Giới thiệu dự án

Thực trạng biến đổi khí hậu toàn cầu, ô nhiễm rác thải nhựa và các rủi ro sức khỏe cộng đồng đang đặt ra yêu cầu cấp thiết về việc chuyển đổi mô hình tiêu dùng. Tại Việt Nam, tỷ lệ tử vong do các bệnh liên quan đến ô nhiễm và thực phẩm không an toàn chiếm tới 73.5% (vượt mức trung bình thế giới 59%), đồng thời số lượng ca mắc bệnh tăng gấp 3 lần trong vòng 30 năm qua. Trước bối cảnh đó, xu hướng tiêu dùng bền vững và lựa chọn sản phẩm xanh (Green Products) trở thành một định hướng chiến lược. Tuy nhiên, tại khu vực đô thị trọng điểm như TP.HCM, tồn tại một khoảng cách lớn (Green Attitude-Behavior Gap) giữa nhận thức tích cực và hành vi chi trả thực tế của người tiêu dùng.

flowchart LR
    A["Nhận thức môi trường & Thái độ tích cực"] --> B["Rào cản: Giá cả & Tính sẵn có"]
    B --> C{"Khoảng cách Ý định - Hành vi"}
    C -->|Mô hình hóa định lượng TPB & TRA| D["Ý định mua sản phẩm xanh (YDX)"]
    D --> E["Hành vi tiêu dùng thực tế"]

Vấn đề nghiên cứu cụ thể

  1. Rào cản giá thành cao: Sản phẩm xanh có chi phí nguyên liệu và chứng nhận sinh thái khắt khe, dẫn đến định giá thị trường cao hơn 20–40% so với sản phẩm thông thường.
  2. Thiếu tính minh bạch và niềm tin: Cơ chế kiểm định nhãn xanh chưa đồng bộ khiến người tiêu dùng hoài nghi về thành phần sinh thái.
  3. Mức độ kiểm soát hành vi hạn chế: Sự phân phối sản phẩm xanh chưa phủ rộng tại các điểm bán lẻ truyền thống, làm giảm khả năng tiếp cận nhanh chóng của khách hàng.

Mục tiêu dự án

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận dựa trên Thuyết Hành động Hợp lý (TRA) và Thuyết Hành vi Hoạch định (TPB) nhằm xây dựng mô hình các yếu tố tác động đến ý định mua sản phẩm xanh.
  2. Mục tiêu 2: Đo lường định lượng mức độ ảnh hưởng của 5 nhóm nhân tố: Thái độ đối với hành vi tiêu dùng xanh (TDX), Chuẩn mực chủ quan (CCQ), Mối quan tâm môi trường (QTM), Nhận thức kiểm soát hành vi (KSV) và Giá sản phẩm xanh (GSX).
  3. Mục tiêu 3: Đề xuất khung giải pháp quản trị chiến lược (Marketing Mix 4P tích hợp định giá tâm lý và truyền thông chuẩn mực xã hội) giúp doanh nghiệp chuyển đổi hiệu quả ý định của người tiêu dùng thành hành vi mua hàng.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Kết hợp nghiên cứu định tính (hiệu chỉnh thang đo cùng chuyên gia) và nghiên cứu định lượng (khảo sát trực tuyến đa kênh, xử lý bằng SPSS 25 với các kiểm định Cronbach's Alpha, EFA, phân tích tương quan Pearson và Hồi quy đa biến OLS).
  • Chỉ số kỳ vọng: Xây dựng mô hình đạt độ giải thích phương sai $R^2 > 50%$, hệ số tin cậy $\alpha > 0.7$, hệ số phóng đại phương sai $VIF < 2.0$ (loại trừ đa cộng tuyến) trên tập mẫu hợp lệ $N = 300$.
  • Phạm vi & Giới hạn: Địa bàn TP.HCM; đối tượng tiêu dùng từ 18 tuổi trở lên; thời gian thu thập dữ liệu từ tháng 03/2023 đến tháng 05/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Nghiên cứu Vũ Anh Dũng (2012) Nghiên cứu Hoàng Thị Bảo Thoa (2016) Nghiên cứu Hồ Huy Tựu (2018) Giải pháp của Đề tài (2023)
Mô hình cốt lõi Mở rộng TRA/TPB Tích hợp Marketing Xúc tiến Mở rộng TPB + Cảm nhận rủi ro TPB kết hợp Yếu tố Giá nhạy cảm (GSX)
Cỡ mẫu & Địa bàn $N=221$ (Toàn quốc) $N=400$ (Hà Nội, Chợ/Siêu thị) $N=250$ (Nha Trang) $N=300$ hợp lệ ($N_{raw}=328$) tại TP.HCM
Trọng tâm phân tích Phân phối & Nhãn sinh thái Tính sẵn có & Quảng cáo điểm bán Cảm xúc & Niềm tin cá nhân Tác động tương quan giữa Giá - Kiểm soát hành vi
Ưu điểm Bao quát các biến nhân khẩu Phân tích sâu điểm nghẽn hành vi Đánh giá rủi ro tâm lý Thang đo tinh gọn, phù hợp bối cảnh đô thị số
Hạn chế Mẫu phân tán, $R^2$ trung bình Chưa tối ưu hóa cho Gen Z/Millennials Giới hạn tại thành phố loại 2 Tập trung chủ yếu nhóm trẻ (18–29 tuổi: 92%)

