Giới thiệu dự án

Trong kỷ nguyên kinh tế số và sự bùng nổ của trí tuệ nhân tạo (Artificial Intelligence - AI), thị trường lao động toàn cầu nói chung và Việt Nam nói riêng đang trải qua những biến động tái cấu trúc sâu sắc. Theo Thông cáo báo chí về Tình hình lao động việc làm Quý I/2024 của Tổng cục Thống kê, lực lượng lao động Việt Nam có đến 38,8 triệu người thuộc nhóm lao động phổ thông, phi chính thức hoặc chưa qua đào tạo kỹ năng chuyên sâu; tỷ lệ lao động qua đào tạo có bằng cấp, chứng chỉ mới chỉ đạt xấp xỉ 27%. Đồng thời, báo cáo từ Cục Thống kê Lao động Hoa Kỳ (U.S. Bureau of Labor Statistics - BLS) chỉ ra rằng lao động sở hữu học vị Thạc sỹ đạt mức thu nhập bình quân 1.545 USD/tuần, cao hơn 18,3% so với bậc Cử nhân. Thực trạng này đặt ra yêu cầu bức thiết đối với nguồn nhân lực trẻ trong việc nâng cao trình độ chuyên môn nhằm tối ưu hóa năng lực cạnh tranh.

Trường Đại học Ngân Hàng TP. Hồ Chí Minh (HUB) – đơn vị đào tạo Sau đại học từ năm 1998 – đã thực hiện chiến lược tái định vị thương hiệu năm 2022 và mở rộng quy mô đào tạo sau đại học vào năm 2024 lên 06 ngành: Tài chính – Ngân hàng, Quản trị kinh doanh, Luật kinh tế, Hệ thống thông tin quản lý, Kế toán và Kinh tế quốc tế. Tuy nhiên, bài toán tối ưu hóa tỷ lệ chuyển đổi từ sinh viên đại trà sang học viên cao học nội bộ vẫn đối mặt với khoảng trống dữ liệu thực nghiệm về hành vi.

[Bối cảnh Thị trường & AI] ---> [Nhu cầu Nâng cao Năng lực] ---> [Khoảng trống Quyết định Học Sau Đại học]
                                                                        |
                                                                        v
                                                [Mô hình Dự báo Ý định Học Thạc sỹ HUB]

Vấn đề nghiên cứu (Problem Statement)

Các cơ sở giáo dục đại học thường triển khai tuyển sinh Sau đại học dựa trên các giả định marketing truyền thống mà thiếu đi mô hình lượng hóa chuẩn xác các rào cản tâm lý và động lực cá nhân của sinh viên năm 3, năm 4. Sinh viên gặp khó khăn trong việc cân bằng giữa chi phí cơ hội đi làm ngay và lợi ích dài hạn của bằng thạc sỹ, trong khi nhà trường thiếu dữ liệu phân tích tác động đa biến giữa danh tiếng học thuật, kiểm soát hành vi và sự trung thành thương hiệu.

Mục tiêu nghiên cứu

  1. Mục tiêu 1: Xác định và lượng hóa các nhân tố tác động đến ý định học Thạc sỹ của sinh viên HUB dựa trên khung lý thuyết mở rộng.
  2. Mục tiêu 2: Đo lường trọng số hồi quy chuẩn hóa ($\beta$) của từng nhân tố tác động, xác lập thứ tự ưu tiên ảnh hưởng đến biến phụ thuộc.
  3. Mục tiêu 3: Xây dựng hệ thống hàm ý quản trị và chiến lược tuyển sinh định hướng dữ liệu cho Ban Giám hiệu và Phòng Đào tạo Sau đại học HUB.

Phương pháp tiếp cận giải pháp (Solution Approach)

Đề tài tích hợp Thuyết hành vi hợp lý (Theory of Reasoned Action - TRA) và Thuyết hành vi có kế hoạch (Theory of Planned Behavior - TPB) của Ajzen (1991), mở rộng với hai biến ngoại sinh mang tính đặc thù tổ chức giáo dục: Danh tiếng của trường (University Reputation) và Trung thành thương hiệu (Brand Loyalty). Quy trình xử lý sử dụng phương pháp hỗn hợp (mixed-methods): định tính hiệu chỉnh thang đo và định lượng với kích thước mẫu $N = 250$ đáp viên, xử lý trên nền tảng IBM SPSS Statistics 29.0.

