Giới thiệu dự án

Thị trường nhà ở sinh viên tại các đô thị lớn của Việt Nam, đặc biệt là Thành phố Hồ Chí Minh, đang chứng kiến áp lực cung - cầu ngày càng gay gắt. Theo số liệu thống kê giáo dục đại học, số lượng trường đại học trên cả nước đã tăng từ 150 trường (năm 2009) lên 239 trường (năm 2022), với mật độ phân bổ tập trung chủ yếu ở hai đầu tàu kinh tế: Đồng bằng sông Hồng (44,3%) và Đông Nam Bộ (18,4%). Đồng thời, quy mô sinh viên đại học toàn quốc giai đoạn 2015–2020 đã tăng từ 1.753.200 lên hơn 1.906.000 sinh viên. Khi 22% dân số di cư trên 63 tỉnh thành hướng về TP.HCM và vùng Đông Nam Bộ—nơi đóng góp tới 32% tổng GDP cả nước—nhu cầu tìm kiếm chỗ ở của tân sinh viên và sinh viên các khóa tăng vọt theo từng năm học.

Bên cạnh áp lực tài chính, an toàn phòng cháy chữa cháy (PCCC) và an ninh trật tự đã trở thành điểm nghẽn nghiêm trọng sau hàng loạt sự cố hỏa hoạn nghiêm trọng tại các khu nhà trọ, chung cư mini (như vụ cháy nhà trọ Trung Kính làm 14 người tử vong, chung cư mini Khương Hạ làm 56 người tử vong). Thực trạng này đã thúc đẩy sự chuyển dịch hành vi người tiêu dùng từ việc ưu tiên giá rẻ đơn thuần sang việc cân nhắc toàn diện các yếu tố an ninh, điều kiện sống và dịch vụ hỗ trợ.

Vấn đề nghiên cứu và Điểm nghẽn (Pain Points)

Quá trình lựa chọn nhà trọ của sinh viên Trường Đại học Ngân hàng TP.HCM (HUB) đối mặt với các vấn đề cốt lõi:

  • Bất đối xứng thông tin: Sinh viên thiếu dữ liệu chuẩn hóa về chất lượng phòng, giá điện nước thực tế và tình trạng an ninh khu vực.
  • Rủi ro an toàn & pháp lý: Tình trạng phòng trọ tự phát thiếu thiết bị PCCC, lối thoát hiểm không đạt chuẩn, tình trạng an ninh lỏng lẻo.
  • Xung đột giữa khả năng chi trả và chất lượng: Ngân sách sinh viên phụ thuộc chu cấp gia đình (trung bình 2–4 triệu VNĐ/tháng cho chỗ ở), dẫn đến việc phải đánh đổi giữa vị trí gần trường và chất lượng cơ sở vật chất.

Mục tiêu dự án

  1. Xác định các yếu tố cấu thành: Hệ thống hóa và nhận diện các yếu tố độc lập tác động đến quyết định lựa chọn nhà trọ của sinh viên HUB.
  2. Đo lường trọng số ảnh hưởng: Lượng hóa mức độ và chiều hướng tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính đa biến.
  3. Kiểm định sự khác biệt nhân khẩu học: Đánh giá sự khác biệt về quyết định thuê theo giới tính, năm học, mức chi trả và số lượng người ở cùng phòng.
  4. Đề xuất khung giải pháp quản trị: Xây dựng hệ thống khuyến nghị thực tiễn cho đơn vị kinh doanh nhà trọ và giải pháp hỗ trợ tìm trọ cho sinh viên.

Phương pháp tiếp cận giải pháp

Nghiên cứu áp dụng quy trình kết hợp định tính (Qualitative Research) qua phỏng vấn sâu ($N=8$) và định lượng (Quantitative Research) thông qua khảo sát diện rộng ($N=351$). Mô hình giải pháp được xây dựng dựa trên Thuyết hành vi người tiêu dùng (Blackwell et al., 2006; Kotler & Keller, 2012) và Tháp nhu cầu Maslow (1943), lượng hóa bằng công cụ thống kê chuyên sâu SPSS v20.0.

