Giới thiệu dự án

Thị trường thương mại điện tử (E-Commerce) và logistics chặng cuối (Last-mile Delivery) tại Việt Nam chứng kiến tốc độ tăng trưởng bùng nổ sau đại dịch COVID-19. Theo số liệu tài chính doanh nghiệp, doanh thu của Ahamove đã tăng gần 8 lần từ 228,208 tỷ đồng (2017) lên 1.735,031 tỷ đồng (2021), vận hành mạng lưới phục vụ hơn 300.000 chủ shop/doanh nghiệp và quy tụ 150.000 tài xế đối tác trên toàn quốc. Tuy nhiên, tại khu vực đô thị trọng điểm như Hà Nội, mức độ cạnh tranh giữa các nền tảng giao vận tức thời (On-demand Delivery) như GrabExpress, Ahamove, Be, Shopee Xpress, Giao Hàng Nhanh (GHN), Viettel Post ngày càng gay gắt.

       +-------------------------------------------------------------+
       |   BỐI CẢNH THỊ TRƯỜNG LOGISTICS TỨC THỜI (HÀ NỘI 2021-2023)  |
       +-------------------------------------------------------------+
                                      |
         +----------------------------+----------------------------+
         |                                                         |
         v                                                         v
+-----------------------------+                           +-----------------------------+
|  TĂNG TRƯỞNG QUY MÔ         |                           |  THÁCH THỨC VẬN HÀNH        |
|  * Ahamove DT: 1.735 tỷ VND |                           |  * Cạnh tranh khốc liệt     |
|  * Mạng lưới: 150.000 tài xế|                           |  * Tỷ lệ hủy/trễ giờ cao    |
|  * Khách hàng: 300.000 shop |                           |  * Nhạy cảm về chi phí      |
+-----------------------------+                           +-----------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |  BÀI TOÁN: Xác định & Định lượng các nhân tố tác động đến   |
       |  Sự hài lòng khách hàng (CSAT) để tối ưu hóa vận hành       |
       +-------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Mặc dù mở rộng nhanh chóng về lượng đối tác tài xế và dịch vụ (Siêu tốc, Siêu rẻ, 4H, Ahamart, AhaTruck), Ahamove trên địa bàn Hà Nội vẫn chưa đạt vị thế áp đảo tuyệt đối trong tâm trí người dùng do các điểm nghẽn (pain points):

  • Độ trễ đơn hàng vào khung giờ cao điểm và sự thiếu đồng bộ về thái độ phục vụ của tài xế.
  • Rào cản trải nghiệm công nghệ trên ứng dụng/website (UI/UX, độ trễ hệ thống định vị GPS, hạn chế phương thức thanh toán).
  • Tính minh bạch trong chính sách giá cước và chương trình chiết khấu/ưu đãi chưa tối ưu theo từng phân khúc thu nhập và tần suất sử dụng.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết về chất lượng dịch vụ giao hàng (DVGH) và sự hài lòng của khách hàng (Customer Satisfaction - CSAT).
  2. Xây dựng mô hình định lượng và bộ thang đo gồm 7 nhân tố độc lập đánh giá dịch vụ giao hàng Ahamove tại Hà Nội.
  3. Kiểm định độ tin cậy thang đo, phân tích cấu trúc nhân tố và hồi quy tuyến tính bội để xác định mức độ tác động của từng nhân tố.
  4. Kiểm định sự khác biệt thống kê giữa các biến nhân khẩu học (giới tính, độ tuổi, thu nhập, tần suất đặt đơn) tác động đến mức độ hài lòng.
  5. Đề xuất hệ thống giải pháp công nghệ, vận hành và marketing giúp Ahamove tối ưu hóa chất lượng dịch vụ và nâng cao năng lực cạnh tranh.

