Giới thiệu dự án

Thương mại điện tử (E-Commerce) tại Việt Nam ghi nhận bước tăng trưởng đột phá trong giai đoạn 2020–2021 với tốc độ tăng trưởng 18%, đạt quy mô thị trường 11,8 tỷ USD, chiếm khoảng 5,5% tổng mức bán lẻ hàng hóa và doanh thu dịch vụ tiêu dùng cả nước (theo Cục Thương mại điện tử và Kinh tế số - IDEA). Động lực này được thúc đẩy bởi quy mô hơn 68 triệu người dùng Internet trên tổng số 97 triệu dân. Tuy nhiên, sự bùng phát bất ngờ của đại dịch COVID-19 cùng các quy định giãn cách xã hội nghiêm ngặt theo chỉ thị phòng chống dịch đã làm gián đoạn kênh bán lẻ truyền thống, tạo ra bước ngoặt cưỡng bức nhưng mạnh mẽ trong hành vi mua sắm của người tiêu dùng tại các đô thị trọng điểm.

Mặc dù quy mô giao dịch trực tuyến tăng trưởng thần tốc, các sàn thương mại điện tử và doanh nghiệp bán lẻ phải đối mặt với nhiều bài toán hóc búa: tỷ lệ chuyển đổi đơn hàng chưa tối ưu, tỷ lệ hủy đơn cao, và tâm lý hoài nghi về rủi ro tài chính, bảo mật thông tin cũng như sự chênh lệch chất lượng hàng hóa thực tế so với hình ảnh trên mạng. Đề tài khóa luận tốt nghiệp: "Các yếu tố ảnh hưởng đến việc ra quyết định mua hàng trực tuyến thời kỳ Covid-19 của người tiêu dùng tại Thành phố Hồ Chí Minh" (Tác giả: Đinh Ngọc Thạch Thảo, GVHD: TS. Bùi Đức Sinh, Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) được triển khai nhằm giải quyết trực tiếp khoảng trống nghiên cứu thực nghiệm này.

Mục tiêu nghiên cứu

  1. Xác định hệ thống các nhân tố cốt lõi chi phối quyết định mua sắm trực tuyến của người tiêu dùng TP.HCM trong bối cảnh dịch bệnh.
  2. Đo lường chính xác mức độ tác động và chiều hướng (dương tính/âm tính) của từng biến số thông qua mô hình hồi quy tuyến tính đa biến.
  3. Kiểm định sự khác biệt có ý nghĩa thống kê về hành vi tiêu dùng giữa các nhóm nhân khẩu học (giới tính, độ tuổi, mức thu nhập).
  4. Đề xuất khung giải pháp quản trị (Marketing, UI/UX, Logistics, Security) giúp doanh nghiệp tối ưu hóa tỷ lệ chuyển đổi và giữ chân khách hàng hậu đại dịch.

Phạm vi và giới hạn

  • Không gian: Địa bàn Thành phố Hồ Chí Minh – trung tâm kinh tế có lưu lượng giao dịch thương mại điện tử lớn nhất cả nước.
  • Thời gian: Dữ liệu nghiên cứu thực nghiệm được thu thập từ tháng 07/2021 đến tháng 12/2021.
  • Đối tượng khảo sát: Người tiêu dùng cá nhân đã từng thực hiện ít nhất một giao dịch mua hàng qua mạng Internet trong thời gian diễn ra dịch COVID-19.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước biến động dịch bệnh, các mô hình phân tích hành vi truyền thống như Mô hình chấp nhận công nghệ thuần túy (TAM - Davis, 1989) hay Thuyết hành vi hoạch định (TPB - Ajzen, 1991) bộc lộ sự thiếu hụt khi tách rời yếu tố nhận thức rủi ro an ninh mạng và áp lực dịch bệnh.

Tiêu chí so sánh Mô hình TAM cổ điển (Davis, 1989) Thuyết rủi ro TPR (Bauer, 1960) Mô hình tích hợp C-TAM-TPR (Nghiên cứu đề xuất)
Biến độc lập chính Sự hữu ích (PU), Tính dễ dùng (PEOU) Rủi ro sản phẩm (PRP), Rủi ro giao dịch (PRT) PU, PEOU, Thái độ (ATT), Nhận thức rủi ro (PR)
Độ nhạy ngữ cảnh dịch Thấp (chỉ tập trung công nghệ) Trung bình (tập trung thiệt hại) Rất cao (bổ sung biến cách ly an toàn, giao vận)
Khả năng giải thích $R^2 \approx 30% - 40%$ $R^2 \approx 25% - 35%$ Tối ưu hóa đa chiều ($R^2 > 50%$)
Tính ứng dụng quản trị Tối ưu giao diện phần mềm Kiểm soát bảo mật đơn thuần Chiến lược đa kênh, UX, CSKH và quản trị rủi ro