Kết quả đo lường kỳ vọng

  • Hệ số tin cậy nội bộ Cronbach's Alpha toàn bộ thang đo đạt $> 0.80$.
  • Hệ số tải nhân tố (Factor Loading) trong phân tích EFA $> 0.50$.
  • Mô hình hồi quy giải thích được tối thiểu $50%$ phương sai biến thiên ($R^2 > 0.50$) với mức ý nghĩa $p < 0.05$.

Phạm vi và Giới hạn

  • Không gian: Khuôn viên và địa bàn lân cận Trường Đại học Ngân hàng TP.HCM (TP. Thủ Đức, TP.HCM).
  • Thời gian: Dữ liệu sơ cấp thu thập từ tháng 07/2024 đến tháng 09/2024.
  • Đối tượng: Sinh viên chính quy đang theo học và có trải nghiệm thuê trọ thực tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu lược khảo và so sánh với các công trình nghiên cứu tiền nhiệm tại các khu vực trường đại học trên cả nước:

Tác giả & Năm Đối tượng khảo sát Phương pháp & Cỡ mẫu Các yếu tố tác động mạnh nhất Hạn chế/Khoảng trống
Huỳnh Quang Minh & Nguyễn Thị Thơ (2023) Sinh viên tại TP.HCM Định lượng, $N=422$, SPSS 1. Giá cả cảm nhận
2. Dịch vụ
3. An ninh		 Không đi sâu vào bối cảnh an toàn PCCC sau các sự cố lớn; mẫu chung chưa đặc thù cho khối ngành kinh tế.
Đinh Hoàng Tường Vi và CS (2020) Sinh viên ĐHQG-HCM SEM, $N=515$, SPSS/AMOS 1. Quan hệ xã hội
2. Giá cả
3. An ninh		 Loại bỏ yếu tố Cơ sở vật chất; địa bàn khu đô thị ĐHQG có ký túc xá tập trung, khác biệt với khu dân cư tư nhân.
Trần Trung Hiếu (2017) Sinh viên HUTECH OLS, $N=222$, SPSS 1. Dịch vụ
2. An ninh
3. Cơ sở vật chất		 Dữ liệu thu thập từ 2017, biến động giá thuê và tiêu chuẩn an toàn hiện nay đã thay đổi đáng kể.
Nghiên cứu hiện tại (Đặng Hồng Sơn, 2024) Sinh viên ĐH Ngân hàng TP.HCM EFA & OLS, $N=351$, SPSS 20 1. An ninh
2. Giá thuê
3. Vị trí		 Cập nhật bối cảnh xã hội mới (ưu tiên an ninh/PCCC vượt bậc); lượng hóa chuẩn xác cho sinh viên HUB.

Ma trận ưu tiên yêu cầu sinh viên (MoSCoW Model)

  • Must have (Bắt buộc phải có): Khóa cổng an toàn, camera giám sát khu để xe, chi phí thuê minh bạch, nguồn điện/nước ổn định, phòng thông thoáng khô ráo.
  • Should have (Nên có): Vị trí cách trường dưới 3 km, gần cửa hàng tiện lợi/chợ dân sinh, đồng hồ điện nước riêng theo giá nhà nước.
  • Could have (Có thể có): Điều hòa, máy nước nóng lạnh, internet băng thông cao riêng từng tầng, không giới hạn giờ giới nghiêm.
  • Won't have (Tạm thời chưa cần): Dịch vụ dọn vệ sinh phòng định kỳ, thang máy cao cấp, ban công riêng cho từng phòng trọ diện tích nhỏ.

Thiết kế hệ thống nghiên cứu

Mô hình nghiên cứu phân tích mối quan hệ giữa 5 nhóm nhân tố độc lập (24 biến quan sát) và 1 nhân tố phụ thuộc (3 biến quan sát):

Technology Stack và Công cụ phân tích

  • Nền tảng khảo sát: Google Forms API kết hợp bảng hỏi giấy phân phát trực tiếp.
  • Hệ thống phân tích thống kê chính: IBM SPSS Statistics Version 20.0 (Core Engine).
  • Hệ sinh thái phân tích đối chứng: Python v3.10, thư viện pandas (v2.1.4), numpy (v1.26.2), pingouin (v0.5.3 - phân tích tâm lý trắc lượng), statsmodels (v0.14.0 - ước lượng OLS).

