Giới thiệu dự án

Ô nhiễm không khí, đặc biệt là bụi mịn $\text{PM}{2.5}$ (các hạt vật chất có đường kính khí động học $\le 2.5,\mu\text{m}$), đang là một trong những thách thức môi trường và sức khỏe cộng đồng nghiêm trọng nhất trên phạm vi toàn cầu. Theo báo cáo từ IQAir (2020), ô nhiễm không khí gây ra khoảng 7 triệu ca tử vong sớm mỗi năm, kéo theo tổn thất kinh tế ước tính 2,9 nghìn tỷ USD (tương đương 3,3% GDP toàn cầu). Tại Việt Nam, dữ liệu từ Ngân hàng Thế giới (The World Bank, 2022) và mạng lưới trạm quan trắc chỉ ra rằng nồng độ $\text{PM}{2.5}$ trung bình tại Hà Nội giai đoạn 2016–2020 dao động từ $31.5,\mu\text{g/m}^3$ đến trên $50,\mu\text{g/m}^3$, vượt gấp 6 đến 10 lần ngưỡng khuyến nghị an toàn của WHO ($5,\mu\text{g/m}^3$) và vượt quy chuẩn kỹ thuật quốc gia QCVN 05:2013/BTNMT ($25,\mu\text{g/m}^3$). Hà Nội liên tục đứng trong nhóm các thủ đô có mức độ ô nhiễm bụi mịn cao trên thế giới (xếp thứ 12 toàn cầu năm 2020 theo IQAir).

Nồng độ PM2.5 tại Hà Nội (31.5 - 50 µg/m³) vs Chuẩn WHO (5 µg/m³)
WHO Safe Limit : [=====] 5 µg/m³
QCVN 05:2013   : [=========================] 25 µg/m³
Hà Nội Nội thành: [===============================================] 31.5 - 50 µg/m³ (Vượt 6.3x - 10x)

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ: Mặc dù mức độ ô nhiễm không khí ở mức báo động đỏ, các nghiên cứu định lượng hành vi người dân tại đô thị Việt Nam còn rất hạn chế. Các giải pháp chính sách hiện nay chủ yếu mang tính áp đặt hành chính từ trên xuống (top-down) mà thiếu sự thấu hiểu các động lực tâm lý xã hội thúc đẩy người dân tự giác tham gia giảm phát thải hoặc chủ động bảo vệ sức khỏe bản thân.

Dự án nghiên cứu đặt ra 3 mục tiêu cụ thể:

  1. Xây dựng khung lý thuyết hành vi có kế hoạch mở rộng (Extended Theory of Planned Behavior - ETPB) tích hợp biến Chuẩn mực đạo đức cá nhân (Moral Norms - MN) nhằm phân tách rõ hai nhóm hành vi: Hành vi giảm lượng phát thải bụi mịn ($\text{PRB}$) và Hành vi giảm tác động của bụi mịn đến sức khỏe ($\text{PIRB}$).
  2. Ứng dụng kỹ thuật mô hình hóa phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) để lượng hóa và kiểm định thực nghiệm mức độ tác động của các nhân tố tâm lý đến ý định và hành vi của người dân thành phố Hà Nội ($N = 328$).
  3. Đề xuất hệ thống giải pháp can thiệp hành vi dựa trên bằng chứng dữ liệu (data-driven policy interventions) cho các cơ quan quản lý đô thị, doanh nghiệp dịch vụ công và cộng đồng cư dân.

Giải pháp ứng dụng mô hình ETPB kết hợp phương pháp ước lượng PLS-SEM cho phép giải quyết bài toán phức tạp gồm nhiều biến tiềm ẩn (latent variables) mà không yêu cầu nghiêm ngặt về phân phối chuẩn của dữ liệu. Phạm vi nghiên cứu tập trung vào cư dân sinh sống tại 5 quận trọng điểm có mật độ ô nhiễm cao tại Hà Nội (Cầu Giấy, Đống Đa, Ba Đình, Hoàng Mai, Hoàn Kiếm) trong khung thời gian quý II/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi bảo vệ môi trường trước đây thường áp dụng các mô hình tâm lý đơn lẻ, bộc lộ nhiều khoảng trống khi áp dụng vào bối cảnh ô nhiễm không khí đô thị:

Mô hình lý thuyết Tác giả & Năm Ưu điểm cốt lõi Nhược điểm / Điểm nghẽn
TRA (Lý thuyết hành động hợp lý) Fishbein & Ajzen (1975) Đơn giản, mô tả trực tiếp mối quan hệ Thái độ (AT) $\to$ Ý định (BI) $\to$ Hành vi (B). Bỏ qua các rào cản về nguồn lực, kỹ năng và điều kiện kiểm soát thực tế của cá nhân.
TPB Cổ điển Ajzen (1991) Bổ sung Nhận thức kiểm soát hành vi (PBC), giải thích được rào cản khách quan. Xem nhẹ yếu tố trách nhiệm đạo đức cá nhân (Moral Norms); không phân tách giữa hành vi chủ động giảm nguồn và hành vi phòng thủ thích ứng.
NAM (Kích hoạt định mức) Schwartz (1977) Tập trung sâu vào nhận thức hậu quả và nghĩa vụ đạo đức cá nhân. Khả năng dự báo hành vi bị suy giảm khi thiếu các yếu tố kiểm soát chi phí, thời gian và áp lực xã hội.
ETPB Đề xuất (Nghiên cứu này) Đề xuất dựa trên Tsai & Tan (2022), Ru et al. (2019) Tích hợp MN vào cấu trúc TPB; phân tách độc lập 2 luồng: Giảm phát thải ($\text{PRB}$) và Giảm thiểu tác động ($\text{PIRB}$). Mô hình đa tầng phức tạp hơn, đòi hỏi quy trình kiểm định đo lường đa bước bằng PLS-SEM.

Yêu cầu phân tích dữ liệu được xác định theo mô hình phân loại MoSCoW:

  • Must-have: Kiểm định độ tin cậy thang đo (Cronbach's $\alpha \ge 0.70$, Composite Reliability $\text{CR} \ge 0.70$), tính hội tụ ($\text{AVE} \ge 0.50$), tính phân biệt (Fornell-Larcker, Cross Loadings, $\text{HTMT} < 0.85$), kiểm tra đa cộng tuyến (Inner $\text{VIF} < 3.3$), phân tích đường dẫn Path Coefficients ($\beta$, $p\text{-value} < 0.05$).
  • Should-have: Kiểm định tác động gián tiếp (Bootstrapping 5.000 mẫu lặp), đánh giá hệ số xác định ($R^2$ hiệu chỉnh) và mức độ tác động ($f^2$).
  • Could-have: Phân tích đa nhóm (MGA) theo độ tuổi, giới tính và thời gian tiếp xúc ngoài trời.
  • Won't-have: Dự báo chuỗi thời gian nồng độ bụi vật lý (chỉ tập trung vào dữ liệu tâm lý học hành vi).

Thiết kế hệ thống

Kiến trúc mô hình nghiên cứu kép (Dual-Path Structural Model) được thiết kế để xử lý đồng thời hai bài toán hành vi:

graph TD
    subgraph Model_1_PRB["Nhánh 1: Hành vi Giảm Nồng độ Bụi Mịn (PRB)"]
        MN1["Chuẩn mực đạo đức (MN)"] --> AT1["Thái độ (AT)"]
        MN1 --> SN1["Chuẩn mực chủ quan (SN)"]
        MN1 --> PBC1["Nhận thức kiểm soát (PBC)"]
        MN1 --> PRI["Ý định giảm lượng bụi (PRI)"]
        AT1 --> PRI
        SN1 --> PRI
        PBC1 --> PRI
        PBC1 --> PRB_OUT["Hành vi giảm lượng bụi (PRB)"]
        PRI --> PRB_OUT
    end

    subgraph Model_2_PIRB["Nhánh 2: Hành vi Giảm Tác động Bụi Mịn (PIRB)"]
        AT2["Thái độ (AT)"] --> SN2["Chuẩn mực chủ quan (SN)"]
        AT2 --> PIRI["Ý định giảm tác động (PIRI)"]
        SN2 --> PIRI
        PBC2 --> SN2
        PBC2 --> PIRI
        PBC2 --> PIRB_OUT["Hành vi giảm tác động (PIRB)"]
        PIRI --> PIRB_OUT
    end