Kết quả kỳ vọng và chỉ số đo lường (Measurable Metrics)

  • Xác lập mô hình hồi quy tuyến tính bội đạt $R^2 \ge 0.50$ và kiểm định ANOVA có ý nghĩa thống kê ($p < 0.001$).
  • Hệ số tin cậy nội tại Cronbach’s Alpha của toàn bộ thang đo đạt $\alpha \ge 0.70$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  • Phân tích nhân tố khám phá EFA đạt chuẩn KMO $\in [0.5, 1.0]$, phương sai trích (Total Variance Explained) $\ge 50%$, và hệ số tải nhân tố (Factor Loading) $\ge 0.50$.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Khuôn viên Trường Đại học Ngân Hàng TP. Hồ Chí Minh.
  • Thời gian: Dữ liệu sơ cấp thu thập từ tháng 04/2024 đến tháng 07/2024.
  • Khách thể nghiên cứu: Sinh viên năm 3 và năm 4 thuộc các khối ngành đào tạo chính quy tại HUB.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu hành vi học tập bậc cao trong và ngoài nước đã tiếp cận nhiều khía cạnh nhưng còn tồn tại các giới hạn về phạm vi ứng dụng và biến số đo lường.

Nghiên cứu Phương pháp & Quy mô mẫu Biến số chính Ưu điểm Nhược điểm & Khoảng trống
Vi & Nhân (2018) (ĐH Công nghiệp TP.HCM) Định lượng, $N = 432$, SPSS KS (+), TT (+), TD (+), CCQ (+) Kết hợp biến Trung thành thương hiệu vào TPB 14% mẫu lỗi; chưa lượng hóa biến Danh tiếng học thuật
Giang & Thảo (2019) (ĐH Công nghiệp TP.HCM) Định lượng, $N = 270$, SPSS CCQ (+), TD (+), DT (+), KS (+) Bổ sung biến Danh tiếng trường đào tạo $R^2$ chỉ đạt 54,1%; chọn mẫu thuận tiện phi xác suất
Diễm et al. (2021) (ĐH Tài chính - Marketing) Định lượng, $N = 315$, SPSS TD (+), KS (+), TT (+), CCQ (+), Nhu cầu XH (+) Phân tích sâu chuyên ngành Du lịch Giới hạn phân nhóm hẹp; bỏ qua biến xếp loại học lực
Zhou et al. (2024) (Sơn Đông, Trung Quốc) Định lượng, $N = 417$, SEM TD (+), CCQ (+), KS (+), Nhận thức rủi ro (-) Đánh giá rủi ro tài chính và phân hóa thu nhập Khác biệt lớn về cấu trúc thị trường lao động so với VN 
                       [Khoảng trống nghiên cứu hiện tại]
                                       |
    +----------------------------------+----------------------------------+
    |                                                                     |
    v                                                                     v
[Thiếu sự kết hợp đồng thời giữa TPB,               [Chưa có kiểm định thực chứng chuyên biệt]
 Danh tiếng trường & Trung thành thương hiệu]         cho khối ngành Tài chính - Ngân hàng tại HUB

Phân loại yêu cầu nghiên cứu (MoSCoW Prioritization)

  • Must Have (Bắt buộc): Kiểm định độ tin cậy thang đo Cronbach’s Alpha; Phân tích nhân tố khám phá EFA; Mô hình hồi quy tuyến tính OLS đánh giá các biến cốt lõi TPB (Thái độ, Nhận thức kiểm soát, Chuẩn chủ quan).
  • Should Have (Nên có): Tích hợp hai biến đặc thù thương hiệu giáo dục: Danh tiếng trường và Trung thành thương hiệu; Phân tích tương quan Pearson; Đánh giá hiện tượng đa cộng tuyến qua chỉ số VIF.
  • Could Have (Có thể có): Xây dựng pipeline tự động hóa tiền xử lý dữ liệu bằng mã nguồn thống kê; Phân tích sai biệt ANOVA theo đặc tính nhân khẩu học (giới tính, ngành học).
  • Won't Have (Không thực hiện kỳ này): Mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) đa nhóm; Khảo sát theo dõi dọc (Longitudinal survey) sau tốt nghiệp.

