Giới thiệu dự án

Đại dịch COVID-19 bùng phát đã tạo ra một bước ngoặt chưa từng có trong lịch sử kinh tế toàn cầu, buộc các mô hình kinh doanh truyền thống phải tái cấu trúc toàn diện. Theo báo cáo nghiên cứu thị trường của Nielsen (2020), có tới 82% người tiêu dùng chuyển sang mua sắm trực tuyến trong giai đoạn giãn cách xã hội và 98% trong số họ khẳng định sẽ duy trì hành vi này sau đại dịch. Đồng thời, dữ liệu từ Google chỉ ra rằng 72% người tiêu dùng chủ động hạn chế mua sắm tại điểm bán thực tế nhằm giảm thiểu rủi ro lây nhiễm, 83% dành thời gian tra cứu kỹ lưỡng thông tin sản phẩm và 79% thực hiện so sánh đối chiếu giữa các nền tảng thương mại điện tử (TMĐT). Tại Việt Nam, Thành phố Hồ Chí Minh (TP.HCM) là đầu tàu kinh tế với tỷ lệ dân số trẻ, độ phủ Internet cao và tốc độ ứng dụng công nghệ dẫn đầu cả nước, trở thành môi trường thử nghiệm lý tưởng cho các mô hình hành vi người tiêu dùng số.

Vấn đề cốt lõi (Problem Statement) đặt ra là: Mặc dù đại dịch thúc đẩy nhu cầu mua sắm từ xa, doanh nghiệp TMĐT vẫn đối mặt với các rào cản lớn về nhận thức rủi ro giao dịch (Perceived Risk), sự hoài nghi về chất lượng sản phẩm thực tế so với hình ảnh trên mạng, và sự thiếu hụt niềm tin vào hệ thống thanh toán trực tuyến. Do đó, việc xây dựng một mô hình định lượng xác định chính xác các trọng số ảnh hưởng đến ý định mua sắm trực tuyến (Online Purchase Intention) là yêu cầu cấp thiết.

Mục tiêu nghiên cứu cụ thể:

  1. Xác định và hệ thống hóa các nhân tố chính cấu thành nên ý định mua sắm trực tuyến của người tiêu dùng tại TP.HCM trong bối cảnh đại dịch COVID-19.
  2. Đo lường mức độ tác động và tính toán trọng số hồi quy chuẩn hóa ($\beta$) của từng nhân tố đối với biến phụ thuộc Ý định mua sắm trực tuyến.
  3. Kiểm định sự khác biệt có ý nghĩa thống kê về ý định mua sắm giữa các nhóm nhân khẩu học (giới tính, độ tuổi, mức thu nhập hàng tháng) thông qua phân tích phương sai ANOVA.
  4. Đề xuất hệ thống giải pháp và hàm ý quản trị ứng dụng thực tế cho các doanh nghiệp TMĐT nhằm tối ưu hóa tỷ lệ chuyển đổi và gia tăng doanh số.

Giải pháp được tiếp cận thông qua phương pháp mô hình hóa kinh tế lượng kết hợp, tích hợp các cấu trúc lý thuyết từ Mô hình Chấp nhận Công nghệ (TAM), Thuyết Hành động Hợp lý (TRA), Thuyết Hành vi Hoạch định (TPB) và Thuyết Nhận thức Rủi ro (TPR). Kết quả kỳ vọng cung cấp một mô hình hồi quy đạt độ tin cậy Cronbach's Alpha $> 0.70$, hệ số giải thích $R^2 > 0.50$ và không xảy ra hiện tượng đa cộng tuyến ($\text{VIF} < 10$).

Phạm vi nghiên cứu tập trung vào người tiêu dùng cá nhân có sử dụng Internet và từng phát sinh giao dịch mua sắm trực tuyến tại khu vực TP.HCM trong giai đoạn từ tháng 01/2021 đến tháng 05/2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình tích hợp, các khung lý thuyết hành vi truyền thống và hiện đại đã được đánh giá và so sánh toàn diện nhằm xác định các khoảng trống học thuật.

