Tiểu luận Xu hướng mua hàng qua mạng của người dân ở thành phố Hồ Chí Minh

Dự án nhóm Môn: Kinh Tế Lượng Đề tài: Giảng viên hướng dẫn: Lê Hồng Nhật TP. HCM tháng 5-2009 Danh sách thành viên nhóm: Trần Hữu Hảo : K074020300 (NHÓM TRƯỞNG) Phạm Ngọc Ý: K074020390 Đặng Công: K074020159 Trần Thủy Trúc: K074020380 Trương Trần Tuấn Anh: K074020154 ĐẶT VẤN ĐỀ: Xu hướng mua hàng qua mạng của người dân thành phố Hồ Chí Minh. Vào thời điểm cách đây 10 năm, không mấy người dân Sài Thành có thể tưỏng tượng rằng mình có thể mua được mọi thứ ngay cả khi ngồi tại nhà, chẳng phải đi đâu. Thế nhưng, với tốc độ phát triển chóng mặt của internet và công nghệ số hóa trong vài năm ngắn ngủi gần đây, Thương mại điện tử - tức việc mua bán hàng hóa dựa trên internet đã biến giấc mơ trên trở thành hiện thực. Trong nền kinh tế số, thông tin được truyền qua mạng với tốc độ cao. Điều này tạo ra những khả năng làm thay đổi thói quen tiêu dùng và mua bán của con người mà trong đó, người mua và bán có thể giao dịch với đối tác ở bất kỳ đâu trên thế giới mà không cần thông qua trung gian. Việc đó giúp khách hàng dễ dàng hơn trong việc chọn lựa khi mua hàng và giảm chi phí. Hơn nữa, Thương mại điện tử cũng kích thích sự tiếp cận với nền kinh tế tri thức của người dân. Đây là một lợi ích mang tính chiến lược công nghệ có thể giúp nước ta tạo được bước nhảy vọt trong tiến trình CNH-HĐH trong thời gian ngắn hơn. Mặt khác, sự phát triển của hệ thống mạng máy tính, mọi công việc có thể được xử lý và giải quyết tại nhà thông qua internet. Tuy nhiên một trở ngại lớn nhất của Thương mại điện tử là vấn đề bảo vệ người tiêu dùng trước thông tin bất đối xứng khi người mua không thể “thấy tận mặt, bắt tận tay” hàng hóa trước khi mua, cũng như việc thanh toán điện tử chưa phổ biến tại Việt Nam. Hai vấn đề trên chính là trở ngại lớn nhất đối với sự nhân rộng và phát triển của thương mại điện tử, thậm chí ở một thành phố lớn nhất nhì nước như thành phố Hồ Chí Minh. Mặc dù vậy, số lượng người sử dụng e-commerce vẫn ngày càng tăng không những trong giới trẻ mà còn trong một bộ phận người dân khác. Như vậy, lợi ích của thương mại điện tử đã rõ, hiện tượng người dùng tăng lên là thực tế. Nhưng điều gì giải thích cho hành vi mua hàng qua mạng của những tín đồ e-commerce trong người dân thành phố Hồ Chí Minh? Đó là câu hỏi mà nhóm chúng em luôn trăn trở. Và đó là lí do thúc đẩy nhóm thực hiện đề tài “Những yếu tố ảnh hưởng đến xu hướng mua hàng qua mạng của người dân thành phố Hồ Chí Minh”. Trong đề tài này, nhóm chúng em đã sử dụng ngay những kiến thức Kinh Tế Lượng đang học và tìm hiểu thêm về Thương Mại Điện Tử để thực hiện. Hi vọng, đề tài này sẽ là kinh nghiệm quý giá cho nhóm em và tài liệu tham khảo hữu ích cho những ai muốn thực hiện Thương Mại Điện Tử sau này. Rất mong nhận được sự đóng góp ý kiến của thầy cô và các bạn để đề tài được hoàn thiện hơn. CƠ SỞ LÝ LUẬN: Cơ sở lý luận mà nhóm sử dụng là: 1) Lý thuyết hành vi người tiêu dùng của Philip Kotler và Gary Amstrong; 2) Mô hình hành vi tiêu dùng của Schiffman và Kanuk; 3) Lý thuyết tiêu