Phương pháp tiếp cận (Solution Approach)

Dự án áp dụng phương pháp nghiên cứu định lượng thực nghiệm (Empirical Quantitative Research) kết hợp mô hình chất lượng dịch vụ SERVQUAL/SERVPERF có hiệu chỉnh, tích hợp thêm biến quan sát đặc thù công nghệ số ("Chất lượng Website/Ứng dụng"). Quy trình khảo sát sử dụng công cụ Google Forms phân phối qua các hội nhóm người dùng tại Hà Nội, dữ liệu được làm sạch và xử lý bằng phần mềm thống kê IBM SPSS Statistics 20.0 và Microsoft Excel.

Kết quả kỳ vọng (Expected Outcomes)

  • Xây dựng mô hình hồi quy đa biến đạt hệ số xác định hiệu chỉnh $R^2_{adj} \ge 60%$, giá trị thống kê $F$ có ý nghĩa ($p < 0.05$).
  • Hệ số tin cậy Cronbach's Alpha của toàn bộ các thang đo thành phần đạt ngưỡng chuẩn $\alpha \ge 0.70$.
  • Định lượng hóa trọng số của 7 nhóm biến tác động, cung cấp bằng chứng thực nghiệm trực tiếp hỗ trợ đội ngũ Product Manager và Operations Director của Ahamove ra quyết định.

Phạm vi và giới hạn (Scope & Limitations)

  • Không gian: Thành phố Hà Nội (tập trung các quận nội thành có mật độ đơn hàng cao).
  • Thời gian khảo sát: Từ ngày 15/01/2023 đến ngày 15/03/2023.
  • Mẫu nghiên cứu: 250 quan sát hợp lệ (sau khi sàng lọc từ 298 phản hồi thô).
  • Giới hạn: Phương pháp chọn mẫu thuận tiện (Convenience Sampling), chỉ khảo sát người dùng cuối (B2C/C2C) tại Hà Nội, chưa bao gồm tài xế đối tác và doanh nghiệp B2B lớn ký hợp đồng dịch vụ kho vận chuyên biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình Gronroos (1984) Mô hình SERVQUAL (1988) Mô hình SERVPERF (1992) Mô hình đề xuất cho Ahamove
Bản chất đo lường Chất lượng kỹ thuật vs Chất lượng chức năng Khoảng cách Kỳ vọng - Cảm nhận ($P - E$) Đo lường trực tiếp Kết quả thực hiện ($P$) Tích hợp SERVPERF + Chi phí + Chất lượng Web/App
Số biến quan sát 6 tiêu chí chung 22 biến quan sát 22 biến quan sát 32 biến quan sát (28 độc lập + 4 phụ thuộc)
Độ phức tạp điều tra Khó định lượng trực tiếp Rất dài, dễ gây mệt mỏi cho đáp viên Giảm 50% độ dài bảng hỏi so với SERVQUAL Ngắn gọn, tập trung trải nghiệm thực tế trên app/web
Khả năng ứng dụng số Thấp (truyền thống) Thấp (chưa có biến công nghệ) Trung bình Tối ưu riêng cho nền tảng On-demand Delivery

Phân tích yêu cầu theo ma trận MoSCoW

  • Must have: Kiểm định độ tin cậy Cronbach's Alpha ($\alpha \ge 0.60$), phân tích nhân tố khám phá EFA (KMO $\ge 0.5$, Bartlett's Sig $< 0.05$, Cumulative Variance $\ge 50%$), hồi quy tuyến tính bội không vi phạm đa cộng tuyến ($\text{VIF} < 10$).
  • Should have: Phân tích phương sai One-Way ANOVA và Independent Sample T-Test theo đặc trưng nhân khẩu học.
  • Could have: Ma trận tương quan Pearson giữa tất cả các cặp biến nhằm phát hiện sớm hiện tượng tự tương quan.
  • Won't have (lần này): Mô hình phương trình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) hoặc phân tích chuỗi thời gian dọc.

