Giới thiệu dự án

Ô nhiễm không khí đô thị tại các trung tâm kinh tế lớn của Việt Nam, đặc biệt là Thủ đô Hà Nội, đang trở thành thách thức môi trường cấp bách. Theo số liệu quan trắc từ Đài Khí tượng Thủy văn Trung ương và Báo cáo Hiện trạng Không khí Toàn cầu, nồng độ bụi mịn PM2.5 tại Hà Nội vào các đợt cao điểm dao động từ 200 đến 400 $\mu g/m^3$, vượt ngưỡng an toàn của Tổ chức Y tế Thế giới (WHO) từ 8 đến 16 lần. Việt Nam xếp thứ 79/98 quốc gia về Chỉ số Hiệu suất Môi trường (EPI) với 37,4/100 điểm. Ngành giao thông vận tải đóng góp tới 24,34% tổng lượng phát thải khí nhà kính (CO2, NOx, SO2, VOCs) ra khí quyển. Với hơn 6 triệu xe máy lưu thông tại Hà Nội, tỷ lệ xe máy điện (EV - Electric Vehicle) chỉ chiếm khoảng 1% tổng lượng phương tiện đăng ký.

+-----------------------------------------------------------------------------------+
| THỰC TRẠNG GIAO THÔNG VÀ PHÁT THẢI TẠI HÀ NỘI                                    |
+-----------------------------------------------------------------------------------+
| • PM2.5: 200 - 400 µg/m³ (Vượt 8-16 lần ngưỡng an toàn WHO)                      |
| • EPI Quốc gia: 37,4/100 (Hạng 79/98)                                             |
| • Đóng góp phát thải Carbon từ GTVT: 24,34%                                       |
| • Thị phần xe máy xăng (ICE): 99% (~300.000 xe/tháng toàn quốc)                  |
| • Thị phần xe máy điện (EV): ~1% (VinFast đạt ~15.000 xe/tháng)                   |
+-----------------------------------------------------------------------------------+

Vấn đề cốt lõi (Problem Statement) nằm ở khoảng cách lớn giữa nhận thức bảo vệ môi trường và hành vi tiêu dùng thực tế: chỉ 45% người dân hiểu rõ công nghệ xe điện, 27% từng trải nghiệm, và thị phần xe máy điện chỉ đạt 15.000 xe/tháng so với 300.000 xe máy động cơ đốt trong (ICE) bán ra mỗi tháng (tỷ lệ 1:20). Người tiêu dùng vẫn đối mặt với các rào cản lớn về hạ tầng sạc, định kiến về độ bền pin và khả năng vận hành.

Đề tài "Nghiên cứu các yếu tố ảnh hưởng đến ý định tiêu dùng sản phẩm xanh của người dân trên địa bàn Thành phố Hà Nội: Trường hợp xe máy điện VinFast" tập trung giải quyết các mục tiêu:

  1. Hệ thống hóa cơ sở lý luận về hành vi tiêu dùng xanh, tích hợp các mô hình tâm lý học hành vi (TRA, TPB, ABC).
  2. Định lượng mức độ tác động của 4 nhóm nhân tố: Thái độ ($TD$), Chuẩn chủ quan ($CCQ$), Nhận thức kiểm soát hành vi ($NT$), Mối quan tâm đến môi trường ($QTMT$) đến Ý định mua ($YD$) xe máy điện VinFast.
  3. Xây dựng mô hình kinh tế lượng và đề xuất hệ thống giải pháp Marketing - Hạ tầng - Chính sách khả thi nhằm thúc đẩy chuyển đổi xanh.

Phạm vi nghiên cứu tập trung vào người tiêu dùng đang sinh sống, học tập và làm việc tại Hà Nội, thực hiện thu thập dữ liệu sơ cấp trong giai đoạn tháng 04/2023 - 05/2023.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường phương tiện hai bánh đô thị tại Hà Nội phân hóa rõ rệt giữa xe máy xăng truyền thống và xe máy điện thế hệ mới:

Tiêu chí đánh giá Xe máy xăng truyền thống (ICE) Xe máy điện thông thường (Trung Quốc/No-brand) Xe máy điện thông minh (VinFast EV)
Hiệu suất năng lượng 40% (60% tiêu hao dưới dạng nhiệt) 65 - 70% 85% (Động cơ điện In-hub/Mid-motor)
Phát thải vận hành CO2, NOx, HC, PM2.5 cao 0% tại điểm vận hành 0% phát thải trực tiếp
Chi phí vận hành Cao (~500 - 800 VNĐ/km) Thấp (~100 VNĐ/km) Rất thấp (~80 - 120 VNĐ/km kèm thuê pin)
Hạ tầng hỗ trợ Trạm xăng phủ khắp 100% Tự sạc tại nhà (Pin Chì/Ắc quy) Trạm sạc công cộng + Trạm đổi pin GSM
Tuổi thọ lưu trữ Bình chứa kim loại > 10 năm Ắc quy chì-axit (1 - 2 năm) Pin LFP/Lithium-ion (> 2.000 chu kỳ sạc)

Phân loại yêu cầu người dùng theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Chi phí mua hợp lý, quãng đường tối thiểu > 80 km/lần sạc, khả năng chống nước IP67.
  • Should-have (Nên có): Hạ tầng trạm sạc nhanh đô thị, chính sách thuê/bảo hành pin rõ ràng, thiết kế thời trang.
  • Could-have (Có thể có): Kết nối ứng dụng di động (Smart App), định vị GPS chống trộm, nâng cấp firmware OTA.
  • Won't-have (Chưa ưu tiên): Tốc độ tối đa trên 100 km/h, tính năng tự hành phức tạp.
                    MA TRẬN KHOẢNG TRỐNG THỊ TRƯỜNG (GAP ANALYSIS)
     NHU CẦU TIÊU DÙNG XANH                     RÀO CẢN THỰC THI
                   GIẢI PHÁP ĐỀ XUẤT CỦA MÔ HÌNH NGHIÊN CỨU

Thiết kế hệ thống

Khung nghiên cứu thực nghiệm được thiết kế dưới dạng kiến trúc dòng dữ liệu phân tích (Data Pipeline Architecture), kết hợp lý thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), lý thuyết hành vi hoạch định (TPB - Ajzen, 1991) và mô hình Thái độ - Hành vi - Bối cảnh (ABC - Stern & Oskamp, 1987).

graph TD
    subgraph Conceptual_Framework ["Khung Biến Nghiên Cứu Định Lượng"]
        TD["Thái độ đối với hành vi (TD) <br/> [TD1, TD2, TD3]"] -->|H1 (+)| YD["Ý định tiêu dùng xe máy điện (YD) <br/> [YD1, YD2, YD3, YD4]"]
        CCQ["Chuẩn chủ quan (CCQ) <br/> [CCQ1, CCQ2, CCQ3, CCQ4, CCQ5]"] -->|H2 (+)| YD
        NT["Nhận thức kiểm soát (NT) <br/> [NT1, NT2, NT3]"] -->|H3 (+)| YD
        QTMT["Mối quan tâm môi trường (QTMT) <br/> [QTMT1, QTMT2, QTMT3, QTMT4]"] -->|H4 (+)| YD
    end

    subgraph Analytical_Engine ["Hệ Thống Phân Tích Dữ Liệu"]
        D_IN["Dữ liệu khảo sát sơ cấp (N=208)"] --> EFA["Phân tích nhân tố EFA (KMO, Bartlett)"]
        EFA --> REL["Kiểm định Cronbach's Alpha (α ≥ 0.7)"]
        REL --> REG["Hồi quy đa biến OLS (R², F-Test, VIF)"]
    end

Ngăn xếp công nghệ và công cụ định lượng (Technology Stack):

  • Ngôn ngữ xử lý & Trực quan hóa: Python v3.10 (Pandas, NumPy, Statsmodels, Scikit-learn, Seaborn).
  • Bộ công cụ thống kê chuyên sâu: IBM SPSS Statistics v26.0.
  • Khảo sát & Thu thập dữ liệu: Google Forms Engine kết hợp phân phối biểu mẫu trực tiếp.
  • Cơ chế kiểm soát tính toàn vẹn: Làm sạch dữ liệu tự động, loại bỏ phản hồi đơn điệu (Straight-lining) và biến dị đa chiều (Mahalanobis Distance Outliers).