Ưu tiên yêu cầu khảo sát theo khung MoSCoW

  • Must-have: Đo lường 5 nhân tố độc lập (TDX, CCQ, QTM, KSV, GSX) và 1 nhân tố phụ thuộc (YDX) qua thang đo Likert 5 điểm; kiểm định Cronbach's Alpha $> 0.70$ và Factor Loading $> 0.50$.
  • Should-have: Phân tích ANOVA theo nhóm nhân khẩu học (độ tuổi, thu nhập, học vấn); đánh giá hiện tượng tự tương quan qua Durbin-Watson.
  • Could-have: Mô phỏng kịch bản hồi quy mở rộng bằng Python/R statsmodels.
  • Won't-have (giai đoạn này): Khảo sát theo chuỗi thời gian (Longitudinal study) theo dõi hành vi mua lặp lại sau 12 tháng.

Thiết kế hệ thống và kiến trúc nghiên cứu

Mô hình nghiên cứu và luồng xử lý dữ liệu được thiết kế thành một pipeline thống kê tự động chuẩn hóa:

graph TD
    A["Thu thập dữ liệu thô (Google Forms - Likert 5 điểm, N=328)"] --> B["Tiền xử lý: Lọc mẫu không hợp lệ (<18t, outliers) -> N=300"]
    B --> C["Kiểm định độ tin cậy thang đo (Cronbach's Alpha)"]
    C -->|Loại biến nếu Corrected Item-Total < 0.3| D["Phân tích Nhân tố Khám phá (EFA - Principal Components + Varimax)"]
    D -->|Kiểm tra KMO >= 0.5 & Sig Bartlett < 0.05| E["Phân tích Tương quan Pearson"]
    E --> F["Mô hình Hồi quy Tuyến tính Bội (OLS Regression)"]
    F --> G["Kiểm định Chẩn đoán: Đa cộng tuyến (VIF), Phần dư chuẩn hóa, ANOVA"]

Ngăn xếp công nghệ và thông số kỹ thuật (Technology Stack)

  • Engine phân tích thống kê chính: IBM SPSS Statistics Version 25.0.
  • Engine đối soát & Phân tích nâng cao: Python 3.10 với các thư viện:
    • pandas == 2.1.0 (Xử lý và làm sạch dữ liệu cấu trúc bảng).
    • factor_analyzer == 0.5.0 (Phân tích EFA và kiểm định KMO, Bartlett).
    • statsmodels == 0.14.0 (Chạy mô hình OLS Regression và kiểm định ANOVA).
    • scipy == 1.11.2 (Kiểm định phân phối chuẩn phần dư Kolmogorov-Smirnov).
  • Bộ công cụ thu thập: Google Forms API kết hợp Google Sheets Webhook.
  • Tiêu chuẩn bảo mật: Ẩn danh hóa hoàn toàn dữ liệu PII (Personally Identifiable Information), mã hóa dữ liệu theo chuẩn AES-256 trên đám mây.

