Hai nhân tố Herzberg là gì? Cách áp dụng vào luận văn định lượng
Mô hình hai nhân tố Herzberg là gì
Nếu đề tài của bạn hỏi vì sao nhân viên hài lòng, có động lực hoặc muốn gắn bó với tổ chức, mô hình hai nhân tố Herzberg là một hướng lý thuyết có thể dùng để xây mô hình định lượng. Mô hình phân biệt hai nhóm nguyên nhân: nhóm nhân tố duy trì, còn gọi là hygiene factors, và nhóm nhân tố tạo động lực, còn gọi là motivators.
Ý tưởng nền tảng do Frederick Herzberg phát triển vào cuối thập niên 1950. Điểm cần nhớ là sự thiếu hụt của hai nhóm này không tạo ra cùng một loại phản ứng. Chính sách công ty kém, lương không phù hợp hoặc điều kiện làm việc tệ có thể khiến nhân viên bất mãn. Khi các yếu tố đó được cải thiện, nhân viên có thể bớt bất mãn, nhưng chưa chắc đã có động lực làm việc cao. Động lực thường gắn với bản thân công việc, thành tựu, sự ghi nhận và cơ hội phát triển.
Trong luận văn định lượng, bạn không nên biến lý thuyết thành hai nhãn chung rồi đưa thẳng vào bảng hỏi. Cần xác định mỗi khái niệm, tìm thang đo phù hợp, đặt mối quan hệ với biến kết quả và kiểm định trên dữ liệu .sav hoặc .csv. Nếu đang xây phần cơ sở lý thuyết, bạn có thể xem thêm nhóm chủ đề Mô hình nghiên cứu để đặt Herzberg cạnh các mô hình khác.
Các thành phần trong mô hình
Mô hình có hai nhóm khái niệm. Nhóm duy trì liên quan nhiều đến bối cảnh mà nhân viên làm việc. Nhóm tạo động lực liên quan nhiều hơn đến nội dung công việc và cảm nhận thành tựu cá nhân.
| Nhóm trong mô hình | Khái niệm thường được đề cập | Ý nghĩa khi đưa vào nghiên cứu định lượng |
|---|---|---|
| Nhân tố duy trì | Chính sách và quản lý | Đánh giá nhân viên cảm nhận thế nào về quy định, cách điều hành và tính nhất quán của tổ chức |
| Nhân tố duy trì | Quan hệ với cấp trên và đồng nghiệp | Phản ánh chất lượng tương tác trong môi trường làm việc |
| Nhân tố duy trì | Tiền lương và phúc lợi | Đo cảm nhận về thu nhập, chế độ và sự tương xứng |
| Nhân tố duy trì | Điều kiện làm việc | Đo cơ sở vật chất, thời gian, an toàn và nguồn lực phục vụ công việc |
| Nhân tố duy trì | Sự ổn định trong công việc | Phản ánh cảm nhận về mức độ an toàn và khả năng duy trì việc làm |
| Nhân tố tạo động lực | Thành tựu | Đo cảm nhận rằng nhân viên hoàn thành được kết quả có ý nghĩa |
| Nhân tố tạo động lực | Sự ghi nhận | Đo việc đóng góp được cấp trên hoặc tổ chức công nhận |
| Nhân tố tạo động lực | Bản thân công việc | Phản ánh mức độ thú vị, thử thách và ý nghĩa của nhiệm vụ |
| Nhân tố tạo động lực | Trách nhiệm | Đo quyền chủ động và mức độ được tin tưởng khi thực hiện công việc |
| Nhân tố tạo động lực | Thăng tiến và phát triển | Đo cơ hội học hỏi, đảm nhận vai trò mới và phát triển nghề nghiệp |
| ] |
Bảng trên là khung lý thuyết, không phải bộ biến quan sát có thể sao chép nguyên văn. Bạn cần chọn các khái niệm phù hợp với bối cảnh. Chẳng hạn, đề tài về nhân viên ngân hàng có thể tập trung vào lương, cấp trên, cơ hội thăng tiến và sự ghi nhận. Đề tài về lao động công nghệ có thể cần thêm quyền tự chủ, bản thân công việc và cơ hội phát triển kỹ năng.