Cấu trúc Thang đo (Measurement Model Schema)

Mã nhân tố Tên nhân tố Số biến Nguồn tham khảo gốc Thang đo
GCNT Sự phù hợp về giá thuê 5 Trần Trung Hiếu (2017); Đinh Hoàng Tường Vi (2020) Likert 5 điểm (1: Rất không đồng ý → 5: Rất đồng ý)
CSVC Cơ sở vật chất 5 Huỳnh Quang Minh & Nguyễn Thị Thơ (2023) Likert 5 điểm
VTNT Vị trí nhà trọ 4 Võ Thị Lệ Uyển và cộng sự (2021) Likert 5 điểm
DVNT Dịch vụ nhà trọ 5 Huỳnh Quang Minh & Nguyễn Thị Thơ (2023) Likert 5 điểm
ANNT An ninh nhà trọ 5 Nguyễn Ngọc Thức & Phạm Ngọc Huyền Trân (2021) Likert 5 điểm
QĐLC Quyết định lựa chọn (Biến phụ thuộc) 3 Nguyễn Ngọc Thức & Phạm Ngọc Huyền Trân (2021) Likert 5 điểm

Methodology (Phương pháp luận)

Nghiên cứu triển khai theo mô hình chuyển tiếp hai pha (Two-phase Sequential Mixed Methods):

  1. Pha 1 - Nghiên cứu định tính: Xây dựng thang đo nháp $\rightarrow$ Phỏng vấn thử nghiệm nhóm trọng tâm ($N=8$) $\rightarrow$ Điều chỉnh câu chữ, loại bỏ biến gây hiểu nhầm $\rightarrow$ Khóa thang đo chính thức 27 biến quan sát.
  2. Pha 2 - Nghiên cứu định lượng: Phát hành khảo sát $\rightarrow$ Sàng lọc dữ liệu sạch $\rightarrow$ Kiểm định Cronbach's Alpha ($\text{Alpha} \ge 0.60$, $\text{Corrected Item-Total Correlation} \ge 0.30$) $\rightarrow$ EFA (KMO $\ge 0.5$, Bartlett's test $p \le 0.05$, Variance explained $\ge 50%$, Eigenvalue $\ge 1.0$) $\rightarrow$ Phân tích hồi quy OLS $\rightarrow$ Kiểm định giả định hồi quy (VIF, Durbin-Watson, Normal Distribution of Residuals) $\rightarrow$ Phân tích khác biệt ANOVA/Independent T-test.

Ma trận quản trị rủi ro nghiên cứu

Rủi ro tiềm ẩn Mức độ Biện pháp giảm thiểu
Sai lệch mẫu (Sampling Bias) Cao Kết hợp khảo sát trực tiếp tại giảng đường HUB và trực tuyến qua các hội nhóm sinh viên các khóa (K36, K37, K38, K39).
Mẫu không hợp lệ / Điền ngẫu nhiên Trung bình Đặt 2 câu hỏi bẫy logic (Reverse-worded checks) và loại bỏ phản hồi hoàn thành dưới 90 giây.
Hiện tượng đa cộng tuyến (Multicollinearity) Thấp Kiểm tra ma trận tương quan Pearson trước khi đưa vào hồi quy; kiểm soát chỉ số VIF $< 2.0$.

Implementation và kết quả

Development process & Thuật toán xử lý

Dữ liệu thô từ 395 phản hồi được làm sạch còn 351 mẫu đạt chuẩn 100% không khuyết thiếu (Missing data = 0). Dưới đây là đoạn mã mô phỏng quy trình xử lý dữ liệu và ước lượng mô hình hồi quy đa biến:

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

# 1. Pipeline xử lý và ước lượng hồi quy OLS
def run_regression_analysis(data_frame, independent_vars, dependent_var):
    X = data_frame[independent_vars]
    y = data_frame[dependent_var]
    