dùng và hành vi thị trường của Assael. Thứ nhất, mô thức hành vi người tiêu dùng của Philip Kotler. Hai ông đã phác họa những đặc tính quan trọng ảnh hưởng đến hành vi người tiêu dùng. Các đặc tính này được chia thành hai nhóm. Nhóm đầu tiên là những yếu tố nội tại của người tiêu dùng. Nhóm yếu tố này lại được phân ra thành điều kiện cá nhân như tuổi tác, nghề nghiệp và yếu tố tâm lý như cá tính, niềm tin… Nhóm thứ hai bao gồm điều kiện xã hội như bạn bè, cơ sở hạ tầng xã hội. Thứ hai, mô hình hành vi người tiêu dùng của Schiffman và Kanuk Đầutư Đầu ra Quá trình ra quyết định Quátrình Hành vi hậu quyết định Mua hàngThửLập lại Đánh giá sau khi mua Kích tố phí marketingKinh tếChính trịVăn hóaXã hôi Kinh nghiệm Tâm lýĐộng cơKiến thứcNhận thứcNhân cáchThái độ Nhận dạng nhu cầu Tìm kiếm thông tin Đánh giá thay thế Kích tố marketingThương hiệu Giá cả Chiêu thịPhân Phối Trong quy trình ra quyết định, thường gồm ba biến: nhận dạng nhu cầu, tìm kiếm thông tin, đánh giá thay thế. Tuy nhiên, ứng với từng loại sản phẩm khác nhau, quá trình mua hàng của mọi cá nhân có thể không đúng như trình tự các bước trong sơ đồ. Sau khi mua hàng online, người tiêu dùng sẽ có kinh nghiệm, nó tác động trực tiếp đến yếu tố tâm lý, mà cụ thể là niềm tin của họ. Điều này tất yếu sẽ tác động đến hành vi mua hàng lặp lại. Thứ ba, theo lý thuyết tiêu dùng và hành vi thị trường của Assael (consumer behavior and marketing action) quy trình ra quyết định mua hàng còn phụ thuộc vào đăc tính của thương hiệu. Assael phân ra bốn dạng hành vi tiêu dùng dựa theo mức độ cân nhắc của người tiêu dùng và nhận thức của khách hàng về mức độ khác biệt của thương hiệu, gồm có: quyết định phức tạp, so sánh thấp, tìm kiếm đa dạng, quán tính. Dựa vào lý thuyết này ta có thể nhận xét: hành vi tìm kiếm ảnh hưởng đến việc mua hàng là khác nhau ở những hàng hóa khác nhau. CHỌN BIẾN VÀ LẬP MÔ HÌNH: 3.1 CHỌN BIẾN: Hành vi mua hàng chịu tác động bởi nhiều yếu tố, để tránh việc bỏ sót biến có ý nghĩa có thể gây thiên lệch trong ước lượng, nhóm tiến hành chọn những biến theo lý thuyết có ảnh hưởng đến hành vi mua. Nhóm thực hiện đề tài kinh tế lượng này theo phương pháp “Từ tổng quát đến đơn giản”Hendry/Lse. Do đó mô hình đầu tiên của nhóm tương đối có nhiều biến, sau đó nhóm thực hiện đơn giản hóa dựa trên dữ liệu bằng kiểm định Wald và kiểm định t. Sau đây là các biến được chọn cho mô hình đầu tiên của nhóm: YẾU TỐ NỘI TẠI: AGE (Độ tuổi ): tuổi càng cao người ta càng ít tiếp cận công nghệ hơn nên ít mua hàng qua mạng hơn. Kỳ vọng âm (-) INC (Thu nhập): Thu nhập càng cao người ta càng có xu hướng mua hàng nhiều hơn. Kỳ vọng ( + ) SEARCH (Tìm kiếm thông tin qua mạng): Tìm kiếm thông tin về hàng hóa trên mạng càng nhiều thì người ta càng có xu hướng mua hàng qua mạng hơn. Kỳ vọng (+) JOB (Nghề nghiệp) Đây là biến Dummy. JOB=1 là những người đang có việc làm, JOB=0 là sinh viên. Hành vi mua hàng có thể khác nhau giữa người đã có việc làm và sinh viên. Và do trào lưu, sinh viên có thể mua hàng qua mạng nhiều hơn. Kỳ vọng âm ( - ) JOB_INC Biến JOB có thể ảnh hưởng