ ba (3PL) tại Việt Nam Tác giả đã chọn những công ty 3PL có đóng góp đa dạng cho ngành may mặc và các lĩnh vực khác, bao gồm các phân khúc như giao hàng chặn cuối, dịch vụ kho bãi và giao nhận vận tải Các công ty như DHL Logistics, APL, và FedEx hoạt động quốc tế, trong khi các công ty nội địa như Gemadept, Transimex, và GHN cũng nổi bật Tác giả đã chọn DMU đại diện như CTCP Gemadept, công ty tiên phong trong dịch vụ container tại Việt Nam, và CTCP Logistics Portserco, cùng với các công ty như ASG và Transimex Logistics, cung cấp giải pháp logistics toàn diện Ngoài ra, tác giả cũng xem xét các DMU khác trong mảng 3PL, mặc dù một số công ty vẫn chưa phát triển mạnh Kết quả phân tích sẽ hỗ trợ các công ty may mặc trong việc lựa chọn nhà cung cấp dịch vụ 3PL phù hợp, với danh sách các công ty như Công ty Cổ phần Logistics Cảng Đà Nẵng và Công ty Cổ phần Vinalink được đề xuất.

DMU1 Công ty Cổ phần Logistics Cảng Đà Nẵng

DMU2 Công ty Cổ phần Germadept

DMU3 Công ty Cổ phần Logistics Portserco

DMU4 Công ty Cổ phần Transimex Logistics

DMU5 Công ty Cổ phầnVinalines Logistics Việt Nam

DMU6 Công ty Cổ phầnVận tải đa phương thức Vietransimex

DMU7 Công ty Cổ phần Giao nhận vận tải ngoại thương

DMU8 Công ty Cổ phần Logistics Vinalink

DMU9 Công ty Cổ phần Tập đoàn ASG

DMU10 Công ty Cổ phần Logistics Vincem

Bảng 3: DMU và tên công ty

Yếu tố đầu vào và yếu tố đầu ra

Sau khi lựa chọn các DMU quan trọng, bước tiếp theo là xác định các yếu tố đầu vào và đầu ra cần phân tích, những yếu tố này phải có ảnh hưởng lớn đến hiệu quả hoạt động của doanh nghiệp Nghiên cứu chủ yếu tập trung vào các yếu tố tài chính, từ đó dựa vào kết quả phân tích và dự đoán để đưa ra các yếu số cụ thể, nhằm phân tích tình hình một cách chi tiết, bao gồm các vấn đề liên quan.

Quy mô của công ty 3PL ảnh hưởng trực tiếp đến khả năng cung cấp dịch vụ logistics đa dạng và hiệu quả Các công ty lớn hơn thường có khả năng cung cấp dịch vụ rộng rãi hơn và tối ưu hóa quy trình để nâng cao năng suất.

Đội ngũ nhân viên tại công ty 3PL đóng vai trò quan trọng, với tài năng và chuyên môn cần thiết Nhân viên cần có kinh nghiệm và kiến thức vững về logistics, vận chuyển, quản lý kho bãi cùng các kỹ năng liên quan, nhằm đảm bảo cung cấp dịch vụ tốt nhất cho khách hàng.

Công nghệ là yếu tố then chốt trong hoạt động của các công ty 3PL, góp phần nâng cao năng suất và tối ưu hóa chi phí Để cải thiện hiệu quả và chất lượng dịch vụ, các công ty 3PL cần chú trọng đầu tư vào những công nghệ tiên tiến.

Vị trí của công ty 3PL đóng vai trò quan trọng trong khả năng cung cấp dịch vụ logistics hiệu quả Để tối ưu hóa quy trình vận chuyển hàng hóa và giao nhận, các công ty cần được đặt ở những vị trí thuận lợi Yếu tố này không chỉ ảnh hưởng đến hiệu suất dịch vụ mà còn tác động trực tiếp đến chi phí lưu kho, một yếu tố đầu vào quan trọng trong logistics.

