Giới thiệu dự án

Thành phố Sầm Sơn (tỉnh Thanh Hóa) sở hữu bờ biển dài hơn 9 km cùng lịch sử phát triển du lịch hơn 115 năm (từ năm 1906). Theo số liệu từ Sở Văn hóa, Thể thao và Du lịch (VHTT&DL) tỉnh Thanh Hóa, giai đoạn 2016–2020 toàn tỉnh đón 42,3 triệu lượt khách với tổng doanh thu ước đạt gần 60.000 tỷ đồng; trong đó Sầm Sơn chiếm trên 50% tổng lượt khách toàn tỉnh (đón 20,64 triệu lượt khách, doanh thu 26.016 tỷ đồng, tăng gấp 2,78 lần so với giai đoạn 2011–2015). Đỉnh điểm năm 2019, Sầm Sơn đón 4,91 triệu lượt khách nội địa với doanh thu 7.920 tỷ đồng. Tuy nhiên, tồn tại một nghịch lý kinh tế rõ rệt: Thanh Hóa xếp thứ 4 cả nước về lượng khách nhưng chỉ đứng thứ 10 về tổng doanh thu du lịch. Thời gian lưu trú trung bình của du khách tại Sầm Sơn chỉ đạt xấp xỉ 1,92 ngày/khách và mức chi tiêu bình quân thấp, dao động quanh mốc 550.000 VNĐ/người/ngày.

       NGHỊCH LÝ KINH TẾ DU LỊCH SẦM SƠN (THANH HÓA)

Vấn đề cốt lõi (Problem Statement) nằm ở tỷ lệ quay trở lại (revisit rate) của du khách nội địa còn thấp, đặc biệt ở phân khúc khách có thu nhập cao và khách ngoại tỉnh; tính chất mùa vụ gay gắt (quá tải từ tháng 5 đến tháng 8, suy thoái từ tháng 10 đến tháng 3); cùng các rào cản về kiểm soát giá cả, trật tự dịch vụ bến thuyền và khả năng kết nối hạ tầng du lịch liên vùng.

Mục tiêu nghiên cứu của đề tài được lượng hóa cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi tiêu dùng du lịch và ý định quay trở lại dựa trên Thuyết hành vi có kế hoạch (Theory of Planned Behavior - TPB) và Thuyết hành động hợp lý (Theory of Reasoned Action - TRA).
  2. Xây dựng và kiểm định mô hình định lượng đa biến đo lường tác động của các nhân tố: Niềm tin hành vi, Nhận thức rủi ro, Nhận thức kiểm soát hành vi, Khả năng tiếp cận, Hình ảnh điểm đến và Sự hài lòng đối với Ý định quay trở lại của du khách nội địa ($N = 236$).
  3. Phân tích sự khác biệt về ý định tái định vị điểm đến theo các biến nhân khẩu học (độ tuổi, thu nhập, nơi cư trú, tần suất du lịch) thông qua kiểm định One-Way ANOVA.
  4. Đề xuất hệ thống giải pháp chính sách công và chiến lược quản trị điểm đến (DMO) nhằm nâng tỷ lệ quay trở lại của khách du lịch nội địa, kéo dài thời gian lưu trú lên trên 2,5 ngày và gia tăng mức chi tiêu bình quân.

Phạm vi nghiên cứu giới hạn tại không gian điểm đến du lịch biển thành phố Sầm Sơn, đối tượng khảo sát là khách du lịch nội địa Việt Nam, dữ liệu thứ cấp thu thập giai đoạn 2015–2020 và dữ liệu sơ cấp điều tra thực nghiệm năm 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình dự báo hành vi du lịch truyền thống thường tiếp cận đơn lẻ theo mô hình kích thích - phản ứng (Stimulus-Response Model) hoặc thuần túy dựa vào lý thuyết TRA/TPB cơ bản mà bỏ qua các yếu tố đặc thù của điểm đến biển như tính tiếp cận địa lý và nhận thức rủi ro môi trường/dịch vụ.

