Nhân tố Độ tin cậy trong nghiên cứu đƣợc thiết lập bằng sáu biến quan sát từ T1 đến T6. Kết quả phân tích từ dữ liệu thực tế cho thấy hệ số Cronbach Alpha lớn hơn 0.6, các hệ số tƣơng quan biến tổng đều lớn hơn 0.3 (Bảng 4.4). Điều đó chứng tỏ năm biến quan sát đƣợc xây dựng từ lý thuyết đạt tính tin cậy cần thiết để đo lƣờng nhân tố Độ tin cậy.
Bảng 4.4. Kết quả kiểm định bằng Cronbach Alpha nhân tố Độ tin cậy
Biến quan sát
Trung bình thang đo nếu
loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại
biến
Nhân tố “Độ tin cậy”: α =0.786, N= 6
T1 15.4715 12.417 0.635 0.821 T2 15.6062 12.823 0.608 0.798 T3 15.5492 11.968 0.757 0.767 T4 15.8601 13.142 0.584 0.764 T5 15.9744 12.435 0.672 0.753 T6 15.5638 12.4535 0.662 0.841
Nguồn: Kết quả phân tích bằng phần mềm SPSS 4.3.1.2. Kết quả kiểm định thang đo nhân tố Tính đáp ứng
Kết quả phân tích dữ liệu điều tra cho thấy bốn biến quan sát đƣợc xây dựng để đo lƣờng nhân tố Tính đáp ứng có hệ số Cronbach Alpha lớn hơn 0.6, các hệ số tƣơng quan biến tổng của các biến quan sát đều lớn hơn 0.3 (Bảng 4.5). Điều đó cho
thấy thực tế bốn biến quan sát từ R1 đến R4 đƣợc xây dựng để đo lƣờng nhân tố Tính đáp ứng đảm bảo tính tin cậy của một thang đo tốt.
Bảng 4.5. Kết quả kiểm định bằng Cronbach Alpha nhân tố Tính đáp ứng
Biến quan sát
Trung bình thang đo nếu
loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại biến
Nhân tố “Tính đáp ứng”: α =0.815, N= 4
R1 13.6632 14.027 0.566 0.718
R2 13.8290 14.892 0.635 0.769
R3 13.3886 14.968 0.57 0.812
R4 13.8234 14.231 0.604 0.76
Nguồn: Kết quả phân tích bằng phần mềm SPSS 4.3.1.3. Kết quả kiểm định thang đo nhân tố Tính đảm bảo
Kết quả phân tích từ dữ liệu khảo sát thực tế cho thấy các biến quan sát đo lƣờng nhân tố Tính đảm bảo có hệ số tƣơng quan biến tổng lớn hơn 0.6, các hệ số tƣơng quan biến tổng của từng biến đều lớn hơn 0.3 (Bảng 4.6). Điều đó cho thấy khái niệm nghiên cứu Tính đảm bảo đảm bảo tính tin cậy khi đo lƣờng bằng các biến quan sát đã thiết lập.
Bảng 4.6. Kết quả kiểm định bằng Cronbach Alpha nhân tố Tính đảm bảo
Biến quan sát
Trung bình thang đo nếu loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại
biến Nhân tố “Tính đảm bảo”: α = 0.801, N =4 G1 21.8342 34.202 0.607 0.833 G2 21.5907 34.712 0.553 0.812 G3 21.7668 34.930 0.618 0.768 G4 21.8912 34.618 0.675 0.793
Nguồn: Kết quả phân tích bằng phần mềm SPSS 4.3.1.4. Kết quả kiểm định thang đo nhân tố Sự đồng cảm
Nhân tố Sự đồng cảm trong nghiên cứu đƣợc thiết lập bằng năm biến quan sát từ S1 đến S5. Kết quả phân tích từ dữ liệu thực tế cho thấy hệ số Cronbach Alpha lớn hơn 0.6, các hệ số tƣơng quan biến tổng đều lớn hơn 0.3 (Bảng 4.7). Điều đó chứng tỏ năm biến quan sát đƣợc xây dựng từ lý thuyết đạt tính tin cậy cần thiết để đo lƣờng nhân tố Sự đồng cảm.
