Phân Tích Các Yếu Tố Ảnh Hưởng Đến Ý Định Sử Dụng Ứng Dụng Gọi Xe Công Nghệ Trong Bối Cảnh Đại Dịch COVID-19 Tại Hà Nội

Tóm tắt nghiên cứu (Research Summary)

Công trình nghiên cứu khoa học sinh viên năm 2022 của nhóm tác giả Nguyễn Minh Hào, Tống Khánh Linh, Lê Thị Mai Hương (Viện Quản trị Kinh doanh, Trường Đại học Kinh tế – Đại học Quốc gia Hà Nội), dưới sự hướng dẫn của ThS. Hoàng Đàm Lương Thúy, tập trung giải quyết câu hỏi nghiên cứu cốt lõi: Những nhân tố nào tác động trực tiếp và mang tính quyết định đến ý định sử dụng ứng dụng gọi xe công nghệ của khách hàng tại Hà Nội trong giai đoạn khủng hoảng y tế do đại dịch COVID-19?

Về mặt phương pháp luận, nghiên cứu tổng hợp và mở rộng các mô hình hành vi kinh điển bao gồm Mô hình Hành động Hợp lý (TRA), Thuyết Hành vi Dự định (TPB) và Mô hình Chấp nhận Công nghệ (TAM). Dữ liệu định lượng được thu thập từ $185$ khách hàng hợp lệ tại khu vực Hà Nội thông qua kết hợp khảo sát trực tuyến và trực tiếp. Quy trình xử lý dữ liệu được tiến hành trên phần mềm SPSS 26 qua các bước: Thống kê mô tả, kiểm định độ tin cậy thang đo (Cronbach's Alpha), Phân tích Nhân tố Khám phá (EFA) và Phân tích Hồi quy Đa biến.

Kết quả thực nghiệm chỉ ra mô hình hồi quy giải thích được 52,1% sự biến thiên của ý định sử dụng ($R^2 \text{ hiệu chỉnh} = 0,521$). Trong đó, 3 nhân tố có tác động mang ý nghĩa thống kê bao gồm:

  1. Chuẩn chủ quan (Subjective Norms - $\beta = 0,283$): Yếu tố tác động thuận chiều mạnh nhất.
  2. Lợi ích kinh tế (Economic Benefits - $\beta = 0,237$): Tác động tích cực đến quyết định đặt chuyến.
  3. Nhận thức rủi ro (Perceived Risk - $\beta = -0,203$): Rào cản tâm lý tác động nghịch chiều đáng kể.

Ngược lại, Nhận thức sự hữu ích (PU) và Tính dễ sử dụng (PEOU) không đạt mức ý nghĩa thống kê trong phương trình hồi quy cuối cùng. Kết quả này cung cấp hàm ý quản trị quan trọng cho các doanh nghiệp gọi xe (Grab, Be, Gojek) trong việc định vị chiến lược an toàn, tối ưu hóa chính sách giá và thúc đẩy truyền thông dựa trên ảnh hưởng xã hội.

Bối cảnh và tầm quan trọng (Context & Significance)

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã định hình lại căn bản bức tranh ngành giao thông vận tải đô thị. Tại Việt Nam, các nền tảng gọi xe công nghệ (ride-hailing platforms) như Grab, Be, Gojek và trước đây là Uber, Vato đã chuyển đổi hoàn toàn thói quen đi lại của người dân, từng bước thay thế phương thức vận tải truyền thống nhờ tính tiện lợi, minh bạch hành trình và tích hợp thanh toán số.

Tuy nhiên, sự bùng phát của đại dịch COVID-19 từ đầu năm 2020 đã tạo ra cú sốc chưa từng có đối với lĩnh vực kinh tế chia sẻ. Các đợt giãn cách xã hội nghiêm ngặt, quy định kiểm soát dịch tễ cùng tâm lý lo ngại lây nhiễm chéo tại không gian kín khiến nhu cầu di chuyển sụt giảm đột ngột. Để tồn tại, các hãng gọi xe buộc phải tái cấu trúc dịch vụ: chuyển dịch từ chuyên chở hành khách sang giao vận hàng hóa/thực phẩm (GrabExpress, GrabFood, BeDelivery), đồng thời phát triển các giải pháp bảo vệ y tế chuyên sâu (GrabCar Protect với vách ngăn và quy tắc 5K, GoCar trang bị công nghệ lọc khí Plasmacluster ion, chiến dịch hỗ trợ cộng đồng của Be).

