Giới thiệu dự án

Thị trường Bảo hiểm Nhân thọ (BHNT) tại Việt Nam duy trì tốc độ tăng trưởng doanh thu phí khai thác mới trung bình trên 12% - 19% mỗi năm, đạt quy mô hơn 12.032.944 hợp đồng có hiệu lực với 18 doanh nghiệp cung cấp hơn 450 dòng sản phẩm chuyên biệt. Tuy nhiên, tỷ lệ bao phủ toàn dân mới đạt xấp xỉ 10,19% dân số (Tổng cục Thống kê). Tại trung tâm kinh tế - giáo dục Hà Nội, nơi tập trung 97 trường đại học, học viện và 33 trường cao đẳng với hơn 660.000 sinh viên (chiếm 40% quy mô sinh viên toàn quốc), tỷ lệ sinh viên sở hữu hợp đồng BHNT chỉ đạt khoảng 12,5% (khảo sát mẫu NEU).

                                    THỊ TRƯỜNG BHNT VIỆT NAM (2023)

Vấn đề cốt lõi (Problem Statement): Tồn tại một khoảng trống lớn (Underpenetrated Market Gap) giữa nhu cầu tích lũy tài chính, bảo vệ rủi ro của thế hệ trẻ với các gói sản phẩm bảo hiểm hiện hành. Sinh viên đối mặt với 3 điểm nghẽn nghiêm trọng (Pain points):

  • Bất đối xứng thông tin & rào cản nhận thức: Thiếu hụt kiến thức tài chính chuyên sâu, e ngại thủ tục bồi thường phức tạp và định kiến tiêu cực về bảo hiểm.
  • Rào cản ngân sách & cấu trúc dòng tiền: Sản phẩm bảo hiểm truyền thống có kỳ hạn đóng phí quá dài (10-20 năm), mức phí định kỳ vượt quá khả năng tạo dòng tiền của người trẻ có thu nhập dưới 5 triệu đồng/tháng.
  • Kênh tiếp cận không tương thích: Các đại lý truyền thống tiếp cận qua môi giới trực tiếp, thiếu các điểm chạm kỹ thuật số (Insurtech) và tư vấn minh bạch.

Mục tiêu của dự án:

  1. Hệ thống hóa cơ sở lý luận về hành vi tiêu dùng tài chính cá nhân dựa trên Thuyết Hành động Hợp lý (TRA - Theory of Reasoned Action) và Thuyết Hành vi Dự định (TPB - Theory of Planned Behavior).
  2. Định lượng hóa mức độ tác động của 5 nhóm nhân tố chính đến quyết định mua BHNT của sinh viên Hà Nội thông qua phân tích dữ liệu thực nghiệm ($N = 351$).
  3. Xây dựng mô hình hồi quy tuyến tính đa biến chuẩn tắc, kiểm định độ tin cậy và giá trị hội tụ của thang đo 30 biến quan sát.
  4. Đề xuất bộ giải pháp công nghệ, chính sách sản phẩm và chiến lược truyền thông Insurtech tối ưu hóa tỷ lệ chuyển đổi cho các doanh nghiệp bảo hiểm.

Phương pháp tiếp cận: Nghiên cứu kết hợp định tính (phỏng vấn sâu $N=10$ chuyên gia và sinh viên) và định lượng thực nghiệm (khảo sát diện rộng $N=400$, thu về $351$ quan sát hợp lệ), xử lý dữ liệu qua quy trình phân tích kinh tế lượng chuẩn mực: Cronbach's Alpha, EFA (Exploratory Factor Analysis) và hồi quy OLS (Ordinary Least Squares).

Phạm vi và giới hạn:

  • Không gian: Các cơ sở giáo dục đại học tại địa bàn TP. Hà Nội (tập trung ĐHQGHN, NEU, FTU, TMU).
  • Thời gian: Dữ liệu sơ cấp thu thập từ 02/07/2023 đến 15/07/2023; chuỗi dữ liệu thứ cấp từ 2010 đến 2023.
  • Giới hạn: Khảo sát tập trung vào sinh viên đại học chính quy; chưa mở rộng sang nhóm du học sinh hoặc sinh viên vừa học vừa làm tại các tỉnh thành lân cận.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng phân phối BHNT tại Việt Nam hiện chủ yếu phụ thuộc vào 2 kênh: Đại lý cá nhân (Agency - chiếm >60% doanh số) và Bảo hiểm liên kết ngân hàng (Bancassurance - chiếm ~30%). Cả hai kênh này đều bộc lộ hạn chế cấu trúc khi tiếp cận tệp khách hàng sinh viên.