đến thu nhập. Vì hiệu ứng thu nhập tác động lên hành vi mua hàng có thể khác nhau ở sinh viên và người đã đi làm. Điều hiển nhiên là sinh viên sẽ chi tiêu hết số tiền thu nhập trong khi những người đã đi làm sẽ tiết kiệm cho con cái, mua nhà cửa, tuổi già. Vì vây kỳ vọng giấu ( - ) TRUST (Niềm tin): được đo theo thang đo tăng dần từ 1 đến 10, càng tin tưởng về chất lượng hàng hóa được bán qua mạng thì người ta mua càng nhiều. Kỳ vọng ( + ). Nhận xét: đáng lẽ ra biến TRUST phải là các biến Dummy vì nếu sử dụng biến TRUST như một biến định lượng là một ràng buộc quá nghiêm ngặt có khả năng gây sai mô hình. ĐIỀU KIỆN XÃ HỘI: FRIEND: (bạn bè) Dummy. Bạn bè có thường hay giới thiệu về những hàng hóa được bán trên mạng hay không. FRIEND = 1 là có, FRIEND = 0 là không. Kỳ vọng ( + ) DIST (Khoảng cách): Khi mà khoảng cách đến nơi mua hàng hóa trực tiếp càng dài thì người ta càng có xu hướng mua hàng qua mạng hơn. Kỳ vọng ( + ) PAY (Hình thức thanh toán): hình thức thanh toán trả tiền trước hay trả tiền sau có thể ảnh hưởng khác nhau đối với việc mua hàng qua mạng. PAY = 1 là trả tiền trước, PAY = 0 là trả tiền sau. Kỳ vọng âm ( - ) DISC: Dummy. Chi phí mua hàng qua mạng là rẻ hơn hay là đắt hơn so với khi mua trực tiếp. DISC =1 là rẻ hơn. DISC = 0 là đắt hơn. Kỳ vọng âm ( + ) TRANS (thời gian giao hàng) thời gian giao hàng càng nhanh thì người ta càng có xu hướng mua hàng qua mạng nhiều hơn. Kỳ vọng âm ( - ). Ngoài ra các loại hàng hóa khác nhau cũng có thể ảnh hưởng đến hành vi mua hàng khác nhau. BIẾN ĐƯỢC GIẢI THÍCH: TIMES ( số lần mua hàng qua mạng trong năm gần đây nhất) 3.2 ĐIỀU TRA: Nhóm đã tiến hành điều tra 104 người gồm có sinh viên và những người đang đi làm. Đối với sinh viên: Kí túc xá, Khoa Kinh Tế, ĐH Quốc Tế, ĐH KHXHVNV… Đối với người đang đi làm: COOPMART Thủ Đức, BIG C Hoàng Văn Thụ, Nhà ăn đại học quốc gia, Khu công nghệ phần mềm... 3.3 LẬP MÔ HÌNH: Sau khi điều tra xong số liệu, nhóm đã tiến hành đưa thêm 2 biến Dummy: BOOK: BOOK = 1, nếu mặt hàng người đó thương mua là sách. BOOK = 0 nếu là mặt hàng khác CLOTH: CLOTH = 1, nếu mặt hàng người đó thường mua là quần áo, dày dép, túi xách. CLOTH = 0 nếu là mặt hàng khác. MÔ HÌNH DỰ KIẾN: Times = b1 + b2Age + b3INC + b4Job*Inc + b5Search + b6Job + b7Friend + b8Dist + b9Disc + b10Pay + b11Trans + b12Cloth + b13Book + b14Trust KIỂM ĐỊNH VÀ ĐỀ XUẤT CÁC MÔ HÌNH SO SÁNH: Sau đây là kết quả Eview của mô hình đề xuất ban đầu: Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 02:35 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   AGE -0.240131 0.118859 -2.020310 0.0463 BOOK -0.486097 0.857505 -0.566873 0.5722 CLOTH 1.471030 0.726098 2.025939 0.0457 DISC 0.547865 0.782940 0.699753 0.4859 DIST 0.000548 0.000535 1.023877 0.3086 FRIEND 0.479025 0.671476 0.713391 0.4774 INC 1.188764 0.538436 2.207807 0.0298 PAY 0.588726 0.681892 0.863370 0.3902 SEARCH 0.393145 0.077520 5.071554 0.0000 TRUST 0.764155 0.225875 3.383080 0.0011 TRANS -0.024334 0.077510 -0.313939 0.7543 JOB_INC -0.790295 0.555658 -1.422268 0.1584 JOB 1.346170 1.436344 0.937220 