Technology Stack & Tools:

  • SmartPLS v4.0.9.6: Nền tảng phân tích mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM Algorithm & Bootstrapping).
  • Python v3.10.12 (pandas v2.0.3, scipy v1.11.1, statsmodels v0.14.0, matplotlib v3.7.2): Pipeline làm sạch dữ liệu, kiểm tra ma trận phân phối và visualize biểu đồ.
  • IBM SPSS Statistics v28.0.1: Thống kê mô tả nhân khẩu học và kiểm định sơ bộ dữ liệu.
  • Google Forms Engine: Thu thập dữ liệu bảng hỏi trực tuyến mã hóa SSL/TLS 256-bit.

Cấu trúc dữ liệu khảo sát (Survey Data Schema):

Mã biến Tên biến tiềm ẩn (Latent Variable) Loại biến Thang đo Số chỉ báo (Indicators)
MN Chuẩn mực đạo đức cá nhân Độc lập Likert 5 điểm (1: Rất không đồng ý - 5: Rất đồng ý) 5 quan sát (MN1 - MN5)
AT_PR Thái độ giảm lượng bụi Trung gian Likert 5 điểm 4 quan sát (AT1 - AT4)
AT_PIR Thái độ giảm tác động Độc lập Likert 5 điểm 6 quan sát (AT5 - AT10)
SN_PR Chuẩn mực chủ quan (Giảm lượng) Trung gian Likert 5 điểm 5 quan sát (SN1 - SN5)
SN_PIR Chuẩn mực chủ quan (Giảm tác động) Độc lập/TG Likert 5 điểm 6 quan sát (SN6 - SN11)
PBC_PR Kiểm soát hành vi (Giảm lượng) Độc lập/TG Likert 5 điểm 4 quan sát (PBC1 - PBC4)
PBC_PIR Kiểm soát hành vi (Giảm tác động) Độc lập Likert 5 điểm 4 quan sát (PBC5 - PBC8)
PRI Ý định giảm lượng bụi mịn Trung gian Likert 5 điểm 7 quan sát (PRI1 - PRI7)
PIRI Ý định giảm tác động bụi mịn Trung gian Likert 5 điểm 8 quan sát (PIRI1 - PIRI8)
PRB Hành vi thực tế giảm lượng bụi Phụ thuộc Likert 5 điểm 7 quan sát (PRB1 - PRB7)
PIRB Hành vi thực tế giảm tác động Phụ thuộc Likert 5 điểm 9 quan sát (PIRB1 - PIRB9)

Methodology

Phương pháp luận nghiên cứu tuân thủ quy trình chuẩn hóa định lượng 6 bước:

  1. Thiết kế mẫu khảo sát: Áp dụng phương pháp lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling) theo 3 tiêu chí: Giới tính (Nam 50% / Nữ 50%), Độ tuổi (<22 tuổi: 36%, 23-35 tuổi: 17%, >36 tuổi: 47%), và Địa bàn cư trú (Cầu Giấy: 17.2%, Đống Đa: 25.8%, Ba Đình: 14.8%, Hoàng Mai: 32.8%, Hoàn Kiếm: 9.4%). Quy mô mẫu yêu cầu tối thiểu theo Hair et al. (2014) với tỷ lệ $5:1$ cho 65 biến quan sát là $65 \times 5 = 325$ mẫu.
  2. Thu thập dữ liệu: Kết hợp phiếu khảo sát trực tuyến qua mạng xã hội ($N_1 = 217$) và khảo sát trực tiếp tại các địa điểm công cộng như Hồ Gươm, Đại học Quốc gia Hà Nội ($N_2 = 126$), tổng thu về 343 phiếu.
  3. Làm sạch & Kiểm soát rủi ro: Loại bỏ 15 mẫu không hợp lệ do lỗi đánh một đáp án liên tục (straight-lining) hoặc đánh ziczac, thu được tập dữ liệu sạch $N = 328$ hợp lệ (đạt 100.9% kế hoạch).
  4. Đánh giá mô hình đo lường (Measurement Model): Kiểm tra hệ số tải ngoài (Outer Loadings $\ge 0.708$), Độ tin cậy nhất quán nội tại ($\text{CR} \ge 0.70$, $\text{Cronbach's }\alpha \ge 0.70$), Tính hội tụ ($\text{AVE} \ge 0.50$), và Tính phân biệt (Heterotrait-Monotrait Ratio $\text{HTMT} < 0.85$).
  5. Đánh giá mô hình cấu trúc (Structural Model): Kiểm định hiện tượng đa cộng tuyến (Inner $\text{VIF} < 3.3$), tính toán hệ số đường dẫn $\beta$ bằng thuật toán Non-parametric Bootstrapping (5.000 subsamples, mức ý nghĩa 5%, $p\text{-value} < 0.05$).
  6. Kiểm định mức độ giải thích: Tính toán $R^2$, $R^2_{\text{adj}}$ và hệ số kích thước tác động $f^2$ (0.02: nhỏ, 0.15: trung bình, 0.35: lớn).

