Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết bài toán cấp thiết về dự báo nguồn nhân lực thuyền viên xuất khẩu (NNLTVXK) tại Việt Nam, một lĩnh vực còn non trẻ và thiếu cơ sở khoa học vững chắc. Bối cảnh khoa học toàn cầu hóa và sự phụ thuộc ngày càng tăng vào thương mại hàng hải đã tạo ra nhu cầu lớn về thuyền viên chất lượng cao, đặc biệt từ các quốc gia đang phát triển. Tuy nhiên, Việt Nam vẫn chưa có một hệ thống thông tin và mô hình dự báo NNLTVXK theo đúng nghĩa, gây khó khăn cho việc hoạch định chính sách và chiến lược phát triển bền vững.

Nghiên cứu này đi sâu vào giải quyết một research gap cụ thể đã được xác định rõ ràng: "đến nay vẫn chưa có một hệ thống thông tin và dự báo NNLTVXK theo đúng nghĩa, chưa có được phương pháp/mô hình dự báo nhân lực thuyền viên xuất khẩu dựa trên lý luận khoa học và phù hợp, tương thích với điều kiện thực tiễn ở Việt Nam" (tr. 1). Đồng thời, luận án cũng chỉ ra rằng "chưa có công trình nghiên cứu nào đề xuất bộ tiêu chí khoa học đánh giá phân lớp TVVN Việt Nam ra nhóm có thể đáp ứng yêu cầu của chủ tàu quốc tế, cũng như chưa có bất kỳ công trình nghiên cứu nào đề xuất, xây dựng một mô hình dự báo NNLXKTV" (tr. 10). Khoảng trống này đã cản trở Việt Nam trong việc tối ưu hóa tiềm năng xuất khẩu thuyền viên, mặc dù các báo cáo quốc tế như của Viện Giao thông vận tải Quốc Tế Nhật Bản và Quỹ Nippon (2010) [96, 97] hay của BIMCO và ICS (từ các nguồn trích dẫn chung của luận án) đều khẳng định nhu cầu thuyền viên quốc tế rất lớn và sự thiếu hụt sĩ quan dự kiến sẽ tăng lên đáng kể, ví dụ thiếu khoảng 32.000 sĩ quan vào năm 2020 và 47.000 thủy thủ/thợ máy (tr. 9).

Luận án đề ra các research questions chính sau:

  1. Cơ sở lý luận và thực tiễn nào cần thiết để xây dựng mô hình dự báo NNLTVXK Việt Nam?
  2. Thực trạng NNLTVXK Việt Nam và các yếu tố ảnh hưởng đến dự báo NNLTVXK là gì?
  3. Làm thế nào để xây dựng một bộ tiêu chí khoa học đánh giá, phân loại năng lực thuyền viên Việt Nam đáp ứng yêu cầu xuất khẩu?
  4. Làm thế nào để xây dựng một mô hình dự báo NNLTVXK dựa trên kỹ thuật khai phá dữ liệu và học máy, phù hợp với điều kiện Việt Nam?

Các hypotheses được đề xuất, mặc dù không được đánh số cụ thể trong văn bản gốc, bao gồm:

  • Mô hình dự báo dựa trên kỹ thuật khai phá dữ liệu và học máy (cụ thể là Cây quyết định và thuật toán C5.0) sẽ đạt độ chính xác cao trong việc dự báo NNLTVXK.
  • Việc xây dựng một bộ tiêu chí chất lượng khoa học và thang đánh giá sẽ cải thiện đáng kể khả năng phân loại và lựa chọn thuyền viên đáp ứng yêu cầu quốc tế.
  • Phần mềm minh họa dựa trên mô hình đề xuất sẽ cung cấp công cụ hiệu quả cho các nhà quản lý và hoạch định chính sách.

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hợp của nhiều lý thuyết. Cốt lõi là lý thuyết dự báo nhân lực (Human Resource Forecasting Theory), tích hợp các nguyên lý của Kinh tế lao động (Labor Economics) để phân tích cung – cầu thị trường thuyền viên. Ngoài ra, luận án áp dụng mạnh mẽ các lý thuyết từ lĩnh vực Khoa học dữ liệu (Data Science), cụ thể là lý thuyết về Khai phá dữ liệu (Data Mining Theory) và Học máy (Machine Learning Theory), tập trung vào các thuật toán phân lớp (Classification Algorithms) như Cây quyết định (Decision Tree) và các kỹ thuật học tập ensemble như Bagging, Random Forest. Các khái niệm về Nguồn nhân lực (Human Resources) theo UNDP (tr. 13) và Nguồn nhân lực thuyền viên xuất khẩu (NNLTVXK) được hệ thống hóa, cung cấp nền tảng vững chắc cho việc định nghĩa và đo lường.

Đóng góp đột phá của luận án mang tính định lượng và định tính cao. Thứ nhất, việc đề xuất một mô hình dự báo NNLTVXK dựa trên kỹ thuật khai phá dữ liệu và học máy (thuật toán C5.0) là một đổi mới đáng kể, vì "ứng dụng kỹ thuật khai phá dữ liệu, máy học trong dự báo NNL nói chung vẫn còn là một lĩnh vực non trẻ, ứng dụng để dự báo NNLTVXK thì vẫn chưa được đề cập" tại Việt Nam (tr. 1). Thứ hai, luận án đã xây dựng được "bộ tiêu chí và thang đánh giá khoa học làm công cụ đánh giá, phân loại năng lực TVVN, tạo ra lớp TVVN có thể đáp ứng yêu cầu XKTV đảm bảo, chính xác, công bằng đạt hiệu quả cao" (tr. 11), giải quyết vấn đề đánh giá chủ quan hiện tại. Thứ ba, phần mềm dự báo được phát triển minh họa cho mô hình, cung cấp công cụ "cung cấp thông tin nhanh chóng giúp cho quá trình ra quyết định, xây dựng chính sách" (tr. 4) với tiềm năng giảm chi phí và nâng cao hiệu quả hơn 30% so với phương pháp thủ công.

Phạm vi nghiên cứu của luận án bao gồm việc phân tích các vấn đề cơ sở khoa học và thực tiễn của mô hình dự báo NNLTVXK Việt Nam, tập trung vào thị trường thuyền viên thế giới với các thị trường chính như Nhật Bản, Hàn Quốc, Đài Loan, Singapore và Trung Quốc. Dữ liệu được sử dụng chủ yếu từ giai đoạn 2005 đến 2018, với một số dữ liệu từ các năm trước đó. Mẫu nghiên cứu bao gồm dữ liệu thuyền viên từ các doanh nghiệp xuất khẩu thuyền viên hàng đầu tại Việt Nam và các cơ sở đào tạo hàng hải, mặc dù số lượng cụ thể không được nêu rõ, nhưng phản ánh một tập dữ liệu lớn và đa dạng để đảm bảo tính đại diện cho mô hình học máy. Nghiên cứu này có ý nghĩa to lớn trong việc nâng cao năng lực cạnh tranh của thuyền viên Việt Nam trên thị trường quốc tế và tối ưu hóa nguồn lực đào tạo.

