Giới thiệu dự án

Thị trường gọi xe công nghệ (Ride-hailing Services) toàn cầu năm 2021 đạt quy mô 44,8 tỷ USD và được dự báo tăng trưởng với tốc độ tăng trưởng kép hàng năm (CAGR) 17% để đạt 180,3 tỷ USD vào năm 2030 (theo Acumen Research and Consulting). Tại Việt Nam, theo báo cáo của Google và Temasek, quy mô thị trường kinh tế số dự kiến đạt 4 tỷ USD vào năm 2025 với tốc độ tăng trưởng bình quân trên 40%/năm. Tuy nhiên, sau giai đoạn biến động dịch bệnh COVID-19 và đợt tăng giá nhiên liệu kỷ lục trong vòng 7 năm qua, chi phí cước dịch vụ leo thang đã làm thay đổi đáng kể hành vi tiêu dùng. TP.HCM hiện có mật độ dân số trên 4.375 người/km² cùng hàng trăm nghìn sinh viên đại học – nhóm khách hàng mục tiêu có mức độ tiếp cận công nghệ cao nhưng bị ràng buộc chặt chẽ bởi ngân sách chi tiêu.

Vấn đề cốt lõi đặt ra là các nền tảng gọi xe công nghệ đang đối mặt với sự sụt giảm tần suất sử dụng từ phân khúc sinh viên do độ nhạy cảm về giá, rủi ro an toàn và sự cạnh tranh từ mạng lưới giao thông công cộng trợ giá (xe buýt). Dự án nghiên cứu này được triển khai nhằm lượng hóa chính xác các rào cản và động lực thúc đẩy hành vi của tập khách hàng thế hệ trẻ tại TP.HCM.

       MÔ HÌNH NGHIÊN CỨU TỔNG QUAN EXTENDED-UTAUT
+-------------------------------------------------------------+
| Biến độc lập (Independent Variables):                       |
|   - HQ: Tính hiệu quả (Performance Expectancy)              |
|   - SD: Tính dễ sử dụng (Effort Expectancy)                 |
|   - DK: Điều kiện thuận lợi (Facilitating Conditions)       |
|   - XH: Ảnh hưởng xã hội (Social Influence)                 |
|   - GC: Cảm nhận về giá cả (Perceived Price)                |
|   - RR: Nhận thức rủi ro (Perceived Risk - Tác động âm)     |
+------------------------------+------------------------------+
                               |
                               v
+-------------------------------------------------------------+
| Biến phụ thuộc (Dependent Variable):                        |
|   - CNSD: Ý định và Hành vi chấp nhận sử dụng dịch vụ      |
+-------------------------------------------------------------+

Mục tiêu cụ thể của dự án bao gồm:

  1. Hệ thống hóa cơ sở lý luận về dịch vụ gọi xe trên nền tảng di động và tổng hợp các mô hình chấp nhận công nghệ (TAM, TPB, UTAUT, UTAUT2).
  2. Xây dựng và kiểm định mô hình định lượng mở rộng (Extended-UTAUT) tích hợp 2 biến ngữ cảnh: Cảm nhận về giá cả (Perceived Price - GC) và Nhận thức rủi ro (Perceived Risk - RR).
  3. Đo lường mức độ tác động của 6 nhóm nhân tố tới quyết định chấp nhận sử dụng dịch vụ của 250 sinh viên tại TP.HCM bằng phương pháp phân tích thống kê đa biến.
  4. Đề xuất ma trận giải pháp thực thi cho các doanh nghiệp cung cấp nền tảng (Grab, Be, Gojek) và định hướng tối ưu hóa chi tiêu đi lại cho sinh viên.

Phạm vi nghiên cứu tập trung vào đối tượng sinh viên đại học, cao đẳng trên địa bàn TP.HCM trong khoảng thời gian từ tháng 10/2022 đến tháng 01/2023. Giới hạn đề tài nằm ở việc sử dụng kỹ thuật lấy mẫu thuận tiện phi xác suất ($N = 250$), phản ánh đặc thù hành vi tại đô thị loại đặc biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường vận tải hành khách đô thị tại TP.HCM ghi nhận sự cạnh tranh gay gắt giữa 3 nhóm giải pháp chính: xe ôm/taxi truyền thống, phương tiện công cộng (xe buýt) và dịch vụ xe công nghệ (Grab, Be, Gojek).

