Giới thiệu dự án

Thị trường gọi xe công nghệ (ride-hailing / e-hailing) tại khu vực Đông Nam Á và đặc biệt là Việt Nam đã chứng kiến sự tăng trưởng bùng nổ kể từ khi Đề án 24 của Bộ Giao thông Vận tải cho phép thí điểm ứng dụng khoa học công nghệ trong quản lý và kết nối hoạt động vận tải hành khách theo hợp đồng. Tại Thành phố Hồ Chí Minh — trung tâm kinh tế đóng góp 20,5% tổng sản phẩm quốc nội (GDP) và đạt tổng sản phẩm trên địa bàn (GRDP) năm 2021 là 1.791 nghìn tỷ VNĐ với khu vực thương mại - dịch vụ chiếm 63,4% — nhu cầu di chuyển cá nhân bằng phương thức linh hoạt, tiết kiệm thời gian là vô cùng cấp thiết. Dịch vụ GrabBike của Grab (ra mắt tại Việt Nam từ tháng 02/2014) đã nhanh chóng thay đổi hành vi tham gia giao thông của người dân đô thị.

Tuy nhiên, sự gia tăng nhanh chóng của số lượng phương tiện tham gia nền tảng đã kéo theo nhiều bất cập: tình trạng tắc nghẽn giao thông cục bộ, chất lượng dịch vụ không đồng đều, sự suy giảm trong thái độ phục vụ của tài xế, hiện tượng hủy chuyến hoặc từ chối cuốc xe ngắn, và lo ngại về bảo mật dữ liệu giao dịch cá nhân. Đồ án khóa luận tốt nghiệp "Nghiên cứu các yếu tố ảnh hưởng đến sự hài lòng của khách hàng khi sử dụng dịch vụ xe công nghệ GrabBike tại khu vực TPHCM" của tác giả Phạm Thị Lệ Trinh (Đại học Nông Lâm TP.HCM, Chuyên ngành Quản trị Kinh doanh Thương mại, 2023) được triển khai nhằm lượng hóa cụ thể các nhân tố chi phối trải nghiệm người dùng, từ đó xây dựng các giải pháp tối ưu hóa vận hành dựa trên cơ sở khoa học định lượng.

+-------------------------------------------------------------------------------+
|                       MÔ HÌNH NGHIÊN CỨU TỔNG QUAN                            |
+-------------------------------------------------------------------------------+
|  [Biến độc lập]                                                               |
|  - Sự tiện lợi (TL) --------+                                                 |
|  - Sự thuận tiện (TT) ------+                                                 |
|  - Thái độ phục vụ (PV) ----+=====> [SỰ HÀI LÒNG CỦA KHÁCH HÀNG (HL)]         |
|  - Mức độ tin cậy (TC) -----+       (Mô hình hồi quy tuyến tính OLS)          |
|  - Độ an toàn (AT) ---------+                                                 |
|  - Ảnh hưởng xã hội (XH) ---+                                                 |
|  - Sự rủi ro cảm nhận (RR) -+                                                 |
+-------------------------------------------------------------------------------+

Mục tiêu nghiên cứu

  1. Xác định các nhân tố cấu thành: Hệ thống hóa khung lý thuyết từ các mô hình chuẩn hóa (ACSI, SERVQUAL, ECT) để xác định các biến tác động trực tiếp đến sự hài lòng đối với dịch vụ xe ôm công nghệ.
  2. Đo lường và lượng hóa mức độ ảnh hưởng: Kiểm định thang đo qua hệ số tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (EFA) và thiết lập phương trình hồi quy đa biến (Multiple Linear Regression).
  3. Phân tích sai biệt nhân khẩu học: Kiểm định ANOVA và Levene Test nhằm xác định sự khác biệt về mức độ hài lòng theo giới tính, độ tuổi, nghề nghiệp, mức thu nhập và tần suất sử dụng.
  4. Đề xuất hàm ý quản trị ứng dụng: Cung cấp các khuyến nghị mang tính thực thi cao nhằm nâng cao chất lượng dịch vụ, tối ưu hóa thuật toán định tuyến và giữ chân khách hàng mục tiêu.

