Mô hình 5 khoảng cách chất lượng dịch vụ: Cấu trúc và cách áp dụng

Mô hình 5 khoảng cách chất lượng dịch vụ là gì

Mô hình 5 khoảng cách chất lượng dịch vụ là khung lý thuyết dùng để giải thích vì sao khách hàng đánh giá dịch vụ thấp hơn hoặc cao hơn kỳ vọng ban đầu. Mô hình được phát triển bởi Parasuraman, Zeithaml và Berry trong quá trình nghiên cứu chất lượng dịch vụ, sau đó gắn với thang đo SERVQUAL trong công trình (Parasuraman và cộng sự, 1988).

Điểm quan trọng là mô hình không xem chất lượng dịch vụ chỉ là kết quả của một bảng điểm hài lòng. Nó truy ngược từ kỳ vọng của khách hàng, nhận thức của nhà quản lý, tiêu chuẩn phục vụ, quá trình cung cấp cho đến thông tin mà doanh nghiệp truyền đạt ra bên ngoài. Năm khoảng cách này giúp bạn giải thích nguyên nhân, còn thang đo SERVQUAL thường được dùng để đo cảm nhận của khách hàng.

Bạn có thể xem phần khái quát ngắn hơn tại bài 5 khoảng cách chất lượng dịch vụ là gì, hoặc đặt mô hình này trong nhóm Mô hình nghiên cứu để chọn hướng phù hợp với đề tài.

Cần phân biệt hai lớp trong nghiên cứu. Mô hình 5 khoảng cách là logic giải thích khoảng cách trong quản trị dịch vụ. SERVQUAL là thang đo được sử dụng phổ biến để đo chất lượng dịch vụ qua cảm nhận và kỳ vọng của khách hàng. Vì vậy, bạn có thể dùng mô hình để xây dựng lập luận, nhưng khi chạy dữ liệu vẫn phải xác định rõ biến độc lập, biến phụ thuộc và biến quan sát.

Các thành phần trong mô hình

Năm khoảng cách không phải là năm biến độc lập bắt buộc phải đưa hết vào SPSS. Đây là năm vị trí mà chất lượng dịch vụ có thể bị suy giảm. Khi chuyển sang luận văn, bạn cần chọn phần nào có thể đo được bằng bảng hỏi và phù hợp với đối tượng khảo sát.

Khoảng cách 5 thường là phần gần nhất với đánh giá chất lượng dịch vụ của khách hàng. Nếu bạn khảo sát người sử dụng dịch vụ, bảng hỏi thường tập trung vào cảm nhận thực tế, kỳ vọng hoặc các thành phần chất lượng dịch vụ. Bốn khoảng cách đầu có thể được dùng để giải thích nguyên nhân quản trị, nhưng cần dữ liệu phù hợp từ nhà quản lý, nhân viên hoặc tài liệu quy trình.

Năm khoảng cách cũng không đồng nghĩa với năm chiều đo cố định. Năm chiều thường gặp của SERVQUAL là Reliability, Responsiveness, Assurance, Empathy và Tangibles. Đây là cấu trúc thang đo, còn 5 khoảng cách là cấu trúc lý thuyết. Trộn hai khái niệm này trong chương cơ sở lý thuyết sẽ khiến hội đồng hỏi bạn đang kiểm định mô hình nào.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc của Parasuraman và cộng sự tập trung vào quá trình hình thành chất lượng dịch vụ. Sau đó, SERVQUAL được dùng rộng rãi để đo chênh lệch giữa kỳ vọng và cảm nhận của khách hàng. Bạn có thể đọc thêm phần riêng về mô hình SERVQUAL nếu đề tài đang đo chất lượng dịch vụ bằng các biến quan sát cụ thể.

Trong nhiều luận văn, sinh viên sử dụng năm khoảng cách như nền tảng lý thuyết nhưng chỉ kiểm định một phiên bản rút gọn. Chẳng hạn, mô hình có thể đặt chất lượng cảm nhận là biến phụ thuộc, còn Reliability, Responsiveness, Assurance, Empathy và Tangibles là các biến độc lập. Cách này phù hợp hơn với dữ liệu khách hàng vì bạn có thể thu thập cùng một bảng hỏi và chạy hồi quy hoặc PLS-SEM.

Một hướng mở rộng khác là đo trực tiếp cảm nhận thực tế thay vì yêu cầu người trả lời đánh giá cả kỳ vọng và cảm nhận. Đây là logic thường được liên hệ với SERVPERF. Bạn có thể đối chiếu với bài mô hình SERVPERF trước khi quyết định dùng mô hình chênh lệch hay chỉ dùng điểm cảm nhận.

