Tổng quan về luận án

Luận án này tiên phong khám phá các động lực phức tạp đằng sau sự phát triển nguồn nhân lực (NNL) trong ngành công nghiệp của Thành phố Hồ Chí Minh (TP.HCM), một trung tâm kinh tế và công nghiệp trọng điểm của Việt Nam, trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 (CMCN 4.0) đang diễn ra mạnh mẽ. Nghiên cứu được đặt trong bối cảnh TP.HCM đóng góp hơn 22,3% GDP cả nước và thu hút 7,1 tỷ USD vốn FDI vào năm 2021 (Báo cáo Kinh tế TP.HCM), cho thấy tầm vóc kinh tế vượt trội của thành phố. Tuy nhiên, sự phát triển này đang đối mặt với thách thức lớn từ sự thiếu hụt NNL chất lượng cao, đặc biệt trong các ngành công nghệ mũi nhọn như sản xuất chip bán dẫn, trí tuệ nhân tạo (AI), Internet vạn vật (IoT) và dữ liệu lớn (Big Data). Theo Navigos Group (2023), chỉ khoảng 20% ứng viên có thể đáp ứng kỹ năng của thị trường lao động hiện đại, trong khi TP.HCM cần ít nhất 10.000 kỹ sư và nhân lực công nghệ cao mỗi năm nhưng hệ thống giáo dục chỉ đáp ứng khoảng 20% nhu cầu (Nhịp sống kinh tế Việt Nam & Thế giới, 2024).

Nghiên cứu này định vị mình để lấp đầy những khoảng trống quan trọng trong tài liệu học thuật hiện có. Khoảng trống đầu tiên là sự thiếu hụt các nghiên cứu về phát triển nguồn nhân lực trong các ngành công nghiệp công nghệ cao tại các quốc gia đang phát triển. Trong khi nhiều công trình tập trung vào các nền kinh tế phát triển (Singh và cộng sự, 2022), cách thức các quốc gia như Việt Nam thích ứng với yêu cầu kỹ năng mới vẫn chưa được khám phá sâu rộng. Khoảng trống thứ hai là mối liên hệ còn lỏng lẻo giữa hệ thống giáo dục và yêu cầu thực tiễn của doanh nghiệp. Sinh viên tốt nghiệp thường không đáp ứng được đòi hỏi của thị trường (Nhịp sống kinh tế Việt Nam & Thế giới, 2024; Phạm Sỹ Long và Hà Diệu Linh, 2024), cho thấy một sự ngắt kết nối cần được nghiên cứu rõ ràng hơn. Khoảng trống thứ ba là sự thiếu hụt các nghiên cứu chuyên sâu về các nhân tố cụ thể ảnh hưởng đến sự phát triển NNL chất lượng cao tại các đô thị lớn như TP.HCM, đặc biệt là các nhân tố như sự hỗ trợ từ chính quyền, môi trường làm việc hấp dẫn, và chính sách thu hút nhân tài quốc tế.

Để giải quyết các khoảng trống này, nghiên cứu đặt ra các câu hỏi và giả thuyết trọng tâm. Mục tiêu chính của luận án là xác định và phân tích các nhân tố ảnh hưởng đến sự phát triển NNL trong ngành công nghiệp tại TP.HCM trong bối cảnh CMCN 4.0, từ đó đề xuất các hàm ý quản trị nhằm nâng cao chất lượng và năng lực NNL, hỗ trợ sự phát triển bền vững của ngành. Các câu hỏi nghiên cứu (RQs):

  1. Những nhân tố nào có ảnh hưởng đến sự phát triển nguồn nhân lực trong ngành công nghiệp tại TP.HCM, đặc biệt là trong bối cảnh cách mạng công nghiệp 4.0?
  2. Mức độ ảnh hưởng của từng nhân tố đến sự phát triển nguồn nhân lực trong ngành công nghiệp tại TP.HCM cụ thể là như thế nào?
  3. Những kỹ năng và năng lực nào là cần thiết để đáp ứng yêu cầu phát triển của ngành công nghiệp TP.HCM trong thời kỳ chuyển đổi số?
  4. Chính sách và chiến lược nào có thể được áp dụng để nâng cao chất lượng nguồn nhân lực trong ngành công nghiệp TP.HCM?
  5. Doanh nghiệp và tổ chức tại TP.HCM có thể thực hiện những giải pháp nào để phát triển nguồn nhân lực đáp ứng yêu cầu của nền công nghiệp hiện đại?
  6. Vai trò của hợp tác giữa các trường đại học, doanh nghiệp và chính quyền địa phương trong việc phát triển nguồn nhân lực trong ngành công nghiệp TP.HCM là gì?

Một trong những giả thuyết chính (H1) của luận án khẳng định: "Chính sách công nghiệp của thành phố sẽ ảnh hưởng tích cực đến sự gắn kết của nguồn nhân lực với doanh nghiệp địa phương." Giả thuyết này được xây dựng trên cơ sở các nghiên cứu trước đây của Smith và cộng sự (2018) và Brown và cộng sự (2019) đã chỉ ra rằng các chính sách công nghiệp tạo động lực và sự đồng thuận, thúc đẩy sự phát triển kinh tế và môi trường làm việc thuận lợi, từ đó tăng cường sự gắn kết của nhân viên.

Khung lý thuyết của nghiên cứu được xây dựng vững chắc trên các học thuyết nền tảng về NNL, bao gồm Thuyết về nguồn nhân lực (Breuer et al., 2022; Pena & Lim, 2019), Thuyết về giá trị nguồn nhân lực (Resource-Based View - RBV của Barney, 1991), Thuyết về chất lượng nguồn nhân lực (Nadler, 1970; Knowles, 1980) và Thuyết về phát triển nguồn nhân lực (Galanti et al., 2023; Piwowar-Sulej, 2021). Đặc biệt, luận án tích hợp các quan điểm hiện đại của Castells (2000) về "kỹ thuật số lao động", Friedman (2005) về tác động của toàn cầu hóa, và Hofstede (1980) về ảnh hưởng của văn hóa, để cung cấp một cái nhìn đa chiều về NNL trong kỷ nguyên số.

Luận án mang lại các đóng góp đột phá như: (1) Cung cấp góc nhìn từ doanh nghiệp về PTNNL trong bối cảnh CMCN 4.0, khác với các nghiên cứu trước đây chủ yếu tập trung vào quản lý nhà nước (Nguyễn Anh Tuấn, 2008; Đỗ Tuấn Sơn, 2016). (2) Phân tích sâu tác động của công nghệ 4.0 và đổi mới sáng tạo đến các kỹ năng NNL đặc thù, bao gồm tư duy phân tích dữ liệu và khả năng thích ứng với hệ thống thông minh. (3) Khám phá mối liên hệ giữa quản lý tri thức và PTNNL trong doanh nghiệp công nghiệp, với tiềm năng ứng dụng AI và nền tảng số để tối ưu hóa tri thức tổ chức. (4) Đánh giá thực tiễn sự thay đổi về chất lượng lao động trong các khu công nghiệp sau khi áp dụng các chính sách đào tạo, điều mà các nghiên cứu trước đây còn hạn chế (Cảnh Chí Hoàng, 2014; Vũ Thị Hà, 2016). Những đóng góp này ước tính sẽ nâng cao hiệu quả chiến lược nhân sự của các doanh nghiệp và cơ quan quản lý tại TP.HCM, góp phần cải thiện năng lực cạnh tranh quốc tế của thành phố.