Bạn cũng cần phân biệt biến độc lập với biến phụ thuộc. Tiền lương, quan hệ với cấp trên và sự ghi nhận có thể là các biến độc lập. Động lực làm việc, sự hài lòng công việc, cam kết tổ chức hoặc ý định nghỉ việc có thể là biến phụ thuộc, tùy câu hỏi nghiên cứu. Nếu dùng cam kết tổ chức, bài cam kết tổ chức là gì có thể giúp bạn xác định rõ khái niệm kết quả.
Mô hình gốc và các mở rộng phổ biến
Ở dạng gốc, Herzberg tách các yếu tố liên quan đến sự bất mãn khỏi các yếu tố liên quan đến sự hài lòng và động lực. Cách diễn giải này dẫn đến một điểm quan trọng: nâng lương hoặc cải thiện điều kiện làm việc có thể làm giảm bất mãn, nhưng chưa đủ để kết luận rằng nhân viên đã có động lực cao.
Khi chuyển sang luận văn, nhiều sinh viên đơn giản hóa mô hình thành hai biến độc lập là nhân tố duy trì và nhân tố tạo động lực, sau đó kiểm định tác động của chúng lên động lực làm việc. Cách làm này có thể phù hợp nếu mục tiêu nghiên cứu ở mức tổng quát, nhưng bạn phải giải thích cách gộp các khái niệm. Nếu gộp quá nhiều thành phần khác nhau vào một biến, Cronbach's Alpha và EFA có thể không phản ánh đúng cấu trúc ban đầu.
Một hướng khác là giữ từng thành phần như một biến độc lập riêng. Khi đó mô hình có thể gồm chính sách tổ chức, lương thưởng, điều kiện làm việc, quan hệ với cấp trên, sự ghi nhận và cơ hội phát triển. Mô hình chi tiết hơn giúp bạn biết yếu tố nào có liên hệ mạnh hơn với kết quả, nhưng số lượng giả thuyết và biến quan sát cũng tăng.
Bạn không nên trộn Herzberg với Maslow chỉ vì cả hai đều nói về nhu cầu của người lao động. Tháp nhu cầu Maslow và mô hình Maslow có logic phân tầng nhu cầu khác với cách Herzberg phân biệt nhân tố duy trì và tạo động lực. Nếu dùng đồng thời hai lý thuyết, hãy nói rõ lý thuyết nào giải thích biến nào, tránh đặt hai tên lý thuyết cạnh nhau mà không có quan hệ trong mô hình.
Các mở rộng hiện nay thường kết hợp Herzberg với bối cảnh cụ thể, chẳng hạn sự cân bằng giữa công việc và đời sống, căng thẳng công việc hoặc cam kết tổ chức. Đây là các hướng phát triển mô hình, không phải thành phần bắt buộc của Herzberg. Bạn có thể tham khảo cân bằng công việc cuộc sống là gì hoặc căng thẳng công việc là gì nếu đề tài cần giải thích thêm kết quả của môi trường làm việc.
Thang đo thường dùng cho từng khái niệm
Mô hình Herzberg không tự cung cấp một bộ câu hỏi duy nhất dùng cho mọi ngành. Bạn cần tìm thang đo đã được sử dụng trong bối cảnh gần với mẫu nghiên cứu, sau đó điều chỉnh ngôn ngữ cho doanh nghiệp, địa phương hoặc nhóm nhân viên của mình. Khi viết chương 3, hãy ghi rõ nguồn, số biến quan sát ban đầu, cách dịch và lý do giữ hoặc loại biến.
