Giới thiệu dự án

Sự dịch chuyển của nguồn nhân lực chất lượng cao từ các vùng nông thôn về các đô thị hạt nhân là một xu hướng kinh tế - xã hội tất yếu tại các quốc gia đang phát triển. Theo báo cáo từ Tổng cục Thống kê và Bộ Lao động - Thương binh & Xã hội, Thành phố Hồ Chí Minh (TP.HCM) đóng góp hơn 22% GDP và chiếm trên 27% tổng thu ngân sách quốc gia, tạo ra sức hút dịch chuyển lao động liên tục. Tuy nhiên, tình trạng mất cân đối phân bổ nhân lực giữa các vùng kinh tế trọng điểm và các tỉnh lân cận đang tạo ra áp lực nặng nề lên hạ tầng đô thị, đồng thời gây ra hiện tượng "chảy máu chất xám" tại các địa phương. Theo thống kê của Trung tâm Dự báo nhu cầu nhân lực và Thông tin thị trường lao động TP.HCM (FALMI), tỷ lệ sinh viên có việc làm sau tốt nghiệp tại TP.HCM đạt 72,3%, nhưng có tới 60% làm việc trái ngành hoặc làm các công việc không yêu cầu bằng cấp chuyên môn đại học.

Đề tài nghiên cứu khoa học "Những nhân tố tác động đến ý định ở lại Thành phố Hồ Chí Minh làm việc của sinh viên tỉnh tại Trường Đại học Ngân hàng TP.HCM" (Mã ngành Quản trị kinh doanh: 7340101) được triển khai nhằm lượng hóa các động cơ kinh tế, xã hội và tâm lý hành vi thúc đẩy sinh viên ngoại tỉnh ra quyết định định cư và phát triển nghề nghiệp tại TP.HCM. Nghiên cứu giải quyết bài toán cốt lõi: Xác định chính xác trọng số ảnh hưởng của các yếu tố vi mô và vĩ mô tác động đến hành vi di cư lao động của nhóm sinh viên khối ngành Kinh tế - Tài chính - Ngân hàng.

Mục tiêu nghiên cứu cụ thể

  1. Xác định hệ thống nhân tố tác động: Nhận diện và chọn lọc các nhóm biến cấu thành ảnh hưởng trực tiếp đến ý định ở lại TP.HCM của sinh viên ngoại tỉnh dựa trên lý thuyết Hành vi dự định (TPB) và lý thuyết Lực đẩy - Lực kéo (Push-Pull Theory).
  2. Đo lường và lượng hóa mức độ tác động: Thiết lập mô hình kinh tế lượng hồi quy đa biến OLS (Ordinary Least Squares) để xác định hệ số hồi quy chuẩn hóa ($\beta$) của từng nhân tố.
  3. Kiểm định sự khác biệt nhân khẩu học: Phân tích phương sai một yếu tố (One-way ANOVA) để làm rõ sự biến thiên trong ý định ở lại giữa các nhóm ngành đào tạo, giới tính và thâm niên sinh viên.
  4. Xây dựng giải pháp cân bằng thị trường lao động: Đề xuất khuyến nghị chính sách tuyển dụng cho doanh nghiệp và định hướng quy hoạch nhân lực vùng cho các cơ quan quản lý nhà nước.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Trường Đại học Ngân hàng TP.HCM (Banking University of Ho Chi Minh City - HUB).
  • Thời gian: Khảo sát và xử lý dữ liệu từ tháng 01/2023 đến tháng 03/2023.
  • Đối tượng: $N = 233$ sinh viên các khóa đại trà và chất lượng cao có hộ khẩu thường trú ngoài TP.HCM.
  • Giới hạn kỹ thuật: Nghiên cứu đo lường "ý định hành vi" (behavioral intention), chưa đo lường "hành vi thực tế" (actual behavior) theo trục thời gian dọc (longitudinal).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và khoảng trống nghiên cứu

