Giới thiệu dự án

Sự bùng nổ của nền kinh tế chia sẻ (Sharing Economy) cùng cuộc cách mạng công nghệ số đã tái định hình căn bản ngành giao thông vận tải đô thị tại Việt Nam. Tại các đô thị lớn như Thành phố Hồ Chí Minh, lưu lượng phương tiện cá nhân ngày càng gia tăng dẫn đến tình trạng ùn tắc giao thông nghiêm trọng, thúc đẩy nhu cầu cấp thiết về các giải pháp vận tải công cộng linh hoạt và hiệu quả. Dịch vụ xe ôm công nghệ (GrabBike) ra đời như một bước chuyển dịch đột phá, trực tiếp thay thế và chuyển đổi mô hình xe ôm truyền thống thông qua việc áp dụng nền tảng di động và thuật toán định tuyến theo thời gian thực.

                                  MÔ HÌNH NGHIÊN CỨU C-TAM-TPB
                                  
+-------------------------------+                  +-------------------------------+
| Nhận thức sự hữu ích (PU)     |                  | Chuẩn chủ quan (SN)           |
| - Tối ưu thời gian di chuyển  |-----\      /---->| - Ảnh hưởng từ gia đình, bạn bè|
| - Minh bạch chi phí cước      |      \    /      | - Hiệu ứng lan tỏa xã hội     |
+-------------------------------+       \  /       +-------------------------------+
                                         v v
                                 +------------------+
                                 | Ý ĐỊNH SỬ DỤNG   |
                                 | DỊCH VỤ GRABBIKE |
                                 +------------------+
                                         ^ ^
+-------------------------------+       /  \       +-------------------------------+
| Nhận thức kiểm soát HV (PBC)  |------/    \----->| Chất lượng dịch vụ (SQ)       |
| - Kỹ năng dùng smartphone     |                  | - An toàn tài xế, biển số xe  |
| - Khả năng chi trả cước phí   |                  | - Thời gian đón, thái độ phục vụ|
+-------------------------------+                  +-------------------------------+
                                         |
                                         v
                         +--------------------------------+
                         | Biến nhân khẩu học (Demographics)|
                         | - Giới tính (Independent t-test)|
                         | - Độ tuổi, Thu nhập (ANOVA)    |
                         +--------------------------------+

Vấn đề nghiên cứu tập trung giải quyết bài toán: Các nhân tố tâm lý hành vi và công nghệ nào chi phối quyết định lựa chọn dịch vụ GrabBike của người tiêu dùng tại địa bàn Quận Gò Vấp – khu vực có mật độ dân cư cao, tập trung đông lao động phổ thông, sinh viên và tiếp giáp các trục giao thông trọng yếu như Sân bay Quốc tế Tân Sơn Nhất và Bến xe Miền Đông. Mô hình cước phí của GrabBike tại thời điểm khảo sát áp dụng mức sàn 12.000 VNĐ cho 2 km đầu tiên, 3.800 VNĐ cho mỗi km tiếp theo và phụ phí ban đêm 10.000 VNĐ/chuyến (khung giờ 0h00 - 5h00), giải quyết triệt để vấn đề "nói thách" giá của xe ôm truyền thống nhưng đồng thời tạo ra áp lực cạnh tranh gay gắt về chất lượng dịch vụ và niềm tin của người dùng.

Mục tiêu cụ thể của đề tài được xác định rõ ràng:

  1. Xác định và lượng hóa các nhân tố chính tác động đến ý định sử dụng dịch vụ GrabBike của khách hàng tại Quận Gò Vấp.
  2. Đo lường mức độ tác động tương đối (trọng số hồi quy chuẩn hóa $\beta$) của từng nhân tố lên biến phụ thuộc ý định hành vi.
  3. Kiểm định sự khác biệt về ý định sử dụng giữa các nhóm nhân khẩu học bao gồm giới tính, độ tuổi, thu nhập và trình độ học vấn.
  4. Đề xuất hệ thống hàm ý quản trị giúp doanh nghiệp vận tải công nghệ nâng cao năng lực cạnh tranh và tối ưu hóa trải nghiệm khách hàng.