Thiết kế hệ thống nghiên cứu

Technology Stack & Statistical Tools

  • Phần mềm thống kê chính: IBM SPSS Statistics 20.0 (Core Data Analysis, Factor Reduction, OLS Regression).
  • Công cụ tiền xử lý & thu thập: Google Forms API, Microsoft Excel 2021 (Data cleaning, Encoding, Pivot Tables).
  • Môi trường tái hiện tính toán (Python Verification Pipeline): Python 3.10+, Pandas 2.0.3, NumPy 1.24.3, Statsmodels 0.14.0, Scikit-learn 1.3.0, Factor-Analyzer 0.5.0.

Cấu trúc dữ liệu & Thiết kế bảng mã hóa (Data Dictionary)

-- Cấu trúc Schema cơ sở dữ liệu lưu trữ kết quả khảo sát Ahamove
CREATE TABLE Survey_Responses (
    Response_ID INT PRIMARY KEY AUTO_INCREMENT,
    Gender TINYINT COMMENT '1: Nam, 2: Nu',
    Age_Group TINYINT COMMENT '1: <25, 2: 25-30, 3: >30',
    Income_Group TINYINT COMMENT '1: <3M, 2: 3-5M, 3: 5-10M, 4: >10M',
    Monthly_Frequency TINYINT COMMENT '1: Hiem khi, 2: 1-2 lan, 3: 3-4 lan, 4: >4 lan',
    -- Thang do 7 nhan to (Likert 1-5)
    TC1 TINYINT, TC2 TINYINT, TC3 TINYINT, TC4 TINYINT,
    DU1 TINYINT, DU2 TINYINT, DU3 TINYINT, DU4 TINYINT, DU5 TINYINT,
    HH1 TINYINT, HH2 TINYINT, HH3 TINYINT, HH4 TINYINT,
    NLPV1 TINYINT, NLPV2 TINYINT, NLPV3 TINYINT,
    DC1 TINYINT, DC2 TINYINT, DC3 TINYINT, DC4 TINYINT, DC5 TINYINT,
    CP1 TINYINT, CP2 TINYINT, CP3 TINYINT, CP4 TINYINT,
    CL1 TINYINT, CL2 TINYINT, CL3 TINYINT, CL4 TINYINT,
    -- Bien phu thuoc
    SHL1 TINYINT, SHL2 TINYINT, SHL3 TINYINT, SHL4 TINYINT,
    Survey_Timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận (Methodology)

Quy trình nghiên cứu áp dụng mô hình chuẩn 5 giai đoạn:

  1. Xác định cỡ mẫu lý thuyết:
    • Theo Hair et al. (2006) cho EFA: Cần tối thiểu $5 \times \text{Tổng số biến quan sát} = 5 \times 32 = 160$ mẫu.
    • Theo Tabachnick & Fidell (2007) cho hồi quy OLS: Cỡ mẫu tối thiểu $N \ge 50 + 8m = 50 + 8 \times 7 = 106$ mẫu ($m = 7$ là số biến độc lập).
    • Thực tế thu thập: $N = 250$ mẫu hợp lệ (đạt yêu cầu khắt khe của cả hai tiêu chuẩn).
  2. Kiểm định thang đo: Đánh giá hệ số Cronbach's Alpha ($\ge 0.60$) và Corrected Item-Total Correlation ($\ge 0.30$).
  3. Phân tích EFA: Trích xuất Principal Components với phép xoay trực góc Varimax, kiểm tra hệ số KMO ($\ge 0.50$), kiểm định Bartlett ($p < 0.05$), Eigenvalue $> 1.0$, tổng phương sai trích $\ge 50%$, Factor Loading $\ge 0.50$.
  4. Phân tích hồi quy OLS: Ước lượng mô hình: $$Y = \beta_0 + \beta_1 F_1 + \beta_2 F_2 + \beta_3 F_3 + \beta_4 F_4 + \beta_5 F_5 + \beta_6 F_6 + \beta_7 F_7 + e$$ Trong đó: $Y$ là Sự hài lòng (SHL), $F_1 \dots F_7$ lần lượt là Sự đồng cảm (DC), Năng lực phục vụ (NLPV), Sự tin cậy (TC), Phương tiện hữu hình (HH), Chất lượng Website (CL), Khả năng đáp ứng (DU), Chi phí giao hàng (CP).
  5. Kiểm định sai biệt trung bình: Thực hiện Levene's Test kiểm tra tính thuần nhất của phương sai, kết hợp Independent Samples T-Test (theo giới tính) và One-Way ANOVA (theo độ tuổi, thu nhập, tần suất sử dụng).

