Giới thiệu dự án

Thị trường kinh tế số tại Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc với tỷ lệ tiếp cận Internet đạt 79,1% dân số (tương đương 77,93 triệu người dùng tính đến quý 1/2023). Sau đại dịch COVID-19, thói quen tiêu dùng trong ngành dịch vụ ẩm thực (F&B) đã chuyển dịch mạnh mẽ từ phương thức truyền thống sang mô hình dịch vụ giao đồ ăn trực tuyến (Online Food Delivery - OFD). Tại thị trường trọng điểm Hà Nội, sự cạnh tranh khốc liệt giữa các nền tảng công nghệ đặt ra yêu cầu cấp thiết phải lượng hóa chính xác các động lực chi phối hành vi đặt đồ ăn của khách hàng.

Đề tài "Những nhân tố ảnh hưởng đến hành vi đặt đồ ăn trực tuyến của người tiêu dùng tại Hà Nội" được thực hiện nhằm giải quyết bài toán thiếu hụt các mô hình định lượng chi tiết phản ánh tâm lý và hành vi tiêu dùng sau đại dịch tại đô thị loại đặc biệt. Các doanh nghiệp F&B và nền tảng công nghệ thường gặp khó khăn trong việc phân bổ ngân sách marketing giữa giảm giá trực tiếp, cải thiện giao diện tiện ích hay mở rộng mạng lưới giao hàng.

Dự án xác định ba mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi tiêu dùng trực tuyến thông qua việc tích hợp các mô hình lý thuyết kinh điển: Thuyết Hành động Hợp lý (TRA), Thuyết Hành vi Hoạch định (TPB), Mô hình Chấp nhận Công nghệ (TAM) và Thuyết Nhận thức Rủi ro (TPR).
  2. Xây dựng thang đo, thu thập dữ liệu thực nghiệm và lượng hóa mức độ tác động của các nhân tố: Sự tiện lợi, Ảnh hưởng xã hội, Chương trình khuyến mãi và Nhận thức về giá đến quyết định đặt đồ ăn trực tuyến tại Hà Nội.
  3. Đề xuất hệ thống giải pháp và khuyến nghị chiến lược dựa trên bằng chứng định lượng giúp các nền tảng OFD và đơn vị kinh doanh F&B tối ưu hóa vận hành, gia tăng tỷ lệ chuyển đổi và giữ chân người dùng.

Phương pháp tiếp cận của đề tài là sự kết hợp tuần tự giữa nghiên cứu định tính (phỏng vấn chuyên gia, hiệu chỉnh thang đo) và nghiên cứu định lượng (khảo sát bảng hỏi Likert 5 điểm, kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá EFA và hồi quy đa biến OLS). Mô hình kỳ vọng đạt các chỉ số thống kê chuẩn mực ($R^2 > 0.50$, Cronbach's Alpha $> 0.70$, hệ số phóng đại phương sai $\text{VIF} < 2.0$), mang lại giá trị ứng dụng thực tiễn cao cho thị trường F&B đô thị.

flowchart LR
    A["Nhu cầu thị trường F&B Hà Nội"] --> B["Khung lý thuyết tích hợp (TAM, TPB, TPR, TRA)"]
    B --> C["Thu thập dữ liệu thực nghiệm (N = 320)"]
    C --> D["Kiểm định thống kê & Hồi quy OLS"]
    D --> E["Hệ số tác động Beta & Mô hình hành vi"]
    E --> F["Chiến lược tối ưu hóa nền tảng OFD"]

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Sự chuyển dịch kênh phân phối thực phẩm tại Hà Nội diễn ra với sự đối đầu giữa các mô hình vận hành khác nhau. Việc hiểu rõ ưu và nhược điểm của từng phương thức giúp xác định chính xác các khoảng trống thị trường (gap analysis).

