Helper’s high

 “Helper’s high” là một thuật ngữ tâm lý học mô tả cảm giác hạnh phúc, phấn khích và mãn nguyện mà con người cảm nhận được sau khi giúp đỡ người khác. 

(Nguồn:https://allanluks.com/helpers_high )

Thuật ngữ này được nhà tâm lý học Allan Luks giới thiệu trong cuốn The Healing Power of Doing Good (1988). Allan Luks  mô tả rằng những người thường xuyên làm việc thiện hoặc giúp đỡ người khác sẽ trải qua một “high” tương tự như cảm giác hưng phấn sau khi tập thể dục — do não tiết ra endorphin, dopamine, oxytocin và các hormone tích cực khác.

(Nguồn: https://thewestendnews.com/helpers-high-and-givers-glow/ )

Khi bạn giúp người khác, hệ thần kinh phần thưởng được kích hoạt (dopamine); endorphin được tiết ra, giúp giảm căng thẳng và tăng cảm giác dễ chịu; oxytocin tăng cường sự gắn kết xã hội và niềm tin; cortisol (hormone căng thẳng) giảm xuống. Kết quả là bạn cảm thấy ấm áp, an lành, tràn đầy năng lượng và ý nghĩa — đây chính là helper’s high.

Ví dụ, sau khi bạn hiến máu, hỗ trợ người khó khăn hoặc dạy miễn phí cho sinh viên nghèo, bạn cảm thấy tâm trạng tốt lên, thậm chí ít mệt mỏi và lo âu hơn. Và nghiên cứu cho thấy những người thường xuyên tình nguyện có sức khỏe tinh thần tốt hơn, sống lâu hơn và ít trầm cảm hơn.

(Nguồn: https://bdaily.co.uk/articles/2021/02/17/how-a-culture-of-kindness-in-the-workplace-boosts-loyalty-success-and-health )

Nguồn tham khảo

• https://pubmed.ncbi.nlm.nih.gov/30424992/
• https://www.psychologytoday.com/us/blog/high-octane-women/201409/helpers-high-the-benefits-and-risks-of-altruism
• https://allanluks.com/helpers_high
• https://www.mindingtherapy.com/helpers-high-doing-good-feels-good/

Gerrymandering

Gerrymandering là sự kết hợp giữa tên của cựu Thống đốc Massachusetts Elbridge Gerry và từ salamander (kỳ nhông). Năm 1812, Thống đốc Gerry đã ký một dự luật vẽ lại các khu vực bầu cử của tiểu bang, và một khu vực bầu cử được tạo ra có hình dạng bất thường, méo mó, được so sánh với hình dạng của một con kỳ nhông huyền thoại. Việc ông vẽ lại bản đồ khu vực bầu cử có hình dáng ngoằn ngoèo giống kỳ nhông là để giúp đảng mình thắng.

(Nguồn: https://blogs.loc.gov/loc/2024/07/gerrymandering-the-origin-story/ )

Gerrymandering thường sử dụng hai kỹ thuật chính để đạt được mục tiêu chính trị:

• Phân tán - Cracking: Chia nhỏ sức mạnh bỏ phiếu của đối thủ (đảng đối lập hoặc nhóm thiểu số) thành nhiều khu vực bầu cử khác nhau, khiến họ trở thành thiểu số và không thể giành chiến thắng ở bất kỳ khu vực nào.

(Nguồn: https://act.represent.us/sign/gerrymandering )

• Tập trung - Packing: Gom phần lớn cử tri của đối thủ vào một hoặc rất ít khu vực bầu cử. Điều này đảm bảo đối thủ chiến thắng dễ dàng ở những khu vực đó, nhưng đồng thời làm giảm đáng kể sức mạnh của họ ở các khu vực lân cận khác, nơi đảng chiếm ưu thế có thể giành chiến thắng.

Gerrymandering là một ví dụ thực tế của MAUP, khi kết quả thống kê hoặc chính trị thay đổi chỉ vì cách phân chia ranh giới địa lý. MAUP là hiện tượng tự nhiên (xảy ra cả khi không cố ý). Gerrymandering là phiên bản “có chủ ý” của MAUP, thường phục vụ mục đích chính trị.

Nguồn tham khảo

• https://blogs.loc.gov/loc/2024/07/gerrymandering-the-origin-story/
• https://www.britannica.com/topic/gerrymandering
• 
  

MAUP – Modifiable Areal Unit Problem

MAUP – Modifiable Areal Unit Problem là một khái niệm quan trọng trong phân tích không gian (spatial analysis), mô tả hiện tượng kết quả thống kê hoặc suy luận thay đổi khi cách phân chia hoặc gộp các vùng địa lý thay đổi.

(Nguồn: https://www.geographyrealm.com/modifiable-areal-unit-problem-gis/)

MAUP xảy ra khi các kết quả phân tích dữ liệu không gian phụ thuộc vào cách ta chọn kích thước và ranh giới của các đơn vị không gian (ví dụ: quận, huyện, vùng, lưới ô vuông...). Nói cách khác, kết quả thay đổi chỉ vì cách “chia bản đồ” khác đi, dù dữ liệu gốc không đổi.

Hai thành phần chính của MAUP

• Scale effect (Hiệu ứng tỷ lệ): Khi dữ liệu điểm được tổng hợp thành các đơn vị khu vực lớn hơn (quy mô thô), mối tương quan giữa các biến số thường tăng lên hoặc thay đổi mạnh mẽ do sự làm mịn (smoothing) dữ liệu. Ví dụ, mối quan hệ giữa các biến số quan sát được ở cấp độ huyện có thể hoàn toàn khác biệt so với mối quan hệ giữa chúng ở cấp độ xã hoặc phường.

• Zoning effect (Hiệu ứng ranh giới):  Hiệu ứng khu vực xảy ra khi ranh giới (boundaries) của các đơn vị khu vực thay đổi, trong khi quy mô (kích thước tổng thể) được giữ nguyên. Cách thức ranh giới được vẽ có thể nhóm các điểm dữ liệu khác nhau lại với nhau, làm thay đổi đáng kể các giá trị tổng hợp và mối quan hệ thống kê. 

Ví dụ điển hình nhất là Gerrymandering (chia lại khu vực bầu cử một cách gian lận), nơi ranh giới được cố tình vẽ lại để tạo lợi thế chính trị cho một đảng phái, dù số lượng cử tri không thay đổi.

gerrymandering

(Nguồn: https://atlas.co/blog/modifiable-areal-unit-problem-maup/)

 

Arbia’s Law (2014) là một biểu hiện trực tiếp của MAUP, chỉ ra rằng khi ta gộp dữ liệu (coarsen resolution), các đơn vị sẽ trông “giống nhau hơn” thì tương quan tăng lên giả tạo.

Nguồn tham khảo

• https://pmc.ncbi.nlm.nih.gov/articles/PMC7151983/
• https://atlas.co/blog/modifiable-areal-unit-problem-maup/
• https://www.uio.no/studier/emner/sv/iss/SGO9010/openshaw1983.pdf

Arbia’s law of geography

Định luật Địa lý của Arbia - Arbia's law of geography là một nguyên tắc trong địa lý học không gian, thường được đề xuất là "Định luật Địa lý thứ Hai" để bổ sung cho Tobler’s First Law.

