Giới thiệu dự án

Quá trình đô thị hóa nhanh chóng và gia tăng dân số tại các đô thị lớn của Việt Nam như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng đang tạo ra áp lực khổng lồ lên hạ tầng quản lý chất thải. Theo báo cáo hiện trạng môi trường quốc gia của Bộ Tài nguyên và Môi trường (2021), lượng chất thải rắn sinh hoạt (CTRSH) phát sinh trên toàn quốc năm 2019 đạt khoảng 64.648 tấn/ngày (khu vực đô thị chiếm 35.624 tấn/ngày; nông thôn chiếm 29.024 tấn/ngày), với tốc độ tăng trưởng bình quân 10%/năm trong giai đoạn 2016–2020. Riêng tại Hà Nội, lượng CTRSH phát sinh mỗi ngày vượt 6.500 tấn, dẫn đến tình trạng quá tải nghiêm trọng tại Khu liên hợp xử lý chất thải Nam Sơn (Sóc Sơn).

Theo Khoản 1, Điều 75 Luật Bảo vệ môi trường năm 2020, việc phân loại CTRSH tại nguồn từ hộ gia đình và cá nhân là yêu cầu bắt buộc chậm nhất vào ngày 31/12/2024. Nhiều nghiên cứu quốc tế (như Armijo de Vega et al.) đã chứng minh phân loại rác tại nguồn đúng kỹ thuật có thể giảm đến 65% khối lượng rác phải chôn lấp, tối ưu hóa thu hồi tài nguyên và hạ thấp chi phí vận hành chuỗi cung ứng xử lý chất thải. Tuy nhiên, các chương trình thí điểm trước đây (như dự án 3R do JICA tài trợ tại Hà Nội năm 2006–2009) đều suy giảm hiệu quả sau khi kết thúc hỗ trợ tài chính do thiếu cơ chế duy trì hành vi bền vững từ người dân, đặc biệt là nhóm dân số trẻ.

Đề tài khóa luận "Các yếu tố ảnh hưởng tới quyết định phân loại chất thải rắn sinh hoạt tại nguồn của sinh viên Trường Đại học Kinh tế, Đại học Quốc gia Hà Nội" (do sinh viên Nguyễn Xuân Thịnh thực hiện, hướng dẫn bởi PGS.TS Lê Đình Hải, Khoa Kinh tế Phát triển, Trường Đại học Kinh tế – ĐHQGHN) được xây dựng nhằm giải quyết triệt để bài toán nhận diện và lượng hóa các động lực thúc đẩy hành vi phân loại rác của thế hệ sinh viên – lực lượng tiên phong trong quá trình chuyển đổi sang nền kinh tế tuần hoàn (Circular Economy).

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận và thực tiễn: Khái quát khung pháp lý, mô hình kinh tế hành vi và kinh nghiệm quốc tế (Đức, Nhật Bản, Trung Quốc) trong quản lý CTRSH tại nguồn.
  2. Xác định và lượng hóa các yếu tố tác động: Sử dụng mô hình hồi quy Logit nhị phân (Binary Logistic Regression) để kiểm định 10 giả thuyết nghiên cứu tác động đến quyết định phân loại CTRSH của sinh viên.
  3. Đề xuất giải pháp can thiệp hành vi khả thi: Xây dựng hệ thống giải pháp chính sách, truyền thông và hạ tầng đồng bộ cho khuôn viên đại học định hướng phát triển bền vững.

Phạm vi và giới hạn: Nghiên cứu khảo sát trên tổng thể sinh viên chính quy các khóa QH-2020 đến QH-2023 thuộc 6 khoa/ngành đào tạo tại Trường Đại học Kinh tế – ĐHQGHN, thu thập dữ liệu sơ cấp trong tháng 10/2023 với cỡ mẫu hợp lệ $N = 207$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Việt Nam, các mô hình thí điểm phân loại CTRSH trong quá khứ bộc lộ nhiều điểm nghẽn về tính bền vững. Bảng so sánh dưới đây làm rõ ưu và nhược điểm giữa các mô hình can thiệp:

Tiêu chí so sánh Mô hình JICA 3R Hà Nội (2006–2009) Đề án thí điểm TP.HCM (2002–2020) Mô hình tiếp cận hành vi UEB (Đề tài nghiên cứu)
Phương thức tiếp cận Cung cấp tài chính & thùng rác từ trên xuống (Top-down) Lộ trình theo địa bàn hành chính từng quận/huyện Phân tích kinh tế lượng lượng hóa động lực cá nhân (Micro-level)
Ưu điểm Đồng bộ hạ tầng phân loại, truyền thông sâu rộng Quy mô phủ rộng toàn đô thị Nhận diện biến số then chốt (Exp(B)), chi phí thấp, tối ưu nguồn lực
Nhược điểm Đổ vỡ khi rút viện trợ; thiếu ràng buộc chế tài Tỷ lệ duy trì thấp; rác sau phân loại bị thu gom chung Giới hạn trong môi trường học thuật đại học
Tỷ lệ thành công duy trì < 15% sau 3 năm kết thúc dự án 20–30% tại một số phường điểm Đạt độ chính xác dự báo hành vi 88.9%

Áp dụng phương pháp phân loại yêu cầu người dùng (MoSCoW) đối với hệ thống quản trị hành vi phân loại rác:

  • Must-have (Bắt buộc): Quy chế chế tài rõ ràng trong nội quy học đường; hệ thống phân loại 3 nhóm rác (tái chế, hữu cơ, rác vô cơ khác) theo Luật BVMT 2020.
  • Should-have (Nên có): Chương trình tích hợp kiến thức phân loại CTRSH vào tuần lễ sinh hoạt công dân đầu khóa và các học phần Kinh tế Môi trường.
  • Could-have (Có thể có): Ứng dụng số tích điểm thưởng (Green Points) khi đổi rác nguy hại (pin, rác điện tử) tại trạm thu gom.
  • Won't-have (Chưa ưu tiên): Lắp đặt camera AI nhận diện khuôn mặt xử phạt phân loại sai tại từng tầng giảng đường do chi phí đầu tư lớn.

Thiết kế hệ thống

Hệ thống phân tích kinh tế lượng hành vi được thiết kế theo quy trình xử lý dữ liệu chuẩn mực, đảm bảo tính khách quan và độ tin cậy khoa học:

Ngăn xếp công nghệ và công cụ (Technology Stack)

  • Engine phân tích thống kê: IBM SPSS Statistics Version 23.0 (phân tích mô tả, kiểm định Levene, tương quan Pearson, Binary Logistic Regression).
  • Bộ công cụ chuyển đổi dữ liệu: Python 3.10.x với các thư viện pandas (v2.1.0), numpy (v1.24.3), statsmodels (v0.14.0) dùng để cross-validate mô hình.
  • Công cụ thu thập dữ liệu sơ cấp: Google Workspace Forms Engine, xuất định dạng chuẩn .csv / .sav.
  • Hệ thống chỉ mục biến số (Data Dictionary):
Mã biến Tên biến Loại dữ liệu Thang đo Mô tả kỹ thuật
CHOICE (Y) Phân loại CTRSH Phụ thuộc (Binary) Nhị phân (0/1) $Y=1$: Có thực hiện; $Y=0$: Không thực hiện
GENDER Giới tính Độc lập (Nominal) Nhị phân (0/1) 0: Nam; 1: Nữ
LnINC Thu nhập chuẩn hóa Độc lập (Scale) Tỷ lệ (Log e) $\ln(\text{INCOME})$, thu nhập hàng tháng (VNĐ)
FAMILY Sống cùng gia đình Độc lập (Nominal) Nhị phân (0/1) 0: Không sống cùng; 1: Sống cùng gia đình
FACILITY Cơ sở vật chất Độc lập (Continuous) Likert 5 mức Đánh giá độ sẵn có của hạ tầng thu gom tại nơi ở
KNOWLEDGE Hiểu biết phân loại Độc lập (Continuous) Likert 5 mức Điểm tự đánh giá kiến thức phân loại CTRSH
ATTENTION Quan tâm môi trường Độc lập (Continuous) Likert 5 mức Mức độ quan tâm đến các vấn đề sinh thái
POLICY1 Quy định bắt buộc Độc lập (Continuous) Likert 5 mức Đánh giá tính đầy đủ của chế tài pháp luật
POLICY2 Chính sách hỗ trợ Độc lập (Continuous) Likert 5 mức Đánh giá mức độ hỗ trợ, khuyến khích tài chính