Mô hình lý thuyết Đại diện tiêu biểu Ưu điểm cốt lõi Nhược điểm / Khoảng trống trong đại dịch
TAM (Technology Acceptance Model) Davis (1989), Aksoy & Basaran (2017) Đo lường hiệu quả tính hữu ích (PU) và tính dễ sử dụng (PEU). Bỏ qua các áp lực xã hội khẩn cấp và nhận thức rủi ro thanh toán trong bối cảnh dịch bệnh.
TPB (Theory of Planned Behavior) Ajzen (1991), Hà & Thúy (2020) Bổ sung chuẩn chủ quan (SN) và kiểm soát hành vi nhận thức (PBC). Chưa lượng hóa được tác động mạnh mẽ của thông tin lan truyền kỹ thuật số (e-WOM).
TPR (Theory of Perceived Risk) Bauer (1960), Forsythe & Shi (2003) Đào sâu vào rủi ro sản phẩm (PRP) và rủi ro giao dịch (PRT). Thiếu các nhân tố thúc đẩy động lực tích cực như niềm tin thương hiệu và tiện ích công nghệ.
Mô hình tích hợp đề xuất Nghiên cứu này (2021) Kết hợp toàn diện: TAM + TPB + TPR + Niềm tin (TRUST) + e-WOM + Yếu tố giãn cách COVID-19. Đòi hỏi quy trình làm sạch dữ liệu và kiểm định đa biến khắt khe.

Khung yêu cầu nghiên cứu và hệ thống hóa giải pháp được phân loại theo tiêu chuẩn MoSCoW:

  • Must-have: Đo lường 6 biến độc lập: Sự tin cậy (TRUST), Nhận thức sự hữu ích (PU), Nhận thức tính dễ sử dụng (PEU), Nhận thức rủi ro (PR), Chuẩn chủ quan (SN - tích hợp biến thể giãn cách COVID-19), Truyền miệng trực tuyến (EWOM).
  • Should-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.60$), Phân tích nhân tố khám phá (EFA với Factor Loading $\ge 0.50$), Kiểm định ANOVA nhân khẩu học.
  • Could-have: Xây dựng đoạn mã phân tích tự động hóa trên nền tảng Python/R để tái lập quy trình xử lý dữ liệu của SPSS.
  • Won't-have: Không đo lường hành vi mua lặp lại dài hạn sau đại dịch (do giới hạn dữ liệu cắt ngang - Cross-sectional data).

Thiết kế hệ thống và mô hình nghiên cứu

Mô hình nghiên cứu thực nghiệm được thiết kế theo cấu trúc đa tầng, xác định quan hệ tuyến tính giữa 6 biến độc lập và 1 biến phụ thuộc:

$$\text{INT} = \beta_0 + \beta_1 \text{TRUST} + \beta_2 \text{PU} + \beta_3 \text{PEU} - \beta_4 \text{PR} + \beta_5 \text{SN} + \beta_6 \text{EWOM} + \epsilon$$

Stack công nghệ và công cụ phân tích dữ liệu:

  • Nền tảng khảo sát: Google Forms API tích hợp Google Sheets để thu thập dữ liệu sơ cấp trực tuyến.
  • Phần mềm phân tích chính: IBM SPSS Statistics phiên bản 20.0 (tương thích phiên bản 26.0+).
  • Ngôn ngữ lập trình mở rộng: Python 3.10+ với các thư viện: pandas v2.2.0, numpy v1.26.0, statsmodels v0.14.1 (kiểm định OLS & VIF), pingouin v0.5.4 (tính toán Cronbach's Alpha), scikit-learn v1.4.0 (Factor Analysis).

Cấu trúc tập dữ liệu (Dataset Schema):

  • $N = 200$ quan sát hợp lệ (sau khi loại bỏ 50 phiếu không đạt chuẩn từ 250 phiếu phát đi).
  • 30 biến định lượng sử dụng thang đo Likert 5 điểm (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý).
  • 6 biến nhân khẩu học: Giới tính (Nominal), Độ tuổi (Ordinal), Nghề nghiệp (Nominal), Thu nhập hàng tháng (Ordinal), Tần suất mua hàng/tuần (Ordinal), Nhóm hàng hóa chính (Nominal).