Bảng 4.7. Kết quả phân tích bằng Cronbach Alpha nhân tố Sự đồng cảm
Biến quan sát
Trung bình thang đo nếu loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại biến
Nhân tố “Sự đồng cảm”: α = 0.841, N =5 S1 23.8342 31.202 0.744 0.878 S2 23.5907 31.712 0.651 0.802 S3 23.7668 32.930 0.806 0.711 S4 23.8912 32.618 0.653 0.861 S5 23.7635 31.765 0.611 0.834
Nguồn: Kết quả phân tích bằng phần mềm SPSS 4.3.1.5. Kết quả kiểm định thang đo nhân tố Phương tiện hữu hình (L)
Nhân tố Phƣơng tiện hữu hình trong nghiên cứu đƣợc thiết lập bằng bốn biến quan sát từ L1 đến L4. Kết quả phân tích từ dữ liệu thực tế cho thấy hệ số Cronbach Alpha lớn hơn 0.6, các hệ số tƣơng quan biến tổng đều lớn hơn 0.3 (Bảng 4.8). Điều đó chứng tỏ bốn biến quan sát đƣợc xây dựng từ lý thuyết đạt tính tin cậy cần thiết để đo lƣờng nhân tố Phƣơng tiện hữu hình.
Bảng 4.8. Kết quả kiểm định bằng Cronbach Alpha nhân tố Phƣơng tiện hữu hình
Biến quan sát
Trung bình thang đo nếu loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại
biến
Nhân tố “Phương tiện hữu hình”: α =0.819, N= 4
L1 14.2384 13.417 0.732 0.895
L2 14.6321 13.823 0.696 0.707
L3 14.5890 13.968 0.728 0.745
L4 14.2938 13.142 0.701 0.760
Nguồn: Kết quả phân tích bằng phần mềm SPSS 4.3.1.6. Kết quả kiểm định thang đo biến phụ thuộc Sự hài lòng (Y)
Kết quả phân tích cho thấy hệ số Cronbach Alpha lớn hơn 0.6, các hệ số tƣơng quan biến tổng của các biến quan sát đo lƣờng biến phụ thuộc đều lớn hơn 0.3 (Bảng 4.9). Điều đó cho thấy biến phụ thuộc (là một biến tiềm ẩn) đƣợc đo lƣờng bằng bốn biến quan sát từ Y1 đến Y4 đảm bảo tính tin cậy của một khái niệm nghiên cứu tốt.
Bảng 4.9. Kết quả kiểm định bằng Cronbach Alpha biến phụ thuộc Sự hài lòng
Biến quan sát
Trung bình thang đo nếu loại biến
Phƣơng sai thang đo nếu loại biến
Tƣơng quan biến tổng
Cronbach's Alpha nếu loại biến
Biến phụ thuộc “Sự hài lòng”: α = 0.812, N = 4
Y1 16.9896 32.406 0.532 0.883
Y2 17.3782 27.799 0.856 0.807
Y3 17.3161 29.301 0.692 0.847
Y4 17.4041 28.034 0.850 0.809
Nguồn: Kết quả phân tích bằng phần mềm SPSS
4.3.2. Phân tích khám phá nhân tố
Phân tích khám phá nhân tố nhằm giúp rút gọn từ nhiều biến quan sát về ít biến hơn mà vẫn chứa đựng những thông tin chính của toàn bộ dữ liệu. Bởi vì phân tích nhân tố là kỹ thuật phân tích phụ thuộc lẫn nhau không có sự phân biệt giữa biến phụ thuộc và biến độc lập. Vì vậy nghiên cứu này tiến hành phân tích khám phá nhân tố với các biến quan sát thuộc biến độc lập cùng một lƣợt và các biến quan sát thuộc biến phụ thuộc riêng. Kết quả phân tích cho thấy nhƣ sau:
3.3.2.1. Kết quả phân tích khám phá nhân tố biến độc lập
Kết quả phân tích khám phá đối với các biến độc lập cho thấy hệ số KMO lớn hơn 0.5 (0.811), kiểm định Bartlett có p –value bằng 0.000 nhỏ hơn 0.05, phƣơng sai giải thích lớn hơn 50% (64.17%), hệ số factor loading của các biến quan sát đều lớn hơn 0.5, các biến quan sát hội tụ về tám nhân tố nhƣ mô hình lý thuyết (Bảng 4.10). Điều đó cho thấy với dữ liệu nghiên cứu sử dụng phƣơng pháp phân tích khám phá nhân tố là phù hợp
