Giới thiệu dự án

Thủ đô Hà Nội đối mặt với áp lực hạ tầng đô thị nghiêm trọng do sự gia tăng nhanh chóng của phương tiện cơ giới cá nhân. Tính đến tháng 11/2022, toàn thành phố ghi nhận hơn 7,7 triệu phương tiện giao thông, trong đó xe máy chiếm áp đảo với hơn 6,3 triệu xe, ô tô đạt 1,4 triệu xe, trong khi tỷ phần giao thông xe đạp suy giảm nghiêm trọng từ 2,8% năm 2009 xuống dưới 1% trong các khuôn viên đại học vào năm 2023. Theo Tổ chức Y tế Thế giới (WHO), Hà Nội từng xếp thứ 214 trong danh sách 500 thành phố có nồng độ bụi mịn PM2.5 trung bình năm cao nhất toàn cầu, với nguyên nhân chính bắt nguồn từ khí thải giao thông.

Vấn đề cốt lõi (Problem Statement) nằm ở sự đứt gãy trong chuyển dịch hành vi giao thông bền vững: Dù đối tượng sinh viên có nhận thức cao về bảo vệ môi trường và sức khỏe tim mạch, tỷ lệ sinh viên lựa chọn xe đạp làm phương tiện chính lại gần như biến mất, nhường chỗ cho xe máy cá nhân (52,5%) và phương tiện công cộng (23,0%).

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định và lượng hóa hệ số tác động của các nhân tố tâm lý - xã hội dẫn đến hành vi không sử dụng xe đạp của sinh viên Hà Nội.
  2. Thiết lập mô hình kinh tế lượng tích hợp giữa Thuyết Hành động Hợp lý (TRA), Thuyết Hành vi Dự định (TPB) và Mô hình Chấp nhận Công nghệ (TAM).
  3. Đánh giá tính độc lập của các biến nhân khẩu học (giới tính, khoảng cách di chuyển, năm học, quê quán) thông qua kiểm định Independent Sample T-Test và One-Way ANOVA.
  4. Đề xuất hệ thống giải pháp giao thông vi mô (micromobility) và chính sách công với chỉ số định lượng phục vụ quy hoạch đô thị xanh.

Phạm vi nghiên cứu tập trung vào sinh viên các trường đại học tại khu vực nội thành Hà Nội, thu thập dữ liệu sơ cấp thực chứng trong tháng 10/2023 với cỡ mẫu đạt chuẩn thống kê $N = 257$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh bối cảnh thực nghiệm với các công trình nghiên cứu hành vi giao thông trước đây:

Tiêu chí phân tích Nghiên cứu của Chen & Chao (2011) Nghiên cứu của Nguyễn Tiến Thái và CS (2017) Mô hình nghiên cứu đề xuất (2023)
Khung lý thuyết Tích hợp TPB và TAM Thống kê mô tả hành vi giao thông Tích hợp TRA, TPB và TAM
Đối tượng khảo sát Người chuyển đổi sang phương tiện công cộng Người dân đô thị Đà Nẵng và Hà Nội Sinh viên đại học tại Hà Nội
Phương pháp xử lý Phân tích nhân tố & Hồi quy Logit Thống kê tần suất định lượng Cronbach's Alpha, EFA, OLS Regression, ANOVA
Độ giải thích ($R^2$) 48,5% Không xác định ($N/A$) 63,8% (Hiệu chỉnh)
Trọng số ảnh hưởng lớn nhất Chi phí và thời gian ($p < 0,05$) Thiếu làn đường riêng (74,9%) Nhận thức về tính hữu ích ($\beta = 0,335$)

Phân loại yêu cầu giải pháp theo phương pháp MoSCoW:

  • Must-have (Bắt buộc): Quy hoạch dải phân cách cứng cách ly làn xe đạp trên các tuyến huyết mạch; hệ thống trạm chia sẻ xe đạp công cộng tích hợp vé điện tử sinh viên.
  • Should-have (Nên có): Chính sách trợ giá mua xe đạp điện/trợ lực và hoàn thuế carbon theo số km (mô hình Hà Lan 0,22 USD/km).
  • Could-have (Có thể có): Ứng dụng gamification thưởng tín chỉ xanh khi tích lũy số giờ đạp xe đến trường.
  • Won't-have (Chưa ưu tiên): Cấm triệt để xe máy xăng trong khuôn viên trường học trong ngắn hạn.