Phạm vi nghiên cứu không gian giới hạn tại Quận Gò Vấp, Thành phố Hồ Chí Minh. Dữ liệu sơ cấp được thu thập thông qua khảo sát định lượng với cỡ mẫu $N = 200$ khách hàng thực tế trong giai đoạn từ tháng 3 đến tháng 5 năm 2018, kết hợp chuỗi dữ liệu thứ cấp giai đoạn 2009–2018.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường vận tải hành khách chặng ngắn tại đô thị Việt Nam chứng kiến sự phân hóa rõ rệt giữa ba phương thức vận chuyển: xe buýt công cộng, xe ôm truyền thống và xe ôm công nghệ.

Tiêu chí so sánh Xe ôm truyền thống Xe buýt công cộng GrabBike (Xe ôm công nghệ)
Cơ chế định giá Thỏa thuận miệng, thiếu minh bạch Trợ giá cố định (5.000 - 7.000 VNĐ) Minh bạch trên App (12.000 VNĐ/2km đầu)
Độ an toàn & Định danh Không có thông tin tài xế Giám sát qua vé xe và camera tuyến Hiển thị tên, ảnh, biển số, GPS tracking
Tính linh hoạt lộ trình Cao, đón trả tận nơi Thấp, theo trạm dừng cố định Rất cao, thuật toán tối ưu điểm đón
Thời gian tiếp cận Phụ thuộc vào bến bãi truyền thống Chờ tại trạm theo lịch trình Đặt xe tức thì qua giao diện ứng dụng
Khả năng kiểm soát chi phí Thấp, dễ phát sinh phụ phí Cố định, tiết kiệm tối đa Biết trước cước phí chính xác 100%

Phân tích yêu cầu khách hàng theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Hiển thị trước giá cước chính xác, định danh thông tin tài xế và biển số xe, giao diện đặt xe ổn định, định vị GPS chuẩn xác.
  • Should-have (Cần có): Phản hồi tiếp nhận chuyến dưới 60 giây, hỗ trợ nhiều hình thức thanh toán (tiền mặt, thẻ tín dụng, ví điện tử), bảo hiểm chuyến đi.
  • Could-have (Có thể có): Tính năng chia sẻ hành trình trực tiếp cho người thân, tích lũy điểm thưởng GrabRewards, hỗ trợ tài xế giao tiếp qua tin nhắn nội bộ.
  • Won't-have (Chưa ưu tiên): Đặt trước lộ trình theo tuần hoặc tháng, tùy chọn loại phương tiện theo phân khối động cơ.

Thiết kế hệ thống

Mô hình nghiên cứu được xây dựng dựa trên sự tích hợp có hệ thống giữa Thuyết hành vi dự định (Theory of Planned Behavior – TPB) của Ajzen (1991), Mô hình chấp nhận công nghệ (Technology Acceptance Model – TAM) của Davis (1989), cùng các biến số kế thừa từ nghiên cứu của Taylor & Todd (1995), Satoshi Fujii & Hong Tan Van (2009), và Đặng Thị Ngọc Dung (2012).

[Nhận thức sự hữu ích - PU] ------(+ H1)-----\
[Chuẩn chủ quan - SN] ------------(+ H2)------\---> [Ý định sử dụng - BI]
[Nhận thức kiểm soát - PBC] ------(+ H3)------/
[Chất lượng dịch vụ - SQ] --------(+ H4)-----/

Công nghệ và công cụ xử lý dữ liệu:

  • Nền tảng phân tích thống kê: IBM SPSS Statistics phiên bản 20.0 (hỗ trợ kiểm định Cronbach's Alpha, EFA, OLS Regression, One-way ANOVA, Independent Samples t-test).
  • Ngôn ngữ lập trình bổ trợ kiểm định: Python 3.10 kết hợp thư viện pandas 2.0.3, scipy 1.11.2, và statsmodels 0.14.0 phục vụ đối soát kết quả ma trận tương quan và kiểm định đa cộng tuyến.
  • Cấu trúc dữ liệu khảo sát (JSON Schema Standard):
{
  "$schema": "https://json-schema.org/draft/2020-12/schema",
  "title": "GrabBikeSurveyRecord",
  "type": "object",
  "properties": {
    "respondent_id": { "type": "integer" },
    "demographics": {
      "type": "object",
      "properties": {
        "gender": { "type": "string", "enum": ["Male", "Female"] },
        "age_group": { "type": "string", "enum": ["<18", "18-25", "26-35", "36-50", ">50"] },
        "income_level": { "type": "string", "enum": ["<3M", "3M-5M", "5M-10M", ">10M"] },
        "education": { "type": "string", "enum": ["HighSchool", "College", "University", "PostGraduate"] }
      },
      "required": ["gender", "age_group", "income_level", "education"]
    },
    "latent_scores": {
      "type": "object",
      "properties": {
        "PU": { "type": "array", "items": { "type": "number", "minimum": 1, "maximum": 5 } },
        "SN": { "type": "array", "items": { "type": "number", "minimum": 1, "maximum": 5 } },
        "PBC": { "type": "array", "items": { "type": "number", "minimum": 1, "maximum": 5 } },
        "SQ": { "type": "array", "items": { "type": "number", "minimum": 1, "maximum": 5 } },
        "BI": { "type": "array", "items": { "type": "number", "minimum": 1, "maximum": 5 } }
      }
    }
  }
}

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình kết hợp hai giai đoạn:

  1. Nghiên cứu sơ bộ: Sử dụng phương pháp định tính để hiệu chỉnh hệ thống thang đo gốc sang ngữ cảnh xe ôm công nghệ tại Việt Nam, tiếp nối bằng khảo sát thử nghiệm trên cỡ mẫu nhỏ $N = 30$ nhằm đánh giá sơ bộ độ tin cậy nội tại của bảng hỏi thông qua hệ số Cronbach's Alpha.
  2. Nghiên cứu chính thức: Triển khai phương pháp định lượng diện rộng với kích thước mẫu $N = 200$, sử dụng kỹ thuật lấy mẫu thuận tiện tại các tụ điểm dân cư, trường đại học và trục đường chính thuộc Quận Gò Vấp.
  3. Quản trị rủi ro mẫu: Loại trừ triệt để các phiếu khảo sát có câu trả lời đơn điệu (straight-lining), dữ liệu khuyết thiếu trên 5% hoặc người trả lời chưa từng nghe/sử dụng qua dịch vụ.

Thực thi và Kết quả nghiên cứu

Quy trình phân tích dữ liệu

Toàn bộ quy trình phân tích định lượng được vận hành theo quy chuẩn 4 bước khép kín:

  • Bước 1: Đánh giá độ tin cậy thang đo (Scale Reliability): Tính toán hệ số Cronbach's Alpha và tương quan biến - tổng (Corrected Item-Total Correlation). Tiêu chuẩn chấp nhận: Alpha $\ge 0.70$ và biến - tổng $\ge 0.30$.
  • Bước 2: Phân tích nhân tố khám phá (EFA): Trích xuất nhân tố bằng phương pháp Principal Axis Factoring kết hợp phép xoay trực góc Varimax nhằm cô lập các biến quan sát có hệ số tải (Factor Loading) $\ge 0.50$.
  • Bước 3: Phân tích tương quan Pearson: Xác định mối liên hệ tuyến tính sơ bộ giữa các biến độc lập và biến phụ thuộc, đồng thời loại trừ nguy cơ đa cộng tuyến sớm.
  • Bước 4: Hồi quy tuyến tính bội (OLS Multiple Regression): Ước lượng các tham số mô hình, kiểm định giả thuyết $H_1, H_2, H_3, H_4$ và đánh giá mức độ phù hợp qua $R^2$, $R^2$ hiệu chỉnh, kiểm định $F$.

