Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam chứng kiến bước nhảy vọt sau đại dịch COVID-19, chuyển dịch từ một kênh mua sắm tiện ích sang phương thức tiêu dùng cốt lõi của nền kinh tế số. Theo Sách trắng Thương mại điện tử Việt Nam (Bộ Công Thương, 2021), số lượng người tiêu dùng tham gia mua sắm trực tuyến đạt 49,3 triệu người, đưa Việt Nam trở thành quốc gia có tỷ lệ người mua sắm trực tuyến hàng đầu khu vực Đông Nam Á. Mặc dù thị trường tăng trưởng dự báo lên đến 67% trong giai đoạn 5 năm (MarketWatch, 2020), hành vi người tiêu dùng trong giai đoạn bình thường mới (hậu Covid) đang đối mặt với nhiều rào cản tâm lý phức tạp.

Vấn đề cốt lõi (Problem Statement) nằm ở sự bất đối xứng thông tin và khoảng cách trải nghiệm thực tế. Khác với mô hình bán lẻ truyền thống cho phép khách hàng trực tiếp kiểm tra hàng hóa, môi trường trực tuyến tiềm ẩn hàng loạt rủi ro: sản phẩm không đúng mô tả, rò rỉ thông tin thẻ/tài khoản thanh toán, gian lận đơn hàng, thời gian chờ đợi vận chuyển và quy trình đổi trả phức tạp. Những yếu tố này trực tiếp cản trở ý định chuyển đổi hành vi mua sắm của nhóm khách hàng trẻ – đặc biệt là phân khúc sinh viên đại học vốn nhạy cảm về giá và thông thạo công nghệ.

Dự án nghiên cứu được xây dựng nhằm giải quyết bài toán trên thông qua các mục tiêu cụ thể:

  1. Xác định và phân loại các thành phần cấu thành nhận thức rủi ro (Perceived Risk) ảnh hưởng đến ý định mua sắm trực tuyến trên các sàn TMĐT (Shopee, Lazada, Tiki, Sendo) trong bối cảnh hậu Covid.
  2. Lượng hóa mức độ tác động của từng nhân tố rủi ro bằng mô hình kinh tế lượng và kỹ thuật phân tích thống kê đa biến.
  3. Đề xuất hệ thống hàm ý quản trị và giải pháp công nghệ giúp các doanh nghiệp vận hành sàn TMĐT giảm thiểu lực cản tâm lý, tối ưu tỷ lệ chuyển đổi (Conversion Rate) và gia tăng lòng tin khách hàng.

Giải pháp tiếp cận kết hợp khung lý thuyết hành vi (TRA, TPB) và lý thuyết nhận thức rủi ro mở rộng, được kiểm định thực nghiệm thông qua phương pháp kết hợp định tính (phỏng vấn sâu chuyên gia, nhóm tập trung) và định lượng ($N = 250$ mẫu hợp lệ từ các trường đại học trọng điểm tại TP.HCM). Phạm vi nghiên cứu tập trung vào sinh viên tại TP.HCM trong khoảng thời gian từ tháng 04/2022 đến tháng 07/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi người tiêu dùng trực tuyến trước đây chủ yếu tập trung vào các yếu tố thúc đẩy (nhận thức hữu ích, sự tiện lợi). Tuy nhiên, trong kỷ nguyên hậu dịch bệnh, các rào cản tiêu cực đóng vai trò quyết định đến việc hoàn tất giao dịch.