(Nguồn:https://eli5.gg/Arbia's%20law%20of%20geography)

Định luật địa ký của Arbia phát biểu rằng

Everything is related to everything else, but things observed at a coarse spatial resolution are more related than things observed at a finer resolution.

 "Mọi thứ đều liên quan đến mọi thứ khác, nhưng những thứ được quan sát ở độ phân giải không gian thô (thấp) có mối liên hệ với nhau nhiều hơn những thứ được quan sát ở độ phân giải tốt hơn (cao)."

Theo Arbia, nếu bạn quan sát dữ liệu không gian ở độ phân giải thô (coarse resolution, tức là các vùng địa lý lớn, ô lưới rộng, đơn vị tổng hợp lớn), thì các quan sát sẽ tỏ ra liên quan nhau hơn so với khi bạn quan sát ở độ phân giải mịn hơn (fine resolution, ô nhỏ hơn, đơn vị nhỏ hơn).  

Hiệu ứng này liên quan chặt chẽ với MAUP (Modifiable Areal Unit Problem — vấn đề đơn vị không gian có thể thay đổi được), tức là cách bạn chọn cách chia vùng (quận, huyện, ô lưới) có thể làm thay đổi kết quả phân tích, làm “làm mượt” (smoothing) dữ liệu khi ở cấp độ tổng hợp cao hơn. 

MAUP – Modifiable Areal Unit Problem

(Nguồn: https://gisgeography.com/maup-modifiable-areal-unit-problem/)

Khi tổng hợp dữ liệu không gian (vector hay raster) ở mức thô, dữ liệu trở nên “đồng nhất hơn” (ít biến động, ít bất thường) do sự làm mượt từ việc gộp nhiều đơn vị nhỏ.

Nguồn tham khảo

• https://portal.geography.org.uk/downloads/journals/TG_AUT_2005_SMITH.pdf
• https://www.tandfonline.com/doi/abs/10.1111/j.1467-8306.2004.09402009.x

 

Tobler’s First Law of Geography

 Định luật thứ nhất của Địa lý – Tobler’s First Law of Geography - được Waldo Tobler phát triển năm 1970 

“Everything is related to everything else, but near things are more related than distant things.”

(Mọi thứ đều có mối liên hệ với nhau, nhưng các đối tượng gần nhau thì có mối liên hệ mạnh hơn các đối tượng xa nhau.)

(Nguồn: https://www.mrtredinnick.com/biogeography-forum/first-law-of-geography-13 )

 

Ví dụ minh họa

• Ví dụ 1: Cửa hàng (Store Locations)

Những cửa hàng gần nhau có thể có đặc điểm khách hàng, mô hình mua sắm, loại hàng hóa giống nhau, vì khách hàng trong khu vực lân cận thường dùng dịch vụ gần đó. 

• Ví dụ 2: Semi-variogram 

Khi quan sát địa hình, nếu hai điểm cách nhau rất gần, độ cao có thể giống nhau; khi khoảng cách tăng lên, sự khác biệt giữa độ cao ở hai điểm cũng có thể lớn hơn. Dùng semi-variogram trong kriging để mô hình hóa biến đổi theo khoảng cách. 

• Ví dụ 3: Spatial Autocorrelation & Moran’s I

Sử dụng chỉ số Moran’s I để đo mức độ tương quan không gian (positive autocorrelation: các giá trị giống nhau tập trung; negative: giá trị khác biệt tập trung; bằng 0: không có autocorrelation) 

 

(Nguồn: https://gisgeography.com/tobler-first-law-of-geography/ )

Định luật này là nền tảng cho nhiều công cụ phân tích không gian như autocorrelation, interpolation, mô hình không gian.  

Nguồn tham khảo

• https://gisgeography.com/tobler-first-law-of-geography/
• https://gis.stackexchange.com/questions/417147/how-to-interpret-tobler-s-first-law-of-geography
• https://www.esri.com/about/newsroom/arcuser/proving-toblers-law

Index Decomposition Analysis

Index Decomposition Analysis (IDA) là một phương pháp phân tích định lượng dùng để phân rã (decompose) sự thay đổi của một chỉ tiêu tổng hợp (index) thành các yếu tố đóng góp (drivers) riêng biệt, giúp xác định nguyên nhân của biến động theo thời gian.

(Nguồn: https://link.springer.com/article/10.1007/s11356-022-20797-8)

IDA đặc biệt phổ biến trong các nghiên cứu về năng lượng và môi trường, ví dụ:

• Phân tích sự thay đổi trong tiêu thụ năng lượng, cụ thể như phân tách sự thay đổi tổng thể thành các yếu tố như cường độ năng lượng (mức sử dụng năng lượng trên một đơn vị sản phẩm/GDP), thay đổi cơ cấu ngành, và mức độ hoạt động kinh tế (quy mô).

• Phân tích sự thay đổi trong phát thải CO2, ví dụ như phân tách sự thay đổi thành các yếu tố như cường độ carbon (lượng CO2   trên đơn vị năng lượng), cường độ năng lượng, cơ cấu ngành, và hoạt động kinh tế.

Phương pháp này thường dựa trên công thức:

$$I=\sum _i{A}_i{S}_i{E}_{\mathrm{i}}$$

Trong đó:

• $I$: chỉ tiêu tổng hợp (ví dụ: tổng phát thải CO₂);

• $A_i$: quy mô hoạt động;

• $S_i$: cơ cấu ngành (tỷ trọng hoạt động i);

• $E_i$: cường độ (ví dụ: phát thải trên đơn vị sản lượng).

Khi chỉ tiêu $I$ thay đổi giữa hai thời điểm $t_0$ và $t_1$, IDA giúp chia phần thay đổi này thành:

$$\Delta I = \Delta I_A + \Delta I_S + \Delta I_E$$

Mỗi một thành phần trong công thức trên tương ứng với ảnh hưởng của hoạt động, cấu trúc, và hiệu quả.

Hai kỹ thuật phổ biến

• Laspeyres Decomposition Method, dựa trên công thức chỉ số Laspeyres.

và

• Logarithmic Mean Divisia Index (LMDI), dựa trên công thức trung bình logarit (logarithmic mean).

(Nguồn: https://www.researchgate.net/figure/Framework-of-Index-Decomposition-Analysis-IDA_fig2_338817038)

Nguồn tham khảo

• https://cde.nus.edu.sg/isem/wp-content/uploads/sites/12/2019/04/4.1.1-Systems-Design-and-Management_Index-Decomposition-Analysis.pdf
• https://dergipark.org.tr/tr/download/article-file/996678
• https://repub.eur.nl/pub/120911/REPUB_120911-OA.pdf
• https://www.tandfonline.com/doi/full/10.1080/09535314.2019.1652571#d1e166
• https://www.researchgate.net/figure/Main-methods-of-Index-Decomposition-Analysis-and-characteristics_tbl1_350049278
• https://iea.blob.core.windows.net/assets/imports/events/613/7.Introductiontodecompositionanalysis.pdf

Easterlin Paradox

Easterlin Paradox (Nghịch lý Easterlin) do nhà kinh tế học Richard Easterlin (Hoa Kỳ) đưa ra năm 1974. Ông phát hiện rằng trong một quốc gia, người giàu thường hạnh phúc hơn người nghèo — nhưng khi thu nhập bình quân của cả quốc gia tăng lên theo thời gian, mức độ hạnh phúc trung bình của người dân không tăng tương ứng. Hay có thể nói ngắn gọn là tiền có thể mua hạnh phúc trong ngắn hạn và ở mức cá nhân, nhưng không đảm bảo hạnh phúc cao hơn ở mức quốc gia trong dài hạn.

