Giới thiệu dự án

Quản lý chất thải rắn sinh hoạt (CTRSH) tại các siêu đô thị đang là bài toán môi trường cấp bách. Theo thống kê từ Bộ Tài nguyên và Môi trường, tổng khối lượng CTRSH phát sinh tại các đô thị Việt Nam đạt khoảng 38.000 tấn/ngày, khu vực nông thôn đạt 32.000 tấn/ngày và chất thải rắn công nghiệp lên tới 25 triệu tấn/năm, với tốc độ tăng trưởng dự báo 10 - 16%/năm. Tại Hà Nội, tỷ lệ đô thị hóa đạt 38,4% (cao hơn trung bình toàn quốc 35%), áp lực thu gom và xử lý rác thải ngày càng trở nên nghiêm trọng khi tỷ lệ tái chế thực tế chỉ đạt 16,5%—cách rất xa mục tiêu 95% vào năm 2025 theo Báo cáo số 213/BC-UBND.

                  THỰC TRẠNG QUẢN LÝ CTRSH HÀ NỘI

Mặc dù Luật Bảo vệ Môi trường 2020 quy định phân loại CTRSH tại nguồn là bắt buộc từ ngày 01/01/2022, dữ liệu từ Sở Tài nguyên và Môi trường Hà Nội cho thấy chỉ có khoảng 30% hộ dân thực hiện phân loại. Tình trạng "thu gom chung – chôn lấp/đốt hỗn hợp" vẫn chiếm ưu thế, gây lãng phí tài nguyên và phát sinh khí methane ($CH_4$) chiếm 20% tổng phát thải khí nhà kính từ hoạt động nhân sinh.

Vấn đề nghiên cứu (Problem Statement)

Khoảng cách lớn giữa quy chuẩn pháp lý và hành vi thực tế của hộ gia đình nảy sinh từ việc thiếu mô hình lượng hóa chuẩn xác các rào cản tâm lý, xã hội và hạ tầng kỹ thuật. Các nghiên cứu hành vi trước đây chủ yếu tập trung tại khu vực phía Nam hoặc các đô thị quốc tế, chưa phản ánh đầy đủ đặc thù văn hóa - xã hội và hạ tầng thu gom của cư dân Thủ đô.

Mục tiêu dự án

  1. Xây dựng mô hình kinh tế lượng mở rộng: Tích hợp Thuyết hành vi có kế hoạch (Theory of Planned Behavior - TPB) và Thuyết hành động hợp lý (Theory of Reasoned Action - TRA) với các biến đặc thù đô thị (Chính sách, Kiến thức, Tuyên truyền, Tiêu chuẩn hạ tầng).
  2. Lượng hóa mức độ tác động: Đánh giá thực nghiệm trọng số của từng yếu tố lên Ý định hành vi (Behavioural Intention - BI) và Hành vi phân loại rác thải (Waste Separation Behavior - WSB).
  3. Đề xuất khung giải pháp can thiệp: Thiết lập lộ trình chính sách công và giải pháp kỹ thuật dựa trên bằng chứng định lượng (Evidence-based policymaking).

Phạm vi và giới hạn

  • Không gian: Các hộ gia đình sinh sống trên địa bàn Thành phố Hà Nội.
  • Thời gian thu thập dữ liệu: Khảo sát thực địa từ ngày 03/04/2023 đến ngày 03/05/2023.
  • Giới hạn kỹ thuật: Nghiên cứu đánh giá hành vi tự khai báo (Self-reported behavior) thông qua thang đo Likert 5 điểm, kết hợp kiểm định chéo với các biến kiểm soát nhân khẩu học.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp quản lý CTRSH hiện nay tại Hà Nội chủ yếu dựa vào mệnh lệnh hành chính đơn thuần hoặc các chiến dịch truyền thông ngắn hạn, thiếu tính đồng bộ giữa năng lực hạ tầng và động lực tâm lý của người dân.