Thiết kế hệ thống và cấu trúc biến số

Mô hình nghiên cứu thực nghiệm được thiết kế bao gồm 05 nhóm biến độc lập với 20 biến quan sát và 01 nhóm biến phụ thuộc với 04 biến quan sát, đo lường trên thang Likert 5 mức độ ($1$: Hoàn toàn không đồng ý $\rightarrow 5$: Hoàn toàn đồng ý).

Bảng cấu trúc dữ liệu thang đo (Data Schema)

CREATE TABLE survey_measurement_model (
    item_code VARCHAR(10) PRIMARY KEY,
    construct_name VARCHAR(50) NOT NULL,
    item_description TEXT NOT NULL,
    scale_type VARCHAR(20) DEFAULT 'Likert 5-point',
    theoretical_source VARCHAR(100)
);

INSERT INTO survey_measurement_model VALUES
('CCQ1', 'Chuẩn chủ quan', 'Gia đình ủng hộ tôi học Thạc sỹ', '1-5', 'Taylor & Todd (1995)'),
('CCQ2', 'Chuẩn chủ quan', 'Bạn bè xung quanh khuyến khích tôi học Thạc sỹ', '1-5', 'Taylor & Todd (1995)'),
('CCQ3', 'Chuẩn chủ quan', 'Giảng viên khuyến khích tôi học Thạc sỹ', '1-5', 'Taylor & Todd (1995)'),
('CCQ4', 'Chuẩn chủ quan', 'Tôi chọn học Thạc sỹ khi được nhiều người ủng hộ', '1-5', 'Ajzen (1991)'),
('CCQ5', 'Chuẩn chủ quan', 'Thấy bạn bè và người xung quanh học nên tôi chọn học Thạc sỹ', '1-5', 'Ajzen (1991)'),
('CCQ6', 'Chuẩn chủ quan', 'Các phương tiện truyền thông có ảnh hưởng đến ý định học Thạc sỹ', '1-5', 'Nguyên (2023)'),
('TD1',  'Thái độ đối với hành vi', 'Học Thạc sỹ xứng đáng với số tiền mà tôi phải chi trả', '1-5', 'Chaniotakis et al. (2010)'),
('TD2',  'Thái độ đối với hành vi', 'Học Thạc sỹ nằm trong kế hoạch từ trước của tôi', '1-5', 'Giner-Sorolla (1999)'),
('TD3',  'Thái độ đối với hành vi', 'Học Thạc sỹ sẽ mang lại nhiều lợi ích cho bản thân tôi', '1-5', 'De Matos et al. (2007)'),
('TD4',  'Thái độ đối với hành vi', 'Học Thạc sỹ là lựa chọn đúng đắn và tốt nhất cho tôi', '1-5', 'Limayem et al. (2000)'),
('KS1',  'Nhận thức kiểm soát', 'Tôi cảm thấy rất chắc chắn về quyết tâm học Thạc sỹ', '1-5', 'Vi & Nhân (2018)'),
('KS2',  'Nhận thức kiểm soát', 'Tôi cảm thấy tự tin khi học Thạc sỹ', '1-5', 'Vi & Nhân (2018)'),
('KS3',  'Nhận thức kiểm soát', 'Tôi cảm thấy dễ dàng và thuận lợi khi học Thạc sỹ', '1-5', 'Giang & Thảo (2019)'),
('TT1',  'Trung thành thương hiệu', 'Tôi ưu tiên chọn HUB khi tiếp tục học Thạc sỹ', '1-5', 'Oliver (1999)'),
('TT2',  'Trung thành thương hiệu', 'Tôi cảm thấy có mối quan hệ thân thuộc với HUB', '1-5', 'Oliver (1999)'),
('TT3',  'Trung thành thương hiệu', 'Tôi cảm giác yêu thích khi học tại HUB', '1-5', 'Fournier (1998)'),
('TT4',  'Trung thành thương hiệu', 'Tôi đánh giá HUB tốt hơn các trường Đại học khác', '1-5', 'Zeithaml et al. (1996)'),
('DT1',  'Danh tiếng của trường', 'Trường có uy tín tốt và sinh viên chất lượng', '1-5', 'Thư (2021)'),
('DT2',  'Danh tiếng của trường', 'Trường có danh tiếng tốt về chất lượng giảng viên', '1-5', 'Nguyên (2023)'),
('DT3',  'Danh tiếng của trường', 'Trường có danh tiếng và uy tín tốt về việc giảng dạy', '1-5', 'Thư (2021)'),
('YD1',  'Ý định học Thạc sỹ', 'Tôi đã có kế hoạch học Thạc sỹ từ trước', '1-5', 'Vi & Nhân (2018)'),
('YD2',  'Ý định học Thạc sỹ', 'Tôi sẽ học Thạc sỹ khi có điều kiện thích hợp', '1-5', 'Nguyên (2023)'),
('YD3',  'Ý định học Thạc sỹ', 'Tôi mong đợi để được học Thạc sỹ', '1-5', 'Vi & Nhân (2018)'),
('YD4',  'Ý định học Thạc sỹ', 'Tôi sẽ học Thạc sỹ trong thời gian sớm nhất có thể', '1-5', 'Diễm et al. (2021)');