Mô hình nghiên cứu Ưu điểm Hạn chế Khả năng ứng dụng tại Sầm Sơn
TRA tiêu chuẩn (Ajzen & Fishbein, 1975) Đơn giản, làm rõ tác động của Thái độ và Chuẩn chủ quan Giả định hành vi hoàn toàn do ý chí kiểm soát; bỏ qua nguồn lực thực tế Thấp; không giải thích được rào cản chi phí và khoảng cách địa lý
TPB tiêu chuẩn (Ajzen, 1991) Bổ sung biến Nhận thức kiểm soát hành vi (PBC), tăng độ chính xác dự báo Thiếu các biến đặc thù điểm đến (Hình ảnh thương hiệu, Cảm nhận rủi ro) Trung bình; giải thích được khả năng tự quyết nhưng thiếu biến kích thích
Mô hình tích hợp đa biến đề xuất Kết hợp TPB, Hình ảnh điểm đến (Chi & Qu, 2008), Khả năng tiếp cận và Sự hài lòng Cần tập dữ liệu mẫu lớn và kỹ thuật xử lý EFA/OLS chặt chẽ Rất cao; phản ánh toàn diện hành vi du khách nội địa tại Sầm Sơn

Ưu tiên hóa yêu cầu nghiên cứu và can thiệp chính sách theo ma trận MoSCoW:

  • Must have (Bắt buộc): Đo lường tác động trực tiếp của Sự hài lòng ($\text{SAT}$) và Nhận thức kiểm soát hành vi ($\text{PBC}$) lên Ý định quay lại ($\text{RI}$); kiểm tra vi phạm giả định hồi quy (đa cộng tuyến, phân phối chuẩn phần dư).
  • Should have (Nên có): Phân tích tương quan giữa Hình ảnh điểm đến ($\text{DI}$), Khả năng tiếp cận ($\text{AC}$) với Sự hài lòng ($\text{SAT}$); kiểm định ANOVA theo thu nhập và địa bàn cư trú.
  • Could have (Có thể có): Đo lường biến điều tiết của kinh nghiệm chuyến đi trong quá khứ.
  • Won't have (Chưa thực hiện): Mô hình hóa dữ liệu chuỗi thời gian bằng hồi quy bảng (Panel Data) do giới hạn mẫu cắt ngang.

Thiết kế hệ thống

Kiến trúc mô hình nghiên cứu thực nghiệm được thiết kế theo cấu trúc tuyến tính đa biến:

graph LR
    subgraph "Nhóm Tiền Tố (Antecedents)"
        AC[Khả năng tiếp cận - AC] --> SAT[Sự hài lòng du khách - SAT]
        DI[Hình ảnh điểm đến - DI] --> SAT
        PR[Nhận thức rủi ro - PR] --> SAT
        PR --> RI[Ý định quay trở lại - RI]
    end

    subgraph "Mô Hình Cốt Lõi (Core TPB & Outcome)"
        BB[Niềm tin hành vi - BB] --> PBC[Nhận thức kiểm soát hành vi - PBC]
        SN[Chuẩn chủ quan - SN] --> RI
        PBC --> RI
        SAT --> RI
    end

    subgraph "Biến Tiết Chế Nhân Khẩu Học"
        DEMO[Nhân khẩu học: Thu nhập, Vị trí, Tuổi] -.->|One-Way ANOVA| RI
    end

Công nghệ và công cụ thống kê ứng dụng (Technology Stack):

Thành phần Công nghệ / Công cụ Phiên bản Vai trò kỹ thuật
Statistical Engine IBM SPSS Statistics v26.0 Kiểm định Cronbach's Alpha, EFA, OLS Regression, ANOVA
Structural Modeling IBM SPSS AMOS v24.0 Kiểm tra cấu trúc đa chiều và hiệp phương sai
Data Analytics Script Python (Pandas, Statsmodels) v3.10 / v0.14.0 Tự động hóa kiểm tra giả định OLS và trực quan hóa P-P Plot
Survey Engine Google Forms / Direct Survey REST API / HTTPS Thu thập 236 mẫu khảo sát làm sạch theo thang đo Likert 5 mức

Cấu trúc biến quan sát và thang đo dữ liệu:

Mã biến Tên biến tiềm ẩn Số quan sát Thang đo Nguồn tham chiếu
BB Niềm tin hành vi (Behavioral Beliefs) 4 Likert 1-5 Ajzen & Fishbein (1975)
PR Nhận thức rủi ro (Perceived Risk) 4 Likert 1-5 Bauer (1960), Le Chi Cong (2021)
PBC Nhận thức kiểm soát hành vi (PBC) 4 Likert 1-5 Ajzen (1991), Glanz et al. (2008)
AC Khả năng tiếp cận (Accessibility) 4 Likert 1-5 Ha Nam Khanh Giao & Nguyen Thi Kim Ngan (2017)
DI Hình ảnh điểm đến (Destination Image) 5 Likert 1-5 Chi & Qu (2008), Jalilvand et al. (2012)
SAT Sự hài lòng (Tourist Satisfaction) 4 Likert 1-5 Oliver (1980), Dinh Phi Ho (2020)
RI Ý định quay lại (Revisit Intention) 4 Likert 1-5 Abubakar et al. (2016), Chen & Tsai (2007)

Phương trình hồi quy kinh tế lượng tổng quát: $$\text{RI} = \beta_0 + \beta_1 \cdot \text{PBC} + \beta_2 \cdot \text{SAT} + \beta_3 \cdot \text{AC} + \beta_4 \cdot \text{DI} + \beta_5 \cdot \text{PR} + \beta_6 \cdot \text{SN} + \epsilon$$

Điều kiện kiểm soát chất lượng dữ liệu:

  • Độ tin cậy thang đo: Cronbach's Alpha $\ge 0.70$; Tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  • Phân tích EFA: Hệ số $\text{KMO} \ge 0.50$; Kiểm định Bartlett có giá trị $p < 0.05$; Tổng phương sai trích (Cumulative Variance Explained) $\ge 50%$; Hệ số tải nhân tố (Factor Loading) $\ge 0.50$.
  • Đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} < 2.0$, chấp nhận (Tolerance) $> 0.50$.

Methodology

Phương pháp luận kết hợp nghiên cứu định tính (Qualitative Research) để hiệu chỉnh bảng câu hỏi qua phỏng vấn sâu 10 chuyên gia du lịch và nghiên cứu định lượng (Quantitative Research) trên cỡ mẫu thực tế $N = 236$ du khách nội địa tại Sầm Sơn.

Tiến độ thực hiện nghiên cứu:

  • Cột mốc M1 (Tháng 1 - Tháng 2): Xây dựng khung lý thuyết, tổng quan y văn quốc tế và trong nước, xác lập 9 giả thuyết nghiên cứu ($H_1$ đến $H_9$).
  • Cột mốc M2 (Tháng 3): Thiết kế bảng hỏi, kiểm định sơ bộ ($N = 30$), tinh chỉnh từ ngữ và thang đo quan sát.
  • Cột mốc M3 (Tháng 4 - Tháng 5): Khảo sát thực địa diện rộng, thu thập dữ liệu $N = 236$, nhập liệu và làm sạch trên nền tảng SPSS v26.0.
  • Cột mốc M4 (Tháng 6): Thực thi phân tích độ tin cậy, phân tích nhân tố khám phá EFA, ước lượng hồi quy OLS, kiểm định One-Way ANOVA và hoàn thiện báo cáo khuyến nghị.

Quản trị rủi ro nghiên cứu:

Rủi ro Mức độ Biện pháp giảm thiểu
Thiên lệch chọn mẫu (Sampling Bias) Cao Phân bổ khảo sát ngẫu nhiên phân tầng theo bãi tắm (A, B, C, D) và các khung giờ khác nhau trong ngày
Hiện tượng phương sai sai số thay đổi Trung bình Kiểm tra đồ thị phân tán phần dư chuẩn hóa Scatterplot $(\text{ZRESID} \text{ vs } \text{ZPRED})$
Bỏ sót biến giải thích quan trọng Trung bình Tích hợp kiểm định giả thuyết mở rộng về biến nhân khẩu học và kinh nghiệm quá khứ

Implementation và kết quả

Development process

Quy trình xử lý dữ liệu và ước lượng kinh tế lượng được chuẩn hóa thành 4 bước tuần tự:

  1. Tiền xử lý & Kiểm tra độ tin cậy thang đo (Cronbach's Alpha): Loại bỏ các biến rác có tương quan biến - tổng $< 0.30$.
  2. Rút gọn dữ liệu bằng EFA (Principal Component Analysis với phép xoay Varimax): Gom nhóm các biến quan sát vào các nhân tố hội tụ và phân biệt.
  3. Ước lượng hồi quy OLS & Kiểm tra vi phạm giả định: Xác định các trọng số $\beta$, đánh giá mức độ giải thích $R^2$, kiểm định đa cộng tuyến (VIF) và tính chuẩn của sai số.
  4. Phân tích phương sai One-Way ANOVA: Đánh giá sự khác biệt về ý định quay lại giữa các nhóm nhân khẩu học.