Tiêu chí so sánh Nghiên cứu Huỳnh Trưởng Huy (2011) Nghiên cứu Huỳnh Thị Mộng Cầm (2021) Đề tài nghiên cứu tại HUB (2023)
Phạm vi khảo sát 200 sinh viên tại ĐH Cần Thơ 450 cựu sinh viên tại ĐH Công nghệ Đồng Nai 233 sinh viên ngoại tỉnh tại ĐH Ngân hàng TP.HCM
Bối cảnh thị trường Đô thị cấp vùng loại 1 (ĐBSCL) Tỉnh công nghiệp tập trung Đô thị đặc biệt, trung tâm tài chính quốc gia
Công cụ xử lý SPSS Exploratory Factor Analysis SPSS EFA & Regression SPSS 20.0 + Thang đo chuẩn hóa Likert 5 điểm
Hạn chế tồn đọng Thiếu biến số về chính sách việc làm Chỉ tập trung vào cựu sinh viên Tích hợp biến Chính sách việc làm & Mạng lưới xã hội
Ma trận yêu cầu phân tích dữ liệu (MoSCoW Prioritization):

Kiến trúc quy trình xử lý dữ liệu kinh tế lượng

Stack công nghệ và thông số kỹ thuật

  • Nền tảng phân tích: IBM SPSS Statistics version 20.0 / Python 3.10 (thư viện pandas 2.0.1, statsmodels 0.14.0, factor_analyzer 0.4.1).
  • Cấu trúc dữ liệu: Bảng dữ liệu quan sát dạng ma trận $(233 \times 20)$ biến độc lập và $(233 \times 3)$ biến phụ thuộc.
  • Thang đo: Thang đo Likert 5 điểm (1 = Hoàn toàn không đồng ý $\rightarrow$ 5 = Hoàn toàn đồng ý).
  • Mã hóa thang đo chính:
    • MT: Môi trường sống và cơ sở hạ tầng (5 biến quan sát ban đầu: MT1 - MT5).
    • CH: Cơ hội việc làm và thu nhập (6 biến quan sát ban đầu: CH1 - CH6).
    • XH: Mạng lưới xã hội (3 biến quan sát: XH1 - XH3).
    • PH: Phù hợp với lối sống thành phố (3 biến quan sát: PH1 - PH3).
    • CS: Thông tin chính sách việc làm (3 biến quan sát: CS1 - CS3).
    • QD: Quyết định / Ý định ở lại TP.HCM làm việc (3 biến quan sát: QD1 - QD3).

Implementation và kết quả

Quy trình tiền xử lý và thuật toán phân tích dữ liệu

Toàn bộ quy trình phân tích được chuẩn hóa qua các bước xử lý thống kê định lượng theo pipeline mã nguồn sau:

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

# 1. Đọc dữ liệu khảo sát N = 233 sinh viên HUB
df = pd.read_csv("hub_student_survey_clean.csv")

# 2. Thuật toán kiểm tra độ tin cậy Cronbach's Alpha
def cronbach_alpha(itemscores):
    itemscores = np.asarray(itemscores)
    itemvars = itemscores.var(axis=0, ddof=1)
    tscores = itemscores.sum(axis=1)
    nitems = itemscores.shape[1]
    return (nitems / (nitems - 1)) * (1 - (itemvars.sum() / tscores.var(ddof=1)))

# 3. Kiểm định KMO và Bartlett's Test of Sphericity
chi_square_value, p_value = calculate_bartlett_sphericity(df[['MT2', 'MT3', 'MT4', 'MT5', 
                                                              'CH1', 'CH2', 'CH3', 'CH6', 
                                                              'XH1', 'XH2', 'XH3', 
                                                              'PH1', 'PH2', 'PH3', 
                                                              'CS1', 'CS2', 'CS3']])
kmo_all, kmo_model = calculate_kmo(df[['MT2', 'MT3', 'MT4', 'MT5', 
                                        'CH1', 'CH2', 'CH3', 'CH6', 
                                        'XH1', 'XH2', 'XH3', 
                                        'PH1', 'PH2', 'PH3', 
                                        'CS1', 'CS2', 'CS3']])