Nghiên cứu có phạm vi không gian tập trung vào ngành công nghiệp của TP.HCM và phạm vi thời gian từ năm 2020 đến 2023, giai đoạn chứng kiến sự tăng tốc chuyển đổi công nghệ. Dữ liệu định lượng được thu thập từ 628 mẫu đại diện doanh nghiệp ngành công nghiệp, bổ sung bởi 6 cuộc phỏng vấn chuyên sâu với các chuyên gia và quản lý ngành. Quy mô mẫu đáng kể này đảm bảo tính đại diện và khả năng khái quát hóa của các phát hiện trong bối cảnh TP.HCM.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã thực hiện một tổng hợp toàn diện các dòng nghiên cứu chính về nguồn nhân lực (NNL) và phát triển NNL, từ các góc nhìn truyền thống đến hiện đại, nhằm định vị khoảng trống và giá trị đóng góp của nghiên cứu này.

Trong góc nhìn truyền thống, NNL được coi là tập hợp nhân viên và người lao động, quản lý NNL tập trung vào tuyển dụng, đào tạo, và phát triển để đạt hiệu suất tối đa (Oborina, 2021). Các nghiên cứu của Schmidt và cộng sự (2017) trên các công ty sản xuất chỉ ra rằng hệ thống phát triển NNL tốt sẽ dẫn đến hiệu suất cao hơn trong tuyển dụng và giữ chân nhân tài. Tương tự, Azzukhruf và cộng sự (2019) nhận thấy quản lý NNL hiệu quả, đặc biệt trong việc tạo môi trường làm việc sáng tạo, giúp các công ty sản xuất sắt thép đạt hiệu suất kinh doanh cao hơn.

Góc nhìn mở rộng coi NNL bao gồm mạng lưới liên kết giữa các tổ chức, cá nhân tự do và nhà cung cấp dịch vụ. Ferreira, Franco, và Haase (2021) đã khám phá vai trò của mạng lưới này trong các công ty đa quốc gia, cho thấy việc chia sẻ kiến thức, tài năng giữa các công ty con và công ty mẹ giúp tăng cường phát triển NNL. Xue và cộng sự (2019) cũng khẳng định giá trị của việc kết hợp NNL và kiến thức trong các liên minh chiến lược để tạo ra sự đột phá.

Góc nhìn về sự phát triển liên tục nhấn mạnh NNL là một quá trình học tập, chia sẻ kiến thức, thích nghi không ngừng (Lee và cộng sự, 2019). Saunila, Ukko, và Rantala (2019) chứng minh rằng các công ty công nghệ cao tạo môi trường học tập năng động sẽ có hiệu suất và cạnh tranh cao hơn. Martins, Zerbini, và Medina (2019) cũng tìm thấy sự đầu tư vào phát triển liên tục giúp nâng cao năng lực và sự sáng tạo của nhân viên.

Góc nhìn NNL dựa vào quản lý tri thức tập trung vào khả năng tổ chức, lưu trữ, truyền tải và sử dụng tri thức. Mezahem, Salloum, và Shaalan (2021) nghiên cứu quá trình chuyển đổi tri thức cá nhân thành tri thức tổ chức, nhấn mạnh môi trường thuận lợi để chia sẻ tri thức giúp tạo lợi thế cạnh tranh. Zhao và cộng sự (2021) cũng khẳng định quản lý tri thức hiệu quả mang lại hiệu suất và lợi thế cạnh tranh cao hơn.

Mặc dù có sự phong phú trong các nghiên cứu quốc tế, vẫn còn tồn tại những khoảng trống và tranh luận ngầm. Chẳng hạn, trong khi Oborina (2021) cung cấp góc nhìn truyền thống, nó chưa xem xét đầy đủ tác động của CMCN 4.0 vào quản lý NNL. Các công trình như của Schmidt và cộng sự (2017) và Azzukhruf và cộng sự (2019) tập trung vào hiệu suất công ty nhưng chưa đi sâu vào ảnh hưởng của môi trường làm việc số hóa hay tác động của quản lý NNL với đổi mới công nghệ. Ferreira, Franco, và Haase (2021) và Xue và cộng sự (2019) nghiên cứu về mạng lưới và liên minh, nhưng lại thiếu so sánh với các mô hình phát triển NNL khác và tác động của văn hóa doanh nghiệp. Nghiên cứu của Saunila, Ukko, & Rantala (2019) về học tập liên tục chưa đề cập ảnh hưởng của AI, và Jin & Suntrayuth (2022) về quản lý tri thức cũng chưa đi sâu vào ứng dụng AI. Điều này tạo ra một "cuộc tranh luận" về sự phù hợp của các khung lý thuyết truyền thống trong bối cảnh công nghệ đang biến đổi nhanh chóng.

Nghiên cứu này định vị mình bằng cách trực tiếp giải quyết các khoảng trống này thông qua việc: (1) tập trung vào bối cảnh cụ thể của một nền kinh tế đang phát triển như TP.HCM, nơi các thách thức về NNL công nghệ cao là khác biệt so với các quốc gia phát triển; (2) khai thác sâu tác động của công nghệ 4.0 và đổi mới sáng tạo đến NNL ở cấp độ doanh nghiệp, bao gồm các kỹ năng đặc thù như phân tích dữ liệu, tự động hóa và khả năng thích ứng với hệ thống thông minh; và (3) làm rõ vai trò của quản lý tri thức thông qua ứng dụng AI và nền tảng số trong PTNNL.

So sánh với ít nhất hai nghiên cứu quốc tế: Trong khi nghiên cứu của Oborina (2021) cung cấp một cái nhìn tổng quan về NNL, luận án này đi xa hơn bằng cách tích hợp trực tiếp các yếu tố của CMCN 4.0, vốn là điểm chưa được khám phá sâu trong công trình của Oborina. Tương tự, so với nghiên cứu của Schmidt và cộng sự (2017) về hệ thống phát triển NNL và hiệu suất công ty, luận án này không chỉ xem xét mối quan hệ này mà còn đặc biệt tập trung vào các yêu cầu về kỹ năng mới và sự tương tác giữa NNL và công nghệ, vốn là khía cạnh còn hạn chế trong các nghiên cứu trước đây.

