Tác động của khoảng cách kỹ năng đến tuyển dụng sinh viên tốt nghiệp ngành Quản trị nhân lực tại TP. Hồ Chí Minh

Nguyễn Thị Mỹ Xuyên

Trường Đại học Văn Lang

Email: [email protected]

Tóm tắt

Sự phát triển nhanh chóng của trí tuệ nhân tạo đang tái định hình ngành Quản trị nhân lực tại Việt Nam, chuyển năng lực số hóa từ lợi thế cạnh tranh thành yêu cầu cốt lõi. Nghiên cứu kiểm định tác động của khoảng cách kỹ năng đến ý định tuyển dụng sinh viên tốt nghiệp ngành Quản trị nhân lực tại TP. Hồ Chí Minh. Kết quả cho thấy, có 6 nhân tố thuộc khoảng cách kỹ năng, gồm: Năng lực số hóa, Kỹ năng chuyên môn, Kinh nghiệm thực tập, Kỹ năng mềm, Mạng lưới xã hội nghề nghiệp, Chính sách đào tạo có tác động đến ý định tuyển dụng; trong đó, Năng lực số hóa có tác động lớn nhất. Nghiên cứu đóng góp hàm ý lý thuyết và thực tiễn cho việc tái cấu trúc chương trình đào tạo và phát triển khung năng lực ngành Quản trị nhân lực trong bối cảnh chuyển đổi số.

Từ khóa: Khoảng cách kỹ năng, ý định tuyển dụng, quản trị nguồn nhân lực

Abstract

The rapid development of artificial intelligence is reshaping the human resource management sector in Viet Nam, transforming digital capabilities from a competitive advantage into a core requirement. This study examines the impact of skill gaps on employers’ intention to recruit human resource management graduates in Ho Chi Minh City. The results identify six skill-gap factors that significantly affect recruitment intention: digital capabilities, professional skills, internship experience, soft skills, professional social networks, and training policies. Among these factors, digital capabilities have the strongest impact. The study contributes both theoretical and practical implications for restructuring training programs and developing a competency framework for the human resource management field in the context of digital transformation.

Keywords: Skill gaps, recruitment intention, human resource management

ĐẶT VẤN ĐỀ

Thị trường lao động toàn cầu đang trải qua một sự chuyển dịch mang tính cấu trúc dưới tác động của trí tuệ nhân tạo (AI), đặc biệt là AI tạo sinh, qua đó tái định hình căn bản cách thức các tổ chức thu hút, đánh giá và phát triển nhân tài. Tại Việt Nam, xu hướng này diễn ra mạnh mẽ hơn khi 88% lao động tri thức đã sử dụng AI tạo sinh và 76% doanh nghiệp không sẵn sàng tuyển dụng ứng viên thiếu kỹ năng AI (Microsoft và LinkedIn, 2024), cho thấy năng lực số hóa đã trở thành yêu cầu tối thiểu.

Trong bối cảnh đó, khoảng cách kỹ năng được định nghĩa là sự chênh lệch giữa năng lực người lao động và yêu cầu của nhà tuyển dụng (Cappelli, 2015; Jackson và Chapman, 2012), nổi lên như một thách thức trọng tâm, đặc biệt trong lĩnh vực quản trị nhân lực (HRM). Với vai trò là bộ phận tiên phong triển khai các ứng dụng AI trong tổ chức, HRM đang đối mặt với áp lực thích ứng ngày càng lớn. Các nghiên cứu cho thấy, AI vừa nâng cao chất lượng ra quyết định, vừa làm gia tăng khoảng cách kỹ năng mang tính chiến lược trong lực lượng lao động HR (SHRM, 2025). Thực trạng này càng rõ nét tại TP. Hồ Chí Minh, nơi mức độ ứng dụng AI trong hoạt động nhân sự đang gia tăng nhanh chóng (Navigos Group, 2024).