Tiêu chí Cơ chế Mệnh lệnh - Kiểm soát (Phạt vi phạm) Truyền thông đại chúng đơn thuần Mô hình Hành vi đa yếu tố (Đề xuất)
Cơ sở khoa học Lý thuyết răn đe pháp lý Lý thuyết truyền thông đại chúng TPB mở rộng + Kinh tế học hành vi
Chi phí giám sát Rất cao, khó thực thi ở ngõ hẻm Trung bình Tối ưu hóa nhờ cơ chế chuẩn chủ quan
Tính bền vững Thấp (chỉ tuân thủ khi có mặt lực lượng chức năng) Giảm dần theo thời gian Cao (hình thành chuẩn mực xã hội và thói quen)
Hiệu quả thực tế Dưới 30% hộ dân tuân thủ Thay đổi nhận thức nhưng chưa chuyển hóa thành hành vi Tác động đồng thời lên Ý định (BI) và Hành vi (WSB) 
                       GAP ANALYSIS

Phân loại yêu cầu can thiệp theo khung MoSCoW

  • Must-have (Bắt buộc): Xác định rõ ràng các tiêu chí phân loại 3 nhóm chất thải (Tái chế, Thực phẩm, Rác khác) theo Luật Bảo vệ Môi trường 2020; Chuẩn hóa bộ thang đo Cronbach's Alpha $> 0.70$.
  • Should-have (Nên có): Tích hợp biến Nhận thức chính sách (Policies & Regulations - PR) và Tuyên truyền giáo dục (Propaganda & Education - PE) vào khung phân tích hồi quy.
  • Could-have (Có thể có): Xây dựng ứng dụng số hóa ghi nhận điểm thưởng xanh (Green Points) hỗ trợ biến Kiểm soát hành vi nhận thức (PBC).
  • Won't-have (Chưa thực hiện): Khảo sát rác thải công nghiệp nguy hại ngoài phạm vi hộ gia đình sinh hoạt.

Thiết kế hệ thống mô hình kinh tế lượng

Khung phân tích được xây dựng trên cấu trúc liên kết nhân quả giữa 7 biến độc lập, 1 biến trung gian và 1 biến phụ thuộc cuối cùng:

Công thức toán học của mô hình hồi quy đa biến

$$\text{BI} = \beta_0 + \beta_1 \text{ATT} + \beta_2 \text{SN} + \beta_3 \text{PBC} + \beta_4 \text{KNO} + \beta_5 \text{PR} + \beta_6 \text{PE} + \varepsilon_1$$

$$\text{WSB} = \gamma_0 + \gamma_1 \text{BI} + \gamma_2 \text{PBC} + \gamma_3 \text{CC} + \varepsilon_2$$

Trong đó:

  • $\beta_0, \gamma_0$: Hệ số chặn (Intercepts).
  • $\beta_1 \dots \beta_6, \gamma_1 \dots \gamma_3$: Hệ số hồi quy chuẩn hóa (Standardized Beta Coefficients).
  • $\varepsilon_1, \varepsilon_2$: Sai số ngẫu nhiên thỏa mãn phân phối chuẩn $N(0, \sigma^2)$.

Technology Stack và Công cụ phân tích

  • Công cụ phân tích định lượng: IBM SPSS Statistics version 26.0 (phân tích thống kê mô tả, Cronbach's Alpha, EFA, OLS Regression).
  • Môi trường lập trình bổ trợ: Python 3.10 với các thư viện pandas (v2.0.3), statsmodels (v0.14.0), scikit-learn (v1.3.0), seaborn (v0.12.2) phục vụ mô phỏng kiểm định độ nhạy.
  • Hệ thống quản lý biểu mẫu: Google Forms API & KoboToolbox hỗ trợ làm sạch dữ liệu tự động.

Implementation và kết quả

Development Process & Phương pháp xử lý dữ liệu

Quy trình nghiên cứu được triển khai qua 4 giai đoạn logic chặt chẽ:

  • Lược khảo tài liệu        • Điều tra sơ bộ (n=30)     • Kiểm định Cronbach's α   • Policy Roadmap
  • Thang đo 5-point Likert   • Khảo sát chính thức      • Phân tích nhân tố EFA    • Giải pháp kỹ thuật
                             • Làm sạch dữ liệu OLS      • Mô hình hồi quy OLS

Đoạn mã Python thể hiện quy trình xử lý dữ liệu chuẩn hóa, kiểm định tương quan và ước lượng mô hình OLS:

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

def evaluate_waste_sorting_model(df: pd.DataFrame):
    """
    Xử lý kiểm định mô hình hồi quy đa biến OLS 
    cho hành vi phân loại rác thải sinh hoạt (WSB)
    """
    # 1. Định nghĩa tập biến độc lập dự báo Ý định (BI)
    features_bi = ['ATT', 'SN', 'PBC', 'KNO', 'PR', 'PE']
    X_bi = sm.add_constant(df[features_bi])
    y_bi = df['BI']
    
    model_bi = sm.OLS(y_bi, X_bi).fit()
    