Implementation và kết quả

Quy trình triển khai phân tích (Development Process)

Quá trình xử lý dữ liệu được tự động hóa thông qua cú pháp SPSS Syntax và đối soát bằng Python scripts:

# Tái hiện phân tích EFA và Hồi quy OLS bằng Python (statsmodels & factor_analyzer)
import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_bartlett_sphericity, calculate_kmo

# 1. Kiểm định KMO và Bartlett's Test
def verify_sampling_adequacy(df_indep):
    chi_square_value, p_value = calculate_bartlett_sphericity(df_indep)
    kmo_all, kmo_model = calculate_kmo(df_indep)
    print(f"KMO Score: {kmo_model:.3f} | Bartlett's Chi-sq: {chi_square_value:.3f}, p-val: {p_value:.5f}")
    return kmo_model, p_value

# 2. Ước lượng hồi quy OLS đa biến
def run_multiple_regression(X, y):
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    print(model.summary())
    return model

Kiểm định và đánh giá thống kê (Testing & Validation)

1. Đánh giá độ tin cậy thang đo qua hệ số Cronbach's Alpha

Toàn bộ 8 thang đo đều đạt độ tin cậy cao ($\alpha > 0.76$, hệ số tương quan biến - tổng hiệu chỉnh $> 0.30$), không có biến rác nào bị loại bỏ.

STT Tên thang đo Ký hiệu Số biến quan sát Hệ số Cronbach's Alpha Đánh giá độ tin cậy
1 Sự tin cậy TC 4 0.821 Rất tốt
2 Khả năng đáp ứng DU 4 0.807 Rất tốt
3 Phương tiện hữu hình HH 4 0.816 Rất tốt
4 Năng lực phục vụ NLPV 3 0.765 Tốt
5 Sự đồng cảm DC 5 0.836 Rất tốt (Cao nhất)
6 Chi phí giao hàng CP 4 0.830 Rất tốt
7 Chất lượng Website CL 4 0.809 Rất tốt
8 Sự hài lòng (Phụ thuộc) SHL 4 0.817 Rất tốt

2. Kết quả phân tích nhân tố khám phá (EFA)

  • Biến độc lập:
    • Hệ số $\text{KMO} = 0.885$ ($> 0.5$), kiểm định Bartlett's Test có $\text{Approx. } \chi^2$ đạt mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$.
    • Rút trích được 7 nhóm nhân tố với Eigenvalue thấp nhất là $1.112 > 1.0$.
    • Tổng phương sai trích (Cumulative Variance) đạt 66.009% ($> 50%$), giải thích được 66.009% sự biến thiên của 28 biến quan sát.
    • Toàn bộ hệ số tải nhân tố (Factor Loading) sau khi xoay Varimax đều đạt từ $0.693$ đến $0.810$ ($> 0.50$).
  • Biến phụ thuộc (SHL):
    • $\text{KMO} = 0.777$, Bartlett's Test $\text{Sig.} = 0.000$.
    • Trích xuất 1 nhân tố duy nhất giải thích 64.816% phương sai trích, Eigenvalue $= 2.593$.
+-------------------------------------------------------------------------------+
|                      MA TRẬN HỆ SỐ TẢI NHÂN TỐ TIÊU BIỂU                      |
+-------------------------------------------------------------------------------+
| Biến quan sát có trọng số tải cao nhất trong từng nhóm:                       |
|  * Sự tin cậy:          TC4 (Giao đúng thời gian cam kết)      -> Loading: 0.810 |
|  * Chi phí giao hàng:   CP3 (Chương trình miễn/giảm phí ship)  -> Loading: 0.810 |
|  * Phương tiện hữu hình:HH4 (Ứng dụng công nghệ theo dõi đơn)  -> Loading: 0.798 |
|  * Năng lực phục vụ:    NLPV3 (Cảm giác an toàn & tin tưởng)   -> Loading: 0.795 |
|  * Sự đồng cảm:         DC3 (Giải đáp thỏa đáng thắc mắc)      -> Loading: 0.793 |
|  * Chất lượng Website:  CL4 (Đầy đủ thông tin cước & ưu đãi)   -> Loading: 0.792 |
|  * Khả năng đáp ứng:    DU3 (Giao không phân biệt số lượng)    -> Loading: 0.752 |
+-------------------------------------------------------------------------------+