Mặc dù đã có một số nghiên cứu về khoảng cách kỹ năng tại Việt Nam, nhưng phần lớn tập trung vào các ngành kỹ thuật và kinh tế tổng quát, trong khi lĩnh vực HRM vẫn còn thiếu vắng các nghiên cứu chuyên sâu. Nhằm lấp đầy khoảng trống này, nghiên cứu hướng đến việc xác định các nhóm kỹ năng còn thiếu ở sinh viên tốt nghiệp ngành HRM, phân tích tác động của chúng đến ý định tuyển dụng của doanh nghiệp bằng mô hình PLS-SEM và đề xuất các hàm ý thực tiễn nhằm thu hẹp khoảng cách kỹ năng. Qua đó, nghiên cứu đóng góp vào cả phương diện lý luận và chính sách trong bối cảnh chuyển đổi số tại Việt Nam.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm và phân loại khoảng cách kỹ năng

Khoảng cách kỹ năng là khái niệm trung tâm trong kinh tế học lao động và quản lý giáo dục nghề nghiệp. Cappelli (2015) định nghĩa, khoảng cách kỹ năng là sự thất bại của thị trường trong việc điều phối kỳ vọng giữa hệ thống giáo dục và nhu cầu thực tiễn của doanh nghiệp, phản ánh sự lạc hậu có tính cấu trúc của chương trình đào tạo so với tốc độ thay đổi của môi trường kinh doanh. McGuinness và cộng sự (2018) phân biệt 3 loại khoảng cách kỹ năng chủ yếu: kỹ năng cứng (hard skill gaps) liên quan đến kiến thức chuyên môn và nghiệp vụ; kỹ năng mềm (soft skill gaps) liên quan đến năng lực giao tiếp, làm việc nhóm và tư duy phản biện; và kỹ năng số (digital skill gaps) liên quan đến khả năng ứng dụng công nghệ trong công việc.

AI và sự tái cấu trúc lĩnh vực HRM

Rana và Kumar (2025) trong nghiên cứu thư mục học toàn diện phân tích 288 bài báo khoa học bình duyệt về giao điểm giữa AI và HRM đã xác định rằng, AI đang tái cấu trúc toàn bộ chuỗi chức năng HRM: từ tuyển dụng thông minh, quản lý hiệu suất dựa trên dữ liệu, lập kế hoạch lực lượng lao động dự đoán, đến đào tạo cá nhân hóa theo từng nhân viên. Nghiên cứu cũng nhấn mạnh thiếu hụt năng lực AI của các chuyên gia nhân sự là một trong những khoảng trống thực tiễn cấp bách nhất hiện nay.

Chowdhury và cộng sự (2024) đề xuất khung HRM chiến lược cho thời đại AI lập luận rằng, chuyên gia HRM tương lai phải đóng vai trò trung gian giữa con người và hệ thống AI, đòi hỏi cả hiểu biết kỹ thuật lẫn năng lực quản trị rủi ro và đạo đức công nghệ. Tương tự, Pan và Froese (2023), trong tổng quan liên ngành về AI và HRM chỉ ra rằng, AI mang lại hiệu quả vượt trội trong sàng lọc ứng viên và phân tích phỏng vấn, nhưng cũng đặt ra những thách thức nghiêm trọng về sai lệch thuật toán, đòi hỏi xây dựng các khung quản trị đảm bảo tính minh bạch và công bằng trong quy trình nhân sự dẫn dắt bởi AI. Điều này đặt ra yêu cầu kép với chuyên gia HRM: vừa phải có kỹ năng kỹ thuật để vận hành hệ thống, vừa phải có tư duy phản biện để kiểm soát và hiệu chỉnh kết quả đầu ra của AI. Đây là 2 năng lực không nằm trong chương trình đào tạo HRM truyền thống.

Khung lý thuyết nền tảng

Nghiên cứu được dẫn dắt bởi 2 khung lý thuyết bổ sung nhau: Lý thuyết tín hiệu (Signaling Theory) và Lý thuyết vốn con người (Human Capital Theory).