Implementation và kết quả

Development process & Core Algorithm

Thuật toán ước lượng lặp PLS-SEM (Wold Algorithm) và quy trình kiểm định Bootstrap được mô hình hóa qua script phân tích tự động:

import numpy as np
import pandas as pd
from scipy import stats

def calculate_pls_metrics(X_indicators: np.ndarray, y_construct: np.ndarray):
    """
    Tính toán hệ số tải ngoài (Outer Loading), AVE và Composite Reliability
    X_indicators: Ma trận biến quan sát chuẩn hóa (n_samples x n_indicators)
    y_construct: Vector điểm số biến tiềm ẩn (n_samples,)
    """
    n_samples, n_items = X_indicators.shape
    loadings = np.zeros(n_items)
    
    for i in range(n_items):
        # Tính tương quan Pearson giữa chỉ báo và biến tiềm ẩn
        corr, _ = stats.pearsonr(X_indicators[:, i], y_construct)
        loadings[i] = corr
        
    # Tính AVE (Average Variance Extracted)
    ave = np.mean(loadings ** 2)
    
    # Tính Composite Reliability (CR)
    sum_loadings = np.sum(loadings)
    sum_indicator_var = np.sum(1 - loadings ** 2)
    cr = (sum_loadings ** 2) / ((sum_loadings ** 2) + sum_indicator_var)
    
    return {
        "Outer_Loadings": loadings,
        "AVE": ave,
        "Composite_Reliability": cr,
        "Is_Convergent": ave >= 0.50 and cr >= 0.70
    }

def bootstrap_path_significance(X_paths: np.ndarray, y_target: np.ndarray, n_boot: int = 5000):
    """
    Ước lượng ý nghĩa thống kê của hệ số đường dẫn qua Non-parametric Bootstrapping
    """
    n_samples = len(y_target)
    boot_betas = []
    
    for _ in range(n_boot):
        indices = np.random.choice(n_samples, size=n_samples, replace=True)
        X_sample, y_sample = X_paths[indices], y_target[indices]
        # OLS regression để ước lượng path coefficients
        beta, _, _, _ = np.linalg.lstsq(X_sample, y_sample, rcond=None)
        boot_betas.append(beta)
        
    boot_betas = np.array(boot_betas)
    mean_beta = np.mean(boot_betas, axis=0)
    std_err = np.std(boot_betas, axis=0)
    t_stat = mean_beta / std_err
    p_values = 2 * (1 - stats.norm.cdf(np.abs(t_stat)))
    
    return mean_beta, std_err, t_stat, p_values

Testing và validation

1. Đánh giá mô hình đo lường (Measurement Model Evaluation)

Kết quả kiểm định chất lượng thang đo cho cả 2 mô hình tại SmartPLS 4.0.9 đều vượt qua toàn bộ các ngưỡng tiêu chuẩn học thuật nghiêm ngặt:

Biến tiềm ẩn Số chỉ báo giữ lại Outer Loadings Cronbach's $\alpha$ Composite Reliability (CR) AVE Đánh giá
Chuẩn mực đạo đức (MN) 5 0.742 - 0.865 0.884 0.915 0.683 Đạt chuẩn
Thái độ (AT_PR) 4 0.718 - 0.841 0.812 0.876 0.638 Đạt chuẩn
Chuẩn mực chủ quan (SN_PR) 5 0.725 - 0.856 0.867 0.904 0.654 Đạt chuẩn
Kiểm soát hành vi (PBC_PR) 4 0.730 - 0.838 0.805 0.872 0.630 Đạt chuẩn
Ý định giảm lượng (PRI) 7 0.712 - 0.849 0.893 0.916 0.609 Đạt chuẩn
Hành vi giảm lượng (PRB) 7 0.709 - 0.827 0.880 0.907 0.583 Đạt chuẩn
Thái độ (AT_PIR) 6 0.721 - 0.852 0.878 0.908 0.623 Đạt chuẩn
Chuẩn mực chủ quan (SN_PIR) 6 0.715 - 0.839 0.882 0.911 0.631 Đạt chuẩn
Kiểm soát hành vi (PBC_PIR) 4 0.734 - 0.861 0.824 0.884 0.656 Đạt chuẩn
Ý định giảm tác động (PIRI) 8 0.710 - 0.844 0.908 0.926 0.612 Đạt chuẩn
Hành vi giảm tác động (PIRB) 9 0.706 - 0.835 0.915 0.930 0.598 Đạt chuẩn

Toàn bộ các chỉ số đa cộng tuyến nội bộ (Inner VIF) đều nằm trong ngưỡng an toàn từ $1.241$ đến $2.185$ (thấp hơn nhiều so với ngưỡng khắt khe $3.3$), khẳng định mô hình không bị méo mó do đa cộng tuyến.

2. Kết quả kiểm định mô hình cấu trúc (Structural Model Results)

Quá trình Bootstrapping 5.000 mẫu đã xác nhận các mối quan hệ tác động trực tiếp và gián tiếp có ý nghĩa thống kê ($p < 0.05$):

=== KẾT QUẢ MÔ HÌNH HÀNH VI GIẢM LƯỢNG BỤI MỊN (PRB) ===
MN   --> AT      (Beta = 0.412, p = 0.000) [Chấp nhận]
MN   --> SN      (Beta = 0.385, p = 0.000) [Chấp nhận]
MN   --> PBC     (Beta = 0.467, p = 0.000) [Chấp nhận]
MN   --> PRI     (Beta = 0.284, p = 0.000) [Chấp nhận]
AT   --> PRI     (Beta = 0.215, p = 0.001) [Chấp nhận]
SN   --> PRI     (Beta = 0.187, p = 0.004) [Chấp nhận]
PBC  --> PRI     (Beta = 0.321, p = 0.000) [Chấp nhận]
PRI  --> PRB     (Beta = 0.542, p = 0.000) [Chấp nhận]
PBC  --> PRB     (Beta = 0.231, p = 0.000) [Chấp nhận]
R2(PRI) = 52.4% | R2(PRB) = 48.6%

=== KẾT QUẢ MÔ HÌNH HÀNH VI GIẢM TÁC ĐỘNG BỤI MỊN (PIRB) ===
AT   --> SN      (Beta = 0.326, p = 0.000) [Chấp nhận]
AT   --> PIRI    (Beta = 0.298, p = 0.000) [Chấp nhận]
SN   --> PIRI    (Beta = 0.312, p = 0.000) [Chấp nhận]
PBC  --> PIRI    (Beta = 0.274, p = 0.000) [Chấp nhận]
PBC  --> PIRB    (Beta = 0.208, p = 0.002) [Chấp nhận]
PIRI --> PIRB    (Beta = 0.589, p = 0.000) [Chấp nhận]
R2(PIRI) = 56.1% | R2(PIRB) = 53.8%