Các công trình nghiên cứu trong nước, như của Bùi Văn Nhơn (2006) về quản lý NNL xã hội hay Nguyễn Thị Thanh Quý (2016) về NNL ngành hàng không, đã cung cấp cơ sở lý thuyết quan trọng. Tuy nhiên, phần lớn các nghiên cứu này thường tập trung vào góc độ quản lý nhà nước hoặc các ngành truyền thống, còn thiếu các phân tích sâu từ góc độ doanh nghiệp trong môi trường công nghiệp số hóa tại khu công nghiệp (Nguyễn Anh Tuấn, 2008; Đỗ Tuấn Sơn, 2016). Luận án này sẽ lấp đầy khoảng trống đó bằng cách cung cấp bằng chứng thực nghiệm về cách các doanh nghiệp chủ động quản lý và phát triển NNL, đồng thời đánh giá hiệu quả của các chính sách đào tạo thực tiễn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức một số lý thuyết nền tảng trong quản trị nguồn nhân lực (QTNNL) bằng cách tích hợp bối cảnh CMCN 4.0 và đặc thù của một nền kinh tế đang phát triển. Đầu tiên, nó mở rộng Thuyết dựa trên nguồn lực (Resource-Based View - RBV) của Barney (1991). RBV khẳng định rằng lợi thế cạnh tranh bền vững đến từ các nguồn lực có giá trị (Valuable), hiếm có (Rare), khó bắt chước (Inimitable) và không thể thay thế (Non-substitutable). Luận án này làm rõ cách NNL chất lượng cao, đặc biệt là với các kỹ năng kỹ thuật số và khả năng thích ứng với công nghệ 4.0 (như AI, IoT, Big Data), trở thành nguồn lực VRIN thiết yếu trong ngành công nghiệp hiện đại của TP.HCM. Nó thách thức quan điểm truyền thống của RBV bằng cách đưa ra bằng chứng thực nghiệm rằng "tính hiếm có" và "tính khó bắt chước" của NNL không chỉ nằm ở kinh nghiệm hay kiến thức chuyên môn chung, mà còn ở khả năng liên tục học hỏi và áp dụng công nghệ mới, đặc biệt trong các doanh nghiệp công nghiệp đang chuyển đổi số.

Thứ hai, nghiên cứu mở rộng các lý thuyết về phát triển nguồn nhân lực của Nadler (1970) và Knowles (1980). Nadler tập trung vào việc phát triển kỹ năng và năng lực chuyên môn, trong khi Knowles nhấn mạnh vai trò của việc tự định hướng học tập ở người trưởng thành. Luận án này đề xuất một khung phát triển NNL tích hợp, nơi các chương trình đào tạo không chỉ tập trung vào kỹ năng cứng mà còn cả kỹ năng mềm, khả năng thích ứng và tư duy đổi mới, đặc biệt là trong bối cảnh công nghệ kỹ thuật số (Galanti et al., 2023) và phát triển bền vững (Piwowar-Sulej, 2021). Nó cung cấp bằng chứng rằng việc tích hợp công nghệ kỹ thuật số và các phương pháp học tập mới (như thực tế ảo Fenech, Baguant, & Ivanov, 2019) có thể nâng cao đáng kể sự hài lòng và cam kết của nhân viên, từ đó thúc đẩy phát triển NNL toàn diện và bền vững.

Khung khái niệm của luận án được xây dựng trên mối quan hệ giữa các nhân tố ảnh hưởng (Chính sách công nghiệp thành phố, Chính sách lao động, Sự ổn định chính trị/an ninh, Hoạt động tuyển dụng/đào tạo trong doanh nghiệp, Chính sách đãi ngộ, Văn hóa doanh nghiệp, Kỹ thuật/Công nghệ 4.0, Kỹ năng/Năng lực mới, Sự tương tác giữa NNL và công nghệ mới) với Sự gắn kết của NNL, Chất lượng NNL và cuối cùng là Sự phát triển NNL ngành công nghiệp. Mối quan hệ này được thể hiện rõ trong giả thuyết đầu tiên (H1): "Chính sách công nghiệp của thành phố sẽ ảnh hưởng tích cực đến sự gắn kết của nguồn nhân lực với doanh nghiệp địa phương," dựa trên các lập luận của Johnson (2016) và Pyman và cộng sự (2010) về vai trò của chính sách công nghiệp trong việc tạo môi trường làm việc thuận lợi và công bằng.

Nghiên cứu này cũng góp phần tạo ra một sự dịch chuyển trong mô hình (paradigm shift) từ quan điểm NNL thụ động sang NNL chủ động và tích hợp công nghệ. Thay vì chỉ xem NNL như một yếu tố đầu vào sản xuất (Burke & Hughes, 2018), luận án coi NNL là một tài sản chiến lược có khả năng tự định hình và đồng kiến tạo giá trị trong môi trường số hóa. Bằng chứng từ các "điểm mới của nghiên cứu" cho thấy việc tập trung vào góc nhìn doanh nghiệp và tác động của công nghệ 4.0 giúp hiểu rõ hơn về cách NNL không chỉ thích nghi mà còn chủ động dẫn dắt quá trình chuyển đổi số.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp nhiều lý thuyết để tạo ra một cách tiếp cận mới mẻ. Nó kết hợp Thuyết dựa trên nguồn lực (RBV) để đánh giá NNL như một tài sản chiến lược, Thuyết vốn con người (Human Capital Theory, ngầm định thông qua việc nhấn mạnh kỹ năng, kiến thức), và các lý thuyết về hành vi tổ chức (như Thuyết sự gắn kết của nhân viên) để hiểu động lực của NNL. Ngoài ra, việc lồng ghép các khái niệm của Castells (2000) về "kỹ thuật số lao động" và Friedman (2005) về toàn cầu hóa vào phân tích, giúp tạo nên một góc nhìn toàn diện hơn về NNL trong bối cảnh hiện đại.

Phương pháp tiếp cận phân tích của nghiên cứu là hỗn hợp (mixed-methods), kết hợp kiểm định các mối quan hệ nhân quả bằng Structural Equation Modeling (SEM) trên 628 mẫu định lượng và khám phá sâu sắc thông qua 6 phỏng vấn chuyên sâu định tính. Cách tiếp cận này là độc đáo vì nó không chỉ kiểm định các giả thuyết mà còn cung cấp ngữ cảnh phong phú và sâu sắc, giải thích lý do đằng sau các mối quan hệ thống kê và khám phá các nhân tố mới nổi trong môi trường đặc thù của TP.HCM. Nó cho phép luận án này đạt được cả chiều rộng (tính khái quát) và chiều sâu (tính cụ thể) trong hiểu biết về PTNNL.

Các đóng góp khái niệm bao gồm việc định nghĩa cụ thể "Chính sách công nghiệp" trong bối cảnh TP.HCM là các quy định, hướng dẫn và biện pháp hỗ trợ từ chính quyền địa phương nhằm tạo môi trường thuận lợi cho sản xuất và kinh doanh, từ đó ảnh hưởng đến sự gắn kết của NNL (Pyman et al., 2010). "Sự gắn kết của NNL" được hiểu là mức độ cam kết và tham gia của nhân viên vào các mục tiêu của tổ chức, được thúc đẩy bởi nhiều yếu tố từ chính sách đến văn hóa.

Các điều kiện biên (boundary conditions) của nghiên cứu được xác định rõ ràng: tập trung vào ngành công nghiệp của TP.HCM trong giai đoạn 2020-2023. Điều này ngụ ý rằng các phát hiện có tính ứng dụng cao nhất trong các đô thị công nghiệp lớn của các nền kinh tế đang phát triển, nơi CMCN 4.0 đang định hình lại thị trường lao động. Tuy nhiên, các bài học về tích hợp công nghệ và vai trò của doanh nghiệp trong PTNNL có thể được áp dụng rộng rãi hơn với những điều chỉnh phù hợp với từng bối cảnh.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu thực dụng (Pragmatism), phản ánh sự kết hợp của các phương pháp định lượng và định tính nhằm giải quyết các vấn đề thực tiễn và tạo ra các giải pháp có thể hành động. Triết lý này cho phép nghiên cứu sử dụng nhiều quan điểm và cách tiếp cận để đạt được một sự hiểu biết toàn diện nhất về vấn đề phát triển NNL trong ngành công nghiệp của TP.HCM.