Khoảng trống nghiên cứu (Research Gap): Phần lớn các công trình nghiên cứu trước đây về ứng dụng gọi xe tại Việt Nam và quốc tế chủ yếu triển khai trong điều kiện thị trường bình thường, tập trung vào góc độ tiện ích công nghệ thuần túy (TAM). Nghiên cứu về hành vi người tiêu dùng trong điều kiện khủng hoảng sức khỏe cộng đồng kéo dài còn rất hạn chế. Đề tài này lấp đầy khoảng trống đó khi tích hợp yếu tố rủi ro dịch bệnh và chính sách kiểm soát của Nhà nước vào hệ quy chiếu hành vi của khách hàng tại đô thị đặc thù như Hà Nội.

Phương pháp tiếp cận và Thiết kế nghiên cứu (Methodology & Approach)

Nghiên cứu ứng dụng cách tiếp cận hỗn hợp, kết hợp nghiên cứu định tính sơ bộ nhằm hiệu chỉnh thang đo và nghiên cứu định lượng chính thức để kiểm định mô hình.

1. Khung lý thuyết và Giả thuyết nghiên cứu

Mô hình kế thừa nền tảng từ TRA (Ajzen & Fishbein, 1975), TPB (Ajzen, 1991) và TAM (Davis, 1989), đồng thời bổ sung các biến ngoại sinh phản ánh thực tế dịch bệnh:

  • $H_1$: Nhận thức sự hữu ích (PU) tác động tích cực đến Ý định sử dụng (ITU).
  • $H_2$: Nhận thức tính dễ sử dụng (PEOU) tác động tích cực đến Ý định sử dụng (ITU).
  • $H_3$: Chuẩn chủ quan (SN) tác động tích cực đến Ý định sử dụng (ITU).
  • $H_4$: Lợi ích kinh tế (EB) tác động tích cực đến Ý định sử dụng (ITU).
  • $H_5$: Nhận thức về rủi ro (PR) tác động đáng kể đến Ý định sử dụng (ITU).
  • $H_6$: Chính sách của Nhà nước (PS) tác động tích cực đến Ý định sử dụng (ITU).

2. Thu thập dữ liệu và Cỡ mẫu

  • Phương pháp lấy mẫu: Mẫu phi xác suất thuận tiện (Convenience Sampling).
  • Kích thước mẫu: Thu về $185$ phiếu điều tra hợp lệ trong tháng 01/2022 tại Hà Nội, đáp ứng quy tắc $n \ge 5 \times m$ (với $m = 30$ biến quan sát ban đầu đòi hỏi tối thiểu $150$ quan sát theo Bollen, 1989 và Hair et al., 2010).
  • Công cụ đo lường: Thang đo Likert 5 mức độ ($1$: Hoàn toàn không đồng ý đến $5$: Hoàn toàn đồng ý).

3. Kỹ thuật phân tích dữ liệu

  • Kiểm định độ tin cậy: Hệ số Cronbach’s Alpha của tất cả các nhóm thang đo đều đạt từ $0,846$ đến $0,921$ ($\ge 0,8$), hệ số tương quan biến - tổng (Corrected Item-Total Correlation) đều $> 0,3$.
  • Phân tích EFA: Hệ số $\text{KMO} = 0,943$ ($> 0,5$), kiểm định Bartlett có $\text{Sig.} = 0,000$, tổng phương sai trích đạt chuẩn. Qua phân tích, nhóm tác giả loại bỏ biến chính sách (PS) và các mục PR5, PR6 do không hội tụ chuẩn, giữ lại 6 nhân tố rõ ràng.
  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} < 4$ (dao động từ $2,152$ đến $2,818$), chứng minh không xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập.

Phát hiện chính của nghiên cứu (Key Findings)

Dựa trên phân tích hồi quy đa biến với biến phụ thuộc là Ý định sử dụng ứng dụng gọi xe công nghệ ($\text{ITU}$), phương trình hồi quy chuẩn hóa được xác lập:

$$\text{ITU} = 0,283 \times \text{SN} + 0,237 \times \text{EB} - 0,203 \times \text{PR} + e$$

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Hệ số chuẩn hóa ($\beta$) Mức ý nghĩa ($p$-value) Kết luận giả thuyết
Chuẩn chủ quan (SN) $0,272$ $0,283$ $0,000$ Chấp nhận $H_3$ (Tác động mạnh nhất)
Lợi ích kinh tế (EB) $0,256$ $0,237$ $0,004$ Chấp nhận $H_4$ (Tác động thuận chiều)
Nhận thức rủi ro (PR) $-0,222$ $-0,203$ $0,007$ Chấp nhận $H_5$ (Tác động nghịch chiều)
Nhận thức hữu ích (PU) $0,176$ $0,150$ $0,082$ Bác bỏ ở mức $\alpha = 0,05$
Tính dễ sử dụng (PEOU) $-0,039$ $-0,031$ $0,684$ Bác bỏ ở mức $\alpha = 0,05$ 
                       Tác động đến Ý định Sử dụng (Beta)
                      
