1. Mục đích sử dụng biểu đồ Tầm quan trọng – Hiệu suất IPMA
IPMA hỗ trợ nhà nghiên cứu xác định những biến trong mô hình có mức độ tác động tương đối lớn đến biến phụ thuộc nhưng lại đạt mức hiệu suất thấp. Thông qua đó, nhà nghiên cứu có cơ sở thực nghiệm để đánh giá thực trạng hoạt động của từng biến và đề xuất các giải pháp cải thiện phù hợp, ưu tiên nguồn lực vào những yếu tố có khả năng tạo ra tác động lớn nhất đến kết quả đầu ra.
Trong phân tích này, tầm quan trọng được hiểu là tổng tác động của biến độc lập (hệ số chưa chuẩn hóa) lên biến phụ thuộc trong mô hình cấu trúc. Chỉ số này phản ánh mức độ ảnh hưởng thực tế của biến giải thích đối với biến kết quả. Hiệu suất được xác định thông qua giá trị trung bình của biến độc lập, thường được chuẩn hóa về thang điểm từ 0 đến 100 để thuận tiện cho việc so sánh. Một biến được xem là có tầm quan trọng cao nhưng hiệu suất thấp khi biến đó có hệ số tác động lớn song giá trị trung bình lại ở mức thấp. Trong trường hợp này, việc nâng cao mức độ thực hiện của biến sẽ góp phần cải thiện đáng kể giá trị của biến phụ thuộc.
IPMA thể hiện các biến độc lập tác động đồng thời đến một biến phụ thuộc trên cùng một đồ thị hai chiều, trong đó một trục biểu diễn hiệu suất và trục còn lại biểu diễn tầm quan trọng. Cách tiếp cận này giúp trực quan hóa mức độ ưu tiên trong quản trị và ra quyết định.
- Trục tung: biểu diễn hiệu suất của biến độc lập, với giá trị dao động từ 0 đến 100. Giá trị càng gần 0 cho thấy mức hiệu suất càng thấp, trong khi giá trị càng gần 100 phản ánh mức hiệu suất càng cao.
- Trục hoành: biểu diễn tổng tác động của biến độc lập lên biến phụ thuộc, phản ánh mức độ quan trọng tương đối của từng biến trong mô hình.
Sự kết hợp của hai trục này tạo thành bốn góc phần tư với ý nghĩa quản trị khác nhau.
- Góc phần tư thứ nhất bao gồm các biến có hiệu suất cao nhưng tầm quan trọng thấp, hàm ý rằng mặc dù biến đang được thực hiện tốt nhưng mức độ ảnh hưởng đến kết quả chung không lớn.
- Góc phần tư thứ hai bao gồm các biến có cả hiệu suất và tầm quan trọng đều cao, đây là những yếu tố cần tiếp tục duy trì và phát huy.
- Góc phần tư thứ ba thể hiện các biến có hiệu suất thấp nhưng tầm quan trọng cao, đây là khu vực ưu tiên cải thiện vì việc nâng cao hiệu suất của các biến này có thể tạo ra tác động đáng kể đến biến phụ thuộc.
- Góc phần tư thứ tư bao gồm các biến có cả hiệu suất và tầm quan trọng đều thấp, thường không phải là trọng tâm ưu tiên trong ngắn hạn.
2. Phân tích IPMA trên phần mềm SMARTPLS 3
Bước 1: Kiểm tra các điều kiện tiền đề
Để triển khai phân tích Importance–Performance Map Analysis (IPMA) trong mô hình PLS-SEM, dữ liệu đầu vào cần đáp ứng ba yêu cầu phương pháp luận cơ bản.
Điều kiện thứ nhất: Các biến quan sát phải được đo lường bằng thang đo định lượng cân bằng. Tính cân bằng được hiểu là số lượng mức phản hồi mang ý nghĩa tích cực và tiêu cực tương đương nhau. Chẳng hạn, thang đo Likert 5 mức gồm hai mức phủ định (hoàn toàn không đồng ý, không đồng ý), một mức trung lập và hai mức khẳng định (đồng ý, hoàn toàn đồng ý) được xem là thang đo cân bằng. Tương tự, thang đo 4 mức từ 1 (rất không đồng ý) đến 4 (rất đồng ý) vẫn đảm bảo tính cân bằng nếu cấu trúc phản hồi thể hiện sự đối xứng giữa hai cực đánh giá.
Điều kiện thứ hai: Hướng mã hóa của các biến quan sát phải nhất quán. Giá trị thấp trên thang đo cần phản ánh mức độ đánh giá thấp hoặc phủ định, trong khi giá trị cao phải đại diện cho mức độ đánh giá cao hoặc khẳng định. Ví dụ, với thang Likert 5 mức, giá trị 1 phải tương ứng với hoàn toàn không đồng ý và giá trị 5 tương ứng với hoàn toàn đồng ý. Nếu không đảm bảo tính đồng hướng này, việc diễn giải rằng điểm số biến tiềm ẩn cao hơn đồng nghĩa với hiệu suất cao hơn sẽ không còn giá trị.
Điều kiện thứ ba: Hệ số tải ngoài của các biến quan sát trong mô hình đo lường phải mang dấu dương. Trường hợp xuất hiện hệ số tải âm cho thấy vấn đề về hướng đo lường hoặc cấu trúc thang đo, và khi đó không nên tiến hành IPMA vì kết quả hiệu suất sẽ không phản ánh đúng bản chất của biến tiềm ẩn.
Bước 2: Thực hiện IPMA trên SMARTPLS 3
Trên giao diện sơ đồ mô hình của SMARTPLS, lựa chọn Calculate và sau đó chạy PLS Algorithm để ước lượng mô hình.