Methodology

Phương pháp nghiên cứu áp dụng quy trình hỗn hợp định tính kết hợp định lượng thực nghiệm (Mixed Empirical Methodology) qua 4 giai đoạn chuẩn hóa:

+---------------------------------------------------------------------------------------------------+
| QUY TRÌNH TRIỂN KHAI PHƯƠNG PHÁP NGHIÊN CỨU                                                       |
+---------------------------------------------------------------------------------------------------+
| [Giai đoạn 1] Nghiên cứu sơ bộ                                                                    |
| [Giai đoạn 2] Thiết kế mẫu & Thu thập                                                             |
| [Giai đoạn 3] Xử lý & Kiểm định thang đo                                                          |
| [Giai đoạn 4] Mô hình hóa kinh tế lượng                                                           |
+---------------------------------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình làm sạch, tiền xử lý và xây dựng mô hình hồi quy đa biến được chuẩn hóa bằng mã nguồn phân tích dữ liệu chuyên dụng:

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

# 1. Tải và làm sạch tập dữ liệu khảo sát xe máy điện VinFast
df = pd.read_csv("vinfast_green_survey_hanoi_2023.csv")
valid_df = df.dropna().copy()  # N = 208 mẫu hợp lệ

# 2. Xây dựng biến tổng hợp từ thang đo Likert 5 mức độ
valid_df['TD'] = valid_df[['TD1', 'TD2', 'TD3']].mean(axis=1)
valid_df['CCQ'] = valid_df[['CCQ1', 'CCQ2', 'CCQ3', 'CCQ4', 'CCQ5']].mean(axis=1)
valid_df['NT'] = valid_df[['NT1', 'NT2', 'NT3']].mean(axis=1)
valid_df['QTMT'] = valid_df[['QTMT1', 'QTMT2', 'QTMT3', 'QTMT4']].mean(axis=1)
valid_df['YD'] = valid_df[['YD1', 'YD2', 'YD3', 'YD4']].mean(axis=1)

# 3. Thiết lập mô hình hồi quy OLS
X = valid_df[['TD', 'CCQ', 'NT', 'QTMT']]
X_with_const = sm.add_constant(X)
y = valid_df['YD']

ols_model = sm.OLS(y, X_with_const).fit()

# 4. Đánh giá đa cộng tuyến (Variance Inflation Factor - VIF)
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(ols_model.summary())
print("\n--- Variance Inflation Factor (VIF) ---")
print(vif_data)

Mô hình hồi quy tuyến tính lý thuyết được thiết lập như sau:

$$YD = \beta_0 + \beta_1 \cdot TD + \beta_2 \cdot CCQ + \beta_3 \cdot NT + \beta_4 \cdot QTMT + \epsilon$$

Trong đó:

  • $YD$: Ý định mua xe máy điện VinFast (Biến phụ thuộc).
  • $TD, CCQ, NT, QTMT$: Các biến độc lập tương ứng với Thái độ, Chuẩn chủ quan, Nhận thức kiểm soát hành vi, và Mối quan tâm môi trường.
  • $\beta_0$: Hằng số hồi quy; $\beta_1, \dots, \beta_4$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên.

Testing và validation

Kiểm định độ tin cậy thang đo (Cronbach's Alpha) và EFA

Tất cả 19 biến quan sát cấu thành 5 nhân tố đều đạt độ tin cậy nội hàm xuất sắc:

Thang đo / Nhân tố Số biến quan sát Hệ số Cronbach's Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất ($r_{item-total}$) Kết luận kiểm định
Thái độ ($TD$) 3 0.842 0.671 (TD1) Thang đo rất tốt
Chuẩn chủ quan ($CCQ$) 5 0.815 0.548 (CCQ4) Thang đo rất tốt
Nhận thức kiểm soát ($NT$) 3 0.789 0.582 (NT3) Đạt chuẩn tin cậy
Mối quan tâm môi trường ($QTMT$) 4 0.865 0.664 (QTMT1) Thang đo rất tốt
Ý định tiêu dùng ($YD$) 4 0.887 0.712 (YD2) Thang đo rất tốt

Kết quả phân tích nhân tố khám phá (EFA):

  • Hệ số Kaiser-Meyer-Olkin ($KMO$) = $0.854 > 0.5$, kiểm định Bartlett có giá trị thống kê $\chi^2 = 1845.62$ ($Sig. = 0.000 < 0.05$), khẳng định dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
  • Phép trích Principal Axis Factoring với phép quay Varimax trích xuất được 4 nhân tố độc lập tại Eigenvalue = $1.248 > 1$, tổng phương sai trích (Total Variance Explained) đạt $63.48% > 50%$.
  • Nhân tố phụ thuộc ($YD$) trích 1 nhân tố duy nhất với phương sai trích đạt $68.12%$.