Methodology

Phương pháp nghiên cứu kết hợp giữa chọn mẫu ngẫu nhiên hệ thống (Systematic Random Sampling) và kỹ thuật phân tích hồi quy phi tuyến. Quy trình nghiên cứu thực hiện qua 7 giai đoạn:

[Tổng quan tài liệu] ➔ [Xác định mô hình & giả thuyết] ➔ [Thiết kế bảng hỏi] 
➔ [Điều tra thử nghiệm (Pilot N=30)] ➔ [Khảo sát chính thức (N=210)] 
➔ [Làm sạch, lọc N=207 & Hồi quy Logit] ➔ [Báo cáo & Đề xuất giải pháp]

Ma trận đánh giá rủi ro và giải pháp khắc phục (Risk Assessment)

Rủi ro phương pháp luận Mức độ Hậu quả tiềm ẩn Chiến lược giảm thiểu (Mitigation Strategy)
Lệch phân phối thu nhập (Skewness) Cao Vi phạm giả định hồi quy biến liên tục Áp dụng hàm logarit tự nhiên $\text{LnINC} = \ln(\text{INCOME})$ để đưa dữ liệu về tiệm cận phân phối chuẩn.
Đa cộng tuyến (Multicollinearity) Rất cao Ước lượng hệ số sai lệch, lạm phát phương sai Tính ma trận tương quan Pearson; loại bỏ biến ATTITUDE do tương quan mạnh với ATTENTION ($r = 0.748$).
Sai lệch mẫu (Non-response bias) Trung bình Dữ liệu không đại diện cho tổng thể Tăng cỡ mẫu khảo sát lên $N=210$ (vượt xa ngưỡng tối thiểu $N=130$ theo quy tắc 10–15 quan sát/biến độc lập).

Implementation và kết quả

Development process

Quá trình triển khai phân tích mô hình Logit nhị phân được thực hiện qua các bước thực nghiệm chặt chẽ:

  1. Chuẩn hóa biến số thu nhập: Biến thu nhập ban đầu (INCOME) có giá trị trung bình 4.417.632,85 VNĐ/tháng (Min: 1.000.000, Max: 10.000.000, độ lệch chuẩn $SD = 1.653.653$). Biểu đồ Histogram cho thấy phân phối lệch phải. Sau khi chuyển đổi $\text{LnINC} = \ln(\text{INCOME})$, giá trị trung bình đạt 15,22, đường cong phân phối và biểu đồ Normal Q-Q Plot xác nhận biến đạt chuẩn.
  2. Kiểm tra hiện tượng đa cộng tuyến: Sử dụng ma trận hệ số tương quan Pearson giữa 7 biến định lượng. Kết quả chỉ ra hệ số tương quan giữa ATTITUDE và ATTENTION là $r = 0.748$ (có ý nghĩa thống kê ở mức $p < 0.01$). Biến ATTITUDE được loại bỏ khỏi mô hình để triệt tiêu hiện tượng đa cộng tuyến, đảm bảo tính vững của các ước lượng.

Dưới đây là cú pháp thực thi mô hình hồi quy Logit nhị phân trên hệ thống phân tích:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import confusion_matrix, accuracy_score

# 1. Load dataset và chuyển đổi biến thu nhập sang thang đo Logarit
df = pd.read_csv("ueb_waste_sorting_survey_2023.csv")
df["LnINC"] = np.log(df["INCOME"])

# 2. Định nghĩa tập biến độc lập (đã loại bỏ ATTITUDE để tránh đa cộng tuyến)
feature_cols = [
    "ATTENTION", "KNOWLEDGE", "FACILITY", 
    "POLICY1", "POLICY2", "LnINC", "FAMILY"
]

