Giới thiệu dự án

Thị trường lao động trong kỷ nguyên số chứng kiến sự dịch chuyển mạnh mẽ về hành vi và kỳ vọng của lực lượng lao động trẻ, đặc biệt là thế hệ Gen Z (sinh từ năm 1995 đến 2012). Theo các báo cáo nhân sự toàn cầu, tỷ lệ chuyển việc (turnover rate) ở nhóm lao động trẻ mới tốt nghiệp trong 1-2 năm đầu dao động từ 20% đến 35%, gây tổn thất chi phí tuyển dụng và đào tạo ước tính tương đương 50-150% mức lương năm của mỗi nhân sự. Vấn đề cốt lõi bắt nguồn từ khoảng cách lớn giữa kỳ vọng của sinh viên về nơi làm việc lý tưởng và thực tế vận hành tại các tổ chức tuyển dụng.

Đề tài khóa luận "Các nhân tố ảnh hưởng đến ý định chọn nơi làm việc của sinh viên hệ Tiếng Anh Bán Phần tại Trường Đại học Ngân Hàng TP. Hồ Chí Minh" (Ngành Quản trị kinh doanh - Mã số: 7 34 01 01, thực hiện bởi Phạm Hồng Thanh Vân dưới sự hướng dẫn của TS. Bùi Đức Sinh) giải quyết trực diện điểm nghẽn trong quản trị nguồn nhân lực: thiếu mô hình dự báo định lượng chuẩn hóa về quyết định lựa chọn việc làm của nguồn nhân lực chất lượng cao có năng lực ngoại ngữ và chuyên môn ngân hàng - tài chính.

Mục tiêu của dự án nghiên cứu

  1. Xác định hệ thống các nhân tố cấu thành không gian quyết định chọn nơi làm việc của sinh viên chương trình Tiếng Anh Bán Phần (TABP) tại Trường Đại học Ngân Hàng TP.HCM (HUB).
  2. Đo lường mức độ tác động tương đối của từng nhân tố đến ý định hành vi thông qua mô hình kinh tế lượng nhị phân Binary Logistic.
  3. Kiểm định độ tin cậy và giá trị hội tụ của thang đo đo lường chuẩn hóa 28 biến quan sát.
  4. Xây dựng hệ thống hàm ý quản trị ứng dụng cho doanh nghiệp và tổ chức tài chính nhằm tối ưu hóa chiến lược Employer Branding và Talent Acquisition.

Phương pháp tiếp cận và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Kết hợp nghiên cứu định tính (tổng thuật lý thuyết, phỏng vấn chuyên gia để hiệu chỉnh thang đo) và nghiên cứu định lượng quy mô mẫu $N = 350$ phiếu hợp lệ (trên tổng số 460 phiếu phát ra, tỷ lệ đạt chuẩn $76.1%$).
  • Phạm vi khảo sát: Toàn bộ sinh viên từ năm 1 đến năm 4 thuộc 3 ngành đào tạo trọng điểm: Tài chính - Ngân hàng ($54.0%$), Quản trị kinh doanh ($33.7%$) và Kế toán ($12.3%$) thuộc hệ Tiếng Anh Bán Phần tại HUB trong giai đoạn từ tháng 09/2023 đến tháng 12/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh không gian lý thuyết và thực nghiệm giữa các nghiên cứu trước đây nhằm xác định khoảng trống nghiên cứu (gap analysis):