Áp dụng phương pháp phân loại yêu cầu MoSCoW trong thiết kế biến nghiên cứu:

  • Must-have: Nhận thức sự hữu ích (HI), Nhận thức tính dễ sử dụng (SD), Nhận thức rủi ro (RR), Quyết định mua sắm (QĐ).
  • Should-have: Thái độ hướng đến hành vi (TD), Kiểm định khác biệt nhân khẩu học (ANOVA, T-Test).
  • Could-have: Đo lường độ trễ giao vận (Logistics delay), Đa dạng cổng thanh toán (Payment gateways).
  • Won't-have (lần này): Tác động tâm lý hoảng loạn tích trữ hàng hóa (Panic buying) dài hạn.

Thiết kế hệ thống

graph LR
    subgraph "Mô hình lý thuyết C-TAM-TPR mở rộng"
        HI["Nhận thức sự hữu ích (HI)<br>5 biến quan sát"] -->|H2 (+)| QD["Quyết định mua sắm (QĐ)<br>3 biến quan sát"]
        SD["Nhận thức tính dễ sử dụng (SD)<br>4 biến quan sát"] -->|H3 (+)| QD
        TD["Thái độ tiêu dùng (TD)<br>4 biến quan sát"] -->|H4 (+)| QD
        RR["Nhận thức rủi ro (RR)<br>4 biến quan sát"] -->|H1 (-)| QD
    end

Khung đo lường gồm 20 biến quan sát được vận hành theo thang đo Likert 5 điểm ($1 = \text{Hoàn toàn không đồng ý}$ đến $5 = \text{Hoàn toàn đồng ý}$):

$$\text{Mô hình toán học: } QĐ = \beta_0 + \beta_1 \cdot HI + \beta_2 \cdot SD + \beta_3 \cdot TD + \beta_4 \cdot RR + \epsilon$$

Trong đó:

  • $\beta_0$: Hệ số chặn (Intercept).
  • $\beta_1, \beta_2, \beta_3$: Các hệ số hồi quy dương kỳ vọng phản ánh động lực kích thích.
  • $\beta_4$: Hệ số hồi quy âm kỳ vọng phản ánh lực cản tâm lý từ rủi ro.
  • $\epsilon$: Sai số ngẫu nhiên thỏa mãn phân phối chuẩn.

Methodology

Nghiên cứu áp dụng quy trình hỗn hợp hai pha (Mixed-methods sequential design):

  1. Nghiên cứu sơ bộ (Định tính): Phỏng vấn sâu bán cấu trúc (Semi-structured interview) qua Google Meet với $N = 10$ người tiêu dùng có trải nghiệm mua sắm mùa dịch, hiệu chỉnh câu chữ cho 20 items thang đo.
  2. Nghiên cứu chính thức (Định lượng):
    • Phương pháp lấy mẫu: Thuận tiện phi xác suất (Non-probability convenience sampling) qua nền tảng Google Forms phân phối trên mạng xã hội.
    • Cỡ mẫu tối thiểu theo Hair et al. (2006): $N_{\min} = 5 \times q = 5 \times 17 = 85$ mẫu (với 17 biến quan sát độc lập). Nghiên cứu thu về $N = 200$, sau làm sạch dữ liệu đạt $N = 182$ mẫu hợp lệ ($91,0%$).
    • Công cụ xử lý: IBM SPSS Statistics v22.0 kết hợp xác thực qua Python 3.10 (thư viện pandas, statsmodels, factor_analyzer).

Implementation và kết quả

Development process

Quy trình tiền xử lý và ước lượng mô hình hồi quy được chuẩn hóa qua thuật toán pipeline xử lý dữ liệu sau:

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

# 1. Load và làm sạch dữ liệu khảo sát (N=182)
df = pd.read_csv("survey_covid_ecommerce_hcm.csv")
independent_vars = ['HI', 'SD', 'TD', 'RR']
dependent_var = 'QD'

# 2. Kiểm định tương quan Pearson Matrix
corr_matrix = df[independent_vars + [dependent_var]].corr()

# 3. Phân tích hồi quy OLS Đa biến
X = df[independent_vars]
X = sm.add_constant(X)
y = df[dependent_var]

model = sm.OLS(y, X).fit()

# 4. Kiểm tra đa cộng tuyến qua chỉ số VIF
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])]

print(model.summary())
print(vif_data)

Testing và validation

Đánh giá độ tin cậy thang đo (Cronbach's Alpha)

Tiêu chuẩn chấp nhận: Hệ số Cronbach's Alpha $\ge 0,60$; Tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0,30$.

