Giới thiệu dự án

Thị trường bảo hiểm nhân thọ (BHNT) tại Việt Nam đang trải qua giai đoạn chuyển giao chiến lược từ mở rộng quy mô bề rộng sang củng cố chất lượng tăng trưởng và tối ưu hóa trải nghiệm khách hàng. Theo thống kê của Hiệp hội Bảo hiểm Việt Nam (IAV), tỷ lệ thâm nhập bảo hiểm nhân thọ trên GDP tại Việt Nam hiện dao động quanh ngưỡng 1.6% - 1.9%, thấp hơn đáng kể so với mức trung bình 3.5% của khu vực ASEAN và 6.8% toàn cầu. Tại các đô thị phát triển như Hà Nội, nơi mật độ dân cư tập trung cao và thu nhập bình quân đầu người tăng trưởng ổn định, nhu cầu bảo vệ tài chính trước rủi ro tử kỳ, thương tật toàn bộ vĩnh viễn (TTBVV) và lập quỹ hưu trí tăng nhanh. Tuy nhiên, rào cản về mức độ am hiểu sản phẩm, tính minh bạch của tư vấn viên và sự phân bổ ngân sách dự phòng khiến tỷ lệ chuyển đổi từ ý định mua thành quyết định thực tế còn nhiều hạn chế.

Công ty TNHH Bảo hiểm Nhân thọ Sun Life Việt Nam (Sun Life Financial Canada đầu tư 100% vốn từ năm 2016) sở hữu vốn điều lệ 16.480 tỷ đồng (xếp thứ 2 toàn thị trường). Mặc dù đạt tăng trưởng doanh thu 16.6%, lợi nhuận trước thuế tăng 19.0% và chi trả bồi thường 2.8 nghìn tỷ đồng trong năm 2022 với tổng tài sản đạt 39.707 tỷ đồng, độ nhận diện thương hiệu của Sun Life tại Hà Nội vẫn đối mặt với sự cạnh tranh gay gắt từ các doanh nghiệp lâu năm như Prudential hay Manulife.

Vấn đề nghiên cứu thực tế

Khoảng trống cốt lõi trong phân tích hành vi tiêu dùng tài chính nằm ở việc các mô hình truyền thống thường mặc định khách hàng luôn có hành vi duy lý và mức độ hiểu biết tương đồng. Đề tài tập trung giải quyết các điểm nghẽn (pain points):

  • Thiếu khung định lượng chuẩn hóa đo lường mức độ tác động đa biến giữa Nhận thức giá trị, Niềm tin thương hiệu, Năng lực tư vấn viên và Hiểu biết tài chính đến quyết định mua sản phẩm bảo hiểm trọn đời (Universal Life - UL).
  • Khách hàng tại đô thị có thu nhập 15 - 25 triệu VNĐ/tháng gặp rào cản tâm lý về chi phí đóng phí cơ bản dài hạn và rủi ro thanh khoản hợp đồng.
  • Tỷ lệ chuyển đổi từ ý định (purchase intention) sang hành vi mua thực tế (actual purchase behavior) bị đứt gãy do chất lượng dịch vụ đại lý và tính phức tạp của điều khoản loại trừ.

Mục tiêu dự án

  1. Xác định và lượng hóa hệ thống nhân tố tác động đến ý định và quyết định mua BHNT Sun Life của người dân Hà Nội.
  2. Xây dựng thang đo Likert 5 điểm chuẩn hóa gồm 29 biến quan sát kế thừa từ các khung lý thuyết kinh tế lượng hành vi.
  3. Kiểm định độ tin cậy thang đo (Cronbach's Alpha), cấu trúc nhân tố (Exploratory Factor Analysis - EFA) và mô hình hồi quy tuyến tính bội (Ordinary Least Squares - OLS).
  4. Đề xuất chiến lược tối ưu hóa kênh phân phối đại lý, thiết kế sản phẩm bổ sung (SPBS) và truyền thông thương hiệu với lộ trình cụ thể.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng khảo sát: 180 mẫu hợp lệ từ cư dân sinh sống và làm việc tại Hà Nội trong độ tuổi 25 - 45 tuổi (nhóm dân số bắt đầu lập gia đình, giữ vai trò trụ cột tài chính).
  • Thời gian thực hiện: Dữ liệu khảo sát sơ cấp thu thập trong giai đoạn tháng 03/2023 - tháng 04/2023.
  • Giới hạn: Phương pháp chọn mẫu thuận tiện (convenience sampling) tập trung tại khu vực đô thị nội thành Hà Nội; mô hình chưa tính toán chi tiết tác động của yếu tố công nghệ số hóa (Insurtech platform).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình Nhân khẩu học Cơ bản Khung Lý thuyết Đơn lẻ (TRA/TPB) Mô hình Đề xuất Tích hợp TPB - MODE Framework
Phương pháp luận Thống kê mô tả phần trăm, phân tích tần số chéo Khảo sát thái độ và chuẩn chủ quan theo tuyến tính chuẩn Tích hợp nhận thức kiểm soát, năng lực tư vấn và thương hiệu
Ưu điểm Đơn giản, dễ thu thập dữ liệu thô Giải thích được tâm lý hành vi có kế hoạch Bắt trọn quá trình kích hoạt thái độ tự động lẫn có chủ ý
Nhược điểm Bỏ qua động cơ tâm lý và rào cản kiến thức tài chính Không định lượng hóa được tác động của kênh đại lý phân phối Đòi hỏi xử lý dữ liệu chặt chẽ qua EFA và hồi quy đa biến
Mức độ tương thích Thấp ($R^2 < 0.25$) Trung bình ($R^2 \approx 0.35 - 0.45$) Cao ($R^2_{adj} > 0.55$, hệ số VIF $< 2.0$)