Tiêu chí phân tích Sharma & Prasad (2019) Trần Thị Ngọc Duyên & Cao Hào Thi (2010) Joanna Santiago (2019) Nghiên cứu của đề tài (2023)
Đối tượng khảo sát 480 SV Công nghệ thông tin tại Ấn Độ Ứng viên thi tuyển Doanh nghiệp Nhà nước (Việt Nam) 281 nhân viên doanh nghiệp Alpha C (Bồ Đào Nha) 350 SV Hệ Tiếng Anh Bán Phần (HUB - Việt Nam)
Phương pháp phân tích Regression OLS tuyến tính Hồi quy OLS đa biến ($R^2 = 47.9%$) Phân tích định tính & EFA EFA + Hồi quy Binary Logistic nhị phân
Yếu tố đặc thù CSR, Thương hiệu tuyển dụng Môi trường DNNN, biên chế Brand Attractiveness đa chiều Yếu tố Gia đình, Chuẩn đầu ra Ngoại ngữ, Gen Z
Hạn chế chính Giới hạn 1 nhóm ngành CNTT Mẫu nhỏ, độ bao quát thấp ($47.9%$) Mẫu nhân viên hiện hữu, sai lệch chọn lọc Tập trung sinh viên khối ngành Kinh tế - Tài chính

Phân loại yêu cầu thu thập dữ liệu và tiêu chí mô hình theo ma trận MoSCoW:

  • Must-have: Kiểm định hệ số tin cậy thang đo Cronbach's Alpha $\ge 0.60$; kiểm định tính thích hợp phân tích nhân tố KMO $\ge 0.50$; mức ý nghĩa kiểm định Bartlett Sig. $< 0.05$; phân tích hồi quy Binary Logistic với biến phụ thuộc nhị phân $Y \in {0, 1}$.
  • Should-have: Đánh giá tương quan tuyến tính Pearson; phân loại chính xác tổng thể mô hình dự báo $> 75%$; phân tích cơ cấu nhân khẩu học (ngành, năm học, giới tính).
  • Could-have: Đối chiếu sự khác biệt giữa các phân khúc sinh viên chuyển đổi số và chương trình truyền thống.
  • Won't-have: Nghiên cứu chuỗi thời gian (Longitudinal study) theo dõi hành vi thực tế sau tốt nghiệp 3 năm.

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu và cấu trúc biến được thiết kế chuẩn hóa thành đường ống (pipeline) toán học định lượng:

[Bảng khảo sát Likert 5 mức độ: 28 biến] 
[Data Cleaning & Screening: Loại bỏ 110 mẫu lỗi / Unengaged responses]
[SPSS Engine: Cronbach's Alpha Reliability Testing (Ngưỡng α >= 0.6, r_it >= 0.3)]
[Exploratory Factor Analysis - EFA: Principal Axis Factoring / Varimax Rotation]
[Pearson Bivariate Correlation Matrix (Kiểm tra đa cộng tuyến)]
[Binary Logistic Regression: logit(P) = β0 + Σ βi * Xi]
[Model Validation: -2 Log-Likelihood, Omnibus Test, Chi-square & Classification Rate]

Bảng cấu trúc dữ liệu và mã hóa biến (Data Schema)

Toàn bộ 28 biến quan sát được phân bổ vào 6 nhóm biến độc lập và 1 nhóm biến phụ thuộc:

-- Schema cấu trúc cơ sở dữ liệu khảo sát (SPSS Data Dictionary)
CREATE TABLE survey_response_dataset (
    respondent_id INT PRIMARY KEY,
    gender VARCHAR(10), -- 'Male' (16.3%), 'Female' (83.7%)
    academic_year VARCHAR(10), -- 'Year 1' (8.6%), 'Year 2' (20.8%), 'Year 3' (30.0%), 'Year 4' (40.5%)
    major VARCHAR(50), -- 'Finance-Banking' (54.0%), 'Business Admin' (33.7%), 'Accounting' (12.3%)
    -- 6 Biến độc lập (Thang đo Likert 1 - 5)
    UT1_brand_experience NUMERIC(3,2),
    UT2_social_media_presence NUMERIC(3,2),
    UT3_self_worth_affirmation NUMERIC(3,2),
    UT4_industry_seniority NUMERIC(3,2),
    LT1_competitive_salary NUMERIC(3,2),
    LT2_performance_bonus NUMERIC(3,2),
    LT3_welfare_benefits NUMERIC(3,2),
    LT4_annual_salary_raise NUMERIC(3,2),
    PT1_skill_application NUMERIC(3,2),
    PT2_learning_opportunity NUMERIC(3,2),
    PT3_training_programs NUMERIC(3,2),
    PT4_promotion_pathway NUMERIC(3,2),
    MT1_infrastructure_facilities NUMERIC(3,2),
    MT2_professional_environment NUMERIC(3,2),
    MT3_workplace_safety NUMERIC(3,2),
    MT4_teambuilding_culture NUMERIC(3,2),
    GD1_family_network NUMERIC(3,2),
    GD2_sibling_working_history NUMERIC(3,2),
    GD3_family_recommendation NUMERIC(3,2),
    GD4_family_evaluation NUMERIC(3,2),
    CB1_flexible_working_hours NUMERIC(3,2),
    CB2_work_life_harmony NUMERIC(3,2),
    CB3_low_overtime_policy NUMERIC(3,2),
    CB4_personal_schedule_control NUMERIC(3,2),
    -- Biến phụ thuộc (Dependent Variable)
    job_choice_intention INT CHECK (job_choice_intention IN (0, 1)) -- 0: Không chọn, 1: Có ý định chọn
);