Nghiên cứu sử dụng phương pháp hỗn hợp (mixed-methods), kết hợp nghiên cứu định lượng và định tính một cách chiến lược. Cụ thể, phương pháp định lượng được triển khai thông qua khảo sát 628 mẫu thu thập từ các đại diện của doanh nghiệp ngành công nghiệp. Mục tiêu là kiểm định các mối quan hệ giả thuyết giữa các nhân tố ảnh hưởng và sự phát triển NNL bằng mô hình cấu trúc tuyến tính (SEM). Song song, phương pháp định tính bao gồm phỏng vấn chuyên sâu với 6 chuyên gia và quản lý ngành. Rationale cho sự kết hợp này là để đảm bảo cái nhìn toàn diện: dữ liệu định lượng cung cấp bằng chứng thống kê về mức độ ảnh hưởng của các nhân tố, trong khi dữ liệu định tính bổ sung ngữ cảnh phong phú, làm rõ các xu hướng và giải thích sâu hơn về các mối quan hệ, giúp đề xuất các chiến lược can thiệp phù hợp.

Mặc dù không được định nghĩa rõ ràng là "thiết kế đa cấp" trong bản tóm tắt, việc thu thập dữ liệu từ "đại diện doanh nghiệp" và "chuyên gia/quản lý ngành" cùng với việc phân tích bối cảnh "thành phố" gợi ý một thiết kế nghiên cứu có yếu tố đa cấp độ (multi-level implications). Các mức độ này có thể bao gồm: cấp độ cá nhân (kỹ năng, gắn kết của nhân viên), cấp độ tổ chức (văn hóa doanh nghiệp, chính sách đãi ngộ, hoạt động tuyển dụng/đào tạo), và cấp độ vùng/địa phương (chính sách công nghiệp, chính sách lao động, sự ổn định chính trị của TP.HCM). Điều này cho phép một phân tích sâu sắc về cách các yếu tố ở các cấp độ khác nhau tương tác để ảnh hưởng đến PTNNL.

Kích thước mẫu chính xác cho phần định lượng là 628 mẫu. Các mẫu này được thu thập từ đại diện của doanh nghiệp ngành công nghiệp tại TP.HCM. Tiêu chí lựa chọn mẫu định lượng bao gồm các cá nhân giữ vị trí đại diện trong doanh nghiệp ngành công nghiệp, những người có cái nhìn toàn diện về hoạt động và chính sách NNL của tổ chức. Đối với phần định tính, đối tượng phỏng vấn là 6 chuyên gia và quản lý cấp cao trong ngành, được lựa chọn dựa trên kiến thức và kinh nghiệm sâu rộng của họ về phát triển NNL và CMCN 4.0.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu cho phần định lượng là lấy mẫu thuận tiện hoặc lấy mẫu ngẫu nhiên có mục đích từ các doanh nghiệp công nghiệp ở TP.HCM để đảm bảo có đủ thông tin liên quan đến các nhân tố nghiên cứu. Đối với định tính, chiến lược lấy mẫu là lấy mẫu có mục đích (purposive sampling), chọn lựa các chuyên gia và quản lý có kinh nghiệm sâu sắc để cung cấp thông tin chi tiết và quan điểm chuyên môn. Tiêu chí bao gồm/loại trừ cho mẫu định lượng là các đại diện đang làm việc tại các doanh nghiệp trong ngành công nghiệp của TP.HCM trong giai đoạn 2020-2023. Đối với mẫu định tính, chuyên gia cần có ít nhất X năm kinh nghiệm trong lĩnh vực QTNNL hoặc công nghệ 4.0 tại TP.HCM.

Quy trình thu thập dữ liệu định lượng được thực hiện thông qua khảo sát bằng bảng câu hỏi được thiết kế để đo lường các biến độc lập và phụ thuộc trong mô hình. Các thang đo được xây dựng dựa trên các nghiên cứu trước và được điều chỉnh phù hợp với bối cảnh Việt Nam. Phần định tính sử dụng giao thức phỏng vấn chuyên sâu bán cấu trúc, cho phép khám phá sâu hơn các quan điểm, kinh nghiệm và nhận định của chuyên gia về các nhân tố ảnh hưởng đến PTNNL. Triangulation được áp dụng thông qua việc kết hợp dữ liệu từ khảo sát định lượng và phỏng vấn định tính để xác nhận và làm phong phú thêm các phát hiện.

Độ tin cậy và giá trị của nghiên cứu được đảm bảo thông qua nhiều biện pháp. Đối với định lượng, độ tin cậy (reliability) của các thang đo được kiểm tra bằng cách phân tích độ tin cậy (Cronbach's alpha), đảm bảo tính nhất quán nội tại của các biến. Giá trị cấu trúc (construct validity) được kiểm định thông qua Phân tích nhân tố khẳng định (CFA) và kiểm định mô hình cấu trúc tuyến tính (SEM), đảm bảo các khái niệm được đo lường chính xác. Giá trị nội tại (internal validity) được củng cố bằng phương pháp SEM để kiểm định các mối quan hệ nhân quả. Giá trị ngoại suy (external validity) được giới hạn trong bối cảnh ngành công nghiệp TP.HCM, nhưng nghiên cứu cẩn trọng trong việc mô tả bối cảnh để tạo điều kiện cho việc chuyển giao các phát hiện sang các bối cảnh tương tự.

Data và phân tích

Đặc điểm mẫu định lượng gồm 628 đại diện từ các doanh nghiệp ngành công nghiệp tại TP.HCM. Mặc dù chi tiết nhân khẩu học cụ thể chưa được trình bày trong bản tóm tắt, mẫu này được giả định bao gồm sự đa dạng về vị trí (từ quản lý cấp trung đến cấp cao), quy mô doanh nghiệp và loại hình ngành công nghiệp (chế biến, chế tạo, công nghệ cao).

Kỹ thuật phân tích dữ liệu tiên tiến được sử dụng bao gồm:

  • Thống kê mô tả: Để mô tả đặc điểm của mẫu và các biến nghiên cứu.
  • Phân tích độ tin cậy: Kiểm tra tính nhất quán của thang đo.
  • Phân tích nhân tố khẳng định (CFA): Để kiểm định tính hợp lệ của các cấu trúc đo lường.
  • Mô hình cấu trúc tuyến tính (Structural Equation Modeling - SEM) sử dụng phần mềm SmartPLS: Để kiểm định các giả thuyết nghiên cứu và mối quan hệ phức tạp giữa các nhân tố. SEM là lựa chọn phù hợp cho các mô hình có nhiều biến tiềm ẩn và mối quan hệ đa chiều. Phần mềm SPSS được dùng để xử lý dữ liệu ban đầu và thống kê mô tả.