Tiêu chí so sánh Xe ôm / Taxi truyền thống Xe buýt công cộng Dịch vụ xe công nghệ (Ride-hailing)
Tính minh bạch giá Kém (dễ phát sinh mặc cả, chặt chém) Rất cao (vé đồng giá được trợ giá) Tuyệt đối (hiển thị cước phí trước chuyến đi)
Tính tiện lợi & Đón tận nơi Trung bình (phải tìm tại bến/bãi) Thấp (phụ thuộc trạm dừng cố định) Rất cao (định vị GPS/LBS đón tận điểm yêu cầu)
Thời gian di chuyển Linh hoạt nhưng thiếu kiểm soát lộ trình Chậm (thường xuyên trễ giờ cao điểm) Tối ưu hóa qua thuật toán định tuyến tự động
Chi phí trên mỗi km Cao (12.000 - 15.000 VNĐ/km) Cực thấp (3.000 - 7.000 VNĐ/lượt) Trung bình - linh hoạt theo cung cầu thực tế
Mức độ an toàn & Bảo mật Thấp (không lưu vết chuyến đi) Cao (an toàn giao thông) Rất cao (chia sẻ hành trình, SOS, bảo hiểm chuyến)

Dựa trên yêu cầu của phân khúc sinh viên, các tính năng của nền tảng được ưu tiên theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Hiển thị giá cước cố định trước khi đặt; bản đồ định vị thời gian thực (Real-time GPS Tracking); hỗ trợ đa phương thức thanh toán (tiền mặt, ví MoMo, ZaloPay, thẻ nội địa).
  • Should-have (Nên có): Mã khuyến mãi chuyên biệt cho sinh viên theo khung giờ học; đánh giá chất lượng tài xế 2 chiều; nút báo động khẩn cấp SOS tích hợp gửi vị trí cho người thân.
  • Could-have (Có thể có): Tính năng đi chung xe (Ride-pooling) để chia sẻ chi phí; liên kết thẻ sinh viên điện tử để tự động chiết khấu.
  • Won't-have (Chưa ưu tiên): Đặt xe hạng sang cao cấp (GrabCar Plus/Luxury); tích hợp dịch vụ đặt vé máy bay đường dài.

Thiết kế hệ thống và mô hình phân tích

Hệ thống xử lý và mô hình hóa dữ liệu nghiên cứu hành vi được thiết kế theo cấu trúc luồng thông tin chuẩn hóa:

Ngăn xếp công nghệ (Technology Stack)

  • Công cụ phân tích định lượng: IBM SPSS Statistics phiên bản 20.0 (Core Engine cho kiểm định Cronbach's Alpha, EFA, OLS Regression).
  • Ngôn ngữ xử lý bổ trợ: Python 3.10 với các thư viện pandas 2.0.3, numpy 1.24.3, statsmodels 0.14.0, seaborn 0.12.2.
  • Hệ thống thu thập dữ liệu: Google Forms API kết hợp bảng câu hỏi cấu trúc hóa thang đo Likert 5 mức độ (1: Rất không đồng ý đến 5: Rất đồng ý).
  • Công nghệ nền tảng di động của đối tượng nghiên cứu: Định vị toàn cầu GPS, Dịch vụ dựa trên vị trí (Location-Based Services - LBS), API cổng thanh toán trung gian điện tử (Moca, MoMo, ZaloPay).

Mô hình hồi quy tuyến tính tổng quát được thiết lập như sau:

$$\text{CNSD} = \beta_0 + \beta_1 \cdot \text{HQ} + \beta_2 \cdot \text{SD} + \beta_3 \cdot \text{DK} + \beta_4 \cdot \text{XH} + \beta_5 \cdot \text{GC} + \beta_6 \cdot \text{RR} + \epsilon$$

Trong đó:

  • $\text{CNSD}$: Ý định chấp nhận sử dụng dịch vụ xe công nghệ (Biến phụ thuộc).
  • $\text{HQ}, \text{SD}, \text{DK}, \text{XH}, \text{GC}, \text{RR}$: Các biến độc lập đại diện cho Tính hiệu quả, Tính dễ sử dụng, Điều kiện thuận lợi, Ảnh hưởng xã hội, Cảm nhận giá cả và Nhận thức rủi ro.
  • $\beta_0$: Hằng số hồi quy; $\beta_1 \dots \beta_6$: Hệ số hồi quy riêng phần chuẩn hóa; $\epsilon$: Sai số ngẫu nhiên.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình kết hợp định tính và định lượng qua 4 mốc tiến độ chính:

Giai đoạn Nội dung thực hiện Đầu ra (Deliverables)
Milestone 1 (10/2022) Nghiên cứu định tính: Tổng quan lý thuyết, phỏng vấn thử 10 sinh viên Hiệu chỉnh bảng hỏi sơ bộ thành bảng hỏi chính thức
Milestone 2 (11/2022) Thu thập dữ liệu thực địa: Khảo sát trực tuyến và trực tiếp ($N=250$) Bộ dữ liệu thô (.sav / .csv) hoàn chỉnh
Milestone 3 (12/2022) Xử lý dữ liệu định lượng trên SPSS 20.0: Cronbach's Alpha, EFA Bảng ma trận xoay nhân tố và hệ số tương quan
Milestone 4 (01/2023) Hồi quy tuyến tính OLS, kiểm định giả thuyết $H_1 \dots H_6$, ANOVA Báo cáo kết quả nghiên cứu và gói giải pháp ứng dụng

Implementation và kết quả

Quy trình tiền xử lý và thuật toán phân tích

Dữ liệu khảo sát từ 250 mẫu được làm sạch và xử lý thông qua pipeline phân tích hồi quy tương đương với script Python/SPSS dưới đây:

import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Load và tiền xử lý dữ liệu khảo sát
df = pd.read_csv("student_ride_hailing_survey_n250.csv")

# 2. Định nghĩa các biến độc lập và biến phụ thuộc
independent_vars = ['HQ', 'SD', 'DK', 'XH', 'GC', 'RR']
X = df[independent_vars]
y = df['CNSD']

# 3. Thêm hằng số vào mô hình hồi quy OLS
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()

# 4. Tính toán hệ số phóng đại phương sai (VIF) kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(model.summary())
print("\nKiểm tra Đa cộng tuyến (VIF):")
print(vif_data)

Kiểm định và đánh giá độ tin cậy thang đo

Quá trình kiểm định dữ liệu thực nghiệm trên SPSS 20.0 đạt các chỉ số thống kê tiêu chuẩn:

  1. Kiểm định Cronbach's Alpha: Tất cả 7 thang đo (6 biến độc lập và 1 biến phụ thuộc) đều có hệ số $\alpha > 0.70$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của từng biến quan sát đều đạt giá trị $> 0.30$.
  2. Phân tích nhân tố khám phá (EFA):
    • Biến độc lập: Hệ số $\text{KMO} = 0.842$ ($> 0.50$), kiểm định Bartlett có giá trị thống kê với mức ý nghĩa $p = 0.000 < 0.05$. Tổng phương sai trích đạt $63.78%$ ($> 50%$) tại Eigenvalue $> 1.0$, ma trận xoay Varimax trích xuất chính xác 6 nhóm nhân tố không bị xáo trộn.
    • Biến phụ thuộc (CNSD): KMO đạt $0.789$, phương sai trích $> 60%$, tải trọng nhân tố (Factor Loading) đều $> 0.55$.
  3. Phân tích tương quan Pearson: Cả 6 biến độc lập đều có tương quan tuyến tính có ý nghĩa thống kê với biến phụ thuộc CNSD ($p < 0.01$).

Kết quả hồi quy và đối chiếu giả thuyết

Mô hình hồi quy tuyến tính bội đạt độ tương thích cao với dữ liệu thực tế: Hệ số xác định $R^2 = 0.624$, $R^2 \text{ hiệu chỉnh} = 0.615$, giá trị kiểm định $F = 67.28$ ($p < 0.001$). Hệ số phóng đại phương sai $\text{VIF} < 2.0$ khẳng định không xảy ra hiện tượng đa cộng tuyến.

                           KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH HỒI QUY
===============================================================================
Biến độc lập              Ký hiệu   Hệ số Beta chuẩn hóa   Sig. (p-value)   Kết luận
-------------------------------------------------------------------------------
Điều kiện thuận lợi         DK            +0.328               0.000        Chấp nhận H3
Ảnh hưởng xã hội            XH            +0.285               0.000        Chấp nhận H4
Nhận thức rủi ro            RR            -0.214               0.000        Chấp nhận H6
Tính hiệu quả               HQ            +0.187               0.001        Chấp nhận H1
Tính dễ sử dụng             SD            +0.142               0.008        Chấp nhận H2
Cảm nhận về giá cả          GC            +0.126               0.015        Chấp nhận H5
===============================================================================
Phương trình hồi quy chuẩn hóa:
CNSD = 0.328*DK + 0.285*XH - 0.214*RR + 0.187*HQ + 0.142*SD + 0.126*GC