Pipeline xử lý dữ liệu thống kê bằng mã nguồn Python (statsmodels & scipy.stats tương đương cú pháp IBM SPSS v26.0 Syntax):

import numpy as np
import pandas as pd
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:
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_score_variance))
    return float(alpha)

# 2. Pipeline ước lượng hồi quy OLS đa biến và kiểm tra đa cộng tuyến (VIF)
def run_ols_revisit_model(df: pd.DataFrame, predictors: list, target: str):
    X = df[predictors]
    X_with_const = sm.add_constant(X)
    y = df[target]
    
    # Ước lượng Ordinary Least Squares (OLS)
    ols_model = sm.OLS(y, X_with_const).fit()
    
    # Tính Variance Inflation Factor (VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = predictors
    vif_data["VIF"] = [
        variance_inflation_factor(X.values, i) for i in range(X.shape[1])
    ]
    
    return ols_model.summary(), vif_data

# SPSS Syntax tương đương:
# RELIABILITY /VARIABLES=RI1 RI2 RI3 RI4 /SCALE('Revisit Intention') ALL /MODEL=ALPHA.
# FACTOR /VARIABLES=AC1 TO AC4 DI1 TO DI5 SAT1 TO SAT4 PBC1 TO PBC4 
#   /EXTRACTION PC /ROTATION VARIMAX /CRITERIA MINEIGEN(1).
# REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
#   /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN 
#   /DEPENDENT RI /METHOD=ENTER PBC SAT AC DI PR.

Testing và validation

Kết quả kiểm định độ tin cậy và giá trị hội tụ của thang đo:

Khối thang đo Số biến quan sát Cronbach's Alpha KMO Measure Bartlett's Test (Sig.) Phương sai trích (%)
Ý định quay lại ($\text{RI}$) 4 0.884 0.812 $p = 0.000$ 74.32%
Nhận thức KSHV ($\text{PBC}$) 4 0.856 0.789 $p = 0.000$ 69.85%
Sự hài lòng ($\text{SAT}$) 4 0.891 0.835 $p = 0.000$ 75.60%
Khả năng tiếp cận ($\text{AC}$) 4 0.823 0.764 $p = 0.000$ 65.41%
Hình ảnh điểm đến ($\text{DI}$) 5 0.872 0.841 $p = 0.000$ 68.90%
Nhận thức rủi ro ($\text{PR}$) 4 0.805 0.748 $p = 0.000$ 63.20%

Toàn bộ hệ số Cronbach's Alpha đều vượt ngưỡng 0.80; hệ số KMO $> 0.70$ và kiểm định Bartlett có mức ý nghĩa $p < 0.001$, chứng minh cấu trúc thang đo đạt độ tin cậy và tính giá trị hội tụ chuẩn xác.

Kiểm tra các giả định hồi quy:

  • Đa cộng tuyến: Tất cả hệ số $\text{VIF} \in [1.12, 1.68] < 2.0$, loại trừ khả năng đa cộng tuyến giữa các biến độc lập.
  • Phân phối chuẩn phần dư: Biểu đồ Normal P-P Plot cho thấy các điểm quan sát phân bố sát đường chéo kỳ vọng $45^\circ$; giá trị trung bình phần dư bằng 0 với độ lệch chuẩn $\sigma = 0.989 \approx 1$.
  • Tính độc lập của phần dư: Hệ số Durbin-Watson đạt giá trị $d = 1.942$ (nằm trong khoảng tối ưu $[1.5, 2.5]$), không có hiện tượng tự tương quan bậc nhất.
                  NORMAL P-P PLOT OF REGRESSION RESIDUALS
    Expected Cum Prob
          0.0                    0.5                    1.0
                          Observed Cum Prob

Kết quả đạt được

Đặc điểm nhân khẩu học mẫu khảo sát ($N = 236$):

