Giới thiệu dự án

Thành phố Hồ Chí Minh (TP.HCM) giữ vị thế là trung tâm kinh tế, văn hóa và du lịch đầu tàu của Việt Nam. Tuy nhiên, theo báo cáo của Tổng cục Thống kê (2021, 2022) và Tổ chức Du lịch Thế giới (UNWTO), ngành du lịch sau giai đoạn đóng băng do đại dịch COVID-19 đối mặt với thách thức lớn về sự sụt giảm nguồn thu và khả năng giữ chân du khách. Nghiên cứu thực tế của Nguyễn Phương Tường Lan và Nguyễn Văn Thích (2021) chỉ ra thực trạng đáng báo động: tỷ lệ du khách mới đến Việt Nam chiếm xấp xỉ 90%, trong khi lượng khách quay lại lần thứ hai chỉ đạt 6%, và lần thứ ba trở lên chỉ đạt 4%. Như vậy, tổng tỷ lệ khách có ý định quay lại chỉ vỏn vẹn 10%.

Vấn đề cốt lõi (Problem Statement) nằm ở sự thiếu hụt các mô hình lượng hóa thực nghiệm về hành vi du khách tại đô thị TP.HCM nhằm xác định chính xác những yếu tố thúc đẩy ý định tái viếng thăm (Return Intention). Các rào cản chính gồm: chính sách giá chưa minh bạch, cơ sở hạ tầng giao thông và dịch vụ chưa đồng bộ, sản phẩm du lịch thiếu tính cá nhân hóa và năng lực cạnh tranh điểm đến còn hạn chế.

Dự án khóa luận tốt nghiệp chuyên ngành Marketing: "Nghiên cứu các yếu tố ảnh hưởng đến ý định quay lại điểm đến du lịch của khách hàng tại Thành phố Hồ Chí Minh" được triển khai nhằm giải quyết triệt để bài toán trên.

Mục tiêu cụ thể của nghiên cứu:

  1. Tổng hợp và hệ thống hóa khung cơ sở lý luận về hành vi tái tiêu dùng du lịch dựa trên Lý thuyết Hành động Hợp lý (Theory of Reasoned Action - TRA) và Thuyết Hành vi Dự định (Theory of Planned Behavior - TPB).
  2. Xây dựng và kiểm định mô hình gồm 8 biến độc lập ban đầu tác động đến ý định quay lại điểm đến.
  3. Lượng hóa trọng số tác động của từng nhân tố thông qua kỹ thuật phân tích thống kê đa biến trên mẫu khảo sát thực tế $N = 249$.
  4. Đề xuất hệ thống hàm ý quản trị và giải pháp marketing định hướng dữ liệu (data-driven marketing) cho các đơn vị quản lý điểm đến (Destination Management Organizations - DMOs) và doanh nghiệp lữ hành.

Phạm vi nghiên cứu tập trung vào du khách đã và đang trải nghiệm dịch vụ du lịch tại khu vực nội thành TP.HCM trong giai đoạn từ tháng 01/2023 đến tháng 05/2023. Giới hạn nghiên cứu áp dụng phương pháp chọn mẫu thuận tiện phi xác suất với biến quan sát đo lường trên thang đo khoảng Likert 5 điểm.

       +-------------------------------------------------------------+
       |             MÔ HÌNH HÀNH VI DỰ ĐỊNH (TPB & TRA)             |
       +-------------------------------------------------------------+
                                      |
         +----------------------------+----------------------------+
         |                                                         |
+------------------+                                      +------------------+
| CÁC THUỘC TÍNH   |                                      | ĐẶC ĐIỂM TÂM LÝ  |
| ĐIỂM ĐẾN (8 biến)|                                      | & CHUẨN CHỦ QUAN |
+------------------+                                      +------------------+
         \                                                         /
          \                                                       /
           +--------------------------+--------------------------+
                                      |
                                      v
                     +---------------------------------+
                     |    SỰ HÀI LÒNG & THÁI ĐỘ        |
                     +---------------------------------+
                                      |
                                      v
                     +---------------------------------+
                     |   Ý ĐỊNH QUAY LẠI ĐIỂM ĐẾN      |
                     |       (Return Intention)        |
                     +---------------------------------+