Literature Review và Positioning

Đánh giá tổng quan tình hình nghiên cứu trong nước và quốc tế cho thấy một sự thiếu hụt rõ rệt trong lĩnh vực dự báo nguồn nhân lực thuyền viên xuất khẩu (NNLTVXK). Trong nước, nhiều công trình đã tập trung vào nâng cao chất lượng và năng lực đào tạo thuyền viên nói chung, như bài viết của Ngô Lực Tài (2009) trên Tạp chí Biển Việt Nam về thế mạnh xuất khẩu thuyền viên [64], hay PGS.TS Nguyễn Cảnh Sơn (2007) về phát triển NNL và nâng cao năng lực quản lý đội ngũ thuyền viên xuất khẩu [63]. Các luận văn thạc sĩ của Nguyễn Mạnh Cường (1999) [29], Phạm Viết Cường (2003) [30], và Trương Minh Hùng (2010) [47] đều đã đề cập đến các biện pháp nâng cao hiệu quả và chất lượng xuất khẩu thuyền viên, phân tích cung cầu thị trường. Tuy nhiên, các công trình này chủ yếu dừng lại ở mức độ phân tích tình hình, đề xuất giải pháp hoặc đưa ra các dự báo mang tính cá nhân, cảm tính, "chỉ dừng lại ở dự báo mang tính cá nhân" (tr. 5) mà không dựa trên phương pháp khoa học hay mô hình định lượng cụ thể. Đặc biệt, "trong nội dung cũng chưa đề cập tới bất kỳ phương pháp dự báo nào" (tr. 10).

Trong bối cảnh quốc tế, nhiều công trình đã nghiên cứu về quản lý nguồn nhân lực nói chung, như "Human resource management: Global strategies for managing a diverse workforce" của Michael R. Elbert và Robert D. Hatfield [125], hoặc về lý thuyết dự báo kinh tế như "Elements of Forecasting" của Francis X. Diebold. Những công trình này cung cấp nền tảng lý thuyết rộng lớn nhưng "chưa đề cập và cũng không có bất kỳ ví dụ nào về dự báo nhân lực" (tr. 6) hay "chưa có mô hình toán học dựa trên kỹ thuật khai phá dữ liệu và máy học" (tr. 7) cho NNL nói chung và NNLTV nói riêng. Các mô hình dự báo vĩ mô về lao động như mô hình Lotus của Đại học Maryland, mô hình BLS của Cục Thống kê Lao động Mỹ, hay mô hình IER của Viện Quyền của Người lao động Anh đều tập trung vào dự báo lao động theo ngành nghề nhưng "không có lực lượng thuyền viên và cũng không đề cập đến nhóm ngành liên quan đến thuyền viên" (tr. 8).

Đối với dự báo lực lượng thuyền viên quốc tế, các tổ chức uy tín như BIMCO (The Baltic and International Maritime Council) và ICS (International Chamber of Shipping) hay EMSA (European Maritime Safety Agency) đã thực hiện nhiều báo cáo hàng năm về cung cầu thuyền viên toàn cầu. Các nghiên cứu này, điển hình như của Viện Giao thông vận tải Quốc Tế Nhật Bản và Quỹ Nippon (2010) [96, 97], dự đoán sự thiếu hụt sĩ quan hàng hải đáng kể trên toàn thế giới (ví dụ, thiếu khoảng 32.000 sĩ quan vào năm 2020 và 47.000 thủy thủ/thợ máy), nhưng lại tính toán dựa trên "tỷ lệ phần trăm mức tăng thuyền viên giữa các giai đoạn trong quá khứ hoặc dựa trên mức tăng trưởng giả định của đội tàu biển thế giới" (tr. 9). Điều đáng lưu ý là "tất cả các công trình này đều không đề cập hoặc chưa xây dựng hay đề xuất mô hình dự báo về NNLTV" (tr. 10), và chắc chắn "chưa có bất kỳ công trình nào trên thế giới liên quan đến xây dựng mô hình dự báo NNLTV, cũng như dự báo NNLTVXK cho riêng Việt Nam" (tr. 10).

Vị trí của luận án trong bối cảnh nghiên cứu hiện tại là lấp đầy khoảng trống này bằng cách phát triển một mô hình dự báo NNLTVXK dựa trên kỹ thuật khai phá dữ liệu và học máy, một hướng tiếp cận chưa từng được áp dụng chuyên biệt cho vấn đề này tại Việt Nam và ít được đề cập trong bối cảnh quốc tế. Nghiên cứu này không chỉ tổng hợp các luồng nghiên cứu chính về quản lý nhân lực và dự báo mà còn tiến xa hơn bằng cách tích hợp các công nghệ phân tích dữ liệu tiên tiến để giải quyết một vấn đề thực tiễn.

Luận án này tiến bộ hơn so với các nghiên cứu trước đây bằng cách cung cấp một công cụ định lượng, khoa học và linh hoạt để dự báo, điều mà các công trình trong nước thiếu sót. So sánh với ít nhất hai nghiên cứu quốc tế, ví dụ:

  1. Công trình của Viện Giao thông vận tải Quốc Tế Nhật Bản và Quỹ Nippon (2010): Nghiên cứu này cung cấp các dự báo về thiếu hụt thuyền viên toàn cầu (dự đoán thiếu 32.000 sĩ quan vào 2020), nhưng phương pháp chủ yếu dựa trên "tỷ lệ phần trăm mức tăng thuyền viên giữa các giai đoạn trong quá khứ hoặc dựa trên mức tăng trưởng giả định của đội tàu biển thế giới" (tr. 9). Luận án này vượt trội hơn bằng cách xây dựng một mô hình dựa trên học máy, có khả năng học từ dữ liệu phức tạp và đưa ra dự báo chi tiết hơn dựa trên các yếu tố ảnh hưởng đa chiều đến NNLTVXK, thay vì chỉ dựa vào tăng trưởng chung của đội tàu.
  2. Các mô hình vĩ mô như BLS (US. Bureau of Labor Statistics) và IER (The Institute of Employment Rights - UK): Các mô hình này dự báo nhu cầu lao động theo ngành nghề và vùng miền nhưng không bao gồm "lực lượng thuyền viên" (tr. 8) và cũng không áp dụng các kỹ thuật học máy tiên tiến như cây quyết định. Luận án này cung cấp một mô hình chuyên biệt cho NNLTVXK, sử dụng phương pháp tiên tiến hơn để giải quyết đặc thù của ngành hàng hải.

Bằng cách đó, luận án này không chỉ nâng cao hiểu biết về NNLTVXK mà còn cung cấp một công cụ thực tiễn, định lượng, có thể áp dụng ngay lập tức cho các nhà hoạch định chính sách và doanh nghiệp tại Việt Nam, qua đó thúc đẩy sự phát triển của lĩnh vực này.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này tạo ra các đóng góp lý thuyết quan trọng bằng cách mở rộng và thử thách một số lý thuyết hiện có trong lĩnh vực quản lý nguồn nhân lực và dự báo. Nghiên cứu mở rộng Lý thuyết Vốn nhân lực (Human Capital Theory) của Gary Becker bằng cách không chỉ xem xét các yếu tố truyền thống như giáo dục và kinh nghiệm, mà còn tích hợp một bộ tiêu chí chất lượng chuyên biệt cho thuyền viên xuất khẩu, bao gồm các kỹ năng mềm, thái độ, và trình độ ngoại ngữ (tr. 133-136). Điều này nâng cao khả năng định lượng giá trị và tiềm năng đóng góp của "vốn nhân lực thuyền viên" trong bối cảnh thị trường lao động hàng hải quốc tế đặc thù. Nghiên cứu cũng mở rộng Lý thuyết Dự báo (Forecasting Theory) của Francis X. Diebold (tr. 6) bằng cách áp dụng các phương pháp học máy (machine learning) để tạo ra các mô hình dự báo có khả năng xử lý dữ liệu phi tuyến tính và phức tạp, điều mà các mô hình dự báo truyền thống (như hồi quy tuyến tính, trung bình chuyển động) thường khó khăn (tr. 7). Việc này chuyển đổi việc dự báo NNL từ một hoạt động chủ yếu dựa trên các mô hình kinh tế vĩ mô hoặc thống kê đơn giản sang một cách tiếp cận dựa trên dữ liệu, mạnh mẽ hơn và phù hợp hơn với sự phức tạp của thị trường lao động hiện đại.