Bảng 4.10. Kết quả phân tích khám phá nhân tố biến độc lập
Biến quan sát Factor loading 1 2 4 5 T1 0.685 T3 0.622 T2 0.610 T4 0.595 T5 0.589
T6 0.566 R3 0.715 R1 0.696 R2 0.656 R4 0.629 G1 0.805 G2 0.774 G4 0.718 G3 0.701 S2 S1 0.789 S3 0.749 S4 0.711 S5 0.665 S2 0.603 L1 0.819 L2 0.813 L3 0.806 L4 0.604 Eigenvalue 8.747 2.637 1.977 1.646 1.362 KMO 0.811 p- value (Bartlett test) 0.000 Phƣơng sai giai thích 64.17
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS 4.3.2.2. Phân tích khám phá nhân tố biến phụ thuộc
Kết quả phân tích đối với biến phụ thuộc Sự hài lòng từ dữ liệu nghiên cứu cho thấy hệ số KMO lớn hơn 0.5 (0.714), kiểm định Bartlett’s có p – value nhỏ hơn 0.05 (0.000), giá trị eigenvalue lớn hơn 1, hệ số factor loading đều lớn hơn 0.5,
phƣơng sai giải thích lớn hơn 50% (67.51%), các biến quan sát hội tụ về một nhân tố duy nhất (bảng 4.10). Điều đó cho thấy sử dụng phân tích khám phá nhân tố là phù hợp, biến phụ thuộc Động lực làm việc là một thang đo đơn hƣớng.
Bảng 4.11. Kết quả phân tích khám phá nhân tố biến phụ thuộc
Biến quan sát Thành phần chính Động lực làm việc Y3 0.935 Y2 0.805 Y1 0.739 Y4 0.670 Eigenvalue 3.384 KMO 0.714
p-value (Bartlett test) 0.000
Phƣơng sai giải thích 67.51
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS
4.3.3. Phân tích tương quan, hồi quy và kiểm định các giả thuyết nghiên cứu
Về mặt lý thuyết các nhân tố trong mô hình đều có thể có ảnh hƣởng đến sự hài lòng của khách hàng về chất lƣợng dịch vụ logistics của Công ty TNHH Thông quan. Tuy nhiên trên thực tế có thể có những yếu tố không thực sự có ý nghĩa. Để kiểm chứng về mối quan hệ giữa các nhân tố với sự hiệu quả quản lý rủi ro ta sẽ thực hiện phân tích tƣơng quan để xem xét mối quan hệ giữa các biến độc lập. Để đánh giá mối quan hệ nhân quả ta sử dụng phân tích hồi quy bội, để chắc chắn cho các kết luận đƣa ra các bƣớc kiểm tra tính phù hợp của phƣơng pháp phân tích hồi quy bội cũng đƣợc thực hiện. Việc kiểm định các giả thuyết nghiên cứu đƣợc thực hiện ở mức tin cậy 90%. Kết quả phân tích từ dữ liệu nghiên cứu nhƣ sau:
4.3.3.1. Phân tích tương quan
Phân tích tƣơng quan là kỹ thuật phân tích cho biết mối quan hệ giữa các biến nghiên cứu với nhau. Nếu hệ số tƣơng quan khác 0 chứng tỏ các khái niệm nghiên cứu có mối liên hệ thực sự, hệ số tƣơng quan dƣơng phản ánh mối quan hệ và cùng chiều và tƣơng quan âm phản ánh mối quan hệ ngƣợc chiều. Kết quả phân tích từ dữ liệu nghiên cứu cho thấy biến phụ thuộc có tƣơng quan với tất cả các biến còn lại trong mô hình (nhỏ nhất với biến T, r =0.257**). Điều đó cho thấy giữa Sự
hài lòng và các yếu tố khác có mối quan hệ với nhau. Kết quả phân tích cũng cho thấy giữa các biến độc lập cũng có tƣơng quan với nhau, điều này gợi ý cần kiểm tra có thể xảy ra hiện tƣợng đa cộng tuyến khi phân tích hồi quy.