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng hợp các mô hình thực nghiệm trong và ngoài nước để xác định khoảng trống nghiên cứu (Research Gap):

Tiêu chí nghiên cứu Mô hình Tun Thiumsak & Athapol (2016) Mô hình Kamrul Hasan et al. (2020) Mô hình Nguyễn P. T. Lan & Nguyễn V. Thích (2021) Mô hình đề xuất cho TP.HCM (2023)
Bối cảnh áp dụng Du lịch quốc tế tại Bangkok, Thái Lan Du lịch biển đảo tại Cox's Bazar, Bangladesh Điểm du lịch sinh thái Bình Quới, TP.HCM Điểm đến du lịch tổng thể đô thị TP.HCM
Phương pháp xử lý Hồi quy tuyến tính OLS trên SPSS Mô hình phương trình cấu trúc PLS-SEM EFA & Hồi quy tuyến tính trên SPSS Cronbach's Alpha, EFA, Pearson Correlation, Multiple OLS, ANOVA
Ưu điểm Phân tích sâu động cơ du khách quốc tế Lượng hóa tốt biến trung gian thái độ/nhận thức Đo lường chi tiết 8 thành tố điểm đến nội địa Kế thừa đa biến, kiểm soát đa cộng tuyến, phân tầng nhân khẩu học
Nhược điểm Chưa phân hóa du khách nội địa Thang đo Likert 7 điểm phức tạp, khó thu thập diện rộng Mẫu hẹp tại 01 khu du lịch đơn lẻ Cần mở rộng sang mẫu xác suất ngẫu nhiên trong tương lai

Ưu tiên hóa yêu cầu phân tích theo phương pháp MoSCoW:

  • Must-have: Đo lường độ tin cậy thang đo ($\text{Cronbach's Alpha} \ge 0.70$), phân tích nhân tố khám phá ($\text{KMO} \ge 0.50$, $\text{Sig.} < 0.05$), mô hình hồi quy tuyến tính xác định $\beta$ chuẩn hóa và kiểm tra đa cộng tuyến ($\text{VIF} < 2.0$).
  • Should-have: Kiểm định phân tích phương sai ANOVA và Independent Samples T-test để tìm sự khác biệt theo nhóm nhân khẩu học (độ tuổi, thu nhập, học vấn).
  • Could-have: Đề xuất mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) cho các biến tiềm ẩn trung gian.
  • Won't-have (giai đoạn này): Phân tích chuỗi thời gian dọc (Longitudinal Analysis) theo mùa du lịch.

Thiết kế hệ thống đo lường và cấu trúc dữ liệu

Cấu trúc cơ sở dữ liệu khảo sát bao gồm 36 biến quan sát thuộc 8 nhóm biến độc lập và 1 nhóm biến phụ thuộc, mã hóa chi tiết:

  • Công nghệ xử lý dữ liệu:
    • IBM SPSS Statistics Version 20.0 (Core Engine cho phân tích đa biến).
    • Google Forms API (Công cụ thu thập dữ liệu sơ cấp trực tuyến).
    • Microsoft Excel 2019 / Python 3.10 (Data Cleaning và chuyển đổi định dạng .sav).
  • Cấu trúc bảng dữ liệu (Data Schema):
    • Respondent_ID (Integer, Primary Key)
    • Demographics (Gender: 1=Nam, 2=Nữ; Age_Group: 1-4; Monthly_Income: 1-5; Education: 1-4)
    • Scale_Items (HA1..HA5, MT1..MT4, GC1..GC4, CS1..CS4, KN1..KN4, AT1..AT4, DV1..DV4, CN1..CN4, YD1..YD3: thang đo Likert 1-5)
  • Tiêu chuẩn an toàn dữ liệu: Dữ liệu thu thập mã hóa ẩn danh, loại bỏ toàn bộ định danh cá nhân (PII), thiết lập kiểm tra bẫy câu hỏi (Attention Check) và lọc phản hồi trùng lặp qua dấu vân tay thiết bị/địa chỉ IP.

