Mô hình SERVPERF: Thành phần, Thang đo và Cách áp dụng

Mô hình SERVPERF là gì

Mô hình SERVPERF là khung đo chất lượng dịch vụ dựa trên cảm nhận thực tế của khách hàng sau khi sử dụng dịch vụ. Khi dùng mô hình này, bảng hỏi tập trung vào mức độ khách hàng đánh giá doanh nghiệp đã thực hiện dịch vụ như thế nào, thay vì hỏi riêng phần kỳ vọng trước khi sử dụng và phần cảm nhận sau khi sử dụng.

Điểm thực hành quan trọng nằm ở cách bạn biến khái niệm “chất lượng dịch vụ” thành các biến quan sát có thể đo bằng thang Likert. Chẳng hạn, khách hàng có thể đánh giá tốc độ phục vụ, sự chính xác của thông tin, mức độ an toàn khi giao dịch hoặc sự quan tâm của nhân viên trên thang từ 1 đến 5. Dữ liệu sau đó được kiểm định bằng Cronbach's Alpha, EFA, hồi quy hoặc PLS-SEM tùy mô hình nghiên cứu.

SERVPERF thường được chọn khi bạn muốn bảng hỏi ngắn hơn và muốn đo trực tiếp đánh giá của khách hàng. Trong khi đó, mô hình SERVQUAL tách chất lượng dịch vụ thành khoảng cách giữa kỳ vọng và cảm nhận. Hai hướng tiếp cận có thể cùng nghiên cứu một vấn đề, nhưng chúng tạo ra cấu trúc bảng hỏi và cách diễn giải dữ liệu khác nhau.

Các thành phần trong mô hình

SERVPERF thường sử dụng năm nhóm thành phần chất lượng dịch vụ kế thừa từ cấu trúc SERVQUAL. Bạn cần kiểm tra lại bối cảnh cụ thể trước khi giữ nguyên toàn bộ nhóm, vì khách hàng của ngân hàng, bệnh viện, trường đại học hay sàn thương mại điện tử có thể hiểu một biến quan sát theo cách khác nhau.

Năm thành phần trên là điểm xuất phát để thiết kế mô hình. Bạn không nên xem đây là năm biến bắt buộc phải giữ nguyên sau khi thu thập dữ liệu. Nếu một biến quan sát có corrected item-total correlation thấp, loading thấp hoặc tải chéo rõ rệt, việc giữ biến chỉ để đủ số lượng ban đầu có thể làm yếu kết quả.

Ở bước thiết kế, hãy viết định nghĩa vận hành cho từng thành phần. “Độ tin cậy” cần được mô tả bằng những hành vi có thể quan sát, chẳng hạn thực hiện đúng cam kết hoặc xử lý giao dịch chính xác. Một định nghĩa quá rộng khiến các biến quan sát chồng lấn sang “khả năng đáp ứng” hoặc “sự đảm bảo”.

Bạn có thể xem thêm SERVQUAL để đối chiếu cách năm thành phần này được sử dụng trong nghiên cứu chất lượng dịch vụ. Nếu đề tài của bạn cần giải thích nguyên nhân tạo ra khoảng cách dịch vụ, mô hình 5 khoảng cách chất lượng dịch vụ sẽ phù hợp với câu hỏi nghiên cứu khác so với SERVPERF.

Mô hình gốc và các mở rộng phổ biến

Cấu trúc cốt lõi của SERVPERF là đo cảm nhận về kết quả thực hiện dịch vụ. Vì vậy, bạn không cần tạo một nhóm biến riêng để đo “kỳ vọng” nếu đề tài chỉ sử dụng logic SERVPERF. Bảng hỏi có thể bắt đầu bằng câu hỏi sàng lọc, tiếp theo là các biến quan sát của năm thành phần, rồi đến biến kết quả như sự hài lòng hoặc ý định tiếp tục sử dụng.

Một hướng mở rộng thường gặp là đặt chất lượng dịch vụ làm biến độc lập và thêm sự hài lòng làm biến trung gian. Khi đó, năm thành phần có thể tác động đến sự hài lòng, còn sự hài lòng tác động đến lòng trung thành. Hướng khác là gộp năm thành phần thành một biến chất lượng dịch vụ bậc cao, nhưng cách này đòi hỏi mô hình đo lường và lập luận lý thuyết rõ ràng hơn.

Bạn cần phân biệt mô hình đo chất lượng dịch vụ với mô hình đo kết quả của dịch vụ. SERVPERF trả lời câu hỏi khách hàng đánh giá việc cung cấp dịch vụ ra sao. Các biến như hài lòng, giới thiệu cho người khác, ý định mua lại hoặc lòng trung thành là kết quả cần đo bằng thang đo riêng.