Phạm vi và giới hạn

  • Không gian nghiên cứu: Địa bàn TP. Hồ Chí Minh, tập trung vào khu vực trung tâm và các quận tập trung đông đảo trường đại học, khu công nghệ cao.
  • Thời gian nghiên cứu: Dữ liệu sơ cấp được thu thập và xử lý trong giai đoạn từ tháng 10/2022 đến tháng 12/2022.
  • Đối tượng khảo sát: Khách hàng trực tiếp trải nghiệm dịch vụ GrabBike, tập trung vào phân khúc thế hệ trẻ (Gen Z, Millennials), sinh viên và nhân viên văn phòng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi GrabBike xuất hiện, vận tải hành khách cá nhân cự ly ngắn tại TP.HCM chủ yếu phụ thuộc vào xe ôm truyền thống với giá cước thỏa thuận tự phát và thiếu công cụ giám sát an trình. Sự xuất hiện của các nền tảng e-hailing đã số hóa toàn diện quy trình này.

Tiêu chí phân tích Xe ôm truyền thống GrabBike (Platform Nghiên cứu) Các đối thủ cạnh tranh (BeBike / Gojek)
Cơ chế định giá Mặc cả tự phát, rủi ro đội giá Biểu phí cố định hiển thị trước, Surge Pricing tự động Định giá cạnh tranh, áp dụng khuyến mãi hoàn tiền linh hoạt
Độ phủ tài xế & Thời gian chờ Tập trung bến bãi, chờ đợi thụ động Mạng lưới tài xế rộng, định vị GPS matching dưới 3-5 phút Mật độ tập trung theo vùng, thời gian matching biến động
Kiểm soát an toàn Không có giám sát hành trình Tính năng SOS, chia sẻ chuyến đi, bảo hiểm chuyến đi Tích hợp bảo hiểm tai nạn, tính năng xác thực khuôn mặt tài xế
Minh bạch thông tin Không rõ lý lịch tài xế Hiển thị biển số xe, đánh giá sao (Star rating), số điện thoại Tương tự Grab, hỗ trợ chat nội bộ miễn phí (VoIP In-app)

Ma trận ưu tiên yêu cầu người dùng (MoSCoW Framework)

  • Must-have (Bắt buộc phải có): Hiển thị giá cước trước chuyến đi; định vị GPS chính xác điểm đón/trả; tài xế tuân thủ luật an toàn giao thông; cơ chế xử lý khiếu nại qua ứng dụng.
  • Should-have (Nên có): Tích hợp đa dạng cổng thanh toán không tiền mặt (Moca, thẻ tín dụng, ZaloPay); tài xế trang bị mũ bảo hiểm đạt chuẩn vệ sinh; tính năng chọn tài xế theo ngôn ngữ.
  • Could-have (Có thể có): Chương trình tích điểm GrabRewards đổi voucher đa tiện ích; đặt trước chuyến đi dài hạn; tích hợp AI gợi ý điểm đón tránh kẹt xe.
  • Won't-have (Chưa ưu tiên trong giai đoạn này): Tùy chỉnh dòng xe máy theo sở thích cá nhân; hỗ trợ vận chuyển hành lý quá khổ trên xe máy.

Thiết kế hệ thống nghiên cứu & Kiến trúc xử lý dữ liệu

Nghiên cứu áp dụng quy trình xử lý dữ liệu định lượng chuẩn mực thông qua phần mềm IBM SPSS Statistics phiên bản 20.0 kết hợp xây dựng pipeline phân tích tự động bằng ngôn ngữ Python.

+---------------------------------------------------------------------------------------+
|                       PIPELINE XỬ LÝ VÀ PHÂN TÍCH DỮ LIỆU SƠ CẤP                      |
+---------------------------------------------------------------------------------------+
|  [Thu thập dữ liệu]  --> Google Forms / Bảng câu hỏi Likert 5 mức độ (N=105)          |
|                                |                                                      |
|  [Làm sạch & Mã hóa] --> Xử lý Missing Value, Mã hóa biến TL1-TL5, HL1-HL5, RR1-RR5...|
|                                |                                                      |
|  [Kiểm định độ tin cậy] -> Cronbach's Alpha (Ngưỡng chấp nhận: alpha >= 0.7, r >= 0.3)|
|                                |                                                      |
|  [Phân tích nhân tố EFA] -> KMO & Bartlett's Test, Principal Axis Factoring, Varimax  |
|                                |                                                      |
|  [Mô hình hồi quy OLS] -> OLS Multi-regression, Kiểm tra đa cộng tuyến (VIF < 2.0)    |
|                                |                                                      |
|  [Kiểm định One-Way ANOVA] -> Levene Test, Phân tích khác biệt trung bình F-test      |
+---------------------------------------------------------------------------------------+