Công nghệ và công cụ sử dụng

  • Phân tích thống kê chuyên dụng: IBM SPSS Statistics Version 20.0 (Release 20.0.0).
  • Tiền xử lý và làm sạch dữ liệu: Microsoft Excel 365 (Data Analysis Toolpak).
  • Mô hình toán học: Binary Logistic Regression với thuật toán ước lượng Maximum Likelihood Estimation (MLE).
  • Môi trường mô phỏng thuật toán: Python 3.10 (thư viện pandas, statsmodels, scikit-learn).

Methodology

Quy trình nghiên cứu khoa học được thiết lập qua 6 giai đoạn nghiêm ngặt:

  1. Phase 1: Literature Review & Problem Framing: Khảo lược lý thuyết nền (Thuyết hành động hợp lý TRA của Ajzen 1980, Tháp nhu cầu Maslow 1954, Học thuyết 2 nhân tố Herzberg 1959).
  2. Phase 2: Qualitative Pre-test & Questionnaire Formulation: Thử nghiệm định tính bảng hỏi với 10 chuyên gia và giảng viên khoa Quản trị kinh doanh HUB để chuẩn hóa từ ngữ chuyên môn.
  3. Phase 3: Sampling & Field Survey: Thu thập mẫu phi xác suất (thuận tiện) với kích thước mẫu phát ra $N = 460$. Áp dụng quy tắc mẫu của Hair et al. (1998) với tỷ lệ tối thiểu $10:1$ cho 28 biến quan sát ($N_{min} = 28 \times 10 = 280$).
  4. Phase 4: Psychometric Scale Testing: Kiểm tra độ tin cậy thang đo (Cronbach's Alpha) và phân tích nhân tố khám phá (EFA - 4 lần trích xuất để sàng lọc biến).
  5. Phase 5: Econometric Modeling: Phân tích tương quan Pearson và ước lượng hồi quy Binary Logistic.
  6. Phase 6: Synthesis & Managerial Implications: Đề xuất giải pháp nhân sự và quản trị tuyển dụng thực chiến.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu thực nghiệm được triển khai tuần tự theo thuật toán thống kê tối ưu hóa:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix

def estimate_binary_logistic_model(data_filepath: str):
    """
    Ước lượng tham số mô hình Binary Logistic Regression
    Mô phỏng quy trình xử lý của SPSS 20 trên tập dữ liệu N=350 sinh viên HUB
    """
    # 1. Load và tiền xử lý dữ liệu
    df = pd.read_csv(data_filepath)
    feature_cols = ['LT_Score', 'GD_Score', 'PT_Score', 'UT_Score', 'MT_Score', 'CB_Score']
    X = df[feature_cols]
    y = df['job_choice_intention'] # Biến nhị phân Y in {0, 1}
    