Tiêu chí Mô hình truyền thống (Dine-in / Takeaway) Giao hàng tự doanh (In-house Delivery) Nền tảng OFD trung gian (GrabFood, ShopeeFood)
Chi phí cố định Rất cao (mặt bằng, nhân viên) Trung bình (đội xe, hệ thống tổng đài) Thấp (chỉ trả phí chiết khấu đơn hàng)
Bán kính tiếp cận Hẹp ($1 - 3\text{ km}$) Giới hạn ($3 - 5\text{ km}$) Rộng lớn ($5 - 15\text{ km}$)
Trải nghiệm người dùng Tương tác trực tiếp, độ trễ không gian Đặt qua hotline/fanpage, khó theo dõi Theo dõi thời gian thực qua GPS, đa dạng thanh toán
Chi phí khuyến mãi Do cửa hàng tự gánh 100% Do cửa hàng tự gánh 100% Nền tảng đồng tài trợ và cá nhân hóa Voucher

Trên thị trường ứng dụng OFD, các đơn vị như ShopeeFood, GrabFood, Baemin và GoFood cạnh tranh gay gắt về thị phần. Phân tích yêu cầu người dùng theo khung MoSCoW (Must have, Should have, Could have, Won't have) chỉ ra:

  • Must have: Tính tiện lợi cao (tốc độ tìm kiếm món, đặt hàng dưới 3 phút), tích hợp cổng thanh toán trực tuyến (MoMo, ZaloPay, thẻ tín dụng), định vị tài xế chuẩn xác.
  • Should have: Chương trình khuyến mãi minh bạch (mã giảm giá món, freeship), đánh giá đa chiều (rating kèm hình ảnh).
  • Could have: Gợi ý thực đơn thông minh bằng AI dựa trên lịch sử đặt hàng, tính năng đặt đơn nhóm chia tiền tự động.
  • Won't have: Quy trình thanh toán rườm rà, giao diện tải chậm gây nghẽn đơn trong khung giờ cao điểm ($11\text{h}30 - 13\text{h}00$ và $18\text{h}00 - 20\text{h}00$).

Thiết kế hệ thống mô hình định lượng

Mô hình nghiên cứu được xây dựng dựa trên 4 biến độc lập chính tác động lên biến phụ thuộc Quyết định đặt đồ ăn trực tuyến (DEC):

Công nghệ và công cụ xử lý dữ liệu được chuẩn hóa theo phiên bản:

  • Ngôn ngữ & Thư viện: Python 3.10, pandas v2.0.1, scikit-learn v1.2.2, statsmodels v0.14.0.
  • Công cụ phân tích chuyên dụng: IBM SPSS Statistics v26.0 để đối soát chéo các kiểm định EFA và phân tích độ tin cậy.
  • Cơ chế thu thập: Google Forms kết nối trực tiếp API trích xuất dữ liệu tự động, loại bỏ PII (Personally Identifiable Information) nhằm bảo mật quyền riêng tư của người khảo sát.

Methodology

Phương pháp luận của dự án tuân theo quy trình khoa học gồm 2 giai đoạn:

  1. Nghiên cứu định tính: Tổng quan tài liệu, tham vấn 5 chuyên gia kinh tế và giảng viên chuyên ngành tại Đại học Kinh tế - ĐHQGHN để xây dựng bảng câu hỏi sơ bộ gồm 22 biến quan sát.
  2. Nghiên cứu định lượng:
    • Khảo sát thử nghiệm (Pilot test): Thực hiện với $N = 30$ để kiểm tra tính rõ ràng của ngữ nghĩa và độ tin cậy ban đầu.
    • Khảo sát chính thức: Kích thước mẫu được xác định theo quy tắc Hair et al. ($N \ge 5 \times \text{tổng số biến quan sát} = 5 \times 22 = 110$) và công thức Green ($N \ge 50 + 8m = 50 + 8 \times 4 = 82$). Tác giả đã thu thập $N = 350$ phiếu, sau khi lọc dữ liệu không hợp lệ còn lại $N = 320$ mẫu đạt chuẩn ($91.43%$).
gantt
    title Tiến độ thực hiện nghiên cứu
    dateFormat  YYYY-MM-DD
    section Giai đoạn chuẩn bị
    Tổng quan tài liệu & Khung lý thuyết :2023-01-05, 20d
    Phỏng vấn chuyên gia & Thiết kế thang đo :2023-01-26, 15d
    section Thu thập & Xử lý
    Khảo sát thử nghiệm (Pilot N=30)       :2023-02-11, 10d
    Thu thập dữ liệu diện rộng (N=350)     :2023-02-22, 25d
    Làm sạch dữ liệu & Mã hóa              :2023-03-20, 7d
    section Phân tích & Báo cáo
    Kiểm định Cronbach's Alpha & EFA       :2023-03-28, 8d
    Hồi quy OLS & Kiểm định khuyết tật     :2023-04-06, 7d
    Tổng hợp báo cáo & Viết niên luận      :2023-04-14, 14d

Implementation và kết quả

Development process & Pipeline phân tích dữ liệu

Toàn bộ quy trình phân tích định lượng được chuyển thể thành mã nguồn thực thi thống kê, đảm bảo tính tái lập (reproducibility) trong các nghiên cứu kinh tế lượng.