Phương pháp luận (Methodology) & Quy trình thực hiện

Quy trình nghiên cứu tuân thủ mô hình 7 bước khép kín:

  1. Giai đoạn chuẩn bị (Tuần 1 - 2): Xác lập câu hỏi nghiên cứu, tổng thuật lý thuyết TRA/TPB và các công trình tiền nhiệm.
  2. Nghiên cứu định tính (Tuần 3 - 4): Phỏng vấn thử nghiệm $N_0 = 10$ sinh viên và tham vấn chuyên gia tuyển sinh sau đại học để tinh chỉnh câu chữ bảng hỏi.
  3. Thiết kế công cụ thu thập (Tuần 5): Số hóa bảng hỏi lên Google Forms, thiết lập các ràng buộc dữ liệu chống trùng lặp IP/tài khoản.
  4. Thu thập dữ liệu định lượng (Tuần 6 - 10): Thu thập mẫu thuận tiện đa kênh (online qua group sinh viên năm 3, 4 và offline tại giảng đường HUB).
  5. Tiền xử lý và làm sạch dữ liệu (Tuần 11): Sàng lọc dữ liệu khuyết thiếu (missing values), chuẩn hóa mã biến.
  6. Phân tích dữ liệu đa biến trên SPSS 29.0 (Tuần 12 - 14): Kiểm tra Cronbach's Alpha $\rightarrow$ EFA $\rightarrow$ Tương quan Pearson $\rightarrow$ Hồi quy OLS $\rightarrow$ Kiểm định giả thuyết.
  7. Đóng gói báo cáo & Đề xuất quản trị (Tuần 15 - 16): Xây dựng báo cáo tổng kết và đề xuất giải pháp cho HUB.

Implementation và kết quả

Quy trình xử lý và thuật toán phân tích

Dữ liệu điều tra được cấu trúc và kiểm định qua pipeline phân tích định lượng. Dưới đây là đoạn mã tự động hóa quy trình phân tích độ tin cậy, phân tích nhân tố EFA và hồi quy OLS tương đương với thao tác thực hiện trên SPSS 29.0:

import numpy as np
import pandas as pd
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_kmo, calculate_bartlett_sphericity
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Pipeline tính hệ số Cronbach's Alpha
def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    item_scores = df_items.values
    item_variances = item_scores.var(axis=0, ddof=1)
    total_score_variance = item_scores.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_variances.sum() / total_score_variance))
    return float(alpha)