Mô hình nghiên cứu Ưu điểm Hạn chế Khoảng trống nghiên cứu (Research Gap)
Bùi Thanh Tráng (2013) Khảo sát 300 mẫu tại TP.HCM; chỉ ra rủi ro tài chính tác động mạnh nhất. Chưa đánh giá yếu tố gián đoạn chuỗi cung ứng và tác động dịch bệnh. Cần bổ sung rủi ro thời gian giao vận và biến động sau đại dịch.
Arora & Rahul (2018) Tập trung vào nhóm khách hàng nữ; phân tích sâu rủi ro sản phẩm. Quy mô mẫu nhỏ ($N = 85$); tính khái quát hóa cho thị trường mở còn thấp. Cần mở rộng quy mô mẫu đa dạng và đa chiều biến số rủi ro.
Ariffin et al. (2018) Mẫu $N = 350$ tại Malaysia; kiểm định mạnh về rủi ro bảo mật. Bỏ qua biến số rủi ro dịch bệnh trong các giai đoạn khủng hoảng y tế. Cần tích hợp biến rủi ro dịch bệnh (COVID-19) vào mô hình thực nghiệm.

Phân loại yêu cầu hệ thống chỉ số đo lường theo phương pháp MoSCoW:

  • Must-have: Đo lường chính xác 4 nhân tố cốt lõi: Rủi ro tài chính (TC), Rủi ro sản phẩm (SP), Rủi ro thời gian (TG), Ý định mua sắm (YĐ).
  • Should-have: Tích hợp biến quan sát về Rủi ro bảo mật (BM) và Rủi ro dịch bệnh (DB).
  • Could-have: Phân tích ANOVA theo biến nhân khẩu học (ngành học, trường đại học, năm học).
  • Won't-have (giai đoạn này): Đo lường chi tiết rủi ro xã hội và rủi ro tâm lý độc lập do tính trùng lắp cao sau kiểm định định tính.
                  +-----------------------------------+
                  |      NHẬN THỨC RỦI RO (HẬU COVID) |
                  +-----------------------------------+
                                    |
     +--------------+---------------+---------------+---------------+
     |              |               |               |               |
     v              v               v               v               v
+----------+  +----------+   +----------+   +----------+   +----------+
| Rủi ro   |  | Rủi ro   |   | Rủi ro   |   | Rủi ro   |   | Rủi ro   |
| Tài chính|  | Sản phẩm |   | Thời gian|   | Bảo mật  |   | Dịch bệnh|
|  (TC)    |  |  (SP)    |   |  (TG)    |   |  (BM)    |   |  (DB)    |
+----------+  +----------+   +----------+   +----------+   +----------+
     | (-)          | (-)           | (-)           | (-)           | (-)
     +--------------+---------------+---------------+---------------+
                                    |
                                    v
                  +-----------------------------------+
                  |  Ý ĐỊNH MUA SẮM TRỰC TUYẾN (YĐ)  |
                  +-----------------------------------+

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và mô hình hóa toán học được chuẩn hóa theo quy trình 4 tầng: Tầng thu thập (Data Ingestion), Tầng làm sạch & mã hóa (Preprocessing), Tầng kiểm định thang đo (Psychometric Validation), và Tầng mô hình hóa hồi quy (Econometric Modeling).

+-----------------------------------------------------------------+
| Data Ingestion: Google Forms API / Online Structured Survey     |
+-----------------------------------------------------------------+
                                | (Raw Survey Records: N = 270)
                                v
+-----------------------------------------------------------------+
| Preprocessing: Data Cleansing, Likert-5 Encoding (1 -> 5)       |
+-----------------------------------------------------------------+
                                | (Filtered Valid Sample: N = 250)
                                v
+-----------------------------------------------------------------+
| Validation: Cronbach's Alpha (Reliability) & EFA (Validity)     |
+-----------------------------------------------------------------+
                                | (Factor Loadings > 0.5, KMO > 0.5)
                                v
+-----------------------------------------------------------------+
| Econometric Modeling: Multiple Linear Regression (OLS) & ANOVA  |
+-----------------------------------------------------------------+
  • Công nghệ & Công cụ sử dụng:
    • Phần mềm phân tích: IBM SPSS Statistics v20.0 / Python v3.10 (scipy, pandas, statsmodels).
    • Giao thức khảo sát: Google Forms REST API với chuẩn hóa biểu mẫu Likert 5 mức độ (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý).
  • Thang đo cấu trúc dữ liệu: Bao gồm 24 biến quan sát chia đều trên 6 thang đo thành phần ban đầu (TC1-TC4, BM1-BM4, TG1-TG4, SP1-SP4, DB1-DB4, YĐ1-YĐ4).