Phương pháp luận nghiên cứu (Methodology)

Nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu sơ bộ (Qualitative & Pilot Quantitative): Khảo sát thử nghiệm quy mô mẫu $n = 60$, chọn lọc 51 mẫu hợp lệ trong tháng 03/2023 nhằm tinh chỉnh câu chữ, xác thực thang đo sơ bộ qua Cronbach's Alpha (tất cả đều đạt $> 0.70$).
  2. Nghiên cứu chính thức (Formal Quantitative): Thu thập dữ liệu diện rộng qua biểu mẫu số hóa trong tháng 04/2023. Kích thước mẫu được xác định theo tiêu chuẩn Hair et al. (2009) ($N \ge 5 \times 36 = 180$) và Tabachnick & Fidell (2012) ($N \ge 50 + 8 \times 8 = 114$). Tổng số phiếu phát ra 260, thu về 249 mẫu hợp lệ phục vụ phân tích.
Tiến trình nghiên cứu:
[Xác định vấn đề] -> [Xây dựng mô hình TRA/TPB] -> [Pilot Test: n=60] 
  -> [Kiểm định Alpha sơ bộ] -> [Khảo sát chính thức: N=260] 
  -> [Làm sạch: N=249] -> [Cronbach's Alpha] -> [EFA] 
  -> [Tương quan Pearson] -> [Hồi quy OLS] -> [ANOVA & T-Test] -> [Hàm ý quản trị]

Triển khai thực nghiệm và kết quả

Quy trình xử lý và thuật toán áp dụng

Dữ liệu khảo sát được làm sạch và xử lý thông qua các thuật toán thống kê chuẩn xác:

  1. Hệ số tin cậy Cronbach's Alpha ($\alpha$): $$\alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2} \right)$$ Điều kiện: $\alpha \ge 0.60$, tương quan biến - tổng ($\text{Corrected Item-Total Correlation}$) $\ge 0.30$.

  2. Phân tích nhân tố khám phá (EFA): Sử dụng phương pháp trích Principal Axis Factoring kết hợp phép quay trực vuông góc Varimax. Điều kiện: $0.5 \le \text{KMO} \le 1.0$, kiểm định Bartlett có $\text{Sig.} < 0.05$, hệ số tải nhân tố ($\text{Factor Loading}$) $\ge 0.50$, tổng phương sai trích ($\text{Total Variance Explained}$) $> 50%$, và $\text{Eigenvalue} > 1.0$.

  3. Phương trình hồi quy tuyến tính đa biến (Multiple Linear Regression): $$YD = \beta_0 + \beta_1 GC + \beta_2 CS + \beta_3 MT + \beta_4 HA + \beta_5 AT + \beta_6 DV + \epsilon$$

Đoạn mã cú pháp tự động hóa quy trình phân tích trên SPSS Syntax / Python statsmodels:

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

# Đọc dữ liệu khảo sát du lịch N=249
df = pd.read_csv("tourism_survey_hcmc_2023.csv")

# Danh sách biến độc lập đã rút trích qua EFA
X_vars = ['GC_Mean', 'CS_Mean', 'MT_Mean', 'HA_Mean', 'AT_Mean', 'DV_Mean']
X = df[X_vars]
y = df['YD_Mean']

# Thêm hệ số chặn intercept
X_with_const = sm.add_constant(X)

# Huấn luyện mô hình hồi quy tuyến tính bội OLS
model = sm.OLS(y, X_with_const).fit()
print(model.summary())

# Kiểm định hiện tượng đa cộng tuyến (Multicollinearity Check via 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))]
print(vif_data)

Kết quả kiểm định và phân tích định lượng

1. Kiểm định độ tin cậy thang đo Cronbach's Alpha chính thức

Tất cả các thang đo đều thỏa mãn điều kiện kiểm định độ tin cậy nội tại cao:

  • Hình ảnh điểm đến (HA): $\alpha = 0.859$
  • Môi trường tự nhiên & văn hóa (MT): $\alpha = 0.838$
  • Sự hợp lý của giá cả (GC): $\alpha = 0.832$
  • Cơ sở hạ tầng du lịch (CS): $\alpha = 0.848$
  • Ẩm thực địa phương (AT): $\alpha = 0.860$
  • Dịch vụ giải trí (DV): $\alpha = 0.877$
  • Ý định quay lại (YD): $\alpha = 0.842$

2. Kết quả phân tích nhân tố khám phá (EFA)

  • Hệ số $\text{KMO} = 0.868 > 0.50$, kiểm định Bartlett's Test of Sphericity có giá trị thống kê Chi-Square đạt mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$, chứng minh tính tương quan chặt chẽ giữa các biến quan sát.
  • Tổng phương sai trích đạt $63.45% > 50%$, giá trị Eigenvalue của nhân tố thứ 6 dừng ở mức $1.21 > 1.0$.

3. Kết quả phân tích hồi quy tuyến tính bội

Mô hình đạt độ tương thích cao với dữ liệu thực tế ($R^2 = 0.612$, $R^2 \text{ điều chỉnh} = 0.602$, Kiểm định $F = 63.715$ với $\text{Sig.} < 0.001$). Hệ số phóng đại phương sai $\text{VIF} < 1.50$, chứng minh không xảy ra hiện tượng đa cộng tuyến.

Biến độc lập Ký hiệu Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa ($\text{Sig.}$) Hệ số VIF Xếp hạng tác động
Sự hợp lý của giá cả GC 0.229 4.612 0.000 1.245 Hạng 1 (Mạnh nhất)
Cơ sở hạ tầng du lịch CS 0.219 4.380 0.000 1.289 Hạng 2
Môi trường tự nhiên & văn hóa MT 0.208 4.155 0.000 1.312 Hạng 3
Hình ảnh điểm đến HA 0.193 3.864 0.000 1.298 Hạng 4
Ẩm thực địa phương AT 0.179 3.578 0.000 1.267 Hạng 5
Dịch vụ giải trí DV 0.146 2.915 0.004 1.210 Hạng 6 
Phương trình hồi quy chuẩn hóa:
YD = 0.229*GC + 0.219*CS + 0.208*MT + 0.193*HA + 0.179*AT + 0.146*DV

Tất cả 6 giả thuyết nghiên cứu đều được chấp nhận với độ tin cậy $99%$ ($\text{Sig.} < 0.01$). Biến "Khả năng tiếp cận" và "Con người địa phương" không thể hiện tác động độc lập có ý nghĩa thống kê trong mô hình hồi quy đa biến cuối cùng tại địa bàn TP.HCM.

Đổi mới và đóng góp khoa học

Đổi mới về mặt kỹ thuật và mô hình

  1. Hiệu chỉnh mô hình cho đô thị đặc thù: Khác với các nghiên cứu tập trung vào du lịch sinh thái nông thôn hay du lịch biển, mô hình chứng minh được rằng tại siêu đô thị như TP.HCM, yếu tố Giá cả ($\beta = 0.229$) và Hạ tầng du lịch ($\beta = 0.219$) chiếm quyền chi phối lớn nhất đến quyết định quay lại của khách hàng.
  2. Loại bỏ nhiễu tương quan: Quy trình sàng lọc qua 2 bước kiểm định (Pilot $n=60$ và Formal $N=249$) giúp tối ưu hóa số lượng biến quan sát, tăng độ chính xác giải thích phương sai lên trên $60%$.
+-------------------------------------------------------------------------+
|                  SO SÁNH ĐÓNG GÓP VỚI CÁC NGHIÊN CỨU TRƯỚC              |
+-------------------------------------------------------------------------+
| Tiêu chí       | Nghiên cứu Vũng Tàu (2017) | Đề tài TP.HCM (2023)      |
| Yếu tố dẫn đầu | Môi trường tự nhiên        | Sự hợp lý của giá cả      |
| Trọng số Beta  | Beta = 0.267               | Beta = 0.229              |
| Độ giải thích  | R2 = 0.524                 | R2 = 0.612 (+16.8% Fit)   |
+-------------------------------------------------------------------------+