Khách hàng đóng vai trò quan trọng trong hoạt động của công ty 3PL, vì việc hiểu rõ nhu cầu và yêu cầu của họ là cần thiết để cung cấp dịch vụ tốt nhất Yếu tố này ảnh hưởng đến mục tiêu thu nhập ngắn hạn, và được coi là yếu tố đầu vào thứ ba trong chiến lược kinh doanh.

Tác giả đã tiến hành xem xét các yếu tố thường được áp dụng trong các nghiên cứu trước đây Bảng liệt kê rõ ràng các yếu tố đầu vào và đầu ra cùng với định nghĩa cụ thể của chúng.

Các khoản phải thu ngắn hạn (A)

Khoản phải thu ngắn hạn tổng hợp toàn bộ giá trị của các khoản phải thu có thời hạn thu hồi không quá 12 tháng hoặc trong một chu kỳ kinh doanh thông thường tại thời điểm báo cáo.

Hàng tồn kho(B) Hàng tồn kho được ghi nhận theo giá thấp hơn giữa giá gốc và giá trị thuần có thể thực hiện được

Giá trị hàng tồn kho được xác định thông qua phương pháp bình quân gia quyền và được hạch toán theo phương pháp kê khai thường xuyên, với giá gốc được tính toán cụ thể.

Nguyên vật liệu và hàng hóa bao gồm chi phí mua, chi phí chế biến và các chi phí liên quan trực tiếp khác cần thiết để có được hàng tồn kho ở địa điểm và trạng thái hiện tại.

Thành phẩm bao gồm chi phí nguyên vật liệu trực tiếp, chi phí nhân công trực tiếp và chi phí chung liên quan, được phân bổ theo mức độ hoạt động bình thường.

Các tài sản cố định (C)

• Tài sản cố định hữu hình:

Nguyên giá: Tài sản cố định hữu hình được phản ánh theo nguyên giá trừ đi khấu hao lũy kế

Nguyên giá của tài sản cố định hữu hình bao gồm giá mua và tất cả chi phí mà Công ty đã chi để sở hữu tài sản cho đến khi tài sản sẵn sàng sử dụng Các chi phí phát sinh sau khi ghi nhận ban đầu chỉ được cộng vào nguyên giá nếu chúng chắc chắn mang lại lợi ích kinh tế trong tương lai từ việc sử dụng tài sản Những chi phí không đáp ứng điều kiện này sẽ được ghi nhận là chi phí trong kỳ Tài sản cố định hữu hình sẽ được khấu hao theo phương pháp đường thẳng, dựa trên thời gian hữu dụng ước tính của tài sản.

• Tài sản cố định vô hình:

Nguyên giá: Tài sản cố định vô hình được phản ánh theo nguyên giá trừ đi khấu hao lũy kế

Nguyên giá tài sản cố định vô hình bao gồm tất cả các chi phí mà Công ty đã chi ra để sở hữu tài sản này, cho đến khi tài sản được đưa vào trạng thái sẵn sàng sử dụng.

Bảng 4 Đầu vào và mô tả ĐẦU RA MÔ TẢ

Tổng lợi nhuận kế toán trước thuế(D)

Tổng lợi nhuận trước thuế được tính bằng cách trừ các chi phí từ doanh thu Sau khi khấu trừ các khoản chi trong tháng, doanh nghiệp sẽ xác định được số thu nhập có lãi và số thuế cần nộp cho ngân sách nhà nước.

Lợi nhuận sau thuế thu nhập doanh nghiệp (E), còn được gọi là "lợi nhuận ròng" hoặc "lãi ròng", là phần lợi nhuận còn lại sau khi đã trừ tất cả chi phí và thuế thu nhập doanh nghiệp Sau khi kết thúc năm tài chính, doanh nghiệp sẽ quyết toán thuế và nộp thuế TNDN cho Nhà nước, và số tiền còn lại chính là lợi nhuận ròng Khoản lợi nhuận này có thể được chia cho cổ đông dưới dạng cổ tức, lập quỹ hoặc đầu tư cho các dự án tương lai của doanh nghiệp.