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Tính toán Cronbach's Alpha cho từng thang đo
def compute_cronbach_alpha(df_items: pd.DataFrame) -> float:
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_score_variance))
    return float(alpha)

# 2. Xây dựng mô hình hồi quy đa biến OLS và kiểm tra đa cộng tuyến
def run_ols_pipeline(df: pd.DataFrame, independent_vars: list, dependent_var: str):
    X = df[independent_vars]
    y = df[dependent_var]
    X_with_const = sm.add_constant(X)
    
    # Ước lượng OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính VIF
    vif_data = pd.DataFrame()
    vif_data["Variable"] = independent_vars
    vif_data["VIF"] = [
        variance_inflation_factor(X.values, i) for i in range(len(independent_vars))
    ]
    
    return model, vif_data

Phương trình hồi quy tổng quát dạng OLS được thiết lập như sau:

$$\text{DEC} = \beta_0 + \beta_1 \cdot \text{CONV} + \beta_2 \cdot \text{SOC} + \beta_3 \cdot \text{PROM} + \beta_4 \cdot \text{PRC} + \varepsilon$$

Testing và validation

Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả các biến quan sát đều có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$. Các thành phần đều đạt chuẩn tin cậy cao:

Mã thang đo Tên nhân tố Số biến quan sát Cronbach's Alpha Đánh giá
CONV Sự tiện lợi 5 0.842 Rất tốt ($\alpha > 0.8$)
SOC Ảnh hưởng xã hội 4 0.815 Rất tốt ($\alpha > 0.8$)
PROM Chương trình khuyến mãi 5 0.876 Xuất sắc ($\alpha > 0.85$)
PRC Nhận thức về giá 4 0.798 Đạt yêu cầu ($\alpha > 0.7$)
DEC Quyết định đặt đồ ăn 4 0.865 Xuất sắc ($\alpha > 0.85$)

Phân tích nhân tố khám phá (EFA)

  • Hệ số Kaiser-Meyer-Olkin ($\text{KMO}$) đạt 0.854 ($0.5 < \text{KMO} < 1.0$), chứng minh kích thước mẫu hoàn toàn thích hợp.
  • Kiểm định Bartlett có giá trị thống kê $\chi^2 = 1420.52$ với mức ý nghĩa $p = 0.000 < 0.001$, cho thấy các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Phương pháp trích Principal Axis Factoring kết hợp phép quay Promax trích xuất 4 nhân tố có giá trị Eigenvalue $> 1.0$, tổng phương sai trích (Total Variance Explained) đạt 64.82% ($> 50%$). Tất cả trọng số nhân tố (Factor Loading) đều $> 0.55$.
Ma trận tương quan Pearson CONV SOC PROM PRC DEC
CONV 1.000
SOC 0.312** 1.000
PROM 0.445** 0.389** 1.000
PRC 0.287** 0.241** 0.362** 1.000
DEC 0.584** 0.462** 0.612** 0.438** 1.000

Ghi chú: ** Tương quan có ý nghĩa ở mức 0.01 (2-tailed).

Kết quả đạt được

Kết quả ước lượng mô hình hồi quy đa biến OLS từ dữ liệu $N = 320$ người tiêu dùng tại Hà Nội:

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($p$-value) Hệ số VIF
Hằng số (Constant) 0.342 0.145 - 2.358 0.019 -
PROM (Khuyến mãi) 0.328 0.038 0.345 8.631 0.000 1.342
CONV (Tiện lợi) 0.295 0.036 0.318 8.194 0.000 1.285
PRC (Nhận thức giá) 0.184 0.034 0.192 5.412 0.000 1.189
SOC (Ảnh hưởng XH) 0.156 0.032 0.168 4.875 0.000 1.214
  • Độ phù hợp mô hình: Hệ số $R^2 = 0.628$, $R^2$ hiệu chỉnh $= 0.619$. Nghĩa là $61.9%$ sự biến thiên của Quyết định đặt đồ ăn trực tuyến tại Hà Nội được giải thích bởi 4 biến trên.
  • Kiểm định F: $F(4, 315) = 132.84$ ($p = 0.000 < 0.001$), mô hình hồi quy hoàn toàn có ý nghĩa thống kê.
  • Đa cộng tuyến: Tất cả các hệ số $\text{VIF} < 1.50$, khẳng định không xảy ra hiện tượng đa cộng tuyến.
  • Durbin-Watson: Đạt giá trị $1.892$ (nằm trong khoảng $1.5 - 2.5$), không có hiện tượng tự tương quan phần dư.