Yêu cầu hệ thống và Phân tích MoSCoW

  • Must-have: Khung thang đo đo lường 5 nhân tố độc lập (NTGT, TVV, THCT, HBTC, CMCQ), 1 biến trung gian (YDM) và 1 biến phụ thuộc (QDM); kiểm định độ hội tụ EFA với KMO $> 0.5$, tổng phương sai trích $> 50%$.
  • Should-have: Mô hình hồi quy tuyến tính bội OLS kiểm soát đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 2.0$, Durbin-Watson trong khoảng $1.5 - 2.5$.
  • Could-have: Phân tích phương sai một yếu tố (One-Way ANOVA) và Independent Samples T-test đánh giá sự khác biệt theo độ tuổi, thu nhập, tình trạng hôn nhân.
  • Won't-have (giai đoạn này): Phân tích mô hình cấu trúc tuyến tính bình quân bình phương nhỏ nhất từng phần (PLS-SEM) cho chuỗi dữ liệu bảng đa quốc gia.

Kiến trúc Luồng Xử lý Dữ liệu Kinh tế lượng

Technology Stack và Thông số Kỹ thuật

  • Data Processing Engine: IBM SPSS Statistics Version 20.0 (Core Analysis Engine).
  • Python Analytical Environment (Validation Stack): Python v3.10.12, pandas v2.1.4, statsmodels v0.14.1, scikit-learn v1.3.2, factor_analyzer v0.5.0.
  • Survey Interface: Google Forms Enterprise API v1 / Microsoft Excel 2021 Data Connector.
  • Security & Compliance: Tuân thủ nguyên tắc ẩn danh dữ liệu khảo sát (Anonymized Data Matrix), mã hóa biến số định danh khách hàng theo chuẩn AES-256 trong lưu trữ sơ cấp.

Implementation và kết quả

Quy trình Xây dựng và Mã hóa Thang đo

Mô hình hồi quy tổng quát được thiết lập dưới dạng:

$$QDM = \beta_0 + \beta_1 \cdot NTGT + \beta_2 \cdot TVV + \beta_3 \cdot THCT + \beta_4 \cdot HBTC + \beta_5 \cdot CMCQ + \beta_6 \cdot YDM + \epsilon$$

Trong đó:

  • $NTGT$ (Nhận thức giá trị BHNT): 5 biến quan sát (NTGT1 - NTGT5) kế thừa từ L. Pham & Phan (2015).
  • $TVV$ (Năng lực tư vấn viên): 4 biến quan sát (TVV1 - TVV4) kế thừa từ Nguyen & Nguyen (2015).
  • $THCT$ (Thương hiệu công ty): 4 biến quan sát (THCT1 - THCT4) kế thừa từ Do & Pham (2019).
  • $HBTC$ (Hiểu biết tài chính): 5 biến quan sát (HBTC1 - HBTC5) kế thừa từ L. Pham & Phan (2015).
  • $YDM$ (Ý định mua BHNT): 5 biến quan sát (YDM1 - YDM5) kế thừa từ Nguyen Tien Dung (2015).
  • $QDM$ (Quyết định mua BHNT): 5 biến quan sát (QDM1 - QDM5) kế thừa từ Vu Hung Nguyen (2016), Ajzen & Fishbein (2005).
import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Pipeline xử lý dữ liệu kinh tế lượng cho khảo sát Sun Life Hà Nội
def run_econometric_pipeline(dataset_path: str):
    # 1. Load và làm sạch dữ liệu khảo sát (N = 180)
    df = pd.read_csv(dataset_path)
    