Công nghệ và công cụ sử dụng

  • IBM SPSS Statistics 20.0: Phân tích thống kê mô tả, kiểm định Cronbach's Alpha, trích xuất nhân tố EFA, kiểm tra ma trận xoay Varimax, chạy hồi quy OLS và ANOVA 1 chiều.
  • Python 3.10+ (Data Science Stack): Thư viện pandas (quản lý DataFrame), statsmodels (chạy kiểm định kinh tế lượng), pingouin (tính toán hệ số độ tin cậy), seaborn & matplotlib (trực quan hóa phân phối).
# Script Python mô phỏng quy trình kiểm định Cronbach's Alpha & Hồi quy OLS
import pandas as pd
import pingouin as pg
import statsmodels.api as sm

def analyze_survey_dataset(df_clean):
    # 1. Tính toán Cronbach's Alpha cho thang đo Sự tiện lợi (TL)
    items_tl = df_clean[['TL1', 'TL2', 'TL3', 'TL4', 'TL5']]
    alpha_tl = pg.cronbach_alpha(data=items_tl)
    print(f"Hệ số Cronbach's Alpha thang đo TL: {alpha_tl[0]:.3f} (CI 95%: {alpha_tl[1]})")
    
    # 2. Xây dựng mô hình hồi quy tuyến tính OLS đánh giá Sự hài lòng (HL)
    X = df_clean[['TL', 'TT', 'PV', 'TC', 'AT', 'XH', 'RR']]
    X = sm.add_constant(X)
    y = df_clean['HL']
    
    model = sm.OLS(y, X).fit()
    print(model.summary())
    return model

Implementation và kết quả

Quy trình phân tích dữ liệu thực nghiệm

Nghiên cứu tiến hành phát ra 200 phiếu khảo sát, thu về 150 phiếu và sau khi lọc bỏ các phiếu không hợp lệ (trả lời trùng lặp, thiếu thông tin quan sát), tập dữ liệu chính thức gồm 105 mẫu hợp lệ (tỷ lệ hữu dụng đạt 52,5%).

Cơ cấu mẫu nhân khẩu học

  • Giới tính: Nữ giới chiếm ưu thế với 69% (71 quan sát), Nam giới chiếm 31% (33 quan sát).
  • Độ tuổi: Phân khúc 18 - 25 tuổi chiếm tỷ trọng áp đảo 89% (94 người); trên 30 tuổi chiếm 5%; phân khúc dưới 18 và từ 25 - 30 tuổi chiếm 3% mỗi nhóm.
  • Nghề nghiệp: Học sinh / Sinh viên chiếm 79% (83 người); Nhân viên văn phòng chiếm 14% (15 người); Kinh doanh tự do chiếm 7% (7 người).
  • Thu nhập: Dưới 2.000.000 VNĐ chiếm 41%; từ 2.000.000 - 5.000.000 VNĐ chiếm 37%; từ 5.000.000 - 10.000.000 VNĐ chiếm 12%; trên 10.000.000 VNĐ chiếm 10%.
  • Tần suất sử dụng: 1 - 3 lần/tuần chiếm 86%; 3 - 6 lần/tuần chiếm 8%; trên 10 lần/tuần chiếm 4%; 6 - 9 lần/tuần chiếm 2%.

Kết quả kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tiêu chuẩn chấp nhận: Hệ số $\alpha \ge 0.6$ và Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $r_{it} \ge 0.3$.

Thang đo / Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan Biến - Tổng ($r_{it}$) Cronbach's Alpha nếu loại biến Kết luận
Sự tiện lợi (TL) - - - $\alpha = 0.826$ Đạt chuẩn rất tốt
TL1 (Thuận tiện công việc) 14.49 7.329 0.628 0.790 Giữ lại
TL2 (Tiết kiệm thời gian) 14.66 7.054 0.659 0.781 Giữ lại
TL3 (Tiết kiệm chi phí) 14.77 6.659 0.588 0.806 Giữ lại
TL4 (Nhiều ưu đãi/khuyến mãi) 14.57 7.632 0.339 0.814 Giữ lại ($r_{it} > 0.3$)
TL5 (Giá trị dịch vụ mang lại) 14.73 6.717 0.713 0.764 Giữ lại
Sự hài lòng (HL) - - - $\alpha = 0.855$ Đạt chuẩn rất tốt
HL1 (Hài lòng chung dịch vụ) 15.13 5.232 0.611 0.839 Giữ lại
HL2 (Hài lòng với tài xế) 15.17 4.759 0.782 0.796 Giữ lại
HL3 (Hài lòng với phương tiện) 13.22 4.807 0.758 0.802 Giữ lại
HL4 (Hài lòng với CSKH) 15.12 4.917 0.392 0.848 Giữ lại
HL5 (Tiếp tục sử dụng Grab) 15.05 5.007 0.621 0.838 Giữ lại
Sự rủi ro (RR) - - - $\alpha = 0.916$ Đạt chuẩn xuất sắc
RR2 (Mất an toàn giao thông) 9.45 8.096 0.754 0.909 Giữ lại
RR3 (Nguy cơ đánh cắp tài khoản) 9.41 7.610 0.876 0.866 Giữ lại
RR4 (Trục trặc thanh toán) 9.35 8.230 0.823 0.886 Giữ lại
RR5 (Vấn đề pháp lý) 9.39 8.010 0.779 0.900 Giữ lại