# 4. Huấn luyện mô hình hồi quy tuyến tính OLS
X = df[['CH_MEAN', 'MT_MEAN', 'XH_MEAN', 'CS_MEAN', 'PH_MEAN']]
X = sm.add_constant(X)
y = df['QD_MEAN']
model = sm.OLS(y, X).fit()

# 5. Đánh giá đa cộng tuyến qua chỉ số VIF
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]

Kết quả kiểm định thống kê chi tiết

1. Kiểm định độ tin cậy Cronbach's Alpha

  • Thang đo MT: $\alpha = 0.820$ (Tất cả biến có Corrected Item-Total Correlation $> 0.30$).
  • Thang đo CH: $\alpha = 0.728$. Biến CH5 (Môi trường làm việc công bằng theo năng lực) có tương quan biến tổng $r = 0.114 < 0.30$, bị loại bỏ khỏi mô hình để tối ưu tính hội tụ.
  • Thang đo XH: $\alpha = 0.723$ (Đạt chuẩn).
  • Thang đo PH: $\alpha = 0.685$ (Đạt chuẩn $> 0.60$).
  • Thang đo CS: $\alpha = 0.672$ (Đạt chuẩn $> 0.60$).

2. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)

  • Kiểm định KMO & Bartlett: Hệ số $\text{KMO} = 0.781 > 0.50$; Kiểm định Bartlett có giá trị thống kê với mức ý nghĩa $p\text{-value} = 0.000 < 0.05$, bác bỏ giả thuyết $H_0$ (các biến không có tương quan).
  • Sàng lọc biến xoay (Varimax Rotation): Tại lần xoay thứ nhất, hai biến MT1CH4 bị tải chéo (cross-loading) lên hai nhóm nhân tố với trọng số chênh lệch $< 0.30$. Sau khi loại MT1CH4, phân tích EFA lần 2 trích xuất được đúng 5 nhân tố với giá trị Eigenvalues = 1.363 > 1.0 tại nhân tố thứ 5.
  • Tổng phương sai trích (Cumulative Variance Explained): Đạt 67.701% > 50%, chứng minh 5 nhân tố đại diện giải thích được 67.701% độ biến thiên của tập dữ liệu gốc.
  • EFA biến phụ thuộc (QD): Trích xuất 1 nhân tố duy nhất, $\text{KMO} = 0.707$, phương sai trích đạt 70.282%, Eigenvalue $= 2.108$.
Bảng trọng số ma trận xoay EFA lần 2 (Rotated Component Matrix):

3. Kết quả hồi quy tuyến tính bội OLS

Nhân tố 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 phóng đại phương sai (VIF)
(Hằng số) -0.238 0.185 - -1.286 0.200 -
Cơ hội việc làm & thu nhập (CH) 0.324 0.045 0.312 7.200 0.000 1.342
Môi trường sống & hạ tầng (MT) 0.291 0.042 0.285 6.928 0.000 1.289
Mạng lưới quan hệ xã hội (XH) 0.236 0.038 0.230 6.210 0.000 1.195
Chính sách việc làm (CS) 0.228 0.039 0.223 5.846 0.000 1.214
Phù hợp lối sống đô thị (PH) 0.189 0.036 0.184 5.250 0.000 1.156
  • Chỉ số giải thích mô hình: $R = 0.821$, $R^2 = 0.674$, $R^2$ hiệu chỉnh (Adjusted $R^2$) = 0.667 (66.7%). Mô hình giải thích được 66.7% sự biến thiên của biến phụ thuộc QD, 33.3% còn lại do các yếu tố ngoài mô hình tác động.
  • Kiểm định ANOVA: Giá trị $F = 93.14$ với $p\text{-value} = 0.000 < 0.001$, khẳng định mô hình hồi quy tuyến tính xây dựng là hoàn toàn phù hợp với tổng thể mẫu.
  • Kiểm định tự tương quan: Hệ số Durbin-Watson = 1.975 (nằm hoàn hảo trong khoảng tối ưu $1.5 < D < 2.5$), chứng minh chuỗi phần dư không vi phạm hiện tượng tự tương quan bậc nhất.
  • Đa cộng tuyến: Tất cả các chỉ số $\text{VIF} < 2.0$ (thấp hơn nhiều so với ngưỡng vi phạm là 10.0), khẳng định không xảy ra hiện tượng đa cộng tuyến.