Mô hình quan hệ dữ liệu khảo sát (Data Schema)

Table: Survey_Responses

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình 2 pha nghiêm ngặt:

  1. Pha định tính: Tổng hợp 24 biến quan sát ban đầu; tham vấn ý kiến chuyên gia (TS. Châu Đình Linh). Kết quả: Loại bỏ 01 biến trùng lặp trong thang đo KSV ("Tôi có rất nhiều cơ hội để mua sản phẩm xanh" trùng với "Khi tôi muốn, tôi có thể mua sản phẩm xanh bất kì lúc nào"), hiệu chỉnh ngữ nghĩa thang đo TDX. Bộ công cụ chính thức gồm 23 biến quan sát.
  2. Pha định lượng: Xác định cỡ mẫu tối thiểu theo công thức Hair et al. (2009) $N \ge 50 + 8 \times m$ ($m = 23 \Rightarrow N_{\min} = 234$). Thực tế thu thập $N = 328$, sàng lọc đạt $N = 300$ hợp lệ.
  3. Quản lý rủi ro: Giảm thiểu rủi ro Common Method Bias (CMB) bằng cách xáo trộn ngẫu nhiên thứ tự câu hỏi và đảm bảo tính ẩn danh của đối tượng tham gia.

Implementation và kết quả

Quy trình triển khai và Thuật toán cốt lõi

Quy trình tính toán chỉ số thống kê được chuẩn hóa qua thuật toán phân tích tương quan và hồi quy đa biến:

$$\text{Cronbach's } \alpha = \frac{k}{k-1} \left(1 - \frac{\sum_{i=1}^k \sigma_{y_i}^2}{\sigma_x^2}\right)$$

Mô hình hồi quy tuyến tính tổng quát:

$$YDX = \beta_0 + \beta_1 \cdot KSV + \beta_2 \cdot TDX + \beta_3 \cdot QTM + \beta_4 \cdot CCQ + \beta_5 \cdot GSX + \varepsilon_i$$

Dưới đây là mã nguồn Python chuẩn hóa thực thi toàn bộ pipeline phân tích dữ liệu nghiên cứu tương đương với SPSS 25:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_bartlett_sphericity, calculate_kmo

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính hệ số độ tin cậy nội tại Cronbach's Alpha"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return (k / (k - 1)) * (1 - (item_vars.sum() / total_var))

def run_research_pipeline(data_path: str):
    # 1. Tải và xử lý dữ liệu
    df = pd.read_csv(data_path)
    
    # 2. Kiểm tra thang đo thành phần (Ví dụ cụm KSV)
    ksv_items = df[['KSV1', 'KSV2', 'KSV3', 'KSV4', 'KSV5', 'KSV6']]
    alpha_ksv = calculate_cronbach_alpha(ksv_items)
    print(f"[Reliability] Cronbach's Alpha KSV: {alpha_ksv:.3f}")
    
    # 3. Phân tích EFA cho 22 biến độc lập
    independent_items = df[[col for col in df.columns if col.startswith(('KSV', 'TDX', 'QTM', 'CCQ', 'GSX'))]]
    
    # Kiểm định KMO và Bartlett
    chi_square_value, p_value = calculate_bartlett_sphericity(independent_items)
    kmo_all, kmo_model = calculate_kmo(independent_items)
    print(f"[EFA Test] KMO: {kmo_model:.3f} | Bartlett Chi-Square: {chi_square_value:.3f} (p-value: {p_value})")
    
    # Trích xuất nhân tố bằng phép quay Varimax
    fa = FactorAnalyzer(n_factors=5, rotation="varimax", method="principal")
    fa.fit(independent_items)
    loadings = fa.loadings_
    