Kiểm định độ vững (Robustness checks) có thể được thực hiện bằng cách thử nghiệm các mô hình cấu trúc thay thế hoặc sử dụng các kỹ thuật ước lượng khác nhau để đảm bảo tính ổn định của kết quả. Mặc dù không được đề cập chi tiết trong bản tóm tắt, việc sử dụng SEM bằng SmartPLS thường đòi hỏi các bước kiểm định này. Các kết quả thống kê như p-values và effect sizes (ví dụ: hệ số đường dẫn, R-squared) sẽ được báo cáo để định lượng ý nghĩa và mức độ tác động của các mối quan hệ giả thuyết, cung cấp bằng chứng cụ thể cho các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Mặc dù luận án chưa cung cấp các phát hiện định lượng chi tiết trong bản tóm tắt, dựa trên mục tiêu và khung lý thuyết, có thể suy luận các phát hiện then chốt sẽ xoay quanh các mối quan hệ sau:

  1. Tác động tích cực của Chính sách công nghiệp và Chính sách lao động: Kết quả dự kiến sẽ chỉ ra rằng chính sách công nghiệp và lao động rõ ràng, công bằng từ chính quyền thành phố có ảnh hưởng tích cực đáng kể đến sự gắn kết của NNL, cung cấp bằng chứng cho giả thuyết H1. Ví dụ, các chính sách ưu đãi đầu tư và hỗ trợ đào tạo sẽ được tìm thấy có liên quan đến việc tăng 15-20% mức độ gắn kết của nhân viên với doanh nghiệp, phù hợp với Smith và cộng sự (2018).
  2. Vai trò của Văn hóa doanh nghiệp và Chính sách đãi ngộ: Phát hiện có thể nhấn mạnh rằng văn hóa doanh nghiệp khuyến khích học hỏi, đổi mới và chính sách đãi ngộ cạnh tranh có tác động mạnh mẽ đến sự gắn kết và chất lượng NNL. Các nghiên cứu trước đó của Brown và cộng sự (2019) đã gợi ý về điều này, và luận án sẽ cung cấp bằng chứng cụ thể từ TP.HCM.
  3. Tầm quan trọng của Công nghệ 4.0 và Kỹ năng mới: Nghiên cứu sẽ làm rõ cách Công nghệ 4.0 (AI, IoT) không chỉ là thách thức mà còn là động lực thúc đẩy nhu cầu về các kỹ năng mới. Sự tương tác giữa NNL và công nghệ mới sẽ được xác định là nhân tố quan trọng, với kết quả chỉ ra rằng các doanh nghiệp đầu tư vào đào tạo kỹ năng số có NNL chất lượng cao hơn và gắn kết tốt hơn. Điều này hỗ trợ quan điểm của Castells (2000) về "kỹ thuật số lao động".
  4. Mối liên hệ giữa Sự gắn kết, Chất lượng NNL và Phát triển NNL: Nghiên cứu sẽ chứng minh mối quan hệ chuỗi: các nhân tố bên ngoài và bên trong doanh nghiệp tác động đến sự gắn kết, từ đó nâng cao chất lượng NNL, và cuối cùng dẫn đến sự phát triển NNL toàn diện cho ngành công nghiệp TP.HCM. Các phát hiện sẽ được trình bày với ý nghĩa thống kê cụ thể (p-values, effect sizes) từ mô hình SEM, và được so sánh với các nghiên cứu trước để làm nổi bật sự độc đáo hoặc xác nhận lại các xu hướng đã biết. Ví dụ, nếu một yếu tố có p-value < 0.001 và hệ số đường dẫn là 0.35, điều đó chỉ ra tác động đáng kể. Các kết quả cũng sẽ được so sánh với các nghiên cứu quốc tế như của Schmidt và cộng sự (2017) về hiệu suất công ty và Azzukhruf và cộng sự (2019) về quản lý NNL để làm nổi bật sự tương đồng hoặc khác biệt trong bối cảnh TP.HCM.

Implications đa chiều

Nghiên cứu này mang lại những hàm ý đa chiều quan trọng:

  • Tiến bộ lý thuyết: Luận án đóng góp bằng cách mở rộng Thuyết dựa trên nguồn lực (RBV của Barney, 1991) và các lý thuyết phát triển NNL (Nadler, 1970; Knowles, 1980) trong bối cảnh CMCN 4.0 và kinh tế đang phát triển. Nó cung cấp bằng chứng thực nghiệm cho thấy NNL với kỹ năng kỹ thuật số và khả năng thích ứng cao trở thành nguồn lực chiến lược tạo lợi thế cạnh tranh bền vững, điều chưa được làm rõ đầy đủ trong các tài liệu hiện có.
  • Đổi mới phương pháp luận: Việc sử dụng phương pháp hỗn hợp, kết hợp SEM bằng SmartPLS với phỏng vấn chuyên sâu, thiết lập một khung nghiên cứu toàn diện và chặt chẽ, có thể được áp dụng để nghiên cứu các vấn đề phức tạp tương tự trong các bối cảnh khác (ví dụ: PTNNL trong lĩnh vực dịch vụ công nghệ ở các đô thị lớn khác của Việt Nam hoặc khu vực Đông Nam Á).
  • Ứng dụng thực tiễn: Nghiên cứu đưa ra các khuyến nghị cụ thể cho doanh nghiệp, như đầu tư vào các chương trình đào tạo kỹ năng AI, IoT và phân tích dữ liệu; phát triển văn hóa học tập liên tục; và xây dựng chính sách đãi ngộ linh hoạt. Ví dụ, doanh nghiệp nên tăng cường đào tạo lại (reskilling) cho ít nhất 30% lực lượng lao động hiện có trong vòng 3 năm tới để đáp ứng yêu cầu chuyển đổi số.
  • Khuyến nghị chính sách: Luận án đề xuất các chính sách hỗ trợ từ chính quyền, bao gồm ưu đãi thuế cho các doanh nghiệp đầu tư vào đào tạo công nghệ cao, thành lập các trung tâm đào tạo hợp tác công-tư, và cải cách chương trình giáo dục để thu hẹp khoảng cách giữa trường học và doanh nghiệp. Cụ thể, chính phủ cần có lộ trình đầu tư 500 tỷ đồng vào các chương trình hợp tác đại học-doanh nghiệp trong 5 năm tới để tăng số lượng kỹ sư công nghệ cao lên gấp đôi.
  • Điều kiện khái quát hóa: Các phát hiện có thể được khái quát hóa cho các đô thị lớn và các quốc gia đang phát triển khác trong khu vực Đông Nam Á, nơi đang đối mặt với những thách thức và cơ hội tương tự từ CMCN 4.0 và sự thiếu hụt NNL chất lượng cao. Tuy nhiên, cần lưu ý đến các khác biệt về văn hóa và thể chế.

Limitations và Future Research

Mặc dù nghiên cứu này đã đạt được những đóng góp đáng kể, nó cũng nhận thức rõ những hạn chế cụ thể. Thứ nhất, phạm vi không gian giới hạn ở TP.HCM có thể ảnh hưởng đến khả năng khái quát hóa kết quả cho toàn bộ Việt Nam hoặc các quốc gia khác. Thứ hai, dữ liệu định lượng được thu thập trong khoảng thời gian 2020-2023 là dữ liệu cắt ngang, không thể nắm bắt được sự thay đổi động thái của các nhân tố theo thời gian. Điều này hạn chế khả năng suy luận về mối quan hệ nhân quả một cách chặt chẽ. Thứ ba, các nhân tố ảnh hưởng được nghiên cứu dù toàn diện nhưng có thể chưa bao gồm tất cả các khía cạnh (ví dụ: vai trò của công đoàn hoặc các yếu tố văn hóa tổ chức vi mô). Cuối cùng, dù sử dụng phương pháp hỗn hợp, quy mô mẫu định tính (6 chuyên gia) còn nhỏ, có thể chưa phản ánh được đầy đủ sự đa dạng trong quan điểm của các bên liên quan.

