Giới thiệu dự án

Thị trường lao động Việt Nam đang chứng kiến sự chuyển dịch cơ cấu mạnh mẽ dưới tác động của dòng vốn đầu tư trực tiếp nước ngoài (FDI). Theo số liệu từ Bộ Kế hoạch và Đầu tư (2022), Việt Nam đã thu hút vốn đầu tư từ 108 quốc gia và vùng lãnh thổ với tổng vốn đăng ký đạt gần 27,72 tỷ USD, dẫn đầu là Singapore (6,46 tỷ USD, chiếm 23,3%), Hàn Quốc (4,88 tỷ USD) và Nhật Bản (4,78 tỷ USD). Quy mô lao động làm việc trong khu vực doanh nghiệp FDI tăng vọt từ 330.000 người (năm 1995) lên hơn 6,1 triệu lao động. Theo khảo sát "Xu hướng tìm việc của Gen Z" do Glints (2022) thực hiện, 87,6% sinh viên tốt nghiệp đặt mục tiêu làm việc tại các tập đoàn đa quốc gia (Multinational Corporations - MNCs) nhờ mức thu nhập cao hơn từ 20% - 50% so với doanh nghiệp nội địa (Navigos Group, 2022) cùng lộ trình thăng tiến toàn cầu.

Tuy nhiên, rào cản thông tin bất cân xứng (Asymmetric Information) và khoảng cách năng lực thực tế đang tạo ra tỷ lệ đào thải cực lớn đối với nguồn nhân lực trẻ. Đồ án khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến khả năng được tuyển dụng bởi các công ty đa quốc gia của sinh viên trên địa bàn Thành phố Hồ Chí Minh" do tác giả Trương Bảo Ngọc thực hiện dưới sự hướng dẫn khoa học của TS. Phạm Hương Diên tại Trường Đại học Ngân hàng TP. Hồ Chí Minh đã giải quyết trọn vẹn bài toán lượng hóa năng lực cạnh tranh này.

       BỐI CẢNH FDI & NHU CẦU TUYỂN DỤNG CỦA CÁC TẬP ĐOÀN ĐA QUỐC GIA (MNCs)

Mục tiêu nghiên cứu

  1. Xác định và phân loại các nhóm nhân tố cấu thành khả năng được tuyển dụng (Employability) của sinh viên vào các doanh nghiệp MNCs.
  2. Đo lường, kiểm định và lượng hóa mức độ tác động của từng nhân tố thông qua các mô hình thống kê định lượng chuẩn mực.
  3. Đề xuất hệ thống hàm ý quản trị và giải pháp thực thi giúp sinh viên, trường đại học cùng các đơn vị đào tạo tối ưu hóa năng lực cạnh tranh tuyển dụng.

Phương pháp tiếp cận và phạm vi

  • Phương pháp tiếp cận: Ứng dụng lý thuyết Tín hiệu thị trường (Spence's Signaling Theory), Lý thuyết Vốn nhân lực (Human Capital Theory) kết hợp quy trình phân tích định lượng trên phần mềm IBM SPSS Statistics 22.0.
  • Phạm vi khảo sát: 252 mẫu khảo sát hợp lệ từ sinh viên năm cuối và cử nhân mới tốt nghiệp (0 - 2 năm kinh nghiệm) đang làm việc hoặc ứng tuyển tại các MNCs trên địa bàn TP. Hồ Chí Minh trong mốc thời gian từ tháng 04/2023 đến tháng 06/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành tổng hợp, so sánh đa chiều các khung nghiên cứu về khả năng tìm việc làm trước đây nhằm xác định khoảng trống nghiên cứu thực nghiệm trong bối cảnh các công ty đa quốc gia:

Mô hình nghiên cứu Phương pháp xử lý Các nhân tố tác động chính Hạn chế / Điểm nghẽn
Bogonko (2018) Định lượng OLS ($N=78$) Kỹ năng mềm, Giá trị công việc, Sự sẵn sàng nghề nghiệp Cỡ mẫu nhỏ, chỉ tập trung vào sinh viên một trường đại học quốc tế tại Châu Phi.
Mohammed et al. (2020) PLS-SEM ($N=310$) Kỹ năng kỹ thuật, Kỹ năng mềm, Hỗ trợ quan hệ xã hội Không phân tách độc lập vai trò ngoại ngữ; tập trung đơn ngành kinh doanh tại Bangladesh.
Hossain et al. (2021) Hồi quy OLS ($N=360$) Kết quả học tập, Kỹ năng kỹ thuật, Tính cách, Giao tiếp, Nhóm Khảo sát góc nhìn nhà tuyển dụng tổng quát, chưa phân hóa tiêu chuẩn MNCs.
Nguyễn Trung Tiến (2020) Binary Logistic ($N=250$) KNC, KNM, Khả năng làm việc, Ngoại ngữ, Kết quả học tập Nghiên cứu tại trường cao đẳng địa phương, chưa phản ánh thị trường lao động FDI tại đô thị loại I. 
                       MA TRẬN ĐỘ ƯU TIÊN YÊU CẦU THEO MOSCOW

Thiết kế hệ thống

Mô hình nghiên cứu được xây dựng gồm 6 biến độc lập cấu thành từ 22 biến quan sát và 1 biến phụ thuộc gồm 3 biến quan sát:

Technology Stack & Công cụ xử lý

  • Statistical Engine: IBM SPSS Statistics v22.0 (Thực hiện Cronbach’s Alpha, EFA, OLS Multiple Regression, Independent Samples T-Test, One-Way ANOVA).
  • Data Collection & Cleaning: Google Forms API kết hợp Microsoft Excel 2021 Data Analysis Toolpak.
  • Python Data Science Stack (Kiểm định đối chiếu): Python v3.10, pandas v2.0.3, statsmodels v0.14.0, scipy v1.11.2, scikit-learn v1.3.0.

Cấu trúc Thang đo (Measurement Model Schema)

Hệ thống sử dụng thang đo Likert 5 mức độ ($1 = \text{Hoàn toàn không đồng ý} \to 5 = \text{Hoàn toàn đồng ý}$) chuẩn hóa từ các thang đo quốc tế và hiệu chỉnh qua phỏng vấn chuyên gia HR:

  • KQHT: Điểm trung bình tích lũy (GPA), điểm rèn luyện, xếp loại tốt nghiệp (KQHT1 - KQHT3).
  • TDNN: Nghe/nói lưu loát, đọc hiểu văn bản hợp đồng/tài liệu, soạn thảo văn bản thương mại (TDNN1 - TDNN3).
  • KNC: Kiến thức chuyên môn trường cấp, năng lực xử lý nghiệp vụ, mức độ đáp ứng yêu cầu công việc (KNC1 - KNC3).
  • KNM: Giao tiếp/thuyết trình, lập kế hoạch, giải quyết vấn đề, làm việc nhóm, kỹ năng lãnh đạo (KNM1 - KNM5).
  • SSNN: Chứng chỉ định hướng nghề nghiệp, kinh nghiệm thực tập/làm việc sớm, hoạt động ngoại khóa, nghiên cứu văn hóa doanh nghiệp (SSNN1 - SSNN4).
  • KNLV: Khả năng thích nghi, chịu áp lực công việc, tinh thần tự học, tiếp thu phản hồi cá nhân (KNLV1 - KNLV4).
  • KNTD (Biến phụ thuộc): Tốc độ tìm kiếm vị trí phù hợp, tỷ lệ trúng tuyển vòng CV đầu tiên, mức độ tự tin ứng tuyển khi chưa có kinh nghiệm (KNTD1 - KNTD3).

Methodology

Quy trình nghiên cứu kết hợp chặt chẽ giữa định tính (Qualitative) và định lượng (Quantitative):

  1. Nghiên cứu định tính sơ bộ: Thảo luận nhóm tập trung (Focus Group Discussion) với các chuyên gia tuyển dụng nhân sự cấp cao tại các MNCs (Unilever, Shopee, Abbott) và cựu sinh viên nhằm hiệu chỉnh nội dung bảng câu hỏi sơ bộ.
  2. Nghiên cứu định lượng chính thức: Áp dụng nguyên tắc Hair et al. (2006) với quy tắc kích thước mẫu tối thiểu: $$N \ge 5 \times m = 5 \times 25 = 125 \text{ mẫu}$$ Tác giả đã phát ra 300 bảng khảo sát, thu về 252 phiếu hợp lệ ($N = 252$), vượt 101,6% so với ngưỡng chuẩn yêu cầu, đảm bảo độ tin cậy thống kê cao.