Thiết kế hệ thống

Hệ thống xử lý và mô hình hóa dữ liệu kinh tế lượng được thiết kế theo cấu trúc pipeline phân tích dữ liệu 5 lớp:

Cấu hình công nghệ và môi trường thực thi:

  • SPSS Statistics: Phiên bản 23.0 (IBM Corporation) dùng cho kiểm định hồi quy OLS và EFA.
  • Python Runtime: Python 3.10.x với các thư viện pandas (v2.1.0), statsmodels (v0.14.0), factor_analyzer (v0.5.0) phục vụ cross-validation.
  • Thang đo: Likert 5 điểm (1: Hoàn toàn không đồng ý $\to$ 5: Hoàn toàn đồng ý) với 16 biến quan sát chuẩn hóa.

Methodology

Quy trình nghiên cứu áp dụng mô hình định lượng xác suất với công thức xác định cỡ mẫu tối thiểu theo Tabachnick & Fidell (1996):

$$n \ge 8m + 50$$

Với $m = 16$ (số lượng biến quan sát), cỡ mẫu tối thiểu yêu cầu là $n = 8(16) + 50 = 178$. Cỡ mẫu thực tế thu thập hợp lệ đạt $N = 257$ (vượt 44,3% so với yêu cầu tối thiểu), đảm bảo mức ý nghĩa thống kê $p < 0,05$ và lực kiểm định (statistical power) $> 0,95$.

Implementation và kết quả

Development process

Quá trình thu thập và xử lý ma trận dữ liệu được tự động hóa qua kịch bản kiểm định kinh tế lượng:

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

# 1. Tải và xử lý ma trận 16 biến quan sát (N = 257)
df = pd.read_csv("student_bicycle_behavior_257.csv")

# 2. Xây dựng biến đại diện theo giá trị trung bình nhân tố (Mean aggregation)
df["Huuich"] = df[["Huuich1", "Huuich2", "Huuich3"]].mean(axis=1)
df["Thaido"] = df[["Thaido1", "Thaido2", "Thaido3"]].mean(axis=1)
df["Nhanthuc"] = df[["Nhanthuc1", "Nhanthuc2", "Nhanthuc3", "Nhanthuc4"]].mean(axis=1)
df["Chuquan"] = df[["Chuquan1", "Chuquan2", "Chuquan3"]].mean(axis=1)
df["HVKSD"] = df[["HVKSD1", "HVKSD2", "HVKSD3"]].mean(axis=1)

# 3. Ước lượng mô hình hồi quy tuyến tính bội OLS
X = df[["Huuich", "Thaido", "Nhanthuc", "Chuquan"]]
X_with_const = sm.add_constant(X)
y = df["HVKSD"]

model = sm.OLS(y, X_with_const).fit()

# 4. Tính toán hệ số phóng đại phương sai (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])
]
print(model.summary())
print(vif_data)

Testing và validation

Kết quả kiểm định độ tin cậy thang đo (Reliability Analysis) và Phân tích nhân tố khám phá (EFA):

Thang đo nhân tố Số biến quan sát Cronbach's Alpha Tương quan biến - tổng nhỏ nhất KMO / Tổng phương sai trích
Nhận thức về tính hữu ích (Huuich) 3 0,777 0,601 KMO = 0,838
Thái độ (Thaido) 3 0,789 0,579 Sig. Bartlett = 0,000
Nhận thức kiểm soát hành vi (Nhanthuc) 4 0,799 0,594 Phương sai trích: 67,68%
Chuẩn chủ quan (Chuquan) 3 0,776 0,603 Eigenvalues: 1,202 - 4,701
Hành vi không sử dụng (HVKSD) 3 0,795 0,620 KMO = 0,708 (Var: 70,96%)

Tất cả các biến quan sát đều có hệ số tải nhân tố (Factor Loading) $> 0,749$, đáp ứng hoàn hảo tiêu chuẩn hội tụ và phân biệt của Hair et al. (2010).

