CHƢƠNG 2 THIẾT KẾ VÀ PHƢƠNG PHÁP NGHIÊN CỨU
2.2. Phƣơng pháp nghiên cứu
2.2.3. Nghiên cứu chính thức
2.2.3.1. Phương pháp lập bảng hỏi
Số liệu đƣợc thu thập theo phƣơng pháp phỏng vấn trực tiếp khách hàng. Bảng hỏi đƣợc dựa trên mục tiêu nghiên cứu nhằm xác định dữ liệu cần tìm là các NTAH đến quyết định SDDV taxi Uber, Grab của khách hàng tại thành phố Hà Nội. Theo đó, các câu hỏi đƣợc đặt ra tƣơng ứng với từng nội dung cần nghiên cứu. Đề tài tiến hành xây dựng cấu trúc bảng hỏi bao gồm:
Phần mở đầu (Cam kết, giới thiệu mục đích, nội dung, nhấn mạnh tầm quan trọng của việc điều tra).
Phần chính (Các câu hỏi đƣợc sắp xếp theo trình tự hợp lý, logic theo các mục tiêu nghiên cứu).
Phần kết (Thông tin cơ bản về đối tƣợng điều tra và lời cảm ơn).
2.2.3.2. Xác định cỡ mẫu
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005) cho rằng cỡ mẫu (số quan sát) ít nhất phải bằng 4 hoặc 5 lần số biến quan sát trong bảng câu hỏi để kết quả điều tra có ý nghĩa. Trong phiếu khảo sát ý kiến khách hàng về đề tài “Nghiên cứu các NTAH đến quyết định SDDV taxi Uber, Grab trên địa bàn Hà Nội” với 28 biến quan sát.
Số mẫu cần điều tra (N) = số biến quan sát*5 = 28*5=140 (khách hàng).
Dựa trên kết quả nghiên cứu sơ bộ với tỷ lệ hồi đáp là 63.73%, số phiếu sử dụng đƣợc đạt 49.02%, do đó trong nghiên cứu chính thức tác giả dự kiến để đạt đƣợc cỡ mẫu đảm bảo độ tin cậy với tỷ lệ hồi đáp và số phiếu sử dụng đƣợc nhƣ kết quả nghiên cứu sơ bộ, số phiếu phát ra là 286 phiếu. Tác giả dự kiến khảo sát trong vòng 10 ngày với phƣơng pháp phỏng vấn trực tiếp.
2.2.3.3. Phương pháp chọn mẫu
Đối tƣợng điều tra thƣờng rất đa dạng về độ tuổi, giới tính, nghề nghiệp, thu nhập,... nên việc xác định tổng thể là khó khăn. Do đó, tôi tiến hành phƣơng pháp chọn mẫu thực địa giả định ngẫu nhiên.
Phƣơng pháp này đƣợc thực hiện thông qua 3 giai đoạn: Bƣớc 1: Xác định địa bàn điều tra và ƣớc lƣợng tổng thể.
Để mẫu mang tính đại diện cho tổng thể và thuận lợi cho việc điều tra phỏng vấn khách hàng, tác giả quyết định chọn 5 địa điểm và sử dụng phƣơng pháp chọn mẫu ngẫu nhiên phân tầng tỷ lệ theo tiêu thức khu vực tƣơng ứng với 5 địa điểm nhƣ sau:
Bảng 2.3. Ƣớc lƣợng số mẫu dự kiến tại mỗi địa điểm phỏng vấn khách hàng trên địa bàn Hà Nội
Địa điểm phỏng vấn Ƣớc lƣợng số khách hàng/ ngày Số khách hàng điều tra/ ngày Số ngày điều tra Số khách hàng cần điều tra tại mỗi địa điểm
Sân bay nội bài 200 40 3 120
Trƣờng đại học Kinh tế - ĐHQGHN 100 25 2 50
Bến xe Mỹ Đình 100 25 2 50
Đƣờng đi bộ ở phố cổ 50 20 1 20
Bệnh viện Việt Đức 60 23 2 46
(Nguồn: Tác giả tổng hợp)
Bƣớc 2: Xác định thời gian và địa điểm điều tra.