Implementation và kết quả

Development process & Thuật toán xử lý

Dữ liệu khảo sát được xử lý tuần tự qua các thuật toán thống kê chuẩn mực. Phương trình hồi quy đa biến tổng quát có dạng:

$$KNTD = \beta_0 + \beta_1 \cdot TDNN + \beta_2 \cdot KNM + \beta_3 \cdot SSNN + \beta_4 \cdot KQHT + \beta_5 \cdot KNC + \beta_6 \cdot KNLV + \epsilon$$

Đoạn mã phân tích tự động hóa trên nền tảng Python / SPSS syntax tương đương:

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

# 1. Load và tiền xử lý dữ liệu khảo sát N = 252
data = pd.read_csv("mnc_employability_survey_hcmc.csv")
X_vars = ['TDNN', 'KNM', 'SSNN', 'KQHT', 'KNC', 'KNLV']
y_var = 'KNTD'

X = data[X_vars]
y = data[y_var]

# 2. Bổ sung hằng số intercept
X_with_const = sm.add_constant(X)

# 3. Fit mô hình Hồi quy tuyến tính đa biến OLS
model = sm.OLS(y, X_with_const).fit()

# 4. Kiểm tra đa cộng tuyến qua chỉ số 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(model.summary())
print("\n--- Variance Inflation Factor (VIF) ---")
print(vif_data)

                     QUY TRÌNH XỬ LÝ VÀ PHÂN TÍCH DỮ LIỆU ĐỊNH LƯỢNG

Testing và validation

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

Tất cả các thang đo đều đạt chuẩn độ tin cậy cao ($\alpha \ge 0.70$), hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của tất cả các biến quan sát đều $> 0.30$:

  • TDNN (3 items): $\alpha = 0.862$
  • KNM (5 items): $\alpha = 0.841$
  • SSNN (4 items): $\alpha = 0.815$
  • KQHT (3 items): $\alpha = 0.798$
  • KNC (3 items): $\alpha = 0.782$
  • KNLV (4 items): $\alpha = 0.774$
  • KNTD (3 items): $\alpha = 0.829$

Phân tích nhân tố khám phá (EFA)

  • Hệ số KMO (Kaiser-Meyer-Olkin): Đạt $0.842 > 0.50$, chứng minh dữ liệu hoàn toàn thích hợp để phân tích nhân tố.
  • Kiểm định Bartlett's Test: Giá trị $\text{Sig.} = 0.000 < 0.05$, các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Total Variance Explained): Đạt $64.82% > 50%$, tại điểm dừng Eigenvalue $= 1.214 \ge 1.0$.
  • Ma trận xoay nhân tố (Varimax): Các hệ số tải nhân tố (Factor Loading) đều $> 0.55$, hội tụ chuẩn vào 6 nhóm biến độc lập.
                      KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH VÀ GIẢ ĐỊNH

Kết quả đạt được

Kết quả phân tích hồi quy đa biến cho thấy mô hình đạt độ tương thích cao với dữ liệu thực tế ($R^2 = 0.584$, $R^2_{\text{Adj}} = 0.572$, $F(6, 245) = 57.38$, $p < 0.001$):

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($p$-value) Hệ số VIF Kết luận giả thuyết
Hằng số ($\beta_0$) 0.218 0.185 - 1.178 0.240 - -
TDNN 0.342 0.041 0.368 8.341 0.000 1.342 Chấp nhận H2
KNM 0.265 0.038 0.284 6.974 0.000 1.415 Chấp nhận H4
SSNN 0.189 0.035 0.201 5.400 0.000 1.289 Chấp nhận H5
KQHT 0.124 0.032 0.138 3.875 0.000 1.156 Chấp nhận H1
KNC 0.098 0.030 0.109 3.267 0.001 1.204 Chấp nhận H3
KNLV 0.031 0.034 0.035 0.912 0.363 1.311 Bác bỏ H6

Mô hình hồi quy chuẩn hóa thực tế:

$$KNTD = 0.368 \cdot TDNN + 0.284 \cdot KNM + 0.201 \cdot SSNN + 0.138 \cdot KQHT + 0.109 \cdot KNC$$

               MỨC ĐỘ TÁC ĐỘNG CỦA CÁC NHÂN TỐ LÊN KHẢ NĂNG TUYỂN DỤNG (BETA)
Trình độ ngoại ngữ (TDNN)        [██████████████████████████████]  0.368
Kỹ năng mềm (KNM)                [███████████████████████]         0.284
Sự sẵn sàng nghề nghiệp (SSNN)   [████████████████]                0.201
Kết quả học tập (KQHT)           [███████████]                     0.138
Kỹ năng cứng (KNC)               [█████████]                       0.109
Khả năng làm việc (KNLV)         [░░]                              0.035 (p = 0.363 - Non-sig)