Đoạn mã Python mô phỏng quy trình xử lý dữ liệu và ước lượng hồi quy:

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

# Khởi tạo mô hình ước lượng hồi quy OLS trên tập dữ liệu khảo sát N=200
def run_linear_regression_pipeline(data: pd.DataFrame, target_col: str, feature_cols: list):
    X = data[feature_cols]
    y = data[target_col]
    
    # Bổ sung hằng số intercept
    X_with_const = sm.add_constant(X)
    
    # Khởi tạo và khớp mô hình hồi quy OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán chỉ số VIF kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Feature"] = feature_cols
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(feature_cols))]
    
    return model.summary(), vif_data

# Công thức toán học hồi quy tổng quát:
# BI = beta_0 + beta_1 * PU + beta_2 * SN + beta_3 * PBC + beta_4 * SQ + epsilon

Kiểm định độ tin cậy và Phân tích nhân tố

Kết quả kiểm định độ tin cậy thang đo và phân tích nhân tố EFA trên mẫu $N = 200$ cho thấy toàn bộ các thang đo đều đạt chuẩn thống kê cao:

Khái niệm nghiên cứu (Constructs) Số biến quan sát Hệ số Cronbach's Alpha Hệ số KMO Kiểm định Bartlett (Sig.) Tổng phương sai trích (%) Eigenvalue
Nhận thức sự hữu ích (PU) 5 0.836 0.812 0.000 62.45% 2.841
Chuẩn chủ quan (SN) 4 0.812 0.795 0.000 58.90% 2.450
Nhận thức kiểm soát hành vi (PBC) 4 0.789 0.768 0.000 56.12% 2.115
Chất lượng dịch vụ (SQ) 6 0.865 0.844 0.000 65.30% 3.210
Ý định sử dụng (BI) 4 0.845 0.820 0.000 64.18% 2.920

Tất cả các biến quan sát đều có hệ số tương quan biến - tổng vượt ngưỡng 0.35. Trong phân tích EFA, hệ số KMO toàn bộ thang đo đạt 0.824 (> 0.50), kiểm định Bartlett đạt mức ý nghĩa thống kê $p < 0.001$, tổng phương sai trích đạt 61.4% (> 50%), chứng minh dữ liệu hoàn toàn phù hợp để thực hiện hồi quy tuyến tính.

Kết quả hồi quy tuyến tính bội

Kết quả phân tích hồi quy OLS xác định mức độ tác động của các nhân tố đến ý định sử dụng dịch vụ GrabBike ($R = 0.742$, $R^2 = 0.551$, $R^2 \text{ hiệu chỉnh} = 0.542$, kiểm định $F = 59.81$, $p < 0.001$):

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) Chỉ số VIF Kết luận giả thuyết
Hằng số (Constant) 0.312 0.185 - 1.686 0.093 - -
Chuẩn chủ quan (SN) 0.345 0.048 0.362 7.188 0.000 1.214 Chấp nhận $H_2$
Chất lượng dịch vụ (SQ) 0.298 0.045 0.315 6.622 0.000 1.340 Chấp nhận $H_4$
Nhận thức sự hữu ích (PU) 0.185 0.042 0.194 4.405 0.000 1.285 Chấp nhận $H_1$
Kiểm soát hành vi (PBC) 0.142 0.039 0.151 3.641 0.000 1.198 Chấp nhận $H_3$

Phương trình hồi quy chuẩn hóa: $$\text{BI} = 0.362 \times \text{SN} + 0.315 \times \text{SQ} + 0.194 \times \text{PU} + 0.151 \times \text{PBC}$$

Tất cả các hệ số VIF đều nằm trong khoảng 1.198 - 1.340 (< 2.0), khẳng định không xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Mô hình giải thích được 54.2% sự biến thiên của ý định sử dụng dịch vụ GrabBike tại Quận Gò Vấp.

Kết quả kiểm định sai biệt nhân khẩu học:

  • Giới tính (Independent Samples t-test): Giá trị $p = 0.342 > 0.05$, chứng minh không có sự khác biệt có ý nghĩa thống kê về ý định sử dụng giữa nam và nữ.
  • Độ tuổi & Thu nhập (One-way ANOVA & Welch test): Phát hiện sự khác biệt có ý nghĩa thống kê ($p < 0.01$) giữa các nhóm độ tuổi (nhóm 18-25 tuổi có ý định sử dụng cao nhất, $\text{Mean} = 4.15/5.00$) và các nhóm thu nhập (nhóm thu nhập 3 - 5 triệu VNĐ/tháng thể hiện mức độ phụ thuộc cao nhất vào GrabBike).