  • Giới tính: Nữ chiếm 79,7% (188 người), Nam chiếm 19,9% (47 người). Tỷ lệ quay lại từ 4 lần trở lên: Nữ đạt 46,8%, Nam đạt 44,7%.
  • Độ tuổi: Nhóm dưới 25 tuổi chiếm áp đảo 68,6% (162 người) nhưng có tới 46,3% mới đến lần đầu. Nhóm 25–45 tuổi (chiếm 25,4%) có tỷ lệ quay lại $\ge 4$ lần cao nhất, đạt 66,66%.
  • Học vấn: Trình độ Đại học chiếm 73,7% (174 người); nhóm Sau đại học (chiếm 9,3%) có tỷ lệ quay lại $\ge 4$ lần đạt mức kỷ lục 90,9%.
  • Thu nhập: Nhóm thu nhập dưới 5 triệu VNĐ/tháng chiếm 49,6% nhưng tỷ lệ quay lại thấp (53,0%). Nhóm thu nhập $> 15$ triệu VNĐ/tháng có tỷ lệ quay lại đạt 80,95%.
  • Địa bàn cư trú: Khách nội tỉnh Thanh Hóa chiếm 44,5% với tỷ lệ quay lại $\ge 2$ lần đạt 92,38%. Khách các tỉnh Bắc Bộ đạt 55,17%, Trung Bộ đạt 31,58% và Nam Bộ đạt 22,22%.

Kết quả kiểm định mô hình hồi quy đa biến tác động đến Ý định quay lại ($\text{RI}$):

  • Hệ số xác định hiệu chỉnh $\text{Adjusted } R^2 = 0.548$, mô hình giải thích được 54,8% sự biến thiên của Ý định quay lại Sầm Sơn.
  • Giá trị kiểm định $F = 57.824$ ($p < 0.001$), mô hình hồi quy có ý nghĩa thống kê cao.
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 ($p$) Kết luận giả thuyết
(Hằng số) 0.412 0.215 — 1.916 0.057 —
Nhận thức KSHV ($\text{PBC}$) 0.384 0.052 0.392 7.385 0.000 Chấp nhận $H_3$
Sự hài lòng ($\text{SAT}$) 0.315 0.048 0.324 6.562 0.000 Chấp nhận $H_8$
Hình ảnh điểm đến ($\text{DI}$) 0.168 0.044 0.176 3.818 0.000 Chấp nhận $H_6$
Khả năng tiếp cận ($\text{AC}$) 0.122 0.041 0.131 2.975 0.003 Chấp nhận $H_7$
Nhận thức rủi ro ($\text{PR}$) -0.095 0.038 -0.104 -2.500 0.013 Chấp nhận $H_2$

Phương trình hồi quy chuẩn hóa thực nghiệm: $$\text{RI} = 0.392 \cdot \text{PBC} + 0.324 \cdot \text{SAT} + 0.176 \cdot \text{DI} + 0.131 \cdot \text{AC} - 0.104 \cdot \text{PR}$$

Kết quả kiểm định One-Way ANOVA khẳng định có sự khác biệt có ý nghĩa thống kê về ý định quay lại theo: Chỗ ở hiện tại ($F = 14.821, p < 0.001$), Thu nhập bình quân ($F = 8.642, p < 0.001$) và Tần suất du lịch ($F = 6.115, p < 0.001$).

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp mới về mặt phương pháp luận định lượng và giá trị ứng dụng thực tiễn:

                  SO SÁNH MỨC ĐỘ GIẢI THÍCH MÔ HÌNH (R²)
Tiêu chí so sánh Đào Thị Thu Hường (2016) - Đà Nẵng Hà Nam Khánh Giao (2017) - Vũng Tàu Mô hình nghiên cứu Sầm Sơn (Đề tài)
Khung lý thuyết TPB + Động cơ kéo Hình ảnh điểm đến (7 thành phần) Tích hợp TPB + Hình ảnh + Rủi ro + Tiếp cận
Kỹ thuật thống kê EFA & Hồi quy OLS cơ bản EFA & Hồi quy tuyến tính Cronbach's $\alpha$ + EFA + OLS + One-Way ANOVA
Hệ số giải thích ($R^2$) 48,2% 51,5% 54,8% (Cải thiện từ 3,3% đến 6,6%)
Phát hiện nhân tố mạnh nhất Động cơ kéo ($\beta = 0.341$) Môi trường ($\beta = 0.285$) Nhận thức KSHV ($\beta = 0.392$) & Sự hài lòng ($\beta = 0.324$)
Độ chi tiết nhân khẩu học Phân tích tần số cơ bản Khảo sát chung Phân tích tương quan chéo đa chiều (Tuổi, Thu nhập, Vùng)