Chuẩn chủ quan (SN)     [==============================] +0.283 (p = 0.000)
Lợi ích kinh tế (EB)    [========================]       +0.237 (p = 0.004)
Nhận thức rủi ro (PR)   [---------------------]          -0.203 (p = 0.007)
                      -0.3    -0.2    -0.1     0     +0.1    +0.2    +0.3

1. Chuẩn chủ quan là động lực thúc đẩy quan trọng nhất ($\beta = 0,283$)

Trong giai đoạn khủng hoảng bất định, người tiêu dùng có xu hướng phụ thuộc cao vào thông tin, lời khuyên và trải nghiệm từ những người có ảnh hưởng (gia đình, bạn bè, đồng nghiệp). Khi người thân xác nhận một nền tảng gọi xe là an toàn và tuân thủ phòng dịch, rào cản tâm lý của khách hàng được giải tỏa nhanh chóng.

2. Lợi ích kinh tế duy trì vai trò kích cầu chủ đạo ($\beta = 0,237$)

Bối cảnh đại dịch gây áp lực suy giảm thu nhập diện rộng. Người tiêu dùng trở nên nhạy cảm hơn về giá. Khả năng so sánh cước phí trực tiếp, tận dụng mã khuyến mãi và chi phí thấp hơn so với việc duy trì phương tiện cá nhân hoặc taxi truyền thống là yếu tố quyết định hành vi tiêu dùng.

3. Nhận thức rủi ro là rào cản kéo lùi ý định sử dụng ($\beta = -0,203$)

Rủi ro trong nghiên cứu này bao gồm nguy cơ gian lận cước, kỹ năng lái xe không an toàn, nguy cơ an ninh cá nhân và đặc biệt là rủi ro lây lan dịch bệnh tại không gian kín của phương tiện. Cảm nhận rủi ro càng cao, người dùng càng có xu hướng hạn chế di chuyển hoặc chuyển sang phương tiện cá nhân.

4. Phát hiện bất ngờ: Sự bão hòa của Tính hữu ích (PU) và Tính dễ sử dụng (PEOU)

Khác với các nghiên cứu giai đoạn trước (khi ứng dụng gọi xe mới gia nhập thị trường), PU ($p = 0,082$) và PEOU ($p = 0,684$) không còn tác động mang tính quyết định trong mô hình hồi quy. Lý giải thực tiễn: Giao diện smartphone và thao tác đặt xe đã trở thành kỹ năng phổ thông đối với cư dân đô thị Hà Nội (với $73%$ mẫu khảo sát là sinh viên/người trẻ). Khách hàng không còn xem "dễ dùng" là lợi thế cạnh tranh mà coi đó là điều kiện mặc định.

5. Thị phần ứng dụng trong mẫu nghiên cứu

  • Grab: Chiếm vị trí dẫn đầu tuyệt đối với $47%$ thị phần lựa chọn.
  • Be: Xếp thứ hai với $27%$, khẳng định sự vươn lên mạnh mẽ của ứng dụng thuần Việt.
  • Gojek: Chiếm $25,9%$, duy trì lượng người dùng trung thành ổn định.

Đóng góp khoa học và Hàm ý thực tiễn (Contributions & Implications)

Đóng góp về mặt lý luận (Theoretical Contributions)

  • Tích hợp mô hình đa chiều trong điều kiện khủng hoảng: Nghiên cứu đã chứng minh tính linh hoạt của việc kết hợp TRA, TPB và TAM khi bổ sung biến số rủi ro dịch tễ học và phúc lợi kinh tế.
  • Tái đánh giá vai trò của TAM: Cung cấp bằng chứng thực nghiệm cho thấy tại các thị trường công nghệ đã trưởng thành, các biến số công nghệ truyền thống (PU, PEOU) sẽ nhường vai trò chi phối cho các biến số xã hội (Chuẩn chủ quan) và nhận thức rủi ro.

Hàm ý quản trị cho doanh nghiệp gọi xe (Managerial Implications)

  1. Chiến lược "Truyền thông lan tỏa" (Word-of-Mouth Marketing): Thiết kế chương trình giới thiệu người dùng (Referral Program) tặng mã giảm giá cho cả người giới thiệu và người nhận; tận dụng sức mạnh gia đình/bạn bè để gia tăng lòng tin.
  2. Tiêu chuẩn hóa an toàn dịch tễ & an ninh: Tiếp tục duy trì các tiêu chuẩn xe bảo vệ (vách ngăn, khử khuẩn định kỳ, minh bạch thông tin tiêm chủng tài xế trên app) nhằm triệt tiêu biến số Nhận thức rủi ro.
  3. Chính sách định giá linh hoạt: Xây dựng các gói hội viên tiết kiệm, chính sách đồng giá giờ thấp điểm để củng cố biến số Lợi ích kinh tế cho nhóm đối tượng nhạy cảm về giá (học sinh, sinh viên chiếm đa số).