Kết quả đạt được

Phân tích mẫu khảo sát hợp lệ ($N = 208$) phản ánh cấu trúc nhân khẩu học tiêu biểu của Hà Nội:

  • Giới tính: Nữ chiếm 55.8% (116 người), Nam chiếm 44.2% (92 người).
  • Độ tuổi: 18 - 25 tuổi chiếm ưu thế với 39.4% (82 người), 25 - 45 tuổi chiếm 30.8% (64 người).
  • Nghề nghiệp: Học sinh/Sinh viên (45.7%), Nhân viên văn phòng (25.5%), Lao động tự do (18.1%).
  • Tỷ lệ sở hữu hiện tại: 77.4% chưa sở hữu xe máy điện, 36.1% đã từng trải nghiệm thực tế.
                      KẾT QUẢ HỒI QUY ĐA BIẾN VÀ TÁC ĐỘNG NHÂN TỐ
   Nhân tố độc lập            Hệ số Beta chuẩn hóa (β)          Mức ý nghĩa (p-value)
   Hệ số R² hiệu chỉnh = 0.542 (Giải thích 54.2% biến thiên ý định tiêu dùng)
   Kiểm định F = 62.18 (Sig. = 0.000) | VIF cao nhất = 1.342 < 2.0 (Không có đa cộng tuyến)

Tất cả 4 giả thuyết ban đầu ($H1, H2, H3, H4$) đều được chấp nhận ở mức ý nghĩa thống kê $p < 0.05$. Trong đó, Thái độ ($\beta = 0.382$)Chuẩn chủ quan ($\beta = 0.245$) là hai lực đẩy quan trọng nhất chi phối quyết định chuyển đổi phương tiện xanh của người dân Hà Nội.


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới về cả phương diện lý thuyết học thuật và ứng dụng thực tiễn:

  1. Mở rộng khung lý thuyết tích hợp (TPB + ABC): Khắc phục hạn chế của các mô hình hành vi truyền thống bằng cách tích hợp biến "Mối quan tâm môi trường" ($QTMT$) vào bối cảnh áp lực ô nhiễm không khí tại Hà Nội, giúp gia tăng khả năng giải thích của mô hình ($R^2$ hiệu chỉnh tăng từ 41.5% lên 54.2%, cải thiện 30.6% sức mạnh dự báo).
  2. Khảo sát chuyên biệt cho thương hiệu nội địa (VinFast EV): Khác với các nghiên cứu trước đây vốn chỉ khảo sát xe đạp điện nói chung (Trương Tuấn Linh, 2018) hoặc thực hiện tại TP.HCM (Trần Thu Thảo & Trần Khánh Linh, 2021), công trình này đi sâu vào hệ sinh thái xe máy điện của một thương hiệu Việt Nam tại địa bàn có đặc thù khí hậu và giao thông phức tạp như Hà Nội.
  3. Phát hiện vai trò trung gian của mạng lưới xã hội: Chuẩn chủ quan có hệ số tác động $\beta = 0.245$, cho thấy định kiến cộng đồng và khuyến khích từ người thân/mạng xã hội tác động mạnh hơn khả năng tự kiểm soát tài chính ($NT$ có $\beta = 0.146$).
Tiêu chí so sánh Nghiên cứu Hoàng Thị Bảo Thoa (2016) Nghiên cứu Trần Thu Thảo & CS (2021) Mô hình nghiên cứu này (2023)
Phạm vi khảo sát Toàn quốc (Sản phẩm xanh chung) TP. Hồ Chí Minh (Xe VinFast chung) TP. Hà Nội (Xe máy điện VinFast)
Kích thước mẫu ($N$) 401 mẫu 215 mẫu 208 mẫu hợp lệ (chọn lọc chuyên sâu)
Mô hình ứng dụng TPB cơ bản Hồi quy tuyến tính 5 biến TPB mở rộng tích hợp ABC & QTMT
Mức độ giải thích ($R^2$) ~43.0% ~48.2% 54.2%
Bằng chứng kỹ thuật Định tính hành vi Phân tích hồi quy cơ bản EFA, Cronbach's Alpha, OLS, VIF đầy đủ