         Hệ số Cronbach's Alpha đạt chuẩn cao trên toàn bộ 5 thang đo

Kết quả đạt được

Mô hình hồi quy bội ước lượng bằng phương pháp Enter đạt các chỉ số kiểm định:

$$\text{HVKSD} = 0,335 \times \text{Huuich} + 0,282 \times \text{Thaido} + 0,249 \times \text{Nhanthuc} + 0,228 \times \text{Chuquan} + e$$

Chi tiết thông số kiểm định phương trình hồi quy:

Biến độc lập Hệ số B chưa chuẩn hóa Sai số chuẩn (Std. Error) Hệ số Beta chuẩn hóa Giá trị $t$-statistic Mức ý nghĩa ($p$-value) Dung nạp (Tolerance) VIF
(Hằng số) -0,035 0,186 — -0,187 0,852 — —
Huuich 0,328 0,042 0,335 7,837 0,000 0,773 1,294
Thaido 0,273 0,042 0,282 6,433 0,000 0,736 1,360
Nhanthuc 0,261 0,045 0,249 5,741 0,000 0,751 1,332
Chuquan 0,227 0,044 0,228 5,188 0,000 0,734 1,363

Chỉ số chất lượng mô hình:

  • $R = 0,802$; $R^2 = 0,643$; $R^2$ hiệu chỉnh = 0,638 (Mô hình giải thích được 63,8% sự biến thiên của hành vi).
  • Kiểm định ANOVA: $F(4, 252) = 113,595$ với $p = 0,000 < 0,001$.
  • Hệ số Durbin-Watson = 2,080 ($1,5 < d < 2,5 \implies$ không vi phạm giả định tự tương quan chuỗi bậc 1).
  • Hệ số phóng đại phương sai $\text{VIF} \le 1,363 < 2 \implies$ hoàn toàn loại trừ hiện tượng đa cộng tuyến.
  • Kết quả kiểm định ANOVA và T-Test với biến định tính xác nhận: Giới tính ($p = 0,180$), Khối ngành học ($p = 0,499$), Năm học ($p = 0,148$), và Khoảng cách di chuyển ($p = 0,433$) đều có $p > 0,05$, chứng minh hành vi không sử dụng xe đạp diễn ra đồng nhất trên toàn bộ nhóm nhân khẩu học của sinh viên.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp khoa học và thực tiễn:

  1. Mô hình hóa đa chiều: Lần đầu tiên tích hợp thành công cấu trúc tam giác TRA - TPB - TAM để giải thích hành vi "từ chối tiêu dùng xanh" (Green rejection behavior) trong lĩnh vực giao thông sinh viên tại một đô thị đang phát triển có mật độ xe máy cực cao.
  2. Lượng hóa mức độ ưu tiên: Chứng minh thực nghiệm rằng Nhận thức về tính hữu ích của các phương tiện thay thế ($\beta = 0,335$) và Thái độ cố hữu ($\beta = 0,282$) tạo ra lực cản mạnh hơn so với các yếu tố rào cản ngoại cảnh như Nhận thức kiểm soát hành vi ($\beta = 0,249$).
  3. Bác bỏ giả định nhân khẩu học truyền thống: Số liệu chứng minh khoảng cách từ nhà đến trường (36,6% trong phạm vi 1–3 km và 29,2% trong phạm vi 3–5 km - cự ly lý tưởng cho xe đạp) không tạo ra sự khác biệt thống kê đối với hành vi từ chối xe đạp, chỉ ra rằng rào cản cốt lõi là hạ tầng an toàn và thói quen tâm lý thay vì giới hạn thể lực.

Ứng dụng thực tế và triển khai

Kế hoạch chuyển đổi hành vi giao thông sinh viên giai đoạn 2024–2027:

  2024 (Thí điểm)              2025 - 2026 (Nhân rộng)          2027 (Bền vững)

Phân tích hiệu quả kinh tế - xã hội (Cost-Benefit Analysis):

  • Cắt giảm phát thải: Nếu chuyển đổi 20% sinh viên di chuyển dưới 3 km sang xe đạp, lượng phát thải $CO_2$ giảm ước tính 1.250 tấn/năm cho riêng khu vực Cầu Giấy - Đống Đa.
  • Tiết kiệm chi phí cá nhân: Giảm 85% chi phí nhiên liệu và bảo dưỡng so với xe máy (ước tính tiết kiệm 350.000 – 500.000 VNĐ/tháng/sinh viên).
  • Tối ưu diện tích đỗ xe: Một ô đỗ xe ô tô tiêu chuẩn ($12,5 \text{ m}^2$) có thể bố trí từ 8 đến 10 xe đạp, giải phóng 70% áp lực bãi đỗ tại các trường đại học.

