Mẫu nghiên cứu là các khách hàng cá nhân sử dụng tất cả các dịch vụ tại Ngân hàng TMCP Đầu tư và phát triển BIDV Chi nhánh Nam Đồng Nai.
3.4.2 Cỡ mẫu
Việc xác định kích thước mẫu phụ thuộc vào phương pháp phân tích dữ liệu. Đối với nghiên cứu này tác giả có sử dụng phân tích nhân tố khám phá EFA. Phân tích nhân tố cần tối thiểu 200 mẫu quan sát đưa vào phân tích (Gorsuch, 1983). Còn theo nhà nghiên cứu Hair và cộng sự (1998) thì số lượng mẫu tối thiểu đủ điều kiện đưa vào nghiên cứu phải gấp 05 lần số biến quan sát. Cùng chung quan điểm với nhà nghiên cứu Hair, tác giả Nguyễn Đình Thọ (2014) với kinh nghiệm của mình thì cho rằng số lượng mẫu cần tối thiểu là gấp 05 lần số biến và để kết quả nghiên cứu tốt nhất là gấp 10 lần. Trong nghiên cứu này với 26 biến quan sát thì số lượng mẫu tối thiểu cần thiết là 26 x 5 = 130 khảo sát. Đối với phân tích hồi quy đa biến cỡ mẫu tối thiểu cần đạt cho một nghiên cứu là 50 + 8 x m (trong đó: m là số biến độc lập) (tabachnick & fidell, 2007). Trong bài ta có m = 5, nên bài nghiên cứu này cần có tối thiểu 90 cỡ mẫu và 130 khảo sát.
3.4.3 Phƣơng pháp ấ mẫu
Phương pháp lấy mẫu thuận tiện được tác giả áp dụng cho nghiên cứu này là thiết kế bảng câu hỏi, mỗi câu hỏi dựa trên thang đo Likert gồm 5 cấp độ. Phương pháp thu thập dữ liệu bằng việc điều tra trực tiếp, bảng câu hỏi, phát phiếu khảo sát tại quầy và gửi mail đến danh sách khách hàng hiện đang giao dịch, sau đó thu lại kết quả và tổng hợp lại. Cuộc khảo sát được thực hiện từ tháng 02/2021 đến tháng 04/2021. Sau 02 tháng thu thập dữ liệu, tác giả sẽ chọn ra các mẫu thích hợp nhập vào chương trình SPSS 22.0 và phân tích kết quả dữ liệu.
3.5 Phân tích dữ i u
3.5.1 Kiểm ịnh ộ tin cậ c a thang o bằng H số Cronbach’s A pha.
Đánh giá hệ số tin cậy Cronbach’s Alpha: Phương pháp này nhằm mục đích tìm ra những biến quan sát có ý nghĩa cần giữ lại và những biến quan sát không có ý nghĩa cần loại bỏ trong các mục đưa vào kiểm tra. Việc này giúp loại ra những biến quan sát, những thang đo không đạt để tăng độ tin cậy của thang đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số Cronbach’s Alpha có giá trị dao động trong khoảng [0; 1]. Thang đo sẽ được lựa chọn khi hệ số Cronbach’s Alpha ≥ 0,6 (Perterson, 1994), nếu giá trị của Cronbach’s Alpha > 0,8 thì thang đo lường rất tốt; nếu từ mức 0,7 – 0,8 thì thang đo lường tốt. Tuy nhiên hệ số Cronbach’s Alpha < 0,6 có thể sử dụng trong trường hợp “khái niệm đang đo lường là mới hoặc mới đối với người trả lời câu hỏi trong bối cảnh nghiên cứu” (Nunnally và cộng sự, 1994; Slater F., 1995; Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Về mặt lý thuyết hệ số thang đo càng cao thì càng thể hiện mức độ liên kết giữa các biến để đo lường càng cao, nhưng trên thực tế nghiên cứu nếu hệ số Cronbach’s Alpha quá lớn (từ 0.95 đến 1) cho thấy có nhiều biến trong thang đo không có gì khác biệt (đây gọi là hiện tượng trùng lắp trong thang đo).
Ngoài ra, chúng ta cũng cần xét đến “các biến quan sát có hệ số tương quan biến tổng” (Corrected Item - Total Correlation): hệ số tương quan biến - tổng lớn hơn 0,3 được cho là phù hợp còn những biến có hệ số nhỏ hơn 0,3 được cho là không phù hợp và sẽ bị loại bỏ để tăng độ tin cậy của thang đo. Bên cạnh đó, chỉ số
Cronbach's Alpha if Item Deleted biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét, ví dụ trong trường hợp hệ số Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach's Alpha (từ 6 đến <0,7) mà hệ số tương quan biến- tổng >0,3 thì chúng ta nên bỏ biến đang xem xét để tăng Cronbach's Alpha. Tuy nhiên khi loại biến chúng ta cũng nên xem xét đến giá trị nội dung của biến, nếu nội dung của biến có ý nghĩa nghiên cứu thì không nên loại biến.