Lý thuyết tín hiệu của Spence (1973) lập luận rằng, trong điều kiện thông tin bất đối xứng giữa nhà tuyển dụng và ứng viên, các đặc điểm có thể quan sát được như bằng cấp, chứng chỉ kỹ năng, kinh nghiệm thực tập và mạng lưới chuyên môn đóng vai trò tín hiệu chất lượng có chi phí khác nhau giữa các ứng viên. Bills (2003) mở rộng lý thuyết này vào bối cảnh thị trường lao động hiện đại, lập luận rằng giáo dục đại học không chỉ cung cấp kỹ năng (vốn con người) mà còn cung cấp các tín hiệu phân biệt (thương hiệu trường, loại bằng, các hoạt động ngoại khóa) giúp nhà tuyển dụng giảm chi phí sàng lọc. Trong nghiên cứu này, các nhân tố như kinh nghiệm thực tập, mạng lưới xã hội nghề nghiệp và chứng chỉ kỹ năng số được xem như những tín hiệu phân biệt mà ứng viên HRM có thể chủ động phát đi để giảm rủi ro tuyển sai từ phía doanh nghiệp.

Lý thuyết vốn con người của Becker (1964) bổ sung góc nhìn kinh tế học: doanh nghiệp sẽ ưu tiên tuyển dụng ứng viên có chi phí đào tạo bổ sung thấp nhất tính trên giá trị mang lại. Trong bối cảnh HRM hiện đại, điều này có nghĩa là ứng viên đã thành thạo HRIS, biết xử lý dữ liệu nhân sự cơ bản và có tư duy về AI trong HR sẽ được ưu tiên, không chỉ vì họ “giỏi hơn” mà vì họ giúp doanh nghiệp tiết kiệm chi phí đào tạo trong giai đoạn hội nhập.

Hai lý thuyết này bổ sung cho nhau chặt chẽ: Lý thuyết tín hiệu giải thích vì sao nhà tuyển dụng chú ý đến một số đặc điểm nhất định của ứng viên (chứng chỉ kỹ năng số, kinh nghiệm thực tập), trong khi Lý thuyết vốn con người giải thích vì sao doanh nghiệp sẵn sàng trả lương cao hơn hoặc ưu tiên tuyển dụng những người đã có vốn kỹ năng phù hợp với yêu cầu công việc.

Mô hình và giả thuyết nghiên cứu

Dựa trên các lý thuyết và nghiên cứu liên quan, tác giả đề xuất mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Các giả thuyết nghiên cứu được đưa ra như sau:

H1: Kỹ năng mềm có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

H2: Kỹ năng chuyên môn HRM có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

H3: Năng lực số hóa có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

H4: Mạng lưới xã hội nghề nghiệp có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

H5: Kinh nghiệm thực tập có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

H6: Chính sách đào tạo có tác động tích cực đến Ý định tuyển dụng sinh viên tốt nghiệp HRM.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp chọn mẫu có chủ đích kết hợp quả cầu tuyết để thu thập dữ liệu từ nhà tuyển dụng và sinh viên tốt nghiệp HRM tại TP. Hồ Chí Minh. Tổng cộng 487 bảng khảo sát hợp lệ được thu thập từ tháng 6-11/2024 thông qua Google Forms. Dữ liệu được phân tích bằng SmartPLS 4 theo phương pháp PLS-SEM, bao gồm đánh giá mô hình đo lường (độ tin cậy, hội tụ, phân biệt) và mô hình cấu trúc (VIF, R², Q², bootstrapping 5.000 mẫu) theo Hair và cộng sự (2019).

KẾT QUẢ VÀ THẢO LUẬN

Độ tin cậy và giá trị hội tụ

Kết quả đánh giá mô hình đo lường (Bảng 1) cho thấy, tất cả các thang đo đều đạt yêu cầu về độ tin cậy và giá trị hội tụ. Hệ số Cronbach’s Alpha dao động từ 0,808 (LSTV) đến 0,876 (CLDV), đều vượt ngưỡng tối thiểu 0,70. Độ tin cậy tổng hợp CR dao động từ 0,873 đến 0,909, vượt ngưỡng 0,70. Giá trị AVE từ 0,589 đến 0,699, đều cao hơn ngưỡng 0,50, xác nhận giá trị hội tụ tốt của các thang đo.