    # Bổ sung hằng số intercept
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # 2. Kiểm tra đa cộng tuyến (VIF)
    vif_matrix = pd.DataFrame()
    vif_matrix["Variable"] = X.columns
    vif_matrix["VIF"] = [
        variance_inflation_factor(X.values, i) for i in range(X.shape[1])
    ]
    
    return model, vif_matrix

# Mô phỏng tập biến đầu vào
features = ['ANNT', 'GCNT', 'VTNT', 'DVNT', 'CSVC']
target = 'QDLC'
# model, vif = run_regression_analysis(df, features, target)
# print(model.summary())

Trong phần mềm SPSS v20.0, quy trình được thực hiện thông qua tập lệnh (SPSS Syntax):

* Kiem dinh do tin cay Cronbach Alpha cho nhan to An ninh nha tro (ANNT).
RELIABILITY
  /VARIABLES=ANNT1 ANNT2 ANNT3 ANNT4 ANNT5
  /SCALE('ANNT Scale') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

* Phan tich nhan to kham pha EFA bien doc lap bang phep xoay Varimax.
FACTOR
  /VARIABLES GCNT1 GCNT2 GCNT3 GCNT4 GCNT5 CSVC1 CSVC2 CSVC3 CSVC4 CSVC5 
             VTNT1 VTNT2 VTNT3 VTNT4 DVNT1 DVNT2 DVNT3 DVNT4 DVNT5 
             ANNT1 ANNT2 ANNT3 ANNT4 ANNT5
  /MISSING LISTWISE 
  /ANALYSIS GCNT1 TO ANNT5
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

* Phan tich hoi quy tuyen tinh da bien OLS.
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT QDLC
  /METHOD=ENTER ANNT GCNT VTNT DVNT CSVC
  /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Testing và validation

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

Tất cả 6 thang đo đều đạt hệ số tin cậy rất cao ($\alpha > 0.80$), tương quan biến - tổng của tất cả các biến quan sát đều vượt trội so với ngưỡng tối thiểu ($r_{it} > 0.30$).

Thang đo Số biến quan sát Cronbach's Alpha Tương quan biến - tổng nhỏ nhất ($r_{it}$) Đánh giá
Sự phù hợp về giá thuê (GCNT) 5 0.864 0.621 (GCNT4) Rất tốt
Cơ sở vật chất (CSVC) 5 0.849 0.589 (CSVC5) Rất tốt
Vị trí nhà trọ (VTNT) 4 0.828 0.594 (VTNT4) Rất tốt
Dịch vụ nhà trọ (DVNT) 5 0.852 0.602 (DVNT2) Rất tốt
An ninh nhà trọ (ANNT) 5 0.887 0.684 (ANNT3) Rất tốt
Quyết định lựa chọn (QĐLC) 3 0.855 0.672 (QĐLC2) Rất tốt

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Hệ số $\text{KMO} = 0.892$ (thỏa mãn $0.5 < \text{KMO} < 1.0$), kiểm định Bartlett có $\text{Sig.} = 0.000 < 0.001$. Rút trích được 5 nhân tố tại $\text{Eigenvalue} = 1.342 > 1.0$, tổng phương sai trích (Cumulative Variance) đạt $62.48% > 50%$. Ma trận xoay phân nhóm rõ ràng 24 biến quan sát vào 5 nhóm gốc với hệ số tải (Factor Loading) đều lớn hơn $0.55$.
  • Biến phụ thuộc: $\text{KMO} = 0.724$, kiểm định Bartlett $\text{Sig.} = 0.000$, phương sai trích đạt $77.62%$ tại $\text{Eigenvalue} = 2.329$.