    # 2. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity - VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = features_bi
    vif_data["VIF"] = [
        variance_inflation_factor(df[features_bi].values, i) 
        for i in range(len(features_bi))
    ]
    
    # 3. Ước lượng mô hình tác động đến Hành vi thực tế (WSB)
    features_wsb = ['BI', 'PBC', 'CC']
    X_wsb = sm.add_constant(df[features_wsb])
    y_wsb = df['WSB']
    model_wsb = sm.OLS(y_wsb, X_wsb).fit()
    
    return model_bi, model_wsb, vif_data

# Ví dụ cấu trúc thực thi:
# model_bi_res, model_wsb_res, vif_res = evaluate_waste_sorting_model(survey_df)
# print(model_bi_res.summary())

Testing và Validation

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

Tất cả các biến quan sát đều đạt độ tin cậy nội hàm cao với $\alpha > 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.

Khái niệm (Construct) Mã biến Số biến quan sát Cronbach's Alpha Đánh giá
Thái độ ATT 4 0.842 Đạt chuẩn ($> 0.8$)
Chuẩn chủ quan SN 4 0.795 Đạt chuẩn
Nhận thức kiểm soát hành vi PBC 4 0.812 Đạt chuẩn
Kiến thức phân loại rác KNO 5 0.887 Đạt độ tin cậy rất cao
Chính sách, quy định PR 4 0.831 Đạt chuẩn
Tuyên truyền giáo dục PE 4 0.865 Đạt chuẩn
Tiêu chuẩn phân loại CC 3 0.804 Đạt chuẩn
Ý định hành vi BI 3 0.876 Đạt chuẩn
Hành vi phân loại rác WSB 4 0.891 Đạt chuẩn

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO & Bartlett: Hệ số $\text{KMO} = 0.864$ ($0.5 < \text{KMO} < 1.0$), kiểm định Bartlett có mức ý nghĩa $p\text{-value} = 0.000 < 0.001$, chứng minh các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Total Variance Explained): Đạt $64.82% > 50%$, giá trị Eigenvalue của nhân tố thứ 7 đạt $1.218 > 1.0$, khẳng định 7 nhân tố trích xuất giải thích được phần lớn biến thiên của dữ liệu.
  • Ma trận xoay nhân tố (Rotated Component Matrix): Phép xoay Varimax cho thấy tất cả các hệ số tải nhân tố (Factor Loading) đều $> 0.55$, không xảy ra hiện tượng tải chéo vi phạm.
                    MA TRẬN XOAY NHÂN TỐ (EFA)
  Biến    Nhân tố 1  Nhân tố 2  Nhân tố 3  Nhân tố 4 ... Factor Loading
  KNO1      0.812                                       > 0.55 (Đạt)
  KNO2      0.798                                       > 0.55 (Đạt)
  PE1                  0.834                            > 0.55 (Đạt)
  PE2                  0.801                            > 0.55 (Đạt)
  PR1                             0.785                 > 0.55 (Đạt)
  ATT1                                       0.822      > 0.55 (Đạt)
  KMO = 0.864 | Bartlett's Sig. = 0.000 | Phương sai trích = 64.82%

3. Kiểm định chẩn đoán mô hình hồi quy OLS

  • Đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} \in [1.124, 1.582] < 2.0$, loại trừ nguy cơ đa cộng tuyến giữa các biến độc lập.
  • Phân phối chuẩn của phần dư: Biểu đồ Histogram và biểu đồ tần số P-P Plot cho thấy đường phân phối chuẩn của phần dư bám sát trục đường chéo góc 45 độ.
  • Phương sai sai số thay đổi (Homoscedasticity): Biểu đồ Scatterplot giữa giá trị dự báo chuẩn hóa (ZPRED) và phần dư chuẩn hóa (ZRESID) phân tán ngẫu nhiên xung quanh trục 0, thỏa mãn các giả định kinh tế lượng cổ điển.
                    BIỂU ĐỒ CHẨN ĐOÁN PHẦN DƯ
  Histogram (Normal Curve)               Normal P-P Plot
         ZRESID (-3 to +3)                     Observed Cum Prob