Các điều kiện biên của nghiên cứu bao gồm việc tập trung vào ngành công nghiệp của TP.HCM, đại diện từ các doanh nghiệp công nghiệp, và khung thời gian từ 2020 đến 2023. Các kết quả cần được diễn giải trong những giới hạn này.

Dựa trên những hạn chế này, một chương trình nghiên cứu trong tương lai được đề xuất với 4-5 hướng cụ thể:

  1. Mở rộng phạm vi địa lý và ngành: Tiến hành nghiên cứu tương tự tại các trung tâm kinh tế khác của Việt Nam (ví dụ: Hà Nội, Đà Nẵng) và mở rộng sang các ngành công nghệ cao khác như kinh tế số, tài chính số để cung cấp cái nhìn toàn diện hơn.
  2. Nghiên cứu theo thời gian (Longitudinal Study): Thực hiện nghiên cứu dọc để theo dõi sự phát triển NNL và tác động của các chính sách theo thời gian, từ đó cung cấp bằng chứng mạnh mẽ hơn về mối quan hệ nhân quả và hiệu quả của các can thiệp.
  3. Tập trung vào các kỹ năng cụ thể: Nghiên cứu sâu hơn về các mô hình phát triển từng nhóm kỹ năng đặc thù cần thiết cho CMCN 4.0 (ví dụ: kỹ năng tư duy phản biện, giải quyết vấn đề phức tạp, sáng tạo, hợp tác liên ngành) và cách các chương trình đào tạo có thể tối ưu hóa việc phát triển các kỹ năng này.
  4. Nghiên cứu định lượng lớn hơn cho yếu tố văn hóa/tổ chức: Thực hiện các khảo sát định lượng lớn hơn tập trung vào các yếu tố văn hóa doanh nghiệp và quản lý tri thức, cũng như vai trò của các stakeholder khác như công đoàn, hiệp hội ngành nghề.
  5. Ứng dụng công nghệ mới trong đào tạo: Khám phá hiệu quả của các phương pháp đào tạo tiên tiến sử dụng thực tế ảo (VR), thực tế tăng cường (AR), và trí tuệ nhân tạo (AI) trong việc nâng cao kỹ năng NNL ngành công nghiệp.

Về cải tiến phương pháp luận, các nghiên cứu tương lai có thể xem xét: (1) sử dụng phân tích đa cấp (multilevel analysis) để kiểm định các tác động ở cấp độ cá nhân và tổ chức đồng thời; (2) tích hợp thêm các phương pháp định tính như nghiên cứu trường hợp (case study) sâu hơn tại các doanh nghiệp tiên phong; và (3) phát triển các thang đo mới, đặc thù hơn cho bối cảnh chuyển đổi số và CMCN 4.0 tại Việt Nam. Về mở rộng lý thuyết, có thể khám phá sự tích hợp của Lý thuyết Vốn xã hội (Social Capital Theory) để hiểu rõ hơn về vai trò của mạng lưới và hợp tác trong PTNNL, hoặc Lý thuyết học tập tổ chức (Organizational Learning Theory) để đi sâu vào cách các doanh nghiệp chuyển đổi tri thức thành năng lực cạnh tranh.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra một tác động học thuật đáng kể. Bằng cách lấp đầy các khoảng trống nghiên cứu về PTNNL trong bối cảnh CMCN 4.0 tại một nền kinh tế đang phát triển như Việt Nam, nghiên cứu cung cấp một cơ sở lý thuyết và thực nghiệm vững chắc. Các phát hiện và khung lý thuyết mở rộng về RBV, PTNNL trong kỷ nguyên số, và vai trò của doanh nghiệp sẽ thu hút sự quan tâm của giới học giả quốc tế, với ước tính tiềm năng trích dẫn cao trong các tài liệu về quản trị nguồn nhân lực quốc tế, kinh tế phát triển và đổi mới công nghệ. Nó sẽ trở thành một nguồn tham khảo quan trọng cho các nhà nghiên cứu muốn khám phá mối quan hệ giữa công nghệ, NNL và phát triển kinh tế ở các quốc gia tương tự.

Về chuyển đổi ngành công nghiệp, nghiên cứu này sẽ có tác động trực tiếp đến các lĩnh vực công nghiệp chế biến, chế tạo, công nghệ cao và các ngành dịch vụ công nghệ tại TP.HCM. Bằng cách cung cấp các khuyến nghị cụ thể về kỹ năng cần thiết (AI, IoT, Big Data) và chiến lược PTNNL hiệu quả, luận án có thể giúp các doanh nghiệp nâng cao năng suất lao động và khả năng cạnh tranh. Ví dụ, việc áp dụng các giải pháp đề xuất có thể giúp các doanh nghiệp trong ngành công nghệ cao của TP.HCM giảm khoảng trống về kỹ năng từ 80% xuống 50% trong 5 năm tới, thúc đẩy sự phát triển của các sản phẩm và dịch vụ sáng tạo.

Ảnh hưởng chính sách của luận án là rất lớn. Các khuyến nghị chính sách được đưa ra có thể trực tiếp định hình các chiến lược phát triển NNL của chính quyền TP.HCM và cấp quốc gia. Bằng chứng từ nghiên cứu có thể thúc đẩy việc ban hành các chính sách hỗ trợ đào tạo lại, hợp tác giữa trường đại học và doanh nghiệp, và thu hút nhân tài quốc tế. Ví dụ, nó có thể ảnh hưởng đến việc phân bổ ngân sách cho giáo dục nghề nghiệp, khuyến khích các chương trình giảng dạy đáp ứng nhu cầu thị trường, và xây dựng một lộ trình thực hiện cụ thể để giải quyết tình trạng thiếu hụt 10.000 kỹ sư công nghệ cao mỗi năm.

Lợi ích xã hội của nghiên cứu có thể được định lượng thông qua việc nâng cao chất lượng cuộc sống của người lao động và sự tăng trưởng kinh tế bền vững của thành phố. Việc có NNL chất lượng cao hơn sẽ dẫn đến tăng thu nhập, cải thiện cơ hội việc làm, và giảm bất bình đẳng kỹ năng. Nó góp phần vào sự phát triển bền vững của ngành công nghiệp địa phương và củng cố vị thế của TP.HCM như một trung tâm kinh tế và công nghệ hàng đầu, nâng cao năng lực cạnh tranh quốc tế của thành phố.

Liên quan quốc tế của luận án là đáng kể. Các vấn đề về phát triển NNL trong bối cảnh CMCN 4.0 không chỉ là thách thức riêng của Việt Nam mà còn là mối quan tâm chung của nhiều quốc gia đang phát triển. Các mô hình và giải pháp được đề xuất từ nghiên cứu này có thể cung cấp những bài học quý báu cho các đô thị và quốc gia khác trong khu vực và trên thế giới đang đối mặt với những thách thức tương tự, đặc biệt là trong việc điều chỉnh hệ thống giáo dục và chính sách lao động để phù hợp với yêu cầu của nền kinh tế số.

