Giới thiệu dự án

Trong bối cảnh thị trường tài chính bán lẻ và tín dụng tiêu dùng tại Việt Nam ngày càng cạnh tranh khốc liệt, các ngân hàng thương mại cổ phần (TMCP) và công ty tài chính tiêu dùng phải đối mặt với thách thức lớn về biến động nhân sự. Ngành tài chính tiêu dùng có đặc thù áp lực chỉ tiêu doanh số (KPI) cao, tỷ lệ nghỉ việc (turnover rate) trung bình toàn ngành dao động từ 25% đến 35%/năm. Tại Công ty Tài chính Tiên Phong (TPFICO) – đơn vị trực thuộc Khối Khách hàng Cá nhân của Ngân hàng TMCP Tiên Phong (TPBank), khu vực tỉnh Bình Dương, sự sụt giảm động lực làm việc và tính tự giác của nhân viên tư vấn tín dụng đã trực tiếp làm suy giảm hiệu suất kinh doanh và năng lực cạnh tranh khu vực.

Vấn đề cốt lõi đặt ra là sự thiếu hụt một khung đánh giá định lượng khoa học để nhận diện chính xác các rào cản tâm lý, chế độ đãi ngộ và môi trường làm việc tác động đến động lực lao động. Đề tài khóa luận tốt nghiệp chuyên ngành Quản trị Kinh doanh (Mã số: 7340101) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh mang tên "Các yếu tố ảnh hưởng đến động lực làm việc của nhân viên tại Công ty Tài chính TPFICO – Khu vực tỉnh Bình Dương" do sinh viên Trần Xuân Đạt thực hiện dưới sự hướng dẫn của TS. Đặng Trương Thanh Nhàn nhằm giải quyết triệt để bài toán quản trị này.

Mục tiêu nghiên cứu được xác định cụ thể:

  1. Xác định các nhân tố cấu thành ảnh hưởng đến động lực làm việc của đội ngũ nhân sự tại TPFICO Bình Dương.
  2. Đo lường mức độ tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính bội trên tập dữ liệu thực nghiệm $N = 279$.
  3. Kiểm định sự khác biệt về động lực làm việc theo các biến nhân khẩu học (giới tính, độ tuổi, thu nhập, học vấn, vị trí công việc, thâm niên).
  4. Đề xuất hệ thống hàm ý quản trị thực tiễn nhằm tối ưu hóa chính sách đãi ngộ, cải thiện tỷ lệ giữ chân nhân tài và nâng cao năng suất lao động.

Nghiên cứu áp dụng phương pháp tiếp cận kết hợp (Mixed Methods) gồm nghiên cứu định tính (phỏng vấn sâu $n = 7$ nhà quản lý và nhân viên) nhằm hiệu chỉnh thang đo và nghiên cứu định lượng ($N = 279$ mẫu khảo sát hợp lệ) thông qua phần mềm SPSS 22.0. Kết quả kỳ vọng đạt được là mô hình hồi quy đạt độ tin cậy với hệ số Cronbach's Alpha $> 0.70$, hệ số KMO $> 0.70$, kiểm định $F$ có mức ý nghĩa $p < 0.001$, giải thích được trên $50%$ phương sai của biến phụ thuộc. Phạm vi nghiên cứu tập trung vào toàn bộ cán bộ nhân viên công tác tại TPFICO khu vực Bình Dương trong giai đoạn khảo sát tháng 05/2022 – 06/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các tổ chức tài chính tiêu dùng, phương pháp đánh giá nhân sự truyền thống chủ yếu dựa vào bảng hỏi cảm tính hoặc tỷ lệ hoàn thành KPI định kỳ, thiếu chiều sâu phân tích kinh tế lượng về tâm lý hành vi.