Methodology (Phương pháp luận)

Nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính: Thảo luận nhóm tập trung và phỏng vấn sâu 5 khách hàng có tần suất mua sắm $\ge 2-3$ lần/tuần nhằm điều chỉnh từ ngữ, loại bỏ các mục hỏi gây mơ hồ và bổ sung các biến phản ánh tác động của thông điệp y tế xã hội ("Ở nhà vẫn vui", "#StayHome", Chỉ thị giãn cách).
  2. Nghiên cứu định lượng: Thu thập mẫu bằng phương pháp chọn mẫu thuận tiện phi xác suất (Convenience Sampling). Quy mô mẫu $N = 200$ thỏa mãn quy tắc của Hair et al. (2006) với $N \ge 5 \times k = 5 \times 30 = 150$ (trong đó $k = 30$ là tổng số biến quan sát).

Implementation và kết quả

Development process và Kỹ thuật phân tích dữ liệu

Quy trình xử lý dữ liệu thực nghiệm được triển khai tuần tự qua 5 bước tiêu chuẩn:

  1. Kiểm tra độ tin cậy (Reliability Analysis): Tính toán hệ số Cronbach's Alpha ($\alpha$) và hệ số tương quan biến - tổng (Corrected Item-Total Correlation). Tiêu chuẩn: $\alpha \ge 0.70$ và Corrected Item-Total Correlation $\ge 0.30$.
  2. Phân tích nhân tố khám phá (EFA): Sử dụng phương pháp trích Principal Axis Factoring kết hợp phép xoay Varimax. Tiêu chuẩn: $0.5 \le \text{KMO} \le 1.0$, kiểm định Bartlett có $\text{Sig.} < 0.05$, hệ số tải nhân tố (Factor Loading) $\ge 0.50$, tổng phương sai trích (Total Variance Explained) $> 50%$, và Eigenvalue $> 1.0$.
  3. Phân tích tương quan Pearson: Kiểm tra mối liên hệ tuyến tính giữa các nhân tố trước khi chạy hồi quy.
  4. Phân tích hồi quy tuyến tính bội (OLS): Ước lượng các trọng số $\beta$, đánh giá $R^2$ hiệu chỉnh, kiểm định $F$, kiểm tra giả định tự tương quan (Durbin-Watson từ $1.5 - 2.5$) và đa cộng tuyến ($\text{VIF} < 10$).
  5. Kiểm định ANOVA / Independent Samples T-Test: Đo lường sự khác biệt trung bình theo đặc điểm nhân khẩu học.

Đoạn mã Python mô phỏng toàn bộ đường ống (pipeline) tính toán định lượng tương đương SPSS:

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

def compute_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha từ ma trận biến quan sát."""
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1.0 - (item_variances / total_variance))
    return float(alpha)

def run_ols_regression(X_df: pd.DataFrame, y_series: pd.Series):
    """Thực hiện hồi quy tuyến tính bội OLS và kiểm tra đa cộng tuyến (VIF)."""
    X_const = sm.add_constant(X_df)
    model = sm.OLS(y_series, X_const).fit()
    
    # Tính toán VIF cho từng biến độc lập
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_df.columns
    vif_data["VIF"] = [
        variance_inflation_factor(X_df.values, i) for i in range(X_df.shape[1])
    ]
    
    return model.summary(), vif_data

# Ví dụ áp dụng cấu trúc dữ liệu từ nghiên cứu
if __name__ == "__main__":
    np.random.seed(42)
    n_samples = 200
    
    # Mô phỏng dữ liệu thang đo Likert (1 - 5) cho 6 nhân tố
    trust = np.random.normal(3.8, 0.6, n_samples).clip(1, 5)
    pu = np.random.normal(4.1, 0.5, n_samples).clip(1, 5)
    peu = np.random.normal(3.9, 0.5, n_samples).clip(1, 5)
    pr = np.random.normal(2.8, 0.7, n_samples).clip(1, 5)
    sn = np.random.normal(4.0, 0.6, n_samples).clip(1, 5)
    ewom = np.random.normal(3.7, 0.6, n_samples).clip(1, 5)
    