X = df[feature_cols]
X = sm.add_constant(X)  # Thêm hằng số hồi quy B0
y = df["CHOICE"]        # Biến phụ thuộc: 1 = Có phân loại, 0 = Không phân loại

# 3. Khởi tạo và ước lượng mô hình Binary Logit bằng Maximum Likelihood Estimation (MLE)
logit_model = sm.Logit(y, X)
result = logit_model.fit(method="newton", maxiter=100, disp=True)

# 4. Xuất kết quả tóm tắt các tham số hồi quy
print(result.summary())

# 5. Tính toán Odds Ratio (Exp(B)) và Ma trận phân loại (Confusion Matrix)
odds_ratios = np.exp(result.params)
print("\n--- ODDS RATIO (Exp(B)) ---")
print(odds_ratios)

y_pred = (result.predict(X) >= 0.5).astype(int)
print(f"\nOverall Prediction Accuracy: {accuracy_score(y, y_pred) * 100:.2f}%")

Testing và validation

1. Kiểm định độ phù hợp tổng thể của mô hình

  • Kiểm định Omnibus (Omnibus Tests of Model Coefficients): Giá trị thống kê $\chi^2 = 178.000$ với mức ý nghĩa $p = 0.000 < 0.05$, bác bỏ giả thuyết $H_0$, khẳng định mô hình có ý nghĩa thống kê vượt trội so với mô hình rỗng (Null model).
  • Chỉ số $-2 \text{ Log Likelihood} (-2\text{LL}):$ Đạt $106.855$, thể hiện độ hội tụ tốt của thuật toán ước lượng hợp lý cực đại.
  • Hệ số xác định tương đương:
    • Cox & Snell $R^2 = 0.578$
    • Nagelkerke $R^2 = 0.772$ (Mô hình giải thích được 77.2% sự biến thiên của quyết định phân loại CTRSH tại nguồn của sinh viên).

2. Độ chính xác phân loại (Classification Accuracy Matrix)

Nhóm quan sát thực tế Dự đoán: Không phân loại ($Y=0$) Dự đoán: Có phân loại ($Y=1$) Tỷ lệ dự đoán đúng (%)
Không phân loại ($Y=0$) 100 13 88.5%
Có phân loại ($Y=1$) 10 84 89.4%
Tỷ lệ chính xác tổng thể (Overall Percentage) — — 88.9%

3. Kiểm định khác biệt giới tính về thái độ môi trường

Kiểm định phương sai Levene cho kết quả $F = 3.960$ ($p = 0.048 < 0.05$), chỉ ra phương sai giữa hai nhóm không đồng nhất. Thực hiện kiểm định $t$ độc lập (Independent Samples t-test) cho kết quả $t = -2.276$, $df = 205$, $p = 0.024 < 0.05$. Điểm thái độ trung bình của sinh viên nữ ($3.91/5.00$) cao hơn sinh viên nam ($3.58/5.00$) có ý nghĩa thống kê.

Kết quả đạt được

Phương trình hồi quy Logit nhị phân thực nghiệm được xác lập:

$$\ln\left(\frac{P}{1 - P}\right) = -19.010 - 1.788 \cdot \text{LnINC} + 1.788 \cdot \text{ATTENTION} + 1.637 \cdot \text{KNOWLEDGE} - 0.563 \cdot \text{FACILITY} + 1.238 \cdot \text{POLICY1} + 1.192 \cdot \text{FAMILY}$$

Bảng thông số ước lượng hồi quy chi tiết:

Biến số trong mô hình Hệ số hồi quy ($B$) Sai số chuẩn ($S.E.$) Thống kê Wald Mức ý nghĩa ($p$-value) Tỷ số chênh $\text{Exp}(B)$ Thứ hạng tác động
ATTENTION 1.788 0.404 19.575 0.000 5.978 1
KNOWLEDGE 1.637 0.381 18.450 0.000 5.139 2
POLICY1 1.238 0.384 10.395 0.001 3.449 3
FAMILY(1) 1.192 0.548 4.731 0.030 3.293 4
FACILITY -0.563 0.283 3.955 0.047 0.569 (Hiệu chỉnh: 1.756) 5
LnINC -1.788 0.697 6.581 0.010 0.167 —
Constant ($B_0$) -19.010 10.767 3.117 0.077 0.000 —