3.5.2 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố được sử dụng nhằm đánh giá giá trị phân biệt và giá trị hội tụ. Phương pháp này rất hữu ích để xác định tập hợp biến cần thiết và được sử dụng để tìm mối quan hệ giữa các biến với nhau trong đề tài. Trong phân tích nhân tố khám phá EFA, các nhà nghiên cứu chủ yếu tập trung quan tâm đến một số tiêu chí bao gồm:
Chỉ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy): kết quả của chỉ số này cho thấy sự thích hợp của từng nhân tố. Chỉ số của KMO được xem là phù hợp nếu thỏa mãn 0,5 ≤ KMO ≤ 1 là điều kiện đủ. Trường hợp chỉ số KMO nhỏ hơn 0,5, phân tích nhân tố có thể không thích hợp với các dữ liệu đề tài đưa ra (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlett’s (Bartlett's Test of Sphericity): là kiểm định thống kê dùng để xem xét giả thuyết các biến không có mối quan hệ tương quan trong tổng thể, tức là cần kiểm định mối tương quan của các biến với nhau. “Giả thuyết H0: các biến không có tương quan với nhau trong tổng thể. Nếu giả thuyết H0 không được bác bỏ thì phân tích nhân tố có thể không thích hợp. Nếu kiểm định này có ý nghĩa (sig. ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể” (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tải nhân tố (Factor loadings): là những hệ số chỉ ra sự tương quan đơn giữa các biến và các nhân tố, hệ số càng cao thì tương quan giữa các biến đó càng lớn và ngược lại. Tuy nhiên, chúng ta nên xét đến sự phù hợp với từng kích thước mẫu: kích thước mẫu là ≥ 350 nên lấy tiêu chuẩn hệ số tải nhân là 0,3; kích thước mẫu từ 120 đến dưới 350 tương ứng với hệ số tải nhân 0,5; kích thước mẫu từ 50 tương ứng với hệ số tải nhân 0,75…(Hair và cộng sự, 1998).
Phần trăm phương sai toàn bộ (Percentage of variance): Nếu tổng phương sai trích lớn hơn 50%, thì thang đo được chấp nhận (Gerbing và Anderson, 1988).
Tác giả sử dụng phương pháp trích “Principal Component Analysis” trong phân tích nhân tố thang đo các thành phần độc lập. Trong đó, hệ số eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) > 1.
3.5.3 Phân tích tƣơng quan Pearson
Sau khi phân tích EFA và kiểm định độ tin cậy của các thang đo, các thang đo đạt yêu cầu được xác định giá trị trung bình và các biến kiểm soát được mã hóa để tiến hành phân tích tương quan. Trong nghiên cứu này, hệ số tương quan Pearson (r) để kiểm tra mối quan hệ tuyến tính giữa các nhân tố. Nếu hệ số tương quan giữa các biến phụ thuộc và biến độc lập lớn chứng tỏ chúng có quan hệ với nhau và có thể phù hợp để phân tích hồi quy tuyến tính. Giá trị tuyệt đối của r cho ta biết mức độ chặt chẽ của mối quan hệ tuyến tính. Giá trị tuyệt đối của r càng gần 1 thì hai biến có mối tương quan càng chặt chẽ và ngược lại (Hoàng Trọng và Chu nguyễn Mộng Ngọc, 2008).
3.5.4 Phân tích hồi qu tu n tính bội
Sau khi phân tích độ tin cậy thang đo bằng hệ số Cronbach’s Alpha, phân tích EFA và tương quan Pearson, khi đó tạm kết luận rằng các nhân tố đưa vào mô hình với các nhóm biến quan sát là phù hợp. Mối quan hệ nhân quả của biến độc lập và biến phụ thuộc được kiểm chứng bằng mô hình hồi quy tuyến tính với một biến Y là biến phụ thuộc và các biến X là các biến độc lập, trong đó giả định X gây ra Y và ước lượng biến Y dựa trên cơ sở đã biết các biến X (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Từ đó phân tích hồi quy tuyến tính giúp xác định được mối liên hệ của các biến độc lập với biến phụ thuộc trong phạm vi giả định được nêu với mô hình hồi quy có dạng: Yi = β0 + β1X1i + β2X2i + …+ βpXpi + ei
Với: Yi: Biến phụ thuộc; βp: Hệ số hồi quy riêng phần; Xpi: Giá trị của biến độc lập thứ p tại quan sát thứ i; ei: Biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình bằng 0 và phương sai σ2 không đổi.