Methodology

Nghiên cứu ứng dụng quy trình tiếp cận tuần tự qua hai giai đoạn:

  1. Giai đoạn định tính: Tham vấn ý kiến chuyên gia ($N = 5$ giảng viên chuyên ngành Quản trị Kinh doanh) kết hợp phỏng vấn thử nghiệm ($N = 30$ sinh viên tại HUB, UEL, UFM). Kết quả loại bỏ thang đo "Rủi ro quyền riêng tư" (RT) do đồng quy nội dung với "Rủi ro bảo mật" (BM).
  2. Giai đoạn định lượng: Khảo sát chính thức trên 270 sinh viên, thu về 250 mẫu hợp lệ (tỷ lệ phản hồi hợp lệ đạt 92.59%, vượt xa ngưỡng tối thiểu $24 \times 5 = 120$ theo tiêu chuẩn Hair et al., 2006).
+----------------------------------------------------------------------+
|                       TIẾN ĐỘ THỰC HIỆN DỰ ÁN                        |
+----------------------------------------------------------------------+
| Giai đoạn 1: Xác định mục tiêu & Tổng quan lý thuyết    [Tuần 1 - 3] |
| Giai đoạn 2: Thiết kế bảng hỏi & Khảo sát định tính    [Tuần 4 - 6] |
| Giai đoạn 3: Thu thập dữ liệu diện rộng (N = 250)      [Tuần 7 - 9] |
| Giai đoạn 4: Phân tích định lượng SPSS (Alpha, EFA, OLS)[Tuần 10 - 12]|
| Giai đoạn 5: Tổng hợp hàm ý quản trị & Báo cáo        [Tuần 13 - 14]|
+----------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng dưới dạng pipeline thuật toán thống kê chuẩn tắc. Công thức toán học đo lường độ tin cậy nội tại thông qua hệ số Cronbach's Alpha ($\alpha$):

$$\alpha = \frac{K}{K - 1} \left(1 - \frac{\sum_{i=1}^{K} \sigma_{Y_i}^2}{\sigma_X^2}\right)$$

Trong đó:

  • $K$ là số lượng biến quan sát trong thang đo.
  • $\sigma_{Y_i}^2$ là phương sai của biến quan sát thứ $i$.
  • $\sigma_X^2$ là phương sai của tổng điểm toàn bộ thang đo.

Phương trình hồi quy tuyến tính bội dạng chuẩn OLS (Ordinary Least Squares):

$$YĐ = \beta_0 + \beta_1 SP + \beta_2 TC + \beta_3 TG + \beta_4 BM + \beta_5 DB + \epsilon$$

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

# Script mô phỏng quy trình kiểm định hồi quy OLS và VIF
def run_econometric_pipeline(df: pd.DataFrame):
    # Khai báo các biến độc lập và biến phụ thuộc
    independent_vars = ['SP', 'TC', 'TG', 'BM', 'DB']
    X = df[independent_vars]
    y = df['YD']
    
    # Thêm hằng số vào mô hình hồi quy (Intercept)
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán hệ số VIF để kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model.summary(), vif_data

# Ví dụ cấu trúc dữ liệu đầu ra từ SPSS / Python pipeline
print("Pipeline sẵn sàng thực thi trên tập dữ liệu khảo sát N = 250.")