$$\text{Phương trình hồi quy chuẩn hóa: } QD = 0.312 \cdot CH + 0.285 \cdot MT + 0.230 \cdot XH + 0.223 \cdot CS + 0.184 \cdot PH$$


Đổi mới và đóng góp

  1. Khắc phục điểm mù của các mô hình kinh tế lượng truyền thống: Khác với các nghiên cứu trước đây chỉ tập trung vào yếu tố tiền lương đơn thuần, đề tài đã tích hợp thành công hai biến cấu trúc mới là Mạng lưới xã hội (Social Capital Network - XH)Chính sách thông tin việc làm (CS), nâng tỷ lệ giải thích mô hình từ mức trung bình 52-58% ở các công trình cũ lên 66.7%.
  2. Quy trình loại bỏ biến rác chặt chẽ: Thực hiện phân tích loại bỏ biến đa tầng (CH5 ở bước độ tin cậy, MT1CH4 ở bước phân tích xoay EFA), giúp tăng độ tin cậy thang đo tổng thể từ 0.71 lên 0.82.
  3. Phát hiện quy luật ưu tiên trong khối ngành tài chính: Chứng minh rằng đối với sinh viên Đại học Ngân hàng, biến số "Cơ hội thăng tiến và trang thiết bị hiện đại" ($\beta = 0.312$) có sức nặng vượt trội hơn hẳn "Lối sống tự do, thoải mái" ($\beta = 0.184$).

Ứng dụng thực tế và triển khai

Khuyến nghị cho doanh nghiệp tuyển dụng

  • Tái cấu trúc thang bảng lương và lộ trình thăng tiến: Vì yếu tố CH ($\beta = 0.312$) chiếm tỷ trọng cao nhất, các định chế tài chính, ngân hàng thương mại và doanh nghiệp cần công khai minh bạch lộ trình phát triển nghề nghiệp (Career Path) trong vòng 2-3 năm đầu tiên thay vì chỉ tập trung vào mức lương khởi điểm.
  • Tài trợ chuyển dịch địa điểm làm việc: Thiết lập các gói phụ cấp hỗ trợ nhà ở ban đầu (Relocation Allowance) và môi trường làm việc tiện nghi giúp giảm bớt rào cản từ biến MT ($\beta = 0.285$).

Khuyến nghị cho cơ quan quản lý nhà nước

  • Minh bạch hóa cổng thông tin việc làm công: Nâng cấp hệ thống thông tin tuyển dụng địa phương nhằm giảm thiểu định kiến "thiếu minh bạch, dựa vào quan hệ" tại các tỉnh (thể hiện rõ qua biến CS2XH2).
  • Chính sách đãi ngộ nhân tài vệ tinh: Để cân bằng bài toán phân bổ dân cư, các tỉnh cần triển khai các chính sách ưu đãi ngang bằng với TP.HCM (như hỗ trợ mua nhà xã hội, ưu đãi thuế TNCN cho nhân lực trẻ trình độ cao).

Hạn chế và hướng phát triển

  • Cỡ mẫu và tính đại diện: Mẫu nghiên cứu $N = 233$ tập trung chủ yếu tại HUB, tỷ trọng nữ giới chiếm 62.2%, chưa mở rộng sang khối kỹ thuật hoặc khoa học tự nhiên.
  • Phương pháp thu thập: Khảo sát cắt ngang (Cross-sectional) tại một thời điểm, chưa theo dõi được tỷ lệ chuyển hóa từ "Ý định" sang "Hành vi thực tế" sau khi nhận bằng tốt nghiệp 6 tháng.
  • Định hướng tương lai:
    • Mở rộng cỡ mẫu lên $N \ge 1,000$ trên toàn bộ khối Đại học thuộc ĐHQG-HCM và các trường trọng điểm phía Nam.
    • Áp dụng mô hình cấu trúc tuyến tính PLS-SEM (Partial Least Squares Structural Equation Modeling) để kiểm tra các biến trung gian (Mediating Variables) như "Áp lực gia đình" hoặc "Chi phí sinh hoạt thực tế".