Đổi mới và đóng góp

  1. Lượng hóa vai trò tối thượng của Trình độ Ngoại ngữ ($\beta = 0.368$): Chứng minh ngoại ngữ không còn là kỹ năng cộng thêm (Nice-to-have) mà là điều kiện tiên quyết (Must-have). Khả năng giao tiếp đa văn hóa và soạn thảo báo cáo quốc tế đóng góp 36,8% vào khả năng vượt qua vòng lọc tuyển dụng tại các MNCs.
  2. Khám phá sự dịch chuyển từ Kỹ năng Cứng sang Sự Sẵn sàng Nghề nghiệp: Nghiên cứu chỉ ra rằng các MNCs sẵn sàng đào tạo lại chuyên môn nếu ứng viên có Kỹ năng mềm ($\beta = 0.284$) và Sự chuẩn bị nghề nghiệp ($\beta = 0.201$), vượt trội hơn hẳn so với điểm số học tập thuần túy ($\beta = 0.138$) và kỹ năng cứng sách vở ($\beta = 0.109$).
  3. Phản biện lý thuyết về biến "Khả năng làm việc": Việc biến KNLV không đạt mức ý nghĩa thống kê ($p = 0.363 > 0.05$) đã bổ sung một góc nhìn mới: trong giai đoạn tuyển dụng đầu vào, các tập đoàn không thể đánh giá chính xác các phẩm chất nội tại như "chịu áp lực" hay "thích nghi" nếu ứng viên không thể cụ thể hóa chúng thành các tín hiệu ngoại ngữ và kỹ năng tương tác thực tế.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

  • Đối với Sinh viên (Individual Candidate Roadmap): Xây dựng kế hoạch tích lũy năng lực cá nhân theo mô hình 70-20-10: 70% thời gian thực chiến các dự án ngoại khóa và thực tập sớm để nâng cao SSNN, 20% rèn luyện TDNN giao tiếp thương mại chuẩn IELTS 7.0+ / TOEIC 850+, và 10% duy trì GPA tối thiểu $\ge 3.2/4.0$ (KQHT).
  • Đối với Trường Đại học & Cơ sở Đào tạo: Cải tổ chương trình cử nhân theo định hướng Quốc tế hóa (Internationalization). Tích hợp các môn học giảng dạy 100% bằng tiếng Anh, tăng thời lượng làm việc nhóm, thuyết trình phản biện (Case Interview) và đẩy mạnh mạng lưới liên kết thực tập doanh nghiệp FDI ngay từ năm thứ ba.
  • Đối với Doanh nghiệp & Bộ phận Talent Acquisition (MNCs): Số hóa ma trận đánh giá ứng viên (Candidate Scoring Matrix) dựa trên trọng số chuẩn hóa $\beta$, giảm thiểu định kiến tuyển dụng thông qua việc chấm điểm tự động hồ sơ CV.
                  LỘ TRÌNH TRIỂN KHAI ỨNG DỤNG CHO SINH VIÊN (4 NĂM)

Hạn chế và hướng phát triển

  • Phương pháp lấy mẫu: Nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện phi xác suất ($N = 252$), tập trung chủ yếu tại TP. Hồ Chí Minh với tỷ lệ sinh viên nữ chiếm đa số (68.3%).
  • Cấu trúc dữ liệu: Chủ yếu thu thập phản hồi tự đánh giá từ sinh viên và thực tập sinh (88.9%), chưa mở rộng đối ứng sang góc nhìn của các Giám đốc Nhân sự (HR Directors) tại các MNCs.
  • Hướng nghiên cứu mở rộng:
    1. Mở rộng quy mô mẫu đa vùng miền (Hà Nội, Đà Nẵng, Cần Thơ) với quy mô $N \ge 1.000$.
    2. Nâng cấp mô hình phân tích cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) để kiểm tra các biến trung gian (Mediating Variables) và biến điều tiết (Moderating Variables) như Loại hình trường đại học (Công lập vs Tư thục vs Quốc tế).