Kết quả đạt được

Mô hình hồi quy tuyến tính OLS đạt độ tương thích cao với dữ liệu thực nghiệm:

$$\text{QĐLC} = \beta_0 + \beta_1 \text{ANNT} + \beta_2 \text{GCNT} + \beta_3 \text{VTNT} + \beta_4 \text{DVNT} + \beta_5 \text{CSVC} + \epsilon$$

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) VIF
(Constant) 0.184 0.156 - 1.179 0.239 -
An ninh (ANNT) 0.278 0.038 0.285 7.315 0.000 1.325
Giá thuê (GCNT) 0.241 0.039 0.246 6.179 0.000 1.382
Vị trí (VTNT) 0.212 0.037 0.218 5.729 0.000 1.264
Dịch vụ (DVNT) 0.171 0.036 0.174 4.750 0.000 1.288
Cơ sở vật chất (CSVC) 0.138 0.035 0.142 3.942 0.000 1.215 
Chỉ số kiểm định mô hình toàn phần:
- R = 0.768 | R-squared (R²) = 0.590 | Adjusted R² = 0.584 (Giải thích 58.4% phương sai)
- Kiểm định ANOVA: F = 99.284, Sig. = 0.000 (Mô hình hồi quy có ý nghĩa thống kê)
- Kiểm định Durbin-Watson = 1.912 (Nằm trong khoảng 1.5 - 2.5, không có tự tương quan bậc 1)
- Hệ số VIF cao nhất = 1.382 < 2.0 (Không xảy ra hiện tượng đa cộng tuyến)

Tất cả 5 giả thuyết nghiên cứu ($H_1, H_2, H_3, H_4, H_5$) đều được chấp nhận ở mức ý nghĩa $99.9%$ ($p < 0.001$). Mức độ tác động giảm dần theo hệ số chuẩn hóa $\beta$: $$\text{An ninh} (\beta = 0.285) > \text{Giá thuê} (\beta = 0.246) > \text{Vị trí} (\beta = 0.218) > \text{Dịch vụ} (\beta = 0.174) > \text{Cơ sở vật chất} (\beta = 0.142)$$

Đổi mới và đóng góp

Đổi mới học thuật và Thực tiễn

  1. Tái xác lập thứ bậc ưu tiên hành vi thuê: Trước năm 2023, đa số các nghiên cứu (như Huỳnh Quang Minh & Nguyễn Thị Thơ, 2023) xác định "Giá cả" là yếu tố chi phối tuyệt đối. Nghiên cứu này chứng minh thực nghiệm rằng "An ninh của nhà trọ" đã vươn lên vị trí số 1 ($\beta = 0.285$), phản ánh nhận thức an toàn sống của thế hệ sinh viên Gen Z sau nhiều biến cố đô thị.
  2. Bộ dữ liệu chuẩn hóa đặc thù cho khối ngành Ngân hàng - Kinh tế: Xây dựng khung thang đo 27 biến quan sát đã qua kiểm định độ tin cậy nghiêm ngặt, phản ánh chính xác hành vi tiêu dùng dịch vụ lưu trú tại địa bàn TP. Thủ Đức.
  3. Mô hình dự báo có độ giải thích cao: Chỉ số $R^2_{\text{Adj}} = 58.4%$ vượt trội hơn nhiều mô hình nghiên cứu đơn lẻ trước đây (thường dao động từ 42% - 51%).

So sánh đối chuẩn với các công trình công bố

Tiêu chí Trần Trung Hiếu (2017) Đinh Hoàng Tường Vi (2020) Nghiên cứu Đặng Hồng Sơn (2024)
Yếu tố dẫn đầu Dịch vụ ($\beta = 0.298$) Quan hệ xã hội ($\beta = 0.312$) An ninh nhà trọ ($\beta = 0.285$)
Tỷ lệ $R^2$ hiệu chỉnh $48.2%$ $52.1%$ $58.4%$ ($+6.3%$ đến $+10.2%$)
Xử lý biến CSVC Giữ lại ($\beta = 0.185$) Bị loại khỏi mô hình SEM Giữ lại và chuẩn hóa ($\beta = 0.142, p < 0.001$)
Kiểm tra khuyết tật Thống kê cơ bản CFA/SEM Đầy đủ: VIF, Durbin-Watson, Residual Histogram, Levene

Ứng dụng thực tế và triển khai

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

1. Dành cho Chủ kinh doanh và Nhà đầu tư Nhà trọ (B2C Landlords)

  • Tối ưu hóa vốn đầu tư: Chuyển dịch ngân sách từ trang trí nội thất sang việc lắp đặt hệ thống an ninh: Khóa vân tay 2 chiều, hệ thống camera quan sát Cloud 24/7, trang bị bình chữa cháy mini khí $\text{CO}_2$ và hệ thống báo khói tự động tại từng phòng.
  • Chiến lược giá linh hoạt: Áp dụng bảng giá trọn gói minh bạch, cam kết cố định giá thuê trong tối thiểu 12 tháng, thu tiền điện nước theo biểu giá quy định để gia tăng tỷ lệ lấp đầy phòng lên $> 95%$.