Đổi mới và đóng góp

  1. Phân tách thực nghiệm cơ chế hành vi Kép (Dual-Behavior Paradigm): Đa số nghiên cứu môi trường trước đây gộp chung khái niệm "hành vi môi trường". Nghiên cứu này chứng minh thực nghiệm rằng động lực thúc đẩy Hành vi giảm phát thải chủ động ($\text{PRB}$) và Hành vi giảm tác động thích ứng ($\text{PIRB}$) chịu sự dẫn dắt của các biến số khác nhau. Đối với $\text{PRB}$, Chuẩn mực đạo đức ($\text{MN}$) và Nhận thức kiểm soát ($\text{PBC}$) đóng vai trò tiên quyết; trong khi đối với $\text{PIRB}$, Chuẩn mực chủ quan ($\text{SN}$) từ áp lực gia đình/truyền thông và Thái độ ($\text{AT}$) chiếm ưu thế vượt trội.
  2. Lượng hóa vai trò lan tỏa của Chuẩn mực đạo đức cá nhân ($\text{MN}$): Biến $\text{MN}$ bổ sung vào mô hình giải thích trực tiếp $28.4%$ ý định $\text{PRI}$, đồng thời giải thích gián tiếp thông qua $\text{AT}$, $\text{SN}$ và $\text{PBC}$. Tổng tác động (total effect) của $\text{MN}$ lên ý định đạt mức $\beta_{\text{total}} = 0.518$, chứng minh rằng tinh thần trách nhiệm xã hội và cảm giác tự hào/tội lỗi là đòn bẩy tâm lý mạnh nhất để khuyến khích người dân bỏ xe cá nhân sang phương tiện công cộng hoặc hạn chế đốt rơm rạ/than tổ ong.
  3. Mở rộng năng lực giải thích so với mô hình tiền nhiệm:
Tiêu chí so sánh TPB Cổ điển (Ajzen, 1991) NAM + TPB (Shi et al., 2017) Mô hình ETPB của đề tài
Số nhánh hành vi 1 nhánh chung 1 nhánh (giảm phát thải hộ gia đình) 2 nhánh độc lập (PRB & PIRB)
Sức mạnh giải thích $R^2$ Ý định $38.2% - 42.0%$ $46.5%$ $52.4%$ ($\text{PRI}$) & $56.1%$ ($\text{PIRI}$)
Sức mạnh giải thích $R^2$ Hành vi $33.0% - 37.5%$ $40.2%$ $48.6%$ ($\text{PRB}$) & $53.8%$ ($\text{PIRB}$)
Vai trò của SN Thường không có ý nghĩa ($p > 0.05$) Bị triệt tiêu khi có biến đạo đức Tác động mạnh lên ý định thích ứng ($\beta = 0.312$)

Ứng dụng thực tế và triển khai

Kịch bản can thiệp chính sách & Giải pháp thực thi

+-----------------------------------------------------------------------------------+
|                        KHUNG CAN THIỆP CHÍNH SÁCH DỰA TRÊN DỮ LIỆU                |
+-----------------------------------------------------------------------------------+
| 1. CAN THIỆP ĐẠO ĐỨC & TRÁCH NHIỆM (MN Factor)                                   |
|    - Thiết kế chiến dịch truyền thông "Không khí sạch cho thế hệ mai sau".        |
|    - Nêu bật tác động của việc đun nấu than/khí thải xe máy đến trẻ nhỏ.          |
+-----------------------------------------------------------------------------------+
| 2. CAN THIỆP KIỂM SOÁT HÀNH VI (PBC Factor)                                       |
|    - Trợ giá vé tháng Metro Cát Linh - Hà Đông & Nhổn - Ga Hà Nội.                |
|    - Mở rộng trạm xe đạp công cộng tích hợp quét mã QR tại các trạm xe buýt.      |
|    - Đơn giản hóa thủ tục đổi xe máy cũ phát thải cao lấy hỗ trợ xe điện.         |
+-----------------------------------------------------------------------------------+
| 3. CAN THIỆP CHUẨN MỰC XÃ HỘI & THÔNG TIN (SN & AT Factors)                       |
|    - Tích hợp thông tin chỉ số AQI theo thời gian thực vào ứng dụng iHanoi.      |
|    - Cảnh báo tự động vào 6h00 sáng để người dân chủ động đeo khẩu trang N95.     |
+-----------------------------------------------------------------------------------+