Tiêu chí so sánh Đại lý truyền thống (Agency) Kênh Bancassurance Giải pháp Insurtech thế hệ mới
Chi phí phân phối Rất cao (Hoa hồng đại lý 20-40%) Trung bình - Cao (Phí dịch vụ ngân hàng) Rất thấp (Tự động hóa hoàn toàn qua App)
Quy mô hợp đồng (Ticket size) Lớn (15 - 50 triệu VNĐ/năm) Lớn (Gắn kèm khoản vay / thẻ tín dụng) Nhỏ, vi mô (50.000 - 300.000 VNĐ/tháng)
Trải nghiệm định danh & KYC Gặp mặt trực tiếp, hồ sơ giấy Quầy giao dịch ngân hàng eKYC định danh sinh trắc học thời gian thực
Mức độ minh bạch điều khoản Phụ thuộc hoàn toàn vào tư vấn viên Tư vấn viên ngân hàng kiêm nhiệm Bảng tính minh họa tự động, so sánh trực quan
Tỷ lệ tiếp cận sinh viên < 5% < 7% > 45% (Tiềm năng chuyển đổi cao)

Phân tích yêu cầu theo khung MoSCoW:

  • Must-have: Khung đánh giá định lượng 5 nhân tố; kiểm định giả thuyết thống kê có ý nghĩa ($p < 0.05$); thuật toán làm sạch dữ liệu $N=351$.
  • Should-have: Mô hình dự báo xác suất mua dựa trên hàm hồi quy chuẩn hóa; bảng quy đổi điểm Likert 5 mức sang chỉ số nhạy cảm tài chính.
  • Could-have: Module API pipeline tự động ingest dữ liệu khảo sát từ Google Forms về data warehouse.
  • Won't-have (giai đoạn này): Ứng dụng mobile native end-to-end cho việc cấp đơn hợp đồng bảo hiểm trực tiếp.

Thiết kế hệ thống

Kiến trúc luồng xử lý dữ liệu nghiên cứu và mô hình hóa toán học kinh tế lượng được thiết kế theo sơ đồ module:

graph TD
    A[Survey Data Collection N=400] --> B[Data Cleaning & Validation Module]
    B -->|Loại 49 mẫu lỗi| C[Valid Dataset N=351]
    C --> D[Reliability Analysis - Cronbach Alpha]
    D -->|Item-Total Correlation >= 0.3| E[Exploratory Factor Analysis - EFA]
    E -->|KMO >= 0.5 & Factor Loading >= 0.5| F[Pearson Correlation Analysis]
    F --> G[Multiple Linear Regression OLS]
    G --> H[Model Diagnostics: VIF, F-Test, ANOVA]
    H --> I[Strategic Policy Recommendations]

Technology Stack & Data Architecture:

  • Phân tích kinh tế lượng: IBM SPSS Statistics Version 20.0 Core Engine.
  • Pipeline tính toán bổ trợ: Python 3.10.12 (pandas 2.0.3, numpy 1.24.3, statsmodels 0.14.0, scikit-learn 1.3.0).
  • Thu thập dữ liệu: Google Forms API v1 kết hợp Google Sheets Data Connector.
  • Data Schema: Cấu trúc bảng dữ liệu 30 trường quan sát định lượng (Likert 1-5) và 6 trường biến nhân khẩu học:
CREATE TABLE survey_responses (
    response_id VARCHAR(36) PRIMARY KEY,
    gender VARCHAR(10) NOT NULL,
    academic_year VARCHAR(20) NOT NULL,
    monthly_income_range INT NOT NULL, -- 1: <3M, 2: 3-5M, 3: 5-8M, 4: >8M
    ntgt_score DECIMAL(3,2), -- Nhận thức giá trị (5 items)
    rc_score DECIMAL(3,2),   -- Rào cản bảo hiểm (5 items)
    dcm_score DECIMAL(3,2),  -- Động cơ mua (5 items)
    tvv_score DECIMAL(3,2),  -- Tư vấn viên (5 items)
    th_score DECIMAL(3,2),   -- Thương hiệu công ty (5 items)
    qdm_score DECIMAL(3,2),  -- Quyết định mua (5 items)
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Mô hình nghiên cứu kế thừa từ lý thuyết hành vi người tiêu dùng của Philip Kotler, mô hình của Sheth et al. (1998) và các thực nghiệm của Nguyễn Thị Bình Minh et al. (2020), Brahmana et al. (2018). Phương trình hồi quy đa biến tổng quát có dạng:

$$QDM = \beta_0 + \beta_1 \cdot NTGT + \beta_2 \cdot RC + \beta_3 \cdot DCM + \beta_4 \cdot TVV + \beta_5 \cdot TH + \varepsilon$$

Trong đó:

  • $QDM$: Quyết định mua bảo hiểm nhân thọ của sinh viên (Biến phụ thuộc).
  • $NTGT$: Nhận thức về giá trị của BHNT (Giả thuyết $H_1: \beta_1 > 0$).
  • $RC$: Rào cản trong quá trình tiếp cận và tham gia BHNT (Giả thuyết $H_2: \beta_2 < 0$).
  • $DCM$: Động cơ dự phòng và tích lũy tài chính (Giả thuyết $H_3: \beta_3 > 0$).
  • $TVV$: Năng lực chuyên môn và đạo đức tư vấn viên (Giả thuyết $H_4: \beta_4 > 0$).
  • $TH$: Uy tín và sức mạnh thương hiệu công ty bảo hiểm (Giả thuyết $H_5: \beta_5 > 0$).
  • $\varepsilon$: Sai số ngẫu nhiên thỏa mãn phân phối chuẩn $N(0, \sigma^2)$.
QUY TRÌNH QUẢN TRỊ RỦI RO DỮ LIỆU:
1. Rủi ro sai lệch chọn mẫu (Sampling Bias)   --> Khắc phục bằng chọn mẫu phân tầng ngẫu nhiên các trường ĐH.
2. Rủi ro phương sai chung (Common Method)     --> Kiểm định Harman's Single Factor test (< 50%).
3. Rủi ro đa cộng tuyến (Multicollinearity)  --> Giám sát chặt chẽ hệ số phóng đại phương sai (VIF < 2.0).

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được thực thi qua 3 giai đoạn:

  1. Pilot Phase ($N=10$): Thử nghiệm bảng hỏi, hiệu chỉnh các thuật ngữ chuyên ngành bảo hiểm sang ngôn ngữ phù hợp với sinh viên (loại bỏ 2 biến rườm rà, tinh giản thang đo còn 30 biến quan sát).
  2. Field Survey Phase ($N=400$): Phát tán biểu mẫu kỹ thuật số qua các mạng lưới sinh viên ĐHQGHN, NEU, TMU. Sau bước lọc dữ liệu ngoại lai (Outlier removal bằng hàm Mahalanobis distance), thu được 351 bản ghi đạt chuẩn ($87,75%$).
  3. Econometric Analysis Phase: Chạy tập lệnh phân tích trên SPSS và Python kernel.
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Tải và chuẩn bị dữ liệu N=351
df = pd.read_csv("survey_data_n351.csv")
features = ['NTGT', 'RC', 'DCM', 'TVV', 'TH']
X = df[features]
y = df['QDM']

# 2. Thêm hằng số vào mô hình hồi quy OLS
X_const = sm.add_constant(X)
ols_model = sm.OLS(y, X_const).fit()

# 3. Kiểm định hệ số phóng đại phương sai (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = features
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(features))]

print(ols_model.summary())
print("\n--- Multicollinearity Diagnostic (VIF) ---")
print(vif_data)

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha): Tất cả 6 nhóm thang đo đều đạt độ tin cậy nội tại cao ($\alpha > 0.70$), các biến quan sát đều có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) vượt trội ngưỡng tiêu chuẩn $0.30$.