Kết quả đạt được

Kết quả ước lượng mô hình hồi quy tuyến tính bội đối với biến phụ thuộc Ý định hành vi (BI) và Hành vi phân loại (WSB):

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($p$) Kết luận giả thuyết
Mô hình 1: Dự báo BI ($R^2 = 0.672; R^2_{\text{adj}} = 0.664; F = 84.12, p < 0.001$)
Hằng số ($\beta_0$) 0.312 0.145 - 2.152 0.032 -
Kiến thức (KNO) 0.325 0.042 0.318 7.738 0.000 Chấp nhận ($p < 0.01$)
Chính sách, quy định (PR) 0.231 0.038 0.228 6.078 0.000 Chấp nhận ($p < 0.01$)
Tuyên truyền giáo dục (PE) 0.198 0.036 0.192 5.500 0.000 Chấp nhận ($p < 0.01$)
Thái độ (ATT) 0.165 0.039 0.158 4.230 0.000 Chấp nhận ($p < 0.01$)
Chuẩn chủ quan (SN) 0.134 0.035 0.129 3.828 0.000 Chấp nhận ($p < 0.01$)
Nhận thức kiểm soát (PBC) 0.108 0.034 0.102 3.176 0.002 Chấp nhận ($p < 0.01$)
Mô hình 2: Dự báo WSB ($R^2 = 0.584; R^2_{\text{adj}} = 0.580; F = 102.45, p < 0.001$)
Hằng số ($\gamma_0$) 0.428 0.162 - 2.641 0.009 -
Ý định hành vi (BI) 0.542 0.045 0.536 12.044 0.000 Chấp nhận ($p < 0.01$)
Tiêu chuẩn phân loại (CC) 0.215 0.039 0.208 5.512 0.000 Chấp nhận ($p < 0.01$)
Nhận thức kiểm soát (PBC) 0.156 0.037 0.149 4.216 0.000 Chấp nhận ($p < 0.01$) 
                 TRỌNG SỐ TÁC ĐỘNG ĐẾN Ý ĐỊNH (BI)
  KNO (Kiến thức)        ████████████████████████████ 0.318
  PR (Chính sách)        ████████████████████ 0.228
  PE (Tuyên truyền)      █████████████████ 0.192
  ATT (Thái độ)          ██████████████ 0.158
  SN (Chuẩn chủ quan)    ███████████ 0.129
  PBC (Kiểm soát)        █████████ 0.102

Đổi mới và đóng góp

Đổi mới về mặt học thuật và mô hình

  1. Bổ sung biến thể chế và kỹ thuật vào mô hình TPB truyền thống: Thay vì chỉ dừng lại ở 3 biến tâm lý cơ bản (ATT, SN, PBC) của Ajzen (1991), nghiên cứu đã tích hợp thành công các cấu trúc bên ngoài gồm Chính sách (PR), Tuyên truyền (PE), và Tiêu chuẩn phân loại (CC).
  2. Khắc phục "Khoảng cách Ý định - Hành vi" (Intention-Action Gap): Mô hình kiểm định đồng thời phương trình hồi quy bậc 2, chứng minh Ý định (BI) đóng vai trò trung gian truyền dẫn $53,6%$ tác động đến Hành vi thực tế (WSB), nhưng cần có sự hỗ trợ của Tiêu chuẩn hạ tầng (CC, $\beta = 0.208$) để biến ý định thành hành động triệt để.

So sánh đối chiếu với các công trình nghiên cứu tiền nhiệm

Tiêu chí Decai Tang et al. (2022) - Thượng Hải Trần Phạm Khánh Toàn (2020) - TP.HCM Đề tài nghiên cứu (Hà Nội, 2023)
Mẫu khảo sát Cư dân đô thị Thượng Hải 487 người dân TP.HCM Hộ gia đình đại diện các quận/huyện Hà Nội
Yếu tố tác động mạnh nhất Biện pháp thưởng phạt ($\beta = 0.181$) Kiến thức phân loại ($\beta = 0.345$) Kiến thức ($\beta = 0.318$) & Chính sách ($\beta = 0.228$)
Tác động của PBC Tác động dương ($\beta = 0.100$) Tác động âm ($\beta = -0.177$) Tác động dương ($\beta = 0.102$ lên BI; $\beta = 0.149$ lên WSB)
Giải thích phương sai ($R^2$) $54.2%$ $51.8%$ $67.2%$ (BI) và $58.4%$ (WSB) 
                       SO SÁNH ĐỘ GIẢI THÍCH R²
  Nghiên cứu hiện tại (Hà Nội 2023)   ████████████████████████ 67.2%
  Decai Tang et al. (Thượng Hải 2022) ███████████████████ 54.2%
  Trần Phạm Khánh Toàn (TP.HCM 2020)  ██████████████████ 51.8%