(Nguồn: https://econfix.wordpress.com/2019/04/29/china-and-the-easterlin-paradox/ )

Giải thích nghịch lý Easterlin

Easterlin cho rằng có ba nguyên nhân chính:

• Một là, con người đánh giá hạnh phúc của mình so với người khác, chứ không tuyệt đối. Mọi người so sánh thu nhập của mình với thu nhập của những người khác trong xã hội. Người giàu hơn cảm thấy hạnh phúc hơn vì họ so sánh mình với những người kém may mắn hơn. Khi thu nhập của tất cả mọi người đều tăng, vị thế tương đối không đổi, do đó hạnh phúc không tăng.

• Hai là, khi thu nhập tăng, con người nhanh chóng quen với mức sống mới nên mức hạnh phúc quay lại như cũ. Việc thu nhập của một người tăng lên sẽ bị lu mờ đi bởi việc thu nhập của nhóm so sánh cũng tăng, khiến tác động tích cực của việc tăng thu nhập cá nhân lên hạnh phúc bị giảm thiểu hoặc triệt tiêu.

• Ba là, các yếu tố như sức khỏe, gia đình, tự do, môi trường, thời gian rảnh có thể quan trọng hơn tiền bạc.

(Nguồn: https://gulzar05.blogspot.com/2008/04/end-of-easterlin-paradox.html)

Nói cách khác, khi tất cả mọi người cùng giàu lên, việc giàu hơn không còn mang lại nhiều hạnh phúc hơn như khi chỉ một mình bạn giàu lên. Nghịch lý Easterlin đặt ra câu hỏi về vai trò của tăng trưởng kinh tế như là mục tiêu tối thượng của chính sách công, đồng thời nhấn mạnh rằng thu nhập tương đối (relative income) và các yếu tố phi vật chất khác (như sức khỏe, quan hệ xã hội, sự tự do) có vai trò quan trọng trong việc xác định hạnh phúc dài hạn. Nghịch lý Easterlin dẫn đến sự ra đời của các chỉ số như Gross National Happiness (GNH) hay World Happiness Report.

Nguồn tham khảo

• https://www.iza.org/publications/dp/13923/the-easterlin-paradox
• https://blogs.lse.ac.uk/inequalities/2025/06/25/the-easterlin-paradox-revisited/
• https://www.linkedin.com/pulse/more-wealth-doesnt-guarantee-happiness-easterlin-paradox-ananthan-bvygc

Magnetoencephalography

Magnetoencephalography (MEG), hay còn gọi là Từ não đồ, là một kỹ thuật chẩn đoán hình ảnh thần kinh không xâm lấn được sử dụng để lập bản đồ hoạt động của não bằng cách ghi lại các từ trường cực nhỏ được tạo ra bởi dòng điện sinh học tự nhiên trong não.

(Nguồn: https://web.mit.edu/kitmitmeg/whatis.html)

Cách thức hoạt động của Magnetoencephalography 

Tế bào thần kinh (neuron) trong não tương tác với nhau bằng cách tạo ra các điện áp nhỏ. Dòng điện này tạo ra một từ trường rất yếu. Thiết bị MEG sử dụng các cảm biến từ tính cực kỳ nhạy (gọi là SQUID - Superconducting Quantum Interference Devices - Thiết bị giao thoa lượng tử siêu dẫn) đặt xung quanh đầu bệnh nhân (thường là trong một thiết bị giống như mũ bảo hiểm) để phát hiện, ghi lại và phân tích các từ trường này.

Các tín hiệu từ trường được kết hợp với hình ảnh giải phẫu của não (thường là từ MRI) để tạo ra bản đồ chi tiết (gọi là Magnetic Source Imaging - MSI) về nơi và thời điểm hoạt động của não diễn ra, với độ phân giải không gian và thời gian rất cao (đo hoạt động từng mili giây).

(Nguồn: https://web.mit.edu/kitmitmeg/whatis.html)

Ứng dụng của Magnetoencephalography

MEG là công cụ quan trọng trong cả nghiên cứu và lâm sàng, đặc biệt trong việc đánh giá các rối loạn thần kinh:

• Đánh giá động kinh (Epilepsy): Xác định chính xác vị trí ổ phát sinh cơn động kinh để lập kế hoạch phẫu thuật, nhằm loại bỏ mô gây động kinh trong khi vẫn bảo tồn các khu vực não khỏe mạnh.

(Nguồn: https://web.mit.edu/kitmitmeg/whatis.html )

• Lập bản đồ chức năng não: Xác định vị trí các khu vực quan trọng của não liên quan đến vận động, cảm giác, ngôn ngữ, thị giác và thính giác. Việc này rất quan trọng trong lập kế hoạch phẫu thuật để tránh làm tổn thương các khu vực chức năng thiết yếu khi loại bỏ khối u não hoặc các tổn thương khác.

• Nghiên cứu: Giúp các nhà khoa học hiểu rõ hơn về chức năng não bình thường và các rối loạn thần kinh-tâm thần khác như Alzheimer, Parkinson, tâm thần phân liệt, tự kỷ và chấn thương sọ não;  tìm hiểu cách các vùng não phối hợp trong xử lý ngôn ngữ, trí nhớ, cảm xúc…

• Lâm sàng:  Xác định vùng gây động kinh để hỗ trợ phẫu thuật, định vị các vùng chức năng quan trọng (ví dụ: vận động, ngôn ngữ) trước khi phẫu thuật não.

Nguồn tham khảo

• https://pmc.ncbi.nlm.nih.gov/articles/PMC4001219/
• https://my.clevelandclinic.org/health/diagnostics/17218-magnetoencephalography-meg
• https://ilabs.uw.edu/what-magnetoencephalography-meg/
• https://web.mit.edu/kitmitmeg/whatis.html

Lịch sử của dấu "="

 Dấu bằng (=) là một trong những ký hiệu toán học phổ biến nhất,  được phát minh bởi một nhà toán học xứ Wales tên là Robert Recorde vào thế kỷ 16. Trước đó, các nhà toán học đã phải viết "bằng" hoặc "aequales" (tiếng Latin) để biểu thị sự bằng nhau.

(Nguồn: https://www.mentalfloss.com/article/76342/retrobituaries-robert-recorde-inventor-equals-sign)

Trước thế kỷ 16, người ta thường viết từ tiếng Latin “aequales” (nghĩa là “bằng nhau”) hoặc các từ tương đương trong phương trình. 

Ví dụ: thay vì viết 2 + 2 = 4, họ sẽ viết 2 + 2 aequales 4.