0.3512 C -2.041251 2.929813 -0.696717 0.4878 R-squared 0.557826     Mean dependent var 3.798077 Adjusted R-squared 0.493956     S.D. dependent var 3.981461 S.E. of regression 2.832283     Akaike info criterion 5.044693 Sum squared resid 721.9646     Schwarz criterion 5.400669 Log likelihood -248.3240     F-statistic 8.733813 Durbin-Watson stat 1.663994     Prob(F-statistic) 0.000000 Việc cùng lúc loại bỏ một vài biến có thể bỏ mất những biến có ý nghĩa quan trọng về mặt lý thuyết. Do đó cách làm thận trọng và nhạy bén hơn là loại bỏ dần từng biến. Biến Trans có dấu âm đúng như kỳ vọng, như p_value của biến trans là cao nhất chứng tỏ nó không có ý nghĩa. Điều này có lẽ được giải thích vì hiệu ứng của biến trans có thể đã được thể hiện qua biến loại hàng (book, cloth), vì thông thường những loại hàng khác nhau sẽ có thời gian giao hàng khác nhau. Sau đây là kết quả Eviews sau khi loại bỏ biến Trans Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 02:37 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   AGE -0.244486 0.117460 -2.081434 0.0402 BOOK -0.495523 0.852724 -0.581106 0.5626 CLOTH 1.464077 0.722156 2.027369 0.0456 DISC 0.556954 0.778520 0.715401 0.4762 DIST 0.000478 0.000484 0.987495 0.3260 FRIEND 0.473480 0.667911 0.708897 0.4802 INC 1.155621 0.525364 2.199659 0.0304 PAY 0.592774 0.678385 0.873801 0.3845 SEARCH 0.395121 0.076880 5.139454 0.0000 TRUST 0.778122 0.220351 3.531282 0.0007 JOB_INC -0.752803 0.539978 -1.394135 0.1667 JOB 1.300255 1.421783 0.914524 0.3629 C -2.107901 2.907602 -0.724962 0.4703 R-squared 0.557341     Mean dependent var 3.798077 Adjusted R-squared 0.498969     S.D. dependent var 3.981461 S.E. of regression 2.818220     Akaike info criterion 5.026557 Sum squared resid 722.7552     Schwarz criterion 5.357106 Log likelihood -248.3810     F-statistic 9.548000 Durbin-Watson stat 1.655278     Prob(F-statistic) 0.000000 Tiếp tục bỏ dần những biến có pvalue cao theo thứ tự là book, disc, Dist, Friend. Ta có mô hình Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 03:07 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   AGE -0.189565 0.103508 -1.831400 0.0702 CLOTH 1.603882 0.623493 2.572416 0.0116 INC 1.176916 0.513628 2.291380 0.0242 JOB 1.490703 1.380941 1.079483 0.2831 JOB_INC -0.827479 0.521611 -1.586389 0.1160 PAY 0.753674 0.643235 1.171693 0.2443 SEARCH 0.392725 0.075579 5.196197 0.0000 TRUST 0.835927 0.211206 3.957867 0.0001 C -3.074116 2.661819 -1.154893 0.2510 R-squared 0.545469     Mean dependent var 3.798077 Adjusted R-squared 0.507192     S.D. dependent var 3.981461 S.E. of regression 2.794997     Akaike info criterion 4.976102 Sum squared resid 742.1407     Schwarz criterion 5.204943 Log likelihood -249.7573     F-statistic 14.25080 Durbin-Watson stat 1.665423     Prob(F-statistic) 0.000000 Để cẩn thận hơn, một kiểm định F-test được thực hiện để kiểm tra xem các biến bị loại bỏ gồm Trans, Disc, Friend, Dist,Book có ý nghĩa liên kết hay không. F-Test: H0: Trans = Disc = Friend = Dist = Book=0 H1: Không phải Ho (U):Times=-2.041251-0.240131Age-0.486097Book+1.471030Cloth+ 