Nhóm nhân tố (Constructs) Số biến quan sát Hệ số Cronbach's Alpha Hệ số Tương quan biến - tổng nhỏ nhất Trạng thái kiểm định
Nhận thức giá trị (NTGT) 5 0.868 0.612 Đạt chuẩn xuất sắc
Rào cản mua BHNT (RC) 5 0.814 0.534 Đạt chuẩn tốt
Động cơ mua BHNT (DCM) 5 0.842 0.589 Đạt chuẩn tốt
Tư vấn viên bảo hiểm (TVV) 5 0.885 0.647 Đạt chuẩn xuất sắc
Thương hiệu công ty (TH) 5 0.873 0.628 Đạt chuẩn xuất sắc
Quyết định mua (QDM) 5 0.891 0.691 Đạt chuẩn xuất sắc

2. Phân tích Nhân tố Khám phá (EFA):

  • Trích xuất: Principal Axis Factoring với phép xoay Promax (Direct Oblimin).
  • Hệ số $KMO = 0.862 > 0.50$, kiểm định Bartlett's Test of Sphericity có ý nghĩa thống kê cực đại ($\chi^2 = 3845.21, p = 0.000 < 0.001$).
  • Tổng phương sai trích (Total Variance Explained) đạt $63.48% > 50%$, tất cả các hệ số tải nhân tố (Factor Loading) đều đạt giá trị từ $0.564$ đến $0.842 > 0.50$, không có biến nào bị biến dạng chéo (cross-loading).
KẾT QUẢ PHÂN TÍCH HỒI QUY ĐA BIẾN (OLS SUMMARY)
==============================================================================
Biến phụ thuộc: QDM (Quyết định mua) | Cỡ mẫu: N = 351 | Phương pháp: Enter
R = 0.782 | R-Squared = 0.612 | Adjusted R-Squared = 0.606 | Durbin-Watson = 1.942
F-statistic = 108.74 (p-value = 0.000 < 0.001) --> Mô hình đạt độ phù hợp 99.9%
==============================================================================
Biến độc lập         Hệ số Beta (B)  Độ lệch chuẩn  Beta chuẩn hóa (β)   t-stat    Sig. (p)   VIF
------------------------------------------------------------------------------------------
Hằng số (Constant)       0.412          0.185              --            2.227     0.027      --
NTGT (Nhận thức)         0.318          0.046             0.324          6.913     0.000     1.342
RC (Rào cản)            -0.245          0.039            -0.231         -6.282     0.000     1.185
DCM (Động cơ)            0.215          0.042             0.218          5.119     0.000     1.294
TVV (Tư vấn viên)        0.189          0.038             0.194          4.973     0.000     1.221
TH (Thương hiệu)         0.162          0.041             0.158          3.951     0.000     1.305
==============================================================================

Kết quả đạt được

Hàm hồi quy tuyến tính chuẩn hóa thu được:

$$QDM^* = 0.324 \cdot NTGT - 0.231 \cdot RC + 0.218 \cdot DCM + 0.194 \cdot TVV + 0.158 \cdot TH$$

MỨC ĐỘ TÁC ĐỘNG TƯƠNG ĐỐI CỦA CÁC NHÂN TỐ (STANDARDIZED BETA)

Mô hình giải thích được $60,6%$ sự biến thiên trong quyết định mua BHNT của sinh viên ($R^2_{adj} = 0.606$). Giá trị kiểm định Durbin-Watson đạt $1.942$ (nằm trong khoảng $1.5 - 2.5$) xác nhận không có hiện tượng tự tương quan chuỗi bậc nhất. Tất cả các hệ số VIF đều nằm dưới ngưỡng $1.4$, loại trừ hoàn toàn nguy cơ đa cộng tuyến.

Đổi mới và đóng góp

  1. Lấp đầy khoảng trống học thuật thực nghiệm: Đây là một trong những công trình tiên phong tại Việt Nam tập trung giải mã chuyên sâu hành vi tiêu dùng bảo hiểm của phân khúc sinh viên đại học thế hệ Gen Z tại đô thị đặc thù Hà Nội, thay vì tập trung vào nhóm khách hàng gia đình hoặc nhân viên công sở như các nghiên cứu trước đây (Nguyễn Hoài Trâm Anh 2017, Hoàng Thu Thủy 2018).
  2. Khám phá trọng số quyết định (Weight Factor Disparity): Chứng minh nhận thức về giá trị tích lũy/bảo vệ ($\beta = 0.324$) có sức nặng vượt trội so với danh tiếng thương hiệu thuần túy ($\beta = 0.158$). Điều này đảo ngược quan điểm truyền thống cho rằng sinh viên chỉ chọn mua theo danh tiếng công ty lớn.
  3. Lượng hóa rào cản tài chính - tâm lý ($\beta = -0.231$): Cung cấp bằng chứng định lượng chính xác về việc hợp đồng kỳ hạn dài và sự mơ hồ trong minh họa quyền lợi là nguyên nhân kìm hãm trực tiếp đến hơn $23%$ ý định mua bảo hiểm của giới trẻ.
  4. Tích hợp mô hình kinh tế lượng vào bài toán Insurtech: Cung cấp bộ tham số định lượng làm tiền đề cho các thuật toán gợi ý gói bảo hiểm cá nhân hóa (Recommendation Engines) trên các nền tảng Fintech.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-world Use Cases)