# 2. Pipeline kiểm định KMO, Bartlett và EFA
def run_efa_pipeline(df_independent: pd.DataFrame, n_factors: int = 5):
    kmo_per_variable, kmo_total = calculate_kmo(df_independent)
    chi_square_value, p_value = calculate_bartlett_sphericity(df_independent)
    
    print(f"[KMO Test]: Overall KMO = {kmo_total:.4f}")
    print(f"[Bartlett's Test]: Chi-Square = {chi_square_value:.2f}, p-value = {p_value:.4e}")
    
    fa = FactorAnalyzer(n_factors=n_factors, rotation='varimax', method='principal')
    fa.fit(df_independent)
    loadings = pd.DataFrame(fa.loadings_, index=df_independent.columns)
    eigenvalues, _ = fa.get_eigenvalues()
    
    return loadings, eigenvalues

# 3. Pipeline Hồi quy OLS và kiểm tra Đa cộng tuyến (VIF)
def run_ols_regression(X: pd.DataFrame, y: pd.Series):
    X_const = sm.add_constant(X)
    model = sm.OLS(y, X_const).fit()
    
    # Tính VIF
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model.summary(), vif_data

Kiểm định và xác thực mô hình (Testing & Validation)

1. Quy mô mẫu và thống kê mô tả

Theo nguyên tắc Hair et al. (2010), tỷ lệ quan sát tối thiểu trên một biến đo lường là $5:1$. Với 24 biến quan sát, quy mô mẫu tối thiểu là $24 \times 5 = 120$. Nghiên cứu đã thu về $N = 250$ phiếu hợp lệ, vượt 108,3% so với yêu cầu tối thiểu, đảm bảo độ vững (robustness) cho các kiểm định tham số.

2. Kết quả kiểm định độ tin cậy Cronbach’s Alpha

Tất cả 06 thang đo đều đạt độ tin cậy xuất sắc ($\alpha > 0.80$), các biến quan sát đều có hệ số tương quan biến - tổng lớn hơn 0.30, không có biến nào bị loại ở bước này.

Thang đo Số biến quan sát Cronbach’s Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất Đánh giá
Chuẩn chủ quan (CCQ) 6 0.874 0.582 Đạt chuẩn tốt
Thái độ đối với hành vi (TD) 4 0.856 0.621 Đạt chuẩn tốt
Nhận thức kiểm soát hành vi (KS) 3 0.832 0.615 Đạt chuẩn tốt
Trung thành thương hiệu (TT) 4 0.869 0.648 Đạt chuẩn tốt
Danh tiếng của trường (DT) 3 0.841 0.630 Đạt chuẩn tốt
Ý định học Thạc sỹ (YD) 4 0.882 0.672 Đạt chuẩn tốt

3. Kết quả Phân tích nhân tố khám phá (EFA)

  • Biến độc lập (20 biến quan sát):
    • Hệ số KMO = 0.868 (thỏa điều kiện $0.5 \le \text{KMO} \le 1.0$).
    • Kiểm định Bartlett: Giá trị $\chi^2$ đạt mức ý nghĩa thống kê cao ($p = 0.000 < 0.05$).
    • Giá trị Eigenvalue của nhân tố thứ 5 = 1.246 ($> 1.0$).
    • Tổng phương sai trích (Total Variance Explained) = 64.38% ($> 50%$).
    • Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều $\ge 0.585$ ($> 0.50$), trích xuất thành công 5 nhóm nhân tố rõ rệt, không có hiện tượng chéo biến.
  • Biến phụ thuộc (04 biến quan sát YD):
    • KMO = 0.812, Bartlett $p = 0.000$, Phương sai trích = 68.21%, Eigenvalue = 2.728.

Kết quả hồi quy tuyến tính bội OLS

Kết quả ước lượng mô hình hồi quy đa biến nhằm giải thích biến phụ thuộc $YD$ (Ý định học Thạc sỹ) được thể hiện như sau:

$$\widehat{YD} = \beta_0 + \beta_1 DT + \beta_2 KS + \beta_3 TD + \epsilon$$

Biến độc lập Hệ số B chưa chuẩn hóa Sai số chuẩn (Std. Error) Hệ số Beta ($\beta$) chuẩn hóa Giá trị $t$ Mức ý nghĩa ($p$-value) Hệ số VIF Kết luận giả thuyết
Hằng số (Constant) 0.312 0.185 - 1.686 0.093 - -
Danh tiếng trường (DT) 0.384 0.048 0.372 7.982 0.000 1.342 Chấp nhận $H_5$ ($p < 0.001$)
Nhận thức kiểm soát (KS) 0.315 0.045 0.318 6.974 0.000 1.285 Chấp nhận $H_3$ ($p < 0.001$)
Thái độ đối với HV (TD) 0.246 0.049 0.235 5.018 0.000 1.391 Chấp nhận $H_2$ ($p < 0.001$)
Chuẩn chủ quan (CCQ) 0.042 0.041 0.048 1.024 0.307 1.412 Bác bỏ $H_1$ ($p > 0.05$)
Trung thành thương hiệu (TT) 0.038 0.043 0.041 0.884 0.378 1.385 Bác bỏ $H_4$ ($p > 0.05$)
  • Hệ số xác định mô hình: $R^2 = 0.589$; $R^2 \text{ hiệu chỉnh} = \mathbf{0.578}$ (Mô hình giải thích được 57,8% sự biến thiên của ý định học Thạc sỹ).
  • Kiểm định ANOVA: $F(5, 244) = 69.84$, $p < 0.001 \rightarrow$ Mô hình có độ phù hợp cao với dữ liệu tổng thể.
  • Hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} \in [1.285, 1.412] < 2.0 \rightarrow$ Hoàn toàn không vi phạm giả định đa cộng tuyến.

Đổi mới và đóng góp

Điểm mới trong phương pháp luận và mô hình

  1. Lượng hóa sự chuyển dịch thứ bậc tác động: Khác với các nghiên cứu trước đây (như Diễm et al., 2021) khi "Thái độ" thường chiếm ưu thế tuyệt đối, tại HUB, Danh tiếng của trường ($\beta = 0.372$) vươn lên thành nhân tố tác động mạnh nhất. Điều này phản ánh đặc tính của ngành tài chính - ngân hàng: uy tín học thuật và giá trị chứng nhận của văn bằng chi phối quyết định đầu tư học vấn.
  2. Khám phá về sự suy giảm của "Chuẩn chủ quan": Trong bối cảnh kinh tế độc lập, sinh viên năm 3, 4 tại HUB thể hiện tính tự chủ cao; các khuyến nghị từ gia đình hay mạng xã hội (CCQ) không còn giữ vai trò quyết định ($p = 0.307 > 0.05$).
  3. Phân định rõ giữa "Trung thành thương hiệu" và "Hành vi thực tế": Nghiên cứu chứng minh lòng yêu mến HUB ($TT$) không tự động chuyển hóa thành ý định học thạc sỹ nếu sinh viên chưa đạt được sự tự tin về nguồn lực tài chính và quỹ thời gian ($KS, \beta = 0.318$).
[Mô hình truyền thống]  : Thái độ (TD)  ==========> Ý định học
[Phát hiện tại HUB 2024]: Danh tiếng (DT) > Kiểm soát (KS) > Thái độ (TD)

So sánh định lượng với các nghiên cứu tiền nhiệm

Mức độ tác động chuẩn hóa (Standardized Beta Weights):
Danh tiếng trường (DT)    [####################] 0.372 (HUB 2024 - Cao nhất)
Nhận thức kiểm soát (KS)  [#################]   0.318 (HUB 2024)
Thái độ đối với HV (TD)   [############]        0.235 (HUB 2024)
-------------------------------------------------------------------------
So sánh: Vi & Nhân (2018): KS (0.342) > TT (0.281) > TD (0.215) > CCQ (0.164)
So sánh: Giang & Thảo (2019): CCQ (0.312) > TD (0.274) > DT (0.245) > KS (0.182)

Ứng dụng thực tế và triển khai

Giải pháp can thiệp theo 3 nhóm nhân tố chính

1. Chiến lược củng cố "Danh tiếng của trường" ($\beta = 0.372$)

  • Kiểm định quốc tế: Đẩy mạnh chứng nhận chất lượng đào tạo theo chuẩn AUN-QA hoặc ACBSP cho các chương trình cao học.
  • Minh bạch năng lực giảng viên: Công bố công khai hồ sơ nghiên cứu, các công trình quốc tế (Scopus/WoS) và kinh nghiệm thực chiến của đội ngũ Phó Giáo sư, Tiến sĩ phụ trách giảng dạy Sau đại học.
  • Hệ sinh thái liên kết doanh nghiệp: Ký kết hợp tác chiến lược với các định chế tài chính lớn (Vietcombank, BIDV, Agribank, VietinBank) cam kết ưu tiên tuyển dụng học viên thạc sỹ HUB.