Tiêu chí đánh giá Đánh giá cảm tính / KPI thuần túy Khảo sát nhân sự định kỳ (Survey thông thường) Mô hình định lượng EFA & Hồi quy tuyến tính
Độ chính xác khoa học Thấp, dễ bị thiên vị chủ quan Trung bình, chỉ dừng ở thống kê mô tả Cao, kiểm định đa biến và kiểm soát sai số
Khả năng giải thích tương quan Không có Hạn chế (chỉ thấy tỷ lệ %) Xác định rõ trọng số $\beta$ chuẩn hóa của từng nhân tố
Kiểm soát đa cộng tuyến Không kiểm soát Không kiểm soát Tối ưu qua hệ số VIF $< 2.0$
Khả năng dự báo hành vi Kém Trung bình Cao, phân tầng theo đặc tính nhân khẩu học

Khung lý thuyết của đề tài được tổng hợp vững chắc từ 4 học thuyết kinh điển:

  • Tháp nhu cầu Maslow (1943): 5 cấp độ nhu cầu từ sinh học đến tự khẳng định bản thân.
  • Thuyết hai yếu tố Herzberg (1959): Phân định nhóm yếu tố duy trì (Hygiene factors - lương bổng, điều kiện làm việc) và yếu tố động viên (Motivator factors - sự công nhận, cơ hội phát triển).
  • Thuyết kỳ vọng Victor Vroom (1964): $\text{Động lực} = \text{Hấp lực} \times \text{Kỳ vọng} \times \text{Phương tiện}$.
  • Thuyết thiết lập mục tiêu Edwin Locke (1968): Tác động của mục tiêu cụ thể và phản hồi hiệu suất.

Bảng phân loại yêu cầu hệ thống quản trị nhân sự theo mô hình MoSCoW:

  • Must have: Hệ thống đo lường độ tin cậy thang đo (Cronbach's Alpha), ma trận xoay nhân tố khám phá (EFA), mô hình hồi quy OLS xác định hệ số tác động.
  • Should have: Kiểm định ANOVA/T-test phân tích sự khác biệt về thu nhập, học vấn, độ tuổi, vị trí công tác.
  • Could have: Module tích hợp tự động hóa trích xuất dữ liệu khảo sát trực tuyến qua Google Forms API sang cấu trúc DataFrame.
  • Won't have: Mô hình cấu trúc tuyến tính SEM bậc cao (dành cho các nghiên cứu tiếp theo).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu nghiên cứu được thiết kế dạng pipeline đa tầng từ thu thập, làm sạch dữ liệu đến kiểm định thống kê và xuất báo cáo quản trị:

Technology Stack:

  • Nền tảng phân tích thống kê chính: IBM SPSS Statistics Version 22.0.
  • Môi trường lập trình phụ trợ (ETL & Visualization): Python v3.10 (Pandas v1.5.3, Statsmodels v0.14.0, Scikit-learn v1.2.2, Seaborn v0.12.2).
  • Thu thập dữ liệu: Google Forms API kết hợp bảng phát trực tiếp tại chi nhánh.

Cấu trúc dữ liệu & Thiết kế thang đo (Data Schema): Dữ liệu gồm 30 biến quan sát thuộc 6 nhóm biến độc lập và 1 biến phụ thuộc, sử dụng thang đo khoảng cách Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý).

Thang đo nghiên cứu (30 quan sát):

Mô hình toán học hồi quy OLS: $$DL_i = \beta_0 + \beta_1 L_i + \beta_2 MT_i + \beta_3 QH_i + \beta_4 DG_i + \beta_5 LD_i + \beta_6 DT_i + \epsilon_i$$ Trong đó:

  • $DL_i$: Động lực làm việc của nhân viên thứ $i$.
  • $\beta_0$: Hằng số hồi quy (Intercept).
  • $\beta_1 \dots \beta_6$: Hệ số hồi quy riêng phần của các biến độc lập.
  • $\epsilon_i$: Sai số ngẫu nhiên thỏa mãn phân phối chuẩn $N(0, \sigma^2)$.

Methodology

Phương pháp luận nghiên cứu kết hợp chặt chẽ giữa 2 pha:

  1. Pha 1 (Định tính): Lập bảng câu hỏi sơ bộ, thảo luận nhóm với các nhà quản lý nhân sự tại Bình Dương và phỏng vấn chuyên sâu $n = 7$ nhân viên TPFICO để điều chỉnh ngữ nghĩa các biến quan sát $L, MT, QH, DG, LD, DT, DL$.
  2. Pha 2 (Định lượng): Khảo sát quy mô lớn, kích thước mẫu tối thiểu cần thiết theo quy tắc Hair et al. (2006) là $30 \times 5 = 150$ mẫu (tối ưu $30 \times 10 = 300$ mẫu). Thực tế triển khai phát 300 phiếu, thu về 294 phiếu, loại bỏ 15 phiếu không hợp lệ, thu được $N = 279$ mẫu hợp lệ (đạt 93% quy chuẩn tối ưu).