Hàm ý cho cơ quan quản lý nhà nước (Policy Implications)

  • Thiết lập khung pháp lý rõ ràng về quản lý giá cước và thuế đối với mô hình kinh doanh chia sẻ.
  • Ban hành quy chuẩn dịch tễ và an toàn kỹ thuật phương tiện thống nhất cho các đơn vị vận tải công nghệ trong các kịch bản ứng phó y tế khẩn cấp.

Đối tượng quan tâm và Giá trị ứng dụng (Target Audience)

  • Giảng viên, Học viên & Sinh viên khối ngành Kinh tế, Marketing, Hệ thống thông tin: Tài liệu tham khảo chuẩn mực về cấu trúc đề tài NCKH, phương pháp định lượng SPSS, kiểm định Cronbach's Alpha, EFA và hồi quy OLS.
  • Giám đốc tiếp thị (CMO) và Chuyên viên phát triển sản phẩm (Product Owner) tại các hãng công nghệ: Căn cứ dữ liệu để điều chỉnh ngân sách khuyến mại, truyền thông thương hiệu gắn liền với an toàn và trải nghiệm tin cậy.
  • Các nhà hoạch định chính sách giao thông vận tải: Dữ liệu thực chứng về hành vi di chuyển đô thị, hỗ trợ định hình chính sách điều tiết thị trường xe công nghệ hài hòa với giao thông công cộng.

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của công trình nghiên cứu này là gì?

Phát hiện quan trọng nhất là Chuẩn chủ quan ($\beta = 0,283$) và Lợi ích kinh tế ($\beta = 0,237$) là hai lực đẩy lớn nhất, trong khi Nhận thức rủi ro ($\beta = -0,203$) là rào cản kéo lùi ý định đặt xe công nghệ tại Hà Nội. Các yếu tố giao diện công nghệ như "tính dễ dùng" không còn là yếu tố quyết định hành vi.

2. Phương pháp nghiên cứu của đề tài có điểm gì nổi bật?

Nghiên cứu kết hợp hài hòa giữa cơ sở lý thuyết hàn lâm (TRA, TPB, TAM) với dữ liệu thực nghiệm bối cảnh thực tế. Thang đo được kiểm định độ tin cậy nghiêm ngặt với hệ số Cronbach’s Alpha đều $> 0,84$ và hệ số $\text{KMO} = 0,943$, đảm bảo độ tin cậy cao cho phân tích nhân tố khám phá EFA.

3. Kết quả nghiên cứu có thể khái quát hóa (generalize) cho toàn bộ thị trường không?

Kết quả phản ánh chính xác phân khúc khách hàng trẻ, sinh viên và nhân viên văn phòng tại đô thị lớn như Hà Nội. Tuy nhiên, khi áp dụng cho các thành phố cấp tỉnh hoặc nhóm khách hàng trung niên/cao tuổi, cần tái kiểm định do sự khác biệt về năng lực tài chính và thói quen công nghệ.

4. Hướng nghiên cứu mở rộng tiếp theo (Next Steps) có thể là gì?

Các nghiên cứu tiếp theo có thể mở rộng kích thước mẫu ($N > 500$), mở rộng không gian khảo sát (so sánh Hà Nội và TP.HCM), hoặc sử dụng mô hình Cấu trúc tuyến tính (SEM/PLS-SEM) để phân tích sâu hơn các biến trung gian như Sự hài lòng (Customer Satisfaction) và Niềm tin (Trust).

5. Doanh nghiệp gọi xe nên ưu tiên giải pháp nào ngay lúc này?

Doanh nghiệp cần tập trung vào chiến lược kép: Truyền thông an toàn (giảm nhận thức rủi ro) kết hợp Tối ưu hóa giá trị kinh tế (gói cước minh bạch, tiết kiệm) thay vì chỉ đổ dồn nguồn lực vào làm mới giao diện ứng dụng.

Kết luận (Conclusion)

Báo cáo nghiên cứu khoa học "Các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng yêu cầu xe công nghệ của khách hàng Hà Nội trong đại dịch COVID-19" đã giải mã thành công cơ chế tâm lý và hành vi tiêu dùng dịch vụ vận tải số trong giai đoạn khủng hoảng. Bằng việc định lượng hóa sức nặng của Chuẩn chủ quan, Lợi ích kinh tế và Nhận thức rủi ro, công trình không chỉ làm phong phú thêm kho tàng nghiên cứu ứng dụng công nghệ tại Việt Nam mà còn là kim chỉ nam thực tiễn cho các doanh nghiệp gọi xe trong quá trình xây dựng chiến lược phục hồi và tăng trưởng bền vững hậu đại dịch.