Các nhân tố ảnh hưởng tới ý định sử dụng dữ liệu lớn (Big Data) đối với các doanh nghiệp logistics Việt Nam

TS. Đỗ Thị Hải

Viện Kinh tế Việt Nam và thế giới

Email: Beansea11@gmail.com

Tóm tắt

Nghiên cứu nhằm nhận diện và đo lường mức độ tác động của các nhân tố đến ý định sử dụng dữ liệu lớn (Big Data) của các doanh nghiệp logistics tại Việt Nam. Dữ liệu thu thập từ 150 phiếu khảo sát hợp lệ từ các doanh nghiệp logistics và phân tích hồi quy tuyến tính bằng phần mềm SPSS 26. Kết quả cho thấy, cả 6 nhân tố đều có tác động tích cực và có ý nghĩa thống kê đến Ý định sử dụng Big Data, bao gồm: Hạ tầng công nghệ, Tài chính, Nhân lực, Chất lượng dữ liệu, Chính phủ và Thị trường. Trên cơ sở đó, nghiên cứu đề xuất một số hàm ý quản trị về hoàn thiện hạ tầng, hỗ trợ tài chính, nâng cao chất lượng nhân lực, chuẩn hóa dữ liệu, thể chế chính sách và phát triển thị trường nhằm thúc đẩy ứng dụng dữ liệu lớn trong ngành logistics Việt Nam.

Từ khoá: Dữ liệu lớn (Big Data), ý định sử dụng, doanh nghiệp logistics, khung lý thuyết TOE, Việt Nam

Abstract

This study aims to identify and measure the effects of factors influencing the intention to use Big Data among logistics enterprises in Viet Nam. Data were collected from 150 valid survey responses from logistics enterprises and analyzed using linear regression with SPSS 26. The results show that all six factors have positive and statistically significant effects on the Intention to Use Big Data, including Technology Infrastructure, Finance, Human Resources, Data Quality, Government, and Market. Based on these findings, the study proposes several managerial implications for infrastructure improvement, financial support, human resource development, data standardization, institutional and policy enhancement, and market development to promote the adoption of Big Data in Viet Nam's logistics industry.

Keywords: Big Data, intention to use, logistics enterprises, TOE framework, Viet Nam

GIỚI THIỆU

Theo báo cáo của Mordor Intelligence (2023), thị trường Big Data toàn cầu dự kiến đạt 273,4 tỷ USD vào năm 2026 với tốc độ tăng trưởng kép hàng năm (CAGR) 11,1% trong giai đoạn 2021-2026. Đặc biệt, lĩnh vực logistics và chuỗi cung ứng chiếm tới 30% tổng chi tiêu cho Big Data trên toàn cầu, nhấn mạnh vai trò quan trọng của công nghệ này trong việc nâng cao năng lực cạnh tranh và giảm thiểu chi phí vận hành.

Hiện xu hướng ứng dụng công nghệ này vào logistics đang ngày càng phổ biến bởi những lợi ích mà nó mang lại giúp doanh nghiệp tối ưu hóa chuỗi cung ứng nhằm đạt được các mục tiêu kinh doanh. Tuy vậy, việc ứng dụng nó đòi hỏi sự phối hợp của nhiều nhân tố khác nhau. Các nghiên cứu trên thế giới đã chỉ ra rằng, quyết định ứng dụng công nghệ mới chịu sự chi phối mạnh mẽ từ Hạ tầng công nghệ (Bakshi, 2012), Nhân lực (Preston và cộng sự, 2020; Corallo và cộng sự, 2023), Tài chính (Maduku và cộng sự, 2016; Raut và cộng sự, 2021), Chính phủ (Raut và cộng sự, 2019; Wahab và cộng sự, 2018; Lai và cộng sự, 2018), Thị trường (Wahab và cộng sự, 2018; Wamba và cộng sự, 2017; Chen và cộng sự, 2015) và Chất lượng dữ liệu (Pipino và cộng sự, 2002).

Tại Việt Nam, một số công trình đã nghiên cứu trực tiếp về ý định sử dụng Big Data, đưa ra các yếu tố ảnh hưởng tới ý định sử dụng Big Data theo nhiều chiều cạnh khác nhau (Nguyễn Thị Thọ Hằng và Đinh Quốc Bảo, 2021; Vũ Thị Thanh Hương và Nguyễn Huy Khang, 2023).