Kết quả khẳng định Điều kiện thuận lợi (DK) và Ảnh hưởng xã hội (XH) là hai nhân tố chi phối mạnh mẽ nhất đến hành vi đặt xe của sinh viên. Đặc biệt, Nhận thức rủi ro (RR) tác động ngược chiều có ý nghĩa lớn ($\beta = -0.214$), phản ánh nỗi e ngại về an toàn thông tin cá nhân và an toàn giao thông trong các khung giờ khuya.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến học thuật và giá trị ứng dụng cụ thể:

  • Đổi mới mô hình lý thuyết: Khác với mô hình UTAUT nguyên bản của Venkatesh et al. (2003) vốn tập trung vào môi trường doanh nghiệp, nghiên cứu này bổ sung thành công 2 cấu trúc biến đặc thù thị trường mới nổi: Cảm nhận giá cả (GC) và Nhận thức rủi ro (RR), tăng khả năng giải thích phương sai hành vi lên $61.5%$.
  • So sánh với các công trình đi trước:
    • So với nghiên cứu của Yu Wang et al. (2020) tại Trung Quốc (Tính dễ sử dụng không có ý nghĩa), nghiên cứu này chứng minh tại TP.HCM, Tính dễ sử dụng (SD) vẫn tác động tích cực ($\beta = 0.142, p = 0.008$).
    • So với Pham Van Kien et al. (2020) trên khách hàng GrabCar nói chung (Giá cả là yếu tố quan trọng số 1), phân khúc sinh viên lại chịu tác động mạnh nhất từ Điều kiện thuận lợi ($\beta = 0.328$) và Sự lan tỏa từ bạn bè, mạng xã hội ($\beta = 0.285$).
  • Đóng góp thực tiễn: Cung cấp bộ tham số định lượng cụ thể cho các nhà quản lý ứng dụng gọi xe để tái cơ cấu danh mục ưu đãi, chuyển dịch ngân sách từ giảm giá dàn trải sang nâng cấp chất lượng ứng dụng và an toàn chuyến đi.

Ứng dụng thực tế và triển khai

Dựa trên kết quả nghiên cứu, lộ trình 3 bước triển khai chiến lược kinh doanh và tối ưu hóa chi phí được đề xuất:

                      LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP (3 PHA)
 [Pha 1: Q1/2023 - Hạ tầng & An toàn]   --> Tối ưu app, tích hợp SOS, định danh tài xế
 [Pha 2: Q2/2023 - Gói cước Sinh viên]  --> Ra mắt Subscription Pass, tích hợp Ví MoMo
 [Pha 3: Q3/2023 - Marketing Mạng lưới] --> Đại sứ thương hiệu trường học, Gamification

Kịch bản ứng dụng thực tế

  1. Đối với các hãng xe công nghệ (Grab, Be, Gojek):
    • Tối ưu điều kiện thuận lợi: Giảm dung lượng ứng dụng (phiên bản Lite), tối ưu hóa GPS ở các hẻm nhỏ phức tạp quanh làng đại học (Thủ Đức, Quận 10, Bình Thạnh).
    • Triệt tiêu nhận thức rủi ro: Kích hoạt tính năng "Chia sẻ hành trình trực tiếp" (Share My Trip) bắt buộc cho các chuyến đi sau 22h; triển khai bảo hiểm tai nạn tích hợp tự động cho 100% cuốc xe.
    • Cơ chế giá sinh viên: Phát hành gói "Student Mobility Pass" theo tháng với chiết khấu cố định 20-30% cho các tuyến cố định từ ký túc xá đến khuôn viên trường học.
  2. Chi phí - Lợi ích (ROI): Việc định vị đúng tệp khách hàng sinh viên giúp doanh nghiệp tăng tỷ lệ giữ chân khách hàng (Retention Rate) ước tính thêm 25%, giảm chi phí thu hút khách hàng mới (CAC) nhờ hiệu ứng lan truyền mạng xã hội (Word-of-mouth).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & phương pháp: Cỡ mẫu dừng lại ở $N=250$ sinh viên theo phương pháp chọn mẫu thuận tiện, chưa bao phủ toàn bộ các trường đại học tại các quận ngoại thành TP.HCM.
  • Ràng buộc thời gian: Dữ liệu phản ánh giai đoạn cuối năm 2022 - đầu năm 2023 khi giá nhiên liệu biến động mạnh; sự ổn định giá xăng trong giai đoạn sau có thể làm thay đổi độ nhạy cảm của biến Cảm nhận giá cả (GC).
  • Hướng nghiên cứu tiếp theo: Mở rộng nghiên cứu bằng phương pháp mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM), tích hợp thêm biến điều tiết (Moderating variables) như Giới tính, Thu nhập hàng tháng và Tần suất sử dụng xe buýt.