3. Kết quả phân tích hồi quy tuyến tính OLS và kiểm định vi phạm giả định

  • Độ phù hợp của mô hình:
    • Hệ số tương quan bội $R = 0.831$.
    • Hệ số xác định $R^2 = 0.690$, hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$) $= 0.682$. Điều này chứng minh 7 nhân tố độc lập giải thích được 68.2% sự biến thiên của mức độ hài lòng khách hàng đối với dịch vụ Ahamove.
    • Kiểm định ANOVA: Giá trị $F = 64.385$ với mức ý nghĩa $\text{Sig.} = 0.000 < 0.001$, khẳng định mô hình hồi quy có ý nghĩa thống kê cao.
  • Kiểm định hiện tượng đa cộng tuyến và tự tương quan:
    • Hệ số phóng đại phương sai $\text{VIF} < 2.5$ (dao động từ $1.15$ đến $1.85$, nhỏ hơn rất nhiều so với ngưỡng vi phạm 10).
    • Hệ số Durbin-Watson đạt giá trị trong khoảng an toàn $1.0 < d = 1.945 < 3.0$, khẳng định không tồn tại hiện tượng tự tương quan phần dư.

Kết quả kiểm định các biến nhân khẩu học (Demographics Analysis)

Biến nhân khẩu học Phương pháp kiểm định Giá trị thống kê Mức ý nghĩa (Sig.) Kết luận thống kê
Giới tính (Nam vs Nữ) Independent Samples T-Test $t = -1.077$ $0.282$ ($> 0.05$) Không có sự khác biệt về sự hài lòng giữa nam và nữ
Độ tuổi (<25, 25-30, >30) One-Way ANOVA (Levene Sig = 0.178) $F = 2.062$ $0.041$ ($< 0.05$) Có sự khác biệt: Nhóm trên 30 tuổi có mức độ hài lòng cao hơn
Tần suất đặt hàng/tháng One-Way ANOVA (Levene Sig = 0.061) $F = 11.062$ $0.000$ ($< 0.001$) Có sự khác biệt rõ rệt: Tần suất dùng càng cao, CSAT càng cao
Mức thu nhập One-Way ANOVA (Levene Sig = 0.206) $F = 10.308$ $0.000$ ($< 0.001$) Có sự khác biệt rõ rệt: Khách hàng thu nhập $> 10$ triệu hài lòng nhất