Nếu nghiên cứu của bạn nói về mức độ hài lòng tổng thể, có thể tham khảo cách một chỉ số hài lòng được xây dựng trong ACSI là gì. Tuy nhiên, không nên đưa toàn bộ cấu trúc của một chỉ số khác vào SERVPERF chỉ vì chúng đều liên quan đến khách hàng. Mỗi khái niệm phải có định nghĩa, nguồn thang đo và vị trí riêng trong mô hình.

Một mở rộng khác là điều chỉnh biến quan sát theo ngành. Trong dịch vụ ngân hàng, “giao dịch được xử lý chính xác” có thể phù hợp. Trong giáo dục, “nhân viên hỗ trợ giải đáp thủ tục đúng hạn” có thể sát hơn. Trong giao nhận, “đơn hàng được giao đúng thời gian” có thể quan trọng hơn “không gian giao dịch”. Việc điều chỉnh câu chữ cần giữ nguyên nội dung khái niệm, không biến một biến quan sát thành câu hỏi về khái niệm khác.

Thang đo thường dùng cho từng khái niệm

Năm nhóm thành phần trong SERVPERF thường được tham chiếu từ cấu trúc SERVQUAL. Nguồn nền tảng cho các chiều chất lượng dịch vụ là thang đo của Parasuraman và cộng sự, được trích dẫn là (Parasuraman và cộng sự, 1988). Đây là nguồn phù hợp để bạn giải thích năm thành phần và làm cơ sở ban đầu cho bộ biến quan sát.

Bảng trên là khung tham khảo, không phải bản dịch đã được xác nhận cho mọi ngành. Bạn nên thay các câu chữ chung bằng tình huống mà người trả lời thực sự trải qua. Ví dụ, biến “nhân viên sẵn sàng giúp đỡ khách hàng” cần được viết lại để khách hàng biết họ đang đánh giá nhân viên tại quầy, nhân viên tổng đài hay nhân viên giao hàng.

Với thang Likert, bạn có thể dùng các mức từ “hoàn toàn không đồng ý” đến “hoàn toàn đồng ý”, dựa trên truyền thống đo thái độ của Likert (Likert, 1932). Hãy thống nhất chiều của tất cả biến. Nếu có biến đảo chiều, ghi chú rõ trong file dữ liệu và recode trước khi chạy Cronbach's Alpha.

Sau khi thu thập dữ liệu, hãy kiểm tra Cronbach's Alpha và corrected item-total correlation trước khi chạy EFA. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên là một mốc thường dùng (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 cần 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 sự hài lòng của khách hàng đối với dịch vụ giao hàng tại Thành phố Hồ Chí Minh”. Bạn có thể xây dựng mô hình gồm năm biến độc lập là phương tiện hữu hình, độ tin cậy, khả năng đáp ứng, sự đảm bảo và sự đồng cảm. Biến phụ thuộc là sự hài lòng của khách hàng.

Mô hình khái niệm có thể viết theo dạng:

Phương tiện hữu hình, Độ tin cậy, Khả năng đáp ứng, Sự đảm bảo, Sự đồng cảm → Sự hài lòng khách hàng

Các giả thuyết cần nói rõ hướng tác động dự kiến:

• H1: Phương tiện hữu hình có tác động tích cực đến sự hài lòng của khách hàng.
• H2: Độ tin cậy có tác động tích cực đến sự hài lòng của khách hàng.
• H3: Khả năng đáp ứng có tác động tích cực đến sự hài lòng của khách hàng.
• H4: Sự đảm bảo có tác động tích cực đến sự hài lòng của khách hàng.
• H5: Sự đồng cảm có tác động tích cực đến sự hài lòng của khách hàng.

Bạn có thể gộp mô hình thành năm giả thuyết nếu đề cương yêu cầu, nhưng không nên giới hạn ở H1 đến H4 chỉ vì số thứ tự. Điều quan trọng là mỗi giả thuyết phải nối một biến độc lập với một biến phụ thuộc cụ thể, có lập luận từ tài liệu và phù hợp với bảng hỏi.

Cách viết vào luận văn có thể dùng đoạn sau và thay phần trong ngoặc vuông: “Dựa trên (Parasuraman và cộng sự, 1988), nghiên cứu đề xuất chất lượng dịch vụ gồm [số lượng] thành phần, bao gồm [tên các thành phần]. Nghiên cứu kiểm định tác động của các thành phần này đến [tên biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu].”