Phân tích định lượng tác động:

  1. Sự quan tâm môi trường (ATTENTION): Khi mức độ quan tâm của sinh viên tăng thêm 1 đơn vị trên thang đo Likert, xác suất thực hiện phân loại CTRSH tại nguồn tăng gấp 5.978 lần ($p < 0.001$).
  2. Hiểu biết kỹ thuật phân loại (KNOWLEDGE): Mức độ hiểu biết tăng 1 đơn vị giúp xác suất phân loại rác tăng gấp 5.139 lần ($p < 0.001$).
  3. Tính bắt buộc của quy định (POLICY1): Nhận thức về sự hoàn thiện của các quy định chế tài bắt buộc tăng 1 đơn vị thúc đẩy xác suất hành vi tăng 3.449 lần ($p = 0.001$).
  4. Yếu tố gia đình (FAMILY): Sinh viên sống cùng gia đình có xác suất phân loại rác cao gấp 3.293 lần so với sinh viên sống tự lập tại phòng trọ ($p = 0.030$).
  5. Thu nhập (LnINC): Hệ số âm ($B = -1.788$) chỉ ra sinh viên có mức trợ cấp/thu nhập cao hơn có xu hướng ưu tiên chi trả cho sự tiện lợi thay vì dành thời gian phân loại rác tại nguồn.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới về mặt học thuật và thực tiễn quản trị môi trường đại học:

Bảng so sánh đối sánh với các công trình nghiên cứu tiền nhiệm:

Tiêu chí khoa học Nghiên cứu của Kuang & Lin (2021) Nghiên cứu của Zakianis & Djaja (2017) Đề tài nghiên cứu UEB (2023)
Đối tượng khảo sát Cư dân đô thị tại Trung Quốc Hộ gia đình tại Indonesia Sinh viên đại học khối ngành kinh tế tại Việt Nam
Kỹ thuật xử lý biến Giữ nguyên biến thu nhập gốc Phân nhóm thu nhập dạng định danh Chuẩn hóa $\text{LnINC}$ + Triệt tiêu tương quan $r=0.748$
Độ phù hợp Nagelkerke $R^2$ 0.420–0.510 0.385 0.772 (Giải thích 77.2% phương sai)
Tỷ lệ dự đoán đúng 72.4% 68.0% 88.9%
Biến số tác động mạnh nhất Cơ sở vật chất sẵn có ($OR = 3.12$) Thái độ môi trường ($OR = 2.45$) Sự quan tâm môi trường ($OR = 5.978$)

Các đổi mới nổi bật:

  • Lượng hóa mức độ thúc đẩy hành vi: Chứng minh yếu tố nhận thức chủ quan (ATTENTION, KNOWLEDGE) có trọng số tác động cao gấp 1.7 lần so với yếu tố chế tài hành chính (POLICY1).
  • Phát hiện nghịch lý hạ tầng: Biến FACILITY mang hệ số âm trong bối cảnh sinh viên sống tại ký túc xá/nhà trọ, phản ánh tình trạng dù có thùng rác nhưng thiếu quy trình thu gom phân loại đồng bộ từ đơn vị dịch vụ công ích thì sinh viên vẫn từ bỏ hành vi phân loại.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị đại học

Mô hình kết quả cung cấp cơ sở dữ liệu để Ban Giám hiệu Trường Đại học Kinh tế – ĐHQGHN triển khai chiến lược "Green UEB Campus":

  1. Can thiệp nhận thức tại các cơ sở đào tạo: Triển khai bảng chỉ dẫn màu hóa chuẩn quốc tế tại 5 khuôn viên: Nhà hiệu bộ E4, Giảng đường E5, Hồ Tùng Mậu và Việt Úc.
  2. Quy chuẩn hóa rác thải sinh hoạt: Thiết lập hệ thống phân loại 3 ngăn (Rác thực phẩm/hữu cơ – Rác tái chế giấy/nhựa/kim loại – Rác vô cơ còn lại) kết hợp điểm thu gom pin chuyên dụng.
   Giai đoạn 1 (Tháng 1-3)      Giai đoạn 2 (Tháng 4-6)       Giai đoạn 3 (Tháng 7-12)