Đóng góp thực tiễn cho ngành du lịch

  • Cung cấp bộ chỉ số đo lường hiệu suất điểm đến (Destination Performance KPI) với 6 trụ cột định lượng.
  • Xác thực mối quan hệ giữa nhận thức giá trị kinh tế (Perceived Value) và lòng trung thành điểm đến (Destination Loyalty) trong giai đoạn phục hồi hậu suy thoái.

Ứng dụng thực tế và triển khai

Chiến lược triển khai dựa trên bằng chứng dữ liệu

Dựa trên thứ tự trọng số $\beta$, các giải pháp quản trị được thiết kế theo lộ trình ưu tiên:

  1. Kiểm soát tính hợp lý của giá cả ($\beta = 0.229$):
    • Triển khai ứng dụng du lịch thông minh tích hợp bảng giá niêm yết bắt buộc tại tất cả các điểm tham quan, cơ sở lưu trú và dịch vụ ăn uống.
    • Thiết lập đường dây nóng và quét mã QR phản ánh hiện tượng ép giá, chèo kéo khách du lịch tại các khu vực trọng điểm (Chợ Bến Thành, Phố đi bộ Nguyễn Huệ, Bùi Viện).
  2. Hiện đại hóa cơ sở hạ tầng du lịch ($\beta = 0.219$):
    • Mở rộng hệ thống xe buýt 2 tầng (Hop-on Hop-off), phát triển mạng lưới xe đạp công cộng kết nối trực tiếp với các trạm tuyến Metro số 1 (Bến Thành - Suối Tiên).
    • Nâng cấp chất lượng buồng phòng và trang thiết bị tại các khách sạn 1-3 sao đạt chuẩn tiêu chuẩn du lịch quốc gia.
  3. Bảo tồn môi trường tự nhiên và không gian văn hóa ($\beta = 0.208$):
    • Tăng cường mật độ cây xanh, thùng rác thông minh phân loại tại nguồn ở các công viên và khu di tích lịch sử (Địa đạo Củ Chi, Dinh Độc Lập, Bảo tàng Chứng tích Chiến tranh).
  4. Định vị hình ảnh và trải nghiệm văn hóa ẩm thực ($\beta = 0.193$ & $\beta = 0.179$):
    • Tận dụng hiệu ứng danh hiệu Michelin Guide để quảng bá bản đồ ẩm thực đặc trưng Sài Gòn (Street Food Map).
    • Tổ chức định kỳ các Lễ hội Ẩm thực Bánh mì, Lễ hội Sông nước TP.HCM để tạo điểm nhấn nhận diện thương hiệu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Phương pháp lấy mẫu: Lấy mẫu thuận tiện ($N = 249$) chưa phản ánh đầy đủ cơ cấu phân bổ theo tỷ lệ khách quốc tế và các tỉnh thành khác.
  2. Kỹ thuật mô hình hóa: Sử dụng hồi quy OLS bậc một chưa kiểm tra được mối quan hệ tương tác đa tầng hoặc vai trò trung gian/điều tiết của các biến tâm lý phức tạp.