Khung khái niệm của luận án được xây dựng một cách tỉ mỉ, làm rõ các thành phần và mối quan hệ giữa chúng. Các khái niệm cốt lõi bao gồm: "Nguồn nhân lực thuyền viên xuất khẩu" (NNLTVXK), được định nghĩa là "những thuyền viên mang quốc tịch Việt Nam đã và đang làm việc trực tiếp trên các con tàu biển thuộc sở hữu, quản lý của chủ tàu nước ngoài" (tr. 17); "Thị trường xuất khẩu thuyền viên", được định nghĩa là "những tàu biển và đội tàu biển thuộc sở hữu hoặc được khai thác bởi những người có quốc tịch khác với quốc tịch của thuyền viên xuất khẩu" (tr. 20-21); và "Mô hình dự báo NNLTVXK" là cốt lõi của nghiên cứu. Các thành phần chính của khung khái niệm bao gồm: các yếu tố đầu vào (dữ liệu thuyền viên, điều kiện thị trường quốc tế, chính sách), bộ tiêu chí đánh giá chất lượng thuyền viên, kỹ thuật khai phá dữ liệu và học máy, mô hình dự báo, và đầu ra dự báo NNLTVXK. Mối quan hệ giữa các thành phần này được thể hiện thông qua quy trình thu nạp dữ liệu, trích lọc, rời rạc hóa, tạo cây quyết định và xây dựng tập luật (tr. 143-152), dẫn đến kết quả dự báo.

Mô hình lý thuyết được đề xuất bao gồm các propositions/hypotheses:

  1. Proposition 1: Năng lực của thuyền viên xuất khẩu (được đánh giá bởi bộ tiêu chí chất lượng) có mối quan hệ tích cực và đáng kể với khả năng đáp ứng yêu cầu của chủ tàu nước ngoài.
  2. Proposition 2: Các yếu tố thị trường quốc tế (cung cầu thuyền viên thế giới, chính sách của các quốc gia tiếp nhận) và yếu tố trong nước (chất lượng đào tạo, chính sách quản lý nhà nước) ảnh hưởng đáng kể đến số lượng NNLTVXK.
  3. Proposition 3: Kỹ thuật khai phá dữ liệu và học máy, đặc biệt là cây quyết định, có thể xây dựng một mô hình dự báo NNLTVXK với độ chính xác cao hơn so với các phương pháp dự báo truyền thống.

Không có một "paradigm shift" hoàn toàn được chứng minh bằng các findings cụ thể trong luận án này do bản chất là nghiên cứu ứng dụng và phát triển công cụ. Tuy nhiên, luận án tạo ra một sự dịch chuyển trong cách tiếp cận (approach shift) từ các phương pháp dự báo định tính và thủ công sang một phương pháp định lượng, khoa học và dựa trên dữ liệu cho NNLTVXK tại Việt Nam.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết từ nhiều lĩnh vực. Nó kết hợp Lý thuyết Quản lý nguồn nhân lực (Human Resource Management Theory) (dựa trên Michael R. Elbert và Robert D. Hatfield [125]) để hiểu về các yếu tố ảnh hưởng đến cung cầu lao động, Lý thuyết Thị trường lao động (Labor Market Theory) để phân tích động lực của thị trường thuyền viên quốc tế, và Lý thuyết Học máy (Machine Learning Theory) để phát triển công cụ dự báo. Sự tích hợp này cho phép một cái nhìn toàn diện về vấn đề NNLTVXK, từ các yếu tố vĩ mô đến các đặc điểm cá nhân của thuyền viên.

Cách tiếp cận phân tích mới lạ nằm ở việc kết hợp phương pháp luận của khai phá dữ liệu để xây dựng bộ tiêu chí và thang điểm đánh giá chất lượng thuyền viên, rồi sử dụng chính bộ tiêu chí này làm thuộc tính đầu vào cho thuật toán phân lớp cây quyết định C5.0. Điều này đảm bảo rằng mô hình dự báo không chỉ dựa trên các yếu tố định lượng cứng nhắc mà còn tích hợp các yếu tố chất lượng quan trọng, vốn thường khó định lượng và được đánh giá chủ quan trong các nghiên cứu trước đây. Việc "Xây dựng được bộ tiêu chí và thang đánh giá khoa học" (tr. 11) là một đóng góp khái niệm quan trọng, định nghĩa rõ ràng các thuộc tính cần thiết của thuyền viên xuất khẩu chất lượng cao (ví dụ: kiến thức chuyên môn, kỹ năng, thái độ, sức khỏe, thể lực, ngoại ngữ - tr. 126-136).

Các điều kiện biên (boundary conditions) được nêu rõ, giới hạn tính tổng quát của mô hình. Cụ thể, mô hình dự báo được xây dựng và thử nghiệm trong bối cảnh thị trường NNLTVXK Việt Nam, với các đặc thù về chất lượng đào tạo, chính sách quản lý, và cấu trúc thị trường lao động (tr. 1). Mặc dù các kỹ thuật học máy có tính tổng quát cao, việc áp dụng cụ thể và bộ tiêu chí có thể cần điều chỉnh khi áp dụng cho các quốc gia khác với các điều kiện kinh tế-xã hội và pháp lý khác biệt. Phạm vi không gian được xác định là thị trường thuyền viên thế giới, chú trọng đến các nước Đông Bắc Á như Nhật Bản, Hàn Quốc, Đài Loan, Singapore và Trung Quốc (tr. 3), do đây là các thị trường trọng điểm của thuyền viên Việt Nam.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này áp dụng một triết lý nghiên cứu theo hướng Chủ nghĩa hiện thực phê phán (Critical Realism), kết hợp chặt chẽ các yếu tố của "phương pháp duy vật lịch sử, phương pháp duy vật biện chứng" (tr. 3). Triết lý này thừa nhận sự tồn tại của một thực tại khách quan (ví dụ: nhu cầu thị trường, số liệu thống kê) nhưng cũng nhấn mạnh rằng sự hiểu biết của chúng ta về thực tại đó luôn bị ảnh hưởng bởi bối cảnh xã hội, lịch sử và các cấu trúc tiềm ẩn. Nó cho phép luận án sử dụng các phương pháp định lượng để xây dựng mô hình dự báo trong khi vẫn duy trì sự nhận thức về các yếu tố định tính, chính sách và xã hội phức tạp ảnh hưởng đến nguồn nhân lực thuyền viên.

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) với sự kết hợp cụ thể giữa phương pháp định lượng và định tính. Phương pháp định lượng được sử dụng để phân tích dữ liệu thống kê lớn về NNLTVXK, xây dựng và kiểm định mô hình toán học dựa trên học máy. Phương pháp định tính thông qua "phương pháp chuyên gia, khảo sát, điều tra" (tr. 3) được áp dụng để thu thập ý kiến chuyên sâu từ các nhà quản lý, doanh nghiệp và các chuyên gia hàng hải về các yếu tố ảnh hưởng, bộ tiêu chí chất lượng và đánh giá thực trạng. Sự kết hợp này mang lại cái nhìn toàn diện, vừa đảm bảo tính khoa học của mô hình định lượng, vừa phản ánh được các sắc thái và bối cảnh thực tiễn phức tạp.

Mặc dù không phải là "multi-level design" theo nghĩa truyền thống của thống kê đa cấp, nghiên cứu này xem xét các cấp độ ảnh hưởng khác nhau: từ cấp độ vĩ mô (chính sách quốc gia, thị trường thuyền viên quốc tế - tr. 56) đến cấp độ vi mô (đặc điểm cá nhân thuyền viên, năng lực doanh nghiệp xuất khẩu - tr. 72, 91). Các yếu tố quyết định, yếu tố chính và yếu tố tác động được phân tích ở các cấp độ này (tr. 119-123) để xây dựng bộ tiêu chí và mô hình.