Nghiên cứu này được thực hiện nhằm nhận diện, đo lường và so sánh mức độ tác động của các nhân tố ảnh hưởng tới ý định sử dụng Big Data đối với các doanh nghiệp logistics Việt Nam. Kết quả nghiên cứu không chỉ góp phần bổ sung hệ thống luận cứ khoa học về sự tiếp nhận công nghệ nâng cao trong bối cảnh các nền kinh tế đang phát triển, mà còn cung cấp những hàm ý quản trị thực tiễn giúp các nhà lãnh đạo doanh nghiệp tối ưu hóa nguồn lực và hỗ trợ các cơ quan quản lý nhà nước hoàn thiện chính sách thúc đẩy chuyển đổi số quốc gia.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu áp dụng Khung lý thuyết TOE của Tornatzky và Fleischer (1990) - một khung lý thuyết phổ biến và hiệu quả trong giải thích việc tiếp nhận các đổi mới công nghệ ở cấp độ tổ chức. Khung TOE phân chia các yếu tố ảnh hưởng thành 3 nhóm chính: nhóm nhân tố về Công nghệ (Technology) gồm đặc tính của các công nghệ hiện có và công nghệ mới; nhóm nhân tố về Tổ chức (Organization) gồm: nguồn lực, quy mô, năng lực tài chính và nhân sự của doanh nghiệp; nhóm nhân tố về Môi trường (Environment) gồm: đặc trưng của ngành và cấu trúc thị trường, sự hỗ trợ và các quy định của chính phủ...

Mô hình và giả thuyết nghiên cứu

Dựa trên cơ sở lý thuyết, tác giả đề xuất mô hình nghiên cứu các nhân tố ảnh hưởng tới ý định sử dụng Big Data đối với các doanh nghiệp logistics Việt Nam như Hình.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Từ mô hình nghiên cứu, các giả thuyết được đề xuất như sau:

H1: Hạ tầng công nghệ có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

H2: Nhân lực có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

H3: Tài chính có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

H4: Chính phủ có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

H5: Thị trường có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

H6: Chất lượng dữ liệu có ảnh hưởng tích cực đến Ý định sử dụng Big Data của doanh nghiệp logistics Việt Nam.

Phương pháp nghiên cứu

Nghiên cứu vận dụng phương pháp nghiên cứu định lượng thông qua gửi bảng câu hỏi đến các doanh nghiệp logistics. Dữ liệu thu thập từ phương pháp khảo sát được thực hiện bằng cách gửi phiếu khảo sát online qua email đến các doanh nghiệp logistics, sau đó được tổng hợp lại ở Excel và tiến hành phân tích định lượng bằng phần mềm SPSS 26. Phiếu khảo sát bao gồm các mẫu câu hỏi phục vụ cho mục đích nghiên cứu. Trong đó có 150 phiếu trả lời hợp lệ và đều được dùng để đưa vào quá trình phân tích dữ liệu. Thời gian khảo sát từ tháng 4-6/2026. Nghiên cứu được thực hiện qua các bước: thống kê mô tả, kiểm định độ tin cậy của các tiêu chí thông qua hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá (EFA) và phân tích mô hình hồi quy tuyến tính.

KẾT QUẢ VÀ THẢO LUẬN

Thống kê mô tả

Mẫu khảo sát 150 doanh nghiệp ghi nhận quy mô doanh nghiệp từ 50-250 nhân viên chiếm đa số với 50,0%; tiếp đến là dưới 50 nhân viên (44,7%) và trên 250 nhân viên (5,3%). Về thời gian hoạt động, doanh nghiệp hoạt động từ 5-10 năm chiếm tỷ lệ cao nhất (41,3%); từ 10-15 năm chiếm 32,0%; dưới 5 năm chiếm 14,0% và trên 15 năm chiếm 12,7%. Vận chuyển hàng hóa là lĩnh vực chính phổ biến nhất (33,3%), theo sau là giao nhận và phân phối (30,0%), thủ tục hải quan (26,7%) và quản lý kho bãi (10,0%).

Về năng lực xử lý dữ liệu, 48,0% doanh nghiệp đạt mức phân tích cơ bản; 38,0% có khả năng phân tích nâng cao; 12,7% sở hữu đội ngũ chuyên nghiệp và 1,3% rất hạn chế hoặc không có khả năng phân tích. Về việc triển khai ứng dụng thực tế, có 49,3% doanh nghiệp (74 đơn vị) đã triển khai các ứng dụng cơ bản; 36,7% (55 đơn vị) vận hành nhiều ứng dụng nâng cao; 13,3% (20 đơn vị) thực hiện các dự án lớn đa dạng và chỉ 0,7% (1 đơn vị) chưa từng triển khai.