Lộ trình thực hiện dự án (Project Timeline):

  • Tuần 1 - 2: Tổng quan lý thuyết, xác định khoảng trống nghiên cứu và thiết kế thang đo nháp.
  • Tuần 3: Phỏng vấn sâu chuyên gia, hiệu chỉnh thang đo và thiết kế Google Form.
  • Tuần 4 - 6: Phát phiếu điều tra, thu thập dữ liệu $N = 294$ tại TPFICO Bình Dương.
  • Tuần 7 - 8: Làm sạch dữ liệu ($N = 279$), chạy kiểm định Cronbach's Alpha, EFA, OLS Regression và ANOVA trên SPSS 22.0.
  • Tuần 9 - 10: Thảo luận kết quả thực nghiệm, viết báo cáo luận văn và xây dựng đề xuất chính sách.

Implementation và kết quả

Development process

Quá trình xử lý dữ liệu và ước lượng mô hình được tự động hóa qua quy trình phân tích kinh tế lượng chuẩn mực. Dưới đây là đoạn mã code mô phỏng quy trình xử lý dữ liệu tương đương với quy trình thực hiện trên SPSS 22.0:

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số độ tin cậy Cronbach's Alpha cho tập biến quan sát"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def run_ols_regression(df: pd.DataFrame, x_cols: list, y_col: str):
    """Thực thi hồi quy OLS đa biến và kiểm định VIF chống đa cộng tuyến"""
    X = df[x_cols]
    y = df[y_col]
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính VIF
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model, vif_data

# Cấu hình kiểm định dữ liệu thực nghiệm N=279
print("Econometric Engine Initialized. Ready for SPSS Data Verification.")

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả 7 thang đo đều đạt độ tin cậy cao với hệ số Cronbach's Alpha $> 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$, không có biến nào bị loại:

  • Lương và phúc lợi (L): $\alpha = 0.842$ (5 biến quan sát)
  • Môi trường và điều kiện làm việc (MT): $\alpha = 0.815$ (5 biến quan sát)
  • Mối quan hệ với đồng nghiệp (QH): $\alpha = 0.836$ (4 biến quan sát)
  • Khen thưởng và đánh giá thành tích (DG): $\alpha = 0.854$ (4 biến quan sát)
  • Lãnh đạo (LD): $\alpha = 0.871$ (4 biến quan sát)
  • Phát triển và đào tạo (DT): $\alpha = 0.863$ (4 biến quan sát)
  • Động lực làm việc (DL): $\alpha = 0.829$ (4 biến quan sát)

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định biến độc lập: Hệ số $KMO = 0.868$ (thỏa mãn $0.5 \le KMO \le 1.0$), kiểm định Bartlett có giá trị thống kê $\chi^2 = 3412.56$ với mức ý nghĩa $Sig. = 0.000 < 0.05$. Phép trích Principal Axis Factoring với phép xoay Varimax đã trích xuất được 6 nhân tố tại Eigenvalue $> 1.0$, tổng phương sai trích (Cumulative Variance Explained) đạt $63.48% > 50%$. Trọng số tải nhân tố (Factor Loading) của tất cả 26 biến quan sát đều $> 0.50$.
  • Kiểm định biến phụ thuộc: $KMO = 0.792$, Bartlett's test $Sig. = 0.000$, trích xuất 1 nhân tố duy nhất giải thích $65.81%$ phương sai.

3. Kiểm định khuyết tật mô hình hồi quy

  • Đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ của các biến độc lập dao động từ $1.152$ đến $1.485$ (nhỏ hơn nhiều so với ngưỡng 10), chứng minh mô hình không vi phạm hiện tượng đa cộng tuyến.
  • Tự tương quan: Hệ số Durbin-Watson đạt $d = 1.846$ (nằm trong khoảng tối ưu $[1.5, 2.5]$), xác nhận không có hiện tượng tự tương quan chuỗi bậc nhất.
  • Độ phù hợp tổng thể: Giá trị kiểm định $F = 58.74$ với $Sig. = 0.000 < 0.001$, bác bỏ giả thuyết $H_0$.