Ở chương phương pháp, bạn cần nêu rõ đối tượng khảo sát, điều kiện người trả lời đã sử dụng dịch vụ, thang đo, cách mã hóa và tiêu chí loại bảng trả lời không hợp lệ. Với cỡ mẫu, số quan sát trên mỗi biến quan sát có thể được tham khảo theo mốc 5 đến 10 quan sát cho một biến quan sát (Hair và cộng sự, 2010). Đây là cơ sở tham khảo, không thay thế cho lập luận về mô hình và chất lượng dữ liệu.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Nếu mô hình SERVPERF của bạn dùng các biến quan sát phản xạ và mục tiêu là kiểm định độ tin cậy, EFA và hồi quy, SPSS là lựa chọn dễ theo dõi. Bạn bắt đầu bằng Analyze > Scale > Reliability Analysis để chạy Cronbach's Alpha, sau đó dùng Analyze > Dimension Reduction > Factor để chạy EFA. Trong hộp thoại Reliability Analysis, chọn Statistics và đánh dấu Scale if item deleted để xem Alpha thay đổi ra sao khi loại từng biến.

Trong EFA, kiểm tra 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 ở mức dưới 0.05 là các mốc được dẫn theo (Kaiser, 1974). Quy tắc eigenvalue trên 1 có nguồn từ (Kaiser, 1960), còn tổng phương sai trích từ 50% trở lên và factor loading từ 0.5 trở lên thường được tham khảo theo (Hair và cộng sự, 2010).

Sau EFA, chạy hồi quy tại Analyze > Regression > Linear. Đưa sự hài lòng vào ô Dependent, năm thành phần vào ô Independent(s), rồi xem các bảng Model Summary, ANOVA và Coefficients. Bạn cần kiểm tra VIF, dấu của B hoặc Beta, t và Sig.. Nếu mô hình có nhiều biến giải thích, cỡ mẫu hồi quy có thể tham khảo quy tắc 50 + 8m, trong đó m là số biến độc lập, theo (Tabachnick và Fidell, 2013).

SmartPLS phù hợp khi bạn muốn kiểm định đồng thời mô hình đo lường và mô hình cấu trúc, hoặc khi mô hình có biến tiềm ẩn bậc cao, mediator hay moderator. Trong SmartPLS 4, bạn nhập dữ liệu .csv, tạo construct, kéo các indicator vào construct, nối các đường dẫn giả thuyết, sau đó chạy PLS-SEM Algorithm và Bootstrapping.

Ở phần đo lường, đọc Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998) hoặc (Hair và cộng sự, 2022), CR từ 0.7 và AVE từ 0.5 trở lên theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc dưới 0.90 với các khái niệm gần nhau theo (Henseler và cộng sự, 2015). Ở phần cấu trúc, xem Path Coefficients, R-Square, f-Square, Collinearity Statistics và Predictive Relevance.

Với PLS-SEM, R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là mạnh, trung bình và yếu theo (Hair và cộng sự, 2011). VIF dưới 5 được tham khảo theo (Hair và cộng sự, 2019). Khi chạy Bootstrapping, dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022) rồi báo cáo hệ số đường dẫn, t-value, p-value và khoảng tin cậy.

Hai phần mềm không tạo ra cùng một quy trình. SPSS thường dễ giải thích nếu bạn dùng EFA và hồi quy tuyến tính. SmartPLS thuận tiện khi bạn làm PLS-SEM. AMOS phù hợp với CB-SEM và các chỉ số fit như CFI, TLI, RMSEA cần được tách khỏi logic PLS-SEM. JASP và R có thể giảm chi phí phần mềm, nhưng đòi hỏi bạn tự kiểm soát cú pháp, gói phân tích và cách xuất bảng. Dịch vụ chạy SPSS có thể tiết kiệm thời gian thao tác, nhưng rủi ro lớn nhất là bạn không giải thích được vì sao một biến bị loại khi hội đồng hỏi.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi thang đo chất lượng dịch vụ là SERVPERF nhưng vẫn hỏi cả kỳ vọng và cảm nhận rồi lấy hiệu số. Cách làm đó trộn hai logic đo lường. Bạn cần quyết định trước bảng hỏi đang đo cảm nhận thực tế, hay đang tính khoảng cách giữa kỳ vọng và cảm nhận.

Lỗi thứ hai là sao chép nguyên văn biến quan sát từ ngành khác. Một biến phù hợp với khách sạn có thể không phù hợp với ngân hàng trực tuyến. Hãy giữ nội dung của khái niệm, nhưng điều chỉnh ngữ cảnh, chủ thể cung cấp dịch vụ và hành vi mà người trả lời có thể đánh giá.