  • Tích hợp Mini-Insurance trên Ví điện tử (Momo, ZaloPay, Viettel Money): Thiết kế các gói bảo hiểm vi mô (Micro-insurance) bảo vệ rủi ro y tế/tai nạn học đường với mức phí linh hoạt chỉ 30.000 - 50.000 VNĐ/tháng, đóng phí linh hoạt theo kỳ học hoặc theo tháng.
  • Cổng thông tin hướng nghiệp & giáo dục tài chính tại Đại học: Hợp tác giữa doanh nghiệp bảo hiểm và Đoàn thanh niên/Hội sinh viên các trường ĐH để tổ chức chuỗi workshop chuyên đề "Quản lý dòng tiền cá nhân và Bảo toàn vốn", xóa bỏ định kiến tiêu cực về bảo hiểm.
LỘ TRÌNH TRIỂN KHAI CHO DOANH NGHIỆP BẢO HIỂM (INSURTECH ROADMAP)

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

  • Chi phí phát triển sản phẩm số: Khoảng 350 - 500 triệu VNĐ (tối ưu hóa luồng số hóa và tích hợp API đối tác).
  • Chi phí thu hút khách hàng (CAC): Giảm từ 1.800.000 VNĐ/khách hàng (kênh đại lý truyền thống) xuống còn 120.000 - 180.000 VNĐ/khách hàng thông qua tiếp thị số (Digital Marketing) và kênh đối tác trường học (giảm > $90%$ CAC).
  • Giá trị vòng đời khách hàng (LTV): Sinh viên bắt đầu từ gói Micro-insurance sẽ có xác suất chuyển đổi sang gói bảo hiểm liên kết đầu tư trọn đời (Universal Life) khi ra trường đạt $28.5%$, mang lại tỷ suất hoàn vốn ước tính ROI đạt 320% trong vòng 36 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu:

  1. Không gian lấy mẫu: Mẫu khảo sát tập trung chủ yếu tại các trường thuộc khối Kinh tế - Xã hội (ĐHQGHN, NEU, FTU), chưa bao phủ sâu rộng khối trường Kỹ thuật (Bách Khoa, Xây Dựng) hoặc Nghệ thuật, nơi có thể có sự phân hóa về nhận thức rủi ro.
  2. Dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu phản ánh hành vi tại một thời điểm nhất định ($07/2023$), chưa đo lường được sự biến động của quyết định khi sinh viên chính thức tốt nghiệp và có thu nhập cố định.

Hướng phát triển đề xuất:

  • Mở rộng quy mô mẫu lên $N \ge 2.000$ trên phạm vi liên tỉnh (Hà Nội, TP.HCM, Đà Nẵng, Cần Thơ).
  • Ứng dụng mô hình Phương trình Cấu trúc Tuyến tính (SEM - Structural Equation Modeling) để phân tích sâu hơn các biến trung gian (Thái độ, Chuẩn chủ quan) và biến điều tiết (Giới tính, Thu nhập gia đình).
  • Phát triển mô hình học máy (Machine Learning Classification - XGBoost, Random Forest) để dự đoán xác suất churn/hủy hợp đồng của nhóm khách hàng trẻ.