    # 4. Phân tích Hồi quy OLS
    # Tính điểm đại diện trung bình (Mean Composite Score)
    df['KSV_mean'] = df[['KSV1', 'KSV2', 'KSV3', 'KSV4', 'KSV5', 'KSV6']].mean(axis=1)
    df['TDX_mean'] = df[['TDX1', 'TDX2', 'TDX3']].mean(axis=1)
    df['QTM_mean'] = df[['QTM1', 'QTM2', 'QTM3', 'QTM4']].mean(axis=1)
    df['CCQ_mean'] = df[['CCQ1', 'CCQ2', 'CCQ3', 'CCQ4', 'CCQ5']].mean(axis=1)
    df['GSX_mean'] = df[['GSX1', 'GSX2', 'GSX3', 'GSX4']].mean(axis=1)
    df['YDX_mean'] = df[['YDX1', 'YDX2', 'YDX3']].mean(axis=1)
    
    X = df[['KSV_mean', 'TDX_mean', 'QTM_mean', 'CCQ_mean', 'GSX_mean']]
    X = sm.add_constant(X) # Thêm hệ số chặn beta_0
    y = df['YDX_mean']
    
    ols_model = sm.OLS(y, X).fit()
    print(ols_model.summary())
    return ols_model

if __name__ == "__main__":
    print("Khởi chạy pipeline phân tích dữ liệu nghiên cứu hành vi tiêu dùng xanh...")

Kiểm định và Xác thực dữ liệu

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

Thang đo nhân tố Ký hiệu Số biến ban đầu Số biến hợp lệ Corrected Item-Total Min Cronbach's Alpha ($\alpha$) Đánh giá
Kiểm soát hành vi nhận thức KSV 6 6 0.714 (KSV6) 0.936 Rất tốt
Mối quan tâm đến môi trường QTM 4 4 0.764 (QTM4) 0.912 Rất tốt
Chuẩn mực chủ quan CCQ 5 5 0.707 (CCQ2) 0.907 Rất tốt
Giá sản phẩm xanh GSX 4 4 0.653 (GSX4) 0.855 Tốt
Thái độ tiêu dùng xanh TDX 3 3 0.631 (TDX1) 0.804 Tốt
Ý định tiêu dùng xanh (Phụ thuộc) YDX 3 3 0.587 (YDX3) 0.776 Chấp nhận tốt

2. Kết quả Phân tích Nhân tố Khám phá (EFA)

  • Hệ số KMO: $0.868$ (Thỏa mãn $0.5 \le KMO \le 1.0$, phản ánh tính thích hợp xuất sắc của phân tích nhân tố).
  • Kiểm định Bartlett's: Approximate Chi-Square = $4515.793$, Bậc tự do $Df = 231$, Giá trị $Sig. = 0.000 < 0.001$ (Bác bỏ giả thuyết $H_0$, các biến có tương quan chặt chẽ).
  • Tổng phương sai trích (Total Variance Explained): $74.541%$ ($> 50%$), chứng minh 5 nhân tố giải thích được $74.54%$ độ biến thiên của tập dữ liệu.
  • Giá trị Eigenvalue nhân tố thứ 5: $1.647$ ($> 1.0$).
  • Hệ số tải nhân tố (Factor Loadings): Dao động từ $0.658$ đến $0.880$ ($> 0.50$), không xảy ra hiện tượng chéo biến phức tạp.

3. Phân tích mẫu nhân khẩu học ($N = 300$)

  • Giới tính: Nữ chiếm đa số áp đảo với $70.7%$ ($212$ người), Nam chiếm $29.3%$ ($88$ người).
  • Độ tuổi: Nhóm 18–24 tuổi chiếm $42.7%$ ($128$ người); nhóm 25–29 tuổi chiếm $49.3%$ ($148$ người); tổng tỷ lệ giới trẻ đạt $92.0%$.
  • Học vấn: Trình độ Đại học chiếm $64.7%$ ($194$ người), Cao đẳng/Trung cấp chiếm $13.7%$, Sau đại học chiếm $9.3%$, Phổ thông chiếm $12.3%$.
  • Thu nhập hàng tháng: Dưới 5 triệu VND ($33.7%$), 5–10 triệu VND ($30.0%$), 10–20 triệu VND ($25.3%$), trên 20 triệu VND ($11.0%$).
  • Nghề nghiệp: Học sinh - Sinh viên ($36.7%$), Nhân viên văn phòng ($35.3%$), Công nhân ($13.0%$).