(Lưu ý: Biến RR1 có tương quan biến - tổng nhỏ hơn 0.3 đã được loại bỏ để tối ưu hóa độ tin cậy thang đo đạt mức 0.916).

Phân tích nhân tố khám phá (EFA) & Hồi quy tuyến tính bội

  • Kiểm định EFA Biến độc lập: Hệ số $KMO = 0.812$ ($0.5 < KMO < 1.0$), kiểm định Bartlett có mức ý nghĩa $Sig. = 0.000 < 0.05$. Tổng phương sai trích (Total Variance Explained) đạt $> 62.45%$ tại điểm dừng Eigenvalue $> 1.0$, xác nhận tính hội tụ và phân biệt của cấu trúc thang đo.
  • Phương trình hồi quy chuẩn hóa OLS: $$\text{HL} = \beta_0 + \beta_1 \text{TL} + \beta_2 \text{TT} + \beta_3 \text{PV} + \beta_4 \text{TC} + \beta_5 \text{AT} + \beta_6 \text{XH} - \beta_7 \text{RR} + e$$
  • Hệ số xác định mô hình: $R^2 \text{ hiệu chỉnh} = 0.618$, chỉ ra rằng 61,8% sự biến thiên trong mức độ hài lòng của khách hàng được giải thích bởi các biến độc lập trong mô hình.
  • Kiểm định đa cộng tuyến: Tất cả các biến độc lập đều có hệ số phóng đại phương sai $VIF < 1.8$ (thấp hơn nhiều so với ngưỡng cảnh báo 10 hoặc 2.0), chứng minh không tồn tại hiện tượng đa cộng tuyến.

Đổi mới và đóng góp

  1. Chuẩn hóa thang đo vi mô cho dịch vụ e-hailing xe 2 bánh: Khác với các nghiên cứu trước đây vốn điều chỉnh thang đo SERVQUAL phương Tây chủ yếu cho xe taxi 4 bánh, nghiên cứu này xây dựng và kiểm định thành công bộ chỉ số đặc thù cho vận tải hành khách xe máy công nghệ (GrabBike) tại môi trường giao thông đặc thù của TP.HCM.
  2. Lượng hóa chi tiết nhân tố rủi ro công nghệ: Tách biệt rõ ràng rủi ro vật lý (an toàn giao thông) và rủi ro phi vật lý (rủi ro thanh toán số, rò rỉ dữ liệu). Kết quả chứng minh hệ số $\alpha = 0.916$ cho thấy tính nhất quán nội tại cực cao của thang đo rủi ro cảm nhận.
  3. So sánh đối chiếu với các công trình nghiên cứu tiền nhiệm:
Nghiên cứu Địa bàn / Cỡ mẫu Các nhân tố tác động chính Điểm khác biệt / Hạn chế giải quyết
Ngô Minh Tâm & ctg (2020) TP. Huế ($N=200$) Sự hữu ích, Chuẩn mực chủ quan, Dễ sử dụng, Giá cả Mẫu còn hẹp, giải pháp mang tính định tính chưa đo lường sai biệt ANOVA
Dương Công Huân & ctg (2021) TP. Đà Nẵng ($N=180$) Chất lượng thông tin, Chất lượng hệ thống, Dịch vụ Áp dụng mô hình DeLone & McLean, chưa nhấn mạnh yếu tố rủi ro tài xế
Phạm Thị Lệ Trinh (Đồ án này) TP.HCM ($N=105$) Tiện lợi, Thái độ phục vụ, An toàn, Tin cậy, Rủi ro Tích hợp sâu yếu tố rủi ro thanh toán số và phân tích ANOVA đa nhóm thu nhập