Robert Recorde là một người yêu thích toán học, ông muốn tạo ra một cách viết dễ hiểu hơn cho các phương trình. Trong cuốn sách của mình, "The Whetstone of Witte" (Viên đá mài của trí tuệ), xuất bản năm 1557, ông đã viết:

"Và để tránh sự lặp lại tẻ nhạt của những từ này: 'is equalle to' (bằng với), tôi sẽ thiết lập một cặp đường thẳng song song có cùng chiều dài, như thế này: =; vì không có hai thứ gì có thể bằng nhau hơn."

(Nguồn: https://simanaitissays.com/2020/03/22/on-equality-mathwise-and-otherwise-part-1/ )

 

Ông đã sử dụng một cặp dấu gạch ngang dài hơn so với dấu bằng ngày nay.

(Nguồn: https://old.maa.org/press/periodicals/convergence/mathematical-treasures-robert-recordes-whetstone-of-witte )

Mặc dù được Recorde giới thiệu vào năm 1557, dấu "=" đã không ngay lập tức trở nên phổ biến. Phải mất một thời gian rất dài để nó thay thế các ký hiệu khác như hai đường thẳng dọc, một ký hiệu giống như chữ "ae" viết tắt của "aequales," hoặc đơn giản là viết từ "bằng" ra.

Vào thế kỷ 17, các nhà toán học hàng đầu như René Descartes và Isaac Newton vẫn ưa dùng các ký hiệu khác hoặc viết chữ ra. Mãi đến cuối thế kỷ 17 và đầu thế kỷ 18, khi các nhà toán học ở lục địa châu Âu như Gottfried Wilhelm Leibniz bắt đầu sử dụng dấu "=" một cách nhất quán, nó mới dần được chấp nhận rộng rãi.

Lý do chính cho sự chậm trễ này là do việc in ấn sách toán học thời bấy giờ rất tốn kém và phức tạp. Việc tạo ra một ký hiệu mới cần thời gian để các nhà in chấp nhận và phổ biến. Dấu bằng đã dần dần được tiêu chuẩn hóa thành hai đường thẳng song song ngắn hơn như chúng ta thấy ngày nay.

Việc phát minh ra dấu "=" không chỉ là một thay đổi nhỏ về ký hiệu. Nó đã giúp đơn giản hóa việc viết và hiểu các phương trình toán học một cách đáng kể, mở đường cho sự phát triển của đại số và các lĩnh vực toán học khác. Dấu bằng là một trong những ký hiệu cơ bản đã cách mạng hóa cách chúng ta giao tiếp và làm việc với các ý tưởng toán học.

Nguồn tham khảo

• https://www.mentalfloss.com/article/76342/retrobituaries-robert-recorde-inventor-equals-sign
• https://old.maa.org/press/periodicals/convergence/mathematical-treasures-robert-recordes-whetstone-of-witte
• https://www.caltech.edu/about/news/question-week-who-invented-equal-sign-and-why-171
• 
  

Best-worst method

Phương pháp tốt nhất-tệ nhất (Best-Worst Method - BWM) là một kỹ thuật ra quyết định đa tiêu chí (Multi-Criteria Decision-Making - MCDM) được phát triển bởi Jafar Rezaei vào năm 2015. BWM giúp xác định trọng số của các tiêu chí và/hoặc xếp hạng các phương án một cách hiệu quả và đáng tin cậy.

Trong các phương pháp MCDM truyền thống (như AHP), ta phải so sánh rất nhiều cặp tiêu chí với nhau nên khá phức tạp, mất thời gian, thiếu nhất quán. BWM đơn giản hóa quá trình bằng cách:

• Người ra quyết định chọn ra tiêu chí tốt nhất (quan trọng nhất) và tiêu chí tệ nhất (ít quan trọng nhất).

• Chỉ so sánh tốt nhất với các tiêu chí còn lại, và các tiêu chí còn lại với tệ nhất.

• Từ hai tập so sánh này, ta xây dựng một hệ phương trình để tính trọng số tối ưu cho toàn bộ tiêu chí.

(Nguồn: https://www.researchgate.net/figure/Flowchart-for-the-best-worst-method_fig2_368811044)

Các bước thực hiện

Quy trình của BWM gồm 5 bước cơ bản:

1. Liệt kê các tiêu chí: Xác định một tập hợp các tiêu chí ra quyết định.

2. Xác định tiêu chí tốt nhất và tệ nhất: Chọn tiêu chí quan trọng nhất (tốt nhất) và tiêu chí ít quan trọng nhất (tệ nhất) từ danh sách.

3. So sánh tốt nhất-với-khác: Đánh giá mức độ quan trọng của tiêu chí tốt nhất so với tất cả các tiêu chí khác. Kết quả là một véc-tơ so sánh tốt nhất-với-khác $A_B=(a_{B1},a_{B2},...,a_{Bn})$, trong đó aBj​ là mức độ quan trọng của tiêu chí tốt nhất B so với tiêu chí j.

4. So sánh khác-với-tệ nhất: Đánh giá mức độ quan trọng của tất cả các tiêu chí khác so với tiêu chí tệ nhất. Kết quả là một véc-tơ so sánh khác-với-tệ nhất $A_W=(a_{1W},a_{2W},...,a_{nW}{)}^T$, trong đó ajW​ là mức độ quan trọng của tiêu chí j so với tiêu chí tệ nhất W.

5. Tính toán trọng số tối ưu: Sử dụng một mô hình toán học (thường là mô hình tối ưu hóa tuyến tính hoặc phi tuyến) để tìm ra bộ trọng số tối ưu (w1​,w2​,...,wn​) sao cho các so sánh cặp đã thực hiện là nhất quán nhất. 

Ưu điểm

• Giảm số lượng so sánh: BWM chỉ yêu cầu $2n-3$ so sánh (với n là số tiêu chí), ít hơn đáng kể so với phương pháp AHP ($n(n-1)/2$). Điều này giúp giảm gánh nặng cho người ra quyết định và tiết kiệm thời gian.
• Độ tin cậy cao: Do số lượng so sánh ít hơn và có một mô hình toán học để đo lường độ nhất quán, kết quả từ BWM thường có độ tin cậy và sự nhất quán cao hơn

• Đơn giản và trực quan: Phương pháp này dễ hiểu và dễ áp dụng, đặc biệt với những người không có chuyên môn sâu về toán học.

 Ứng dụng

BWM được ứng dụng rộng rãi trong nhiều lĩnh vực:

• Quản lý chuỗi cung ứng: Lựa chọn nhà cung cấp, đánh giá rủi ro. 

• Phân tích rủi ro: Xác định và đánh giá các yếu tố rủi ro. 

• Tiếp thị: Phân tích hành vi người tiêu dùng, xác định các thuộc tính sản phẩm quan trọng. 

• Quản lý dự án: Ưu tiên các yếu tố thành công của dự án. 

• Chính sách công: Đánh giá các chính sách hoặc dự án công.