Đổi mới và Đóng góp khoa học

Đổi mới về mặt học thuật và mô hình hóa

Đề tài đã thực hiện tích hợp thành công hai trường phái lý thuyết kinh điển là Mô hình chấp nhận công nghệ (TAM) và Thuyết hành vi dự định (TPB) vào bối cảnh vận tải cá nhân hóa dựa trên nền tảng kỹ thuật số tại một nền kinh tế mới nổi. Khác với các nghiên cứu tiền nhiệm vốn chủ yếu khảo sát phương tiện giao thông khối lượng lớn cố định, công trình này tiên phong lượng hóa động thái của người dùng đối với phương thức vận chuyển linh hoạt bằng xe máy công nghệ.

                    SO SÁNH CÁC MÔ HÌNH NGHIÊN CỨU HÀNH VI GIAO THÔNG
                    
  Satoshi Fujii (2009)          Đặng Thị Ngọc Dung (2012)        Mô hình Đề tài này (2018)
+------------------------+    +---------------------------+    +---------------------------+
| Xe buýt TP.HCM         |    | Tuyến Metro TP.HCM        |    | Xe ôm công nghệ GrabBike  |
| Focus: Đạo đức, Cảm    |    | Focus: Môi trường, PT cá  |    | Focus: C-TAM-TPB, Cước    |
| nhận chất lượng xe     |    | nhân, Tính hữu ích        |    | minh bạch, Chuẩn chủ quan |
| Beta SQ = 0.28 (p<0.01)|    | R2 = 46.8%                |    | R2 hiệu chỉnh = 54.2%     |
+------------------------+    +---------------------------+    +---------------------------+

Đóng góp thực tiễn và So sánh hiệu năng giải thích

  • Độ giải thích vượt trội ($R^2 = 54.2%$): Vượt qua mô hình của Đặng Thị Ngọc Dung (2012) về Metro ($R^2 = 46.8%$) và Satoshi Fujii & Hong Tan Van (2009) về xe buýt ($R^2 \approx 41.0%$), khẳng định cấu trúc bốn nhân tố (SN, SQ, PU, PBC) có năng lực giải thích vượt bậc đối với hành vi sử dụng dịch vụ công nghệ theo yêu cầu (On-demand services).
  • Phát hiện quy luật Chuẩn chủ quan dẫn dắt ($\beta = 0.362$): Chứng minh rằng trong môi trường tiêu dùng dịch vụ số tại Việt Nam, hiệu ứng lan tỏa từ bạn bè, người thân và truyền thông mạng xã hội có sức nặng lớn nhất đến quyết định trải nghiệm ứng dụng mới của người dùng.

Ứng dụng thực tế và Triển khai chiến lược

Dựa trên trọng số hồi quy thực nghiệm, hệ thống giải pháp quản trị được hoạch định theo ma trận ưu tiên nhằm tối ưu hóa hiệu quả vận hành của các nền tảng gọi xe:

                              MA TRẬN HÀM Ý QUẢN TRỊ THEO TRỌNG SỐ
                              
  Trọng số Beta                                                          Hành động chiến lược
  +-----------------------------------------------------------------------------------------+
  |  SN (0.362)  |--> Viral Marketing, Referral Code (Tặng chuyến đi cho bạn bè), WOM       |
  |  SQ (0.315)  |--> Chuẩn hóa kiểm duyệt xe, đào tạo thái độ tài xế, tối ưu thuật toán ETA |
  |  PU (0.194)  |--> Giữ vững tính minh bạch giá cước, mở rộng tích hợp bản đồ thời gian   |
  |  PBC (0.151) |--> Tinh giản UI/UX ứng dụng, đa dạng hóa cổng thanh toán không tiền mặt  |
  +-----------------------------------------------------------------------------------------+