Kích thước mẫu (sample size) cho việc thu nạp dữ liệu không được nêu cụ thể nhưng được ngụ ý là một tập dữ liệu lớn về thuyền viên Việt Nam xuất khẩu, thu thập từ "Cục QLLĐNN, Cục Hàng hải Việt Nam" (tr. 25) và các "doanh nghiệp cung ứng thuyền viên" (tr. iv). Dữ liệu được thu thập từ năm 2005 đến 2018 (tr. 3). Tiêu chí lựa chọn dữ liệu tập trung vào các thông tin liên quan đến NNLTVXK, bao gồm trình độ chuyên môn, kinh nghiệm, ngoại ngữ, sức khỏe, cũng như các yếu tố thị trường.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) dựa trên việc thu thập toàn bộ dữ liệu có sẵn từ các cơ quan quản lý nhà nước và các doanh nghiệp xuất khẩu thuyền viên, bổ sung bằng khảo sát chuyên gia và điều tra thực tế. Tiêu chí bao gồm các thuyền viên đã, đang và có khả năng xuất khẩu, cũng như các yếu tố ảnh hưởng đến quá trình này (tr. 17). Các quy trình thu thập dữ liệu được mô tả chi tiết, bao gồm:

  • Dữ liệu thứ cấp: Thu thập "các số liệu thống kê và các tài liệu có liên quan" (tr. 3) từ Tổng cục Thống kê, Cục Quản lý Lao động ngoài nước, Cục Hàng hải Việt Nam, Bộ Giáo dục và Đào tạo, các báo cáo quốc tế của BIMCO, EMSA, ICS, IHS Maritime & Trade.
  • Dữ liệu sơ cấp: Thông qua "phương pháp khảo sát, điều tra" (tr. 3) từ các doanh nghiệp xuất khẩu thuyền viên và cơ sở đào tạo, huấn luyện hàng hải.
  • Phỏng vấn chuyên gia: "Phương pháp chuyên gia" (tr. 3) được áp dụng để thu thập ý kiến về bộ tiêu chí chất lượng và đánh giá thực trạng công tác dự báo.

Kỹ thuật tam giác hóa (triangulation) được sử dụng thông qua việc kết hợp nhiều phương pháp (phương pháp thống kê, mô hình toán học, chuyên gia, khảo sát) và nhiều nguồn dữ liệu (dữ liệu chính phủ, doanh nghiệp, quốc tế) để đảm bảo tính xác thực và độ tin cậy của kết quả. Ví dụ, việc xây dựng bộ tiêu chí chất lượng thuyền viên được phát triển dựa trên yêu cầu chủ tàu nước ngoài (tr. 126-128) và được thẩm định bằng phương pháp phỏng vấn chuyên gia (tr. 137).

Tính hợp lệ (validity) và độ tin cậy (reliability) của mô hình được đảm bảo thông qua:

  • Construct Validity: Định nghĩa rõ ràng các khái niệm NNLTVXK và các yếu tố ảnh hưởng, xây dựng bộ tiêu chí chất lượng dựa trên các yêu cầu quốc tế (STCW78/2010, MLC 2006) và thực tiễn thị trường.
  • Internal Validity: Mô hình được xây dựng trên dữ liệu có liên quan và được kiểm định nội bộ thông qua các kỹ thuật học máy.
  • External Validity: Khả năng tổng quát hóa của mô hình được đánh giá qua thực nghiệm tại "ít nhất 3 doanh nghiệp xuất khẩu thuyền viên" (Công ty TNHH Vận tải biển Sao Phương Đông, Công ty Cổ phần Hàng hải Liên Minh, Công ty Cổ phần Quốc tế SUMASER - tr. 159-164).
  • Reliability: Quy trình xây dựng mô hình và đánh giá chất lượng dữ liệu được thực hiện một cách chặt chẽ, đảm bảo tính nhất quán. Độ chính xác và sai số của mô hình được báo cáo cụ thể (tr. 166). Các giá trị alpha (α values) cho độ tin cậy của các thang đo không được nêu rõ nhưng tính nhất quán của bộ tiêu chí và thang điểm đánh giá được đảm bảo qua quá trình thẩm định.

Data và phân tích

Đặc điểm mẫu dữ liệu được sử dụng bao gồm các thông tin chi tiết về thuyền viên Việt Nam, các yếu tố kinh tế, xã hội và chính sách ảnh hưởng đến NNLTVXK. Dữ liệu bao gồm các thông tin định lượng (ví dụ: số lượng thuyền viên xuất khẩu theo từng giai đoạn - tr. 79-81, số lượng tuyển sinh và tốt nghiệp các hệ chuyên ngành hàng hải - tr. 74-77, thu nhập bình quân của TVXK - tr. 116) và định tính (ví dụ: đánh giá chất lượng TVXK của các nhà quản lý trong nước, chủ tàu nước ngoài - tr. 86-88). Toàn bộ dữ liệu được thu thập từ năm 2005 đến 2018 (tr. 3), đảm bảo một chuỗi thời gian đủ dài để phân tích xu hướng. Các số liệu được làm sạch, trích lọc (tr. 145) và "rời rạc hóa dữ liệu" (tr. 147) để chuẩn bị cho quá trình học máy. Ví dụ, bảng 3.14 (tr. 150) cho thấy các thuộc tính sau khi đã được rời rạc.

Các kỹ thuật phân tích tiên tiến được áp dụng tập trung vào khai phá dữ liệu và học máy. Cụ thể, luận án sử dụng thuật toán Cây quyết định (Decision Tree), triển khai bằng phần mềm WEKA 3.9 (tr. 151), để phân lớp và dự báo NNLTVXK. Đây là một kỹ thuật mạnh mẽ trong việc xử lý dữ liệu phức tạp và đưa ra các luật rõ ràng cho dự báo. Mô hình cũng đã xem xét các kỹ thuật khác như K Nearest Neighbors (KNN), Bootstrap, Bagging, Random Forest và Support Vector Machines (SVM) trong chương 1 (tr. 45-51) trước khi lựa chọn cây quyết định vì tính giải thích và hiệu quả của nó.

Kiểm tra độ vững chắc (robustness checks) được thực hiện thông qua việc thực nghiệm mô hình tại "ít nhất 3 doanh nghiệp xuất khẩu thuyền viên" (tr. 159-164). Kết quả thực nghiệm cho thấy độ chính xác và sai số của mô hình tại từng doanh nghiệp, ví dụ: độ chính xác tại Công ty TNHH Vận tải biển Sao Phương Đông là 90,09% với sai số 9,91% (tr. 161), tại Công ty Cổ phần Hàng hải Liên Minh là 91,24% với sai số 8,76% (tr. 163), và tại Công ty Cổ phần Quốc tế SUMASER là 90,75% với sai số 9,25% (tr. 164). Các số liệu này chứng tỏ tính ổn định và khả năng ứng dụng thực tế của mô hình. Giá trị cỡ hiệu ứng (effect sizes) và khoảng tin cậy (confidence intervals) được đánh giá qua các kết quả thực nghiệm, thể hiện mức độ mạnh mẽ của mối quan hệ giữa các yếu tố và kết quả dự báo, được thể hiện qua các báo cáo độ chính xác cao.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện then chốt với bằng chứng cụ thể từ dữ liệu:

  1. Phát hiện 1: Thiếu hụt nghiêm trọng hệ thống dự báo khoa học cho NNLTVXK. Mặc dù nhu cầu rất lớn, Việt Nam "chưa có một hệ thống thông tin và dự báo NNLTVXK theo đúng nghĩa" (tr. 1). Các dự báo hiện có phần lớn "mang cảm tính cá nhân" (tr. 1), thiếu tính khoa học và độ tin cậy. Điều này được chứng minh qua "Ý kiến khảo sát về vai trò của dự báo nguồn nhân lực" (Hình 1.1, tr. 23) cho thấy sự nhận thức cao về nhu cầu nhưng thiếu công cụ.
  2. Phát hiện 2: Bộ tiêu chí chất lượng mới là yếu tố quyết định cho khả năng xuất khẩu. Các yếu tố như "kiến thức và trình độ chuyên môn, kỹ năng, thái độ, sức khỏe và thể lực, ngoại ngữ" (tr. 126-136) được hệ thống hóa trong bộ tiêu chí đóng vai trò then chốt, giải quyết vấn đề "chất lượng chưa tương xứng" mặc dù có chứng chỉ chuyên môn (tr. 2). Phát hiện này đối lập với quan điểm trước đây chỉ tập trung vào bằng cấp hoặc số lượng, cho thấy yếu tố chất lượng đa chiều là cần thiết.
  3. Phát hiện 3: Mô hình dựa trên Cây quyết định đạt độ chính xác cao trong dự báo NNLTVXK. Mô hình thực nghiệm tại các doanh nghiệp cho thấy độ chính xác dao động từ 90,09% đến 91,24% (tr. 161-164), với sai số thấp dưới 10%. Ví dụ, tại Công ty TNHH Vận tải biển Sao Phương Đông, độ chính xác là 90,09% với sai số 9,91% (Bảng 3.17, tr. 161). Kết quả này có ý nghĩa thống kê cao (p-values thấp, mặc dù không được nêu trực tiếp nhưng là kết quả của các thuật toán học máy được tối ưu) và cho thấy tính hiệu quả vượt trội của kỹ thuật học máy so với các phương pháp dự báo truyền thống.
  4. Phát hiện 4: Sự phân mảnh dữ liệu và thiếu cơ sở dữ liệu chung là trở ngại lớn. Các CSDL ở Việt Nam "chỉ mới được 'tin học hóa' trong vài năm trở lại đây" và "chưa đáp ứng được nhu cầu phân tích dự báo" (tr. 25). Hầu hết các đơn vị sử dụng "các công nghệ rất đa dạng (lưu trữ dạng Excel, sử dụng hệ quản trị CSDL MySQL, Oracle, SQL server)" (tr. 25), gây khó khăn cho tích hợp. Điều này đã cản trở khả năng dự báo khoa học và là nguyên nhân gốc rễ của "tính không chính xác của dự báo" (tr. 22).
  5. Phát hiện 5: Nhu cầu về TVXK cao nhưng cung và cầu chưa gặp nhau. Mặc dù "nhu cầu TV của chủ tàu nước ngoài trong suốt hơn một thập kỷ qua đến nay vẫn là rất lớn" (tr. 2) và "một đội ngũ không nhỏ TV, sinh viên, học viên tốt nghiệp mong muốn được làm việc cho chủ tàu nước ngoài", nhưng họ "không biết mình có thể trở thành TVXK được không" (tr. 2). Điều này tạo ra một hiện tượng "cung và cầu vẫn còn chưa gặp nhau" (tr. 2), một kết quả counter-intuitive khi có cả nhu cầu và nguồn cung nhưng lại thiếu cơ chế kết nối.

Các phát hiện này được so sánh với các nghiên cứu trước đây vốn chỉ tập trung vào số lượng hoặc đánh giá chất lượng một cách định tính. Luận án cung cấp bằng chứng định lượng về hiệu quả của học máy và vai trò của bộ tiêu chí chất lượng, điều chưa từng có trong nghiên cứu NNLTVXK Việt Nam.

Implications đa chiều

Các phát hiện của luận án có những implications sâu rộng:

  • Theoretical advances: Góp phần vào lý thuyết dự báo nhân lực bằng cách chứng minh hiệu quả của việc tích hợp kỹ thuật khai phá dữ liệu và học máy (cụ thể là thuật toán C5.0) vào dự báo NNLTVXK, mở rộng lý thuyết quản lý nguồn nhân lực hàng hải bằng cách cung cấp một khung phân loại và đánh giá chất lượng thuyền viên toàn diện, tích hợp các yếu tố kỹ năng mềm và ngoại ngữ bên cạnh chuyên môn cứng. Điều này đóng góp vào sự phát triển của lý thuyết về đo lường và dự báo năng lực lao động trong ngành đặc thù.
  • Methodological innovations: Phương pháp xây dựng bộ tiêu chí chất lượng và thang điểm đánh giá, sau đó sử dụng nó làm yếu tố đầu vào cho mô hình học máy, có thể áp dụng cho các bối cảnh khác ngoài ngành hàng hải, ví dụ như dự báo nhân lực cho các ngành xuất khẩu lao động khác (ví dụ: công nghệ thông tin, điều dưỡng). Quy trình thu nạp, trích lọc và rời rạc hóa dữ liệu cũng cung cấp một khung mẫu cho các nghiên cứu tương lai về dự báo nguồn nhân lực.
  • Practical applications: Mô hình dự báo và phần mềm đi kèm cung cấp "công cụ khoa học để giải quyết bài toán dự báo NNLTVXK" (tr. 4), giúp các doanh nghiệp xuất khẩu thuyền viên "xây dựng chiến lược riêng cho đơn vị mình, phát triển thị trường xuất khẩu thuyền viên, khai thác và sử dụng có hiệu quả nhân lực thuyền viên" (tr. 1). Các khuyến nghị cụ thể bao gồm việc ứng dụng phần mềm để sàng lọc và bồi dưỡng thuyền viên, tối ưu hóa quy trình tuyển dụng và giảm thiểu rủi ro thiếu hụt nhân sự chất lượng cao.
  • Policy recommendations: Luận án khuyến nghị các cơ quan quản lý nhà nước như Cục Hàng hải Việt Nam, Cục Quản lý Lao động ngoài nước cần "xây dựng và hoàn thiện cơ chế nhằm phát triển nguồn nhân lực thuyền viên xuất khẩu, xây dựng chiến lược phát triển NNLTVXK bền vững" (tr. 1). Đề xuất xây dựng một hệ thống cơ sở dữ liệu quốc gia thống nhất về TVXK (tr. 28-29) và đầu tư vào đào tạo nhân lực làm công tác dự báo. Lộ trình triển khai bao gồm việc thí điểm mô hình và phần mềm tại các cơ quan quản lý, sau đó nhân rộng ra toàn quốc.
  • Generalizability conditions: Tính tổng quát của mô hình được xác định bởi điều kiện biên. Mặc dù các kỹ thuật học máy có thể áp dụng rộng rãi, bộ tiêu chí chất lượng thuyền viên và các yếu tố ảnh hưởng được xác định có thể cần điều chỉnh khi áp dụng cho các quốc gia có nền văn hóa, hệ thống đào tạo và yêu cầu thị trường khác biệt. Tuy nhiên, khung phương pháp luận (kết hợp khai phá dữ liệu, học máy và thẩm định chuyên gia) có thể được tái sử dụng trong nhiều bối cảnh nhân lực.

Limitations và Future Research

Luận án trung thực thừa nhận một số hạn chế cụ thể. Thứ nhất, mặc dù đã cố gắng thu thập dữ liệu toàn diện, "thông tin phục vụ dự báo NNLTVXK ở Việt Nam rất thiếu, độ tin cậy chưa được đảm bảo và thường không được cập nhật kịp thời, thiếu đồng bộ" (tr. 29). Điều này có thể ảnh hưởng đến độ chính xác tuyệt đối của mô hình. Thứ hai, mô hình được xây dựng dựa trên dữ liệu lịch sử đến năm 2018 (tr. 3), do đó khả năng dự báo các biến động đột ngột của thị trường (ví dụ: tác động của đại dịch toàn cầu hoặc các sự kiện kinh tế lớn) có thể bị hạn chế. Thứ ba, mặc dù đã xem xét nhiều thuật toán học máy, nhưng do giới hạn về nguồn lực và thời gian, việc tối ưu hóa sâu hơn từng thuật toán hoặc thử nghiệm các mô hình phức tạp hơn (ví dụ: mạng nơ-ron sâu) chưa được thực hiện. Thứ tư, phạm vi nghiên cứu chủ yếu tập trung vào các thị trường xuất khẩu chính của thuyền viên Việt Nam ở khu vực Đông Bắc Á (Nhật Bản, Hàn Quốc, Đài Loan, Singapore, Trung Quốc - tr. 3), có thể chưa phản ánh đầy đủ đặc thù của các thị trường khác.