Nguồn tham khảo

• https://bestworstmethod.com/
• https://www.sciencedirect.com/science/article/abs/pii/S0305048314001480
• https://www.sciencedirect.com/topics/social-sciences/best-worst-method
• https://informatica.vu.lt/journal/INFORMATICA/article/1170/read

Conjoint analysis

 Conjoint analysis (phân tích kết hợp) là một phương pháp nghiên cứu định lượng trong marketing, kinh tế học hành vi và khoa học quyết định, được dùng để tìm hiểu sở thích của người tiêu dùng đối với sản phẩm/dịch vụ có nhiều thuộc tính (attributes).  Mục tiêu chính là hiểu được sự đánh đổi (trade-offs) mà người tiêu dùng sẵn sàng chấp nhận khi đưa ra quyết định mua hàng.

(Nguồn: https://www.predictiveanalyticstoday.com/top-conjoint-analysis-software/)

Ý tưởng cốt lõi là khi lựa chọn sản phẩm, người tiêu dùng không đánh giá từng thuộc tính riêng lẻ, mà họ cân nhắc kết hợp nhiều thuộc tính cùng lúc (giá, chất lượng, thương hiệu, màu sắc, tính năng...). Conjoint analysis mô phỏng tình huống ra quyết định bằng cách đưa ra cho người trả lời nhiều kịch bản sản phẩm giả định (combinations of attributes) và yêu cầu họ chọn lựa hoặc đánh giá mức độ ưa thích. Từ dữ liệu đó, mô hình sẽ suy ra mức độ quan trọng (importance) của từng thuộc tính và giá trị tiện ích (utility value) của từng mức thuộc tính.

Quy trình thực hiện

Quy trình thực hiện một nghiên cứu conjoint thường bao gồm các bước sau:

1. Xác định thuộc tính và mức độ: Chọn các thuộc tính chính của sản phẩm (ví dụ: màn hình, dung lượng pin, camera) và các mức độ khác nhau của chúng (ví dụ: màn hình 5 inch, 6 inch; pin 4000mAh, 5000mAh).

2. Tạo các hồ sơ (profiles): Kết hợp các thuộc tính và mức độ để tạo ra một tập hợp các sản phẩm "giả định" hoặc "hồ sơ". Ví dụ, một hồ sơ có thể là "Điện thoại A: màn hình 6 inch, pin 5000mAh, camera 48MP."

3. Thu thập dữ liệu: Yêu cầu người tham gia khảo sát đánh giá các hồ sơ này. Họ có thể được yêu cầu xếp hạng, xếp thứ tự, hoặc chọn hồ sơ mà họ thích nhất từ một tập hợp các lựa chọn.

4. Phân tích dữ liệu: Sử dụng các mô hình thống kê để phân tích câu trả lời của người tham gia. Kết quả phân tích sẽ cho biết giá trị hữu ích tương đối (relative utility) của từng thuộc tính và mức độ.

5. Ứng dụng kết quả: Sử dụng các giá trị hữu ích này để dự đoán lựa chọn của người tiêu dùng, tối ưu hóa thiết kế sản phẩm hoặc xác định giá bán phù hợp.

 

(Nguồn: https://conjointly.com/guides/what-is-conjoint-analysis/#howitworks)

Các loại Conjoint Analysis phổ biến

• Traditional full-profile conjoint: người trả lời đánh giá toàn bộ profile sản phẩm.

• Choice-based conjoint (CBC): người trả lời chọn một phương án trong số vài lựa chọn (giống mua hàng thực tế).

• Adaptive conjoint (ACA): hệ thống chọn câu hỏi tiếp theo dựa trên câu trả lời trước (giảm số câu hỏi).

• Hybrid conjoint: kết hợp nhiều cách để giảm tải cho người tham gia.

(Nguồn: https://www.statswork.com/blog/conjoint-analysis-and-its-types/)

Ứng dụng

• Phát triển sản phẩm mới: Xác định các tính năng quan trọng nhất để đưa vào sản phẩm. 

• Định giá: Tìm ra mức giá tối ưu cho sản phẩm bằng cách hiểu người tiêu dùng đánh giá tiền và các tính năng như thế nào. 

• Phân khúc thị trường: Phân loại khách hàng thành các nhóm có sở thích khác nhau.

• Thẩm định thương hiệu: Đánh giá tầm quan trọng của tên thương hiệu so với các thuộc tính khác.

Nguồn tham khảo

• https://online.hbs.edu/blog/post/what-is-conjoint-analysis
• https://www.qualtrics.com/en-au/experience-management/research/types-of-conjoint/
• https://www.1000minds.com/conjoint-analysis/what-is-conjoint-analysis
• https://www.stratxsimulations.com/latest_materials_markstrat_web/enu/Handbook-SM-B2C-DG/DocToHelpOutput/NetHelp/default.htm#!WordDocuments/conjointanalysis.htm

PAPRIKA

PAPRIKA (Potentially All Pairwise RanKings of all possible Alternatives) là một phương pháp ra quyết định đa tiêu chí (MCDM - Multi-Criteria Decision Making) dựa trên phần mềm, giúp người dùng chọn ra phương án tốt nhất từ một danh sách các lựa chọn. Đây là một công cụ ra quyết định được thiết kế để đơn giản hóa quá trình đánh giá và sắp xếp các phương án dựa trên nhiều tiêu chí khác nhau, đặc biệt là khi các tiêu chí đó có tầm quan trọng không đồng đều.

(Nguồn: https://flexiana.com/news/2020/06/paprika-the-art-of-decision-making )

Nguyên lý hoạt động

PAPRIKA hoạt động dựa trên một nguyên tắc đơn giản: thay vì yêu cầu người dùng gán trọng số cho từng tiêu chí một cách trực tiếp (thường là một việc rất khó khăn), nó sẽ yêu cầu người dùng thực hiện một loạt các so sánh cặp đôi. Quá trình này diễn ra từng bước một:

1. Liệt kê các tiêu chí và lựa chọn: Người dùng nhập tất cả các tiêu chí liên quan đến quyết định (ví dụ: giá cả, hiệu suất, độ tin cậy) và các phương án thay thế (ví dụ: máy tính A, B, C).

2. So sánh cặp đôi: Hệ thống sẽ tự động tạo ra một loạt câu hỏi so sánh. Mỗi câu hỏi sẽ yêu cầu người dùng chọn ra tiêu chí nào quan trọng hơn giữa hai tiêu chí bất kỳ. Ví dụ: "Giữa giá cả và hiệu suất, bạn ưu tiên tiêu chí nào hơn?"

3. Thu hẹp lựa chọn: Dựa trên các câu trả lời, PAPRIKA sẽ loại bỏ những lựa chọn không khả thi ngay lập tức. Ví dụ, nếu bạn nói rằng "hiệu suất" quan trọng hơn, và máy tính B có hiệu suất tốt hơn máy tính A, trong khi các tiêu chí khác của chúng tương đương, thì máy tính A sẽ bị loại khỏi danh sách.

4. Lặp lại: Quá trình này tiếp tục cho đến khi chỉ còn một hoặc một vài lựa chọn tốt nhất.

(Nguồn: )

Ưu điểm của phương pháp PAPRIKA

• Đơn giản, thân thiện người dùng. Các câu hỏi dễ hiểu, không yêu cầu người dùng phải đánh giá “mức độ quan trọng” theo cái thang khó khăn như AHP. 