Ứng dụng thực tế và triển khai

Dựa trên các hệ số hồi quy chuẩn hóa và kết quả phân tích thống kê, lộ trình triển khai 4 giai đoạn được thiết kế nhằm nâng cao hiệu quả vận hành kinh doanh cho nền tảng GrabBike:

+---------------------------------------------------------------------------------------+
|                       LỘ TRÌNH TRIỂN KHAI VẬN HÀNH DỊCH VỤ                            |
+---------------------------------------------------------------------------------------+
|  Q1: Chuẩn hóa chất lượng phục vụ & Đào tạo quy chuẩn lái xe                          |
|      - Triển khai e-Learning bắt buộc về kỹ năng giao tiếp ứng xử cho 100% tài xế     |
|      - Thiết lập cơ chế thưởng nóng cho tài xế duy trì rating >= 4.9 sao              |
|                                                                                       |
|  Q2: Tối ưu hóa thuật toán định tuyến & Khắc phục điểm mù GPS                        |
|      - Cập nhật thuật toán Matching giảm thời gian chờ trung bình xuống < 3.2 phút    |
|      - Thiết lập các "Virtual Pick-up Points" tại các cổng trường đại học lớn         |
|                                                                                       |
|  Q3: Nâng cấp hệ thống an ninh thanh toán & Bảo hiểm toàn diện                        |
|      - Tích hợp xác thực sinh trắc học (FaceID/Fingerprint) cho ví Moca/ZaloPay       |
|      - Mở rộng gói bảo hiểm tai nạn tự động trong suốt cuốc xe                        |
|                                                                                       |
|  Q4: Cá nhân hóa chính sách giá & Chăm sóc khách hàng đa kênh                         |
|      - Triển khai gói cước Subscription theo tuần dành riêng cho đối tượng sinh viên  |
|      - Tích hợp Chatbot AI giải quyết khiếu nại hoàn tiền dưới 60 giây                |
+---------------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (ROI Projections)

  • Tăng tỷ lệ giữ chân khách hàng (Retention Rate): Việc cải thiện thái độ phục vụ và giảm thiểu trục trặc thanh toán ước tính giảm tỷ lệ rời bỏ dịch vụ (Churn Rate) từ 14% xuống còn 8.5% trong vòng 6 tháng.
  • Tối ưu hóa chi phí vận hành (OPEX): Hệ thống giải quyết khiếu nại tự động giúp giảm 35% chi phí nhân sự tổng đài hỗ trợ khách hàng.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Quy mô mẫu khảo sát: Cỡ mẫu $N = 105$ đáp ứng đủ tiêu chuẩn toán học tối thiểu của Hair et al. ($N \ge 5 \times 20 = 100$) và Tabachnick & Fidell ($N \ge 50 + 8 \times 5 = 90$), tuy nhiên tính đại diện chưa thể phủ kín toàn bộ các tầng lớp dân cư tại TP.HCM.
  • Mất cân đối cơ cấu mẫu: Tỷ lệ sinh viên chiếm tới 79% và nhóm tuổi 18 - 25 chiếm 89%, khiến các phát hiện phản ánh chủ yếu hành vi tiêu dùng của nhóm khách hàng trẻ nhạy cảm về giá.
  • Phương pháp lấy mẫu thuận tiện: Chưa áp dụng kỹ thuật lấy mẫu phân tầng (Stratified Sampling) theo từng quận huyện địa lý.

Hướng phát triển tiếp theo

  • Mở rộng cỡ mẫu lên $N \ge 500$, phân bổ đều giữa các quận nội thành và ngoại thành.
  • Áp dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Mediating variables) như Niềm tin thương hiệu và Lòng trung thành khách hàng.
  • Tích hợp xử lý ngôn ngữ tự nhiên (NLP) phân tích cảm xúc từ hàng ngàn đánh giá dạng text trên Google Play và App Store.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                               |
+-------------------------------------------------------------------------------+
|  [Sinh viên / Học thuật]                                                      |
|  - Cung cấp bộ dữ liệu thực tế và thang đo kiểm định mẫu                      |
|  - Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng          |
|                                                                               |
|  [Lập trình viên / Kỹ sư dữ liệu]                                             |
|  - Hiểu rõ các biến số ảnh hưởng đến trải nghiệm người dùng (UX Metrics)      |
|  - Cơ sở thiết kế API định tuyến, tối ưu thuật toán matching tài xế           |
|                                                                               |
|  [Doanh nghiệp gọi xe công nghệ (Grab, Be, Gojek)]                            |
|  - Cung cấp bộ trọng số định lượng để phân bổ ngân sách marketing             |
|  - Chiến lược giữ chân khách hàng phân khúc Gen Z                             |
|                                                                               |
|  [Nhà quản lý đô thị & Giao thông]                                            |
|  - Luận cứ khoa học đánh giá tác động của e-hailing đến giao thông công cộng  |
|  - Cơ sở xây dựng chính sách quản lý vận tải hợp đồng số hóa                  |
+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Kích thước mẫu N = 105 có đủ độ tin cậy để chạy hồi quy đa biến không?