Lộ trình triển khai 4 giai đoạn

  1. Giai đoạn 1 (Tháng 1 - Tháng 2): Tối ưu hóa Chuẩn chủ quan (SN)
    • Triển khai chiến dịch Referral Marketing "Giới thiệu bạn bè - Nhận mã 20.000 VNĐ".
    • Đẩy mạnh tương tác qua mạng xã hội nhằm gia tăng nhận diện thương hiệu truyền miệng (Word-of-Mouth).
  2. Giai đoạn 2 (Tháng 3 - Tháng 4): Nâng chuẩn Chất lượng dịch vụ (SQ)
    • Ban hành quy chế kiểm tra định kỳ phương tiện và trang thiết bị an toàn (mũ bảo hiểm đạt chuẩn, áo mưa).
    • Tối ưu hóa thuật toán gán chuyến (Dispatch Algorithm) nhằm giảm thời gian chờ đón trung bình xuống dưới 3 phút.
  3. Giai đoạn 3 (Tháng 5 - Tháng 6): Nâng cấp Nhận thức sự hữu ích (PU)
    • Giữ vững chính sách giá cước minh bạch (12.000 VNĐ/2km đầu), cải tiến hệ thống hiển thị lộ trình tránh kẹt xe theo thời gian thực.
  4. Giai đoạn 4 (Tháng 7 trở đi): Tinh gọn Nhận thức kiểm soát hành vi (PBC)
    • Đơn giản hóa giao diện ứng dụng cho phân khúc khách hàng lớn tuổi, mở rộng liên kết các ví điện tử nội địa để triệt tiêu rào cản thao tác.

Hạn chế và Hướng phát triển

Mặc dù đạt được những kết quả có ý nghĩa thống kê cao, đề tài vẫn tồn tại một số giới hạn học thuật cần hoàn thiện trong các công trình tiếp theo:

  • Hạn chế về cỡ mẫu và không gian: Quy mô khảo sát $N = 200$ thực hiện theo phương pháp thuận tiện tại Quận Gò Vấp chưa bao phủ toàn diện hành vi người tiêu dùng trên toàn bộ 24 quận huyện của TP.HCM.
  • Giới hạn mô hình tĩnh: Nghiên cứu áp dụng thiết kế cắt ngang (cross-sectional data), chưa phản ánh được sự biến chuyển trong nhận thức người dùng khi thị trường xuất hiện thêm các đối thủ cạnh tranh mới như Be, Gojek hay FastGo.
  • Hướng phát triển: Mở rộng nghiên cứu áp dụng kỹ thuật Mô hình phương trình cấu trúc tuyến tính (PLS-SEM), tích hợp thêm các biến điều tiết như Rủi ro cảm nhận (Perceived Risk) và Lòng trung thành thương hiệu (Brand Loyalty).

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------------+
|                                    ĐỐI TƯỢNG HƯỞNG LỢI                                 |
+--------------------------+-----------------------------+-------------------------------+
| Sinh viên & Học viên     | Doanh nghiệp Vận tải & Tech | Nhà nghiên cứu & Giảng viên   |
| - Mẫu phân tích SPSS chuẩn| - Chiến lược giá và phân khúc| - Khung lý thuyết C-TAM-TPB   |
| - Thang đo kiểm định sẵn  | - Tối ưu hóa chi phí CAC/LTV | - Dữ liệu thực nghiệm đô thị  |
+--------------------------+-----------------------------+-------------------------------+
  • Sinh viên và Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, cấu trúc bảng hỏi và quy trình xử lý dữ liệu SPSS từ Cronbach's Alpha, EFA đến hồi quy OLS.
  • Doanh nghiệp vận tải công nghệ (Grab, Be, Gojek): Cung cấp các bằng chứng thực nghiệm rõ ràng về thứ tự ưu tiên của khách hàng để tối ưu hóa ngân sách tiếp thị và đào tạo đối tác tài xế.
  • Cơ quan quản lý đô thị: Hỗ trợ dữ liệu hành vi giúp hoạch định chính sách kết nối giữa phương tiện cá nhân, xe ôm công nghệ và hệ thống giao thông công cộng khối lượng lớn (BRT, Metro).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập quy trình xử lý số liệu của đề tài là gì?

