2 .1.3.1 Khái niệm
2.2.2. Phương pháp nghiên cứu
2.2.2.1. Mô hình nghiên cứu
Thang đo SERVQUAL là một trong những công cụ chủ yếu trong Marketing dịch vụ dùng để đánh giá chất lượng dịch vụ (Parasuraman & cộng sự). Parasuraman & cộng sự đã liên tục kiểm định thang đo và xem xét các lý thuyết khác nhau, và cho rằng SERVQUAL là thang đo đạt độ tin cậy và giá trị. Thang đo này có thể áp dụng trong các loại hình dịch vụ khác nhau như nhà hàng, khách sạn, bệnh viện, trường học, các hãng hàng không, du lịch,... Thang đo SERVQUAL đo lường chất lượng dịch vụ dựa trên sự cảm nhận bởi chính các khách hàng sử dụng dịch vụ.
Vì thế, tôi đã quyết định lựa chọn mô hình nghiên cứu thang đo chất lượng dịch vụ SERVQUAL của Parasuraman và cộng sự làm công cụ chính để thực hiện đề tài này.
Bên cạnh việc áp dụng các thang đo chuẩn trong mô hình SERVQUAL, đề tài còn được nghiên cứu thực tế tình hình thị trường ngân hàng năm 2016 để có thể lựa chọn các nhân tố tác động đến mức độ hài lòng của khách hàng. Cụ thể, mô hình nghiên cứu gồm 06 nhóm biến và 25 biến quan sát:
đầu tiên.
1. Ngân hàng đảm bảo vấn đề bảo mật đối với các giao dịch và thông tin khách hàng 2. Ngân hàng cung cấp dịch vụ đúng thời điểm ngân hàng thỏa thuận
3. Bạn cảm thấy an toàn khi gửi tiền tại ngân hàng
4. Thông báo chính xác, kịp thời về thay đổi lãi suất, tỷ giá...
Sự đáp ứng: nói lên sự mong muốn và sẵn sàng của nhân viên phục vụ cung cấp các dịch vụ cho khách hàng.
5. Nhân viên hướng dẫn thủ tục đầy đủ, dễ hiểu 6. Giải quyết thỏa đáng những khiếu nại của khách hàng 7. Thời gian nhân viên xử lý giao dịch
8. Thái độ sẵn sàng phục vụ, giúp đỡ khách hàng của nhân viên
Sự đảm bảo: liên quan đến khả năng bảo đảm sự an toàn cho khách hàng, thể hiện qua sự an toàn về vật chất, tài chính, cũng như bảo mật thông tin.
9. Nhân viên có kiến thức chuyên môn để trả lời thắc mắc và tư vấn cho khách hàng 10. Nhân viên có thái độ tạo sự yên tâm cho khách hàng
11. An toàn khi thực hiện giao dịch 12. Nhân viên trung thực, đáng tin cậy
Sự cảm thông: thể hiện qua thái độ chủ động phục vụ khách hàng, mang lại lợi ích cho khách hàng.
13. Nhân viên phục vụ khách hàng nhiệt tình, ân cần, vui vẻ 14. Quan tâm đến mong muốn của khách hàng
15. Chủ động quan tâm đến những khó khăn của khách hàng 16. Tư vấn những điều khoản có lợi cho khách hàng
Phương tiện hữu hình: thể hiện qua ngoại hình, trang phục của nhân viên phục vụ, các trang thiết bị hỗ trợ cho dịch vụ.
17. Phân chia các quầy giao dịch rõ ràng theo chức năng từng quầy (thu ngân, tín dụng, tiền gửi, giao dịch khác...)
18. Trang phục nhân viên thanh lịch, gọn gàng, phù hợp
19. Tiện nghi cho khách hàng tốt (giữ xe, nước uống, ghế ngồi, nhà vệ sinh…) 20. Hóa đơn, chứng từ rõ ràng
21. Trang thiết bị của ngân hàng hiện đại
22. Lãi suất huy động hấp dẫn
23. Các chi phí phát sinh trong quá trình giao dịch hợp lý 24. Tặng quà cho khách hàng gửi tiết kiệm
25. Ưu đãi về lãi suất cho khách hàng thân thiết
2.2.2.2. Thang đo Likert
Sử dụng mô hình chất lượng dịch vụ SERVQUAL với thang đo từ 1 đến 5, theo đó thang đo Likert 1-5 được phân chia thành các mức độ như sau:
1: Rất không hài lòng 2: Không hài lòng 3: Bình thường 4: Hài lòng 5: Rất hài lòng .
Phương pháp chia khoảng điểm trung bình: Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng được tính như sau: Giá trị khoảng cách = (Maximum – Minimum) / n = (5 - 1) / 5 = 0,80.