Lộ trình triển khai (Implementation Roadmap)

  1. Giai đoạn 1 (Tháng 1 - Tháng 3): Hoàn thiện tích hợp API dữ liệu quan trắc $\text{PM}_{2.5}$ thời gian thực từ 10+ trạm quan trắc chuẩn quốc gia vào cổng dịch vụ công trực tuyến và các ứng dụng di động công dân; ban hành hướng dẫn phân loại khẩu trang đạt chuẩn $\text{N95/KN95}$.
  2. Giai đoạn 2 (Tháng 4 - Tháng 9): Thí điểm vùng phát thải thấp (Low Emission Zone - LEZ) tại khu vực trung tâm quận Hoàn Kiếm và Ba Đình; trợ giá $30%$ cho sinh viên và người đi làm sử dụng phương tiện công cộng kết hợp xe bus điện VinBus.
  3. Giai đoạn 3 (Tháng 10 - Tháng 18): Triển khai chương trình "Trường học không khói bụi", lắp đặt hệ thống máy lọc khí trong lớp học mầm non/tiểu học tại các quận Hoàng Mai, Đống Đa; kiểm định khí thải xe máy bắt buộc định kỳ hàng năm.
  4. Giai đoạn 4 (Tháng 19 trở đi): Đánh giá tác động định lượng sau can thiệp bằng khảo sát vòng 2 (Post-intervention Survey, $N = 1.000$), tinh chỉnh hệ số mô hình dự báo hành vi theo thời gian thực.

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu được thu thập tại một thời điểm (Tháng 4/2023), chưa phản ánh được sự biến động tâm lý hành vi giữa các mùa ô nhiễm nghịch nhiệt (mùa đông) và mùa mưa trong năm tại miền Bắc.
  • Hiện tượng thiên lệch tự báo cáo (Self-reporting Bias): Người tham gia khảo sát có xu hướng trả lời theo hướng được xã hội kỳ vọng (Social Desirability Bias), khiến điểm số trung bình của Chuẩn mực đạo đức ($\text{MN}$) có thể cao hơn hành vi thực tế ngoài đời.
  • Hướng phát triển kỹ thuật:
    1. Kết hợp dữ liệu nhật ký di chuyển thời gian thực (GPS Trajectory Tracking) với API chất lượng không khí của trạm quan trắc để đo lường chính xác mức độ chuyển dịch từ xe máy sang phương tiện xanh.
    2. Xây dựng mô hình học máy (Machine Learning Classifier: Random Forest, XGBoost) trên tập dữ liệu $N > 5.000$ mẫu để phân khúc công dân và cá nhân hóa thông điệp cảnh báo ô nhiễm theo từng hồ sơ hành vi.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận bộ khung lý thuyết ETPB hoàn chỉnh, cấu trúc bảng hỏi Likert 65 biến chuẩn hóa và quy trình chạy SmartPLS 4 chuẩn mực học thuật.
  • Chuyên viên phân tích dữ liệu & Nhà nghiên cứu: Sở hữu mã nguồn thuật toán kiểm định Bootstrap, ma trận tương quan và tiêu chuẩn đánh giá mô hình đo lường theo chuẩn quốc tế Hair et al. (2019/2021).
  • Cơ quan quản lý nhà nước (Sở TN&MT Hà Nội, UBND TP Hà Nội): Có cơ sở dữ liệu định lượng tin cậy ($N = 328$) để ban hành các chính sách điều tiết giao thông đô thị và chương trình truyền thông thay đổi hành vi đạt tỷ lệ đồng thuận cao.
  • Doanh nghiệp dịch vụ công & Môi trường: Xác định chính xác nhu cầu thị trường đối với thiết bị lọc khí, khẩu trang y tế chuyên dụng chống bụi mịn và dịch vụ giao thông xanh tại thị trường thủ đô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập và chạy mô hình nghiên cứu này là gì?

Hệ thống cần máy tính chạy hệ điều hành Windows 10/11 hoặc macOS/Linux, RAM tối thiểu 8GB (khuyến nghị 16GB để chạy Bootstrapping 5.000 mẫu nhanh chóng), cài đặt phần mềm SmartPLS 4 (bản 4.0.9 trở lên) hoặc môi trường Python 3.10+ với các thư viện seminr, scipy, pandas.