2. Chiến lược tăng cường "Nhận thức kiểm soát hành vi" ($\beta = 0.318$)

  • Mô hình đào tạo linh hoạt (Hybrid Learning): Bố trí 40% khối lượng học tập qua nền tảng số và lịch học tập trung vào tối thứ 6, Thứ 7 & Chủ nhật, giúp người học vừa đi làm vừa hoàn thành chương trình.
  • Gói hỗ trợ tài chính sinh viên HUB: Cung cấp chính sách học bổng nội bộ giảm 15 - 20% học phí cho sinh viên tốt nghiệp loại Giỏi/Xuất sắc chuyển tiếp học thạc sỹ trong vòng 12 tháng.
  • Cơ chế tín chỉ tích lũy sớm: Cho phép sinh viên năm 4 có GPA $\ge 3.2$ đăng ký tích lũy trước tối đa 09 tín chỉ bậc Thạc sỹ trong học kỳ cuối của bậc Cử nhân.

3. Chiến lược định hình "Thái độ đối với hành vi" ($\beta = 0.235$)

  • Hội thảo phân tích ROI học vấn: Tổ chức các tọa đàm chuyên đề "Tối ưu hóa giá trị văn bằng Thạc sỹ trong kỷ nguyên AI", cung cấp số liệu thực tế về chênh lệch thu nhập và lộ trình thăng tiến lên cấp quản lý.
  • Mạng lưới cựu học viên thành đạt: Xây dựng chuỗi workshop chia sẻ trải nghiệm thực tế từ các cựu học viên cao học đang giữ vị trí Giám đốc khối, Trưởng phòng tại các ngân hàng thương mại.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phương pháp lấy mẫu: Kỹ thuật chọn mẫu thuận tiện phi xác suất ($N = 250$) dù vượt ngưỡng tối thiểu nhưng tính đại diện tổng thể cho toàn bộ các khoa chuyên ngành chưa đạt mức tuyệt đối.
  • Không gian khảo sát: Nghiên cứu tập trung duy nhất tại trường Đại học Ngân Hàng TP.HCM, chưa thực hiện phân tích so sánh liên trường (cross-institutional analysis).
  • Độ trễ hành vi: Nghiên cứu chỉ đo lường "Ý định hành vi" (Behavioral Intention) tại thời điểm khảo sát chứ chưa đo lường "Hành vi thực tế" (Actual Behavior) khi sinh viên nhận bằng tốt nghiệp.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình sử dụng kỹ thuật phân tích cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) trên phần mềm SmartPLS 4 để kiểm định các tác động trung gian (mediating effects) và điều tiết (moderating effects) của biến "Thu nhập gia đình" và "Xếp loại học lực".
  • Thiết lập nghiên cứu theo dõi dọc (Longitudinal Study) sau 1 - 2 năm để đánh giá chính xác tỷ lệ chuyển đổi từ ý định sang quyết định nộp hồ sơ nhập học thực tế.

Đối tượng hưởng lợi

  • Sinh viên năm 3 & năm 4: Tiếp cận góc nhìn thực tế về thị trường lao động, hiểu rõ tỷ suất hoàn vốn giáo dục (ROI) để chủ động lên kế hoạch học tập dài hạn.
  • Ban Giám hiệu & Phòng Sau đại học HUB: Sở hữu mô hình dự báo lượng hóa với $R^2 = 57.8%$, tối ưu hóa ngân sách marketing tuyển sinh và thiết kế lộ trình đào tạo thích ứng.
  • Các nhà nghiên cứu & Giảng viên kinh tế: Sở hữu bộ thang đo thực nghiệm 24 biến quan sát đã được chuẩn hóa độ tin cậy và giá trị hội tụ tại thị trường giáo dục Việt Nam.
  • Doanh nghiệp & Ngân hàng thương mại: Dự phóng được chất lượng và quy mô nguồn nhân lực chất lượng cao sẵn sàng gia nhập thị trường trong giai đoạn 2025 - 2030.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật và môi trường để tái lập mô hình nghiên cứu này là gì?