• Số câu hỏi được điều chỉnh (adaptive) để tránh hỏi những câu không cần (vì đã được suy luận từ các câu trước). Giúp giảm thời gian và hạn chế mỏi nhận thức. 

• Phân tích cá nhân hóa, minh bạch, có thể xem lại, điều chỉnh. 

• Kết hợp được với khảo sát group hay voting, dùng trong MCDA + conjoint analysis.

(Nguồn: https://citoolkit.com/articles/paired-comparison/ )

Hạn chế

•  Với số tiêu chí lớn và nhiều cấp độ cho mỗi tiêu chí, số câu hỏi vẫn có thể tăng lên đáng kể (ví dụ ~60 câu cho 8 tiêu chí) → có thể người dùng vẫn thấy hơi nhiều. 

• “Path dependence”: số câu hỏi và thứ tự câu hỏi phụ thuộc vào cách trả lời trước, nên nếu trả lời khác có thể được hỏi nhiều câu khác nhau. 

• Ngôn ngữ dùng cho tiêu chí/cấp độ nếu phức tạp hay mơ hồ có thể làm người dùng khó hiểu nhanh.

So sánh với AHP (Analytic Hierarchy Process): 

PAPRIKA sử dụng các câu hỏi so sánh giữa các phương án giả định theo cặp (alternatives) và theo tiêu chí hai cái một (two-criteria trade-offs), trong khi AHP yêu cầu người dùng đánh giá mức độ quan trọng giữa các tiêu chí trên thang tỉ lệ (ratio scale).  

Các câu hỏi của AHP (ví dụ “tiêu chí A hơn B bao nhiêu lần?”) đôi khi khó trả lời, dễ sai lệch nhận thức hơn. PAPRIKA hướng tới sự đơn giản, dễ trả lời hơn.

Ứng dụng

PAPRIKA được sử dụng rộng rãi trong nhiều lĩnh vực, từ y học (hỗ trợ các bác sĩ và bệnh nhân đưa ra quyết định điều trị) cho đến kinh doanh và cuộc sống hàng ngày (chọn sản phẩm, nhà cung cấp, hoặc công việc).

Tóm lại, PAPRIKA là một công cụ ra quyết định thông minh, kết hợp sự đơn giản của các so sánh cặp đôi với sức mạnh của thuật toán để giúp người dùng đưa ra những quyết định sáng suốt và hiệu quả nhất.

Nguồn tham khảo

• https://www.1000minds.com/paprika
• https://www.researchgate.net/publication/228007215_A_New_Method_for_Scoring_Additive_Multi-Attribute_Value_Models_Using_Pairwise_Rankings_of_Alternatives
• https://flexiana.com/news/2020/06/paprika-the-art-of-decision-making

Analytic Hierarchy Process

 Quy trình Phân tích Thứ bậc (Analytic Hierarchy Process - AHP) là một phương pháp ra quyết định đa tiêu chí (MCDM) được Thomas Saaty phát triển vào những năm 1970. AHP giúp người ra quyết định cấu trúc các vấn đề phức tạp thành một hệ thống phân cấp, sau đó sử dụng các so sánh cặp đôi để xác định trọng số tương đối của các tiêu chí và xếp hạng các phương án.

Nguyên lý hoạt động

AHP hoạt động dựa trên ba nguyên lý chính:

• Cấu trúc phân cấp: 

Vấn đề ra quyết định được chia nhỏ thành một hệ thống phân cấp. Cấp cao nhất là mục tiêu chung, các cấp trung gian là các tiêu chí đánh giá, và cấp thấp nhất là các phương án lựa chọn.

• Ưu tiên bằng so sánh cặp đôi: 

Người ra quyết định so sánh từng cặp tiêu chí và phương án dựa trên một thang đo tỉ lệ từ 1 (quan trọng bằng nhau) đến 9 (quan trọng hơn hẳn). Ví dụ, khi so sánh hai tiêu chí "Chi phí" và "Chất lượng," người ra quyết định sẽ trả lời câu hỏi: "Chất lượng quan trọng hơn chi phí bao nhiêu lần?"

• Tổng hợp ưu tiên: 

AHP sử dụng một phép toán ma trận để tổng hợp tất cả các so sánh cặp đôi, từ đó tính toán được trọng số tương đối của từng tiêu chí và điểm số tổng thể của từng phương án.

 Quy trình thực hiện

Quy trình thực hiện AHP gồm 5 bước cơ bản:

(Nguồn: https://www.intechopen.com/chapters/1121911)

• Xác định vấn đề và mục tiêu: Đặt ra mục tiêu cần đạt được (ví dụ: "Mua xe ô tô phù hợp nhất").

• Xây dựng cấu trúc phân cấp: Phân tích vấn đề thành các cấp bậc: mục tiêu, tiêu chí chính (ví dụ: Chi phí, Hiệu suất, An toàn), tiêu chí phụ (nếu có), và cuối cùng là các phương án (ví dụ: Xe A, Xe B, Xe C).

• Thiết lập ma trận so sánh cặp đôi: Xây dựng các ma trận so sánh.

• Ma trận so sánh tiêu chí: So sánh từng cặp tiêu chí để xác định trọng số của chúng.

• Ma trận so sánh phương án: So sánh từng cặp phương án đối với mỗi tiêu chí.

• Tính toán trọng số và kiểm tra tính nhất quán:

• Sử dụng ma trận so sánh để tính toán véc-tơ riêng (eigenvector), đại diện cho trọng số tương đối của từng yếu tố.

• Kiểm tra tính nhất quán của các so sánh. Nếu tỷ lệ nhất quán (Consistency Ratio - CR) vượt quá 0,1, người ra quyết định cần xem xét lại các đánh giá của mình.

• Tổng hợp kết quả: Kết hợp trọng số của các tiêu chí và điểm số của các phương án để tính điểm cuối cùng cho mỗi phương án, từ đó đưa ra quyết định tối ưu.

Ví dụ minh họa của AHP

•  Ví dụ chọn điện thoại (smartphone) với các tiêu chí như camera, dung lượng lưu trữ (storage), vẻ ngoài (looks), giá (price)

(Nguồn: https://www.6sigma.us/six-sigma-in-focus/analytic-hierarchy-process-ahp/)

• Lựa chọn dự án / Quản lý danh mục dự án (Project Portfolio Selection), có thể áp dụng AHP để đưa ra thứ tự ưu tiên các dự án dựa vào các tiêu chí như chi phí, lợi ích, rủi ro, chiến lược.

• Ứng dụng AHP trong phân bổ nguồn lực (Resource Allocation), chẳng hạn như cần xác định nguồn lực nào cần tập trung vào đúng chỗ

• Lựa chọn ứng viên theo tuổi tác, kinh nghiệm, học vấn, kỹ năng quản trị...

(Nguồn: https://blog.avenuecode.com/ahp-a-group-decision-making-technique)

• ...

Các công cụ hỗ trợ

• Một số phần mềm/trợ giúp: Expert Choice, Prioritization Helper.v.v... giúp tự động hóa tính ma trận so sánh, tính toán trọng số, tính CR (Consistency Ratio)…

Ưu điểm của AHP

• Thích hợp khi quyết định cần tới nhiều tiêu chí, nhiều bên liên quan, mức độ phức tạp cao.