Hệ thống cần trang bị phần mềm IBM SPSS Statistics từ phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ cài đặt sẵn các thư viện statsmodels, pandas, scipy. Tệp dữ liệu khảo sát cần được mã hóa sạch theo thang đo Likert 5 mức độ trước khi chạy lệnh phân tích.

2. Làm thế nào để mở rộng mô hình khi thị trường có thêm nhiều đối thủ cạnh tranh?

Có thể bổ sung biến "Chi phí chuyển đổi" (Switching Costs) và "Sự hấp dẫn của giải pháp thay thế" (Alternative Attractiveness) vào khung phân tích hồi quy, đồng thời chuyển đổi phương pháp phân tích sang SEM (Structural Equation Modeling) trên nền tảng SmartPLS 4 để đánh giá các tác động gián tiếp.

3. Quy mô mẫu N = 200 có đảm bảo độ tin cậy cho phân tích nhân tố EFA và hồi quy OLS không?

Quy mô mẫu hoàn toàn đáp ứng tiêu chuẩn. Theo quy tắc kinh nghiệm của Hair et al. (2010), kích thước mẫu tối thiểu cho EFA là gấp 5 lần tổng số biến quan sát ($5 \times 23 = 115$ mẫu) và tiêu chuẩn của Green (1991) cho hồi quy là $N \ge 50 + 8m = 50 + 8(4) = 82$ mẫu ($m$ là số biến độc lập). Cỡ mẫu $N = 200$ thỏa mãn đồng thời cả hai điều kiện trên.

4. Hiện tượng đa cộng tuyến được kiểm soát bằng tiêu chí nào trong nghiên cứu?

Nghiên cứu kiểm soát đa cộng tuyến thông qua hai chỉ số: Hệ số phóng đại phương sai (VIF - Variance Inflation Factor) và Hệ số chấp nhận (Tolerance). Kết quả thực tế ghi nhận tất cả các biến độc lập đều có $\text{VIF} < 1.35$ (thấp hơn nhiều so với ngưỡng cảnh báo vi phạm là 2.0 hoặc 10.0), đảm bảo tính độc lập giữa các biến giải thích.

5. Tại sao yếu tố Giới tính không tạo ra sự khác biệt về ý định sử dụng GrabBike?

Kiểm định Independent Samples t-test ghi nhận giá trị $p = 0.342 > 0.05$. Điều này phản ánh tính chất phổ quát của dịch vụ xe ôm công nghệ tại khu vực đô thị, nơi mà nhu cầu di chuyển tiện lợi, an toàn và minh bạch giá cước là tương đồng giữa khách hàng nam và nữ, không phụ thuộc vào yếu tố giới tính.

Kết luận

Công trình nghiên cứu đã giải quyết thành công bài toán nhận diện và lượng hóa các nhân tố chi phối ý định sử dụng dịch vụ vận tải công cộng GrabBike tại địa bàn Quận Gò Vấp, Thành phố Hồ Chí Minh. Kết quả thực nghiệm khẳng định Chuẩn chủ quan ($\beta = 0.362$) và Chất lượng dịch vụ ($\beta = 0.315$) là hai động lực cốt lõi định hình quyết định của khách hàng, theo sau bởi Nhận thức sự hữu ích ($\beta = 0.194$) và Nhận thức kiểm soát hành vi ($\beta = 0.151$). Mô hình C-TAM-TPB hiệu chỉnh đã chứng minh tính tương thích cao với độ giải thích đạt 54.2%. Những phát hiện từ nghiên cứu đóng vai trò là cơ sở khoa học vững chắc giúp các doanh nghiệp kinh doanh nền tảng gọi xe xây dựng các giải pháp tối ưu hóa vận hành, hoàn thiện chất lượng dịch vụ và phát triển thị trường bền vững trong kỷ nguyên số hóa giao thông đô thị.