Theo quy tắc kinh nghiệm của Hair et al. (1998), kích thước mẫu tối thiểu cho EFA là $N \ge 5 \times m$ ($m$ là số biến quan sát). Với 20 biến chính thức, mẫu yêu cầu là 100. Đồng thời theo Tabachnick & Fidell (1996), phân tích hồi quy yêu cầu $N \ge 50 + 8 \times k$ ($k$ là số biến độc lập, $50 + 8 \times 5 = 90$). Do đó, quy mô mẫu $N = 105$ hoàn toàn đảm bảo ý nghĩa thống kê.

2. Tại sao biến RR1 lại bị loại trong kiểm định Cronbach's Alpha?

Biến RR1 ("Sử dụng dịch vụ Grab bị lộ thông tin cá nhân") có hệ số tương quan biến - tổng ($r_{it}$) nhỏ hơn ngưỡng tiêu chuẩn 0.3. Việc loại bỏ biến rác này giúp hệ số Cronbach's Alpha của thang đo Sự rủi ro tăng lên mức tối ưu 0.916, đảm bảo độ tin cậy nội tại của thang đo.

3. Tại sao tỷ lệ người dùng nữ trong khảo sát lại cao hơn nam giới (69% so với 31%)?

Đặc điểm mẫu tập trung tại các khối trường đại học kinh tế, xã hội trên địa bàn TP.HCM có tỷ lệ sinh viên nữ cao. Ngoài ra, khảo sát thực tế cho thấy đối tượng nữ giới có xu hướng ưu tiên chọn xe ôm công nghệ vì tính an toàn, hiển thị rõ danh tính tài xế và biển số xe hơn so với xe ôm truyền thống.

4. Hệ số Durbin-Watson trong mô hình hồi quy mang ý nghĩa gì?

Trị số Durbin-Watson được sử dụng để kiểm định hiện tượng tự tương quan chuỗi bậc nhất giữa các phần dư. Giá trị Durbin-Watson nằm trong khoảng từ 1.5 đến 2.5 cho thấy mô hình không vi phạm giả định tự tương quan, đảm bảo tính ước lượng không chệch của các hệ số hồi quy OLS.

5. Làm thế nào để doanh nghiệp áp dụng kết quả nghiên cứu này để tăng trưởng doanh thu?

Doanh nghiệp nên tập trung ngân sách cải thiện 2 nhân tố có trọng số beta cao nhất: tối ưu hóa thời gian đón xe (thuộc Sự tiện lợi) và nâng cao tiêu chuẩn thái độ phục vụ của tài xế. Việc này mang lại hiệu quả gia tăng sự hài lòng cao hơn so với việc liên tục tung ra các voucher giảm giá ngắn hạn.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Phạm Thị Lệ Trinh đã giải quyết trọn vẹn bài toán đo lường và lượng hóa các yếu tố tác động đến sự hài lòng của khách hàng khi sử dụng dịch vụ xe công nghệ GrabBike tại TP.HCM. Bằng việc phối hợp chặt chẽ giữa phương pháp nghiên cứu định tính và định lượng, kiểm định nghiêm ngặt qua Cronbach's Alpha, EFA, hồi quy tuyến tính OLS và phân tích phương sai ANOVA trên phần mềm IBM SPSS Statistics 20, nghiên cứu đã cung cấp bức tranh dữ liệu xác thực về thị hiếu của khách hàng đô thị trẻ.

Kết quả nghiên cứu khẳng định sự tiện lợi, tính an toàn và thái độ phục vụ là những trụ cột then chốt quyết định lòng trung thành của người dùng đối với nền tảng gọi xe công nghệ. Đây là nguồn tư liệu tham khảo giá trị cho cả giới học thuật kinh tế ứng dụng lẫn các nhà điều hành nền tảng e-hailing trong việc hoạch định chiến lược kinh doanh bền vững tại Việt Nam.