Bảng 4.12. Kết quả phân tích tƣơng quan giữa các biến nghiên cứu
T R G S L Y T Pearson Correlation 1 .524** .514** .519** .429** .257** Sig. (2-tailed) .004 .000 .000 .000 .001 N 109 109 109 109 109 109 R Pearson Correlation .524** 1 .603** .490** .443** .361** Sig. (2-tailed) .000 .002 .000 .000 .000 N 109 109 109 109 109 109 G Pearson Correlation .514** .603** 1 .472** .388** .278** Sig. (2-tailed) .007 .000 .000 .000 .001 N 109 109 109 109 109 109 S Pearson Correlation .519** .490** .472** 1 .323** .281** Sig. (2-tailed) .000 .000 .000 .012 .000 N 109 109 109 109 109 109 L Pearson Correlation .429** .443** .388** .323** 1 .424** Sig. (2-tailed) .000 .000 .000 .000 .000 N 109 109 109 109 109 109 Y Pearson Correlation .257** .361** .278** .281** .424** 1 Sig. (2-tailed) .000 .001 .000 .021 .000 N 109 109 109 109 109 109
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS 4.3.3.2. Phân tích hồi quy
Phân tích tƣơng quan chỉ cho biết giữa các biến có thể có mối quan hệ với nhau mà không cho biết mối quan hệ nhân quả giữa chúng. Về mặt lý thuyết ta biết rằng các nhân tố có ảnh hƣởng đến Sự hài lòng. Hay nói cách khác ta xem chúng nhƣ những biến nguyên nhân (biến độc lập) và Sự hài lòng là biến kết quả (biến phụ thuộc). Để kiểm tra quan hệ này ta sử dụng phân tích bằng hồi quy bội với phƣơng pháp tổng bình phƣơng nhỏ nhất OLS. Kết quả phân tích từ dữ liệu nghiên cứu nhƣ sau:
Bảng 4.13. Kết quả phân tích hồi quy đa biến Mô hình Hệ số chƣa chuẩn hóa Hệ số chuẩn hóa t p-value Thống kê đa cộng tuyến B Sai số
chuẩn Beta VIF
Hệ số chặn 0.112 0.374 1.996 0.047 T 0.201 0.065 0.189 1.073 0.085 1.728 R 0.111 0.070 0.104 2.459 0.015 1.899 G 0.121 0.082 0.116 4.242 0.000 1.798 S 0.087 0.069 0.073 1.700 0.091 1.576 L 0.162 0.049 0.148 1.542 0.000 1.266 R2 hiệu chỉnh 0.665 p-value (F test) 0.000 Biến phụ thuộc: Y
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS
Kết quả phân cho thấy p-value của kiểm định F bằng 0.000 nhỏ hơn 0.05, điều đó cho thấy có tối thiểu một biến nghiên cứu trong mô hình có ảnh hƣởng đến biến phụ thuộc (Y). Hệ số xác định R2 hiệu chỉnh bằng 0.673 cho thấy các biến độc lập giải thích đƣợc 67.3% sự thay đổi của biến phụ thuộc, 32.7% sự thay đổi của biến phụ thuộc chịu sự tác động của các nhân tố khác không đƣa vào mô hình. Phƣơng trình hồi quy biểu diễn quan hệ giữa các biến có thể đƣợc viết lại nhƣ sau:
Y = -0.112 + 0.189T + 0.104R + 0.116G + 0.073S + 0.148L
4.3.3.3. Kiểm định tính phù hợp của mô hình ước lượng
Do ta sử dụng phƣơng pháp tổng bình phƣơng nhỏ nhất (OLS) để ƣớc lƣợng phƣơng trình hồi quy. Do đó cần kiểm tra một số giả định để xem xét tính phù hợp của mô hình ƣớc lƣợng đƣợc. Dƣới đây là một số kiểm định về tính phù hợp của mô hình;
Kiểm định phần dư của biến phụ thuộc phân phối chuẩn: Trong phƣơng pháp OLS giả thiết dữ liệu biến phụ thuộc phải có phân phối chuẩn, nếu không ƣớc lƣợng là chệch và không hiệu quả. Để kiểm tra ta sử dụng đồ thị phân phối Histogram và đồ thị P – P Plot. Kết quả phân tích dữ liệu cho thấy đồ thị Histogram có dạng hình chuông đều, giá trị trung bình chuẩn hóa bằng 0, độ lệch chuẩn xấp xỉ
bằng 1 (0.984), đồ thị P – P Plot cũng cho thấy đƣờng quan sát và đƣờng dự báo rất gần nhau. Điều đó cho thấy dữ liệu có phân phối chuẩn, thỏa mãn điều kiện để phân tích bằng phƣơng pháp OLS.