KẾT QUẢ NGHIÊN CỨU

Dữ liệu lịch sử

Dựa vào các nguồn trực tuyến, dữ liệu lịch sử được thu thập để tạo ra dữ liệu dự đoán cho các yếu tố đầu vào và đầu ra trong ngành Logistics Những dữ liệu này phù hợp với các yếu tố được khuyến nghị có ảnh hưởng đến hiệu quả hoạt động Tác giả đã lựa chọn các yếu tố như đã thảo luận trong chương 3 và bảng số liệu được thống kê.

Các kho?n ph?i thu ng?n h?n (A)

T?ng l?i nhu?n k? toán tru?c thu?(D)

L?i nhu?n sau thu? thu nh?p doanh nghi?p (E)

2019 DMU1 871.220 100.633 1.753.710 545.180 433.627 1.288 DMU2 21.200.304 200.680 29.459.516 20.165.908 18.058.586 20.880 DMU3 657.955 133.502 1.279.855 77.795 61.203 5.545 DMU4 702.718 31.621 1.473.709 201.844 161.475 - DMU5 4.773.883 - 3.182.525 136.315 97.798 - DMU6 6.326.365 713.847 3.596.540 247.343 188.964 166.224 DMU7 6.021.399 - 1.932.628 375.827 174.594 34.990 DMU8 6.728.024 - 2.036.660 879.941 708.903 17.903 DMU9 5.997.081 18.181 6.522.104 7.931.957 7.812.532 1.323 DMU10 7.060.854 24.364 4.802.202 1.543.985 122.845 14.679

2020 DMU1 1.292.107 47.407 1.438.463 474.130 406.047 18.968 DMU2 27.345.125 240.980 25.913.674 18.425.402 17.898.079 2.655.768 DMU3 649.473 128.829 1.141.183 19.500 16.051 1.123 DMU4 937.558 16.272 1.455.720 425.455 365.891 161.810 DMU5 4.767.693 - 2.857.328 185.045 182.995 - DMU6 7.035.229 2.251.340 2.398.537 218.060 186.335 1.497.369 DMU7 7.917.558 - 1.690.326 624.895 592.650 6.565 DMU8 9.581.323 - 2.047.223 1.097.426 860.371 9.028 DMU9 2.974.500 21.817 4.528.201 5.282.698 5.183.283 360.577 DMU10 6.985.285 60.651 3.943.975 1.370.036 1.098.445 8.122

2021 DMU1 1.635.386 109.088 1.233.244 500.002 396.445 15.212 DMU2 32.997.792 275.153 22.873.776 17.650.331 17.662.197 636.836 DMU3 547.270 167.002 1.163.343 68.113 56.847 42.520 DMU4 1.103.805 16.637 1.557.420 256.826 201.462 104.585 DMU5 4.150.188 - 2.438.811 340.422 282.929 21.878 DMU6 5.739.988 4.426.611 7.105.485 1.074.979 836.600 44.931 DMU7 11.826.149 - 1.519.583 2.730.708 2.381.373 928 DMU8 11.096.081 - 1.947.391 1.999.282 1.609.858 397 DMU9 3.276.043 23.499 5.936.092 3.143.730 3.143.730 2.523 DMU10 5.980.277 108.644 3.059.359 902.266 729.279 59.347

2022 DMU1 1.566.544 48.973 1.338.040 305.228 237.862 1.279 DMU2 26.643.965 396.425 24.240.787 20.953.300 19.701.898 903.014 DMU3 839.317 179.410 485.220 2.673.336 2.126.029 2.733.300 DMU4 3.249.872 10.801 2.790.655 694.858 555.577 21.117 DMU5 2.747.201 - 2.229.064 971.361 971.361 285.372 DMU6 4.234.371 4.333.026 7.747.260 411.255 326.418 984.451 DMU7 5.676.218 - 1.321.758 1.462.680 1.207.885 15.656 DMU8 7.321.583 - 1.907.489 2.302.765 1.873.037 5.202 DMU9 4.887.394 4.136 5.354.916 1.484.816 1.482.764 7.058 DMU10 7.119.449 65.035 2.368.475 923.420 735.102 238.424

Hình 3 Tổng hợp dữ liệu lịch sử ở giai đoạn năm 2019-2022

Dữ liệu lịch sử sẽ được áp dụng cho mô hình DEA nhằm tạo ra chỉ số hiệu quả, từ đó làm nền tảng cho hoạt động kinh doanh của các công ty cung cấp dịch vụ 3PL.