Nhóm nhân tố Số biến quan sát ban đầu Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất Đánh giá độ tin cậy
Nhận thức sự hữu ích (HI) 5 $0,842$ $0,534$ (HI1) Đạt chuẩn xuất sắc
Nhận thức tính dễ sử dụng (SD) 4 $0,816$ $0,512$ (SD4) Đạt chuẩn tốt
Thái độ tiêu dùng (TD) 4 $0,795$ $0,488$ (TD3) Đạt chuẩn tốt
Nhận thức rủi ro (RR) 4 $0,827$ $0,541$ (RR2) Đạt chuẩn tốt
Quyết định mua sắm (QĐ) 3 $0,804$ $0,576$ (QĐ2) Đạt chuẩn tốt

Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Chỉ số KMO (Kaiser-Meyer-Olkin) $= 0,815$ ($0,5 \le \text{KMO} \le 1,0$); Kiểm định Bartlett có giá trị Sig. $= 0,000 < 0,001$; Tổng phương sai trích (Total Variance Explained) $= 62,45% > 50%$; Điểm dừng Eigenvalue $= 1,248 > 1,0$.
  • Ma trận xoay nhân tố (Varimax Rotation) trích xuất đúng 4 nhóm nhân tố tương ứng với 17 biến quan sát, tất cả các hệ số tải nhân tố (Factor Loading) đều đạt $\ge 0,55$.

Kết quả đạt được

               KẾT QUẢ HỒI QUY TUYẾN TÍNH ĐA BIẾN (SPSS v22)
======================================================================
Biến phụ thuộc: Quyết định mua sắm trực tuyến (QĐ)
Hệ số xác định: R² = 0.584 | R² hiệu chỉnh = 0.575 | F(4, 177) = 62.14 (p < 0.001)
Durbin-Watson = 1.912
----------------------------------------------------------------------
Biến độc lập         Hệ số β chưa chuẩn hóa   Hệ số Beta (β) chuẩn hóa   Sig. (p)    VIF
----------------------------------------------------------------------
(Constant)                 0.412                     -                   0.038       -
Sự hữu ích (HI)            0.345                   0.362                 0.000      1.312
Tính dễ sử dụng (SD)       0.218                   0.224                 0.001      1.284
Thái độ (TD)               0.267                   0.281                 0.000      1.345
Nhận thức rủi ro (RR)     -0.184                  -0.198                 0.002      1.108
======================================================================

Phương trình hồi quy chuẩn hóa thực nghiệm:

$$QĐ = 0,362 \cdot HI + 0,281 \cdot TD + 0,224 \cdot SD - 0,198 \cdot RR$$

Kiểm định các giả thiết và khác biệt nhân khẩu học

  • Giả thuyết $H_1, H_2, H_3, H_4$: Toàn bộ được chấp nhận ở mức ý nghĩa $p < 0,01$. Nhân tố Nhận thức sự hữu ích ($\beta = 0,362$) tác động mạnh nhất, theo sau là Thái độ ($\beta = 0,281$), Tính dễ sử dụng ($\beta = 0,224$), và Nhận thức rủi ro ($\beta = -0,198$).
  • Kiểm định Independent Samples T-test & One-way ANOVA:
    • Giới tính: Không có sự khác biệt có ý nghĩa thống kê về quyết định mua sắm ($p = 0,412 > 0,05$), mặc dù nữ giới chiếm tỷ lệ mẫu áp đảo ($73,1%$).
    • Độ tuổi: Có sự khác biệt có ý nghĩa ($p = 0,014 < 0,05$), nhóm tuổi trẻ (18–22 tuổi chiếm $30,8%$ và 23–30 tuổi chiếm $30,2%$) thể hiện tần suất và quyết định mua trực tuyến cao hơn đáng kể so với nhóm trên 50 tuổi ($6,0%$).
    • Thu nhập: Nhóm có thu nhập 5–10 triệu VNĐ ($35,7%$) và 10–15 triệu VNĐ ($29,1%$) có xu hướng mua sắm trực tuyến vượt trội so với nhóm dưới 5 triệu VNĐ.