0.547865Disc +0.000548Dist+0.479025Friend+1.188764Inc+0.588726Pay + 0.393145Search+ 0.764155Trust-0.024334Trans-0.790295Job_Inc+1.346170Job (R):Times=-2.041251-0.240131Age+1.471030Cloth+1.188764Inc+0.588726Pay +0.393145Search+0.764155Trust-0.790295Job_Inc+1.346170Job Fc = 0.5032 DNRH0 Việc bỏ đi những biến này là hợp lý. Tuy nhiên R2 hiệu chỉnh vẫn còn thấp. Điều đó chứng tỏ có thể đã bỏ quên đi những biến có ý nghĩa. Theo lý thuyết tiêu dùng và hành vi của thị trường của Assael (consumer behavior and marketing action) quy trình ra quyết định mua hàng còn phụ thuộc vào đăc tính của thương hiệu. Assael phân ra bốn dạng hành vi tiêu dùng dựa theo mức độ cân nhắc của người tiêu dùng và nhận thức của khách hàng về mức độ khác biệt của thương hiệu, gồm có: quyết định phức tạp, so sánh thấp, tiềm kiếm đa dạng, quán tính.Việc tìm kiếm thông tin trên mạng về sản phẩm (SEARCH) thể hiện Mức độ cân nhắc và nhận thức của khách hàng về sản phẩm. Dựa vào lý thuyết này ta có thể nhận xét: hành vi tìm kiếm thông tin sản phẩm ảnh hưởng đến việc mua hàng là khác nhau ở những hàng hóa khác nhau và ảnh hưởng của việc tiềm kiếm thông tin lên hành vi mua hàng có thể là không tuyến tính. Vì vậy nhóm tiến hành đưa vào 5 biến, gồm 4 biến interaction Book*sea, book*sea2, cloth*sea, cloth*sea2, và biến sea2. Sau đây là kết quả ước lượng Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 03:56 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   CLOTH 2.122868 0.759344 2.795663 0.0063 INC 1.300347 0.382204 3.402236 0.0010 JOB 1.910650 1.036524 1.843323 0.0685 JOB_INC -0.898703 0.392755 -2.288201 0.0244 PAY 0.877585 0.490170 1.790367 0.0767 TRUST 0.797775 0.160511 4.970205 0.0000 SEA2 0.014262 0.005369 2.656552 0.0093 AGE -0.197644 0.078799 -2.508208 0.0139 BOOK_SEA 0.105570 0.220636 0.478481 0.6335 BOOK_SEA2 -0.018906 0.013962 -1.354049 0.1791 CLOTH_SEA -0.599437 0.209790 -2.857318 0.0053 CLOTH_SEA2 0.071260 0.013442 5.301326 0.0000 C -1.789762 2.056926 -0.870115 0.3865 R-squared 0.759029     Mean dependent var 3.798077 Adjusted R-squared 0.727252     S.D. dependent var 3.981461 S.E. of regression 2.079328     Akaike info criterion 4.418436 Sum squared resid 393.4482     Schwarz criterion 4.748984 Log likelihood -216.7586     F-statistic 23.88653 Durbin-Watson stat 1.745378     Prob(F-statistic) 0.000000  Độ giải thích của mô hình được cải thiện một cách đáng kể. Tuy nhiên 2 biến Book*sea và Book*sea2 không có ý nghĩa ở mức bé hơn 10 %. Ta tiến hành loại bỏ 2 biến này. Bảng kết quả Eviews: Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 04:00 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   CLOTH 2.034212 0.748231 2.718694 0.0078 INC 1.266139 0.385270 3.286364 0.0014 JOB 1.878079 1.036299 1.812295 0.0732 JOB_INC -0.802258 0.392183 -2.045621 0.0436 PAY 1.036724 0.486821 2.129577 0.0358 TRUST 0.746802 0.159878 4.671069 0.0000 SEA2 0.006587 0.003677 1.791323 0.0765 AGE -0.223332 0.078224 -2.855042 0.0053 CLOTH_SEA -0.606700 0.211749 -2.865181 0.0052 CLOTH_SEA2 0.079620 0.012857 6.192982 0.0000 