Lỗi thứ ba là ép dữ liệu phải giữ đủ năm thành phần. EFA có thể cho thấy cấu trúc khác với mô hình lý thuyết ban đầu. Bạn cần ghi lại từng vòng loại biến, lý do loại và kết quả chạy lại. Loại biến có căn cứ thống kê và lý thuyết có thể chấp nhận được; loại biến chỉ để đạt p-value đẹp thì khó giải trình.

Lỗi thứ tư là dùng “chất lượng dịch vụ” và “sự hài lòng” như hai tên gọi cho cùng một khái niệm. Chất lượng dịch vụ mô tả đánh giá về việc cung cấp dịch vụ, còn sự hài lòng là đánh giá tổng thể sau trải nghiệm. Nếu hai thang đo có câu hỏi gần như giống nhau, giá trị phân biệt sẽ gặp vấn đề.

Lỗi cuối là chỉ báo cáo Alpha và p-value mà bỏ qua cấu trúc đo lường. Một mô hình SERVPERF tốt cần có nguồn thang đo, định nghĩa biến, cách mã hóa, kết quả độ tin cậy, EFA hoặc measurement model, rồi mới đến kiểm định giả thuyết. Người đọc cần thấy đường đi từ bảng hỏi đến kết luận, không chỉ một bảng hệ số.

Câu hỏi thường gặp

Mô hình SERVPERF có mấy thành phần?

Khung SERVPERF thường được triển khai với năm thành phần: phương tiện hữu hình, độ tin cậy, khả năng đáp ứng, sự đảm bảo và sự đồng cảm. Đây là cấu trúc tham khảo từ thang đo chất lượng dịch vụ (Parasuraman và cộng sự, 1988). Khi áp dụng vào đề tài cụ thể, bạn cần kiểm định lại số lượng và cách nhóm biến bằng dữ liệu thực tế.

Mô hình SERVPERF và SERVQUAL khác nhau thế nào?

SERVPERF tập trung vào cảm nhận của khách hàng về kết quả thực hiện dịch vụ. SERVQUAL đo cả kỳ vọng và cảm nhận, sau đó thường phân tích khoảng cách giữa hai phần. Vì vậy, SERVPERF thường có bảng hỏi gọn hơn, còn SERVQUAL cần kiểm soát hai bộ câu trả lời cho cùng các nội dung.

Mô hình SERVPERF có cần đo kỳ vọng không?

Nếu bạn tuyên bố sử dụng SERVPERF theo logic cảm nhận thực tế, bảng hỏi không cần thêm một phần kỳ vọng riêng. Bạn vẫn có thể hỏi đánh giá tổng thể hoặc ý định tiếp tục sử dụng như biến kết quả, nhưng các biến đó phải được tách khỏi năm thành phần chất lượng dịch vụ.

Mô hình SERVPERF nên chạy SPSS hay SmartPLS?

SPSS phù hợp khi bạn muốn chạy Cronbach's Alpha, EFA và hồi quy tuyến tính theo quy trình quen thuộc. SmartPLS phù hợp khi bạn kiểm định PLS-SEM, có construct bậc cao hoặc mô hình nhiều đường dẫn. Hãy chọn theo câu hỏi nghiên cứu và cách bạn được yêu cầu trình bày, không chọn chỉ vì một phần mềm cho ra nhiều bảng hơn.

Thang đo SERVPERF bao nhiêu biến quan sát là đạt?

Không có một số lượng cố định áp dụng cho mọi ngành. Bạn cần dựa trên định nghĩa khái niệm, nguồn thang đo và độ bao phủ nội dung. Sau khi thu thập dữ liệu, kiểm tra corrected item-total correlation từ 0.3 theo (Nunnally và Bernstein, 1994), Alpha theo (Nunnally, 1978) và factor loading theo (Hair và cộng sự, 2010), rồi giải thích quyết định giữ hoặc loại biến.

Nếu EFA của SERVPERF bị lỗi thì làm sao?

Trước tiên kiểm tra dữ liệu thiếu, biến đảo chiều, mã hóa sai và các biến có cùng một giá trị. Sau đó xem KMO, Bartlett, communalities, loading và cross-loading. Bạn có thể loại từng biến có căn cứ, chạy lại và ghi nhận từng vòng. Nếu cấu trúc vẫn không ổn định, cần xem lại cách dịch, bối cảnh khảo sát và định nghĩa khái niệm thay vì chỉ thử nhiều tùy chọn cho đến khi có bảng đẹp.

Mở file đề cương và dữ liệu của bạn, chốt năm thành phần, lập danh sách biến quan sát và ghi rõ giả thuyết trước khi chạy kiểm định; nếu cần nối mô hình với bảng hỏi và quy trình phân tích dữ liệu thật, xem M3 và M4 của DoThesis.