| Khái niệm | Nội dung nên đo | Ví dụ mã biến tham khảo | Cách kiểm tra sau khi thu thập dữ liệu |
|---|---|---|---|
| Chính sách và quản lý | Quy định rõ ràng, nhất quán, cách tổ chức điều hành | QL1, QL2, QL3 | Cronbach's Alpha, Corrected Item-Total Correlation, EFA |
| Tiền lương và phúc lợi | Mức độ phù hợp, công bằng, đầy đủ của thu nhập và chế độ | LUONG1, LUONG2, LUONG3 | Độ tin cậy và cấu trúc nhân tố |
| Quan hệ với cấp trên | Hỗ trợ, lắng nghe, phản hồi và tôn trọng | CT1, CT2, CT3 | Độ tin cậy, EFA hoặc CFA tùy thiết kế |
| Điều kiện làm việc | Không gian, thiết bị, an toàn và nguồn lực | DK1, DK2, DK3 | Độ tin cậy và giá trị hội tụ |
| Sự ghi nhận | Được công nhận khi hoàn thành tốt nhiệm vụ | GN1, GN2, GN3 | Độ tin cậy và tác động đến biến kết quả |
| Bản thân công việc | Ý nghĩa, sự thú vị, mức độ thử thách của công việc | CV1, CV2, CV3 | Độ tin cậy và giá trị phân biệt |
| Cơ hội phát triển | Đào tạo, thăng tiến, học hỏi và mở rộng trách nhiệm | PT1, PT2, PT3 | Độ tin cậy, EFA hoặc PLS-SEM |
| Động lực làm việc | Mức độ chủ động, nỗ lực và mong muốn hoàn thành công việc | DL1, DL2, DL3 | Dùng làm biến phụ thuộc nếu mô hình nghiên cứu đặt mục tiêu này |
Các mã trong bảng chỉ là số liệu minh họa cho cách đặt tên, không phải bản dịch đã được xác nhận. Bạn cần đọc nguyên văn thang đo, kiểm tra ngữ cảnh gốc và thử nghiệm bảng hỏi trước khi thu thập chính thức. Với thang Likert, hãy ghi rõ số mức, điểm thấp nhất, điểm cao nhất và ý nghĩa từng mức. Thang Likert xuất phát từ kỹ thuật đo thái độ được trình bày bởi (Likert, 1932).
Khi kiểm định, Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978). Với nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được sử dụng phổ biến (Nunnally và Bernstein, 1994). Các mốc này chỉ là tiêu chí tham khảo. Bạn vẫn phải xem nội dung biến, số lượng biến và lý do loại biến, thay vì xóa biến chỉ để làm đẹp kết quả.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu nhân viên tại các doanh nghiệp dịch vụ với đề tài: “Các yếu tố ảnh hưởng đến động lực làm việc của nhân viên”. Bạn có thể xây mô hình gồm bốn biến độc lập để giữ phạm vi vừa đủ cho một luận văn: tiền lương và phúc lợi, quan hệ với cấp trên, sự ghi nhận, cơ hội phát triển. Động lực làm việc là biến phụ thuộc.
Mô hình khái niệm có thể mô tả như sau:
Tiền lương và phúc lợi, Quan hệ với cấp trên, Sự ghi nhận, Cơ hội phát triển → Động lực làm việc
Bốn giả thuyết cần viết thành câu, không chỉ ghi H1, H2 trong sơ đồ:
- H1: Tiền lương và phúc lợi có ảnh hưởng tích cực đến động lực làm việc của nhân viên.
- H2: Quan hệ với cấp trên có ảnh hưởng tích cực đến động lực làm việc của nhân viên.
- H3: Sự ghi nhận có ảnh hưởng tích cực đến động lực làm việc của nhân viên.
- H4: Cơ hội phát triển có ảnh hưởng tích cực đến động lực làm việc của nhân viên.
Cụm “ảnh hưởng tích cực” phải phù hợp với lập luận lý thuyết và cách mã hóa thang đo. Nếu điểm càng cao nghĩa là cảm nhận càng tốt, hệ số hồi quy hoặc path coefficient kỳ vọng sẽ mang dấu dương. Bạn không được viết trước rằng giả thuyết được chấp nhận khi chưa chạy dữ liệu.
Cách viết vào luận văn: “Dựa trên mô hình hai nhân tố Herzberg và bối cảnh nghiên cứu tại [đối tượng khảo sát], nghiên cứu đề xuất [số lượng] giả thuyết về tác động của [các biến độc lập] đến [biến phụ thuộc]. Cụ thể, H1 cho rằng [biến độc lập 1] có ảnh hưởng [tích cực/tiêu cực] đến [biến phụ thuộc], trong khi H2 cho rằng [biến độc lập 2] có ảnh hưởng [tích cực/tiêu cực] đến [biến phụ thuộc].”
Sau khi có mô hình, bạn lập bảng ánh xạ giữa giả thuyết, biến và biến quan sát. Bảng này giúp tránh lỗi đặt tên một biến ở chương 2 nhưng lại dùng mã khác trong SPSS. Nếu một khái niệm có quá ít biến quan sát, hãy xem lại thang đo trước khi phát bảng hỏi chính thức.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi mô hình của bạn dùng hồi quy tuyến tính, kiểm định độ tin cậy và EFA. Bạn có thể chạy theo thứ tự: làm sạch dữ liệu, kiểm tra Cronbach's Alpha, chạy EFA, tính điểm nhân tố hoặc điểm trung bình, sau đó chạy hồi quy. Với hồi quy, cỡ mẫu tối thiểu có thể được tham khảo theo quy tắc 50 + 8m, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013).