C -0.808936 2.013357 -0.401785 0.6888 R-squared 0.748991     Mean dependent var 3.798077 Adjusted R-squared 0.722000     S.D. dependent var 3.981461 S.E. of regression 2.099252     Akaike info criterion 4.420786 Sum squared resid 409.8378     Schwarz criterion 4.700481 Log likelihood -218.8809     F-statistic 27.75042 Durbin-Watson stat 1.760622     Prob(F-statistic) 0.000000  Hằng số không có ý nghĩa. Điều này hoàn toàn có thể chấp nhận được. Tuy nhiên việc hệ số cloth*sea2 là dương và cloth*sea là âm có vẻ không đúng với thực tế cho lắm. Không thể nào có chuyện đối với quần áo (CLOTH), lúc đầu càng tìm kiếm người ta càng mua ít đi, sau đó thì ngược lại, càng tìm kiếm lại càng mua nhiều hơn. Với việc hệ số của sea2 dương và cloth*sea2 thể hiện rằng càng tìm kiếm thông tin về sản phẩm trên mạng người ta mua hàng càng nhiều. Ngoài ra dạng hàm số của Sea2 và Cloth*sea2 gợi ý cho nhóm có khả năng tác động của việc tìm kiếm đối với mua hàng hóa giống như tác động của x đối với lny trong dạng hàm lny = b1 + b2 x. Do đó nhóm sửa biến sea2 thành Esea (e mũ search) và cụm biến (cloth*sea + cloth*sea2) thành cloth*Esea (Esea là e mũ Search). Sau đây là kết quả hồi quy trên Eviews: Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 04:11 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   CLOTH 1.229559 0.460506 2.670019 0.0089 INC 1.367404 0.372171 3.674133 0.0004 JOB 1.965042 0.999228 1.966560 0.0522 JOB_INC -0.866406 0.379690 -2.281873 0.0248 PAY 1.400432 0.466580 3.001483 0.0034 TRUST 0.795095 0.153690 5.173354 0.0000 E_SEA 5.91E-10 1.49E-09 0.395655 0.6933 AGE -0.242134 0.074652 -3.243516 0.0016 ECLOTH 4.94E-08 4.51E-09 10.95731 0.0000 C -0.761044 1.927214 -0.394893 0.6938 R-squared 0.761833     Mean dependent var 3.798077 Adjusted R-squared 0.739030     S.D. dependent var 3.981461 S.E. of regression 2.033938     Akaike info criterion 4.349036 Sum squared resid 388.8690     Schwarz criterion 4.603305 Log likelihood -216.1499     F-statistic 33.40906 Durbin-Watson stat 1.895642     Prob(F-statistic) 0.000000 Biến Esearch không có ý nghĩa bị loại ra khỏi mô hình. Kết quả hồi quy trên Eviews: Dependent Variable: TIMES Method: Least Squares Date: 05/29/09 Time: 04:12 Sample: 1 104 Included observations: 104 Variable Coefficient Std. Error t-Statistic Prob.   CLOTH 1.198511 0.451751 2.653031 0.0094 INC 1.380596 0.369025 3.741198 0.0003 JOB 1.977616 0.994279 1.988995 0.0496 JOB_INC -0.876510 0.377145 -2.324064 0.0223 PAY 1.402768 0.464467 3.020169 0.0032 TRUST 0.801419 0.152177 5.266363 0.0000 AGE -0.244596 0.074061 -3.302643 0.0014 ECLOTH 4.99E-08 4.26E-09 11.72373 0.0000 C -0.751221 1.918480 -0.391571 0.6963 R-squared 0.761437     Mean dependent var 3.798077 Adjusted R-squared 0.741347     S.D. dependent var 3.981461 S.E. of regression 2.024889     Akaike info criterion 4.331470 Sum squared resid 389.5166     Schwarz criterion 4.560311 Log likelihood -216.2364     F-statistic 37.90214 Durbin-Watson stat 1.894630     Prob(F-statistic) 0.000000 Mô hình lựa chọn: Times= -0.751221 + 1.198511Cloth + 