Bảng 1: Hệ số tải ngoài, độ tin cậy và phương sai trích

Nguồn: Tính toán của tác giả

Giá trị phân biệt

Giá trị phân biệt được kiểm định bằng 2 tiêu chí. Theo tiêu chí Fornell-Larcker, giá trị căn bậc hai của AVE trên đường chéo (in đậm trong Bảng 2) đều lớn hơn các tương quan giữa biến đó với các biến tiềm ẩn khác, xác nhận giá trị phân biệt giữa các cấu trúc.

Bảng 2: Tiêu chí Fornell-Larcker

Nguồn: Tính toán của tác giả

Theo tiêu chí HTMT (Bảng 3), tất cả các giá trị HTMT giữa các cặp biến tiềm ẩn đều nhỏ hơn ngưỡng 0,85 (Henseler và cộng sự, 2015), với giá trị cao nhất là 0,575 (giữa CLDV và YDVV). Điều này khẳng định mô hình đáp ứng đầy đủ yêu cầu về giá trị phân biệt.

Bảng 3: Tỷ số HTMT (Heterotrait-Monotrait Ratio)

Nguồn: Tính toán của tác giả

Đánh giá mô hình cấu trúc

Đa cộng tuyến và độ phù hợp dự đoán

Kết quả kiểm định cho thấy, hệ số VIF của tất cả các biến độc lập đều dao động trong khoảng 1,12 đến 1,19, thấp hơn nhiều so với ngưỡng 3,0 mà Hair và cộng sự (2019) khuyến nghị. Điều này khẳng định mô hình không vi phạm giả định đa cộng tuyến. Hệ số R² của biến phụ thuộc Ý định tuyển dụng sinh viên tốt nghiệp HRM (YDVV) đạt 0,475 (R² hiệu chỉnh = 0,469), cho thấy 6 nhóm khoảng cách kỹ năng giải thích được 47,5% biến thiên của YDVV - mức giải thích trung bình theo phân loại của Hair và cộng sự (2019). Hệ số Q² = 0,320 (> 0) thông qua kỹ thuật blindfolding xác nhận mô hình có khả năng dự đoán ngoài mẫu (predictive relevance) ở mức trung bình đến tốt.

Kiểm định giả thuyết

Bảng 4: Kết quả kiểm định giả thuyết (bootstrapping 5.000 mẫu)

Ghi chú: R² = 0,475; R² hiệu chỉnh = 0,469; Q² = 0,320; n = 487.

Nguồn: Tính toán của tác giả

Kết quả kiểm định giả thuyết thông qua bootstrapping với 5.000 mẫu lặp lại (Bảng 4) cho thấy, tất cả 6 giả thuyết đều được ủng hộ với mức ý nghĩa thống kê p < 0,01. Do tất cả các hệ số đều mang dấu dương và có ý nghĩa thống kê (p < 0,01), việc thu hẹp mỗi nhóm khoảng cách kỹ năng đều làm gia tăng ý định tuyển dụng. Phương trình hồi quy chuẩn hóa của mô hình được biểu diễn như sau:

YDVV = 0,334×CLDV + 0,202×LSTV + 0,198×TTQT + 0,197×NTNH + 0,099×AHXQ + 0,098×CSTD

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Nghiên cứu đã áp dụng PLS-SEM để kiểm định tác động của 6 nhóm khoảng cách kỹ năng đến Ý định tuyển dụng sinh viên tốt nghiệp HRM tại TP. Hồ Chí Minh. Kết quả nghiên cứu cho thấy, cả 6 nhân tố đều có tác động tích cực và có ý nghĩa thống kê, với mô hình giải thích 47,5% biến thiên của ý định tuyển dụng. Trong đó, Năng lực số hóa (CLDV) có hệ số tác động lớn nhất (β = 0,334), tiếp đến là Kỹ năng chuyên môn HRM (LSTV, β = 0,202), Kinh nghiệm thực tập (TTQT, β = 0,198) và Kỹ năng mềm (NTNH, β = 0,197); trong khi Mạng lưới xã hội nghề nghiệp (AHXQ, β = 0,099) và Chính sách đào tạo (CSTD, β = 0,098) có mức tác động thấp hơn.