Trong SPSS, mở Analyze > Scale > Reliability Analysis. Đưa các biến quan sát của từng khái niệm vào ô Items, mở Statistics, chọn Scale if item deleted rồi đọc bảng Reliability Statistics và Item-Total Statistics. Tiếp theo, chạy EFA tại Analyze > Dimension Reduction > Factor. Chọn KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix trong phần lưu output.
Nếu dùng hồi quy, chọn Analyze > Regression > Linear. Đưa động lực làm việc vào Dependent, các nhân tố độc lập vào Independent(s). Trong Statistics, chọn Estimates, Model fit, Collinearity diagnostics và Durbin-Watson. Durbin-Watson trong khoảng 1 đến 3 thường được dùng khi kiểm tra tự tương quan phần dư (Field, 2013).
SmartPLS phù hợp khi bạn xây mô hình PLS-SEM với biến tiềm ẩn và nhiều biến quan sát. Trong SmartPLS 4, bạn nhập dữ liệu .csv, tạo construct, kéo các indicator vào construct rồi vẽ mũi tên giữa các biến. Quy trình nên tách thành hai phần: đánh giá measurement model trước, sau đó đánh giá structural model, phù hợp với logic hai bước được nêu trong (Anderson và Gerbing, 1988).
Ở measurement model, đọc Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên là một mốc thường dùng (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được tham khảo theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015).
Ở structural model, đọc Path Coefficients, R Square, f Square, VIF và kết quả Bootstrapping. VIF dưới 5 được báo cáo theo (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt được diễn giải là đáng kể, trung bình và yếu trong một hướng dẫn PLS-SEM (Hair và cộng sự, 2011). Khi chạy bootstrapping, có thể dùng 5.000 subsamples theo (Hair và cộng sự, 2022).
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột mô phỏng cách các bảng kết quả thường xuất hiện trong SPSS và SmartPLS.
| Phần mềm và bảng output | Biến hoặc đường dẫn | Hệ số minh họa | p-value hoặc CI | Cách đọc |
|---|---|---|---|---|
| SPSS, Reliability Statistics | Tiền lương và phúc lợi | Cronbach's Alpha = 0.812 | Không áp dụng | Độ tin cậy minh họa đạt mốc tham khảo |
| SPSS, Item-Total Statistics | LUONG2 | Corrected Item-Total Correlation = 0.541 | Không áp dụng | Biến có tương quan với tổng thang đo ở mức minh họa |
| SPSS, Coefficients | Tiền lương và phúc lợi → Động lực | Beta = 0.268 | Sig. = 0.012 | Nếu mô hình và giả định phù hợp, H1 có thể được ủng hộ |
| SPSS, Coefficients | Cơ hội phát triển → Động lực | Beta = 0.341 | Sig. = 0.003 | Hệ số dương và p-value minh họa dưới 0.05 |
| SmartPLS, Outer Loadings | PT2 | Outer Loading = 0.764 | Không áp dụng | Indicator có loading minh họa trên 0.7 |
| SmartPLS, Path Coefficients | Sự ghi nhận → Động lực | Path Coefficient = 0.219 | t = 2.487; CI không chứa 0 | Quan hệ minh họa có thể được ủng hộ |
| SmartPLS, R Square | Động lực làm việc | R² = 0.486 | Không áp dụng | Các biến trong mô hình giải thích một phần phương sai của biến phụ thuộc |
Đừng đưa các con số minh họa này vào chương 4. Bạn chỉ dùng bảng output thật từ file của mình. Nếu chạy SPSS, lưu từng phiên bản output và ghi lại biến nào bị loại ở mỗi vòng. Nếu chạy SmartPLS, xuất các bảng Outer Loadings, Path Coefficients, R Square, HTMT và VIF để có thể đối chiếu khi viết.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là gọi mọi yếu tố liên quan đến nhân viên là “nhân tố Herzberg”. Căng thẳng công việc, cân bằng công việc cuộc sống và cam kết tổ chức có thể là biến trong mô hình mở rộng, nhưng không tự động là thành phần gốc. Bạn cần giải thích vai trò của chúng trong mô hình cụ thể.