Sau khi hoàn tất, chọn mục Importance-Performance Map Analysis (IPMA).
Tại cửa sổ thiết lập, ở mục Target Construct, nhà nghiên cứu lựa chọn biến phụ thuộc cần phân tích. Về mặt lý thuyết, IPMA được sử dụng nhằm đánh giá đồng thời mức độ quan trọng (thông qua tổng hiệu ứng chưa chuẩn hóa) và mức độ hiệu suất (thông qua điểm trung bình được chuẩn hóa về thang 0–100) của các biến độc lập khi tác động lên một biến phụ thuộc cụ thể. Trong mô hình minh họa, tồn tại hai biến phụ thuộc là HL và GB. Biến HL chịu tác động của ba biến độc lập, trong khi GB chịu tác động của bốn biến độc lập. Phân tích IPMA được thực hiện cho biến GB.
Tại mục Ranges, người nghiên cứu khai báo phạm vi giá trị tối thiểu và tối đa của thang đo. Có thể nhập riêng lẻ Min/Max cho từng biến quan sát hoặc thiết lập chung cho toàn bộ biến. Do chỉ số hiệu suất được quy đổi về thang 100 phần trăm, việc xác định chính xác phạm vi thang đo là điều kiện quan trọng nhằm đảm bảo độ chính xác của phép chuẩn hóa.
Ví dụ, nếu nhóm biến CV được đo bằng thang Likert 7 mức và nhóm DK được đo bằng thang Likert 5 mức, phần mềm sẽ cần quy đổi cả hai về cùng một chuẩn 100 phần trăm để so sánh. Nếu nhà nghiên cứu không khai báo phạm vi thiết kế ban đầu, hệ thống sẽ tự động xác định Min/Max dựa trên dữ liệu thực tế thu thập được. Trường hợp một biến được thiết kế theo thang 1–5 nhưng trong mẫu khảo sát không xuất hiện giá trị 1, phần mềm sẽ hiểu phạm vi là 2–5. Khi đó, việc chuẩn hóa hiệu suất sẽ bị sai lệch so với cấu trúc thang đo gốc. Vì vậy, cần nhập đúng giá trị Min và Max theo bảng hỏi ban đầu để đảm bảo tính chính xác phương pháp luận.
Trong ví dụ này, toàn bộ biến quan sát được đo bằng thang Likert từ 1 đến 5. Do đó, tại mục thiết lập chung, nhập Min = 1 và Max = 5, sau đó chọn Apply All để áp dụng cho tất cả biến.
Tiếp theo, nhấn Start Calculation để tiến hành phân tích.
Trong phần kết quả, chọn mục Importance-Performance Map [GB] (construct, unstandardized effects) để truy xuất các thông số cần thiết.
Sau đó, chuyển sang hai thẻ Construct Total Effects và Construct Performances để ghi nhận giá trị Total Effects và Performances của các biến độc lập.
Các giá trị này có thể được xuất sang Excel và tổng hợp thành bảng dữ liệu, đồng thời tính thêm giá trị trung bình của hai chỉ số nhằm phục vụ việc phân chia các vùng trong biểu đồ.
Quay lại thẻ Importance-Performance Map sẽ hiển thị biểu đồ IPMA với bốn điểm đại diện cho bốn biến độc lập CV, DK, HL và TL. Sử dụng chức năng Chart để sao chép biểu đồ sang Excel hoặc PowerPoint.
Trong cửa sổ Chart Size, thiết lập kích thước chiều rộng và chiều cao của hình ảnh (đơn vị pixel) trước khi xác nhận sao chép.
Sau khi dán biểu đồ vào PowerPoint, tiến hành vẽ hai đường trung bình: một đường theo trục tung đại diện cho giá trị trung bình của Performance (60.903) và một đường theo trục hoành đại diện cho giá trị trung bình của Total Effects (0.305). Hai đường này chia biểu đồ thành bốn góc phần tư, phục vụ cho việc diễn giải chiến lược.
Kết quả cho thấy biến DK nằm ở góc phần tư phía dưới bên phải, tức là khu vực có mức độ quan trọng cao nhưng hiệu suất thấp. Điều này hàm ý rằng DK có ảnh hưởng mạnh đến sự gắn bó của nhân viên với doanh nghiệp, song mức độ đánh giá thực tế của người lao động đối với các khía cạnh thuộc DK lại chưa đạt kỳ vọng.
Nhóm DK, đại diện cho điều kiện làm việc, bao gồm bốn biến quan sát:
DK1: công việc không thường xuyên làm ngoài giờ;
DK2: được cung cấp đầy đủ trang thiết bị phục vụ công việc;
DK3: bầu không khí làm việc thoải mái, không căng thẳng;
DK4: thời gian làm việc hợp lý.
Mặc dù tổng hiệu ứng cho thấy điều kiện làm việc có tác động đáng kể đến sự gắn bó của nhân viên với công ty, điểm hiệu suất trung bình thấp phản ánh sự chưa hài lòng của người lao động đối với các yếu tố này.
Từ góc độ quản trị, phát hiện này gợi ý rằng lãnh đạo doanh nghiệp cần ưu tiên cải thiện điều kiện làm việc nhằm nâng cao hiệu suất của biến DK. Nếu không có các biện pháp can thiệp phù hợp, mức độ gắn bó của nhân viên có thể suy giảm, kéo theo nguy cơ gia tăng tỷ lệ nghỉ việc và ảnh hưởng tiêu cực đến chất lượng nguồn nhân lực trong dài hạn.