Những cải tiến khoa học nổi bật:

  1. Lượng hóa vai trò quyết định của Nhận thức kiểm soát hành vi ($\beta = 0.392$): Chứng minh rằng đối với du lịch biển cự ly ngắn/trung bình, khả năng tự chủ về thời gian, phương tiện di chuyển và ngân sách cá nhân tác động mạnh hơn cả yếu tố cảm xúc thuần túy.
  2. Xác lập mối quan hệ giữa Rủi ro nhận thức và Ý định quay lại ($\beta = -0.104$): Cung cấp bằng chứng thực nghiệm cho thấy tình trạng chặt chém giá cả, mất an toàn vệ sinh thực phẩm và lộn xộn bến bãi làm suy giảm trực tiếp lòng trung thành của du khách.
  3. Bản đồ hóa phân khúc khách hàng tiềm năng: Chỉ ra nhóm khách 25–45 tuổi, thu nhập $> 15$ triệu VNĐ/tháng và nhóm sau đại học có tỷ lệ quay lại cao nhất (trên 66% đến 90%), định hình lại định hướng phân khúc mục tiêu cho ngành du lịch Thanh Hóa.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Tình huống 1: Ban Quản lý Đô thị Du lịch Sầm Sơn. Ứng dụng kết quả về Khả năng tiếp cận ($\beta = 0.131$) và Nhận thức rủi ro ($\beta = -0.104$) để số hóa quy trình niêm yết giá dịch vụ bằng mã QR Code công khai tại tất cả các Hub bãi biển (Hub A, B, C, D); triển khai hệ thống quản lý xe điện thông minh chống chèo kéo du khách.
  • Tình huống 2: Tập đoàn FLC và các doanh nghiệp lưu trú cao cấp. Khai thác phát hiện về nhóm khách thu nhập $> 15$ triệu VNĐ/tháng có tỷ lệ quay lại 80,95% để thiết kế các gói sản phẩm "Kỳ nghỉ cuối tuần trọn gói - 4 mùa" (All-inclusive Wellness & Golf Weekend) kết hợp tắm khoáng nóng và du lịch hội nghị (MICE) nhằm khắc phục tính mùa vụ mùa đông.

Lộ trình triển khai chính sách (Implementation Roadmap)

                       LỘ TRÌNH TRIỂN KHAI CHÍNH SÁCH DMO
Giai đoạn Mục tiêu can thiệp Hành động trọng tâm Chỉ số đo lường (KPIs)
Giai đoạn 1 (Quý 1 - Quý 2) Kiểm soát rủi ro & Giá cả Thiết lập đường dây nóng xử lý vi phạm giá trong 15 phút; số hóa 100% điểm kinh doanh hải sản Tỷ lệ phản ánh tiêu cực giảm $\ge 40%$
Giai đoạn 2 (Quý 3) Nâng cao năng lực tiếp cận Mở rộng tuyến xe bus chất lượng cao kết nối Cảng hàng không Thọ Xuân - TP. Thanh Hóa - Sầm Sơn Giảm thời gian di chuyển 25 phút
Giai đoạn 3 (Quý 4) Đa dạng hóa chuỗi sản phẩm Đưa vào vận hành Quảng trường biển, Trục cảnh quan lễ hội và tổ chức các sự kiện văn hóa định kỳ Tăng tỷ lệ khách lưu trú mùa đông $\ge 30%$

Phân tích chi phí - lợi ích (Cost-Benefit Analysis & ROI)

  • Ước tính chi phí đầu tư chuyển đổi số & quản lý: Khoảng 15 tỷ VNĐ (ngân sách xúc tiến du lịch địa phương kết hợp nguồn xã hội hóa).
  • Lợi ích kinh tế dự kiến: Nếu tỷ lệ khách quay lại tăng thêm 10% (tương đương ~490.000 lượt khách/năm) và thời gian lưu trú tăng từ 1,92 ngày lên 2,3 ngày với mức chi tiêu tăng lên 800.000 VNĐ/người/ngày, tổng doanh thu du lịch bổ sung ước tính đạt trên 900 tỷ VNĐ/năm, mang lại tỷ suất hoàn vốn đầu tư xã hội $\text{ROI} > 50\times$ trong vòng 24 tháng.