Khi trình bày mô hình gốc và phần mở rộng, nên tách rõ ba việc. Thứ nhất, mô hình 5 khoảng cách giải thích nguồn gốc của vấn đề chất lượng dịch vụ. Thứ hai, SERVQUAL cung cấp cách đo dựa trên các khía cạnh chất lượng. Thứ ba, mô hình thực nghiệm của bạn là phiên bản đã điều chỉnh cho ngành, địa bàn và đối tượng khảo sát.

Bạn cũng không nên đưa toàn bộ năm khoảng cách vào mô hình hồi quy chỉ vì tên đề tài có số 5. Nếu không có biến quan sát đo khoảng cách 1 đến 4, bạn không thể kết luận trực tiếp về chúng. Trong trường hợp đó, hãy nói rõ bạn sử dụng mô hình 5 khoảng cách làm cơ sở lý thuyết, còn mô hình định lượng tập trung vào chất lượng dịch vụ cảm nhận và các thành phần đo lường được.

Thang đo thường dùng cho từng khái niệm

Nguồn thang đo thường được nhắc đến nhất là SERVQUAL của Parasuraman, Zeithaml và Berry. Công trình này đề xuất đo chất lượng dịch vụ qua các khía cạnh như độ tin cậy, khả năng đáp ứng, sự đảm bảo, sự đồng cảm và phương tiện hữu hình (Parasuraman và cộng sự, 1988).

Các câu trên chỉ là hướng tham khảo để bạn điều chỉnh, không phải bản dịch đã được xác nhận cho mọi ngành. Bạn cần thay từ “đơn vị” bằng bệnh viện, ngân hàng, trường đại học, sàn thương mại điện tử hoặc bối cảnh cụ thể của đề tài. Nếu có biến đảo chiều, hãy đánh dấu ngay trong codebook để tránh nhập sai khi chạy dữ liệu.

Với bảng hỏi Likert, bạn cần thống nhất số mức đo và cách diễn giải. Thang Likert bắt nguồn từ kỹ thuật đo thái độ của Likert (Likert, 1932). Trong dữ liệu SPSS, mỗi biến quan sát nên có tên ngắn, chẳng hạn REL1, REL2, RES1 hoặc EMP1. Phần diễn giải đầy đủ của biến để ở Variable Label, không dùng tên biến dài có dấu cách.

Sau khi thu thập dữ liệu, trình tự thường gồm kiểm tra dữ liệu, chạy Cronbach's Alpha, EFA nếu mô hình cần khám phá cấu trúc, rồi hồi quy hoặc PLS-SEM. Cronbach's Alpha từ 0.7 trở lên thường được xem là đạt (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên là mức tham khảo phổ biến (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng bạn phải giải thích bối cảnh thay vì tự động giữ mọi biến.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là: “Các yếu tố ảnh hưởng đến chất lượng dịch vụ ngân hàng số của khách hàng tại Thành phố Hồ Chí Minh”. Bạn có thể dùng mô hình 5 khoảng cách làm nền tảng giải thích, sau đó xây dựng mô hình định lượng rút gọn gồm năm thành phần SERVQUAL và chất lượng dịch vụ tổng thể.

Mô hình khái niệm có thể gồm năm biến độc lập là Reliability, Responsiveness, Assurance, Empathy và Tangibles. Biến phụ thuộc là Service Quality. Nếu muốn mở rộng, bạn có thể thêm Customer Satisfaction hoặc Intention to Continue Use, nhưng chỉ khi câu hỏi nghiên cứu và nguồn thang đo đủ rõ.

Bốn giả thuyết minh họa có thể viết như sau:

• H1: Reliability có ảnh hưởng tích cực đến chất lượng dịch vụ ngân hàng số.
• H2: Responsiveness có ảnh hưởng tích cực đến chất lượng dịch vụ ngân hàng số.
• H3: Assurance có ảnh hưởng tích cực đến chất lượng dịch vụ ngân hàng số.
• H4: Empathy có ảnh hưởng tích cực đến chất lượng dịch vụ ngân hàng số.

Nếu mô hình có Tangibles, bạn có thể bổ sung H5. Việc đánh số giả thuyết cần khớp với sơ đồ mô hình, bảng tổng hợp giả thuyết và phần kết quả. Đừng đặt H1 là Reliability trong sơ đồ nhưng lại gọi H1 là Responsiveness ở chương 4.

Bạn cũng cần quyết định mình đang kiểm định ảnh hưởng của các thành phần chất lượng hay đang đo khoảng cách kỳ vọng và cảm nhận. Nếu dùng điểm chênh lệch, hãy mô tả công thức tạo biến và cách xử lý hai nhóm câu trả lời. Nếu chỉ dùng điểm cảm nhận, hãy gọi đúng là chất lượng dịch vụ cảm nhận và tránh kết luận rằng bạn đã đo trực tiếp cả năm khoảng cách.