    # 2. Tính hệ số tương quan Cronbach's Alpha nội tại
    def calculate_cronbach_alpha(item_scores: pd.DataFrame) -> float:
        item_scores = np.asarray(item_scores)
        item_vars = item_scores.var(axis=0, ddof=1)
        total_var = item_scores.sum(axis=1).var(ddof=1)
        k = item_scores.shape[1]
        return float((k / (k - 1)) * (1 - (item_vars.sum() / total_var)))
    
    # 3. Phân tích nhân tố khám phá EFA (Principal Component Method with Varimax Rotation)
    efa_features = df.filter(regex='^(NTGT|TVV|THCT|HBTC|CMCQ|YDM)')
    fa = FactorAnalyzer(n_factors=6, rotation="varimax", method="principal")
    fa.fit(efa_features)
    loadings = fa.loadings_
    
    # 4. Ước lượng mô hình hồi quy tuyến tính OLS
    X = df[['NTGT', 'TVV', 'THCT', 'HBTC', 'CMCQ', 'YDM']]
    X = sm.add_constant(X)
    y = df['QDM']
    
    ols_model = sm.OLS(y, X).fit()
    
    # 5. Kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF
    vif_matrix = pd.DataFrame()
    vif_matrix["Variable"] = X.columns
    vif_matrix["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return {
        "summary": ols_model.summary(),
        "loadings": loadings,
        "vif": vif_matrix
    }

Kết quả Kiểm định Định lượng Thực nghiệm

1. Thống kê mô tả mẫu nghiên cứu ($N = 180$)

  • Giới tính: Nam giới chiếm 112 người (62.2%), Nữ giới chiếm 68 người (37.8%).
  • Cơ cấu độ tuổi: Nhóm tuổi 31 - 35 chiếm tỷ trọng vượt trội với 102 người (56.6%); 26 - 30 tuổi đạt 35 người (19.4%); 20 - 25 tuổi đạt 20 người (11.1%); 36 - 40 tuổi đạt 15 người (8.3%); 41 - 45 tuổi đạt 8 người (4.6%).
  • Tình trạng hôn nhân: Đã kết hôn chiếm 110 người (61.1%), độc thân đạt 70 người (38.9%).
  • Mức thu nhập hàng tháng: Thu nhập từ 15 - 24.9 triệu đồng chiếm ưu thế với 68 người (37.7%); 10 - 14.9 triệu đồng đạt 39 người (21.6%); 25 - 49.9 triệu đồng đạt 36 người (20.0%); 6.1 - 9.9 triệu đồng đạt 25 người (13.8%); dưới 6 triệu đồng chiếm 7 người (3.8%) và trên 50 triệu đồng chiếm 5 người (3.1%).

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

Thang đo biến tiềm ẩn Số biến quan sát Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất ($r_{it}$) Đánh giá độ tin cậy
Nhận thức giá trị (NTGT) 4 (loại NTGT4) 0.847 0.519 (NTGT5) Đạt chuẩn ($> 0.70$)
Năng lực tư vấn viên (TVV) 4 0.862 0.612 (TVV4) Đạt chuẩn cao
Thương hiệu công ty (THCT) 3 (loại THCT1) 0.787 0.584 (THCT3) Đạt chuẩn ($> 0.70$)
Hiểu biết tài chính (HBTC) 4 (loại HBTC3) 0.822 0.575 (HBTC1) Đạt chuẩn
Ý định mua BHNT (YDM) 4 (loại YDM4) 0.814 0.457 (YDM1) Đạt chuẩn
Quyết định mua BHNT (QDM) 5 0.856 0.562 (QDM3) Đạt chuẩn cao

3. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO and Bartlett's Test: Hệ số $\text{KMO} = 0.792 > 0.5$, kiểm định Bartlett có giá trị thống kê Chi-square đạt mức ý nghĩa Sig. $= 0.000 < 0.05$, chứng minh các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Cumulative Variance Explained): Đạt 64.82% ($> 50%$), cho thấy 6 nhân tố trích xuất giải thích được 64.82% độ biến thiên của bộ dữ liệu gốc.
  • Eigenvalues: Tất cả 6 nhân tố đều có chỉ số Eigenvalue $> 1.25$, hệ số tải nhân tố (Factor Loading) của các biến đều $> 0.55$, không xuất hiện biến suy biến hay tải chéo phức tạp.