    # 2. Thêm hằng số tự do (Intercept)
    X_with_const = sm.add_constant(X)
    
    # 3. Khởi tạo mô hình Logit với Maximum Likelihood Estimation (MLE)
    logit_model = sm.Logit(y, X_with_const)
    result = logit_model.fit(method='newton', maxiter=35, disp=True)
    
    # 4. Trích xuất chỉ số kiểm định chất lượng mô hình
    log_likelihood = result.llf
    minus_2_ll = -2 * log_likelihood
    odds_ratios = np.exp(result.params)
    p_values = result.pvalues
    
    print("=== SUMMARY METRICS ===")
    print(f"-2 Log-Likelihood: {minus_2_ll:.4f}")
    print(f"Pseudo R-squared (Cox & Snell / Nagelkerke compatible)")
    print(result.summary())
    
    return result

# Công thức hàm xác suất của mô hình hồi quy Binary Logistic:
# P(Y = 1 | X) = 1 / (1 + e^-(β0 + β1*LT + β2*GD + β3*PT + ...))

Công thức toán học của mô hình xác suất quyết định lựa chọn nơi làm việc:

$$\text{logit}(P) = \ln\left(\frac{P}{1 - P}\right) = \beta_0 + \beta_1 X_{\text{LT}} + \beta_2 X_{\text{GD}} + \beta_3 X_{\text{PT}} + \epsilon$$

Trong đó:

  • $P$: Xác suất sinh viên quyết định chọn nơi làm việc ($Y = 1$).
  • $1 - P$: Xác suất sinh viên không lựa chọn ($Y = 0$).
  • $\frac{P}{1 - P}$: Tỷ số chênh (Odds Ratio - $\text{Exp}(\beta)$).
  • $X_{\text{LT}}, X_{\text{GD}}, X_{\text{PT}}$: Lần lượt là điểm trung bình của các biến Lương thưởng phúc lợi, Gia đình, và Cơ hội phát triển thăng tiến.

Testing và validation

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

Thang đo đạt chuẩn tin cậy khi $\alpha \ge 0.60$ và hệ số tương quan biến - tổng hiệu chỉnh (Corrected Item-Total Correlation) $r_{it} \ge 0.30$:

Nhóm thang đo Ký hiệu Số biến quan sát Hệ số Cronbach's Alpha Đánh giá độ tin cậy
Uy tín & Sự quen thuộc UT 4 0.625 Đạt yêu cầu ($\alpha > 0.60$)
Lương thưởng & Phúc lợi LT 4 0.903 Xuất sắc ($\alpha > 0.90$)
Cơ hội phát triển & Thăng tiến PT 4 0.842 Tốt ($\alpha > 0.80$)
Môi trường làm việc MT 4 0.789 Khá ($\alpha > 0.70$)
Gia đình GD 4 0.811 Tốt ($\alpha > 0.80$)
Cân bằng công việc - cuộc sống CB 4 0.795 Khá ($\alpha > 0.70$)
Ý định chọn nơi làm việc YD 4 0.867 Tốt ($\alpha > 0.80$)

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định Kaiser-Meyer-Olkin (KMO) đạt $0.812 \ge 0.50$, chứng minh kích thước mẫu hoàn toàn phù hợp cho phân tích nhân tố.
  • Kiểm định Bartlett’s Test of Sphericity có giá trị thống kê $\chi^2$ với mức ý nghĩa $p\text{-value} = 0.000 < 0.05$, bác bỏ giả thuyết các biến không có tương quan.
  • Tổng phương sai trích (Total Variance Explained) đạt $63.48% \ge 50%$, biểu thị 6 nhân tố giải thích được $63.48%$ độ biến thiên của bộ dữ liệu gốc.
  • Ma trận xoay nhân tố (Rotated Component Matrix) cho thấy toàn bộ hệ số tải nhân tố (Factor Loading) của các biến giữ lại đều đạt giá trị $> 0.55$.