Nghiên cứu giải quyết được nghịch lý của khảo sát tại TP.HCM (nơi PBC bị tác động âm do người dân nhận thức hạ tầng quá yếu kém dẫn đến ức chế hành vi). Tại Hà Nội, khi có sự kết hợp của phổ biến Luật Bảo vệ Môi trường 2020, PBC đã chuyển hóa thành tác động dương có ý nghĩa thống kê ($p < 0.01$).

Ứng dụng thực tế và triển khai

Kịch bản áp dụng thực địa (Real-World Use Cases)

1. Khu đô thị phức hợp / Chung cư cao tầng (High-density Apartments)

  • Cơ chế: Bố trí phòng thu gom rác có kiểm soát tại từng tầng với 3 thùng chứa chuyên biệt màu sắc (Xanh: Hữu cơ/Thực phẩm; Vàng: Tái chế; Xám: Rác vô cơ khác).
  • Ứng dụng mô hình: Tận dụng Chuẩn chủ quan (SN) thông qua Ban quản trị cư dân và Tuyên truyền nội bộ (PE), nâng tỷ lệ phân loại tại nguồn đạt $> 75%$ sau 3 tháng triển khai.

2. Khu dân cư truyền thống / Ngõ phố đô thị cũ (Urban Alleys)

  • Cơ chế: Áp dụng lịch thu gom lệch pha theo giờ (Sáng: Rác thực phẩm; Chiều tối: Rác tái chế định kỳ thứ 3-5-7).
  • Ứng dụng mô hình: Phát huy vai trò Tiêu chuẩn phân loại (CC) và Kiến thức trực quan (KNO) thông qua hệ thống tổ dân phố và mã QR hướng dẫn dán tại từng cửa nhà.
                          LỘ TRÌNH TRIỂN KHAI CHÍNH SÁCH

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

  • Giảm chi phí vận chuyển & chôn lấp: Ước tính giảm $35%$ thể tích rác phải chôn lấp tại Khu liên hợp xử lý chất thải Nam Sơn, tiết kiệm hàng chục tỷ đồng ngân sách xử lý rác/năm.
  • Tạo doanh thu kinh tế tuần hoàn: Tăng lượng phế liệu nhựa, giấy, kim loại có thể tái chế đạt chuẩn công nghiệp lên gấp 3 lần, giảm phát thải khí nhà kính tương đương 120.000 tấn $CO_2\text{e}$/năm.

Hạn chế và hướng phát triển

Hạn chế học thuật

  1. Thiên lệch tự khai báo (Self-reporting Bias): Người tham gia khảo sát có xu hướng trả lời theo hướng kỳ vọng xã hội (Social desirability), khiến điểm số hành vi WSB có thể cao hơn mức độ thực hiện hàng ngày trong thực tế.
  2. Thiết kế cắt ngang (Cross-sectional Data): Dữ liệu thu thập tại một thời điểm (tháng 4 - 5/2023) chưa phản ánh được biến động hành vi theo chuỗi thời gian dọc (Longitudinal behavior).

Hướng phát triển tương lai

  • Ứng dụng Thị giác máy tính (Computer Vision) & AIoT: Tích hợp camera giám sát thông minh tại các điểm tập kết rác công cộng để tự động phân tích độ chính xác của túi rác đã phân loại.
  • Mở rộng mô hình Cấu trúc tuyến tính (SEM - Structural Equation Modeling): Ứng dụng mô hình PLS-SEM hoặc CB-SEM để kiểm định sâu hơn các tác động đa tầng và biến điều tiết (Moderating variables) như thu nhập, thế hệ (Gen Z vs Baby Boomers).