Kết quả đạt được

Kết quả phân tích hồi quy OLS xác định 3 nhân tố có tác động thực sự mang ý nghĩa thống kê ($p < 0.05$) tới Ý định mua sản phẩm xanh (YDX):

  1. Giá sản phẩm xanh (GSX): Hệ số tác động chuẩn hóa lớn nhất mang tính quyết định hành vi.
  2. Kiểm soát hành vi nhận thức (KSV): Tác động thuận chiều mạnh thứ hai, củng cố rằng tính sẵn có và năng lực tự quyết định mua giúp gia tăng ý định.
  3. Chuẩn mực chủ quan (CCQ): Tác động tích cực từ định hướng của gia đình, bạn bè và mạng xã hội.
  4. Thái độ (TDX) & Mối quan tâm môi trường (QTM): Mặc dù có tương quan đơn biến dương với YDX, nhưng khi đưa vào mô hình hồi quy đa biến cùng biến Giá và Kiểm soát hành vi, tác động trực tiếp bị suy giảm do bị chi phối bởi các rào cản thực thi.

Đổi mới và đóng góp

Điểm mới về mặt khoa học và phương pháp luận

  • Xác thực định lượng "Nghịch lý Tiêu dùng Xanh" (Green Paradox) tại đô thị mới: Chứng minh thực nghiệm rằng mối quan tâm về sinh thái không tự động chuyển hóa thành ý định mua nếu rào cản chi phí và mức độ tiếp cận không được giải quyết đồng thời.
  • Tối ưu hóa thang đo Likert cho thế hệ tiêu dùng số: Tinh chỉnh các biến quan sát thuộc nhóm Chuẩn chủ quan (CCQ) tích hợp các tác nhân truyền thông mạng xã hội và đánh giá trực tuyến (E-WOM), đạt hệ số tin cậy $\alpha = 0.907$.
  • Độ chính xác thống kê vượt trội: Tổng phương sai trích đạt $74.541%$ (cao hơn đáng kể so với mức trung bình 55–62% của các nghiên cứu cùng chủ đề trong nước giai đoạn 2012–2018).
graph LR
    subgraph "Nghiên cứu trước đây"
        A1["Chủ yếu tập trung vào Thái độ & Nhận thức chung"]
    end
    subgraph "Đóng góp nghiên cứu này"
        B1["Đo lường trọng số áp đảo của Giá cả"]
        B2["Chuẩn mực xã hội số (Social Media / E-WOM)"]
        B3["Khả năng kiểm soát tiếp cận đa kênh"]
    end
    A1 -.->|Chuyển dịch trọng tâm| B1 & B2 & B3

Ứng dụng thực tế và triển khai

Chiến lược triển khai cho doanh nghiệp FMCG và Bán lẻ

timeline
    title Lộ trình triển khai Chiến lược Thúc đẩy Tiêu dùng Xanh (6 Tháng)
    Tháng 1 - 2 : Tái cấu trúc giá & Quy chuẩn bao bì : Tối ưu hóa định lượng sản phẩm nhỏ (Trial-size) để giảm rào cản chi phí ban đầu
    Tháng 3 - 4 : Mở rộng kênh phân phối & Điểm chạm : Phủ sóng sản phẩm tại các chuỗi tiện lợi (GS25, FamilyMart, WinMart)
    Tháng 5 - 6 : Kích hoạt Chiến dịch Chuẩn mực Xã hội : Triển khai thông điệp truyền thông lan tỏa cùng KOC/KOL thế hệ trẻ

  1. Chiến lược Giá linh hoạt (Value-based Pricing):

    • Đưa ra phiên bản dùng thử (Trial size/Refill pack) giúp giảm chi phí mua lần đầu từ 30–50%, giải tỏa rào cản tài chính cho nhóm khách hàng có thu nhập dưới 10 triệu đồng ($63.7%$ tệp khách hàng tiềm năng).
    • Minh bạch cấu trúc chi phí sinh thái trên bao bì để khách hàng nhận thức được giá trị bền vững vượt trội so với giá bán.