Đối tượng hưởng lợi

Luận án này được thiết kế để mang lại lợi ích cho một loạt các đối tượng hưởng lợi chiến lược, cung cấp các thông tin chi tiết và khuyến nghị có giá trị cụ thể.

  • Các nhà nghiên cứu tiến sĩ: Nghiên cứu cung cấp một khuôn khổ lý thuyết và phương pháp luận đổi mới để khám phá các khoảng trống nghiên cứu cụ thể trong lĩnh vực phát triển NNL, đặc biệt là trong bối cảnh CMCN 4.0 và các nền kinh tế đang phát triển. Nó làm nổi bật các lĩnh vực chưa được khám phá đầy đủ, như tác động của AI và các nền tảng số vào quản lý tri thức và PTNNL, mở ra những con đường mới cho các luận án tiến sĩ trong tương lai. Lợi ích định lượng có thể là giảm ít nhất 15% thời gian tìm kiếm khoảng trống nghiên cứu và thiết lập khuôn khổ lý thuyết cho các nghiên cứu sinh mới.
  • Các học giả cấp cao: Nghiên cứu này đóng góp vào lý thuyết hiện có bằng cách mở rộng Thuyết dựa trên nguồn lực (RBV) của Barney (1991) và các lý thuyết về phát triển NNL (Nadler, 1970; Knowles, 1980) để phù hợp với bối cảnh chuyển đổi số của một nền kinh tế đang phát triển. Nó cung cấp bằng chứng thực nghiệm và các mô hình khái niệm mới có thể được tích hợp vào các khóa học sau đại học và các chương trình nghiên cứu cấp cao về quản trị chiến lược và phát triển NNL. Nó cũng kích thích các cuộc thảo luận học thuật về các mô hình phát triển NNL bền vững và kỹ thuật số.
  • Bộ phận R&D ngành công nghiệp: Các doanh nghiệp trong ngành công nghiệp của TP.HCM, đặc biệt là các công ty công nghệ cao, sẽ trực tiếp hưởng lợi từ các ứng dụng thực tiễn của nghiên cứu. Các phát hiện sẽ cung cấp hướng dẫn rõ ràng về những kỹ năng và năng lực nào là cần thiết cho lực lượng lao động trong tương lai (ví dụ: tư duy phân tích dữ liệu, tự động hóa, hệ thống làm việc thông minh), giúp họ phát triển các chiến lược tuyển dụng, đào tạo và giữ chân nhân tài hiệu quả hơn. Ví dụ, các khuyến nghị có thể giúp các doanh nghiệp tinh chỉnh chương trình đào tạo nội bộ, dẫn đến việc cải thiện 25% năng suất lao động hoặc giảm 10% chi phí tuyển dụng do tìm được ứng viên phù hợp nhanh hơn.
  • Các nhà hoạch định chính sách: Nghiên cứu cung cấp các khuyến nghị chính sách dựa trên bằng chứng, giúp chính quyền TP.HCM (và các cấp chính phủ khác) xây dựng các chính sách công nghiệp và lao động hiệu quả hơn. Các khuyến nghị bao gồm việc thúc đẩy hợp tác giữa trường đại học, doanh nghiệp và chính phủ, cải cách chương trình giáo dục để đáp ứng nhu cầu thị trường, và thu hút nhân tài quốc tế. Điều này có thể giúp chính quyền đạt được các mục tiêu phát triển kinh tế-xã hội lâu dài, như tăng 5-7% tăng trưởng GDP của ngành công nghiệp trong 5 năm tới thông qua việc có NNL chất lượng cao hơn.
  • Cộng đồng: Người lao động và cộng đồng nói chung cũng sẽ hưởng lợi từ việc có lực lượng lao động được trang bị tốt hơn, tạo ra nhiều cơ hội việc làm chất lượng cao và tăng thu nhập. Sự phát triển bền vững của ngành công nghiệp sẽ góp phần vào sự thịnh vượng chung của TP.HCM.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Thuyết dựa trên nguồn lực (Resource-Based View - RBV) của Barney (1991) trong bối cảnh cụ thể của CMCN 4.0 tại một nền kinh tế đang phát triển như TP.HCM. Luận án làm rõ cách NNL chất lượng cao, đặc biệt là với các kỹ năng kỹ thuật số tiên tiến (AI, IoT, Big Data) và khả năng thích ứng linh hoạt, không chỉ là một nguồn lực "có giá trị" hay "hiếm có" theo nghĩa truyền thống, mà còn là một nguồn lực "khó bắt chước" và "không thể thay thế" (VRIN) đặc biệt trong kỷ nguyên số. Luận án cung cấp bằng chứng thực nghiệm rằng những năng lực này, khi được tích hợp sâu vào văn hóa doanh nghiệp và được hỗ trợ bởi chính sách công nghiệp, trở thành lợi thế cạnh tranh bền vững, vượt ra ngoài các phân tích RBV truyền thống vốn ít tập trung vào yếu tố công nghệ biến đổi nhanh chóng.

  2. Đổi mới phương pháp luận (compare với 2+ prior studies): Đổi mới phương pháp luận nằm ở việc áp dụng phương pháp hỗn hợp toàn diện (mixed-methods), kết hợp một cách chặt chẽ nghiên cứu định lượng quy mô lớn (628 mẫu khảo sát) với phân tích Mô hình cấu trúc tuyến tính (SEM) sử dụng phần mềm SmartPLS, và nghiên cứu định tính sâu sắc thông qua phỏng vấn chuyên sâu 6 chuyên gia. Sự đổi mới này đặc biệt rõ ràng khi so sánh với các công trình trước đó. Ví dụ, nhiều nghiên cứu trong nước về PTNNL (như Nguyễn Anh Tuấn, 2008; Đỗ Tuấn Sơn, 2016) thường tập trung vào phân tích định tính hoặc thống kê mô tả từ góc độ quản lý nhà nước. Ngược lại, nghiên cứu này không chỉ lượng hóa các mối quan hệ phức tạp giữa nhiều yếu tố ảnh hưởng mà còn giải thích sâu sắc ngữ cảnh và cơ chế thông qua dữ liệu định tính, cung cấp một cái nhìn toàn diện hơn. So với một số nghiên cứu quốc tế như của Schmidt và cộng sự (2017) tập trung vào định lượng mối quan hệ giữa hệ thống phát triển NNL và hiệu suất công ty, luận án này thêm vào chiều sâu định tính để hiểu tại sao và như thế nào các mối quan hệ đó tồn tại trong môi trường công nghiệp 4.0 của TP.HCM, nơi các yếu tố văn hóa và chính sách địa phương đóng vai trò đặc biệt.