Lỗi thứ hai là dùng lương, phúc lợi, cấp trên và điều kiện làm việc làm một biến duy trì duy nhất nhưng không kiểm tra cấu trúc nhân tố. Các khái niệm này có thể tương quan, nhưng vẫn có nội dung khác nhau. Nếu EFA tách thành nhiều nhân tố, bạn cần xem lại cơ sở lý thuyết và cách gộp biến.
Lỗi thứ ba là dùng từ “ảnh hưởng” trong mục tiêu nhưng chỉ chạy tương quan. Tương quan cho biết mức độ liên hệ, còn hồi quy hoặc PLS-SEM cho phép đánh giá hệ số của các biến trong mô hình khi xem xét đồng thời nhiều yếu tố. Dù vậy, thiết kế khảo sát cắt ngang vẫn không đủ để bạn khẳng định quan hệ nhân quả tuyệt đối.
Lỗi thứ tư là loại biến chỉ vì Alpha tăng. Một biến có nội dung quan trọng vẫn cần được xem xét cùng Corrected Item-Total Correlation, EFA, lý thuyết và ý kiến hướng dẫn. Ghi lại lý do loại biến trong file theo dõi, vì hội đồng có thể hỏi vì sao mã biến ban đầu không còn trong mô hình cuối.
Lỗi cuối là lấy CFI, TLI hoặc RMSEA để đánh giá mô hình SmartPLS. Các chỉ số này thuộc nhóm CB-SEM, được trình bày trong bối cảnh phù hợp bởi (Hu và Bentler, 1999). Khi dùng SmartPLS, hãy tập trung vào measurement model, path coefficient, R², f², Q², VIF và HTMT theo đúng thiết kế PLS-SEM.
Câu hỏi thường gặp
Hai nhân tố Herzberg gồm những gì
Mô hình gồm nhân tố duy trì và nhân tố tạo động lực. Nhân tố duy trì thường liên quan đến lương, chính sách, cấp trên, đồng nghiệp, điều kiện và sự ổn định công việc. Nhân tố tạo động lực thường liên quan đến thành tựu, ghi nhận, bản thân công việc, trách nhiệm và cơ hội phát triển.
Có thể dùng Herzberg để nghiên cứu sự hài lòng công việc không
Có thể, nếu bạn giải thích rõ sự hài lòng công việc là biến kết quả và chọn các nhân tố phù hợp làm biến giải thích. Bạn cần tránh kết luận rằng mọi nhân tố duy trì đều trực tiếp tạo ra hài lòng ở mọi bối cảnh. Mô hình, thang đo và dữ liệu thực tế sẽ quyết định kết quả kiểm định.
Nên gộp các nhân tố duy trì thành một biến hay tách riêng
Bạn có thể gộp khi có lập luận lý thuyết rõ ràng và thang đo thực sự phản ánh một khái niệm chung. Nếu đề tài muốn biết lương, cấp trên hay điều kiện làm việc yếu tố nào quan trọng hơn, nên tách riêng. Số biến trong mô hình phải phù hợp với cỡ mẫu và khả năng thu thập dữ liệu của bạn.
Dùng SPSS hay SmartPLS cho mô hình Herzberg
SPSS phù hợp với quy trình Cronbach's Alpha, EFA và hồi quy tuyến tính khi bạn tính điểm đại diện cho các khái niệm. SmartPLS phù hợp khi bạn giữ mô hình biến tiềm ẩn, muốn đánh giá đồng thời measurement model và structural model. Phần mềm không thay thế việc chọn lý thuyết, thang đo và giả thuyết.
Nếu một nhân tố không có ý nghĩa thống kê thì có xóa khỏi mô hình không
Bạn không nên xóa ngay chỉ vì p-value lớn hơn mốc bạn đặt ra. Hãy kiểm tra mã hóa, biến quan sát, đa cộng tuyến, cỡ mẫu, cách lấy mẫu và lập luận lý thuyết. Trong chương 4, báo cáo kết quả không có ý nghĩa theo đúng output, sau đó giải thích thận trọng thay vì sửa mô hình cho đến khi có kết quả mong muốn.
Mở file đề cương của bạn, viết lại biến độc lập, biến phụ thuộc và H1 đến H4 theo đúng bối cảnh, rồi đối chiếu từng biến quan sát trước khi chạy SPSS hoặc SmartPLS; nếu cần hỗ trợ chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích của DoThesis.