Đối tượng hưởng lợi

  • Sinh viên & Ứng viên mới tốt nghiệp: Tự định vị được các tiêu chí quan trọng khi lập kế hoạch nghề nghiệp cá nhân, chuẩn bị sẵn sàng tâm lý thích ứng đô thị.
  • Chuyên viên nhân sự & Quản trị doanh nghiệp: Xây dựng Employee Value Proposition (EVP) chính xác để thu hút và giữ chân cử nhân giỏi từ các trường đại học top đầu.
  • Cán bộ hoạch định chính sách lao động: Có cơ sở dữ liệu định lượng phục vụ các đề án điều tiết dòng di dân cơ học và phát triển nguồn nhân lực chất lượng cao cấp vùng.
  • Nhà nghiên cứu kinh tế lượng ứng dụng: Tham khảo mô hình thang đo Likert chuẩn hóa và phương pháp xử lý kiểm định vi phạm giả định hồi quy chặt chẽ.

Câu hỏi thường gặp

1. Tại sao nghiên cứu loại bỏ biến CH5 và MT1 khỏi mô hình cuối cùng?

Biến CH5 bị loại ở bước Cronbach's Alpha do hệ số tương quan biến tổng hiệu chỉnh chỉ đạt $0.114 < 0.30$, không cùng chiều đo lường với thang đo cơ hội việc làm. Biến MT1 bị loại ở bước EFA do có hệ số tải chéo trên cả hai nhân tố với khoảng cách $< 0.30$, vi phạm tính giá trị phân biệt.

2. Mô hình có gặp hiện tượng đa cộng tuyến hoặc tự tương quan không?

Không. Hệ số phóng đại phương sai $\text{VIF}$ của tất cả các biến độc lập đều nằm trong khoảng $1.156 - 1.342$, thấp hơn nhiều so với ngưỡng 10. Hệ số Durbin-Watson đạt $1.975 \approx 2.0$, thỏa mãn điều kiện không có tự tương quan.

3. $R^2$ hiệu chỉnh 66.7% có ý nghĩa thống kê như thế nào?

Con số này chứng minh 5 nhóm nhân tố được đưa vào mô hình giải thích được 66.7% quyết định ở lại thành phố của sinh viên. Đây là mức giải thích rất cao trong các nghiên cứu hành vi xã hội học và kinh tế lượng.

4. Kết quả này có áp dụng được cho sinh viên các khối ngành kỹ thuật không?

Mô hình cung cấp khung tham chiếu chuẩn về phương pháp luận, tuy nhiên trọng số $\beta$ có thể thay đổi tùy thuộc vào cấu trúc việc làm đặc thù của từng nhóm ngành công nghệ/kỹ thuật.

5. Sự khác biệt giữa sinh viên năm cuối và các năm trước là gì?

Kiểm định ANOVA cho thấy sinh viên năm 4 có xu hướng đánh giá cao hơn đáng kể đối với nhân tố Mạng lưới quan hệ xã hội (XH) và Chính sách việc làm (CS) do áp lực tìm kiếm việc làm trực tiếp so với sinh viên năm 1-3.


Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Lê Thị Kim Xuyến tại Trường Đại học Ngân hàng TP.HCM đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua hệ thống phân tích định lượng chuẩn mực. Nghiên cứu đã chứng minh rằng ý định ở lại TP.HCM làm việc của sinh viên ngoại tỉnh chịu tác động mạnh nhất bởi Cơ hội việc làm & thu nhập ($\beta = 0.312$), tiếp theo là Môi trường sống & hạ tầng ($\beta = 0.285$), Mạng lưới xã hội ($\beta = 0.230$), Chính sách việc làm ($\beta = 0.223$) và Sự phù hợp lối sống ($\beta = 0.184$). Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách công và các bộ phận nhân sự trong việc tối ưu hóa chiến lược quản trị nguồn nhân lực trẻ.