Testing và validation

Kết quả phân tích thống kê qua các bước kiểm định nghiêm ngặt:

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

    • Rủi ro tài chính (TC): $\alpha = 0.812$ (Tương quan biến - tổng nhỏ nhất $= 0.584 > 0.3$).
    • Rủi ro bảo mật (BM): $\alpha = 0.795$ (Tương quan biến - tổng nhỏ nhất $= 0.521$).
    • Rủi ro thời gian (TG): $\alpha = 0.834$ (Tương quan biến - tổng nhỏ nhất $= 0.612$).
    • Rủi ro sản phẩm (SP): $\alpha = 0.856$ (Tương quan biến - tổng nhỏ nhất $= 0.648$).
    • Rủi ro dịch bệnh (DB): $\alpha = 0.778$ (Tương quan biến - tổng nhỏ nhất $= 0.505$).
    • Ý định mua sắm (YĐ): $\alpha = 0.868$ (Tương quan biến - tổng nhỏ nhất $= 0.671$).
    • Đánh giá: Tất cả các thang đo đều đạt chuẩn tin cậy cao ($\alpha > 0.70$).

  2. Phân tích nhân tố khám phá (EFA):

    • Kiểm định KMO and Bartlett's Test cho biến độc lập: $\text{KMO} = 0.842$ ($0.5 < \text{KMO} < 1$), $\text{Sig.} = 0.000 < 0.05$.
    • Tổng phương sai trích (Total Variance Explained) đạt $63.48% > 50%$ tại giá trị Eigenvalue $= 1.218 > 1.0$.
    • Ma trận xoay nhân tố (Rotated Component Matrix - Varimax) gom 20 biến độc lập thành 5 nhóm nhân tố rõ rệt với hệ số Factor Loading đều $> 0.55$.

Kết quả đạt được

Kết quả phân tích hồi quy tuyến tính bội cho thấy mô hình có ý nghĩa thống kê cao:

  • Hệ số xác định $R^2 = 0.542$; $R^2$ hiệu chỉnh $= 0.531$. Mô hình giải thích được $53.1%$ sự biến thiên của Ý định mua sắm trực tuyến.
  • Kiểm định ANOVA: $F(5, 244) = 57.682$ với giá trị $\text{Sig.} = 0.000 < 0.001$.
  • Kiểm định đa cộng tuyến: Hệ số VIF của tất cả các biến độc lập đều dao động trong khoảng $1.152 - 1.428 < 2.0$, khẳng định không xảy ra hiện tượng đa cộng tuyến.
Biến độc lập Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa ($p$-value) Kết luận giả thuyết
Rủi ro sản phẩm (SP) -0.412 -7.452 0.000 Chấp nhận H4 ($p < 0.01$)
Rủi ro tài chính (TC) -0.285 -5.114 0.000 Chấp nhận H1 ($p < 0.01$)
Rủi ro thời gian (TG) -0.198 -3.621 0.000 Chấp nhận H3 ($p < 0.01$)
Rủi ro bảo mật (BM) -0.062 -1.142 0.255 Bác bỏ H2 ($p > 0.05$)
Rủi ro dịch bệnh (DB) -0.038 -0.718 0.473 Bác bỏ H6 ($p > 0.05$)

Phương trình hồi quy chuẩn hóa thực nghiệm:

$$YĐ = -0.412 \times SP - 0.285 \times TC - 0.198 \times TG$$

Đổi mới và đóng góp

  1. Phát hiện sự dịch chuyển trọng tâm nhận thức hậu COVID-19: Nghiên cứu chỉ ra rằng trong thời kỳ hậu Covid, "Rủi ro dịch bệnh" ($\text{Sig.} = 0.473$) và "Rủi ro bảo mật" ($\text{Sig.} = 0.255$) không còn là lực cản mang tính chi phối đối với sinh viên. Người dùng trẻ đã thích nghi hoàn toàn với hạ tầng thanh toán số và coi đây là tiện ích mặc định.
  2. Xác lập thứ tự ưu tiên giải quyết rủi ro:
    • Rủi ro sản phẩm ($\beta = -0.412$): Tác động tiêu cực mạnh nhất. Khách hàng lo ngại lớn nhất về tình trạng sản phẩm thực tế sai lệch so với hình ảnh quảng cáo và khó thẩm định chất lượng.
    • Rủi ro tài chính ($\beta = -0.285$): Lo lắng về việc không được hoàn tiền khi đơn lỗi, phát sinh phụ phí ẩn hoặc nguy cơ mất tiền khi hủy đơn.
    • Rủi ro thời gian ($\beta = -0.198$): Áp lực về thời gian xử lý khiếu nại đổi trả và tốc độ giao vận trễ hạn.
+--------------------------------------------------------------------------+
|                  SO SÁNH ĐÓNG GÓP VỚI CÁC CÔNG TRÌNH TRƯỚC               |
+--------------------------------------------------------------------------+
| Nghiên cứu              | Nhân tố chi phối lớn nhất  | Bối cảnh dịch bệnh |
|-------------------------+----------------------------+-------------------|
| Bùi Thanh Tráng (2013)  | Rủi ro tài chính           | Chưa xuất hiện    |
| Ariffin et al. (2018)   | Rủi ro bảo mật             | Chưa xuất hiện    |
| Lê Hữu Phước (2022)     | Rủi ro sản phẩm (Beta 0.41)| Thời kỳ Hậu Covid |
+--------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Dựa trên trọng số tác động của các nhân tố, các nền tảng thương mại điện tử cần triển khai các nhóm giải pháp chiến lược sau:

+-------------------------------------------------------------------------+
|                  FRAMEWORK HÀM Ý QUẢN TRỊ CHO SÀN TMĐT                  |
+-------------------------------------------------------------------------+
| [Rủi ro Sản phẩm]  -> Kiểm duyệt Shop Mall, Tích hợp Review Video/3D    |
| [Rủi ro Tài chính] -> Ví Escrow giữ tiền, Hoàn tiền tự động < 24h       |
| [Rủi ro Thời gian] -> Đồng kiểm tại chỗ, Mạng lưới Micro-fulfillment    |
+-------------------------------------------------------------------------+

  1. Kiểm soát rủi ro sản phẩm:

    • Siết chặt tiêu chuẩn gian hàng chính hãng (Shopee Mall, LazMall).
    • Tích hợp công nghệ hình ảnh 3D/AR để khách hàng ướm thử sản phẩm thực tế.
    • Chuẩn hóa hệ thống đánh giá bằng video và gắn nhãn "Đã mua hàng thực tế" để loại bỏ đánh giá ảo (Seeding).

  2. Tối ưu hóa chính sách tài chính & dòng tiền:

    • Ứng dụng cơ chế ký quỹ (Escrow Payment Account): Sàn chỉ giải ngân cho người bán khi người mua xác nhận hài lòng hoặc quá thời hạn khiếu nại.
    • Thiết lập quy trình hoàn tiền tức thì (Instant Refund) qua ví điện tử nội bộ đối với các đơn hàng bị hủy hoặc giao sai.

  3. Rút ngắn chuỗi vận hành & đổi trả (Logistics & Return):

    • Triển khai chính sách đồng kiểm (cho phép mở hộp kiểm tra ngoại quan trước khi nhận hàng).
    • Thiết lập các điểm trả hàng tự động (Drop-off Hubs) tại các trường đại học, ký túc xá nhằm tối ưu thời gian đổi trả xuống dưới 48 giờ.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Dữ liệu khảo sát tập trung chủ yếu vào đối tượng sinh viên tại TP.HCM ($N = 250$), chưa bao quát các nhóm nhân khẩu học khác (nhân viên văn phòng, người nội trợ, người trung niên) có hành vi tài chính khác biệt.
  • Phương pháp lấy mẫu thuận tiện: Khả năng đại diện tổng thể chưa đạt mức tối đa so với lấy mẫu ngẫu nhiên phân tầng.
  • Hướng phát triển tương lai:
    • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) trên nền tảng SmartPLS hoặc AMOS để kiểm tra tác động trung gian của biến "Niềm tin thương hiệu" (Brand Trust).
    • Mở rộng phân tích so sánh liên khu vực (Hà Nội, Đà Nẵng, TP.HCM) và đối chiếu giữa các nền tảng TMĐT truyền thống với Social Commerce (TikTok Shop).