Ngƣời điều tra lần lƣợt đến phỏng vấn khách hàng tại 5 địa điểm trên trong vòng 10 ngày. Ngƣời điều tra đến các địa điểm trên vào ban ngày và chọn thời gian thích hợp (lúc ngƣời đƣợc phỏng vấn rảnh rỗi) để tiến hành điều tra. Sau khi đã xác định đƣợc khách hàng nào đã sử dụng xe taxi Uber, Grab, ngƣời điều tra sẽ phỏng vấn những khách hàng đồng ý phỏng vấn. Trƣờng hợp có khách hàng từ chối hoặc bị trùng lặp với ngƣời đã đƣợc điều tra trƣớc đó, ngƣời phỏng vấn sẽ bỏ qua và thu thập thông tin của khách hàng tiếp theo.
Bƣớc 3: Tiến hành điều tra.
2.2.3.4. Thang đo
Đề tài sử dụng thang đo Likert 5 mức độ (từ 1 đến 5 tƣơng ứng 1 - hoàn toàn đồng ý, 2 - đồng ý, 3 - trung lập, 4 - không đồng ý, 5 - hoàn toàn không đồng ý).
2.2.3.5. Phương pháp phân tích và xử lý dữ liệu`
Sử dụng phần mềm SPSS Statistics 22.0 để phân tích và xử lý số liệu Các kiểm định:
-Thống kê mô tả
Thông tin sau khi đƣợc thu thập sẽ đƣợc phân loại theo những tiêu chí cụ thể: Phƣơng pháp xử lý dữ liệu sơ cấp
- Sau tiến hành phỏng vấn cần phân loại các thông tin thu đƣợc theo từng mục nội dung.
- Kiểm chứng độ tin cậy của thông tin.
- Xem xét độ hợp lệ của thông tin đối với nghiên cứu. Phƣơng pháp xử lý dữ liệu thứ cấp
Sau khi thu thập các tài liệu thứ cấp cần tiến hành phân loại theo các dạng: - Tài liệu cung cấp các cơ sở lý thuyết
- Tài liệu có tính chiến lƣợc.
- Tài liệu báo cáo kế hoạch ngắn hạn, trung hạn, dài hạn.
Việc phân loại sẽ giúp đƣa ra những nội dung cơ bản của từng loại tài liệu để làm căn cứ phân tích.
-Phân tích nhân tố khám phá EFA của biến độc lập và biến phụ thuộc Từ những dữ liệu thu thập đƣợc, tác giả tiến hành phân tích để đƣa ra các nhận xét, kết luận về vấn đề nghiên cứu. Tác giả sử dụng phần mềm để tính toán các số liệu thu thập đƣợc. Trên cơ sở đó, tác giả thực hiện:
Đƣa ra các đánh giá tổng quát, đánh giá chung với các thống kê, mô tả. Đƣa ra các biểu đồ, đồ thị, hình vẽ minh họa dựa trên số liệu thu thập đƣợc. Tìm hiểu mối liên hệ giữa các đại lƣợng để đƣa ra những đánh giá sâu
- Phương pháp so sánh
So sánh kết quả kinh doanh, tình hình tổ chức, hoạt động qua các năm nhằm rút ra đặc điểm xu hƣớng, từ đó phân tích nguyên nhân vấn đề.
So sánh đánh giá của những đối tƣợng tham gia khảo sát về thực trạng công tác tạo động lực giữa các cá nhân, các bộ phận để rút ra điểm mạnh, điểm yếu, những vấn đề còn tồn tại.
- Phương pháp tổng hợp
Là phƣơng pháp liên quan tới việc tổng kết những khía cạnh, những bộ phận thông tin đã thu thập đƣợc, trên cơ sở lý luận, hình thành một hệ thống đầy đủ, sâu sắc về vấn đề nghiên cứu: Bổ sung tài liệu: sau khi phân tích phát hiện thiếu hoặc sai lệch; Lựa chọn tài liệu cần thiết đủ để xây dựng luận cứ; Giải thích quy luật. Kết quả thu đƣợc từ các hoạt động thống kê, phân tích, so sánh sẽ đƣợc lên kết lại, tạo nên cái nhìn tổng quát về công tác tạo động lực tại đơn vị nghiên cứu.
-Hệ số tin cậy Cronbach’s Alpha
-Phân tích tƣơng quan và hồi quy hồi quy tuyến tính
Phân tích nhân tố khám phá Explore Factor Analysis (EFA): Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng tìm mối liên hệ giữa các biến với nhau. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét và trình bày dƣới dạng một số ít các nhân tố cơ bản.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của các nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 và giá trị Sig nhỏ hơn 0,05 thì phân tích này mới thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Có hai cách để tiến hành phân tích nhân tố. Một là nhân tố đƣợc xác định từ trƣớc dựa vào ý đồ của nhà nghiên cứu và kết quả của cuộc nghiên cứu trƣớc. Nhà nghiên cứu xác định số nhân tố ở ô Number Of Factors. Hai là nhân tố với giá trị
Eigenvalue lớn hơn 1, điều này có nghĩa là chỉ những nhân tố đƣợc trích ra có hệ số Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Compoment matrix) hay ma trận nhân tố khi các nhân tố đƣợc xoay (Rotated compoment matrix). Ma trận nhân tố chứa các hệ số biểu diễn các tiêu chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Trong các hệ số tải nhân tố (Factor loading) biểu diễn tƣơng quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau.