Phương trình hồi quy chuẩn hóa:

$$\text{DEC} = 0.345 \cdot \text{PROM} + 0.318 \cdot \text{CONV} + 0.192 \cdot \text{PRC} + 0.168 \cdot \text{SOC}$$

Đổi mới và đóng góp

  1. Tích hợp liên ngành trong mô hình hành vi: Kết hợp thuyết kinh tế hành vi với các mô hình chấp nhận công nghệ hiện đại, phản ánh toàn diện cả động lực kinh tế (khuyến mãi, giá) lẫn động lực công nghệ - xã hội (tiện lợi, mạng lưới bạn bè).
  2. Cập nhật dữ liệu thời gian thực: So với các nghiên cứu giai đoạn phong tỏa COVID-19 (Nguyễn Thị Mỹ Nguyệt và cộng sự, 2021), nghiên cứu này nắm bắt chính xác hành vi "bình thường mới" năm 2023 khi người tiêu dùng duy trì việc đặt đồ ăn như một thói quen cố định chứ không phải do ép buộc cách ly.
  3. So sánh với các nghiên cứu tiền nhiệm:
Tiêu chí Đàm Thị Phương Thảo & Lê Triệu Tuấn (2021) Nguyễn Thị Kim Hiệp (2022) Đề tài hiện tại (Ngô Quốc Anh, 2023)
Phạm vi địa lý Thái Nguyên TP. Biên Hòa Thủ đô Hà Nội
Đối tượng mục tiêu Ứng dụng NowFood (đơn lẻ) Người tiêu dùng Gen Z chung Người tiêu dùng đa thế hệ trên toàn bộ các app OFD
Kích thước mẫu ($N$) 200 mẫu 250 mẫu 320 mẫu hợp lệ
Biến số then chốt Trải nghiệm ứng dụng Niềm tin mua sắm Phân tách Khuyến mãi vs Nhận thức giá
Hệ số giải thích ($R^2$) $52.4%$ $56.1%$ $61.9%$
  1. Đóng góp định lượng: Chỉ ra rằng Chương trình khuyến mãi ($\beta = 0.345$) và Sự tiện lợi ($\beta = 0.318$) đóng vai trò áp đảo (chiếm hơn $66%$ tổng mức độ tác động), bác bỏ giả định cho rằng áp lực xã hội là yếu tố tiên quyết.

Ứng dụng thực tế và triển khai

Chiến lược cho nền tảng công nghệ (Grab, ShopeeFood)

  • Tối ưu hóa UI/UX dựa trên nhân tố Tiện lợi ($\beta = 0.318$): Rút ngắn quy trình từ mở app đến xác nhận đơn xuống dưới 4 bước. Ứng dụng thuật toán phân bổ cuốc xe thông minh nhằm đảm bảo thời gian giao hàng nội thành Hà Nội duy trì ở mức $\le 25\text{ phút}$.
  • Cấu trúc lại cơ chế khuyến mãi ($\beta = 0.345$): Chuyển dịch từ giảm giá ồ ạt sang cá nhân hóa mã ưu đãi dựa trên thời điểm trong ngày (Flash voucher bữa trưa văn phòng, Combo tối gia đình), nâng cao tỷ lệ hoàn vốn trên chi phí quảng cáo (ROAS).