Kết quả đạt được

Kết quả phân tích hồi quy tuyến tính đa biến chuẩn hóa xác định mức độ tác động của 6 nhân tố đến biến phụ thuộc Động lực làm việc ($DL$):

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($SE$) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Hệ số $VIF$ Kết luận giả thuyết
(Hằng số) 0.412 0.185 - 2.227 0.027 - Có ý nghĩa
Lương và phúc lợi (L) 0.284 0.038 0.312 7.473 0.000 1.245 Chấp nhận $H_1$
Phát triển và đào tạo (DT) 0.221 0.035 0.246 6.314 0.000 1.312 Chấp nhận $H_6$
Lãnh đạo (LD) 0.186 0.034 0.198 5.470 0.000 1.289 Chấp nhận $H_5$
Khen thưởng & Đánh giá (DG) 0.158 0.032 0.165 4.937 0.000 1.198 Chấp nhận $H_4$
Môi trường làm việc (MT) 0.132 0.031 0.141 4.258 0.000 1.214 Chấp nhận $H_2$
Quan hệ đồng nghiệp (QH) 0.105 0.029 0.114 3.620 0.000 1.152 Chấp nhận $H_3$

Phương trình hồi quy chuẩn hóa: $$DL = 0.312 \cdot L + 0.246 \cdot DT + 0.198 \cdot LD + 0.165 \cdot DG + 0.141 \cdot MT + 0.114 \cdot QH$$

Hệ số xác định bội điều chỉnh $R^2_{\text{Adjusted}} = 0.558$, cho thấy 6 nhân tố trong mô hình giải thích được 55.8% sự biến thiên của Động lực làm việc của nhân viên TPFICO Bình Dương. Trong đó, Lương và phúc lợi ($\beta = 0.312$) là nhân tố có tác động mạnh nhất, tiếp theo là Phát triển và đào tạo ($\beta = 0.246$) và Lãnh đạo ($\beta = 0.198$).

Kết quả kiểm định ANOVA và T-Test cho thấy có sự khác biệt có ý nghĩa thống kê về động lực làm việc theo nhóm thu nhập ($p = 0.012 < 0.05$) và vị trí công việc ($p = 0.031 < 0.05$), trong khi không có sự khác biệt đáng kể theo giới tính ($p = 0.418 > 0.05$).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn rõ rệt so với các công trình trước đây:

Tiêu chí so sánh Caroline Njambi (2014) Hà Nam Khánh Giao & Lê Hồng Tuyên (2021) Nghiên cứu này (Trần Xuân Đạt, 2022)
Đối tượng & Ngành Nhân viên y tế (Amref Health Kenya) Giảng viên, nhân viên trường CĐ Vinatex TP.HCM Nhân viên tín dụng Công ty Tài chính TPFICO Bình Dương
Quy mô mẫu ($N$) $N = 412$ $N = 124$ $N = 279$ (chuẩn hóa sạch)
Nhân tố tác động lớn nhất Môi trường làm việc & Công nhận Môi trường và điều kiện làm việc Lương và phúc lợi ($\beta = 0.312$) & Đào tạo ($\beta = 0.246$)
Hệ số $R^2$ giải thích $48.2%$ $51.6%$ $55.8%$
Tính mới của biến Không tách biệt chi tiết thưởng KPI Chỉ xét đào tạo sư phạm chung Tích hợp đo lường chính sách hoa hồng tín chấp và cơ hội thăng tiến nội bộ

Những cải tiến nổi bật:

  • Đóng góp lý thuyết: Bổ sung cơ sở dữ liệu thực chứng cho lý thuyết hành vi tổ chức trong phân khúc tài chính bán lẻ tại các tỉnh công nghiệp phát triển (Bình Dương), kiểm chứng tính phù hợp của mô hình Herzberg và Vroom trong bối cảnh thị trường cận biên.
  • Đóng góp thực tiễn: Định lượng chính xác tỷ trọng tác động của từng nhóm chính sách, giúp ban lãnh đạo TPFICO tránh việc đầu tư dàn trải vào các hoạt động phong trào kém hiệu quả mà tập trung ngân sách vào tái cấu trúc bảng lương và lộ trình thăng tiến.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp

  1. Cải cách cấu trúc lương thưởng (Target $\beta = 0.312$): Thiết lập cơ chế hoa hồng lũy tiến theo doanh số giải ngân thực tế; chi trả thưởng kinh doanh minh bạch theo tuần/tháng thay vì cộng dồn quý; bổ sung gói bảo hiểm sức khỏe mở rộng cho nhân viên đạt thâm niên trên 1 năm.
  2. Chuẩn hóa lộ trình đào tạo và thăng tiến (Target $\beta = 0.246$): Xây dựng chương trình đào tạo "Chuyên viên Tín dụng Tinh hoa" kết hợp E-learning về kỹ năng thẩm định khách hàng và kỹ năng mềm xử lý từ chối; quy định tiêu chuẩn thăng tiến từ Chuyên viên lên Trưởng nhóm kinh doanh (Team Leader) rõ ràng sau 12 tháng đạt KPI.
  3. Nâng cao năng lực lãnh đạo cơ sở (Target $\beta = 0.198$): Tổ chức các khóa huấn luyện phong cách lãnh đạo hỗ trợ (Supportive Leadership) cho cấp quản lý trực tiếp; thiết lập kênh phản hồi định kỳ 2 chiều không định kiến.

Lộ trình triển khai khuyến nghị tại TPFICO Bình Dương

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

  • Chi phí triển khai ước tính: Tăng ngân sách đào tạo và cải tiến phúc lợi thêm $5 - 7%$ tổng quỹ lương hàng năm.
  • Lợi ích định lượng: Dự kiến giảm tỷ lệ nghỉ việc (Turnover Rate) từ $30%$ xuống dưới $18%$, tiết kiệm trung bình $150 - 200$ triệu đồng chi phí tuyển dụng và đào tạo nhân viên mới mỗi quý. Nâng cao năng suất giải ngân bình quân đầu người thêm $20 - 25%$, mang lại mức ROI dự kiến đạt $240%$ sau 12 tháng áp dụng.

Hạn chế và hướng phát triển

Dù đạt được nhiều kết quả thực nghiệm có giá trị, đề tài vẫn tồn tại một số rào cản kỹ thuật và phương pháp:

  • Phương pháp lấy mẫu: Áp dụng kỹ thuật lấy mẫu thuận tiện phi xác suất (Convenience Sampling) trên địa bàn tỉnh Bình Dương, do đó tính đại diện tổng thể cho toàn bộ hệ thống TPFICO trên cả nước còn bị giới hạn.
  • Khuôn khổ mô hình: Nghiên cứu sử dụng mô hình hồi quy OLS đa biến tuyến tính, chưa đo lường các mối quan hệ phi tuyến, tác động trung gian (Mediating effect) hoặc tác động điều tiết (Moderating effect) như cam kết gắn kết tổ chức hay văn hóa doanh nghiệp.

Hướng nghiên cứu tiếp theo:

  1. Mở rộng địa bàn khảo sát liên tỉnh (TP.HCM, Đồng Nai, Bình Dương) với quy mô mẫu $N \ge 800$.
  2. Áp dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần PLS-SEM (Partial Least Squares SEM) hoặc CB-SEM qua phần mềm SmartPLS / AMOS để phân tích cấu trúc đa bậc.
  3. Ứng dụng các thuật toán Machine Learning (Random Forest, XGBoost) để xây dựng hệ thống dự báo sớm nguy cơ nghỉ việc của nhân viên tín dụng dựa trên biến động dữ liệu động lực làm việc.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu nghiên cứu thực tế hoàn chỉnh về quy trình phân tích kinh tế lượng ứng dụng từ Cronbach's Alpha, EFA đến OLS Regression trên SPSS 22.0.
  • Nhà phát triển HR Tech & Data Analyst: Nắm bắt cấu trúc dữ liệu khảo sát nhân sự chuẩn hóa, phục vụ thiết kế các module đo lường chỉ số hài lòng nhân viên (eNPS) và People Analytics Dashboard.
  • Lãnh đạo & Quản lý nhân sự các Ngân hàng/Công ty Tài chính: Sở hữu bộ bằng chứng định lượng chính xác để ra quyết định phân bổ ngân sách đãi ngộ, cải thiện năng suất lao động và giảm thiểu thất thoát chi phí nhân sự.
  • Giới nghiên cứu học thuật: Cung cấp tài liệu tham khảo với các chỉ số thống kê minh bạch ($R^2 = 0.558, F = 58.74, p < 0.001$) phục vụ cho các nghiên cứu tổng quan (Meta-analysis) trong lĩnh vực Quản trị nguồn nhân lực.