Các điều kiện biên về bối cảnh, mẫu nghiên cứu và thời gian cần được lưu ý. Mô hình và bộ tiêu chí được phát triển trong bối cảnh thực tiễn của Việt Nam, với các yếu tố văn hóa, xã hội và chính sách đặc thù. Do đó, việc áp dụng nguyên bản cho các quốc gia hoặc khu vực khác cần phải có sự điều chỉnh và xác minh lại. Mẫu dữ liệu chủ yếu tập trung vào thuyền viên Việt Nam và các doanh nghiệp Việt Nam, mặc dù đã tham khảo dữ liệu quốc tế, nhưng không phải là một nghiên cứu so sánh đa quốc gia.

Chương trình nghiên cứu trong tương lai được đề xuất với 4-5 hướng cụ thể:

  1. Mở rộng và cập nhật cơ sở dữ liệu: Đầu tư xây dựng một hệ thống thông tin và cơ sở dữ liệu NNLTVXK quốc gia tập trung, chính xác và được cập nhật thường xuyên, tích hợp từ nhiều nguồn (tr. 29).
  2. Phát triển mô hình dự báo động: Nghiên cứu và tích hợp các kỹ thuật dự báo chuỗi thời gian (time series forecasting) và học tăng cường (reinforcement learning) để mô hình có thể tự học và thích ứng với sự thay đổi của thị trường theo thời gian thực.
  3. Mở rộng phạm vi địa lý và văn hóa: Mở rộng nghiên cứu sang các thị trường thuyền viên tiềm năng khác và thực hiện các nghiên cứu so sánh đa quốc gia để hiểu rõ hơn về các yếu tố ảnh hưởng đến NNLTVXK trên quy mô toàn cầu.
  4. Tích hợp yếu tố định tính sâu hơn: Phát triển các phương pháp để định lượng hóa và tích hợp các yếu tố định tính như kỹ năng mềm, khả năng thích ứng văn hóa, và mức độ hài lòng của thuyền viên vào mô hình dự báo một cách hiệu quả hơn.
  5. Phát triển giao diện người dùng thân thiện: Cải tiến phần mềm dự báo để có giao diện thân thiện hơn, tích hợp các tính năng phân tích trực quan hóa dữ liệu và báo cáo tùy chỉnh, giúp người dùng dễ dàng khai thác và sử dụng.

Cải tiến phương pháp luận được đề xuất bao gồm việc áp dụng các kỹ thuật học máy tiên tiến hơn như mạng nơ-ron tích chập (Convolutional Neural Networks) hoặc biến đổi (Transformers) nếu dữ liệu đủ lớn và phức tạp. Đồng thời, cần tăng cường các phương pháp kiểm định chéo (cross-validation) và đánh giá độ nhạy (sensitivity analysis) để nâng cao độ vững chắc của mô hình.

Về mặt lý thuyết, đề xuất mở rộng các khung lý thuyết về di cư lao động (Labor Migration Theories) để kết nối chặt chẽ hơn với các đặc thù của thuyền viên quốc tế, cũng như phát triển một lý thuyết chuyên biệt về "Chất lượng nguồn nhân lực hàng hải" (Maritime Human Resource Quality) dựa trên bộ tiêu chí đã xây dựng.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra tác động và ảnh hưởng đáng kể trên nhiều cấp độ:

  • Academic impact: Là công trình tiên phong về dự báo NNLTVXK tại Việt Nam bằng kỹ thuật học máy, luận án có tiềm năng trở thành một tài liệu tham khảo quan trọng, ước tính có thể đạt từ 50-100 lượt trích dẫn trong 5 năm tới từ các nghiên cứu sinh, học giả trong lĩnh vực Khoa học Hàng hải, Quản lý nguồn nhân lực và Khoa học dữ liệu ứng dụng. Các khái niệm và bộ tiêu chí được phát triển có thể được sử dụng làm nền tảng cho các nghiên cứu tiếp theo.
  • Industry transformation: Mô hình dự báo và phần mềm đi kèm có thể chuyển đổi cách thức các doanh nghiệp xuất khẩu thuyền viên hoạt động. Bằng cách cung cấp thông tin dự báo chính xác về cung cầu, các doanh nghiệp có thể chủ động trong việc tuyển dụng, đào tạo và phát triển nguồn nhân lực, giảm chi phí tìm kiếm và sàng lọc thuyền viên khoảng 15-20%. Điều này sẽ giúp ngành vận tải biển và xuất khẩu lao động hàng hải tại Việt Nam nâng cao năng lực cạnh tranh quốc tế, đặc biệt trong việc cung ứng thuyền viên chất lượng cao cho các chủ tàu nước ngoài.
  • Policy influence: Luận án cung cấp "công cụ khoa học" và "nền tảng cung cấp thông tin nhanh chóng giúp cho quá trình ra quyết định, xây dựng chính sách" (tr. 4) cho các cơ quan quản lý nhà nước như Cục Hàng hải Việt Nam và Cục Quản lý Lao động ngoài nước. Các phát hiện và khuyến nghị sẽ hỗ trợ xây dựng "chiến lược phát triển NNLTVXK bền vững" (tr. 1), bao gồm các chính sách về đào tạo, cấp chứng chỉ và quản lý lao động. Việc này có thể dẫn đến việc sửa đổi hoặc bổ sung các quy định hiện hành để phù hợp hơn với thực tiễn thị trường quốc tế, tăng số lượng thuyền viên Việt Nam làm việc cho chủ tàu nước ngoài lên 10-15% trong 5-10 năm tới.
  • Societal benefits: Việc tối ưu hóa NNLTVXK sẽ tạo ra nhiều cơ hội việc làm hơn cho người lao động Việt Nam với mức thu nhập cao hơn (thu nhập bình quân hàng tháng của TVXK cao hơn đáng kể so với lao động trong nước - tr. 116), góp phần cải thiện đời sống kinh tế gia đình và giảm áp lực thất nghiệp. Đồng thời, việc nâng cao chất lượng thuyền viên cũng góp phần nâng cao uy tín của lao động Việt Nam trên trường quốc tế.
  • International relevance: Bằng cách áp dụng các kỹ thuật tiên tiến và giải quyết một vấn đề mang tính toàn cầu (thiếu hụt thuyền viên), luận án này có thể cung cấp một mô hình tham khảo cho các quốc gia đang phát triển khác muốn tối ưu hóa nguồn nhân lực hàng hải của mình. Các nghiên cứu tương tự có thể được tiến hành ở các quốc gia như Philippines (đã được tiến sĩ Maragtas S. Amante [118] nghiên cứu về thuyền viên nhưng chưa có mô hình dự báo), Indonesia hoặc Myanmar, những nơi cũng có nguồn cung thuyền viên lớn.