Hình 4 Giao diện của DEA Window Model phiên bản 13.2

Hình 5 Giao diện giới thiệu quá trình phân tích DEA

Hình 6 Chọn lựa mô hình (model) tương ứng thích hợp cho dữ liệu

Hình 7 Chỉ số hiệu quả của các DMU giai đoạn năm 2019-2022 và giá trị chỉ số trung bình

Theo kết quả phân tích DEA, Công ty Cổ phần Gemadept (DMU2) đạt chỉ số hiệu quả cao nhất là 1.000 trong suốt 3 năm liên tiếp.

DMU10 đã cho thấy sự phát triển và hiệu quả cao nhất trong hoạt động so với các công ty khác (10 DMUs) trong giai đoạn 2019-2021 Để hiểu rõ thành công của DMU2 vào năm 2019, ta cần xem xét hai yếu tố chính: chủ quan và khách quan Về yếu tố chủ quan, Gemadept đã thực hiện các chính sách phù hợp, tích hợp thế mạnh để phát triển các sản phẩm dịch vụ mới, bao gồm dịch vụ tư vấn giải pháp Logistics toàn diện và thiết kế chuỗi cung ứng tối ưu, giúp doanh nghiệp giảm chi phí Logistics và nâng cao khả năng cạnh tranh Về yếu tố khách quan, trong bối cảnh đại dịch Covid-19 ảnh hưởng nặng nề đến nền kinh tế, GMD đã triển khai các biện pháp cấp bách để cắt giảm chi phí và tận dụng cơ hội tăng doanh thu, nhằm bảo toàn hiệu quả sản xuất kinh doanh Năm 2020, GMD tiếp tục khẳng định vị thế dẫn đầu trong ngành.

Gemadept là một trong 10 công ty uy tín trong ngành logistics, đóng vai trò quan trọng trong việc tạo động lực và truyền cảm hứng cho nhiều doanh nghiệp logistics nội địa Công ty góp phần tích cực vào việc xây dựng hệ sinh thái cảng và logistics tại Việt Nam.

Hình 8 Biểu đồ thể hiện chỉ số hiệu quả từ năm 2019-2022

Biểu đồ thể hiện chỉ số hiệu quả từ năm 2019-2022

DMU1DMU2DMU3DMU4DMU5DMU6DMU7DMU8DMU9DMU10

Biểu đồ trên chỉ ra rằng cả DMU2 và DMU9 (Công ty Cổ phần Tập đoàn ASG) đều đạt hiệu quả hoạt động tương đối cao Mặc dù hiệu suất có thể không ổn định qua từng năm, nhưng vẫn duy trì ở mức đáng chú ý.

Các DMU hiện tại đang hoạt động với hiệu suất thấp hơn, dao động từ 0.029 đến 0.313, cho thấy sự kém hiệu quả trong chỉ số hiệu suất DMU3 (Công ty Cổ phần Logistics Portserco) và DMU5 (Công ty Cổ phần Vinalines Logistic) đã bắt đầu với hiệu suất thấp trong giai đoạn 2019-2021 nhưng đã đạt hiệu suất tối đa 1.000 vào năm 2022 Điều này chứng tỏ đại dịch đã tác động lớn đến chất lượng của ngành dịch vụ Logistics (3PL) Để phát triển vượt bậc trong năm 2022, DMU3 đã lập kế hoạch kỹ lưỡng với chỉ tiêu tài chính tăng 13% so với kế hoạch và 24% so với năm 2021 Công ty này đặt mục tiêu trở thành nhà cung cấp dịch vụ Logistics 3PL hàng đầu miền Trung, tập trung nguồn lực hoàn thiện hệ thống dịch vụ từ nhân lực đến cơ sở vật chất, đồng thời đẩy mạnh dịch vụ thương mại và kho bãi để khôi phục hoạt động vận tải sau đại dịch.