1.380596Inc + 1.977616Job -0.87651Job_Inc+1.402768Pay+0.801419Trust-0.244596Age+(4.99*10^-8)Ecloth NHẬN XÉT: Nhóm biến Cloth và Ecloth: hai biến này có hiện tượng đa cộng tuyến, tuy nhiên việc giải thích tác động của nhóm biến này đến Times (số lần mua hàng qua mạng) không phải là quá khó khăn. Hệ số của biến Cloth và Ecloth dương chứng tỏ những người thường hay mua quần áo, dày dép, túi xách qua mạng có số lần mua hàng nhiều hơn những người thường mua những hàng hóa khác ( sách, hàng điện tử, đồ lưu niệm…). Và những người mua Cloth (quần áo, dày dép, túi xách) qua mạng nếu tìm hiểu thông tin về Cloth càng nhiều thì sẽ mua càng nhiều. Biến Pay: biến Pay trái dấu so với kỳ vọng dấu (+), liệu việc này có phải là do đặc trưng mô hình sai hay thiếu biến quan trọng. Việc thiếu biến quan trọng bị nhóm bác bỏ vì ban đầu theo lý thuyết, kinh nghiệm và hiểu biết nhóm đã đưa rất nhiều các biến (14 biến sơ khảo được cho là có ảnh hưởng đến hành vi mua hàng), sau đó thận trọng hơn, nhóm còn tạo các biến thứ cấp (như đã trình bày ở trên) dựa trên một nền tảng lý thuyết vững chắc. Do đó khó chấp nhận rằng nhóm đã bỏ sót biến quan trọng. Ngoài ra R2 hiệu chỉnh của nhóm tương đối cao (nghiên cứu về dữ liệu chéo) cũng là một lập luận ủng hộ nhận định này. Đặc trưng mô hình sai có lẽ là yếu tố cần được cân nhắc thận trọng. Như đã trình bày ở trên, biến TRUST (niềm tin về chất lượng hàng hóa theo thang đo 10 điểm) là ràng buộc quá nghiêm ngặt có khả năng gây sai đặc trưng mô hình trầm trọng. Đáng lẽ nó phải là nhiều biến Dummy. Tuy nhiên, hệ số biến TRUST có dấu như kỳ vọng, Pvalue(Trust) = 0, R2 hiệu chỉnh = 0.741347 chứng tỏ đặc trưng mô hình là không quá sai. Nhóm nhận định rằng nếu có sự chỉnh sửa lại trong việc sử dụng biến Trust (TRUST sử dụng là các biến Dummy) sẽ làm tăng R2 hiệu chỉnh nhưng cũng sẽ không thay đổi dấu của PAY. Vậy điều gì lí giải cho việc hệ số của biến Pay dương? Nhìn vào lý thuyết: Mô hình hành vi tiêu dùng của Schiffman và Kanuk. Hai ông cho rằng sau khi mua hàng người ta sẽ có đánh giá sau khi mua. Những đánh giá này tạo thành kinh nghiệm của người tiêu dùng. Kinh nghiệm này là một yếu tố tác động đến Tâm lý (động cơ, kiến thức, nhận thức, nhân cách, thái độ). Và Tâm lý lại tác động đến nhận dạng nhu cầu, tìm kiếm thông tin và đánh giá thay thế. Lý thuyết này giải thích điều gì cho hệ số của biến Pay dương. Giả định A: Khi mua hàng thanh toán trả tiền trước, những người có giao dịch thành công đánh giá tốt về hình thức này (không có lừa đảo, đảm bảo đặt cọc trước món hàng mình yêu thích kẻo người khác mua mất (lời giải thích của cô Hoa), thuận tiện cho việc mua hàng trên những trang web nổi tiếng như 123.mua, vatgia.com…đây là những trang web yêu cầu phải trả tiền trước qua một tài khoản được quản lý bởi trang web và ngân hàng). Việc đánh giá cùng với kinh nghiệm mua hàng thành công tác động đến tâm lý (nhận thức, thái độ) của họ về hình thức trả tiền trước ở những trang web như 123.com… Cuối cùng điều này làm cho mua hàng ở những trang web như 123.com là một thay thế tốt so với những hình