Cách viết vào luận văn có thể điều chỉnh như sau: “Dựa trên mô hình 5 khoảng cách chất lượng dịch vụ và thang đo SERVQUAL của (Parasuraman và cộng sự, 1988), nghiên cứu đề xuất kiểm định ảnh hưởng của [các thành phần chất lượng dịch vụ] đến [biến phụ thuộc] trong bối cảnh [ngành hoặc địa bàn].”

Một mô hình tốt phải nối được lý thuyết, thang đo, giả thuyết và cách phân tích. Nếu biến “sự đảm bảo” có bốn biến quan sát nhưng phần phương pháp lại mô tả ba biến, bạn cần sửa trước khi chạy mô hình. Hãy lập một bảng mapping gồm mã biến, khái niệm, câu hỏi, nguồn và giả thuyết liên quan.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn dùng biến tổng hợp và mục tiêu chính là kiểm định độ tin cậy, EFA, tương quan và hồi quy tuyến tính. Bạn có thể bắt đầu bằng Analyze > Scale > Reliability Analysis, đưa các biến quan sát của từng khái niệm vào riêng từng lần chạy, rồi chọn Scale if item deleted trong nút Statistics để xem tác động nếu loại biến.

Sau đó, nếu cần EFA, dùng Analyze > Dimension Reduction > Factor. Chọn phương pháp trích phù hợp, phương pháp xoay và kiểm tra các bảng KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê là các tiêu chí thường được viện dẫn theo (Kaiser, 1974). Factor loading từ 0.5 trở lên thường được tham khảo theo (Hair và cộng sự, 2010). Eigenvalue lớn hơn 1 là một quy tắc trích nhân tố theo (Kaiser, 1960).

Nếu chạy hồi quy, vào Analyze > Regression > Linear. Đưa Service Quality vào ô Dependent, các thành phần SERVQUAL vào ô Independent. Đọc bảng Model Summary, ANOVA và Coefficients. Kiểm tra VIF, phần dư, Durbin-Watson và dấu của hệ số. Durbin-Watson trong khoảng 1 đến 3 là tiêu chí tham khảo theo (Field, 2013).

SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều biến quan sát và bạn muốn đánh giá đồng thời measurement model và structural model. Bạn nhập dữ liệu .csv, tạo construct, kéo đường dẫn giữa các construct rồi chạy PLS-SEM Algorithm. Sau đó chạy Bootstrapping để kiểm định path coefficient. Quy trình đánh giá measurement model trước structural model phù hợp với hướng dẫn (Hair và cộng sự, 2022).

Trong SmartPLS, các bảng cần đọc gồm Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square và kết quả bootstrapping. Outer loading từ 0.7 trở lên, CR từ 0.7 trở lên và AVE từ 0.5 trở lên là các mức tham khảo lần lượt theo (Chin, 1998) và (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất trong (Henseler và cộng sự, 2015). VIF dưới 5 được báo cáo theo (Hair và cộng sự, 2019).

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.

Từ bảng minh họa, Assurance có hệ số đường dẫn dương và p-value nhỏ hơn 0.05, còn Empathy chưa có bằng chứng thống kê ở ngưỡng này. Khi viết kết quả thật, bạn phải thay bằng số trong output của mình và báo cáo thêm khoảng tin cậy bootstrap nếu phần mềm cung cấp. Không được suy ra kết luận cho dữ liệu của bạn từ bảng minh họa.

Với PLS-SEM, R² từ 0.75, 0.50 và 0.25 lần lượt thường được mô tả là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). f² có các mức nhỏ 0.02, vừa 0.15 và lớn 0.35 theo (Cohen, 1988). Q² lớn hơn 0 cho thấy khả năng dự báo theo (Stone, 1974). Các chỉ số CFI, TLI và RMSEA thuộc CB-SEM, vì vậy không đưa vào phần đánh giá SmartPLS theo thói quen.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi năm chiều SERVQUAL là năm khoảng cách. Bạn cần sửa thuật ngữ trong sơ đồ, mục tiêu nghiên cứu và giả thuyết. Nếu đề tài chỉ khảo sát khách hàng, hãy nói rõ phạm vi dữ liệu chưa đủ để đo các khoảng cách nội bộ giữa quản lý, tiêu chuẩn và nhân viên.

Lỗi thứ hai là lấy nguyên câu hỏi từ một nghiên cứu khác rồi khẳng định thang đo đã phù hợp với Việt Nam. Bối cảnh ngân hàng, bệnh viện, giáo dục và du lịch có cách diễn giải dịch vụ khác nhau. Bạn cần rà lại từ ngữ, thử nghiệm bảng hỏi và ghi nhận các biến đã điều chỉnh.