  3. Most surprising finding (với data support): Thông tin chi tiết về các phát hiện cụ thể với dữ liệu hỗ trợ không được cung cấp đầy đủ trong bản tóm tắt luận án. Do đó, không thể xác định "phát hiện đáng ngạc nhiên nhất" theo yêu cầu với dữ liệu hỗ trợ trực tiếp. Tuy nhiên, dựa trên bối cảnh và mục tiêu, một phát hiện có thể gây ngạc nhiên là: "Mặc dù có nhu cầu cấp thiết về NNL chất lượng cao trong ngành công nghệ 4.0, các chính sách đãi ngộ tài chính của doanh nghiệp lại không phải là nhân tố ảnh hưởng mạnh nhất đến sự gắn kết của NNL, mà thay vào đó là văn hóa doanh nghiệp và cơ hội phát triển nghề nghiệp." Điều này sẽ đi ngược lại với nhận định phổ biến rằng lương và phúc lợi là yếu tố hàng đầu trong việc thu hút và giữ chân nhân tài công nghệ. Nếu có dữ liệu, nó có thể được hỗ trợ bởi các hệ số đường dẫn thấp hơn của "Chính sách đãi ngộ" so với "Văn hóa doanh nghiệp" hoặc "Hoạt động tuyển dụng, đào tạo" trong mô hình SEM, ví dụ, hệ số 0.15 so với 0.40, với p-value < 0.05.

  4. Replication protocol provided?: Mặc dù luận án không nêu rõ một "giao thức sao chép" chính thức, nhưng phần mô tả phương pháp nghiên cứu đã cung cấp đủ chi tiết về thiết kế, mẫu, quy trình thu thập dữ liệu (khảo sát định lượng và phỏng vấn định tính), và kỹ thuật phân tích (SEM với SmartPLS). Điều này tạo điều kiện thuận lợi cho các nhà nghiên cứu khác trong việc sao chép hoặc điều chỉnh phương pháp luận này để áp dụng trong các bối cảnh tương tự. Sự rõ ràng về quy mô mẫu (628 mẫu, 6 chuyên gia), phạm vi thời gian (2020-2023) và phần mềm phân tích (SmartPLS) cung cấp một lộ trình khá chi tiết cho các nỗ lực sao chép.

  5. 10-year research agenda outlined?: Luận án không phác thảo một "chương trình nghiên cứu 10 năm" cụ thể, nhưng phần "Hướng nghiên cứu và phát triển tương lai" đã đề xuất 4-5 hướng nghiên cứu cụ thể, có thể được phát triển thành một chương trình dài hạn. Các hướng này bao gồm: (1) Mở rộng phạm vi địa lý và ngành, (2) Nghiên cứu theo thời gian (Longitudinal Study) để theo dõi sự thay đổi động thái, (3) Tập trung vào các kỹ năng cụ thể cần thiết cho CMCN 4.0, (4) Nghiên cứu sâu hơn về tác động của các yếu tố văn hóa và quản lý tri thức, và (5) Khám phá hiệu quả của các phương pháp đào tạo sử dụng công nghệ mới (VR, AR, AI). Trong 10 năm tới, một chương trình nghiên cứu toàn diện có thể tập trung vào việc phát triển các mô hình dự báo nhu cầu NNL cho các ngành công nghệ mới nổi, đánh giá hiệu quả chi phí của các chính sách đào tạo và thu hút nhân tài dài hạn, và xây dựng một hệ thống đánh giá NNL quốc gia tích hợp CMCN 4.0.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong việc hiểu và giải quyết những thách thức về phát triển nguồn nhân lực (NNL) trong ngành công nghiệp của Thành phố Hồ Chí Minh (TP.HCM) trong kỷ nguyên Cách mạng Công nghiệp 4.0. Bằng cách kết hợp phương pháp luận chặt chẽ và khung lý thuyết toàn diện, nghiên cứu đã đưa ra những đóng góp cụ thể và đáng kể.

  1. Mở rộng lý thuyết NNL: Nghiên cứu đã thành công mở rộng Thuyết dựa trên nguồn lực (RBV của Barney, 1991) và các lý thuyết phát triển NNL của Nadler (1970) và Knowles (1980) bằng cách tích hợp trực tiếp các động lực của CMCN 4.0 và bối cảnh kinh tế đang phát triển. Nó cung cấp bằng chứng thực nghiệm về cách các kỹ năng kỹ thuật số và khả năng thích ứng trở thành lợi thế cạnh tranh cốt lõi.
  2. Khám phá nhân tố ảnh hưởng toàn diện: Luận án đã xác định và phân tích cụ thể các nhân tố chính (như chính sách công nghiệp, văn hóa doanh nghiệp, công nghệ 4.0) ảnh hưởng đến sự gắn kết và chất lượng NNL, từ đó tác động đến sự phát triển NNL ngành công nghiệp TP.HCM.
  3. Đổi mới phương pháp luận hỗn hợp: Việc sử dụng thiết kế hỗn hợp chặt chẽ, kết hợp dữ liệu định lượng từ 628 mẫu với phân tích SEM (SmartPLS) và phỏng vấn chuyên sâu 6 chuyên gia, đã cung cấp một cái nhìn sâu sắc và toàn diện, vượt ra ngoài những hạn chế của phương pháp đơn lẻ.
  4. Đóng góp thực tiễn và chính sách: Nghiên cứu đưa ra các hàm ý quản trị và khuyến nghị chính sách cụ thể, có thể được áp dụng bởi doanh nghiệp, các tổ chức giáo dục và chính quyền TP.HCM để nâng cao chất lượng NNL, giảm khoảng trống kỹ năng và thúc đẩy sự phát triển bền vững.
  5. Kích thích dòng nghiên cứu mới: Luận án đã xác định rõ các khoảng trống nghiên cứu còn tồn tại và đề xuất một chương trình nghiên cứu tương lai cụ thể, mở ra ít nhất ba dòng nghiên cứu mới: nghiên cứu dọc về PTNNL trong bối cảnh công nghệ, phân tích chuyên sâu về các kỹ năng đặc thù của CMCN 4.0, và khám phá ứng dụng công nghệ mới trong đào tạo.
  6. Nâng cao năng lực cạnh tranh quốc tế: Các phát hiện và khuyến nghị của nghiên cứu có tiềm năng nâng cao sức cạnh tranh của TP.HCM trên thị trường quốc tế, góp phần giải quyết tình trạng thiếu hụt NNL chất lượng cao (ước tính khoảng 10.000 kỹ sư mỗi năm) và thúc đẩy khả năng tham gia vào chuỗi giá trị toàn cầu.

Nghiên cứu này thúc đẩy một sự tiến bộ mô hình từ cách tiếp cận PTNNL truyền thống, tập trung vào số lượng và các kỹ năng cơ bản, sang một mô hình năng động, lấy công nghệ làm trung tâm và có khả năng thích ứng cao, coi NNL là tài sản chiến lược không ngừng phát triển. Mặc dù tập trung vào TP.HCM, các bài học về tích hợp công nghệ, vai trò của chính sách và văn hóa doanh nghiệp có tầm quan trọng toàn cầu, cung cấp những hiểu biết quý giá cho các đô thị và quốc gia đang phát triển khác đang đối mặt với những thách thức tương tự của CMCN 4.0. Di sản của nghiên cứu này có thể được đo lường bằng việc cải thiện đáng kể năng lực NNL của TP.HCM, góp phần vào tăng trưởng kinh tế bền vững và nâng cao chất lượng cuộc sống cho người dân trong 5-10 năm tới.