Đổi mới và đóng góp

Điểm mới trong Phương pháp luận và Bằng chứng Thực nghiệm

  1. Giải quyết khoảng trống nhận thức thực tế: Khác biệt với các nghiên cứu trước đây (Truong Thi Thuy Trang, 2015; Quang V. Nguyen, 2017) chỉ tập trung vào biến nhân khẩu học tĩnh, đề tài tích hợp mô hình cấu trúc thái độ MODE của Fazio (1990) và TPB của Ajzen (2005) vào thị trường BHNT thực tế tại Hà Nội.
  2. Lượng hóa vai trò điều tiết của Năng lực Tư vấn viên: Nghiên cứu chứng minh rằng yếu tố Tư vấn viên (TVV) tác động trực tiếp mạnh mẽ nhất đến quyết định ký hợp đồng thực tế ($\beta = 0.312, p < 0.01$), vượt trên yếu tố Nhận thức giá trị đơn thuần.
  3. Phát hiện nhóm khách hàng mục tiêu chiến lược: Phân tích phương sai chứng minh nhóm khách hàng từ 31 - 35 tuổi đã kết hôn và có mức thu nhập từ 15 - 25 triệu VNĐ sở hữu mức độ sẵn sàng chuyển hóa từ ý định sang quyết định mua cao hơn 42.5% so với nhóm 20 - 25 tuổi độc thân.
Tiêu chí Đánh giá Nghiên cứu Truyền thống (Lê Văn Hiển, 2017) Nghiên cứu Tỉnh lẻ (Nguyễn Đức Toàn, 2019) Mô hình Đề tài Sun Life Hà Nội (2023)
Cơ sở dữ liệu Hồi quy OLS biến vĩ mô Dữ liệu bảng cấp tỉnh (Panel Data) Khảo sát vi mô sâu tại đô thị trọng điểm ($N=180$)
Độ bao phủ biến tâm lý Thấp (chủ yếu thu nhập, học vấn) Trung bình (nhân khẩu học) Cao (Giá trị, Niềm tin, Rủi ro, Tư vấn)
Hệ số tin cậy $\alpha$ Không công bố chi tiết $0.65 - 0.72$ $0.787 - 0.862$
Đóng góp ứng dụng Nhận định chung cho chính sách So sánh tốc độ tăng trưởng vùng Bộ giải pháp kinh doanh đo ni đóng giày cho Sun Life

Ứng dụng thực tế và triển khai

Chiến lược Triển khai Thực tế cho Doanh nghiệp Bảo hiểm (Sun Life Việt Nam)

Đánh giá Tính khả thi và Hiệu quả Kinh tế (Cost-Benefit & ROI Analysis)

  • Kịch bản cơ sở (Base-case Scenario): Triển khai chuẩn hóa quy trình tư vấn minh bạch giúp giảm tỷ lệ hủy hợp đồng năm đầu (First-year lapse rate) từ 22% xuống dưới 14%, giúp Sun Life bảo toàn dòng tiền phí tái tục ước tính tăng 18.5% trong giai đoạn 2023 - 2025.
  • Tỷ suất sinh lời kỳ vọng: Chi phí đào tạo và tái định vị thương hiệu dự kiến 4.5 tỷ VNĐ tại khu vực Hà Nội sẽ mang lại giá trị hợp đồng khai thác mới (APE) tăng thêm 15.2 tỷ VNĐ trong vòng 18 tháng, tương đương mức $\text{ROI} \approx 237%$.

Hạn chế và hướng phát triển

Hạn chế Kỹ thuật Được Ghi nhận

  • Phương pháp lấy mẫu: Kích thước mẫu $N = 180$ phân bổ theo kỹ thuật lấy mẫu thuận tiện, chưa áp dụng triệt để phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) theo từng quận huyện cụ thể tại Hà Nội.
  • Mô hình kinh tế lượng: Mới dừng lại ở mô hình hồi quy OLS đa biến, chưa mở rộng sang mô hình cấu trúc tuyến tính SEM để đánh giá đồng thời các tác động gián tiếp (mediating effects) và biến điều tiết (moderating variables) như biến số chuyển đổi số Insurtech.

Định hướng Nghiên cứu Mở rộng

  • Ứng dụng mô hình PLS-SEM trên tập mẫu mở rộng $N \ge 500$ trải dài trên 3 đô thị hạt nhân: Hà Nội, Đà Nẵng, TP. Hồ Chí Minh.
  • Tích hợp các biến số đo lường trải nghiệm số (Mobile Banking / SunConnect Portal Integration) và tác động của kênh Bancassurance liên kết ngân hàng đối với quyết định tiêu dùng tài chính cá nhân.