Kết quả đạt được

Mô hình hồi quy Binary Logistic sau khi loại bỏ các biến không có ý nghĩa thống kê ($p > 0.05$) đã xác định chính xác 3 nhân tố tác động then chốt đến ý định chọn nơi làm việc của sinh viên hệ TABP tại HUB:

Nhân tố tác động Hệ số hồi quy ($\beta$) Sai số chuẩn (S.E.) Giá trị Wald Mức ý nghĩa (Sig.) Tỷ số chênh $\text{Exp}(\beta)$ Thứ tự mức độ ảnh hưởng
Lương thưởng & Chế độ phúc lợi (LT) +1.245 0.214 33.824 0.000 3.473 Hạng 1
Gia đình (GD) +0.876 0.189 21.482 0.000 2.401 Hạng 2
Cơ hội phát triển & Thăng tiến (PT) +0.652 0.175 13.905 0.001 1.919 Hạng 3
Hệ số tự do (Constant) -3.812 0.762 25.021 0.000 0.022 -
  • Độ phù hợp của mô hình: Giá trị $-2\text{ Log Likelihood}$ giảm mạnh từ mô hình gốc sang mô hình hoàn chỉnh, kiểm định Omnibus Test có Sig. $= 0.000 < 0.05$.
  • Độ chính xác dự báo (Classification Accuracy Rate): Tỷ lệ dự báo chính xác tổng thể đạt $82.6%$ (trong đó dự báo nhóm sinh viên có ý định chọn đạt độ chính xác $88.4%$).

Đổi mới và đóng góp

  1. Chuẩn hóa mô hình đánh giá hành vi cho phân khúc lao động chất lượng cao (Song ngữ): Khác với các nghiên cứu trước đây chỉ khảo sát diện rộng hoặc tập trung vào nhân viên đã đi làm, đề tài là một trong những công trình tiên phong lượng hóa hành vi của sinh viên theo học chương trình Tiếng Anh Bán Phần (chuẩn đầu ra tiếng Anh tương đương IELTS $\ge 5.5$ - $6.0$ hoặc VSTEP B2).
  2. Khám phá vai trò mang tính văn hóa của nhân tố "Gia đình": Đề tài chứng minh rằng trong bối cảnh kinh tế biến động, nhân tố Gia đình ($\text{Exp}(\beta) = 2.401$) giữ vị trí tác động thứ 2, vượt qua cả Môi trường làm việc và Cân bằng cuộc sống. Khi điểm số định hướng từ gia đình tăng thêm 1 đơn vị, cơ hội sinh viên ra quyết định chọn tổ chức đó tăng gấp $2.401$ lần.
  3. Định lượng sức mạnh của gói đãi ngộ toàn diện: Lương thưởng và phúc lợi vẫn là "điều kiện kích hoạt" mạnh nhất ($\text{Exp}(\beta) = 3.473$, tăng $247.3%$ khả năng lựa chọn khi tăng 1 đơn vị đánh giá), củng cố tính thực tiễn của Học thuyết 2 nhân tố Herzberg trong bối cảnh sinh viên chuẩn bị gia nhập thị trường tài chính.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế trong quản trị nhân sự

[Phân khúc ứng viên tiềm năng: SV Tài chính - Ngân hàng TABP HUB]
  1. Tối ưu hóa chính sách đãi ngộ tổng thể (Total Rewards Strategy): Doanh nghiệp cần công khai khung bậc lương và lộ trình xét tăng lương định kỳ ($LT4$), kết hợp các gói bảo hiểm sức khỏe nâng cao ($LT3$) thay vì chỉ tập trung vào mức lương cơ sở danh nghĩa.
  2. Khai thác mạng lưới quan hệ gia đình (Family-oriented Employer Branding): Tổ chức các sự kiện "Open Day for Parents", giải thưởng học bổng doanh nghiệp gửi thông báo vinh danh về gia đình, tạo niềm tin xã hội vững chắc từ phía người thân sinh viên ($GD3$, $GD4$).
  3. Thiết kế lộ trình thăng tiến nhanh (Fast-track Career Pathways): Cam kết các khóa đào tạo chứng chỉ quốc tế (CFA, ACCA, FRM) và văn hóa hỗ trợ kèm cặp (Mentorship 1-on-1) ngay trong 6 tháng đầu thử việc ($PT1, PT3$).