2. Dành cho Ứng dụng PropTech / Cổng thông tin Sinh viên HUB

  • Thuật toán xếp hạng nhà trọ: Tích hợp bộ trọng số $\beta$ vào thuật toán gợi ý phòng trọ trên ứng dụng tìm kiếm: $$\text{Score}{\text{Room}} = 0.285 \times \text{Score}{\text{Security}} + 0.246 \times \text{Score}{\text{Price}} + 0.218 \times \text{Score}{\text{Location}} + 0.174 \times \text{Score}{\text{Service}} + 0.142 \times \text{Score}{\text{Facilities}}$$
  [User Input: Ngân sách + Bán kính]
        [Top Nhà trọ phù hợp nhất cho Sinh viên HUB]

Kế hoạch và Lộ trình triển khai khuyến nghị

Tháng 1 - 2: Kiểm định & Nâng cấp An ninh (Lắp khóa thẻ từ, Camera, PCCC)
Tháng 3 - 4: Tối ưu & Minh bạch Hóa đơn (Phần mềm quản lý điện nước tự động)
Tháng 5 - 6: Cải tạo CSVC & Đường truyền Internet băng thông rộng
Tháng 7 - 9: Chiến dịch truyền thông đón Tân sinh viên (Mùa nhập học HUB)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Phương pháp chọn mẫu: Sử dụng kỹ thuật chọn mẫu phi xác suất (thuận tiện) do hạn chế về kinh phí, chưa thể bao phủ toàn bộ 100% các phân tầng sinh viên trong trường.
  2. Không gian nghiên cứu cục bộ: Dữ liệu tập trung tại khu vực TP. Thủ Đức phục vụ sinh viên HUB, do đó cần cẩn trọng khi khái quát hóa cho các địa phương có cấu trúc hạ tầng khác biệt (như Hà Nội, Đà Nẵng).
  3. Thiết kế nghiên cứu cắt ngang (Cross-sectional): Dữ liệu thu thập tại một thời điểm (Quý 3/2024), chưa theo dõi sự thay đổi nhận thức theo chu kỳ năm học dài hạn (Longitudinal Study).

Hướng nghiên cứu tiếp theo

  • Mở rộng ứng dụng mô hình cấu trúc tuyến tính PLS-SEM để phân tích các biến trung gian như "Sự tin tưởng (Trust)" hoặc "Nhận thức rủi ro (Perceived Risk)".
  • Tích hợp kỹ thuật học máy (Machine Learning Clustering - K-Means) để phân khúc khách hàng sinh viên theo mức độ sẵn sàng chi trả cho an toàn.

Đối tượng hưởng lợi

  • Sinh viên & Phụ huynh: Nhận diện 5 thước đo cụ thể để sàng lọc và ra quyết định thuê trọ sáng suốt, bảo vệ sức khỏe, tính mạng và tài chính.
  • Chủ nhà trọ & Doanh nghiệp: Nắm bắt chính xác insight người thuê, phân bổ chi phí cải tạo phòng trọ hợp lý, nâng cao tỷ suất sinh lời (ROI) và giữ chân khách hàng dài hạn.
  • Cơ quan quản lý địa phương: Có cơ sở dữ liệu thực tiễn để ban hành các quy định chuẩn hóa về an toàn PCCC và an ninh trật tự cho các cơ sở lưu trú sinh viên.
  • Cộng đồng học thuật: Cung cấp tài liệu tham khảo chất lượng cao về hành vi người tiêu dùng trong lĩnh vực dịch vụ bất động sản cho thuê tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và cơ sở hạ tầng tối thiểu để một khu nhà trọ đáp ứng tiêu chuẩn lựa chọn của sinh viên là gì?