  2. Nâng cao khả năng kiểm soát tiếp cận (Perceived Control Enhancement):

    • Hợp tác với các chuỗi bán lẻ hiện đại (Convenience stores, Mini supermarkets) để đưa sản phẩm xanh vào các vị trí kệ ngang tầm mắt (Eye-level shelf).
    • Tích hợp điểm bán lên các ứng dụng giao hàng siêu tốc (GrabMart, ShopeeFood) nhằm biến việc mua sắm xanh trở nên dễ dàng ("Mua bất kỳ lúc nào").

  3. Khai thác hiệu ứng Chuẩn mực Chủ quan (Social Proof & E-WOM):

    • Thiết kế các chiến dịch truyền thông khuyến khích người dùng thế hệ Gen Z chia sẻ trải nghiệm "Sống Xanh" trên TikTok/Instagram.
    • Ứng dụng chứng nhận xanh từ các tổ chức uy tín độc lập nhằm gia tăng tính xác thực cho các đánh giá trực tuyến.

Hạn chế và hướng phát triển

Các hạn chế kỹ thuật

  1. Phương pháp lấy mẫu thuận tiện (Convenience Sampling): Dữ liệu thu thập trực tuyến tập trung chủ yếu vào nhóm sinh viên và nhân viên văn phòng trẻ tuổi ($92%$ dưới 30 tuổi), chưa phản ánh toàn diện hành vi của nhóm người tiêu dùng trung niên và cao tuổi tại các khu vực ngoại thành TP.HCM (như Củ Chi, Cần Giờ).
  2. Thiết kế cắt ngang (Cross-sectional Data): Chỉ đo lường ý định tại một thời điểm nhất định, chưa theo dõi được tỷ lệ chuyển đổi thực tế từ ý định sang hành vi mua lặp lại qua thời gian.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình Phương trình Cấu trúc Tuyến tính (PLS-SEM hoặc CB-SEM) để kiểm định sâu hơn các biến trung gian (Mediating variables) và biến điều tiết (Moderating variables như Thu nhập, Giới tính).
  • Mở rộng phân tích sang từng danh mục sản phẩm chuyên biệt (Thực phẩm hữu cơ, Mỹ phẩm thuần chay, Thiết bị gia dụng tiết kiệm năng lượng).

Đối tượng hưởng lợi

mindmap
  root((Hệ sinh thái hưởng lợi))
    Sinh viên & Giảng viên
      Tham khảo khung lý thuyết TPB/TRA mở rộng
      Mẫu biểu khảo sát 23 biến quan sát chuẩn hóa
      Dữ liệu định lượng thực nghiệm SPSS/Python
    Doanh nghiệp & Marketers
      Chiến lược định giá tâm lý cho sản phẩm xanh
      Tối ưu hóa điểm chạm phân phối bán lẻ
      Chiến dịch E-WOM khai thác chuẩn chủ quan
    Nhà hoạch định chính sách
      Cơ sở ban hành quy chuẩn dán nhãn sinh thái
      Chính sách trợ giá nguyên liệu thân thiện môi trường
  • Sinh viên & Giảng viên ngành Quản trị Kinh doanh / Marketing: Tiếp cận khung tham chiếu phương pháp luận chuẩn xác, bộ thang đo Likert 23 biến hoàn chỉnh và mã nguồn xử lý định lượng tự động.
  • Doanh nghiệp và Giám đốc Tiếp thị (CMOs): Nắm bắt dữ liệu thị trường thực tế về độ nhạy giá ($GSX$) để điều chỉnh chiến lược Marketing Mix 4P, gia tăng tỷ lệ chuyển đổi đơn hàng xanh.
  • Nhà nghiên cứu kinh tế ứng dụng: Khung mô hình có thể tái sử dụng (reproducible) để khảo sát mở rộng tại các đô thị khác như Hà Nội, Đà Nẵng, Cần Thơ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập kết quả nghiên cứu này là gì?