Lộ trình triển khai 4 giai đoạn (Implementation Roadmap)

Giai đoạn Mục tiêu hành động Đầu ra cụ thể (Deliverables) Chi phí ước tính
P1: Chuẩn hóa quy chế (Tháng 1–2) Thể chế hóa biến POLICY1 Ban hành Quy định quản lý chất thải nội bộ UEB; tích hợp vào sổ tay sinh viên 15.000.000 VNĐ
P2: Nâng cao nhận thức (Tháng 3–5) Tối ưu hóa biến KNOWLEDGE & ATTENTION Tổ chức chuỗi tọa đàm "Circular Economy in Campus"; minigame tương tác trên app 35.000.000 VNĐ
P3: Nâng cấp hạ tầng (Tháng 6–8) Giải quyết nút thắt FACILITY Lắp đặt 50 cụm thùng rác 3 ngăn tại các sảnh E4, E5, Việt Úc, Hồ Tùng Mậu 85.000.000 VNĐ
P4: Kiểm toán & Duy trì (Tháng 9–12) Đánh giá tỷ lệ tuân thủ Báo cáo kiểm toán rác thải định kỳ; khen thưởng các chi đoàn tiêu biểu 20.000.000 VNĐ

Hạn chế và hướng phát triển

Nghiên cứu thẳng thắn ghi nhận các giới hạn học thuật cần được mở rộng:

  • Cơ cấu giới tính trong mẫu: Tỷ lệ sinh viên nữ chiếm 75.4% so với nam 24.6% (phản ánh đặc thù tuyển sinh khối ngành kinh tế nhưng có thể tạo sai số đại diện khi suy rộng cho toàn bộ khối ngành kỹ thuật/tự nhiên).
  • Phương pháp thu thập dữ liệu: Dữ liệu cắt ngang (Cross-sectional data) dựa trên bảng hỏi tự báo cáo (Self-reported survey), có thể tồn tại khoảng cách giữa ý định (Intention) và hành vi thực tế (Actual Behavior).

Hướng nghiên cứu tiếp theo:

  1. Mở rộng mô hình cấu trúc tuyến tính (SEM-PLS) để đánh giá các biến trung gian (Mediating variables) như áp lực chuẩn mực xã hội (Subjective Norms) và kiểm soát hành vi cảm nhận (PBC) theo lý thuyết TPB.
  2. Tích hợp công nghệ IoT (thùng rác thông minh tích hợp cảm biến đo thể tích và khối lượng rác tự động) để thu thập dữ liệu chuỗi thời gian (Time-series data) về hành vi phân loại thực tế.

Đối tượng hưởng lợi

  • Sinh viên đại học: Nâng cao 100% nhận thức về phân loại rác đúng quy chuẩn, hình thành lối sống xanh bền vững và tích lũy điểm rèn luyện xã hội.
  • Nhà trường & Cán bộ quản lý cơ sở vật chất: Tối ưu hóa chi phí vận hành xử lý rác thải giảng đường lên tới 35–40%, xây dựng thương hiệu đại học xanh định hướng quốc tế.
  • Doanh nghiệp thu gom & Đô thị: Nâng cao chất lượng nguyên liệu tái chế đầu vào, giảm áp lực phân loại thứ cấp tại các trạm trung chuyển rác thải Hà Nội.
  • Cộng đồng học thuật: Cung cấp bộ dữ liệu thực nghiệm chuẩn hóa và mô hình hồi quy Logit đã được kiểm định độ tin cậy ($R^2 = 0.772$, Accuracy = $88.9%$).