Ứng dụng thực tế và triển khai

Dựa trên các hệ số hồi quy định lượng, lộ trình giải pháp và ứng dụng thực tế được đề xuất cho các bên liên quan:

                            LỘ TRÌNH TRIỂN KHAI THỰC TẾ (2023 - 2026)
  2023 (Q3-Q4)                   2024 (Q1-Q4)                   2025 - 2026

Chiến lược cho Doanh nghiệp (VinFast):

  • Tác động vào Thái độ ($TD$ - $\beta = 0.382$): Đẩy mạnh truyền thông về hiệu suất 85% của động cơ điện, tiêu chuẩn kháng nước IP67 khi ngập lụt đô thị, và bài toán kinh tế: xe điện chỉ tiêu tốn ~120 VNĐ/km so với ~650 VNĐ/km của xe xăng (tiết kiệm ~81.5% chi phí năng lượng hàng tháng).
  • Tác động vào Chuẩn chủ quan ($CCQ$ - $\beta = 0.245$): Triển khai các chiến dịch "Đại sứ Xanh" trong giới trẻ Gen Z và sinh viên (chiếm 45.7% mẫu), tận dụng hình ảnh taxi điện GSM Xanh SM để bình thường hóa thói quen sử dụng xe điện trong mắt cộng đồng.
  • Tác động vào Nhận thức kiểm soát ($NT$ - $\beta = 0.146$): Đơn giản hóa thủ tục thuê pin, cung cấp cổng sạc tiêu chuẩn tại các bãi gửi xe chung cư, trường học, bệnh viện.

Ước tính Hiệu quả Kinh tế - Xã hội (Cost-Benefit Analysis):

  • Người dùng cá nhân: Tiết kiệm trung bình 4.500.000 - 6.000.000 VNĐ/năm chi phí nhiên liệu và bảo dưỡng (không cần thay dầu động cơ, bugi, lọc gió định kỳ).
  • Xã hội & Đô thị: Nếu Hà Nội chuyển đổi 1.000.000 xe máy xăng sang xe máy điện, lượng khí thải CO2 giảm thiểu ước tính đạt ~350.000 tấn/năm, trực tiếp kéo giảm chỉ số ô nhiễm PM2.5 nội đô.

Hạn chế và hướng phát triển

Nghiên cứu thừa nhận một số hạn chế mang tính học thuật và kỹ thuật:

  1. Phương pháp chọn mẫu thuận tiện (Convenience Sampling): Cỡ mẫu $N = 208$ tuy đáp ứng đầy đủ tiêu chuẩn kinh tế lượng của Hair et al. (yêu cầu tối thiểu 95) và Green (yêu cầu tối thiểu 82), nhưng tính đại diện tổng thể có thể bị thiên lệch do tỷ lệ học sinh/sinh viên còn cao (45.7%).
  2. Khoảng cách giữa Ý định và Hành vi (Intention-Behavior Gap): Đề tài mới dừng lại ở việc đo lường "Ý định mua" ($YD$), chưa thể theo dõi dọc (Longitudinal Study) để đánh giá tỷ lệ chuyển biến thành "Hành vi mua thực tế".
  3. Mô hình hóa tác động cấu trúc phi tuyến: Chưa sử dụng mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) để phân tích các mối quan hệ trung gian (Mediating effects) và điều tiết (Moderating effects) của biến nhân khẩu học (Thu nhập, Giới tính).

Hướng nghiên cứu tiếp theo: Mở rộng nghiên cứu đa trung tâm đô thị (Hà Nội - Đà Nẵng - TP.HCM), ứng dụng mô hình PLS-SEM trên mẫu $N \ge 1.000$, tích hợp các yếu tố về Chính sách hỗ trợ của Chính phủ (Trợ giá, miễn lệ phí trước bạ) và Chi phí cơ hội của công nghệ pin thể rắn (Solid-state Battery).


Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------------------+
| GIÁ TRỊ ỨNG DỤNG CHO CÁC NHÓM ĐỐI TƯỢNG                                                           |
+---------------------------------------------------------------------------------------------------+
| [Học viên & Sinh viên]                                                                            |
| [Nhà phân tích dữ liệu & Marketers]                                                               |
| [Hãng xe VinFast & Doanh nghiệp EV]                                                               |
| [Nhà hoạch định chính sách & Cơ quan Môi trường]                                                  |
+---------------------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu về quy mô mẫu trong nghiên cứu kinh tế lượng hành vi là gì?

Theo chuẩn học thuật quốc tế (Hair et al., 2019), kích thước mẫu tối thiểu cho phân tích EFA là $N \ge 5 \times m$ (với $m = 19$ biến quan sát $\rightarrow N \ge 95$). Với hồi quy đa biến OLS (Green, 1991), $N \ge 50 + 8 \times k$ ($k = 4$ biến độc lập $\rightarrow N \ge 82$). Quy mô $N = 208$ của đề tài vượt hơn 200% tiêu chuẩn tối thiểu, đảm bảo độ vững (robustness) của các ước lượng thống kê.

2. Sự khác biệt cốt lõi về hiệu suất năng lượng giữa xe máy điện và xe máy xăng là gì?

Xe máy điện chuyển đổi tới 85% năng lượng điện từ khối pin thành cơ năng chuyển động thực tế tại bánh xe. Ngược lại, động cơ đốt trong (ICE) chỉ đạt hiệu suất nhiệt khoảng 35 - 40%, với hơn 60% năng lượng xăng bị thất thoát dưới dạng nhiệt lượng tỏa ra môi trường và ma sát cơ khí.

3. Làm thế nào để kiểm soát hiện tượng đa cộng tuyến trong mô hình hồi quy này?

Nghiên cứu sử dụng hệ số phóng đại phương sai (VIF - Variance Inflation Factor). Kết quả kiểm định cho thấy giá trị VIF của cả 4 biến độc lập đều dao động từ 1.120 đến 1.342, thấp hơn rất nhiều so với ngưỡng cảnh báo lý thuyết ($VIF < 2.0$, ngưỡng vi phạm là 10.0), khẳng định các biến độc lập không bị trùng lắp thông tin.

4. Chi phí thay thế và tuổi thọ pin xe điện được giải quyết như thế nào trong mô hình kinh doanh VinFast?

VinFast tiên phong ứng dụng chính sách cho thuê pin và đổi pin LFP (Lithium Iron Phosphate). Giải pháp này giúp loại bỏ rủi ro tài chính của khách hàng đối với việc chai pin sau 3 - 5 năm, hạ giá thành mua ban đầu xuống tương đương xe máy xăng phổ thông, trực tiếp giải phóng nút thắt ở biến Nhận thức kiểm soát ($NT$).

5. Thời gian thu hồi vốn (ROI) khi chuyển đổi từ xe máy xăng sang xe máy điện VinFast là bao lâu?

Với mức di chuyển trung bình đô thị 30 km/ngày (khoảng 10.800 km/năm), người dùng xe điện tiết kiệm được khoảng 4.800.000 VNĐ tiền xăng và 1.200.000 VNĐ tiền bảo dưỡng định kỳ mỗi năm. Thời gian hoàn vốn chênh lệch chi phí đầu tư ban đầu ước tính chỉ từ 14 đến 18 tháng sử dụng.


Kết luận

Công trình nghiên cứu đã giải quyết thành công bài toán lượng hóa các yếu tố chi phối ý định tiêu dùng xe máy điện VinFast của cư dân Hà Nội. Thông qua quy trình thực nghiệm chặt chẽ với $N = 208$, nghiên cứu chứng minh mô hình hồi quy đạt độ tương thích cao ($R^2 = 54.2%$, $p < 0.001$), trong đó Thái độ ($\beta = 0.382$)Chuẩn chủ quan ($\beta = 0.245$) giữ vai trò quyết định.

Kết quả này khẳng định: để đẩy nhanh tốc độ chuyển đổi phương tiện giao thông xanh tại các đô thị lớn, doanh nghiệp và các cơ quan quản lý không chỉ dừng lại ở bài toán trợ giá kỹ thuật thuần túy, mà cần đồng bộ các giải pháp tác động vào nhận thức xã hội, xóa bỏ rào cản tâm lý về hạ tầng sạc và kiến tạo chuẩn mực sống bền vững cho cộng đồng.