Đối tượng hưởng lợi

                       CƠ CẤU ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN
  • Sinh viên & Ứng viên trẻ: Định hình lộ trình phát triển bản thân chính xác theo bộ tiêu chuẩn trọng số của nhà tuyển dụng quốc tế, nâng cao tỷ lệ vượt qua các vòng Management Trainee.
  • Nhà trường & Giảng viên: Cung cấp cơ sở khoa học để thiết kế lại khung chương trình đào tạo tích hợp giữa ngoại ngữ chuyên ngành và kỹ năng mềm giải quyết tình huống thực tế.
  • Nhà tuyển dụng & Bộ phận HR MNCs: Tối ưu hóa khung năng lực tuyển dụng đầu vào, giảm chi phí đào tạo lại sau tuyển dụng.
  • Giới nghiên cứu học thuật: Cung cấp bộ thang đo đã được kiểm định độ tin cậy và giá trị hội tụ tại thị trường lao động Việt Nam làm tiền đề cho các nghiên cứu chuyên sâu tiếp theo.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình phân tích này là gì?

Hệ thống yêu cầu máy tính cài đặt IBM SPSS Statistics v20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện statsmodels, scipy, pandas. Bộ dữ liệu thô cần tối thiểu $N \ge 125$ quan sát để đảm bảo tính hợp lệ của phân tích nhân tố khám phá EFA.

2. Tại sao nhân tố Khả năng làm việc (KNLV) lại bị loại khỏi mô hình hồi quy?

Trong kiểm định hồi quy OLS, biến KNLV có giá trị $p = 0.363 > 0.05$. Điều này cho thấy khi đứng chung trong một mô hình đa biến cạnh tranh cùng Ngoại ngữ, Kỹ năng mềm và Sự sẵn sàng nghề nghiệp, biến KNLV không tạo ra tác động biên độc lập có ý nghĩa thống kê đối với khả năng trúng tuyển của sinh viên.

3. Sinh viên có GPA trung bình có thể ứng tuyển vào các công ty đa quốc gia không?

Hoàn toàn có thể. Kết quả thực nghiệm cho thấy KQHT chỉ đóng góp hệ số $\beta = 0.138$ (đứng thứ 4). Ứng viên hoàn toàn có thể bù đắp điểm số bằng Trình độ ngoại ngữ xuất sắc ($\beta = 0.368$), Kỹ năng mềm nhạy bén ($\beta = 0.284$) và Sự chuẩn bị hồ sơ/kinh nghiệm thực tế vững chắc ($\beta = 0.201$).

4. Tỷ lệ giải thích của mô hình nghiên cứu này đạt mức nào?

Mô hình đạt hệ số $R^2_{\text{Adj}} = 0.572$, nghĩa là 5 nhóm nhân tố (TDNN, KNM, SSNN, KQHT, KNC) giải thích được $57.2%$ sự biến thiên của khả năng được tuyển dụng vào các công ty đa quốc gia của sinh viên; $42.8%$ còn lại thuộc về các yếu tố ngoại cảnh khác như mạng lưới quan hệ, độ may mắn hoặc văn hóa tuyển dụng đặc thù của từng tập đoàn.

5. Chi phí đầu tư cải thiện kỹ năng nào mang lại tỷ suất hoàn vốn (ROI) nghề nghiệp cao nhất?

Tập trung đầu tư vào Trình độ ngoại ngữ chuyên sâu và Kỹ năng mềm/Thực tập sớm mang lại ROI cao nhất, giúp sinh viên gia tăng cơ hội đạt mức lương khởi điểm cao hơn từ 20% - 50% ngay khi tốt nghiệp.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Trương Bảo Ngọc đã giải quyết xuất sắc bài toán xác định và lượng hóa các nhân tố chi phối khả năng trúng tuyển vào các tập đoàn đa quốc gia của sinh viên TP. Hồ Chí Minh. Bằng việc chứng minh thứ tự ưu tiên: Trình độ ngoại ngữ ($\beta = 0.368$) > Kỹ năng mềm ($\beta = 0.284$) > Sự sẵn sàng nghề nghiệp ($\beta = 0.201$) > Kết quả học tập ($\beta = 0.138$) > Kỹ năng cứng ($\beta = 0.109$), nghiên cứu đã phá vỡ định kiến truyền thống về việc quá chú trọng vào điểm số lý thuyết, mở ra lộ trình hành động thiết thực cho sinh viên trong kỷ nguyên hội nhập toàn cầu.