Kiểm định độ tin cậy của thang đo

Bảng 1: Kết quả phân tích độ tin cậy Cronbach’s Alpha

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Kết quả Bảng 1 cho thấy hệ số Cronbach’s Alpha của cả 7 thang đo đều > 0,7. Hệ số tương quan trong mỗi biến đều > 0,3. Vì vậy, 27 biến quan sát trong 7 thang đo được chấp nhận và được tiếp tục sử dụng để tiến hành phân tích EFA. Trong đó, thang đo Hạ tầng công nghệ và Thị trường đạt độ tin cậy cao nhất (0,893), thang đo Chính phủ đạt độ tin cậy thấp nhất (0,775).

Phân tích EFA

Bảng 2: Kết quả kiểm định KMO và Bartlett của các biến độc lập

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Bảng 2 cho thấy hệ số KMO = 0,727 (> 0,5). Do đó, quy mô mẫu điều tra đủ điều kiện thích hợp để phân tích EFA. Kết quả kiểm định Bartlett = 2168,438 với mức ý nghĩa Sig. = 0,000 < 0,05 khẳng định các biến quan sát trong mỗi biến có tương quan với nhau trong tổng thể và đáp ứng điều kiện cần thiết để phân tích EFA.

Bảng 3: Giá trị Eigenvalues của biến độc lập

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Kết quả Bảng 3 cho thấy tổng phương sai trích có giá trị = 75,429% (> 50%) đạt yêu cầu, khẳng định 6 thang đo phù hợp với mô hình lý thuyết. Điều này có nghĩa 6 nhân tố được trích giải thích 75,429% sự biến thiên của các biến quan sát.

Bảng 4: Ma trận xoay các nhân tố của biến độc lập

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Số liệu Bảng 4 cho thấy kết quả các chỉ số tải của các bộ biến chạy EFA đều tốt. Các biến quan sát của thang đo đều tải đúng lên thang đo đó và hệ số tải của các biến đều > 0,5.

Bảng 5: Kiểm định KMO và Bartlett cho biến phụ thuộc

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Kết quả Bảng 5 cho thấy hệ số KMO = 0,781 > 0,5; kiểm định Bartlett có hệ số Sig. = 0,000 < 0, 05. Điều này cho thấy các biến quan sát trong nhân tố có mối tương quan với nhau và phù hợp để sử dụng trong phân tích.

Bảng 6: Giá trị Eigenvalues của biến phụ thuộc

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Bảng 6 cho thấy, tại mức giá trị Eigenvalue = 2,516 thỏa mãn điều kiện > 1 trích được 1 nhân tố bao gồm 4 biến quan sát được giữ lại phân tích trong mô hình nghiên cứu. Giá trị tổng phương sai trích tại mức này là 62,895% (> 50%), đạt yêu cầu. Điều này có nghĩa 1 nhân tố trích được trong EFA phản ánh được 62,895% sự biến thiên của tất cả các biến quan sát được đưa vào.

Bảng 7: Ma trận xoay các nhân tố

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Kết quả phân tích trong bảng ma trận xoay nhân tố (Bảng 7) cho thấy 1 nhân tố bao gồm 4 biến quan sát đều có hệ số tải (Factor loading) > 0,5, khẳng định biến quan sát có ý nghĩa thống kê rất tốt. Do đó, tất cả các biến này đều được giữ lại để sử dụng trong các phân tích tiếp theo.

Phân tích hồi quy

Bảng 8: Kết quả phân tích mô hình hồi quy

Nguồn: Tác giả tổng hợp từ kết quả SPSS

Kết quả phân tích hồi quy (Bảng 8) cho thấy cả 6 biến độc lập đều có hệ số Beta chuẩn hóa lần lượt là 0,378; 0,332; 0,354; 0,180; 0,142; 0,276 với mức ý nghĩa Sig. < 0,05. Như vậy, cả 6 giả thuyết đều được chấp nhận. Hệ số VIF của các biến độc lập đều < 2, khẳng định không có đa cộng tuyến xảy ra và không ảnh hưởng đến kết quả giải thích của mô hình.