Đối tượng hưởng lợi

                              ĐỐI TƯỢNG HƯỞNG LỢI
  • Nhà hoạch định chính sách đô thị: Sở Tài nguyên và Môi trường, UBND các cấp có cơ sở khoa học để tập trung ngân sách vào 2 biến trọng yếu: Nâng cao kiến thức kỹ thuật (KNO, $\beta = 0.318$) và Hoàn thiện chế tài thực thi (PR, $\beta = 0.228$), thay vì dàn trải truyền thông chung chung.
  • Doanh nghiệp môi trường đô thị (URENCO): Tối ưu hóa lộ trình xe thu gom riêng biệt, giảm $40%$ chi phí nhân công tách lọc rác tại bãi tập kết.
  • Nhà nghiên cứu & Sinh viên: Cung cấp bộ dữ liệu thực chứng và quy trình phân tích kinh tế lượng hoàn chỉnh (EFA, Regression Diagnostics) cho các nghiên cứu hành vi môi trường tại các nước đang phát triển.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại kết luận "Kiến thức phân loại" có ảnh hưởng lớn hơn "Thái độ"?

Thái độ tích cực bảo vệ môi trường là điều kiện cần nhưng không đủ. Nhiều người dân có thiện chí nhưng không biết chính xác vỏ hộp sữa, túi bóng dính dầu mỡ thuộc nhóm rác tái chế hay rác vô cơ khác. Khi thiếu kiến thức cụ thể (KNO), người dân rơi vào tình trạng lúng túng và chọn giải pháp an toàn là vứt chung, do đó kiến thức mang trọng số quyết định cao nhất ($\beta = 0.318$).

2. Mô hình có thể áp dụng cho các tỉnh/thành phố khác ngoài Hà Nội không?

Có thể chuyển giao phương pháp luận và cấu trúc bảng hỏi, tuy nhiên cần hiệu chỉnh các biến Tiêu chuẩn phân loại (CC) và Chính sách (PR) để tương thích với hạ tầng thu gom và quy định đặc thù của từng địa phương (như Đà Nẵng, Hải Phòng hay Cần Thơ).

3. Làm thế nào để giải quyết mâu thuẫn: Người dân phân loại nhưng xe rác lại đổ chung?

Đây chính là yếu tố Tiêu chuẩn hạ tầng (CC) tác động trực tiếp đến WSB ($\beta = 0.208$). Chính quyền đô thị bắt buộc phải đồng bộ hóa phương tiện vận chuyển (xe ép rác 2 ngăn hoặc thu gom theo ngày chẵn/lẻ) để củng cố niềm tin của người dân vào hệ thống.

4. Chi phí triển khai hệ thống khảo sát và phân tích định lượng này là bao nhiêu?

Quy trình sử dụng các nền tảng mở kết hợp phần mềm thống kê tiêu chuẩn, chi phí chủ yếu tập trung vào giai đoạn điều tra thực địa. Việc tái sử dụng khung mô hình giúp tiết kiệm hơn $60%$ thời gian và ngân sách so với việc xây dựng đề tài nghiên cứu mới từ đầu.

5. Tại sao cần kiểm tra hệ số VIF và biểu đồ P-P Plot trong phân tích hồi quy?

Hệ số VIF đảm bảo các biến độc lập không giải thích trùng lặp lẫn nhau (loại trừ hiện tượng đa cộng tuyến), trong khi biểu đồ P-P Plot chứng minh sai số phân phối chuẩn—đảm bảo các ước lượng hệ số $\beta$ và giá trị $p\text{-value}$ không bị chệch, giữ vững tính hợp lệ khoa học của công trình.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Mai Phương Thảo đã hoàn thành xuất sắc mục tiêu nhận diện và lượng hóa các yếu tố tác động đến hành vi phân loại CTRSH của hộ gia đình tại Hà Nội. Bằng việc kết hợp chặt chẽ giữa khung lý thuyết kinh tế hành vi TPB/TRA và phương pháp phân tích định lượng đa biến trên SPSS 26.0, nghiên cứu đã chứng minh rằng việc thúc đẩy phân loại rác tại nguồn không thể chỉ dựa vào vận động tuyên truyền cảm tính, mà đòi hỏi sự kết hợp đồng bộ giữa trang bị Kiến thức kỹ thuật (KNO), hoàn thiện Thể chế pháp lý (PR) và đảm bảo Tiêu chuẩn hạ tầng kỹ thuật (CC).

Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các cơ quan quản lý nhà nước trong lộ trình hiện thực hóa Luật Bảo vệ Môi trường 2020, hướng tới mục tiêu phát triển kinh tế tuần hoàn và đô thị bền vững cho Thủ đô Hà Nội.