    # Biến phụ thuộc INT với trọng số hồi quy thực nghiệm
    intent = (0.28 * trust + 0.31 * pu + 0.19 * peu - 0.22 * pr 
              + 0.25 * sn + 0.20 * ewom + np.random.normal(0, 0.3, n_samples)).clip(1, 5)
    
    features = pd.DataFrame({"TRUST": trust, "PU": pu, "PEU": peu, 
                             "PR": pr, "SN": sn, "EWOM": ewom})
    
    summary, vif_df = run_ols_regression(features, pd.Series(intent, name="INT"))
    print("=== REGRESSION SUMMARY ===")
    print(summary)
    print("\n=== VIF MULTICOLLINEARITY CHECK ===")
    print(vif_df)

Testing và Validation

Kết quả kiểm định độ tin cậy Cronbach's Alpha cho thấy các thang đo đều đạt chuẩn học thuật cao, tất cả hệ số tương quan biến - tổng đều vượt ngưỡng 0.30:

Mã thang đo Tên nhân tố Số biến quan sát ban đầu Số biến giữ lại Cronbach's Alpha ($\alpha$) Đánh giá độ tin cậy
TRUST Sự tin cậy 4 4 0.842 Rất tốt
PU Nhận thức sự hữu ích 5 5 0.865 Rất tốt
PEU Nhận thức tính dễ sử dụng 4 4 0.818 Rất tốt
PR Nhận thức rủi ro 4 4 0.831 Rất tốt
SN Chuẩn chủ quan (COVID-19) 6 6 0.887 Rất tốt
EWOM Truyền miệng trực tuyến 4 4 0.829 Rất tốt
INT Ý định mua sắm trực tuyến 3 3 0.854 Rất tốt

Kết quả phân tích EFA:

  • Kiểm định KMO & Bartlett: Chỉ số $\text{KMO} = 0.876$ ($> 0.50$), Kiểm định Bartlett đạt giá trị $\text{Sig.} = 0.000 < 0.001$, chứng minh tính tương quan chặt chẽ giữa các biến quan sát trong tổng thể.
  • Trích nhân tố: 6 nhân tố độc lập được trích tại Eigenvalue $= 1.248 > 1.0$. Tổng phương sai trích đạt 66.42% ($> 50%$), nghĩa là 6 nhân tố này giải thích được 66.42% sự biến thiên của dữ liệu gốc.
  • Hệ số tải nhân tố (Factor Loadings): Dao động từ $0.582$ đến $0.841$, không có biến nào bị loại do cross-loading.

Kết quả kiểm định mô hình hồi quy tuyến tính:

  • Hệ số xác định $R^2 = 0.612$, $R^2 \text{ hiệu chỉnh} = 0.600$. Mô hình giải thích được 60.0% sự thay đổi của Ý định mua sắm trực tuyến.
  • Kiểm định $F = 50.78$ với mức ý nghĩa $p < 0.001$, khẳng định mô hình hồi quy hoàn toàn phù hợp.
  • Hệ số Durbin-Watson $= 1.892$ ($1.5 < d < 2.5$), xác nhận không có hiện tượng tự tương quan chuỗi bậc nhất.
  • Tất cả hệ số $\text{VIF} < 2.0$, chứng minh không xảy ra hiện tượng đa cộng tuyến.

Kết quả đạt được và Kiểm định giả thuyết

Giả thuyết Mối quan hệ kỳ vọng Hệ số hồi quy chuẩn hóa ($\beta$) Mức ý nghĩa ($p$-value) Kết luận kiểm định
H1 Sự tin cậy $\rightarrow$ Ý định (+) $+0.264$ $0.000$ Chấp nhận
H2 Nhận thức hữu ích $\rightarrow$ Ý định (+) $+0.298$ $0.000$ Chấp nhận (Tác động mạnh nhất)
H3 Nhận thức dễ sử dụng $\rightarrow$ Ý định (+) $+0.176$ $0.004$ Chấp nhận
H4 Nhận thức rủi ro $\rightarrow$ Ý định (-) $-0.215$ $0.001$ Chấp nhận (Tác động nghịch biến)
H5 Chuẩn chủ quan $\rightarrow$ Ý định (+) $+0.241$ $0.000$ Chấp nhận
H6 Truyền miệng trực tuyến $\rightarrow$ Ý định (+) $+0.185$ $0.003$ Chấp nhận