Lộ trình triển khai chiến lược thu hút nhân tài (HR Roadmap)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp luận

  • Phương pháp chọn mẫu phi xác suất (Convenience Sampling): Dù quy mô mẫu $N = 350$ đáp ứng tốt điều kiện EFA và Logistic, tính đại diện tuyệt đối cho toàn bộ sinh viên khối ngành kinh tế tại TP.HCM chưa hoàn toàn triệt để.
  • Giới hạn không gian địa lý: Nghiên cứu chỉ tập trung duy nhất tại Trường Đại học Ngân Hàng TP.HCM, chưa mở rộng so sánh liên trường (như UEH, UEL, FTU2).
  • Mô hình hồi quy đơn cấp: Chưa sử dụng mô hình cấu trúc tuyến tính Structural Equation Modeling (SEM-PLS) để đánh giá tác động trung gian (mediator) hay điều tiết (moderator) của biến nhân khẩu học.

Hướng nghiên cứu mở rộng trong tương lai

  • Ứng dụng mô hình PLS-SEM (Partial Least Squares SEM) trên SmartPLS 4 để phân tích sâu các biến trung gian như "Sức hấp dẫn thương hiệu nhà tuyển dụng" (Employer Attractiveness).
  • Ứng dụng các thuật toán Machine Learning phân loại (Random Forest, XGBoost Classifier) nhằm tối ưu hóa độ chính xác dự báo hành vi nộp hồ sơ thực tế.
  • Mở rộng phân tích so sánh đa nhóm (Multi-group Analysis - MGA) giữa nhóm sinh viên chuyên ngành Chuyển đổi số (Fintech/Digital Banking) và nhóm chuyên ngành Truyền thống.

Đối tượng hưởng lợi

  • Sinh viên & Ứng viên trẻ: Nắm bắt rõ các tiêu chí trọng yếu cấu thành giá trị nghề nghiệp bền vững, chủ động định vị năng lực cạnh tranh và lựa chọn môi trường làm việc phù hợp với mục tiêu dài hạn.
  • Nhà tuyển dụng & Chuyên gia HR (Talent Acquisition Specialist): Sở hữu khung tham chiếu định lượng ($82.6%$ độ chính xác) để phân bổ ngân sách tuyển dụng hợp lý giữa lương thưởng, văn hóa gia đình và đào tạo thăng tiến.
  • Nhà hoạch định chính sách giáo dục đại học: Cải tiến khung chương trình đào tạo Tiếng Anh Bán Phần, gia tăng tính liên kết thực tiễn giữa doanh nghiệp và nhà trường.
  • Cộng đồng nghiên cứu kinh tế lượng ứng dụng: Cung cấp tài liệu tham khảo với bộ thang đo chuẩn hóa gồm 28 biến đã qua kiểm định Cronbach's Alpha và EFA tại thị trường Việt Nam.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại sử dụng mô hình hồi quy Binary Logistic thay vì OLS tuyến tính?

Biến phụ thuộc của đề tài đo lường "Ý định quyết định chọn nơi làm việc" là một biến định tính nhị phân ($Y = 1$: Có ý định chọn; $Y = 0$: Không chọn/Phân vân). Mô hình hồi quy tuyến tính cổ điển (OLS) sẽ vi phạm giả định về phân phối chuẩn của phần dư và có thể cho ra các giá trị xác suất ngoài khoảng $[0, 1]$. Binary Logistic Regression sử dụng hàm chuyển đổi logit đảm bảo giá trị xác suất luôn nằm chính xác trong khoảng từ $0$ đến $1$, ước lượng chuẩn xác qua phương pháp Maximum Likelihood Estimation.