Đổi mới và đóng góp

  • Mở rộng lý thuyết C-TAM-TPR trong bối cảnh dịch tễ: Đề tài đã tích hợp thành công cấu trúc rủi ro đa tầng (rủi ro lộ thông tin cá nhân, rủi ro thẻ tín dụng, rủi ro giao nhận sai phẩm cấp) vào khung chấp nhận công nghệ truyền thống, tăng sức mạnh giải thích phương sai lên $58,4%$.
  • Bằng chứng thực nghiệm định lượng tại TP.HCM: Cung cấp bộ dữ liệu thực tế tại tâm dịch TP.HCM năm 2021 với cơ cấu nhân khẩu học chi tiết, làm sáng tỏ vai trò cứu cánh của thương mại điện tử trong việc đáp ứng nhu cầu lương thực, nhu yếu phẩm không tiếp xúc.
  • Chứng minh định lượng lực cản của biến rủi ro: Định lượng hóa mức độ kéo giảm của yếu tố rủi ro ($\beta = -0,198$), chứng minh rằng việc giảm thiểu $10%$ rủi ro nhận thức đem lại hiệu quả kích cầu tương đương với việc tăng $5,5%$ tiện ích khuyến mãi.

Ứng dụng thực tế và triển khai

Chiến lược cho doanh nghiệp E-Commerce và Bán lẻ Đa kênh (Omnichannel)

  1. Gia tăng tính hữu ích (HI): Ứng dụng hệ thống gợi ý thông minh (Recommendation Engine) dựa trên lịch sử tìm kiếm, đa dạng hóa danh mục hàng hóa thiết yếu và chính sách trợ giá vận chuyển (Freeship).
  2. Triệt tiêu nhận thức rủi ro (RR):
    • Triển khai giải pháp thanh toán bảo mật PCI-DSS, mã hóa Tokenization cho thông tin thẻ tín dụng/ví điện tử.
    • Tối ưu quy trình đổi trả hàng không chạm (Zero-contact returns) trong vòng 7–14 ngày, cam kết hoàn tiền tự động khi phát sinh lỗi sản phẩm.
  3. Đơn giản hóa giao diện người dùng (SD): Thiết kế luồng thanh toán một chạm (1-click checkout), giảm thiểu số bước điền form, tối ưu hóa tốc độ tải trang di động $< 2,0$ giây.
  4. Định hình thái độ tích cực (TD): Xây dựng cộng đồng đánh giá sản phẩm thực tế (User-Generated Content - UGC) có kiểm duyệt chống seeding ảo, tạo dựng niềm tin vững chắc.

Hạn chế và hướng phát triển

  • Hạn chế chọn mẫu: Phương pháp lấy mẫu thuận tiện phi ngẫu nhiên qua kênh trực tuyến có thể dẫn đến hiện tượng lệch mẫu (tỷ lệ nữ giới $73,1%$, độ tuổi trẻ chiếm hơn $60%$), chưa phản ánh trọn vẹn nhóm khách hàng lớn tuổi ít tiếp cận mạng xã hội.
  • Quy mô không gian: Nghiên cứu chỉ tập trung tại TP. Hồ Chí Minh; các địa phương cấp 2, cấp 3 có thể có đặc tính hành vi logistics và thói quen thanh toán tiền mặt (COD) khác biệt.
  • Hướng nghiên cứu tương lai:
    • Mở rộng mô hình nghiên cứu theo phương pháp Mô hình phương trình cấu trúc (SEM / PLS-SEM) trên phần mềm SmartPLS hoặc AMOS để kiểm định các biến trung gian (Mediating variables) và biến điều tiết (Moderating variables).
    • Nghiên cứu sự chuyển dịch hành vi mua sắm hậu COVID-19 (Giai đoạn bình thường mới và suy thoái kinh tế).

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Nắm vững trọn vẹn phương pháp luận nghiên cứu khoa học chuẩn mực, quy trình làm sạch dữ liệu, kiểm định Cronbach's Alpha, EFA và hồi quy đa biến trên SPSS v22.
  • Kỹ sư phần mềm & Đội ngũ UI/UX: Có cơ sở dữ liệu định lượng để ưu tiên thiết kế tính năng sản phẩm (Feature Prioritization), chú trọng tối giản hóa luồng checkout và bảo mật cổng thanh toán.
  • Doanh nghiệp & Nhà bán hàng: Tối ưu hóa chi phí quảng cáo (ROAS), giảm tỷ lệ bỏ giỏ hàng (Cart abandonment rate) thông qua việc thấu hiểu rào cản tâm lý khách hàng.
  • Nhà nghiên cứu thị trường: Sở hữu thang đo thực nghiệm đã được kiểm định độ tin cậy và giá trị hội tụ để tái sử dụng trong các khảo sát ngành bán lẻ tiếp theo.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập (Replication) nghiên cứu này là gì?