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Nắm rõ quyền lợi, cách thức đánh giá rủi ro và tận dụng chính sách bảo vệ của sàn để mua sắm thông minh.
  • Doanh nghiệp bán lẻ & Nhà bán hàng (Merchants): Tối ưu hóa chất lượng hình ảnh, mô tả sản phẩm chân thực, minh bạch chính sách bảo hành để giảm tỷ lệ hoàn hàng (Return Rate).
  • Đơn vị phát triển nền tảng TMĐT (Product Managers/Engineers): Cơ sở dữ liệu định lượng để ưu tiên phát triển các tính năng như thanh toán ký quỹ, live-streaming tương tác và hệ thống chấm điểm uy tín nhà bán.
  • Nhà nghiên cứu học thuật: Cung cấp bộ thang đo đã hiệu chỉnh và dữ liệu tham chiếu về sự chuyển dịch hành vi người tiêu dùng trong giai đoạn bình thường mới.

Câu hỏi thường gặp

  1. Tại sao rủi ro dịch bệnh (COVID-19) không còn ảnh hưởng đáng kể đến ý định mua sắm? Trong giai đoạn hậu Covid, người tiêu dùng đã bình thường hóa việc sống chung với dịch bệnh; TMĐT đã trở thành thói quen thường nhật thay vì chỉ là giải pháp tình thế khẩn cấp.
  2. Rủi ro sản phẩm được đo lường qua những tiêu chí cụ thể nào? Bao gồm: Sản phẩm không đúng mô tả, nguồn gốc không rõ ràng, chất lượng không đồng nhất giữa các lần mua và không thể thử nghiệm trực tiếp trước khi thanh toán.
  3. Mô hình nghiên cứu có hiện tượng đa cộng tuyến hay không? Không. Hệ số phóng đại phương sai (VIF) của tất cả các biến đều nằm trong khoảng $1.152 - 1.428$, thấp hơn nhiều so với ngưỡng cảnh báo vi phạm ($2.0$).
  4. Sàn TMĐT có thể giảm rủi ro thời gian cho người mua bằng cách nào? Tối ưu hóa thuật toán tìm kiếm, tự động hóa quy trình tạo nhãn đổi trả và mở rộng mạng lưới giao hàng siêu tốc (1-2 giờ).
  5. Chính sách hoàn tiền (Refund Policy) ảnh hưởng thế nào đến rủi ro tài chính? Cơ chế hoàn tiền minh bạch và tức thì giúp loại bỏ tâm lý sợ mất tiền, trực tiếp làm suy giảm rủi ro tài chính nhận thức và thúc đẩy ý định đặt hàng.

Kết luận

Đề tài nghiên cứu đã lượng hóa thành công tác động của nhận thức rủi ro đến ý định mua sắm trực tuyến trên sàn TMĐT giai đoạn hậu Covid-19. Với phương pháp định lượng thực nghiệm ($N = 250$), nghiên cứu chứng minh rằng Rủi ro sản phẩm ($\beta = -0.412$), Rủi ro tài chính ($\beta = -0.285$), và Rủi ro thời gian ($\beta = -0.198$) là 3 rào cản tiêu cực cốt lõi. Kết quả này cung cấp luận cứ khoa học vững chắc giúp các nhà hoạch định chiến lược TMĐT tại Việt Nam tập trung nguồn lực vào việc minh bạch hóa chất lượng hàng hóa, củng cố cơ chế hoàn tiền an toàn và tinh gọn quy trình logistics nhằm nâng cao trải nghiệm số toàn diện cho người tiêu dùng.