2. Tỷ số chênh $\text{Exp}(\beta) = 3.473$ của nhân tố Lương thưởng mang ý nghĩa kinh tế gì?

Hệ số $\text{Exp}(\beta) = 3.473$ (Odds Ratio) chỉ ra rằng, khi các yếu tố khác không đổi, nếu mức độ thỏa mãn của sinh viên về chính sách lương thưởng và phúc lợi tăng lên 1 điểm trên thang đo Likert, tỷ lệ giữa xác suất sinh viên "chọn" so với "không chọn" tổ chức đó sẽ tăng lên gấp $3.473$ lần (tương đương tăng $247.3%$).

3. Tại sao nhân tố Môi trường làm việc và Cân bằng cuộc sống lại bị loại khỏi mô hình hồi quy cuối cùng?

Trong kết quả kiểm định mô hình hồi quy tổng thể, mức ý nghĩa $p\text{-value}$ (Sig.) của hai biến này đều lớn hơn $0.05$ ($p > 0.05$). Điều này phản ánh rằng trong bối cảnh sinh viên mới ra trường thuộc thế hệ Gen Z ngành Ngân hàng, các yếu tố về thu nhập tức thời, định hướng gia đình và sự nghiệp phát triển có sức chi phối áp đảo, làm lu mờ tác động độc lập của môi trường và cân bằng công việc.

4. Tiêu chuẩn nào đảm bảo mẫu khảo sát $N=350$ có giá trị đại diện khoa học?

Theo nguyên tắc của Hair et al. (1998) và Nguyễn Đình Thọ (2013), số lượng mẫu tối thiểu cho phân tích EFA cần đạt tỷ lệ $10:1$ so với số biến quan sát. Đề tài có 28 biến quan sát, yêu cầu tối thiểu $N_{min} = 280$. Kích thước mẫu thực tế thu được đạt $N = 350$ phiếu hợp lệ, vượt $125%$ ngưỡng yêu cầu tối thiểu, đảm bảo độ mạnh thống kê (Statistical Power) của các kiểm định.

5. Doanh nghiệp cần chi phí đầu tư bao nhiêu để tối ưu hóa tỷ lệ giữ chân nhân sự Gen Z dựa trên nghiên cứu này?

Tối ưu hóa không đồng nghĩa với việc tăng quỹ lương đơn thuần. Doanh nghiệp có thể chuyển dịch $15-20%$ ngân sách tuyển dụng thụ động sang việc cấu trúc lại phúc lợi mềm (bảo hiểm sức khỏe, phụ cấp ăn trưa, công nghệ làm việc hiện đại) và thiết lập chương trình học bổng đồng hành cùng phụ huynh. Hiệu quả mang lại ước tính giúp giảm $30-40%$ tỷ lệ nghỉ việc sớm trong năm đầu tiên.

Kết luận

Công trình khóa luận tốt nghiệp của tác giả Phạm Hồng Thanh Vân đã đóng góp một hệ thống đo lường thực nghiệm chặt chẽ về hành vi hướng nghiệp của sinh viên hệ Tiếng Anh Bán Phần - Trường Đại học Ngân Hàng TP.HCM. Bằng việc kết hợp phương pháp kiểm định độ tin cậy thang đo Cronbach's Alpha, phân tích nhân tố khám phá EFA và mô hình kinh tế lượng Binary Logistic trên $N=350$ mẫu khảo sát, nghiên cứu chứng minh thuyết phục rằng: Lương thưởng phúc lợi ($\beta = 1.245$), Gia đình ($\beta = 0.876$) và Cơ hội thăng tiến ($\beta = 0.652$) là 3 nhân tố cốt lõi định hình quyết định nghề nghiệp của thế hệ lao động tài chính tương lai. Đây chính là kim chỉ nam định lượng giúp các nhà quản trị doanh nghiệp và các tổ chức ngân hàng chuyển hóa chiến lược tuyển dụng từ tiếp cận bị động sang kiến tạo hệ sinh thái nhân tài bền vững.