DMU5 không chỉ chịu ảnh hưởng từ đại dịch mà còn gặp rủi ro về chất lượng dịch vụ không ổn định, dẫn đến thiếu kiểm soát và gián đoạn chuỗi logistics, ảnh hưởng đến thanh toán và giao dịch hợp đồng Để khắc phục, Vinalines đã tăng cường mối quan hệ với các nhà cung cấp như hãng hàng không, hãng tàu và nhà thầu phụ, đồng thời tìm kiếm khách hàng tiềm năng và tập trung vào khách hàng lớn Công ty cũng chú trọng nâng cao chất lượng dịch vụ, quản lý hiệu quả và tiết kiệm chi phí Trong khi đó, các DMU khác như DMU1, DMU4, DMU6, DMU7, DMU8, DMU10 có chỉ số hiệu quả dao động từ 0.035 đến 0.296, cho thấy nhiều khó khăn trong hoạt động kinh doanh Cụ thể, DMU7 (Công ty Cổ phần Giao nhận Ngoại thương) ghi nhận chỉ số hiệu quả chỉ 0.035 vào năm 2019 do ngành xuất nhập khẩu đình trệ, dẫn đến doanh thu giảm 9.23% so với năm 2018 DMU6 (Công ty Cổ phần Vận tải đa phương thức Vietranstimex) đạt chỉ số cao nhất 0.296 vào năm 2020, phản ánh sự biến động của nền kinh tế toàn cầu và thị trường nhiên liệu, mặc dù hoạt động logistics của họ chỉ chiếm một phần nhỏ trong tổng doanh thu.

Giá xăng dầu biến động thất thường ảnh hưởng trực tiếp đến chi phí và lợi nhuận của DMU Để ứng phó hiệu quả với tình hình này, Vietranstimex luôn theo dõi sát sao biến động thị trường nhiên liệu trong và ngoài nước, từ đó đưa ra các biện pháp kịp thời và hiệu quả.

Kết quả từ bảng chỉ số hiệu quả bằng phương pháp DEA cho phép doanh nghiệp đánh giá hiệu quả hoạt động không chỉ dựa vào các yếu tố kinh tế mà còn cả yếu tố chính trị và môi trường Để dự đoán tương lai bằng mô hình Dự đoán Xám, cần thu thập ít nhất dữ liệu quá khứ, những dữ liệu này liên quan đến các yếu tố ảnh hưởng đến hiệu quả hoạt động trong ngành Logistics.

Tác giả đã lựa chọn các yếu tố đã được thảo luận trong chương 3 và tóm tắt dữ liệu lịch sử thông qua các giá trị trung bình được trình bày trong bảng 6 dưới đây.

Bảng 6 tổng hợp giá trị trung bình của các yếu tố đầu vào và đầu ra trong giai đoạn 2019-2022 cho thấy mô hình dự báo Xám GM(1,1) yêu cầu ít nhất 4 giai đoạn dữ liệu lịch sử để đưa ra dự báo chính xác Độ chính xác của mô hình phụ thuộc vào sự gia tăng giá trị trung bình của dữ liệu Nghiên cứu này dựa vào dữ liệu trong thời gian diễn ra đại dịch COVID-19 từ năm 2019 đến khi nền kinh tế phục hồi vào năm 2022, cho phép áp dụng dữ liệu này vào mô hình dự báo Xám GM(1,1).

Kết quả dự báo Xám

Mô hình dự đoán Xám (Grey Model - GM) là một phương pháp dự đoán quan trọng trong phân tích dữ liệu DEA (Data Envelopment Analysis) Nó giúp ước lượng các giá trị đầu vào và đầu ra dựa trên thông tin lịch sử, từ đó dự đoán giá trị tương lai và đánh giá hiệu suất của các đối tượng trong DEA.

Dựa trên dữ liệu lịch sử từ năm 2019 đến 2022, mô hình dự đoán Xám (GM) đã cho thấy khả năng dự đoán dữ liệu tương lai Phân tích dữ liệu cho thấy bảng dưới đây trình bày rõ ràng kết quả dự đoán cho DMU10 trong giai đoạn từ năm 2023 đến năm 2026.