Dựa trên kết quả nghiên cứu, tác giả đề xuất một số hàm ý quản trị như sau:

Đối với cơ sở đào tạo: Cần tái cấu trúc chương trình đào tạo HRM theo hướng tích hợp các học phần về công nghệ HRM, HR analytics và thực hành HRIS, đặc biệt là các nền tảng phổ biến tại doanh nghiệp đầu tư trực tiếp nước ngoài như Workday và SAP. Cần thiết lập quan hệ đối tác chiến lược với doanh nghiệp để tạo điều kiện cho sinh viên thực tập có cấu trúc, có người hướng dẫn chuyên môn và có đánh giá đầu ra. Đồng thời, cần đặc biệt chú trọng phát triển kỹ năng mềm thông qua các phương pháp học tập chủ động như: case study, role-play và dự án thực tế.

Đối với doanh nghiệp: Nên chủ động tham gia vào quá trình thiết kế chương trình đào tạo thông qua hội đồng tư vấn ngành, cung cấp vị trí thực tập có cấu trúc rõ ràng và phản hồi thường xuyên về nhu cầu kỹ năng. Đồng thời, xây dựng chương trình thực tập và đào tạo nội bộ bài bản sẽ giúp giảm thiểu chi phí đào tạo trong giai đoạn hội nhập của nhân viên mới, và đây cũng là logic cốt lõi của lý thuyết vốn con người (Becker, 1964) trong bối cảnh hiện đại.

Đối với cơ quan quản lý nhà nước: Cần xây dựng khung năng lực HRM quốc gia trong kỷ nguyên AI, làm cơ sở cho việc đánh giá chương trình đào tạo và chứng nhận năng lực ứng viên. Việc này sẽ giúp giảm thiểu sự bất đối xứng thông tin giữa nhà tuyển dụng và sinh viên tốt nghiệp, vấn đề mà lý thuyết tín hiệu của Spence (1973) đã chỉ rõ.

Tài liệu tham khảo:

1. Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. National Bureau of Economic Research.

2. Bills, D. B. (2003). Credentials, signals, and screens: Explaining the relationship between schooling and job assignment. Review of Educational Research, 73(4), 441-469.

3. Cappelli, P. (2015). Skill gaps, skill shortages, and skill mismatches: Evidence and arguments for the United States. ILR Review, 68(2), 251-290.

4. Chowdhury, S., Budhwar, P., and Wood, G. (2024). Generative artificial intelligence in business: Towards a strategic human resource management framework. British Journal of Management, 35(4), 1680-1691.

5. Hair, J. F., Risher, J. J., Sarstedt, M., and Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

6. Henseler, J., Ringle, C. M., and Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

7. Jackson, D., and Chapman, E. (2012). Non-technical skill gaps in Australian business graduates. Education + Training, 54(2/3), 95-113.

8. McGuinness, S., Pouliakas, K., & Redmond, P. (2018). Skills mismatch: Concepts, measurement and policy approaches. Journal of Economic Surveys, 32(4), 985-1015.

9. Microsoft, and LinkedIn. (2024). 2024 Work Trend Index annual report: AI at work is here. Now comes the hard part. https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part

10. Navigos Group (2024). VietnamWorks tại HR Summit 2024: Toàn cảnh ứng dụng AI tạo sinh trong ngành nhân sự. https://www.navigosgroup.com/news/vietnamworks-at-hr-summit-2024-a-comprehensive-view-of-generative-ai-applications-in-the-hr-industry/

11. Pan, Y., and Froese, F. J. (2023). An interdisciplinary review of AI and HRM: Challenges and future directions. Human Resource Management Review, 33(1), 100924.

12. Rana, R., and Kumar, S. (2025). AI in human resource management: An interdisciplinary review and bibliometric analysis using SPAR-4-SLR. Human Systems Management. Advance online publication. https://doi.org/10.1177/01672533251365116

13. Society for Human Resource Management. (2025). Bridging the skills gap: Preparing future talent for the workforce. https://www.shrm.org/enterprise-solutions/insights/bridging-the-skills-gap--preparing-future-talent-for-the-workfor

14. Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87(3), 355-374.