Phân tích tham số R2 (R Square) và R2 hiệu chỉnh (Adjusted R Square) để đo lường sự phù hợp của mô hình nghiên cứu. Giá trị R2 và R2 hiệu chỉnh dao động từ 0 đến 1, nhưng giá trị R2 phụ thuộc vào số lượng biến trong mô hình, vì trong mỗi mô hình đều có phần dư, chúng ta cần nhiều biến phần dư càng nhỏ, trong khi hệ số Total Sum of Squares không đổi, dẫn tới R2 luôn tăng. Khi đó R2 hiệu chỉnh lại không bị phụ thuộc vào sự tăng giảm số lượng biến trong mô hình. Nên R2 hiệu
chỉnh phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc tốt hơn R2, nếu giá trị R2 hiệu chỉnh càng gần 1 thì mô hình đã xây dựng càng phù hợp với bộ dữ liệu dùng để chạy hồi quy, nếu giá trị R2 hiệu chỉnh càng càng gần 0 thì mô hình đã xây dựng càng kém phù hợp với bộ dữ liệu chạy hồi quy (Nguyễn Đình Thọ, 2014).
Kiểm định F(F – value) là để kiểm tra xem mô hình hồi quy tuyến tính có suy rộng và áp dụng cho tổng thể hay không. Nếu giá trị Sig.của kiểm định F < 0,05, mô hình xây dựng phù hợp với tổng thể nghiên cứu, giá trị F thể hiện trong bảng ANOVA.
Bên cạnh đó, việc đánh giá sự tồn tại của mô hình thông qua Giá trị của Sig. (P-value). P-value được gọi là mức ý nghĩa quan sát, là xác suất mắc sai lầm loại 1 tối đa khi bác bỏ giả thuyết H0 với tập dữ liệu mẫu đang quan sát. Thông thường, giá trị Sig. < 0,05 thì mô hình tồn tại.
Kiểm định t: dùng để kiểm định ý nghĩa của các hệ số hồi quy thể hiện qua giá trị Sig. Nếu giá trị sig. kiểm định t trong hệ số hồi quy của một biến độc lập < 0,05 ta kết luận rằng biến độc lập đó có tác động đến biến phụ thuộc.
3.5.5 Kiểm ịnh các giả ịnh hồi quy
Kiểm tra vi phạm giả định liên hệ tuyến tính: Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa giúp ta xác định dữ liệu hiện tại có vi phạm giả định lên hệ tuyến tính hay không. Nếu phần dư chuẩn hóa phân bổ tập xung quanh đường hoành độ 0, giả định quan hệ tuyến tính không bị vi phạm.
Kiểm định thống kê Durbin – Watson (DW): là kiểm định dùng để kiểm tra “hiện tượng tự tương quan chuỗi bậc nhất”. DW thuộc khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2; nếu giá trị càng nhỏ, tiến về 0 thì các phần sai số có tương quan thuận; trường hợp càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch. Sẽ không xảy ra hiện tượng tự tương quan nếu giá trị DW nằm trong khoảng 1,5 – 2,5 (Yahua Qiao, 2011).
Hệ số phóng đại phương sai VIF (Variance inflation factor): dùng để kiểm tra hiện tượng đa cộng tuyến. Nếu VIF > 10: đang có đa cộng tuyến xảy ra với biến độc lập, “khi đó biến này sẽ không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy” (Nguyễn Đình Thọ, 2014).
SƠ KẾT CHƢƠNG 3
Trong chương này, để đánh giá các nhân tố ảnh hưởng đến chất lượng dịch vụ khách hàng cá nhân tại BIDV Chi nhánh Nam Đồng nai, tác giả đã trình bày chi tiết về quy trình nghiên cứu, phương pháp nghiên cứu. Theo đó, bài nghiên cứu được thực hiện kết hợp 02 phương pháp:
hương ph p định tính: bao gồm định tính sơ bộ thông qua việc xin ý kiến chuyên gia để điều chỉnh thang đo và bảng câu hỏi cho phù hợp với nghiên cứu.
hương ph p định lượng: tác giả tiến hành khảo sát bằng bảng hỏi để thu thập dữ liệu mẫu bằng phương pháp xác định cỡ mẫu và thu thập, xử lý số liệu cùng với phương pháp phân tích dữ liệu cho nghiên cứu. Số liệu khảo sát được xử lý bằng phần mềm SPSS 22.0, sau đó tác giả sẽ tiến hành trải qua các bước kiểm định hệ số tin cậy Cronbach’s Alpha ở chương tiếp theo, phân tích dữ liệu nhân tố khám phá EFA, phân tích hồi quy tuyến tính.