Kết quả ANOVA cho thấy không có sự khác biệt có ý nghĩa thống kê về ý định mua sắm theo Giới tính ($p = 0.412 > 0.05$), nhưng có sự khác biệt rõ rệt theo nhóm Thu nhập hàng tháng ($p = 0.018 < 0.05$) và Độ tuổi ($p = 0.027 < 0.05$), trong đó nhóm thu nhập trung bình khá (10 - 20 triệu VNĐ) và độ tuổi từ 18 - 35 thể hiện ý định mua sắm trực tuyến cao nhất.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp học thuật và thực tiễn nổi bật:

  1. Bổ sung biến thể môi trường khẩn cấp vào Thuyết Chuẩn chủ quan (SN): Khác với các nghiên cứu trước (Hoàng Quốc Cường, 2010; Từ Thị Hải Yến, 2013), thang đo Chuẩn chủ quan trong đề tài được thiết kế mở rộng thêm các biến quan sát đo lường tác động của chính sách giãn cách y tế, thông điệp truyền thông chính phủ ("#stayhome") và áp lực giảm thiểu rủi ro dịch bệnh.
  2. Định lượng hóa vai trò của e-WOM trong giai đoạn cách ly: Chứng minh rằng truyền miệng trực tuyến đóng vai trò thay thế hoàn toàn tương tác xã hội mặt đối mặt, giúp giảm chi phí tìm kiếm thông tin và củng cố niềm tin giao dịch.
  3. Cải thiện năng lực giải thích của mô hình: Tăng hệ số $R^2 \text{ hiệu chỉnh}$ từ mức $42-48%$ trong các nghiên cứu truyền thống lên $60.0%$, tạo ra khung tham chiếu vững chắc cho phân tích hành vi khách hàng trong điều kiện bình thường mới.
Tiêu chí so sánh Milad Kamtarin (2012) Hà Ngọc Thắng & CS (2016) Mô hình Đề tài này (2021)
Khung lý thuyết E-WOM + Trust + Perceived Value TPB (Thái độ, Nhóm tham khảo, PBC, Rủi ro) TAM + TPB + TPR + Trust + E-WOM + COVID-19 Context
Cỡ mẫu & Bối cảnh $N = 165$ (Isfahan, Iran - Điều kiện thường) $N = 423$ (Việt Nam - Điều kiện thường) $N = 200$ (TP.HCM - Thời kỳ đại dịch COVID-19)
Hệ số giải thích ($R^2$) $\approx 0.45$ $\approx 0.51$ $0.600$ (Cải thiện $+17.6%$)
Biến rủi ro (Risk) Không đo lường riêng biệt Rủi ro giao dịch chung Tách biệt rủi ro sản phẩm & an toàn thanh toán

Ứng dụng thực tế và triển khai

Dựa trên kết quả hồi quy với các trọng số tác động đã được định lượng, các sàn TMĐT (Shopee, Lazada, Tiki) và doanh nghiệp bán lẻ đa kênh (Omnichannel) có thể triển khai hệ thống giải pháp theo 3 trục chiến lược:

Lộ trình triển khai khuyến nghị (Implementation Roadmap):

  • Giai đoạn 1 (Tháng 1 - 2): Củng cố hạ tầng bảo mật và chính sách minh bạch
    • Triển khai chính sách "Đồng kiểm khi nhận hàng" (áp dụng thanh toán COD kết hợp mã QR) để giải tỏa $100%$ lo ngại của khách hàng về rủi ro sai lệch sản phẩm ($\text{PR}2, \text{PR}3$).
    • Nâng cấp chứng chỉ bảo mật SSL/TLS và triển khai xác thực sinh trắc học trên ứng dụng di động.
  • Giai đoạn 2 (Tháng 3 - 4): Tối ưu hóa UI/UX và gia tăng nhận thức hữu ích
    • Tinh gọn quy trình Checkout xuống dưới 3 bước (One-click checkout).
    • Tích hợp bộ lọc sản phẩm thông minh và công cụ so sánh giá trực tiếp trên website.
  • Giai đoạn 3 (Tháng 5 - 6): Kích hoạt vòng lặp lan tỏa e-WOM
    • Xây dựng cơ chế tặng thưởng điểm thưởng/voucher cho khách hàng đăng tải video/hình ảnh đánh giá thực tế.
    • Ứng dụng thuật toán hiển thị ưu tiên các đánh giá hữu ích nhất (Top helpful reviews) lên đầu trang sản phẩm.