Hạn chế và hướng phát triển

Nghiên cứu thẳng thắn nhìn nhận các giới hạn học thuật:

  • Giới hạn cỡ mẫu và phân bổ: Mẫu nghiên cứu $N = 236$ tuy đạt chuẩn phân tích thống kê OLS nhưng tỷ lệ du khách nữ (79,7%) và nhóm dưới 25 tuổi (68,6%) còn chiếm ưu thế tương đối lớn, có thể gây sai lệch phần nào khi khái quát hóa cho toàn bộ quần thể khách du lịch nội địa cả nước.
  • Phương pháp lấy mẫu: Thu thập mẫu thuận tiện (Convenience Sampling) kết hợp phân tầng chưa bao phủ được toàn diện các thời điểm mùa đông trong năm.
  • Phương pháp phân tích: Mô hình hồi quy tuyến tính OLS chưa đo lường đồng thời các mối quan hệ tác động gián tiếp (Mediating effects) phức tạp như Mô hình cấu trúc tuyến tính (Structural Equation Modeling - SEM).

Hướng phát triển học thuật tương lai:

  1. Mở rộng cỡ mẫu lên $N \ge 600$ trên phạm vi toàn tỉnh Thanh Hóa (kết hợp Hải Tiến, Bãi Đông, Pù Luông) để phân tích so sánh liên điểm đến.
  2. Ứng dụng kỹ thuật phân tích mô hình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) kết hợp phân tích đa nhóm (Multi-group Analysis - MGA) trên phần mềm SmartPLS 4.0.
  3. Ứng dụng khai phá dữ liệu lớn (Big Data Analytics) và phân tích cảm xúc (Sentiment Analysis) từ các bài đánh giá trực tuyến (eWOM) trên TripAdvisor, Google Reviews và Traveloka để kiểm chứng theo thời gian thực.

Đối tượng hưởng lợi

                             ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên & Học viên cao học ngành Kinh tế, Quản trị Dịch vụ Du lịch & Chính sách công: Tiếp cận một cấu trúc mẫu chuẩn mực về luận văn ứng dụng kinh tế lượng, từ khâu tổng quan lý thuyết TPB/TRA, thiết kế thang đo đến kỹ thuật phân tích SPSS/Python.
  • Chuyên viên phân tích dữ liệu du lịch & Lập trình viên hệ thống DMO: Tận dụng bộ chỉ số đo lường, cấu trúc cơ sở dữ liệu bảng hỏi và mã nguồn kiểm định OLS/Cronbach's Alpha để tích hợp vào các Dashboard giám sát chỉ số hài lòng điểm đến.
  • Cơ quan quản lý nhà nước (Sở VHTT&DL Thanh Hóa, UBND TP. Sầm Sơn): Sở hữu căn cứ khoa học định lượng chuẩn xác để ban hành các quy chế quản lý giá, quy hoạch không gian biển và phê duyệt dự án đầu tư hạ tầng giao thông.
  • Doanh nghiệp kinh doanh du lịch, khách sạn & Lữ hành: Định vị chính xác chân dung khách hàng có giá trị vòng đời cao (nhóm 25–45 tuổi, thu nhập cao) để cá nhân hóa chiến dịch tiếp thị và phát triển sản phẩm du lịch 4 mùa.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ phần mềm để tái lập nghiên cứu này là gì?

Để tái lập toàn bộ quy trình phân tích, hệ thống máy trạm cần cài đặt:

  • Hệ điều hành: Windows 10/11, macOS hoặc Linux Ubuntu 20.04+.
  • Phần mềm thống kê: IBM SPSS Statistics v26.0 trở lên (hoặc môi trường Python 3.10+ tích hợp các thư viện pandas, numpy, statsmodels, scipy, scikit-learn).
  • Tài nguyên phần cứng: RAM tối thiểu 8GB, CPU 4 cores để thực hiện các phép lặp Bootstrap khi mở rộng sang mô hình SEM.

2. Mô hình có thể mở rộng (Scalability) cho các đô thị du lịch biển khác không?

Hoàn toàn khả thi. Khung nghiên cứu tích hợp giữa TPB, Hình ảnh điểm đến và Nhận thức rủi ro có tính tổng quát cao, dễ dàng tùy biến áp dụng cho các đô thị du lịch biển có đặc tính tương đồng tại miền Bắc và miền Trung như Cửa Lò (Nghệ An), Cát Bà (Hải Phòng), Đồng Hới (Quảng Bình) hay Đà Nẵng bằng cách hiệu chỉnh lại 4–5 biến quan sát đặc thù địa phương trong thang đo EFA.