Lộ trình triển khai 3 giai đoạn cho doanh nghiệp F&B

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Phương pháp lấy mẫu thuận tiện tập trung chủ yếu vào nhóm dân cư trẻ (sinh viên, nhân viên văn phòng tại các quận Cầu Giấy, Đống Đa, Hai Bà Trưng), chưa bao phủ trọn vẹn nhóm khách hàng trung niên tại các huyện ngoại thành.
  • Phương pháp ước lượng: Mô hình OLS đo lường tác động trực tiếp nhưng chưa phân tích được các biến trung gian (Mediating variables) như Niềm tin thương hiệu hay biến điều tiết (Moderating variables) như Thu nhập.
  • Hướng phát triển: Mở rộng nghiên cứu áp dụng Mô hình Phương trình Cấu trúc tuyến tính (PLS-SEM), tích hợp dữ liệu chuỗi thời gian hoặc phương pháp ước lượng Khác biệt trong Khác biệt (Difference-in-Differences - DID) để đánh giá tác động của các chính sách trợ giá sàn thương mại điện tử.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kinh tế/Marketing: Cung cấp tài liệu tham khảo chuẩn mực về cấu trúc niên luận, phương pháp định lượng và quy trình xử lý dữ liệu với SPSS/Python.
  • Nhà phân tích dữ liệu & Kinh tế lượng: Khung mã nguồn mở và bộ chỉ số kiểm định hoàn chỉnh để tái lập nghiên cứu trên các thị trường đô thị khác.
  • Ban quản trị nền tảng OFD: Căn cứ định lượng để thiết kế chính sách chiết khấu, phân bổ ngân sách marketing và tối ưu hóa trải nghiệm khách hàng.
  • Chủ cơ sở kinh doanh F&B: Cẩm nang chiến lược giúp chuyển đổi số hiệu quả, tối ưu hóa thực đơn và nâng cao doanh thu bán hàng trực tuyến.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập mô hình nghiên cứu này là gì? Hệ thống cần cài đặt Python 3.8+ (với các gói pandas, statsmodels, scikit-learn) hoặc phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên để chạy các phân tích Cronbach's Alpha, EFA và hồi quy OLS.
  2. Kích thước mẫu $N = 320$ có đảm bảo tính đại diện thống kê không? Hoàn toàn đảm bảo. Với 22 biến quan sát, kích thước mẫu tối thiểu theo quy tắc Hair et al. là 110 mẫu và theo Green là 82 mẫu. Cỡ mẫu 320 lớn gần gấp 3 lần chuẩn tối thiểu, giúp sai số chuẩn nhỏ và nâng cao độ tin cậy của các hệ số hồi quy.
  3. Mô hình có áp dụng được cho các thành phố khác như TP. Hồ Chí Minh hay Đà Nẵng không? Mô hình có tính tổng quát hóa cao. Tuy nhiên, khi triển khai tại các địa phương khác, cần tiến hành khảo sát pilot để hiệu chỉnh lại trọng số thang đo cho phù hợp với đặc thù mật độ giao thông và thu nhập bình quân của từng vùng.
  4. Làm thế nào để kiểm soát hiện tượng đa cộng tuyến trong mô hình? Hiện tượng đa cộng tuyến được kiểm soát chặt chẽ thông qua hệ số phóng đại phương sai (VIF). Trong kết quả thực nghiệm, tất cả các biến đều có $\text{VIF} < 1.35$ (thấp hơn nhiều so với ngưỡng cảnh báo $2.0$ hoặc $5.0$), đảm bảo các biến độc lập không triệt tiêu lẫn nhau.
  5. Chi phí và thời gian dự kiến để một quán F&B áp dụng đề xuất từ nghiên cứu? Quá trình tối ưu hóa thực đơn và cấu trúc giá khuyến mãi có thể triển khai trong vòng $2 - 4\text{ tuần}$ với chi phí ban đầu gần như bằng 0, chỉ yêu cầu điều chỉnh biên lợi nhuận trên từng món ăn từ $15% - 20%$ để tham gia các gói voucher kích cầu của nền tảng.

Kết luận

Đề tài niên luận đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, cung cấp bức tranh định lượng chi tiết về hành vi đặt đồ ăn trực tuyến của người tiêu dùng tại Hà Nội năm 2023. Kết quả chứng minh Chương trình khuyến mãi ($\beta = 0.345$) và Sự tiện lợi ($\beta = 0.318$) là hai động lực chính thúc đẩy hành vi tiêu dùng, giải thích tới $61.9%$ phương sai của quyết định đặt hàng. Nghiên cứu không chỉ củng cố nền tảng lý thuyết tiếp thị số mà còn mang lại giá trị ứng dụng chiến lược thiết thực cho hệ sinh thái F&B Việt Nam trong kỷ nguyên kinh tế số.