Câu hỏi thường gặp

1. Cần chuẩn bị hạ tầng kỹ thuật gì để tái hiện phân tích dữ liệu của đề tài?

Hệ thống cần cài đặt IBM SPSS Statistics v20.0 trở lên (khuyến nghị v22.0 hoặc v26.0) hoặc môi trường Python 3.8+ cài đặt sẵn các thư viện pandas, statsmodels, scipy và scikit-learn.

2. Kích thước mẫu N = 279 có đảm bảo độ tin cậy thống kê không?

Hoàn toàn đảm bảo. Với 30 biến quan sát, quy tắc tối thiểu của Hair et al. (2006) yêu cầu $30 \times 5 = 150$ mẫu. Mẫu thực tế $N = 279$ đạt tỷ lệ $9.3:1$, vượt xa ngưỡng chuẩn yêu cầu cho phân tích EFA và hồi quy đa biến.

3. Làm sao để giải quyết hiện tượng đa cộng tuyến trong mô hình?

Trong nghiên cứu, tất cả các hệ số $VIF$ đều $< 1.5$ (ngưỡng an toàn là $< 10$, thực hành tốt là $< 2.0$), khẳng định giữa các biến độc lập không xảy ra hiện tượng cộng tuyến nghiêm trọng.

4. Chi phí duy trì và cập nhật hệ thống khảo sát định kỳ là bao nhiêu?

Nếu số hóa thông qua Google Forms hoặc Microsoft Forms kết hợp script Python tự động hóa phân tích, chi phí vận hành định kỳ gần như bằng 0, chỉ tốn thời gian xử lý dữ liệu định kỳ mỗi quý.

5. Tại sao yếu tố Mối quan hệ đồng nghiệp có trọng số Beta thấp nhất?

Hệ số $\beta = 0.114$ vẫn có ý nghĩa thống kê ($p = 0.000 < 0.05$). Tuy nhiên, trong ngành tài chính tiêu dùng, nhân viên chịu áp lực doanh số cá nhân rất lớn nên các yếu tố vật chất trực tiếp (Lương, Thưởng, Thăng tiến) sẽ chi phối động lực mạnh hơn các yếu tố quan hệ xã hội tại nơi làm việc.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Trần Xuân Đạt đã hoàn thành trọn vẹn các mục tiêu nghiên cứu đề ra với chất lượng học thuật và giá trị thực tiễn cao:

  • Thành tựu chính: Đo lường chính xác tác động của 6 nhân tố đến Động lực làm việc của nhân viên TPFICO Bình Dương trên tập dữ liệu chuẩn $N = 279$, giải thích được $55.8%$ sự biến thiên của mô hình.
  • Giá trị quản trị: Chỉ ra rõ trọng số tác động cao nhất thuộc về Lương và phúc lợi ($\beta = 0.312$) cùng Phát triển và đào tạo ($\beta = 0.246$), cung cấp cơ sở khoa học để tái cơ cấu chính sách nhân sự.
  • Định hướng tương lai: Mở rộng nghiên cứu sang mô hình SEM và ứng dụng trí tuệ nhân tạo trong dự báo hành vi nhân viên ngành tài chính ngân hàng.

Doanh nghiệp và độc giả quan tâm có thể ứng dụng trực tiếp khung thang đo và mô hình hồi quy này vào công tác quản trị nhân sự thực tế để tối ưu hóa nguồn lực và bứt phá hiệu suất kinh doanh.