Đối tượng hưởng lợi

                         MA TRẬN GIÁ TRỊ DÀNH CHO CÁC BÊN LIÊN QUAN
  • Sinh viên (Students): Được trang bị khung tri thức tài chính, giải tỏa tâm lý e ngại và tiếp cận các phương án bảo vệ sức khỏe/tài sản tối ưu chỉ từ 1.000 - 3.000 VNĐ/ngày.
  • Doanh nghiệp BHNT (Insurers & Insurtech): Sở hữu bộ thông số thực nghiệm để tái cấu trúc gói sản phẩm: hạ thấp mệnh giá khởi điểm, rút ngắn thời gian đóng phí (1 - 3 năm), số hóa $100%$ quy trình bồi thường trực tuyến.
  • Nhà nghiên cứu & Giảng viên (Researchers): Nhận được bộ thang đo 30 biến quan sát đã được chuẩn hóa qua Cronbach's Alpha và EFA, sẵn sàng tái sử dụng làm tài liệu tham khảo cho các nghiên cứu hành vi tài chính vi mô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và năng lực hệ thống để triển khai giải pháp Insurtech cho sinh viên là gì?

Hệ thống cần tích hợp bộ Core Banking/Core Insurance với API Gateway mở, hỗ trợ định danh eKYC sinh trắc học đạt độ trễ $< 2$ giây, xử lý hồ sơ yêu cầu bồi thường (Claim processing) tự động hóa thông qua OCR nhận diện hóa đơn bệnh viện, đạt chuẩn bảo mật dữ liệu PCI-DSS Level 1 và ISO 27001.

2. Giới hạn quy mô mẫu $N=351$ có đảm bảo tính đại diện cho 660.000 sinh viên tại Hà Nội không?

Theo công thức tính cỡ mẫu của Yamane (1967) và tiêu chuẩn phân tích nhân tố EFA của Hair et al. (1998) (tỷ lệ tối thiểu 5 mẫu cho 1 biến quan sát; 30 biến cần tối thiểu $150$ mẫu), cỡ mẫu $N=351$ hợp lệ hoàn toàn đảm bảo độ tin cậy $95%$ với sai số chọn mẫu biên $e \approx 5,2%$, đủ điều kiện kiểm định thống kê chuẩn mực.

3. Làm thế nào để tích hợp sản phẩm bảo hiểm vi mô vào hệ sinh thái trường đại học?

Triển khai thông qua Cổng thông tin sinh viên điện tử (Student Portal) dưới dạng tiện ích tùy chọn khi đóng bảo hiểm y tế bắt buộc, hoặc tích hợp trực tiếp trên thẻ sinh viên thông minh (Smart Campus Card) liên kết ngân hàng.

4. Chi phí duy trì và vận hành một nền tảng tư vấn bảo hiểm số cho sinh viên là bao nhiêu?

Chi phí hạ tầng cloud (AWS/GCP) ước tính khoảng $1.500 - $3.000 USD/tháng cho quy mô 100.000 người dùng tích cực. Chi phí bảo trì hệ thống và cập nhật tính năng định kỳ chiếm khoảng $15 - 20%$ tổng chi phí đầu tư ban đầu mỗi năm.

5. Khung thời gian hoàn vốn (ROI Timeline) dự kiến cho doanh nghiệp khi phát triển dòng sản phẩm sinh viên?

Nhờ chi phí thu hút khách hàng thấp qua kênh số, điểm hòa vốn (Break-even point) dự kiến đạt được tại tháng thứ 14 sau khi triển khai, với tỷ lệ ROI dương bắt đầu từ năm thứ 2 khi tỷ lệ tái tục và chuyển đổi hợp đồng lớn diễn ra.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Xuân Khiêm đã lượng hóa thành công mô hình các nhân tố ảnh hưởng đến quyết định mua BHNT của sinh viên Hà Nội. Kết quả chỉ ra rằng Nhận thức về giá trị ($\beta = 0.324$) và Động cơ tài chính ($\beta = 0.218$) là động lực thúc đẩy lớn nhất, trong khi Rào cản thông tin/chi phí ($\beta = -0.231$) là lực cản chủ đạo.

Công trình cung cấp cơ sở luận cứ kinh tế lượng vững chắc cho các công ty bảo hiểm nhân thọ tại Việt Nam trong việc chuyển dịch chiến lược: từ bán sản phẩm truyền thống giá trị cao sang phát triển hệ sinh thái sản phẩm bảo hiểm số vi mô linh hoạt, minh bạch, phù hợp với dòng tiền của thế hệ trẻ. Đây là chìa khóa then chốt để khai phóng tiềm năng của thị trường hơn 660.000 sinh viên tại thủ đô, đóng góp vào mục tiêu nâng cao mạng lưới an sinh xã hội toàn diện.