2. Tại sao nghiên cứu lại chọn PLS-SEM thay vì CB-SEM (Covariance-Based SEM trong AMOS)?

PLS-SEM phù hợp tối ưu cho nghiên cứu này vì: (1) Mô hình nghiên cứu mang tính chất mở rộng, khám phá và dự báo cấu trúc mới (ETPB tích hợp biến đạo đức $\text{MN}$); (2) Dữ liệu hành vi thực tế thường không thỏa mãn tuyệt đối giả định phân phối chuẩn đa biến (Multivariate Normality); (3) Mô hình gồm cấu trúc phức tạp với 2 nhánh hành vi riêng biệt và 65 biến chỉ báo.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào các hệ thống phần mềm quản lý đô thị thông minh hiện nay?

Dữ liệu trọng số hành vi có thể tích hợp vào thuật toán gợi ý (Recommendation Engine) của ứng dụng công dân thông minh (như ứng dụng iHanoi, AirVisual). Khi chỉ số $\text{AQI} > 150$, hệ thống tự động kích hoạt thông điệp dựa trên đòn bẩy $\text{PBC}$ (gợi ý lộ trình xe buýt điện gần nhất kèm mã giảm giá vé) và đòn bẩy $\text{MN}$ (thông báo lượng khí thải tiết kiệm được khi đi lại bằng phương tiện công cộng).

4. Chi phí triển khai giải pháp can thiệp hành vi có cao không và ROI đo lường như thế nào?

Chi phí triển khai can thiệp hành vi dựa trên nền tảng kỹ thuật số (Digital Nudge) rất thấp (chủ yếu là chi phí cập nhật phần mềm và nội dung truyền thông). Tỷ suất hoàn vốn đầu tư xã hội (Social ROI) đạt mức cực cao: Giảm $10%$ nồng độ $\text{PM}_{2.5}$ thông qua chuyển dịch phương tiện cá nhân ước tính giúp giảm hàng trăm tỷ đồng chi phí điều trị y tế bệnh hô hấp và tim mạch hàng năm cho cư dân đô thị.

5. Khảo sát mẫu $N = 328$ có đảm bảo độ tin cậy đại diện cho toàn bộ dân số Hà Nội không?

Mẫu $N = 328$ hoàn toàn đáp ứng tiêu chuẩn thống kê quốc tế của Hair et al. ($5:1$ trên số biến quan sát). Đồng thời, phương pháp phân tầng ngẫu nhiên theo đúng tỷ lệ nhân khẩu học thực tế của Tổng cục Thống kê (về giới tính, 3 nhóm tuổi và 5 địa bàn quận ô nhiễm trọng điểm) đảm bảo tính đại diện khoa học cao cho nhóm dân cư chịu tác động trực tiếp tại vùng lõi đô thị Hà Nội.

Kết luận

Khóa luận tốt nghiệp đã ứng dụng xuất sắc Lý thuyết hành vi có kế hoạch mở rộng (ETPB) kết hợp kỹ thuật phân tích PLS-SEM tiên tiến để giải mã toàn diện bức tranh tâm lý và hành vi ứng phó với bụi mịn $\text{PM}_{2.5}$ của người dân thủ đô Hà Nội. Nghiên cứu đã chứng minh rằng: Để giảm phát thải bụi mịn lâu dài, chính quyền cần đánh trúng vào Chuẩn mực đạo đức cá nhân ($\text{MN}$) và dỡ bỏ các rào cản về Kiểm soát hành vi ($\text{PBC}$); đồng thời, để nâng cao năng lực tự bảo vệ của người dân trước không khí ô nhiễm, cần tăng cường sức ép từ Chuẩn mực chủ quan ($\text{SN}$) và minh bạch hóa thông tin chỉ số AQI. Đây chính là kim chỉ nam khoa học vững chắc giúp các nhà hoạch định chính sách xây dựng một Hà Nội xanh, bền vững và an toàn cho sức khỏe cộng đồng.