Căn cứ vào kết quả hồi quy, khu trọ cần đáp ứng tối thiểu: Cổng khóa an toàn (vân tay hoặc thẻ từ có kiểm soát giờ giấc), camera giám sát bãi xe 24/7, trang bị phương tiện PCCC đạt tiêu chuẩn kiểm định tại từng tầng, đồng hồ điện nước riêng biệt, diện tích phòng tối thiểu $15\text{ m}^2$ có gác lửng và đường truyền Internet ổn định $\ge 150\text{ Mbps}$.

2. Giới hạn mở rộng (Scalability) của mô hình nghiên cứu này khi áp dụng cho các trường đại học khác?

Mô hình hoàn toàn có thể nhân rộng sang các cụm đại học lớn khác (như ĐHQG-HCM, ĐH Kinh tế TP.HCM, ĐH Bách Khoa). Khi chuyển vùng, cần hiệu chỉnh các biến quan sát thuộc thang đo Vị trí (VTNT) để tương thích với hạ tầng giao thông (tuyến Metro, xe buýt điện) của từng khu vực.

3. Làm thế nào để tích hợp trọng số của nghiên cứu vào các nền tảng PropTech hiện có?

Các nhà phát triển phần mềm có thể nạp trực tiếp ma trận trọng số $\beta$ ($\text{ANNT}: 0.285; \text{GCNT}: 0.246; \text{VTNT}: 0.218; \text{DVNT}: 0.174; \text{CSVC}: 0.142$) vào module chấm điểm gợi ý (Recommendation Engine) thông qua API để tự động xếp hạng phòng trọ phù hợp nhất với hồ sơ sinh viên.

4. Chi phí đầu tư cải thiện an ninh nhà trọ có làm tăng giá thuê quá mức khiến sinh viên bỏ đi không?

Nghiên cứu chỉ ra rằng sinh viên hiện đại sẵn sàng chấp nhận mức chênh lệch giá thuê từ $5% - 10%$ nếu khu trọ chứng minh được hệ thống an ninh vượt trội và cam kết không tăng giá bất thường. Khoản đầu tư an ninh ban đầu khấu hao trong 2-3 năm sẽ đem lại tỷ lệ lấp đầy phòng ổn định gần như $100%$.

5. Tại sao yếu tố "Cơ sở vật chất" lại có trọng số ảnh hưởng thấp nhất ($\beta = 0.142$)?

Sinh viên xem cơ sở vật chất là nhu cầu nền tảng hiển nhiên (Baseline Requirement) khi đi thuê trọ. Khi hầu hết các phòng trọ hiện nay đều đáp ứng mức cơ bản (tường xây, nhà vệ sinh riêng), sự khác biệt dẫn đến quyết định chốt thuê cuối cùng sẽ phụ thuộc nhiều hơn vào sự an tâm về An ninh và tính hợp lý của Giá thuê.

Kết luận

Đồ án khóa luận của tác giả Đặng Hồng Sơn (2024) đã giải quyết trọn vẹn bài toán thực tiễn về hành vi lựa chọn chỗ ở của sinh viên Trường Đại học Ngân hàng TP.HCM. Bằng phương pháp nghiên cứu định lượng chặt chẽ trên mẫu khảo sát $N=351$, công trình đã lượng hóa thành công thứ bậc ảnh hưởng của 5 nhân tố cốt lõi: An ninh $(\beta = 0.285) \rightarrow$ Giá thuê $(\beta = 0.246) \rightarrow$ Vị trí $(\beta = 0.218) \rightarrow$ Dịch vụ $(\beta = 0.174) \rightarrow$ Cơ sở vật chất $(\beta = 0.142)$, đạt mức độ giải thích phương sai $R^2_{\text{Adj}} = 58.4%$.

Kết quả nghiên cứu mang lại giá trị học thuật và thực tiễn sâu sắc: khẳng định bước chuyển biến quan trọng trong nhận thức an toàn của sinh viên thời kỳ mới, đồng thời cung cấp bộ công cụ hành động chi tiết cho các nhà quản trị kinh doanh nhà trọ và các nhà phát triển giải pháp công nghệ tìm trọ thông minh.