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.1 Tổng quan về Ngân hàng TMCP Đầu tƣ và phát triển Vi t Nam
4.1.1 Lịch sử hình thành và phát triển Ngân hàng TMCP Đầu tƣ và phát triển Vi t Nam
Tên đầy đủ: Ngân hàng TMCP Đầu Tư và Phát Triển Việt Nam.
Tên giao dịch quốc tế: Bank for Investment and Development of Vietnam. Tên viết tắt: BIDV
Ngân hàng TMCP Đầu tư và Phát triển Việt Nam được thành lập ngày 26/04/1957 với tên gọi ban đầu là Ngân hàng Kiến thiết Việt Nam. Sau hơn 64 năm và 2 lần đổi tên, BIDV chính thức được mang tên Ngân hàng TMCP Đầu tư và Phát triển Việt Nam từ ngày 27/04/2012.
Trải qua hơn 64 năm hình thành và phát triển, hòa mình trong dòng chảy của dân tộc, BIDV đã góp phần vào việc khôi phục, phục hồi kinh tế sau chiến tranh và trở thành một trong những ngân hàng tốt nhất tại Việt Nam. Hiện nay, BIDV đã phát triển mạng lưới truyền thống và hiện đại rộng khắp, phủ kín 63 tỉnh thành phố trong cả nước với 190 CN, 871 điểm mạng lưới, và trên 25.000 cán bộ.
Trong nhiều năm qua, BIDV được cộng đồng trong nước và quốc tế biết đến và ghi nhận như là một trong những thương hiệu ngân hàng lớn nhất Việt Nam với độ phủ sóng không chỉ ở trong nước mà còn nhiều nước trên thế giới khi mạnh dạn mở thêm nhiều Chi nhánh tại các quốc gia như: Lào, Campuchia, Myanmar, Cộng hòa Séc, Cộng hòa LB Nga và Đài Loan...
Lĩnh vực hoạt động kinh doanh của BIDV Nam Đồng Nai: Ngân hàng, bảo hiểm, chứng khoán, đầu tư tài chính…
4.1.2 Giới thi u về BIDV Nam Đồng Nai
BIDV Nam Đồng Nai tiền thân là PGD Long Bình Tân trực thuộc BIDV Đồng Nai. Ngày 01/01/2011, BIDV Nam Đồng Nai chính thức đi vào hoạt động theo Giấy đăng ký Doanh Nghiệp số 0100150619-117 ngày 16/12/2010 do Sở Kế hoạch
và Đầu tư Tỉnh Đồng Nai cấp. BIDV Nam Đồng Nai có địa chỉ tại: Lô F1, KP.1, Long Bình Tân, Biên Hòa, Đồng Nai. BIDV Nam Đồng Nai hoạt động như một Chi nhánh độc lập trên địa bàn tỉnh Đồng Nai và trực thuộc TSC. BIDV Nam Đồng Nai cung cấp đầy đủ và đa dạng các sản phẩm dịch vụ tiền gửi và tín dụng cho các KH cá nhân và KH là các tổ chức kinh tế nhằm đáp ứng các nhu cầu về vốn của KH kịp thời và thu lợi nhuận.
Trải qua quá trình hơn 11 năm, BIDV Nam Đồng Nai ngày càng từng bước hoàn thiện và phát triển, tính đến hiện tại đã trở thành một trong những Chi nhánh xuất sắc trong hệ thống khi nhiều năm hoàn thành tốt nhiệm vụ được giao, khẳng định vị trí của mình trên địa bàn tỉnh Đồng Nai và nhận được sự tin yêu, đồng hành và phát triển của quý KH.
4.1.3 Cơ cấu tổ chức BIDV Nam Đồng Nai
BIDV Nam Đồng Nai có mô hình tổ chức 9 phòng, biên chế 90 cán bộ, tuổi đời bình quân 32,3 thấp hơn bình quân toàn hệ thống, số lượng Nam: 42 chiếm 46%, số lượng Nữ: 48 chiếm 54%, có 32 đảng viên. Dưới đây là sơ đồ cơ cấu tổ chức của BIDV Nam Đồng Nai và chức năng nhiệm vụ của từng bộ phận.
Hình 4. 1: Sơ đồ tổ chức tại BIDV Nam Đồng Nai
(Nguồn hòng Qu n lý nội bộ BIDV Na Đồng Nai)
a) Chức năng nhiệm vụ của Ban giám đốc
Giám đốc là người điều hành tất cả các hoạt động của đơn vị theo chức năng, nhiệm vụ và phạm vị hoạt động của đơn vị. Phó giám đốc có trách nhiệm hỗ trợ cùng Giám đốc trong việc tổ chức điều hành mọi hoạt động chung của toàn bộ Chi