Mô hình hồi quy chuẩn hoá có dạng như sau:

YD = 0,378*CN + 0,332*NL + 0,354*TC + 0,180*CP + 0,142*TT + 0,276*CLDL

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Kết quả nghiên cứu cho thấy cả 6 nhân tố đều ảnh hưởng tới ý đinh sử dụng Big Data của các doanh nghiệp logistics Việt Nam xếp theo thứ tự giảm dần, gồm: Hạ tầng công nghệ, Tài chính, Nhân lực, Chất lượng dữ liệu, Chính phủ và Thị trường.

Hàm ý quản trị

Từ kết quả nghiên cứu, một số hàm ý quản trị được đề xuất đối với các doanh nghiệp logistics như sau:

Về Hạ tầng công nghệ: Phát triển các trung tâm dữ liệu quốc gia với công nghệ tiên tiến, có nền tảng lưu trữ và xử lý dữ liệu ổn định. Việc khuyến khích doanh nghiệp logistics sử dụng các nền tảng điện toán đám mây như: Google Cloud, Microsoft Azure hay tích hợp các hệ thống quan trọng khác như: Fleet Management Systems (FMS) và Transportation Management Systems (TMS) sẽ giúp tối ưu chi phí và tăng khả năng mở rộng dữ liệu.

Về Tài chính: Chính phủ có thể thành lập quỹ hỗ trợ chuyển đổi số dành riêng cho ngành logistics, đặc biệt là đối với các doanh nghiệp nhỏ và vừa. Đồng thời, các ngân hàng và tổ chức tài chính cần triển khai các gói vay ưu đãi, giúp doanh nghiệp giảm áp lực chi phí khi đầu tư vào công nghệ dữ liệu lớn. Ngoài ra, việc hợp tác công - tư (PPP) có thể thúc đẩy nghiên cứu và triển khai dữ liệu lớn thông qua việc kêu gọi đầu tư từ các quỹ mạo hiểm hoặc các tập đoàn công nghệ hàng đầu. Bằng cách này, doanh nghiệp logistics có thể vừa tiếp cận nguồn vốn, vừa tạo điều kiện để áp dụng các giải pháp công nghệ tiên tiến.

Về Nhân lực: Xây dựng đội ngũ phân tích dữ liệu nội bộ có năng lực làm chủ các thiết bị công nghệ, có kiến thức và kỹ năng sử dụng dữ liệu lớn, khả năng thích ứng nhanh nhất đối với môi trường lao động và tiến bộ khoa học - công nghệ mới, có tác phong kỷ luật, đạo đức trong công việc và khả năng tư duy đột phá, sáng tạo. Bằng cách tổ chức các buổi đào tạo kiến thức và kỹ năng công nghệ, những khóa học chuyên sâu về công cụ dữ liệu lớn... sẽ giúp doanh nghiệp chủ động tăng khả năng đáp ứng nguồn nhân lực sẵn có. Sẵn sàng tuyển dụng, sử dụng nguồn nhân lực mới phù hợp với điều kiện của doanh nghiệp, thông qua xây dựng hệ thống các tiêu chí, hợp tác, liên kết, chia sẻ nguồn lực với các cơ sở đào tạo có khối ngành logistics để tuyển dụng, đặt hàng đào tạo theo nhu cầu doanh nghiệp.

Về Chất lượng dữ liệu: Chuẩn hóa quy trình thu thập, xử lý và lưu trữ dữ liệu giúp doanh nghiệp logistics đảm bảo tính chính xác, nhất quán và bảo mật. Việc tự động hóa quy trình thu thập dữ liệu từ các hệ thống cảm biến, GPS, phần mềm quản lý kho (WMS) và hệ thống vận tải (TMS) sẽ giúp giảm thiểu sai sót do con người gây ra. Bên cạnh đó, cần xây dựng cơ chế chia sẻ dữ liệu giữa các bên trong chuỗi cung ứng như doanh nghiệp vận tải, kho bãi, cảng biển và hải quan, tạo ra một hệ sinh thái dữ liệu mở nhưng vẫn đảm bảo bảo mật thông tin. Ngoài ra, ứng dụng trí tuệ nhân tạo (AI) và học máy (Machine Learning) vào việc làm sạch dữ liệu, phát hiện lỗi và tối ưu hóa dữ liệu sẽ giúp nâng cao chất lượng phân tích, hỗ trợ doanh nghiệp ra quyết định chính xác hơn, đồng thời hạn chế được tình trạng rò rỉ, mất cắp dữ liệu khách hàng.