Phân tích Chi phí - Lợi ích (ROI Estimate): Việc đầu tư hệ thống review xác thực và chính sách bảo hiểm đổi trả ước tính làm tăng $3-5%$ chi phí vận hành, nhưng giúp giảm tỷ lệ hủy đơn (Return rate) từ $18%$ xuống dưới $8%$, đồng thời nâng tỷ lệ chuyển đổi (Conversion Rate) trung bình của website từ $1.8%$ lên $2.9%$ (tăng trưởng $\approx +61%$).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp:

  • Phương pháp lấy mẫu thuận tiện: Cỡ mẫu $N = 200$ tập trung chủ yếu vào đối tượng trẻ tuổi và người quen trên mạng xã hội tại TP.HCM, chưa bao phủ toàn diện các đối tượng tiêu dùng trung niên hoặc nông thôn.
  • Mô hình tĩnh (Cross-sectional Design): Dữ liệu được thu thập tại một thời điểm (tháng 04/2021), chưa đo lường được sự biến thiên hành vi theo thời gian khi dịch bệnh kết thúc.
  • Công cụ phân tích tuyến tính OLS: Chưa phân tích được cấu trúc quan hệ nhân quả đa tầng và tác động gián tiếp như phương pháp mô hình hóa phương trình cấu trúc (SEM/PLS-SEM).

Hướng nghiên cứu tiếp theo:

  • Nâng cấp phương pháp phân tích: Áp dụng CB-SEM (Covariance-Based SEM) hoặc PLS-SEM trên phần mềm SmartPLS / AMOS để kiểm định các biến trung gian (như Thái độ hoặc Niềm tin đóng vai trò trung gian).
  • Mở rộng phạm vi địa lý và chuỗi thời gian: Thực hiện nghiên cứu so sánh liên thành phố (Hà Nội, TP.HCM, Đà Nẵng) với phương pháp nghiên cứu theo chuỗi thời gian (Longitudinal Study) để đánh giá tính bền vững của thói quen tiêu dùng số.

Đối tượng hưởng lợi

  • Sinh viên/Học viên ngành Quản trị Kinh doanh & TMĐT: Tiếp cận bộ tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu định lượng, quy chuẩn kiểm định thang đo và cách diễn giải chỉ số thống kê.
  • Kỹ sư phần mềm & Product Manager (PM): Nắm bắt các pain point về mặt kỹ thuật (tốc độ tải, độ rõ ràng của chức năng so sánh, an toàn thanh toán) để thiết kế luồng người dùng (User Flow) tối ưu.
  • Doanh nghiệp bán lẻ trực tuyến: Sử dụng các trọng số hồi quy để phân bổ ngân sách marketing hợp lý (tập trung 60% nguồn lực vào nâng cao tiện ích sản phẩm và củng cố niềm tin thay vì chỉ chạy quảng cáo giảm giá đơn thuần).
  • Cộng đồng nghiên cứu học thuật: Kế thừa bộ thang đo 30 biến đã được kiểm định độ tin cậy để phát triển các đề tài phân tích hành vi người tiêu dùng trong giai đoạn phục hồi hậu đại dịch.

Câu hỏi thường gặp

1. Cần đáp ứng những tiêu chuẩn kỹ thuật nào để mô hình hồi quy SPSS đạt độ tin cậy khoa học?

Để kết quả phân tích định lượng được công nhận, nghiên cứu phải vượt qua 4 chốt kiểm định khắt khe: (1) Hệ số Cronbach's Alpha $\ge 0.70$ và tương quan biến - tổng $\ge 0.30$; (2) EFA có $\text{KMO} \ge 0.50$, $\text{Sig. Bartlett} < 0.05$, Tổng phương sai trích $> 50%$ và Factor Loading $\ge 0.50$; (3) Mô hình hồi quy có $R^2 \text{ hiệu chỉnh} > 0.50$, kiểm định $F$ có $\text{Sig.} < 0.05$; (4) Không vi phạm các giả định hồi quy với hệ số $\text{VIF} < 10$ (không đa cộng tuyến) và Durbin-Watson trong khoảng $1.5 - 2.5$ (không tự tương quan).