Đổi mới và đóng góp

  1. Hoàn thiện khung lý thuyết số hóa cho logistics chặng cuối: Khác với các nghiên cứu logistics truyền thống vốn chỉ dựa trên 5 thành phần SERVQUAL (Võ Thanh Trúc, 2021; Lê Sơn Tùng, 2021), mô hình này đã tích hợp thành công cấu phần "Chất lượng Website/Ứng dụng" và "Chi phí giao hàng", phản ánh chính xác hành vi người tiêu dùng trong kỷ nguyên số.
  2. Định lượng hóa năng lực ảnh hưởng: Mô hình giải thích tới 68.2% phương sai biến phụ thuộc, vượt trội hơn so với nhiều mô hình nghiên cứu giao vận nội địa trước đó (thường chỉ đạt $50% - 58%$).
  3. Phát hiện quan trọng về biến nhân khẩu học: Khảo sát chỉ ra khách hàng có thu nhập cao ($> 10$ triệu) và tần suất sử dụng thường xuyên ($> 4$ lần/tháng) có mức độ hài lòng cao hơn rõ rệt nhóm học sinh/sinh viên. Điều này khẳng định Ahamove đang phục vụ rất tốt tệp khách hàng trung thành có khả năng chi trả, nhưng cần tái cấu trúc chính sách giá cho nhóm khách hàng trẻ tuổi nhạy cảm về cước phí.

Ứng dụng thực tế và triển khai

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

  • Kịch bản 1 - Tối ưu tỷ lệ hoàn thành đơn (Sự tin cậy & Khả năng đáp ứng): Tích hợp hệ thống phân phối đơn tự động dựa trên Machine Learning giúp rút ngắn thời gian tài xế nhận đơn từ 45 giây xuống dưới 15 giây, đảm bảo cam kết giao dưới 30 phút cho gói Siêu Tốc.
  • Kịch bản 2 - Cải thiện thái độ & Năng lực phục vụ: Xây dựng module đào tạo micro-learning trực tiếp trên ứng dụng tài xế (AhaDriver), tập trung vào kỹ năng giải quyết khiếu nại tại chỗ (biến quan sát DC3 có hệ số tải 0.793).
  • Kịch bản 3 - Cá nhân hóa chính sách giá cước (Chi phí giao hàng): Áp dụng biểu giá dynamic pricing linh hoạt theo từng quận tại Hà Nội, phát hành gói "Aha-Pass" trả trước cho khách hàng có tần suất đặt đơn từ 3-4 lần/tháng để gia tăng lòng trung thành.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Kích thước mẫu $N = 250$ tại khu vực Hà Nội tuy đảm bảo yêu cầu thống kê OLS nhưng chưa bao phủ toàn diện khu vực ngoại thành và các thành phố vệ tinh.
  • Phương pháp thu thập: Khảo sát online qua Google Forms có thể dẫn đến hiện tượng thiên lệch chọn lọc (Selection Bias) đối với người dùng am hiểu công nghệ.
  • Hướng nghiên cứu mở rộng:
    1. Mở rộng mô hình nghiên cứu kết hợp kỹ thuật SEM (Structural Equation Modeling) để đánh giá mối quan hệ trung gian giữa Sự hài lòng và Lòng trung thành thương hiệu (Brand Loyalty).
    2. Ứng dụng mô hình phân loại Machine Learning (Random Forest / XGBoost / Logistic Regression) trên dữ liệu log giao dịch thực tế để dự đoán nguy cơ khách hàng rời bỏ dịch vụ (Customer Churn Rate).

Đối tượng hưởng lợi

+-------------------+---------------------------------------------------------+
| NHÓM ĐỐI TƯỢNG    | GIÁ TRỊ VÀ LỢI ÍCH ĐỊNH LƯỢNG MANG LẠI                  |
+-------------------+---------------------------------------------------------+
| Sinh viên & Học viên| Cung cấp template hoàn chỉnh về xử lý SPSS, EFA, OLS, |
|                   | One-Way ANOVA chuẩn học thuật trường Kinh tế Quốc dân.  |
+-------------------+---------------------------------------------------------+
| Đội ngũ PM/Dev    | Bằng chứng dữ liệu thực tế về tác động của UI/UX và hệ  |
|                   | thống thanh toán trực tuyến đến sự hài lòng người dùng. |
+-------------------+---------------------------------------------------------+
| Ban Quản trị DN   | Cơ sở khoa học để phân bổ ngân sách marketing, cải tiến |
|                   | quy trình đào tạo tài xế và tối ưu chi phí vận hành.   |
+-------------------+---------------------------------------------------------+
| Giới Nghiên cứu   | Bổ sung biến "Chất lượng Website/App" vào thang đo dịch |
|                   | vụ giao nhận chặng cuối tại các thị trường mới nổi.    |
+-------------------+---------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để chạy lại toàn bộ mô hình thống kê này là gì?