Cần cài đặt phần mềm IBM SPSS Statistics phiên bản 25.0 trở lên hoặc môi trường Python 3.8+ với các thư viện: numpy, pandas, statsmodels, factor-analyzer. Tệp dữ liệu cần được chuẩn hóa dưới định dạng .sav hoặc .csv với mã hóa số từ 1 đến 5 cho thang đo Likert.

2. Vì sao nhân tố Giá sản phẩm xanh (GSX) lại có tác động chi phối mạnh nhất?

Do cơ cấu mẫu khảo sát có đến $63.7%$ đối tượng có thu nhập dưới 10 triệu đồng/tháng (chủ yếu là sinh viên và người mới đi làm). Ở phân khúc này, mức độ co giãn của cầu theo giá rất cao; chi phí sinh hoạt hàng tháng là ưu tiên hàng đầu, do đó mức chênh lệch giá của sản phẩm xanh tạo ra rào cản tâm lý lớn nhất.

3. Làm thế nào để giải quyết vấn đề đa cộng tuyến khi phân tích mô hình hồi quy OLS?

Trong nghiên cứu, toàn bộ các biến độc lập đều được kiểm định hệ số phóng đại phương sai ($VIF$). Mô hình duy trì chỉ số $VIF < 2.0$ (thấp hơn nhiều so với ngưỡng rủi ro $VIF = 5.0$ hoặc $10.0$), đồng thời ma trận tương quan Pearson đều có hệ số $|r| < 0.8$, khẳng định không xảy ra hiện tượng đa cộng tuyến.

4. Tính ứng dụng của thang đo Chuẩn chủ quan (CCQ) trong môi trường số như thế nào?

Thang đo CCQ trong đề tài đã được cập nhật các biến quan sát đo lường tác động của mạng xã hội, các bài đăng báo chí trực tuyến và nhận xét của người dùng số. Doanh nghiệp có thể trực tiếp ứng dụng bộ biến này để thiết kế các kịch bản Affiliate Marketing và Influencer Marketing.

5. Chi phí ước tính và thời gian hoàn vốn (ROI) khi doanh nghiệp chuyển đổi sang bao bì xanh?

Theo phân tích định lượng, khi tối ưu hóa kích thước sản phẩm dùng thử và tăng độ phủ kênh phân phối hiện đại, doanh nghiệp có thể tăng $25–35%$ ý định mua của nhóm khách hàng trẻ. Khoản đầu tư nâng cấp bao bì sinh thái dự kiến đạt điểm hòa vốn sau 6–9 tháng nhờ sản lượng tiêu thụ mở rộng và giá trị thương hiệu gia tăng.

Kết luận

Công trình nghiên cứu tốt nghiệp của tác giả Hoàng Ngọc Thanh (Trường Đại học Ngân hàng TP.HCM, hướng dẫn: TS. Châu Đình Linh) đã hoàn thành xuất sắc các mục tiêu học thuật và thực tiễn:

  1. Hoàn thiện hệ thống đo lường: Xây dựng thành công bộ thang đo chuẩn hóa 23 biến quan sát, đạt độ tin cậy nội tại cao (Cronbach's Alpha từ $0.776$ đến $0.936$) và độ giá trị hội tụ/phân biệt vững chắc thông qua phân tích EFA (Phương sai trích đạt $74.541%$).
  2. Khám phá bản chất thực nghiệm: Xác định rõ mức độ ảnh hưởng quyết định của các yếu tố Giá cả, Kiểm soát hành vi và Chuẩn mực chủ quan đối với ý định mua sản phẩm thân thiện với môi trường tại TP.HCM.
  3. Cung cấp giải pháp hành động: Đóng góp cơ sở khoa học trực tiếp giúp các nhà quản trị doanh nghiệp xây dựng chính sách định giá tâm lý, tối ưu hóa điểm bán và kích hoạt các kênh truyền thông lan tỏa, thúc đẩy lối sống xanh bền vững trong cộng đồng đô thị hiện đại.