• Có cấu trúc rõ ràng, giúp người ra quyết định hiểu rõ các thành phần của bài toán (tiêu chí, alternatives, trade-offs).

• Phương pháp tương đối trực quan, có thể làm bằng Excel hoặc phần mềm chuyên dụng. 

• Giúp minh bạch quá trình ra quyết định, đặc biệt khi có nhiều tiêu chí, bao gồm các tiêu chí khó đo lường.

Hạn chế / điểm cần lưu ý

• AHP rất linh hoạt, có thể xử lý cả định tính và định lượng.

• Việc dùng thang 1-9 để so sánh mang tính chủ quan; không có lý thuyết rõ ràng giải thích tại sao phải là thang đó. 

• Khi có nhiều tiêu chí hoặc nhiều phương án thì số lượng so sánh cặp đôi tăng nhanh dẫn đến mất công, dễ bị sai lệch. 

• Vấn đề inconsistency (không nhất quán) trong các so sánh cặp đôi: nếu người dùng chọn các so sánh có mâu thuẫn thì kết quả trọng số có thể không đáng tin. 

• “Rank reversal” (thứ hạng bị thay đổi khi thêm/bớt phương án) là một vấn đề được nêu lên. 

• Khó khăn nhận thức (“cognitive difficulty”) khi người ra quyết định phải đưa ra các so sánh “cực đoan” hay “rất quan trọng hơn” trên thang 1-9.

Nguồn tham khảo

• https://www.ebsco.com/research-starters/social-sciences-and-humanities/analytic-hierarchy-process-ahp
• https://www.sciencedirect.com/science/article/pii/0270025587904738
• https://www.6sigma.us/six-sigma-in-focus/analytic-hierarchy-process-ahp/
• https://www.iied.org/sites/default/files/pdfs/2022-02/20781G.pdf
• https://www.intechopen.com/chapters/1121911

Bandwagon effect

Bandwagon effect (hiệu ứng “lên xe buýt”, hiệu ứng đoàn tàu, hay còn gọi là hiệu ứng bầy đàn, hiệu ứng đám đông ) là một hiện tượng tâm lý – xã hội trong đó một cá nhân thay đổi hành vi, niềm tin hoặc lựa chọn của mình chỉ vì thấy nhiều người khác cũng đang làm như vậy.  Thay vì đưa ra quyết định dựa trên suy nghĩ logic và độc lập, họ "nhảy lên đoàn tàu" (jump on the bandwagon) để đi theo xu hướng của số đông, bất kể quan điểm cá nhân có thể trái ngược.

(Nguồn: https://conversion-uplift.co.uk/glossary-of-conversion-marketing/bandwagon-effect/)

Ý tưởng cốt lõi của bandwagon effect  là việc người ta có xu hướng bắt chước số đông, vì tin rằng số đông đúng, hoặc vì không muốn bị “tụt lại phía sau”. Nói cách khác: “Nếu nhiều người chọn A, thì tôi cũng chọn A, chỉ vì nhiều người làm vậy.”

Đặc điểm chính

• Xu hướng tuân thủ: Con người có nhu cầu tự nhiên muốn hòa nhập và được xã hội chấp nhận. Việc đi theo đám đông giúp họ cảm thấy an toàn và không bị lạc lõng.

(Nguồn: https://sketchplanations.com/the-bandwagon-effect)

• Thiếu tư duy độc lập: Hiệu ứng này làm suy giảm khả năng phân tích và đánh giá vấn đề của cá nhân. Họ tin rằng "đông người làm thì chắc chắn là đúng."

• Lan truyền nhanh chóng: Hiệu ứng đám đông hoạt động theo cơ chế phản hồi tích cực. Càng nhiều người tham gia, áp lực xã hội càng lớn, và càng nhiều người khác sẽ tham gia theo.

Ứng dụng và ví dụ thực tế

Trong kinh doanh và marketing

• Các thương hiệu tận dụng hiệu ứng đám đông bằng cách quảng cáo sản phẩm của họ là "bán chạy nhất," "được nhiều người tin dùng," hoặc "hàng triệu người đã sử dụng." Điều này tạo ra một sự bảo đảm tâm lý cho người mua.

• Ví dụ: một sản phẩm thời trang “hot trend” được nhiều người mua, khiến người khác cũng mua theo, bất kể nhu cầu thực sự.a

• Một sản phẩm có nhiều đánh giá tích cực hoặc có nhiều người dùng nổi tiếng sử dụng sẽ dễ dàng thu hút thêm người dùng mới, ví dụ: một quán ăn đông khách thường được coi là ngon, hoặc một ứng dụng có nhiều lượt tải về sẽ được người khác tin tưởng hơn.

Trong chính trị

•  Một số cử tri có xu hướng bỏ phiếu cho ứng cử viên mà họ tin rằng đang dẫn đầu cuộc đua. Điều này có thể ảnh hưởng đến kết quả cuối cùng, vì sự ủng hộ ban đầu của một nhóm nhỏ có thể tạo ra một làn sóng ủng hộ lớn hơn.

• Các phong trào xã hội hoặc chính trị cũng phát triển dựa trên hiệu ứng này. Khi một phong trào trở nên phổ biến, nó thu hút thêm nhiều người tham gia, tạo ra động lực và sức ảnh hưởng lớn hơn.

Trong kinh tế học

•  Trong thị trường tài chính, hiệu ứng đám đông có thể dẫn đến bong bóng tài sản hoặc sự sụp đổ thị trường. Các nhà đầu tư mua một loại tài sản vì họ thấy người khác đang mua, đẩy giá lên cao một cách phi lý trí, cho đến khi bong bóng vỡ.

(Nguồn: https://corporatefinanceinstitute.com/resources/career-map/sell-side/capital-markets/bandwagon-effect/)

Hiệu ứng tiêu cực

Mặc dù có thể tạo ra các kết quả tích cực như khuyến khích hành vi tốt (ví dụ: quyên góp từ thiện), hiệu ứng đám đông thường được xem là một yếu tố tiêu cực vì nó khiến mọi người dễ dàng tin vào thông tin sai lệch, tin giả và các xu hướng nguy hiểm, do đó dễ bị lừa dối. Hiệu ứng này cũng dẫn đến  sự hiếu sáng tạo vì khi tất cả mọi người đều làm theo một cách, sự đa dạng về quan điểm và sự sáng tạo sẽ bị mất đi.

Nguồn tham khảo

• https://www.investopedia.com/terms/b/bandwagon-effect.asp
• https://vietnambiz.vn/hieu-ung-doan-tau-bandwagon-effect-la-gi-su-ra-doi-cua-hieu-ung-doan-tau-20191010170204985.htm
• https://www.forbes.com/sites/brycehoffman/2024/05/26/bandwagon-effect-what-it-is-and-how-to-overcome-it/
• https://www.psychologytoday.com/us/blog/stronger-at-the-broken-places/201708/the-bandwagon-effect
• https://sketchplanations.com/the-bandwagon-effect

X-Efficiency Theory

Lý thuyết hiệu quả X (X-efficiency theory) là một khái niệm kinh tế được nhà kinh tế học Harvey Leibenstein giới thiệu vào năm 1966. Lý thuyết này cho rằng các doanh nghiệp hoạt động dưới mức hiệu quả tối đa có thể đạt được do thiếu áp lực cạnh tranh.