Về Chính phủ: Ban hành các chính sách hỗ trợ doanh nghiệp trong việc ứng dụng các giải pháp công nghệ mới trong ngành logistics trong đó có việc triển khai áp dụng dữ liệu lớn. Các chính sách này cần được thiết kế để khuyến khích các doanh nghiệp đầu tư vào các giải pháp công nghệ logistics mới đồng thời giảm thiểu rủi ro cho các doanh nghiệp trên con đường phát triển đổi mới sáng tạo. Tiếp tục hoàn thiện khung khổ pháp lý về dịch vụ logistics, nhất là vấn đề bảo mật, hợp tác phòng chống tội phạm mạng. Tích hợp các chức năng về giám sát mạng lưới, bảo đảm an toàn, an ninh mạng ngay từ khi thiết kế, xây dựng. Điều này sẽ giúp cho việc ứng dụng dữ liệu lớn của các doanh nghiệp trở nên thuận lợi, an toàn và hiệu quả hơn.

Về Thị trường: Nâng cao nhận thức về lợi ích của dữ liệu lớn thông qua các hội nghị, triển lãm công nghệ, giúp doanh nghiệp hiểu rõ tác động của Big Data đối với hoạt động logistics. Việc chủ động nghiên cứu phân tích và xây dựng các báo cáo thị trường chuyên sâu cũng sẽ giúp doanh nghiệp có cái nhìn tổng quan về thực trạng phát triển ngành Logistics và xu hướng ứng dụng dữ liệu lớn trong ngành ở cả trong và ngoài nước, từ đó lựa chọn cách ứng dụng phù hợp nhất với mục đích phát triển và năng lực của mình. Bên cạnh đó, cần thúc đẩy sự hợp tác giữa các doanh nghiệp logistics, công ty công nghệ và đối tác nước ngoài nhằm tận dụng công nghệ tiên tiến và mở rộng ứng dụng Big Data vào chuỗi cung ứng toàn cầu.

Tài liệu tham khảo:

1. Bakshi, K. (2012). Considerations for Big Data: Architecture and Approach. Aerospace Conference-Big Sky. MT, 3-10.

2. Chen, J., Wang, Y., & Zhang, L. (2015). Market orientation and big data analytics adoption. Business Process Management Journal, 21(6), pp 1310-1329

3. Corallo, A., Latino, M. E., & Menegoli, M. (2023). Human resources and big data analytics capabilities. Technological Forecasting and Social Change, 196, 122826.

4. Lai, Y., Sun, H., & Ren, J. (2018). Government support and technology adoption in supply chain management. The International Journal of Logistics Management, 29(2), 676-703.

5. Maduku, D. K., Mpinganjira, M., & Duh, H. (2016). Understanding mobile marketing adoption by South African SMEs. Industrial Management & Data Systems, 116(4), 711-730.

6. Mordor Intelligence (2023). E-Commerce Market in Oman-Trends, Growth, Covid-19 Impact, and Forecasts (2023-2028), https://www.mordorintelligence.com/industry-reports/e-commerce-market-in-oman#:~:text=the%20e%2dcommerce%20market%20in%20oman%20accounts%20for%20only%201,information%20technology%20authority%20(ita).

7. Nguyễn Thị Thọ Hằng và Đinh Quốc Bảo (2021). Các yếu tố ảnh hưởng đến ý định sử dụng dịch vụ Bigdata của các doanh nghiệp dịch vụ Việt Nam. Tạp chí Kinh tế và Dự báo, 24, 20-23.

8. Pipino và cộng sự (2002). Data quality assessment. Communications of the ACM, 45(4), 211-218.

8. Pipino, L.L., Lee, Y.W. and Wang, R.Y. (2002). Data Quality Assessment. Communications of the ACM, 45(1), 211-218. https://doi.org/10.1145/505248.506010

9. Preston và cộng sự (2020). How the use of big data analytics affects value creation in supply chain management. Journal of Management Information Systems, 37(1), 222-245.

10. Raut, R., Narwane, V. S., Mangla, S. K., Yadav, V. S. (2021). Unlocking causal relations of barriers to big data analytics in manufacturing firms. Industrial Management & Data Systems, 121(9), 1939-1968.

11. Tornatzky, L. G., & Fleischer, M. (1990). The Process of Technology Innovation. Lexington Books.

12. Vũ Thị Thanh Hương và Nguyễn Huy Khang (2023). Ứng dụng dữ liệu lớn. Tạp chí Công thương, số 8.

13. Wahab và cộng sự (2018). Market competition and government support in big data implementation. Journal of Fundamental and Applied Sciences, 10(1S), 844-857.

14. Wamba và cộng sự (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356-365.