Đối tượng hưởng lợi

  • Sinh viên đại học & cao đẳng: Nắm bắt được phương pháp lựa chọn phương tiện di chuyển thông minh, tận dụng các mã giảm giá và tính năng an toàn để tối ưu hóa ngân sách cá nhân lên đến 15-20% mỗi tháng.
  • Doanh nghiệp cung cấp nền tảng: Sở hữu dữ liệu phân tích định lượng chuẩn xác về tâm lý khách hàng trẻ, từ đó thiết kế sản phẩm (UI/UX) và chiến dịch tiếp thị tối ưu chi phí.
  • Nhà phát triển phần mềm giao thông: Thu nhận insight thực tế về các điểm nghẽn kỹ thuật (bản đồ, thanh toán, bảo mật) để nâng cao trải nghiệm ứng dụng.
  • Giới nghiên cứu học thuật: Cung cấp tài liệu tham khảo có giá trị phương pháp luận về việc ứng dụng thang đo mở rộng UTAUT trong lĩnh vực kinh tế số và giao thông đô thị Việt Nam.

Câu hỏi thường gặp

  1. Tại sao yếu tố Nhận thức rủi ro (RR) lại có hệ số âm trong mô hình hồi quy?
    Hệ số $\beta = -0.214$ phản ánh quan hệ tỷ lệ nghịch: Khi sinh viên cảm nhận rủi ro càng cao (lo ngại về lộ dữ liệu cá nhân, nguy cơ an toàn giao thông, thái độ tài xế), ý định và hành vi chấp nhận sử dụng dịch vụ sẽ suy giảm tương ứng.
  2. Mô hình nghiên cứu Extended-UTAUT này có áp dụng được cho các thành phố khác không?
    Hoàn toàn khả thi. Khung thang đo và quy trình xử lý dữ liệu SPSS có thể tái sử dụng cho Hà Nội, Đà Nẵng, Cần Thơ sau khi chuẩn hóa lại dữ liệu nhân khẩu học theo địa phương.
  3. Cỡ mẫu 250 có đảm bảo độ tin cậy thống kê cho phân tích EFA không?
    Hoàn toàn đạt chuẩn. Theo quy tắc của Hair et al. (2014), cỡ mẫu tối thiểu cho EFA cần đạt tỷ lệ 5:1 so với số biến quan sát. Đề tài có 28 biến quan sát, yêu cầu tối thiểu 140 mẫu; cỡ mẫu $N=250$ vượt tiêu chuẩn kiểm định.
  4. Phần mềm SPSS 20.0 xử lý những kiểm định chính nào trong đề tài?
    SPSS 20.0 thực hiện trọn vẹn: Thống kê mô tả (Descriptive Statistics), Kiểm định độ tin cậy thang đo (Cronbach's Alpha), Phân tích nhân tố khám phá (EFA), Kiểm định tương quan Pearson, Phân tích hồi quy đa biến (Multiple Regression) và Phân tích phương sai (One-way ANOVA).
  5. Điểm khác biệt lớn nhất giữa sinh viên và đối tượng người đi làm khi sử dụng xe công nghệ là gì?
    Sinh viên chịu sự chi phối áp đảo từ Điều kiện thuận lợi ($\beta = 0.328$) và Ảnh hưởng xã hội ($\beta = 0.285$), trong khi người đi làm thường ưu tiên hàng đầu cho Tính hiệu quả (tiết kiệm thời gian) và Tiện nghi dịch vụ.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Hồ Lệ Thương Thương đã hoàn thành xuất sắc việc giải mã các động lực hành vi sử dụng dịch vụ xe công nghệ của sinh viên tại TP.HCM. Bằng việc mở rộng mô hình UTAUT với hai biến thực chứng Giá cả và Rủi ro, nghiên cứu chứng minh vai trò then chốt của Điều kiện thuận lợi ($\beta = 0.328$), Ảnh hưởng xã hội ($\beta = 0.285$) và tác động cản trở của Nhận thức rủi ro ($\beta = -0.214$). Đây là cơ sở khoa học vững chắc giúp các nền tảng công nghệ như Grab, Be, Gojek hoàn thiện giải pháp kỹ thuật, thắt chặt quy chuẩn an toàn và xây dựng các gói chính sách giá phù hợp cho thế hệ người tiêu dùng tương lai.