thức mua hàng khác. Những người bán hàng qua mạng (seller) ưa thích hình thức thanh toán trả tiền trước hơn. Do đó hàng hóa trên mạng hầu hết là trả tiền trước. Ngoài ra hàng hóa trả tiền trước thường rẻ hơn hàng hóa trả tiền sau. Điều này làm cho những người mua (buyer) tin tưởng hình thức trả tiền trước(PAY=1) có nhiều hàng hóa rẻ hơn và nhiều sự lựa chọn hơn so với những người mua không tin tưởng hình thức trả tiền trước. Do đó việc số lần mua hàng trên mạng của người mua trả tiền trước nhiều hơn người mua trả tiền sau là điều dễ hiểu. Giả định B: Giao dịch trả tiền trước thất bại. Người mua hàng qua mạng này không còn tin tưởng vào hình thức trả tiền trước nữa và trở thành người mua hàng trả tiền sau (PAY=0) hoặc không mua hàng qua mạng nữa (nhóm người này không nằm trong phạm vi nghiên cứu của nhóm). Và dĩ nhiên với thức tế hàng hóa trả tiền sau ít đa dạng hơn và mắc hơn đã làm cho anh ta mua hàng ít hơn những người trả tiền trước. Biến Pay có hệ số dương phải được chấp nhận. Biến TRUST: như đã nói việc biến TRUST được sử dụng như một biến định lượng là một ràng buộc quá nghiêm ngặt gây sai đặc trưng mô hình. Tuy nhiên kết quả cuối cùng cho thấy TRUST có ý nghĩa và R2 hiệu chỉnh cao cho thấy mô hình là không quá sai. Việc sử dụng biến TRUST là các biến Dummy là một hành động đúng đắn và có khả năng tăng R2 hiệu chỉnh lên. Tuy nhiên do sơ sót của nhóm là biến TRUST có thang điểm 10 vì vậy nếu sửa biến TRUST thành các biến Dummy sẽ làm mô hình quá cồng kềnh. Do đó nhóm ưu tiên một mô hình đơn giản gọn nhẹ hơn ( thực ra tại vì mô hình cuối cùng của nhóm đã có đến 9 biến kể cả hằng số) Kiến Nghị Theo thống kê của Trung tâm Internet Việt Nam (VNNIC), tính đến hết tháng 3/2009, cả nước đã có 21,1 triệu người sử dụng Internet, chiếm gần 25% dân số của cả nước, dự báo sẽ có khả năng tăng lên 36% vào năm 2012. Do vậy, có thể nói thương mại điện tử là một kênh kinh doanh đầy tiềm năng đối với các doanh nghiệp Việt Nam. Qua cuộc khảo sát, nhóm nhận thấy rằng hình thức trả tiền trước ảnh hưởng rất lớn đến quyết định mua sản phẩm của khách hàng. Do đó, việc nâng cao mức độ tin tưởng của khách hàng là một điều hết sức cần thiết, các doanh nghiệp cần có những trang web với mức độ tin tưởng cao như amazon.com, ebay.com…..Tức là cần quan tâm nhiều hơn đến khách hàng, trực tiếp và nhanh chóng giải đáp những thắc mắc cũng như bồi thường thiệt hại cho khách hàng khi có sự cố xảy ra. Qua đó, cần đa dạng hoá thông tin tìm kiếm cũng như đa dạng hoá danh mục sản phẩm nhằm giảm thiểu chênh lệch thông tin. Bởi với nhiều sự lựa chọn trên một trang web thì mức độ tin tưởng của khách hàng sẽ cao hơn. Hơn nữa, một giải pháp khác đó chính là các doanh nghiệp này cần liên kết với nhiều ngân hàng uy tín trong việc tạo tài khoản cho khách hàng, giả sử trong trường hợp người mua đã đặt hàng và thanh toán qua ngân hàng nhưng người bán không giao hàng, thì ngân hàng phải đứng ra “phân xử”, chứng minh tài chính giúp người mua, nhằm làm cho khách hàng yên tâm hơn khi sử dụng dịch vụ. CẢM ƠN THẦY, CÔ ĐÃ XEM BÀI TRÌNH BÀY CỦA NHÓM!