(Nguồn: https://fastercapital.com/content/Performance-measurement--Measuring-X-efficiency-for-enhanced-performance.html )

Nội dung chính của Lý thuyết

Lý thuyết hiệu quả X đối lập với một giả định truyền thống trong kinh tế học tân cổ điển, đó là các doanh nghiệp luôn tìm cách tối đa hóa lợi nhuận bằng cách sử dụng các yếu tố đầu vào một cách hiệu quả nhất để sản xuất đầu ra. Leibenstein lập luận rằng trong nhiều trường hợp, đặc biệt là trong các thị trường độc quyền hoặc không cạnh tranh hoàn hảo, các doanh nghiệp thường không hoạt động trên đường cong chi phí tối thiểu của họ.

Lý thuyết cho rằng hiệu quả của doanh nghiệp không chỉ phụ thuộc vào công nghệ và nguồn lực, mà còn chịu tác động bởi các yếu tố tâm lý, xã hội và tổ chức:

1. Động lực và nỗ lực của người lao động
   – Nhân viên không phải lúc nào cũng làm việc với 100% năng suất tiềm năng.
   – Lười biếng, thiếu khuyến khích, hoặc văn hóa tổ chức yếu có thể làm giảm hiệu quả.

2. Quản lý và kiểm soát
   – Quản trị kém dẫn đến lãng phí thời gian, tài nguyên, và sai sót.
   – Nhà quản lý giỏi có thể thu hẹp “khoảng cách X”.

3. Cấu trúc cạnh tranh thị trường
   – Trong thị trường cạnh tranh cao, doanh nghiệp buộc phải giảm lãng phí để tồn tại → hiệu quả X cao.
   – Ngược lại, trong thị trường độc quyền, doanh nghiệp ít áp lực cạnh tranh → dễ để xảy ra X-inefficiency.

(Nguồn: https://fastercapital.com/content/Performance-measurement--Measuring-X-efficiency-for-enhanced-performance.html)

Theo đó, X-inefficiency (Sự phi hiệu quả X) là sự chênh lệch giữa chi phí thực tế mà một doanh nghiệp phải chịu và chi phí tối thiểu có thể đạt được khi sử dụng hiệu quả tất cả các nguồn lực. Sự phi hiệu quả này không phải do sự phân bổ nguồn lực không hiệu quả giữa các ngành (được gọi là hiệu quả phân bổ) mà do các yếu tố nội bộ của doanh nghiệp, chẳng hạn như:

• Thiếu động lực của người lao động và quản lý: Khi không có áp lực cạnh tranh, người lao động và quản lý có thể không có động lực để làm việc hết mình.

• Tổ chức kém hiệu quả: Các vấn đề như thủ tục rườm rà, thiếu sự giám sát, và quản lý lỏng lẻo có thể dẫn đến lãng phí và năng suất thấp.

• Không tận dụng tối đa các yếu tố đầu vào: Doanh nghiệp có thể không sử dụng hiệu quả máy móc, công nghệ, hoặc nhân lực, dẫn đến chi phí cao hơn mức cần thiết.

• Chi phí quá mức: Các doanh nghiệp có thể lãng phí tiền vào các khoản chi không cần thiết như văn phòng xa hoa hoặc các lợi ích quá mức cho nhân viên.
• 
  

(Nguồn: https://www.thetutoracademy.com/revision-notes/efficiency/)

Ví dụ minh họa

Giả sử một công ty có thể sản xuất 1.000 sản phẩm/tháng với nguồn lực hiện tại. Nhưng thực tế chỉ sản xuất 800 sản phẩm vì công nhân làm việc cầm chừng, quản lý yếu kém, thiết bị không được tối ưu. Do vậy, 200 sản phẩm “mất đi” chính là X-inefficiency..

Vai trò và ý nghĩa

Lý thuyết này có ý nghĩa sâu sắc, thách thức giả định truyền thống của kinh tế học tân cổ điển rằng các công ty luôn tìm cách tối đa hóa lợi nhuận một cách hiệu quả nhất.

• Nhấn mạnh tầm quan trọng của cạnh tranh: Hiệu quả X-inefficiency thường tồn tại trong các thị trường độc quyền, độc quyền nhóm, hoặc các tổ chức công. Cạnh tranh mạnh mẽ buộc các doanh nghiệp phải hoạt động hiệu quả để tồn tại.

• Mở rộng phạm vi phân tích: Nó bổ sung yếu tố hành vi của con người và tổ chức vào mô hình kinh tế, vốn thường chỉ tập trung vào các yếu tố thị trường thuần túy. Leibenstein cho rằng động lực, quản lý, và cấu trúc nội bộ của doanh nghiệp có vai trò quyết định đến năng suất và chi phí.

• Giải thích sự khác biệt về năng suất: Lý thuyết này giúp giải thích tại sao hai doanh nghiệp có cùng yếu tố đầu vào (vốn, lao động) nhưng lại có năng suất và chi phí khác nhau. Sự khác biệt này không phải do công nghệ mà do cách thức quản lý và động lực của người lao động.

Ứng dụng

Lý thuyết Hiệu quả X có nhiều ứng dụng thực tiễn trong cả chính sách công và quản trị doanh nghiệp.

• Chính sách chống độc quyền: Chính phủ sử dụng lý thuyết này để lập luận cho việc phá vỡ các tập đoàn độc quyền hoặc điều tiết các doanh nghiệp nhà nước. Mục tiêu là tạo ra áp lực cạnh tranh, buộc các doanh nghiệp này phải hoạt động hiệu quả hơn, mang lại lợi ích cho người tiêu dùng.

• Tư nhân hóa: Việc tư nhân hóa các doanh nghiệp nhà nước hoạt động kém hiệu quả thường được biện minh bằng lý thuyết này. Chuyển đổi sang sở hữu tư nhân sẽ mang lại áp lực cạnh tranh và động lực lợi nhuận, giúp giảm X-inefficiency và nâng cao hiệu quả.

• Quản trị doanh nghiệp: Các nhà quản lý có thể áp dụng lý thuyết này để đánh giá và cải thiện hiệu quả hoạt động nội bộ. Thay vì chỉ tập trung vào công nghệ hay quy mô, họ cần chú ý đến:

• Hệ thống khen thưởng và động lực: Xây dựng cơ chế thưởng-phạt rõ ràng để khuyến khích nhân viên làm việc hiệu quả.

• Văn hóa tổ chức: Tạo ra một văn hóa làm việc năng động, sáng tạo và giảm thiểu sự lãng phí.

• Giám sát và kiểm soát: Áp dụng các phương pháp quản lý hiệu quả để theo dõi năng suất và chi phí.

Nguồn tham khảo

• https://www.investopedia.com/terms/x/x-efficiency.asp
• https://www.sabeconomics.org/wordpress/wp-content/uploads/JBEP-1-2-4.pdf
• https://www.sciencedirect.com/topics/economics-econometrics-and-finance/x-efficiency
• https://www.wallstreetmojo.com/x-efficiency/