Đề tài áp dụng các điều kiện:
-Điều kiện 1: KMO ≥ 0,5 và Barlet có Sig ≤ 0,05
-Điều kiện 2: Eigenvalue > 1 và Tổng phƣơng sai trích ≥ 50% -Điều kiện 3: Rotated Matix có hệ số tải (Factor loading) ≥ 0,5
Phƣơng pháp đánh giá độ tin cậy của thang đo Cronbach „s Alpha: Trƣớc khi
đƣa vào phân tích hay kiểm định thì tiến hành kiểm tra độ tin cậy của thang đo
Cronbach‟s Alpha. Hệ số Cronbach’s Alpha cho biết mức độ tƣơng quan giữa các biến
trong bảng hỏi, để tính sự thay đổi của từng biến và mối tƣơng quan giữa các biến.
Theo nhiều nhà nghiên cứu, mức độ đánh giá các biến thông qua hệ số Cronbach’s Alpha đƣợc đƣa ra nhƣ sau:
Những biến có hệ số tƣơng quan biến tổng (Corrected Item Total Correlation) lớn hơn 0,3 và có hệ số Cronbach’s Alpha lớn hơn 0,6 sẽ đƣợc chấp nhận và đƣa vào những bƣớc phân tích xử lí tiếp theo. Cụ thể là:
Hệ số Cronbach’s Alpha lớn hơn 0,8: là hệ số tƣơng quan cao Hệ số Cronbach’s Alpha từ 0,7 đến 0,8: chấp nhận đƣợc
Hệ số Cronbach’s Alpha từ 0,6 đến 0,7: chấp nhận đƣợc nếu thang đo mới Theo đó những biến có hệ số tƣơng quan biến tổng (Item Total Correlation) nhỏ hơn 0,3 là những biến không phù hợp hay những biến rác sẽ bị loại bỏ khỏi mô hình.
Đề tài áp dụng hệ số Cronbach’s Alpha lớn hơn 0,6 và hệ số tƣơng quan biến tổng (Item Total Correlation) lớn hơn 0,3.
Phân tích hồi quy tuyến tính: Nhằm tìm ra mối quan hệ giữa các biến độc
Phân tích hồi quy đa biến: Y = α + β1X1i + β2X2i + …. + βnXni + εi Trong đó: Y là biến phụ thuộc X là biến độc lập α, β là các hệ số
ε là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phƣơng sai không đổi σ2.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2007), hệ số Tolerance lớn hơn 0,1 và VIF < 10 thì không xảy ra hiện tƣợng đa cộng tuyến.
Mức độ phù hợp của mô hình hồi quy đƣợc đánh giá thông qua hệ số R2 điều chỉnh.
Kiểm định ANOVA đƣợc sử dụng để kiểm định độ phù hợp của mô hình hồi quy tƣơng quan, tức là có hay không mối quan hệ giữa các biến độc lập và biến phụ thuộc.
Cặp giả thiết:
H0: không có mối quan hệ giữa các biến độc lập và các biến phụ thuộc H1: tồn tại mối quan hệ giữa các biến độc lập và các biến phụ thuộc Mức ý nghĩa kiểm định là α = 0,05 Nguyên tắc chấp nhận giả thiết:
Nếu Sig < 0,05: bác bỏ giả thiết H0 Nếu Sig ≥ 0,05: chấp nhận giả thiết H0
Kiểm định One samples T-Test cho phép so sánh giá trị trung bình của tổng thể với một giá trị cụ thể nào đó.
Giả thiết H0: Giá trị trung bình của tổng thể bằng với giá trị kiểm định µ=u0. Giả thiết H1: Giá trị trung bình của tổng thể khác với giá trị kiểm định µ≠u0.
CHƢƠNG 3. THỰC TRẠNG NHÂN TỐ ẢNH HƢỞNG ĐẾN QUYẾT ĐỊNH SỬ DỤNG DỊCH VỤ TAXI UBER, GRAB TRÊN ĐỊA BÀN HÀ NỘI