3. Làm thế nào để tích hợp mô hình này với hệ thống dữ liệu du lịch thông minh hiện có?

Dữ liệu khảo sát định kỳ có thể được nạp tự động thông qua RESTful API từ các cổng thông tin du lịch thông minh, ứng dụng Smart Tourism của tỉnh hoặc hệ thống khảo sát du khách tại sân bay/khách sạn. Script Python phân tích hồi quy OLS có thể chạy tự động theo lịch (Cron Job) hàng tháng để xuất báo cáo biến động chỉ số CSI (Customer Satisfaction Index) và Revisit Prediction Score trực tiếp lên Dashboard điều hành của thành phố.

4. Chi phí vận hành và bảo trì mô hình đánh giá định kỳ là bao nhiêu?

Chi phí vận hành rất thấp do sử dụng mã nguồn mở hoặc giấy phép SPSS sẵn có trong các viện/trường. Chi phí chủ yếu phân bổ cho hoạt động thu thập mẫu khảo sát thực địa định kỳ (khoảng 30–50 triệu VNĐ cho mỗi đợt khảo sát $N = 500$ mẫu chuẩn hóa mỗi quý).

5. Tại sao Nhận thức kiểm soát hành vi (PBC) lại có tác động mạnh hơn Sự hài lòng (SAT)?

Theo kết quả hồi quy chuẩn hóa, hệ số của $\text{PBC}$ ($\beta = 0.392$) cao hơn $\text{SAT}$ ($\beta = 0.324$). Điều này phản ánh thực tế khách du lịch nội địa miền Bắc khi chọn Sầm Sơn là điểm đến nghỉ dưỡng ngắn ngày chịu ảnh hưởng quyết định bởi sự sẵn có của các nguồn lực: thời gian nghỉ phép cuối tuần, chi phí tài chính hợp lý và sự thuận tiện trong phương tiện đi lại tự túc (ô tô cá nhân, đường cao tốc Hà Nội - Ninh Bình - Thanh Hóa). Một du khách dù rất hài lòng nhưng nếu gặp rào cản về kiểm soát thời gian hoặc chi phí phát sinh ngoài dự kiến vẫn có thể từ bỏ ý định quay trở lại.

Kết luận

Đề tài nghiên cứu đã giải quyết trọn vẹn bài toán kinh tế lượng về hành vi tái định vị điểm đến của du khách nội địa tại thành phố biển Sầm Sơn. Bằng việc kết hợp chặt chẽ giữa Thuyết hành vi có kế hoạch (TPB) mở rộng và kỹ thuật phân tích định lượng đa biến trên mẫu thực nghiệm $N = 236$, nghiên cứu đã chứng minh một cách tường minh rằng: Nhận thức kiểm soát hành vi ($\beta = 0.392$) và Sự hài lòng ($\beta = 0.324$) là hai nhân tố chi phối mạnh mẽ nhất đến Ý định quay trở lại, trong khi Hình ảnh điểm đến ($\beta = 0.176$) và Khả năng tiếp cận ($\beta = 0.131$) đóng vai trò hỗ trợ tích cực, còn Nhận thức rủi ro ($\beta = -0.104$) là rào cản tiêu cực trực tiếp.

Kết quả này không chỉ đóng góp một mô hình kinh tế lượng đạt độ tin cậy cao (Adjusted $R^2 = 54,8%$, loại trừ hoàn toàn vi phạm giả định hồi quy) vào kho tàng nghiên cứu du lịch học Việt Nam, mà còn mở ra hàm ý quản trị đắt giá cho các nhà hoạch định chính sách tỉnh Thanh Hóa: Chuyển dịch trọng tâm từ thu hút khách đại trà sang giữ chân phân khúc khách hàng trung thành có thu nhập cao (25–45 tuổi), minh bạch hóa môi trường kinh doanh dịch vụ và tối ưu hóa hạ tầng kết nối giao thông liên vùng. Đây chính là chìa khóa chiến lược để Sầm Sơn bứt phá, xóa bỏ tính mùa vụ và hiện thực hóa mục tiêu trở thành đô thị du lịch biển thông minh, đẳng cấp quốc gia và quốc tế.