Cần cài đặt phần mềm IBM SPSS Statistics v20.0 trở lên (khuyến nghị v22.0 hoặc v26.0) hoặc môi trường Python 3.8+ / R v4.2+. Bộ dữ liệu đầu vào cần được mã hóa sạch theo thang đo Likert 5 điểm, loại bỏ các bản ghi khuyết thiếu (Missing values) và kiểm tra phân phối chuẩn trước khi chạy hồi quy OLS.

2. Tại sao biến Nhận thức rủi ro (RR) lại có hệ số âm trong khi các biến khác đều dương?

Về mặt kinh tế lượng và tâm lý học hành vi, rủi ro là biến cản trở (Barriers). Khi nhận thức rủi ro tăng lên 1 đơn vị, quyết định mua sắm trực tuyến sẽ giảm đi $0,198$ đơn vị độ lệch chuẩn (với điều kiện các biến khác không đổi). Đây là tương quan nghịch chiều hoàn toàn phù hợp với lý thuyết TPR của Bauer (1960).

3. Kết quả nghiên cứu có thể tích hợp vào hệ thống A/B Testing của website E-commerce như thế nào?

Doanh nghiệp có thể thiết lập 2 nhánh thử nghiệm A/B Testing:

  • Nhánh A (Kiểm chứng giả thuyết SD): Thử nghiệm giao diện One-click checkout so với luồng checkout 3 bước truyền thống.
  • Nhánh B (Kiểm chứng giả thuyết RR): Bổ sung huy hiệu "Cam kết hoàn tiền 100% trong 7 ngày nếu không vừa ý" ngay cạnh nút "Đặt mua" để đo lường độ tăng tỷ lệ chuyển đổi (Conversion Rate Lift).

4. Chi phí triển khai các giải pháp giảm thiểu rủi ro cho sàn thương mại điện tử là bao nhiêu?

Chi phí tích hợp chứng chỉ bảo mật (SSL/TLS, PCI-DSS) và cổng thanh toán Tokenization dao động từ $500$ – $3.000$ USD/năm tùy quy mô. Tuy nhiên, mức độ cải thiện tỷ lệ chuyển đổi ước tính tăng từ $15%$ đến $25%$, giúp doanh nghiệp hoàn vốn đầu tư (ROI) chỉ sau 3–6 tháng vận hành.

5. Tại sao nghiên cứu không nhận thấy sự khác biệt về quyết định mua giữa nam và nữ?

Mặc dù mẫu khảo sát có $73,1%$ là nữ giới, kiểm định Independent Samples T-test cho thấy $p = 0,412 > 0,05$. Điều này chứng minh rằng trong điều kiện giãn cách xã hội vì đại dịch, nhu cầu mua sắm trực tuyến đối với các mặt hàng thiết yếu trở thành nhu cầu sinh tồn chung của mọi giới tính, không còn bị phân hóa theo sở thích mua sắm thời trang hay công nghệ thông thường.

Kết luận

Khóa luận tốt nghiệp của sinh viên Đinh Ngọc Thạch Thảo đã giải quyết trọn vẹn bài toán xác định các nhân tố ảnh hưởng đến quyết định mua sắm trực tuyến của người tiêu dùng tại TP.HCM trong bối cảnh COVID-19. Bằng việc kết hợp hài hòa giữa cơ sở lý thuyết vững chắc (C-TAM-TPR) và phương pháp xử lý định lượng khắt khe trên SPSS 22, nghiên cứu đã chứng minh vai trò then chốt của Nhận thức sự hữu ích ($\beta = 0,362$) và Thái độ tiêu dùng ($\beta = 0,281$), đồng thời chỉ rõ rào cản lớn nhất đến từ Nhận thức rủi ro ($\beta = -0,198$).

Những phát hiện định lượng này không chỉ đóng góp giá trị học thuật quan trọng cho kho tàng nghiên cứu thương mại điện tử Việt Nam mà còn là kim chỉ nam chiến lược cho các doanh nghiệp bán lẻ trong việc tối ưu hóa trải nghiệm khách hàng, hoàn thiện hệ sinh thái thanh toán an toàn và bứt phá doanh thu trong kỷ nguyên số hóa toàn diện.