Việc xác định mức độ đánh giá của khách hàng dựa theo các mức điểm như sau: Mức 1: 1,00 – 1,80 Rất không hài lòng Mức 2: 1,81 – 2,60 Không hài lòng Mức 3: 2,61 – 3,40 Bình thường Mức 4: 3,41 – 4,20 Hài lòng Mức 5: 4,21 – 5,00 Rất hài lòng. 2.2.2.3. Hệ số Cronbach’s Alpha
Sử dụng hệ số tin cậy Cronbach’s Alpha kiểm định mức độ chặt chẽ của các mục hỏi trong thang đo tương quan với nhau. Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về chất lượng dịch vụ và mức độ hài lòng của khách hàng sử dụng cho từng mục hỏi, xét trên mối liên hệ của mục hỏi với một khía cạnh đánh giá. Kiểm tra tính chặt chẽ và tương quan giữa các biến quan sát, cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu vì nếu không chúng ta sẽ không biết được chính xác độ biến thiên cũng như độ lỗi của các biến và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Hệ số tương quan biến tổng là hệ số tương quan của 1 biến với điểm trung bình của các biến khác trong cùng 1 thang đo, do đó hệ số này càng cao thì sự tương quan của các biến với các biến khác trong nhóm càng cao. Theo đó, chỉ những biến số có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0,6 trở lên có thể được sử dụng trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường thang đo có Cronbach’s Alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho
rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt nhất.
2.2.2.4 Phương pháp phân tích nhân tố khám phá (EFA)
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng để xác định phạm vi, mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào, làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát lên các nhân tố cơ sở. Phân tích nhân tố không có sự phân biệt biến phụ thuộc và biến độc lập mà nó nghiên cứu mối quan hệ phụ thuộc lẫn nhau.
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Nhân tố chung có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi= Wf1X1 + Wf2X2 + Wf3X3 +….+ WfmXk
Trong đó:
Fi: Ước lượng trị số của nhân tố thứ i. Wf: quyền số hay trọng số nhân tố. k: số biến.
Các tham số thống kê trong phân tích nhân tố khám phá:
- Đại lượng Bartlett (Bartlett’s test sphericity) là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể.
- Ma trận tương quan (Correlation matrix): Cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
- Hệ số tải nhân tố (Factor loading): Là những hệ số tương quan đơn giữa các biến và các nhân tố.
- Ma trận nhân tố (Factor matrix): Chứa các hệ số tải nhân tố của tất cả các biến đối với các nhân tố được rút ra.
- Nhân số (Factor scores): Là các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra.
- Hệ số phù hợp KMO (Kaiser-Meyer-Olkin measure of sampling adequacy): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO giữa 0,5 và 1 là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu nhỏ hơn 0,5 thì không phù hợp.
- Phương sai trích hay phương sai cộng dồn (Cumulative): Cho biết mức độ giải thích đúng của mô hình.
- Tiêu chuẩn Eigenvalue: Đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
- Phần trăm phương sai toàn bộ (Percentage of variance): được giải thích bởi từng nhân tố, nghĩa là coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu phần trăm và bị thất thoát bao nhiêu phần trăm.
* Sử dụng phương pháp phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis) để kiểm định các yếu tố tác động đến mức độ hài lòng của khách hàng và chọn các nhân tố phù hợp. Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập hợp gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập hợp biến ít hơn (gọi là các nhân tố), việc làm này làm tăng ý nghĩa của các biến, tuy làm số biến ít đi nhưng vẫn đảm bảo chứa đựng một cách tổng quát nội dung của tập hợp biến ban đầu.
Kiểm định KMO (Kaiser – Meyer – Olkin): KMO là một chỉ tiêu được dùng để xem xét sự thích hợp của phân tích nhân tố. Giá trị KMO nằm trong đoạn [0,5;1,0] có nghĩa là phân tích nhân tố là thích hợp và hiệu quả và nếu KMO có giá trị nhỏ hơn 0,5 thì có khả năng phân tích nhân tố khám phá không thích hợp với các dữ liệu.
Kiểm định Barlett: Đại lượng Barlett là một đại lượng thống kê dùng để xem xét giả thiết các biến không có tương quan trong tổng thể. Kiểm định Bartlett có ý nghĩa thống kê khi Sig. < 0.05 thì khi đó các biến quan sát có mối tương quan với nhau trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hoàn toàn với chính nó (r=1) nhưng không có tương quan với các biến khác (r=0). Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố chung). Do đó nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét.
Rút nhân tố (Factor extraction): Mục đích chính của bước này là xác định các nhân tố. Thường dùng phương pháp Principal components analysis để xác định các nhân tố. Để xác định giữ lại bao nhiêu nhân tố, căn cứ vào Eigen Values >1 (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) và giá trị tổng phương sai trích (yêu cầu là ≥ 50%) cho biết các nhân tố được trích giải thích được % sự biến thiên của các biến quan sát. Một phần quan trọng trong kết quả phân tích nhân tố là ma trận xoay nhân tố (rotated component matrix) với hệ số tải nhân tố (factor loading) biểu diễn sự tương quan giữa các biến và các nhân tố hệ số này cho biết giữa biến và nhân tố có mối quan hệ chặt chẽ với nhau nghiên cứu sử dụng phương pháp Principal components analysis nên các hệ số tải nhân tố phải lớn hơn hoặc bằng 0,5 mới đạt yêu cầu.