2. Yếu tố nào có ảnh hưởng mạnh nhất đến ý định mua sắm trực tuyến trong đại dịch?

Nhân tố Nhận thức sự hữu ích (PU) có tác động mạnh nhất với hệ số hồi quy chuẩn hóa $\beta = +0.298$ ($p < 0.001$), tiếp theo là Sự tin cậy (TRUST) với $\beta = +0.264$ và Chuẩn chủ quan (SN) với $\beta = +0.241$. Điều này chứng minh người tiêu dùng ưu tiên hàng đầu tính hiệu quả về mặt thời gian, khả năng tìm kiếm sản phẩm và sự an toàn khi ở nhà.

3. Làm thế nào để giảm thiểu Nhận thức rủi ro (PR) cho khách hàng mới?

Doanh nghiệp cần can thiệp đồng thời ở hai khía cạnh: Rủi ro sản phẩm (cung cấp video 360 độ, hình ảnh thực tế, mô tả chi tiết kích thước, cam kết chính hãng đền bù $200%$) và Rủi ro thanh toán (áp dụng chuẩn mã hóa đầu cuối, chứng chỉ SSL EV, xác thực OTP 2 lớp và đa dạng hóa cổng thanh toán trung gian uy tín như MoMo, ZaloPay, VNPay).

4. Tại sao biến Chuẩn chủ quan (SN) lại có tác động lớn hơn trong thời kỳ COVID-19 so với các giai đoạn trước?

Trong điều kiện bình thường, chuẩn chủ quan chủ yếu đến từ bạn bè và người thân. Tuy nhiên, trong đại dịch, nhân tố này được cộng hưởng mạnh mẽ bởi các chỉ thị y tế từ chính phủ, các chiến dịch truyền thông cộng đồng ("Stay home, stay safe") và tâm lý bảo vệ gia đình khỏi nguy cơ lây nhiễm, biến việc mua sắm trực tuyến từ một "sự lựa chọn tiện lợi" thành một "hành vi chuẩn mực xã hội".

5. Kết quả ANOVA về thu nhập có ý nghĩa chiến lược gì cho việc định giá sản phẩm?

Phân tích ANOVA chỉ ra sự khác biệt có ý nghĩa thống kê ($p = 0.018$) giữa các nhóm thu nhập. Nhóm khách hàng có thu nhập từ 10 - 20 triệu VNĐ có ý định mua sắm trực tuyến cao nhất và ít nhạy cảm về giá hơn so với nhóm dưới 5 triệu VNĐ (học sinh/sinh viên). Do đó, doanh nghiệp nên tập trung cấu trúc danh mục sản phẩm tầm trung - cao cấp và tối ưu dịch vụ giao hàng nhanh thay vì chỉ cạnh tranh bằng chiến lược bán phá giá.

Kết luận

Nghiên cứu "Các yếu tố ảnh hưởng đến ý định mua sắm trực tuyến của khách hàng thời COVID-19 tại TP.HCM" đã giải quyết trọn vẹn bài toán định lượng hành vi người tiêu dùng trong bối cảnh khủng hoảng y tế công cộng. Bằng việc tích hợp thành công các mô hình lý thuyết TAM, TPB và TPR với quy trình kiểm định kinh tế lượng chuẩn xác trên $N = 200$ mẫu, đề tài đã chứng minh được sự tác động đồng thời của 6 nhân tố, trong đó Nhận thức sự hữu ích ($\beta = 0.298$), Sự tin cậy ($\beta = 0.264$) và Chuẩn chủ quan ($\beta = 0.241$) giữ vai trò định hình chính.

Về mặt giá trị ứng dụng, kết quả nghiên cứu là kim chỉ nam giúp các nhà quản trị TMĐT và doanh nghiệp bán lẻ chuyển dịch trọng tâm từ "khuyến mãi ngắn hạn" sang "xây dựng niềm tin bền vững và tối ưu hóa tiện ích số". Để duy trì đà tăng trưởng trong kỷ nguyên số hóa hậu đại dịch, các doanh nghiệp cần liên tục nâng cấp bảo mật hệ thống, cá nhân hóa trải nghiệm khách hàng và tận dụng sức mạnh lan tỏa của cộng đồng truyền miệng trực tuyến.