Hình 9 Tổng hợp dữ liệu dự báo sau khi áp dụng Grey Forecasting (2023-2026)

Giá trị của các biến được xử lý theo mô hình dự báo Xám trong giai đoạn từ năm 2023 đến năm 2024 sẽ có sự biến động không đồng đều Dự đoán chính xác thể hiện qua việc giá trị dự đoán sát với giá trị thực, tức là giá trị dữ liệu trong quá khứ.

2023 DMU1 455168,04 20706,85 297816,81 74307,24 53822,15 557,28 DMU2 7344948,77 118178,54 5496429,13 5264819,99 4972359,53 35467,99 DMU3 209860,26 53835,07 118545,37 1303984,44 1036421,67 1346498,21 DMU4 1185589,38 2559,46 856086,46 179558,66 135499,81 3768,54 DMU5 555599,47 0,00 469211,03 389843,58 388680,27 138670,37 DMU6 810392,52 1563848,85 3145350,68 230302,07 177978,43 50189,31 DMU7 1863974,80 0,00 288928,37 711288,67 586478,25 4671,55 DMU8 1933294,62 0,00 451395,94 815980,78 670707,24 207,84 DMU9 1441934,28 1528,14 1578279,02 181346,77 186298,51 21,27 DMU10 1634220,02 22984,91 432570,48 152454,42 121765,22 109877,10

Để đánh giá độ chính xác của dự đoán, không chỉ dựa vào sự gần gũi của các giá trị mà còn sử dụng chỉ số MAPE (tỷ lệ phần trăm lỗi tuyệt đối) nhằm xác định độ chính xác của mô hình dự báo Xám.

Như đã đề cập ở chương 3 về phương pháp này, tác giả sẽ áp dụng vào để xem các giá trị dự đoán có được chấp nhận hay không.

Kết quả chỉ số MAPE

Bảng 6 trình bày điểm MAPE trung bình của từng DMU cùng với các yếu tố đầu vào và đầu ra liên quan, nhằm xác định tính chấp nhận được của các giá trị dự đoán trước khi tiến hành phân tích DEA.

Hình 10 Kết quả dự báo sau khi xử lý theo mô hình Grey Forecasting

Bảng 7 Chỉ số MAPE trung bình của mỗi DMU

Điểm số MAPE của tất cả các DMU đối với từng biến số cho thấy hầu hết đều đạt mức “Xuất sắc”, cho thấy dữ liệu thu được ở mức chấp nhận được.

Chỉ số hiệu quả

Sau khi dữ liệu đã được tính toán và chỉ số MAPE đạt mức chấp nhận, nghiên cứu sẽ tiến hành phân tích DEA Mô hình DEA Window được áp dụng trong nghiên cứu này nhằm phân tích và dự đoán chỉ số hiệu quả trong tương lai.

Hình 11 Chỉ số hiệu quả của các DMU giai đoạn năm 2019-2022 và giá trị chỉ số trung bình

Năm 2023, kết quả dự báo hiệu quả của 10 DMU cho thấy chỉ số trung bình thấp, với DMU7 và DMU8 (Công ty Giao nhận vận tải ngoại thương) đạt chỉ số 0.554 và 1, tăng 8.4 lần so với năm 2019 và dự kiến đạt tối đa 1.00 vào năm 2024 Công ty sẽ tập trung vào việc phát triển quan hệ kinh doanh, tối ưu hóa nguồn lực, nâng cao chất lượng dịch vụ, và loại bỏ các dịch vụ kém hiệu quả nhằm đảm bảo tăng trưởng hàng năm Đồng thời, công ty sẽ nghiên cứu triển khai dịch vụ kho bãi, vận chuyển, ứng dụng công nghệ thông tin và phát triển dịch vụ logistics thương mại điện tử quốc tế, hợp tác với các đối tác lớn để cung cấp giải pháp hiệu quả cho khách hàng DMU7 cũng duy trì thị phần trong lĩnh vực vận tải biển và hàng không quốc tế, chú trọng dịch vụ logistics bưu kiện và vận tải nội địa.