Hướng nghiên cứu mở rộng

  • Ứng dụng kỹ thuật Mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) trên phần mềm SmartPLS 4.0 để phân tích các biến can thiệp như "Sự hài lòng chung" (Overall Satisfaction) và "Giá trị cảm nhận" (Perceived Value).
  • Tích hợp công nghệ xử lý dữ liệu lớn (Big Data Analytics) từ mạng xã hội (Social Listening API) để phân tích cảm xúc (Sentiment Analysis) thời gian thực của du khách về điểm đến TP.HCM.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận khung nghiên cứu chuẩn tắc từ TRA/TPB, cấu trúc bảng câu hỏi chuẩn hóa và cú pháp xử lý dữ liệu định lượng trên SPSS.
  • Lập trình viên & Kỹ sư dữ liệu Du lịch: Tham khảo cấu trúc dữ liệu schema, hệ số trọng số thực nghiệm để thiết kế thuật toán gợi ý điểm đến (Recommendation Systems) trong các ứng dụng Smart Tourism.
  • Doanh nghiệp lữ hành & Khách sạn: Tối ưu hóa chi phí vận hành, tập trung nguồn lực vào 2 đòn bẩy có ROI cao nhất là chính sách định giá cạnh tranh và nâng cấp trải nghiệm cơ sở vật chất.
  • Cơ quan quản lý Nhà nước (Sở Du lịch TP.HCM): Sở hữu luận cứ khoa học tin cậy để ban hành chính sách phát triển kinh tế du lịch và nâng tỷ lệ khách quay lại vượt ngưỡng mục tiêu 20%.

Câu hỏi thường gặp

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

Cần cài đặt phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, scikit-learn, factor_analyzer. Dữ liệu đầu vào yêu cầu file định dạng .sav hoặc .csv chứa ít nhất 180 bản ghi sạch không có giá trị khuyết thiếu (missing values).

2. Làm thế nào để giải quyết giới hạn mẫu khi mở rộng quy mô khảo sát?

Để mở rộng quy mô từ 249 lên $10.000+$ mẫu du khách thực tế, cần tích hợp giải pháp thu thập tự động qua cổng Wifi Marketing tại các điểm đến du lịch lớn kết hợp khảo sát trực tuyến qua Zalo Mini App, phân tầng theo cụm địa lý (Stratified Cluster Sampling).

3. Mô hình này có tích hợp được vào hệ thống CRM du lịch hiện có không?

Hoàn toàn khả thi. 6 hệ số beta chuẩn hóa có thể được cấu hình thành trọng số tính điểm hài lòng và xác suất quay lại (Lead Scoring & Churn Prediction Algorithm) trong hệ thống CRM của doanh nghiệp lữ hành, kích hoạt các kịch bản Re-marketing tự động khi chỉ số đánh giá điểm đến của khách hàng thay đổi.

4. Chi phí triển khai và thời gian thu hồi vốn (ROI) của các hàm ý quản trị?

Việc tập trung nguồn vốn vào tối ưu hóa giá niêm yết và marketing ẩm thực có chi phí đầu tư ban đầu thấp nhưng đem lại hiệu quả tăng 15-20% tỷ lệ quay lại của khách nội địa trong vòng 6-9 tháng, giúp rút ngắn thời gian hoàn vốn cho các chiến dịch quảng bá điểm đến.

5. Tại sao yếu tố "Con người địa phương" lại không có ý nghĩa thống kê trong mô hình hồi quy cuối cùng?

Trong bối cảnh đô thị hóa nhanh của TP.HCM, yếu tố con người thân thiện được du khách xem là thuộc tính mặc định (Hygiene Factor), không tạo ra sự khác biệt cạnh tranh vượt trội so với các yếu tố trực tiếp như Chi phí hợp lý, Cơ sở hạ tầng hay Sự phong phú của dịch vụ giải trí.

Kết luận

Công trình nghiên cứu đã giải quyết thành công bài toán lượng hóa hành vi tái viếng thăm điểm đến du lịch tại TP.HCM. Bằng việc áp dụng nghiêm ngặt các phương pháp phân tích thống kê định lượng trên quy mô mẫu $N = 249$, nghiên cứu đã chứng minh và lượng hóa chính xác 6 yếu tố then chốt ảnh hưởng đến ý định quay lại, dẫn đầu bởi Sự hợp lý của giá cả ($\beta = 0.229$) và Cơ sở hạ tầng du lịch ($\beta = 0.219$).

Kết quả này không chỉ đóng góp quan trọng vào kho tàng cơ sở lý luận Marketing du lịch đô thị tại Việt Nam mà còn là kim chỉ nam hành động thiết thực cho các nhà hoạch định chính sách và doanh nghiệp lữ hành nhằm bứt phá tăng trưởng bền vững trong kỷ nguyên số.