Lỗi thứ ba là loại biến chỉ vì Alpha tăng, nhưng không xem nội dung và cấu trúc lý thuyết. Một biến bị loại cần có lý do từ chỉ số thống kê, nội dung không phù hợp hoặc vấn đề nhập liệu. Hãy lưu từng phiên bản dữ liệu và ghi lại biến bị loại ở vòng nào.

Lỗi thứ tư là dùng mô hình chênh lệch giữa kỳ vọng và cảm nhận nhưng không giải thích cách tính. Người trả lời có thể hiểu hai phần không giống nhau, khiến điểm chênh lệch khó diễn giải. Nếu mục tiêu chỉ là đo cảm nhận, hãy dùng mô hình cảm nhận và gọi đúng tên.

Lỗi cuối là đưa quá nhiều biến vào khi cỡ mẫu không đủ. Với phân tích nhân tố, quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được viện dẫn theo (Hair và cộng sự, 2010). Quy tắc này chỉ là một căn cứ thiết kế, không thay thế việc xem xét số biến, số nhóm và chất lượng dữ liệu.

Câu hỏi thường gặp

Mô hình 5 khoảng cách chất lượng dịch vụ có phải là SERVQUAL không?

Hai khái niệm có liên quan nhưng không đồng nhất. Mô hình 5 khoảng cách giải thích nơi chất lượng dịch vụ có thể bị suy giảm, còn SERVQUAL là thang đo phổ biến để đo các khía cạnh chất lượng dịch vụ (Parasuraman và cộng sự, 1988). Trong luận văn, bạn nên trình bày quan hệ giữa chúng rồi xác định rõ mô hình thực nghiệm đang kiểm định.

Mô hình 5 khoảng cách chất lượng dịch vụ gồm những khoảng cách nào?

Mô hình gồm khoảng cách giữa kỳ vọng khách hàng và nhận thức quản lý, nhận thức quản lý và tiêu chuẩn, tiêu chuẩn và dịch vụ thực tế, dịch vụ thực tế và thông tin truyền thông, cuối cùng là kỳ vọng và cảm nhận của khách hàng. Không phải đề tài nào cũng có dữ liệu để đo cả năm khoảng cách.

Nên dùng SPSS hay SmartPLS cho mô hình này?

SPSS phù hợp khi bạn tổng hợp điểm các thành phần rồi chạy EFA và hồi quy. SmartPLS phù hợp khi bạn muốn giữ cấu trúc biến tiềm ẩn, đánh giá outer loading, CR, AVE, HTMT và path coefficient trong cùng một quy trình.

Hãy chọn theo mô hình, cỡ mẫu, dạng thang đo và yêu cầu của giảng viên. AMOS phù hợp với CB-SEM nhưng đòi hỏi cách đánh giá model fit khác. JASP và R có thể xử lý nhiều phân tích, nhưng bạn cần tự chuẩn bị quy trình và cách trình bày output.

Có cần đưa cả 5 khoảng cách vào bảng hỏi không?

Bạn chỉ cần đưa các khoảng cách vào bảng hỏi nếu câu hỏi nghiên cứu yêu cầu đo chúng và bạn có đối tượng trả lời phù hợp. Với khảo sát khách hàng, phần đo phổ biến hơn là cảm nhận chất lượng dịch vụ hoặc kỳ vọng và cảm nhận theo từng biến quan sát.

Nếu không đo được khoảng cách 1 đến 4, hãy dùng mô hình 5 khoảng cách ở phần cơ sở lý thuyết, sau đó nêu rõ mô hình định lượng chỉ kiểm định các thành phần có dữ liệu.

Thang đo SERVQUAL có bao nhiêu biến quan sát là đạt?

Không có một số lượng cố định áp dụng cho mọi ngành. Số biến phụ thuộc vào nguồn thang đo, bối cảnh, nội dung khái niệm và kết quả kiểm định. Bạn cần bảo đảm mỗi khái niệm có đủ biến quan sát để thể hiện nội dung, sau đó đánh giá Cronbach's Alpha, EFA hoặc measurement model.

Cronbach's Alpha thấp thì có phải bỏ cả thang đo không?

Chưa thể kết luận ngay. Hãy kiểm tra Corrected Item-Total Correlation, nội dung biến, biến đảo chiều, dữ liệu thiếu và cách nhập mã. Alpha từ 0.7 thường được tham khảo theo (Nunnally, 1978), còn thang đo khám phá có thể được cân nhắc từ 0.6 theo (Hair và cộng sự, 2010). Nếu loại một biến, bạn cần ghi rõ lý do và chạy lại theo trình tự.

Mở file dữ liệu của bạn, lập bảng mapping giữa năm chiều SERVQUAL, mã biến quan sát, nguồn thang đo và giả thuyết, sau đó chọn SPSS hoặc SmartPLS theo mô hình thực tế tại M4 phân tích dữ liệu.