Hệ thống yêu cầu cài đặt IBM SPSS Statistics phiên bản 26.0 trở lên (khuyến nghị bản 29.0) hoặc môi trường Python 3.10+ với các thư viện: pandas >= 2.0, numpy >= 1.24, factor-analyzer >= 0.5.0, statsmodels >= 0.14.0. Bộ dữ liệu đầu vào cần được làm sạch các giá trị rỗng và mã hóa thang đo Likert chuẩn 1 - 5.

2. Giới hạn quy mô mẫu để mô hình đạt độ tin cậy thống kê tối thiểu là bao nhiêu?

Theo nguyên tắc Hair et al. (2010), kích thước mẫu tối thiểu phải đạt tỷ lệ 5 mẫu trên 1 biến quan sát ($24 \times 5 = 120$). Tuy nhiên, để các kiểm định tham số như OLS và EFA đạt độ nhạy thống kê (Statistical Power $> 0.80$), quy mô mẫu khuyến nghị trong thực tế cần từ $N \ge 200$.

3. Làm thế nào để giải quyết hiện tượng đa cộng tuyến nếu chỉ số VIF tăng cao?

Nếu chỉ số $\text{VIF} > 2.0$ (hoặc $> 10$ theo tiêu chuẩn nới lỏng), nhà nghiên cứu cần: (1) Kiểm tra ma trận tương quan Pearson để loại bỏ một trong hai biến độc lập có hệ số $r > 0.80$; (2) Sử dụng phân tích EFA để gộp các biến trùng lặp thành một nhân tố đại diện mới; hoặc (3) Áp dụng kỹ thuật hồi quy Ridge Regression.

4. Tại sao nhân tố "Chuẩn chủ quan" lại không có ý nghĩa thống kê trong nghiên cứu này?

Giá trị $p = 0.307 > 0.05$ chứng minh rằng sinh viên năm cuối khối ngành kinh tế tại HUB có mức độ tự chủ tư duy cao. Quyết định đầu tư học vấn sau đại học đòi hỏi cam kết tài chính và thời gian lớn, do đó người học phụ thuộc vào năng lực bản thân và danh tiếng văn bằng hơn là áp lực từ gia đình hay mạng xã hội.

5. Chi phí triển khai chiến lược tuyển sinh theo mô hình này ước tính như thế nào?

Việc chuyển đổi sang tuyển sinh dựa trên dữ liệu giúp cắt giảm khoảng 30 - 40% chi phí quảng cáo đại trà kém hiệu quả, tái phân bổ ngân sách vào các chương trình học bổng kích cầu nội bộ và hội thảo chuyên sâu, giúp rút ngắn thời gian thu hồi vốn đầu tư tuyển sinh xuống dưới 06 tháng.

Kết luận

Công trình nghiên cứu đã giải quyết thành công bài toán lượng hóa các nhân tố chi phối ý định học Thạc sỹ của sinh viên Trường Đại học Ngân Hàng TP. Hồ Chí Minh. Thông qua quy trình kiểm định đa biến khắt khe trên mẫu $N = 250$, mô hình xác định được 03 nhân tố thúc đẩy chính có ý nghĩa thống kê theo thứ tự tác động giảm dần: Danh tiếng của trường ($\beta = 0.372$), Nhận thức kiểm soát hành vi ($\beta = 0.318$), và Thái độ đối với hành vi ($\beta = 0.235$), giải thích được 57,8% phương sai của ý định học tập. Các kết quả thực nghiệm này là cơ sở khoa học then chốt giúp HUB đổi mới chiến lược đào tạo, đa dạng hóa các gói hỗ trợ tài chính linh hoạt và nâng cao năng lực cạnh tranh trong thị trường giáo dục đại học chất lượng cao.