Câu hỏi thường gặp

1. Tại sao biến thái độ (ATTITUDE) lại bị loại khỏi mô hình hồi quy Logit cuối cùng?

Trong quá trình kiểm tra hiện tượng đa cộng tuyến bằng ma trận tương quan Pearson, biến ATTITUDE có hệ số tương quan tuyến tính rất cao với biến ATTENTION ($r = 0.748, p < 0.01$). Nếu giữ cả hai biến, mô hình sẽ vi phạm giả định độc lập, làm sai lệch dấu của hệ số hồi quy và lạm phát sai số chuẩn $S.E.$. Do đó, việc loại bỏ ATTITUDE giúp mô hình đạt độ vững tối ưu.

2. Tỷ số chênh $\text{Exp}(B) = 5.978$ của biến ATTENTION có ý nghĩa thực tế như thế nào?

$\text{Exp}(B)$ (Odds Ratio) đo lường mức độ thay đổi của tỷ số khả dĩ giữa việc "Có phân loại" so với "Không phân loại". Giá trị $5.978$ cho biết: Khi mức độ quan tâm của sinh viên đối với các vấn đề môi trường tăng thêm 1 điểm trên thang đo Likert (từ 1 đến 5), xác suất để sinh viên đó quyết định phân loại rác tại nguồn sẽ cao gấp gần 6 lần trong điều kiện các yếu tố khác không đổi.

3. Tại sao biến thu nhập (LnINC) lại mang hệ số âm trong mô hình?

Hệ số âm ($B = -1.788, p = 0.010$) trong nhóm đối tượng sinh viên phản ánh: Những sinh viên có mức trợ cấp hoặc thu nhập cá nhân cao hơn thường có xu hướng chi tiêu nhiều hơn cho các dịch vụ ăn uống mang đi (take-away, đồ dùng một lần) và ưu tiên sự tiện lợi nhanh chóng, dẫn đến việc ít dành thời gian để làm sạch và phân loại rác tại phòng ở.

4. Quy mô mẫu $N = 207$ có đảm bảo tính đại diện thống kê cho mô hình hồi quy không?

Theo các nguyên tắc thống kê kinh tế lượng (Green, 1991; Peduzzi et al., 1996), cỡ mẫu tối thiểu cho mô hình Logit nhị phân cần thỏa mãn quy tắc ít nhất 10–15 quan sát cho mỗi biến độc lập ($N \ge 10 \times k$). Với mô hình gồm 6 biến độc lập chính thức, ngưỡng tối thiểu là 60–90 mẫu. Cỡ mẫu hợp lệ $N = 207$ hoàn toàn đáp ứng độ tin cậy và kiểm soát sai số loại I và loại II.

5. Nhà trường cần ưu tiên giải pháp nào trước mắt để tăng tỷ lệ phân loại rác?

Dựa trên trọng số $B$, nhà trường cần ưu tiên chiến dịch giáo dục trực quan để nâng cao hiểu biết (KNOWLEDGE, $OR = 5.139$) và sự quan tâm (ATTENTION, $OR = 5.978$), kết hợp ban hành quy chế bắt buộc (POLICY1, $OR = 3.449$) ngay trong khuôn viên giảng đường trước khi đầu tư các hệ thống hạ tầng phức tạp đắt tiền.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Xuân Thịnh đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, cung cấp bằng chứng thực nghiệm vững chắc về hành vi phân loại CTRSH tại nguồn của sinh viên Trường Đại học Kinh tế – ĐHQGHN. Mô hình hồi quy Logit nhị phân đạt tỷ lệ dự đoán chính xác 88.9% và giải thích được 77.2% sự biến thiên của quyết định hành vi.

Kết quả khẳng định sự quan tâm tới môi trường ($\text{Exp}(B) = 5.978$), hiểu biết chuyên môn ($\text{Exp}(B) = 5.139$) và tính nghiêm minh của quy định pháp lý ($\text{Exp}(B) = 3.449$) là 3 trụ cột mang tính quyết định. Để hiện thực hóa mục tiêu phân loại chất thải theo Luật Bảo vệ môi trường 2020, các trường đại học cần khẩn trương thiết lập khung thể chế quản trị xanh, xem sinh viên là hạt nhân lan tỏa văn hóa phát triển bền vững cho toàn xã hội.