Hình 4.2. Đồ thị phân phối của phần dƣ biến phụ thuộc
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS
Hình 4.3. Đồ thị P – P Plot
Kiểm tra mối quan hệ giữa các biến độc lập có qua hệ tuyến tính: Một trong những giả định của phƣơng pháp OLS là các biến độc lập trong mô hình không có quan hệ tuyến tính với nhau. Tức là một biến bất kỳ không thể biểu diễn thông qua các biến khác bằng một tổ hợp tuyến tính. Để kiểm tra quan hệ này ta sử dụng đồ thị phân tán (scatter) giữa phần dƣ chuẩn hóa quan sát và phần dƣ dự báo của biến phụ thuộc. Nếu chúng thể hiện một xu hƣớng tuyến tính (tăng hoặc giảm) thì trong mô hình có thể có hiện tƣợng các biến độc lập có quan hệ tuyến tính với nhau. Kết quả phân tích cho thấy phần dƣ dự đoán và phần dƣ quan sát chuẩn hóa không thể hiện một xu hƣớng nào cả (Hình 4.3). Do đó có thể xem nhƣ không có mối quan hệ tuyến tính giữa các biến độc lập.
Hình 4.3. Đồ thị phân tán phần dƣ chuẩn hóa và phần dƣ dự báo
Nguồn: Kết quả phân tích từ dữ liệu nghiên cứu bằng phẩn mềm SPSS Kiểm tra hiện tượng đa cộng tuyến: Đa cộng tuyến là hiện tƣợng thông tin của biến độc lập này đƣợc chứa đựng trong một biến khác dẫn đến thổi phồng các kết quả ƣớc lƣợng làm ƣớc lƣợng bị chệch, không vững. Để kiểm tra có hiện tƣợng đa cộng tuyến trong mô hình hay không ta sử dụng chỉ số nhân tử phóng đại phƣơng sai (VIF). Nếu VIF nhỏ hơn 10 có thể xem nhƣ đa cộng tuyến không ảnh hƣởng đến kết quả ƣớc lƣợng. Kết quả phân tích dữ liệu cho thấy hệ số VIF lớn nhất với biến R
có VIF là 1.899 nhỏ hơn 10. Do đó có thể kết luận không có hiện tƣợng đa cộng tuyến trong mô hình.
4.3.3.4. Kiểm định giả thuyết
Để kiểm định các giả thuyết nghiên cứu đặt ra trong mô hình nghiên cứu ta sử dụng thống kê t và giá trị p-value tƣơng ứng so sánh trực tiếp với giá trị 0.1 (mức ý nghĩa 10% hay mức tin cậy 90%)
Kiểm định giả thuyết 1:. Độ tin cậy có ảnh hƣởng tích cực tới sự hài lòng của khách hàng về chất lƣợng dịch vụ logistics của Công ty TNHH Thông quan. Điều này đồng nghĩa với việc kiểm định hệ số Beta của biến T dƣơng. Từ kết quả ƣớc lƣợng hồi quy ta thấy thống kê t có p –value bằng 0.085 nhỏ hơn 0.1. Do đó, ta chấp nhận giả thuyết 1.
Kiểm định giả thuyết 2: Tính đáp ứng của dịch vụ có ảnh hƣởng tích cực tới sự