Cần cài đặt IBM SPSS Statistics (phiên bản 20.0 trở lên) hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, factor_analyzer, scipy. Tệp dữ liệu đầu vào định dạng .sav hoặc .csv đã được mã hóa theo thang đo Likert 5 mức độ.

2. Vì sao biến "Giới tính" không có sự khác biệt thống kê đối với mức độ hài lòng?

Kết quả Independent Samples T-Test cho thấy giá trị $\text{Sig.} = 0.282 > 0.05$. Trong lĩnh vực dịch vụ giao nhận On-demand, cả nam và nữ đều có chung các kỳ vọng cốt lõi về tốc độ giao hàng, sự nguyên vẹn của bưu phẩm và tính chính xác của cước phí, do đó yếu tố giới tính không tạo ra sự phân hóa đáng kể.

3. Làm thế nào để giải quyết hiện tượng đa cộng tuyến trong mô hình hồi quy đa biến?

Trong nghiên cứu này, tất cả các hệ số $\text{VIF}$ đều $< 2.5$ (ngưỡng an toàn là $< 10$). Nếu xảy ra đa cộng tuyến ($\text{VIF} > 10$), giải pháp bao gồm: tăng kích thước mẫu, loại bỏ biến có hệ số tương quan cặp quá cao ($r > 0.85$), hoặc chuyển sang sử dụng phân tích hồi quy thành phần chính (Principal Component Regression - PCR) hoặc Ridge Regression.

4. Chi phí khảo sát và thời gian thu thập 250 mẫu thực tế kéo dài bao lâu?

Thời gian thu thập kéo dài chính xác 2 tháng (15/01/2023 – 15/03/2023) thông qua kênh khảo sát số Google Forms kết hợp seeding trên các cộng đồng người dùng Ahamove Hà Nội, chi phí vận hành khảo sát tối ưu nhờ tận dụng các hội nhóm trực tuyến.

5. Tại sao mô hình chọn SERVPERF thay vì mô hình SERVQUAL nguyên bản?

SERVQUAL yêu cầu khách hàng đánh giá 2 lần (Kỳ vọng $E$ và Cảm nhận $P$) với 44 câu hỏi, dễ gây mệt mỏi và làm giảm độ chính xác của phản hồi. SERVPERF (Cronin & Taylor, 1992) chỉ đo lường kết quả thực hiện ($P$), giúp giảm 50% số câu hỏi, tối ưu hóa trải nghiệm điền khảo sát và đem lại độ tin cậy thực nghiệm cao hơn.

Kết luận

Chuyên đề tốt nghiệp "Nghiên cứu các nhân tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ giao hàng của Ahamove trên địa bàn Hà Nội" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Thông qua khảo sát thực nghiệm $N = 250$ và quy trình phân tích thống kê đa biến chặt chẽ (Cronbach's Alpha, EFA, OLS Regression, ANOVA, T-Test), đề tài đã chứng minh mô hình 7 nhân tố giải thích tới 68.2% sự biến thiên của sự hài lòng khách hàng.

Kết quả này không chỉ đóng góp một khung phân tích khoa học cho lĩnh vực kinh tế thống kê ứng dụng mà còn cung cấp những giải pháp thực tiễn có giá trị cao cho ban lãnh đạo Công ty Cổ phần Dịch vụ Tức thời Ahamove trong việc nâng cấp công nghệ ứng dụng, chuẩn hóa thái độ phục vụ của tài xế và tối ưu hóa biểu phí giao vận tại thị trường trọng điểm Hà Nội.