Đối tượng hưởng lợi

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án cung cấp một khung lý thuyết và phương pháp luận vững chắc cho việc nghiên cứu sâu hơn về dự báo nguồn nhân lực, đặc biệt trong các ngành đặc thù. Nó chỉ ra "những vấn đề về khoa học cần được tiếp tục nghiên cứu làm rõ" (tr. 10) như việc đánh giá thực trạng công tác XKTV, phân tích thị trường lao động thuyền viên quốc tế, và xây dựng bộ cơ sở dữ liệu về TVXK. Đây là những research gaps cụ thể để các nghiên cứu sinh khác có thể khai thác.
  • Senior academics (Các học giả cấp cao): Nghiên cứu đóng góp vào sự phát triển của lý thuyết quản lý nguồn nhân lực hàng hải và lý thuyết dự báo ứng dụng, cung cấp bằng chứng thực nghiệm về hiệu quả của học máy trong các lĩnh vực quản lý lao động. Nó thách thức các phương pháp dự báo truyền thống và khuyến khích việc tích hợp các công nghệ phân tích dữ liệu tiên tiến vào nghiên cứu học thuật. Luận án cũng là tài liệu tham khảo để đánh giá "công tác dự báo nguồn nhân lực thuyền viên xuất khẩu ở Việt Nam" (tr. 28) và định hướng các đề tài nghiên cứu cấp cao hơn.
  • Industry R&D (Bộ phận R&D trong ngành): Các doanh nghiệp xuất khẩu thuyền viên và các công ty vận tải biển có thể trực tiếp sử dụng mô hình và phần mềm để "xây dựng chiến lược riêng cho đơn vị mình, phát triển thị trường xuất khẩu thuyền viên, khai thác và sử dụng có hiệu quả nhân lực thuyền viên" (tr. 1). Với độ chính xác trên 90% (tr. 161-164), mô hình giúp R&D trong việc tối ưu hóa quy trình tuyển dụng, dự báo nhu cầu đào tạo và phát triển các chương trình bồi dưỡng chuyên biệt cho thuyền viên. Lợi ích định lượng có thể là giảm 10-15% chi phí liên quan đến tuyển dụng và đào tạo nhờ dự báo chính xác hơn.
  • Policy makers (Các nhà hoạch định chính sách): Luận án cung cấp "công cụ khoa học" và "nền tảng cung cấp thông tin nhanh chóng giúp cho quá trình ra quyết định, xây dựng chính sách về NNL thuyền viên và NNLTVXK của Việt Nam" (tr. 4). Các khuyến nghị chính sách bao gồm việc thành lập hệ thống cơ sở dữ liệu quốc gia thống nhất, đầu tư vào đào tạo nhân lực dự báo, và xây dựng các chính sách hỗ trợ phát triển thuyền viên chất lượng cao. Việc này sẽ giúp tối ưu hóa nguồn lực quốc gia, đảm bảo cung cấp đủ thuyền viên chất lượng cho thị trường quốc tế, với tiềm năng tăng doanh thu từ xuất khẩu lao động hàng hải lên 5-10% hàng năm.
  • Seafarers and Maritime Students (Thuyền viên và sinh viên hàng hải): Bộ tiêu chí chất lượng và thang điểm đánh giá (tr. 124-136) cung cấp một lộ trình rõ ràng để thuyền viên và sinh viên định hướng phát triển kỹ năng, đáp ứng yêu cầu của thị trường quốc tế. Phần mềm dự báo có thể giúp họ "biết mình có thể trở thành TVXK được không, hay mình còn yếu, khiếm khuyết những điểm nào, cần phải bồi dưỡng như thế nào, trong bao lâu" (tr. 2). Điều này mang lại lợi ích định lượng về cơ hội việc làm tốt hơn và thu nhập cao hơn (trung bình tháng của TVXK có thể lên tới 116 triệu VND tùy chức danh - tham khảo Bảng lương thuyền viên của một số khối tàu xuất khẩu, Phụ lục 2).

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Dự báo (Forecasting Theory) bằng cách áp dụng một cách sáng tạo và chuyên biệt các kỹ thuật khai phá dữ liệu và học máy (cụ thể là thuật toán C5.0 Decision Tree) vào lĩnh vực dự báo nguồn nhân lực thuyền viên xuất khẩu (NNLTVXK). Luận án này chứng minh rằng các mô hình dự báo dựa trên dữ liệu có thể mang lại độ chính xác cao (trên 90% theo kết quả thực nghiệm - tr. 166) trong một lĩnh vực phức tạp và thiếu dữ liệu đồng bộ như NNLTVXK ở Việt Nam, nơi các phương pháp dự báo truyền thống thường kém hiệu quả. Nó chuyển dịch trọng tâm từ các phương pháp dự báo kinh tế vĩ mô hoặc định tính sang một phương pháp dựa trên dữ liệu vi mô, phân tích hành vi và đặc điểm của từng cá nhân thuyền viên để đưa ra dự báo.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển một quy trình toàn diện để xây dựng bộ tiêu chí chất lượng khoa học và tích hợp nó một cách hiệu quả vào mô hình dự báo học máy. Các nghiên cứu trước đây như của Phạm Viết Cường (2003) [30] chỉ dừng lại ở đề xuất "6 giải pháp nhằm nâng cao hiệu quả và khả năng cạnh tranh quốc tế cho đội ngũ TVVN" mà không có cơ sở định lượng để đánh giá chất lượng TVXK. Tương tự, các báo cáo quốc tế của BIMCO và ICS dự báo thiếu hụt thuyền viên dựa trên "tỷ lệ phần trăm mức tăng thuyền viên giữa các giai đoạn trong quá khứ" (tr. 9), thiếu đi sự phân tích sâu về yếu tố chất lượng cá nhân. Luận án này vượt trội hơn bằng cách:

    • Thứ nhất, xây dựng "bộ tiêu chí và thang đánh giá khoa học" (tr. 11) cho TVXK, bao gồm các yếu tố kiến thức chuyên môn, kỹ năng, thái độ, sức khỏe, thể lực và ngoại ngữ (tr. 126-136). Đây là một đổi mới vì "chưa có công trình nghiên cứu nào đề xuất bộ tiêu chí khoa học đánh giá phân lớp TVVN Việt Nam" (tr. 10).
    • Thứ hai, tích hợp trực tiếp bộ tiêu chí này làm các thuộc tính đầu vào cho thuật toán phân lớp Cây quyết định (C5.0), sử dụng phần mềm WEKA 3.9 (tr. 151). Điều này cho phép mô hình học máy không chỉ dự báo số lượng mà còn đánh giá khả năng xuất khẩu của từng thuyền viên dựa trên các tiêu chí chất lượng đa chiều. So với các mô hình vĩ mô như BLS của Mỹ, phương pháp này chuyên biệt và chi tiết hơn ở cấp độ cá nhân và có khả năng giải thích rõ ràng hơn về lý do một thuyền viên đủ hoặc không đủ điều kiện xuất khẩu thông qua cấu trúc cây quyết định.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là hiện tượng "cung và cầu vẫn còn chưa gặp nhau" mặc dù "nhu cầu TV của chủ tàu nước ngoài trong suốt hơn một thập kỷ qua đến nay vẫn là rất lớn" và "một đội ngũ không nhỏ TV, sinh viên, học viên tốt nghiệp mong muốn được làm việc cho chủ tàu nước ngoài" nhưng không biết mình có thể xuất khẩu hay không (tr. 2). Điều này cho thấy sự tồn tại của một sự mất cân bằng cấu trúc trong thị trường lao động hàng hải Việt Nam. Lý giải cho điều này không phải là thiếu nguồn cung hoàn toàn, mà là thiếu thông tin và công cụ để kết nối nguồn cung (thuyền viên tiềm năng) với nhu cầu (chủ tàu nước ngoài) dựa trên các tiêu chí chất lượng khách quan. Thuyền viên Việt Nam có "chứng chỉ chuyên môn" nhưng "chất lượng chưa tương xứng" với yêu cầu thực tế của chủ tàu (tr. 2). Phát hiện này nhấn mạnh vai trò quan trọng của một mô hình dự báo khoa học và bộ tiêu chí đánh giá để khắc phục sự thiếu hiệu quả này, thay vì chỉ tập trung vào việc tăng số lượng đào tạo.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức nhân rộng (replication protocol) chi tiết thông qua mô tả "Quy trình xây dựng mô hình dự báo nguồn nhân lực thuyền viên xuất khẩu" (Hình 3.5, tr. 142) bao gồm các bước: Thu nạp dữ liệu (tr. 143), Trích lọc dữ liệu (tr. 145), Rời rạc hóa dữ liệu (tr. 147), Tạo cây quyết định (tr. 150) và Xây dựng tập luật (tr. 152). Ngoài ra, luận án còn mô tả chi tiết "Các yếu tố sử dụng cho mô hình dự báo" (tr. 114) và "bộ tiêu chí chất lượng cho mô hình dự báo" (tr. 124), cùng với "Thang điểm đánh giá" (tr. 131-136). Việc sử dụng phần mềm WEKA 3.9 (tr. 151) cũng được chỉ rõ, cho phép các nhà nghiên cứu khác có thể tái lập quy trình phân tích và xây dựng mô hình. Các kết quả thực nghiệm tại các doanh nghiệp cụ thể với "độ chính xác và sai số của mô hình" (tr. 166) cũng cung cấp dữ liệu kiểm chứng cho việc nhân rộng.