Hình 12 Đồ thị thể hiện chỉ số hiệu quả từ năm 2023-2026

Biểu đồ 2 cho thấy rằng không chỉ DMU7 mà còn DMU3 (Công ty Cổ phần Logistics Portserco), DMU5 (Công ty Cổ phần Vinalines Logistics Việt Nam) và DMU8 (Công ty Cổ phần Logistics Vinalink) đều đạt chỉ số hiệu quả tối đa từ năm 2023 đến 2026 Cụ thể, DMU3 dự báo chỉ số hiệu quả tăng từ 0.305 lên 1.00 vào năm 2026 nhờ vào việc khai thác cơ hội trong thị trường biến động và thích ứng linh hoạt với tình huống mới Công ty này còn tập trung vào việc duy trì dịch vụ nhất quán cho khách hàng, phát triển khách hàng mới, tăng tỷ trọng khách hàng lớn, đặc biệt là các nhà đầu tư nước ngoài, và hợp tác chặt chẽ với đối tác quốc tế để mở rộng mạng lưới dịch vụ Đồng thời, DMU3 cũng chú trọng kiện toàn và cải tiến cơ cấu tổ chức nhằm nâng cao hiệu quả quản lý doanh nghiệp.

Công ty Cổ phần Vinalines Logistics Việt Nam (DMU5) đã được phân tích bằng phương pháp DEA và mặc dù chỉ số hiệu quả ban đầu ở mức tương đối thấp, nhưng dự báo cho thấy chỉ số hiệu quả có khả năng đạt mức trung bình cao trong tương lai Điều này chỉ ra tiềm năng phát triển và cải thiện hiệu suất của công ty.

2023 2024 2025 2026 Đồ thị thể hiện chỉ số hiệu quả từ năm 2023-2026

DMU1DMU2DMU3DMU4DMU5DMU6DMU7DMU8DMU9DMU10

Ngành logistics đang phát triển mạnh mẽ và đã triển khai nhiều biện pháp nhằm cải thiện hiệu suất Mặc dù các DMU như DMU1, DMU2, DMU4, DMU6, DMU9 và DMU10 vẫn có chỉ số hiệu quả tương đối thấp, nhưng chúng vẫn duy trì hoặc chỉ tăng trưởng chậm Điều này cho thấy dịch vụ logistics tại Việt Nam đang có dấu hiệu tăng trưởng và phát triển không ngừng.

Để đánh giá hiệu quả của các công ty dịch vụ bên thứ ba (3PL), mô hình DEA là công cụ hữu ích giúp dự báo và đưa ra các biện pháp ứng biến với tình hình thực tế hiện tại Trong ngành may mặc Việt Nam, việc lựa chọn nhà cung cấp 3PL nên tập trung vào những công ty có chỉ số hiệu quả cao như Công ty Cổ phần Logistics Portserco, Công ty Cổ phần Vinalines Logistics Việt Nam và Công ty Cổ phần Logistics Vinalink Các công ty này cần tiếp tục phát triển, nâng cao hoạt động sản xuất kinh doanh, đồng thời cải thiện chất lượng dịch vụ và đổi mới công nghệ để tăng cường khả năng cạnh tranh Đối với các công ty logistics khác, việc xác định mục tiêu rõ ràng và xây dựng chiến lược phát triển phù hợp là cần thiết để không chỉ cải thiện dịch vụ mà còn mở rộng cơ hội hợp tác với các doanh nghiệp liên quan.

Tiêu đề	Phân Tích, Dự Đoán Lựa Chọn Hiệu Quả Dịch Vụ Logistics Bên Thứ 3 (3Pl) Trong Ngành May Mặc
Trường học	Trường Đại Học Kinh Tế
Chuyên ngành	Logistics Và Quản Lý Chuỗi Cung Ứng
Thể loại	luận văn tốt nghiệp

Định dạng
Số trang	59
Dung lượng	0,96 MB