Việc đặt tên và giải thích các nhân tố thực hiện trên cơ sở nhận ra các biến có hệ số tải nhân tố lớn ở cùng một nhân tố. Như vậy nhân tố này có thể được giải thích bằng các biến có hệ số lớn đối với bản thân nó. Sau đó dựa trên số nhóm nhân tố mới được hình thành tiến hành hiệu chỉnh mô hình ban đầu.
Nhân số (Factor score): sau khi giải thích các nhân tố ở phần trên, bước tiếp theo là tính các nhân số. Bản thân phân tích nhân tố là một phương pháp độc lập trong phân tích có thể sử dụng một mình. Tuy nhiên nếu mục tiêu của phân tích nhân tố là biến đổi một tập hợp biến gốc thành một tập hợp các biến tổng hợp (nhân tố) có số lượng ít hơn để sử dụng trong các phương pháp phân tích đa biến tiếp theo, thì ta tính toán ra các nhân số cho từng trường hợp quan sát một. Để thực hiện công việc này một cách tự động thì khi chạy phầm mềm SPSS để phân tích nhân tố khám phá trong hộp thoại factor Scores ta chọn phương pháp
tính nhân số là phương pháp Regression. Sau khi ra kết quả rút trích được các nhân tố mới, phần mềm sẽ lưu các hê số này lại thành biến mới và ta có thể sử dụng các biến mới này thay cho tập hợp biến gốc ban đầu để đưa vào đưa vào phân tích hồi quy.
2.2.2.5. Phương pháp hồi quy tương quan Pearson
Thường được thực hiện trước khi phân tích hồi quy. Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập, vì điều kiện để hồi quy là trước nhất phải tương quan. Nếu giữa 2 biến độc lập và biến phụ thuộc có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Dấu hiệu nghi ngờ dựa vào giá trị sig tương quan giữa các biến độc lập nhỏ hơn 0.05 và giá trị tương quan Pearson lớn hơn 0.3.
Đa cộng tuyến là trạng thái các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Đa cộng tuyến làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t của kiểm định ý nghĩa nên các hệ số có khuynh hướng kém ý nghĩa.
2.2.2.6. Phương pháp hồi quy tuyến tính đa biến
Sử dụng mô hình hồi quy tuyến tính đa biến để nhận diện các nhân tố tác động và mức độ tác động của từng yếu tố đến mức độ hài lòng của khách hàng.
Hồi quy là công cụ chủ yếu của kinh tế lượng, thuật ngữ hồi quy được Francis Galton sử dụng vào năm 1886 bằng cụm từ “Regression to mediocrity”- nghĩa là “quy về giá trị trung bình”. Bản chất của phân tích hồi quy là nghiên cứu mối liên hệ phụ thuộc của một biến (gọi là biến phụ thuộc hay biến được giải thích) với một hay nhiều biến khác (gọi là các biến độc lập hay biến giải thích).
Mô hình hồi quy đa biến: Mô hình hồi quy đa biến có biến phụ thuộc là Y, phụ thuộc vào nhiều biến độc lập X khác. Do đó mô hình có dạng như sau:
Yi= β0 + β1 X1i + β2 X2i+…+ βp Xpi + ei
Trong đó:
Xpi: Biểu hiện giá trị của biến độc lập thứ p tại quan sát thứ i
β0 : Hệ số tự do (hệ số chặn), là giá trị trung bình của biến Y khi βp = 0 Các hệ số βp được gọi là hệ số hồi quy riêng phần
Thành phần ei là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi.
Bảng 2.2 Các nhân tố ảnh hưởng trong mô hình hồi quy
Biến Loại biến Diễn giải
X1 Biến độc lập Sự tin cậy
X2 Biến độc lập Sự đáp ứng
X3 Biến độc lập Sự đảm bảo
X4 Biến độc lập Sự cảm thông
X5 Biến độc lập Phương tiện hữu hình
X6 Biến độc lập Giá cả và ưu đãi
Y Biến phụ thuộc Mức độ hài lòng của khách
hàng Kiểm định sự phù hợp và tính vi phạm của mô hình:
+ Đánh giá độ phù hợp của mô hình: Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình, R2 hiệu chỉnh càng lớn càng thể hiện độ phù hợp của mô hình càng cao.
+ Kiểm định độ phù hợp của mô hình: Để kiểm định độ phù hợp của mô hình hồi quy đa biến ta dùng giá trị F ở bảng phân tích ANOVA. Giả thuyết H0: β1 = β2 = …= βp = 0. Nếu Sig F < α (α là mức ý nghĩa) thì bác bỏ giả thuyết H0 khi đó mô hình phù hợp với tập dữ liệu và có thể suy rộng ra cho toàn tổng thể. Nếu Sig F ≥ α thì chấp nhận giả thuyết H0, khi đó mô hình không phù hợp với tập dữ liệu và không thể suy rộng ra cho toàn tổng thể (trong đó, mức ý nghĩa α được sử dụng phổ biến là 1%, 5% và 10%).
+ Kiểm định tính vi phạm của mô hình: hiện tượng đa cộng tuyến ta xem xét