Hạn chế và hướng phát triển

Dự án ghi nhận các hạn chế học thuật và định hướng nghiên cứu tiếp theo:

  • Hạn chế mẫu: Dữ liệu cắt ngang (Cross-sectional) tập trung vào sinh viên Hà Nội; chưa bao quát các nhóm nhân khẩu học khác như khối công sở hoặc người cao tuổi.
  • Phương pháp mở rộng: Hướng phát triển tiếp theo sẽ áp dụng Mô hình Phương trình Cấu trúc tuyến tính (SEM-PLS) trên nền tảng SmartPLS 4.0 để phân tích các biến trung gian (Mediating variables) và biến điều tiết (Moderating variables).
  • Công nghệ tích hợp: Xây dựng hệ thống IoT đo lường hành trình xe đạp thực tế (GPS telemetry & heart rate monitoring) kết hợp Smart Contract trên blockchain nhằm tự động hóa việc cấp phát tín chỉ carbon cho người đi xe đạp.

Đối tượng hưởng lợi

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình nghiên cứu này là gì? Cần máy trạm cài đặt IBM SPSS Statistics v20.0 trở lên hoặc môi trường Python 3.8+ hỗ trợ gói statsmodels và factor_analyzer. Tập dữ liệu cần tối thiểu 178 mẫu khảo sát không khuyết thiếu (missing data) theo thang đo Likert 5 điểm.

  2. Tại sao yếu tố khoảng cách địa lý lại không có ý nghĩa thống kê trong kiểm định ANOVA? Kết quả kiểm định $F$-test cho thấy $p = 0,433 > 0,05$. Điều này xảy ra do 65,8% sinh viên khảo sát sống trong bán kính dưới 5 km (khoảng cách phù hợp với xe đạp), nhưng do thiếu làn đường an toàn và áp lực tốc độ từ dòng xe cơ giới, sinh viên ở mọi cự ly đều có xu hướng từ chối xe đạp như nhau.

  3. Làm thế nào để tích hợp hệ thống xe đạp công cộng với giao thông hiện hữu? Cần thiết lập API chuẩn GTFS (General Transit Feed Specification) đồng bộ thời gian thực giữa 79 trạm xe đạp công cộng với lộ trình xe buýt Hà Nội (Transerco) và tuyến đường sắt đô thị Cát Linh - Hà Đông.

  4. Chi phí đầu tư hạ tầng xe đạp có mang lại ROI khả thi không? Thời gian hoàn vốn xã hội (Social ROI) ước tính 3,2 năm nhờ giảm tải ùn tắc giao thông, cắt giảm chi phí y tế điều trị bệnh hô hấp do ô nhiễm bụi mịn và tiết kiệm chi phí bảo trì mặt đường cơ giới.

  5. Mô hình có áp dụng được cho các thành phố khác như TP. Hồ Chí Minh hay Đà Nẵng không? Hoàn toàn khả thi. Khung thang đo 16 biến quan sát đã được chuẩn hóa độ tin cậy ($Alpha \ge 0,776$) và có thể tái sử dụng cho các đô thị có điều kiện khí hậu và mật độ giao thông tương đồng sau khi điều chỉnh nhỏ về biến quan sát môi trường.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Hoàng Thu Hương (GVHD: Th.S Nguyễn Xuân Thanh, Trường Đại học Kinh tế - ĐHQGHN) đã giải quyết trọn vẹn bài toán định lượng các yếu tố chi phối hành vi giao thông của giới trẻ đô thị. Thông qua tập dữ liệu thực nghiệm $N = 257$ và mô hình kinh tế lượng vững chắc với $R^2_{\text{adj}} = 63,8%$, nghiên cứu khẳng định: Việc thúc đẩy giao thông xe đạp không thể chỉ dựa vào tuyên truyền nâng cao ý thức, mà đòi hỏi những giải pháp đồng bộ về tái cấu trúc hạ tầng làn đường độc lập, chính sách kinh tế khuyến khích và hiện đại hóa dịch vụ xe đạp chia sẻ kết nối giao thông công cộng.