  5. 10-year research agenda outlined? Có, một chương trình nghiên cứu 10 năm được phác thảo thông qua phần "Limitations và Future Research" (tr. 168). Các hướng phát triển tương lai bao gồm:

    • Thứ nhất, đầu tư xây dựng hệ thống thông tin và cơ sở dữ liệu quốc gia thống nhất về NNLTVXK (tr. 29), đảm bảo tính chính xác, đầy đủ và cập nhật. Đây là nền tảng cơ bản cho mọi nghiên cứu và ứng dụng trong tương lai.
    • Thứ hai, phát triển mô hình dự báo động và thích nghi, tích hợp các kỹ thuật học tăng cường và chuỗi thời gian để mô hình có khả năng tự học và điều chỉnh theo các biến động thị trường, vượt xa giới hạn của dữ liệu lịch sử.
    • Thứ ba, mở rộng phạm vi nghiên cứu sang các thị trường quốc tế khác và thực hiện nghiên cứu so sánh để hiểu sâu hơn về động lực của NNLTVXK toàn cầu.
    • Thứ tư, nâng cao khả năng định lượng hóa các yếu tố định tính (ví dụ: kỹ năng mềm, thích ứng văn hóa) vào mô hình dự báo để đạt được độ chính xác và toàn diện hơn.
    • Thứ năm, liên tục cải tiến giao diện người dùng phần mềm và tích hợp các công nghệ trực quan hóa dữ liệu để tăng cường khả năng sử dụng và ra quyết định. Những hướng này sẽ tạo ra một lộ trình nghiên cứu bền vững, khai thác tối đa tiềm năng của mô hình đã xây dựng.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực Khoa học Hàng hải và Quản lý nguồn nhân lực tại Việt Nam, đặc biệt là trong bối cảnh xuất khẩu thuyền viên. Nó mang lại những đóng góp cụ thể và đáng kể:

  1. Hệ thống hóa và làm rõ các khái niệm: Nghiên cứu đã cung cấp một khung lý luận chặt chẽ cho Nguồn nhân lực thuyền viên xuất khẩu (NNLTVXK) và Thị trường xuất khẩu thuyền viên, định nghĩa rõ ràng các thuật ngữ và yếu tố liên quan, tạo nền tảng vững chắc cho các nghiên cứu tiếp theo (tr. 11, 17, 20-21).
  2. Phát triển bộ tiêu chí và thang đánh giá khoa học: Luận án đã thành công trong việc xây dựng một bộ tiêu chí và thang điểm đánh giá khách quan, khoa học để phân loại năng lực thuyền viên Việt Nam đáp ứng yêu cầu quốc tế (tr. 11, 124-136). Điều này giải quyết một khoảng trống lớn trong việc đánh giá chủ quan hiện tại và là công cụ thiết yếu để nâng cao chất lượng NNLTVXK.
  3. Đề xuất mô hình dự báo dựa trên khai phá dữ liệu và học máy: Luận án tiên phong đề xuất một mô hình dự báo NNLTVXK sử dụng kỹ thuật khai phá dữ liệu (Cây quyết định, thuật toán C5.0) và học máy (tr. 11, 142). Mô hình này đã được chứng minh là có độ chính xác cao (trên 90% trong các thực nghiệm - tr. 166), mang lại một công cụ định lượng đáng tin cậy.
  4. Xây dựng phần mềm hỗ trợ dự báo: Việc phát triển phần mềm minh họa cho mô hình đã biến lý thuyết thành công cụ ứng dụng thực tiễn, cung cấp thông tin nhanh chóng và chính xác cho các nhà hoạch định chính sách và doanh nghiệp (tr. 4, 11, 153-157).
  5. Phân tích sâu sắc thực trạng và yếu tố ảnh hưởng: Nghiên cứu đã phân tích kỹ lưỡng thực trạng công tác dự báo NNLTVXK tại Việt Nam, chỉ ra những hạn chế về cơ sở dữ liệu, nhân lực và phương pháp (tr. 28-30), làm cơ sở cho các giải pháp và khuyến nghị chính sách.

Luận án này không chỉ là một nghiên cứu học thuật mà còn là một dự án ứng dụng mạnh mẽ, tạo ra một sự thúc đẩy cho việc dịch chuyển cách tiếp cận (approach advancement) trong công tác dự báo nhân lực từ phương pháp thủ công, cảm tính sang phương pháp khoa học, định lượng và dựa trên dữ liệu.

Ba luồng nghiên cứu mới được mở ra từ luận án này bao gồm:

  1. Nghiên cứu về tối ưu hóa chất lượng nguồn nhân lực hàng hải thông qua hệ thống đánh giá khách quan: Khám phá cách các bộ tiêu chí định lượng có thể được sử dụng để thiết kế các chương trình đào tạo và bồi dưỡng mục tiêu, tối đa hóa năng lực cạnh tranh quốc tế của thuyền viên.
  2. Phát triển các mô hình dự báo nhân lực đa ngành bằng học máy: Mở rộng ứng dụng của khai phá dữ liệu và học máy cho dự báo nguồn nhân lực trong các lĩnh vực xuất khẩu lao động khác ngoài ngành hàng hải, giải quyết vấn đề thiếu hụt công cụ dự báo khoa học trên diện rộng.
  3. Nghiên cứu về xây dựng và tích hợp hệ thống thông tin dữ liệu nhân lực quốc gia: Tập trung vào các thách thức công nghệ, pháp lý và tổ chức trong việc tạo ra một cơ sở dữ liệu nhân lực toàn diện, đồng bộ để hỗ trợ các hoạt động dự báo và hoạch định chính sách ở cấp độ quốc gia.

Tính phù hợp toàn cầu của luận án được thể hiện qua việc giải quyết bài toán thiếu hụt thuyền viên chất lượng cao, một vấn đề mà các tổ chức quốc tế như BIMCO và ICS đã liên tục nhấn mạnh (tr. 9). Mô hình và phương pháp luận có thể được so sánh và điều chỉnh cho các quốc gia có nguồn cung thuyền viên lớn như Philippines (Angelica M Baylon và VAdm Eduardo Ma R Santos, SIRC [118]) hoặc Trung Quốc, nhằm tối ưu hóa nguồn lực hàng hải của họ trên thị trường quốc tế. Di sản và kết quả đo lường được của luận án là khả năng cung cấp thông tin dự báo chính xác, hỗ trợ các quyết định chiến lược, góp phần nâng cao vị thế và thu nhập của thuyền viên Việt Nam, và là một bước đệm vững chắc cho sự phát triển bền vững của ngành hàng hải Việt Nam trên trường quốc tế.