Đối tượng hưởng lợi

  • Sinh viên chuyên ngành Tài chính - Ngân hàng & Marketing: Tiếp cận khung phân tích hoàn chỉnh từ việc áp dụng lý thuyết hành vi người tiêu dùng (TRA, TPB, MODE) vào bài toán định lượng thực tế; nắm vững quy trình xử lý dữ liệu SPSS và cách viết khóa luận đạt chuẩn học thuật.
  • Chuyên viên Phân tích Dữ liệu / Data Analysts: Tham khảo cấu trúc mã hóa thang đo, quy trình kiểm định độ tin cậy Cronbach's Alpha, kỹ thuật phân tích EFA và script kiểm soát đa cộng tuyến VIF trong phân tích hồi quy thực nghiệm.
  • Doanh nghiệp Bảo hiểm Nhân thọ (Sun Life, Manulife, Prudential): Sở hữu góc nhìn sâu sắc về tâm lý khách hàng đô thị độ tuổi 31 - 35 để tối ưu hóa tỷ lệ đóng phí cơ bản, tái cấu trúc đội ngũ tư vấn viên và nâng cao chất lượng dịch vụ chi trả bồi thường.
  • Nhà nghiên cứu Kinh tế lượng Ứng dụng: Sở hữu bộ dữ liệu tham chiếu và khung thang đo chuẩn hóa đã được kiểm định độ hội tụ phục vụ các nghiên cứu so sánh hành vi tiêu dùng tài chính liên thời gian.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để chạy lại mô hình định lượng của đề tài?
    Cần cài đặt phần mềm IBM SPSS Statistics từ phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, scikit-learn và factor_analyzer. Cấu hình phần cứng tối thiểu: 4GB RAM, CPU Core i3 thế hệ 8.
  2. Tại sao thang đo ban đầu gồm 29 biến nhưng một số biến bị loại trong quá trình phân tích?
    Trong bước kiểm định Cronbach's Alpha và EFA, các biến có hệ số tương quan biến - tổng ($r_{it} < 0.3$) hoặc có hệ số tải nhân tố (factor loading $< 0.5$) hoặc tải chéo trên nhiều nhân tố được loại bỏ nhằm đảm bảo tính đơn hướng và giá trị phân biệt tuyệt đối cho thang đo.
  3. Kết quả nghiên cứu này có thể khái quát hóa cho các tỉnh thành khác không?
    Mô hình phản ánh đặc thù hành vi của cư dân đô thị có mức thu nhập trung bình khá trở lên tại Hà Nội. Để áp dụng cho các khu vực nông thôn hoặc các tỉnh thành khác, cần hiệu chỉnh lại thu nhập và thói quen tiết kiệm trong bảng hỏi khảo sát.
  4. Làm thế nào để kiểm soát sai lệch trong phương pháp chọn mẫu thuận tiện?
    Nghiên cứu đã tiến hành làm sạch dữ liệu qua 2 vòng: loại bỏ 20 bảng hỏi không hoàn thiện/điền thiếu thông tin, chỉ giữ lại 180 mẫu đạt chuẩn và thực hiện kiểm định phân phối chuẩn của phần dư để đảm bảo giả định OLS không bị vi phạm.
  5. Thời gian hoàn vốn dự kiến cho giải pháp đào tạo tư vấn viên là bao lâu?
    Dựa trên tỷ lệ khai thác hợp đồng mới và giảm thiểu tỷ lệ thất thoát hợp đồng sau năm đầu tiên, thời gian hoàn vốn đầu tư đào tạo (Payback Period) ước tính là 8.5 tháng kể từ thời điểm kết thúc khóa huấn luyện chuẩn hóa.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện mục tiêu nghiên cứu thông qua việc thiết lập khung phân tích định lượng chuẩn hóa về các nhân tố ảnh hưởng đến quyết định mua bảo hiểm nhân thọ Sun Life tại Hà Nội. Bằng việc kết hợp nền tảng lý thuyết TRA, TPB và mô hình MODE, công trình đã xác thực độ tin cậy của hệ thống thang đo ($N = 180$, Cronbach's Alpha đạt từ 0.787 đến 0.862, phương sai trích EFA đạt 64.82%) và khẳng định vai trò then chốt của năng lực tư vấn viên, nhận thức giá trị và sự hiểu biết tài chính. Đây là cơ sở khoa học vững chắc giúp các nhà quản trị bảo hiểm tại Việt Nam hoạch định chiến lược kinh doanh bền vững, lấy khách hàng làm trọng tâm và nâng cao tính minh bạch cho thị trường tài chính cá nhân.