ý định sử dụng ứng dụng fintech trong đầu tư và tích lũy mô hình tích hợp sự chấp nhận công nghệ tam – utaut trong nghiên cứu thực nghiệm tại thành phố hồ chí minh

CƠ SỞ LÝ THUYẾT

Các khái niệm liên quan

2.1.1 Ý định sử dụng (Behavioral Intention) Ý định hành vi của người tiêu dùng theo Kotler và Keller (2009), là nghiên cứu về cách các cá nhân, nhóm và tổ chức lựa chọn, mua, sử dụng và xử lý hàng hóa, dịch vụ, ý tưởng hoặc kinh nghiệm để đáp ứng nhu cầu và mong muốn của họ Tuy nhiên, trước khi người tiêu dùng đưa ra quyết định chi tiêu các mặt hàng liên quan đến tiêu dùng, sẽ có một ý định Ý định hành vi được định nghĩa là một yếu tố thúc đẩy của một người nỗ lực dành riêng cho các hành vi khác nhau (Ajzen và Fishbein, 1975) Ý định hành vi cũng đề cập đến sức mạnh của một người có kế hoạch có ý thức để thực hiện hành vi mục tiêu (Mykytyn và Harrison, 2005) và sử dụng lại mục liên quan đến tiêu dùng trong tương lai (Lin và Lu, 2000; Joynathsing, 2010) Ý định hành vi đã được tìm thấy để dự đoán hành vi thực tế (Al-Maghrabi và Dennis, 2011; Ravichandran và cộng sự, 2010; Venkatesh và cộng sự, 2012) Ajzen (2006) đưa ra giả thuyết rằng hành vi cá nhân được chỉ đạo bởi ba suy nghĩ: đầu tiên, niềm tin hành vi, đó là niềm tin về kết quả của hành vi và đánh giá của nó; Thứ hai, niềm tin quy phạm, đó là niềm tin về những kỳ vọng và cảm hứng quy phạm của người khác để tuân theo những kỳ vọng này; Thứ ba, niềm tin kiểm soát, đó là niềm tin về các yếu tố hiện diện có thể dễ dàng hoặc cản trở hiệu suất của hành vi Vì vậy, thái độ đối với hành vi dẫn đến việc tạo ra một ý định hành vi Điều này có nghĩa là thái độ của một người tiêu dùng gắn liền với một quyết định dẫn đến ý định thực hiện hành vi đó Ý định hành vi trong nghiên cứu này được định nghĩa là mức độ nỗ lực có ý thức mà người tiêu dùng sẽ thực hiện để sử dụng dịch vụ đầu tư/tích lũy trên các ứng dụng Fintech (để giao dịch cổ phiếu, chứng chỉ quỹ, trái phiếu, tiền gửi tiết kiệm,…)

Fintech là những giải pháp sáng tạo trong lĩnh vực tài chính, được hỗ trợ bởi công nghệ thông tin, đóng vai trò quan trọng trong việc đổi mới ngành dịch vụ tài chính Theo I.O.O.S (2017), Fintech bao gồm các mô hình kinh doanh công nghệ tài chính tự động hóa dịch vụ tài chính qua Internet, với tiềm năng thay đổi cơ bản ngành này Fu và Mishra (2020) nhấn mạnh rằng Fintech cải thiện và tự động hóa việc sử dụng dịch vụ tài chính, giúp tổ chức, doanh nhân và người tiêu dùng quản lý ngân sách hiệu quả hơn Bằng cách sử dụng phần mềm trên máy tính và thiết bị di động, Fintech đơn giản hóa thủ tục hành chính, tiết kiệm thời gian và chi phí Gần đây, Fintech đã trở thành yếu tố thiết yếu trong các dịch vụ trực tuyến, kết hợp nhiều lĩnh vực như ngân hàng và đầu tư bán lẻ, đáp ứng nhu cầu tài chính đa dạng như chuyển tiền, cho vay, quản lý đầu tư và tiết kiệm.

Theo Vangie Beal (2008), ứng dụng di động là phần mềm được thiết kế cho thiết bị di động như điện thoại thông minh và máy tính bảng Những thiết bị này thường đi kèm với nhiều ứng dụng cài sẵn, bao gồm trình duyệt web, lịch, trình phát nhạc, trình chỉnh sửa ảnh và cửa hàng ứng dụng cho phép người dùng mua nhạc và phương tiện khác Sự ra mắt của App Store và Google Play đã thúc đẩy sự phát triển của nhiều ứng dụng cho điện thoại thông minh (Kukulska-Hulme, 2009) Các lợi thế của thiết bị di động bao gồm khả năng truy cập cá nhân, xác thực, tính tự phát, không chính thức và liên tục (Pindeh và cộng sự).

Ứng dụng Fintech là phần mềm thiết kế cho thiết bị di động như điện thoại thông minh và máy tính bảng, có sẵn trên App Store và Google Play Chúng cung cấp nhiều dịch vụ tài chính tự động hóa qua Internet, kết hợp công nghệ tiên tiến vào lĩnh vực tài chính Các sản phẩm và dịch vụ số hóa mà Fintech cung cấp bao gồm tiền gửi thanh toán, tiền gửi tiết kiệm, thanh toán, bảo hiểm, chứng khoán, tín dụng và quản trị rủi ro.

2.1.3 Dịch vụ đầu tư – tích luỹ

Đầu tư được định nghĩa là việc hy sinh nguồn lực như thời gian, tiền bạc và công sức hôm nay với hy vọng thu về nhiều nguồn lực hơn trong tương lai (Laopodis, 2020) Theo Bình và Mai (2013), đầu tư là sự đánh đổi nguồn lực hiện tại để thực hiện các hoạt động nhằm đạt được kết quả lớn hơn trong tương lai Luật Đầu tư 2020 quy định rằng đầu tư kinh doanh là hành động của nhà đầu tư bỏ vốn để thực hiện hoạt động kinh doanh, trong đó vốn đầu tư bao gồm tiền và tài sản khác theo quy định pháp luật của Việt Nam.

Tiết kiệm là hành động bảo toàn thu nhập không tiêu dùng ngay lập tức, theo định nghĩa của Luật Thực hành tiết kiệm, chống lãng phí 2013, tiết kiệm được hiểu là việc giảm thiểu hao phí trong sử dụng vốn, tài sản và thời gian lao động, đồng thời vẫn đạt được mục tiêu đề ra Trong tài chính cá nhân, tiết kiệm thường liên quan đến việc bảo vệ tiền với rủi ro thấp Các phương pháp tiết kiệm phổ biến bao gồm gửi tiền vào tài khoản tiền gửi, tài khoản lương hưu, quỹ đầu tư hoặc giữ tiền mặt Dịch vụ tiết kiệm do các đơn vị như công ty cho vay, công ty môi giới chứng khoán hoặc ngân hàng thương mại cung cấp, cam kết lãi suất cố định và đảm bảo tính minh bạch trong việc quản lý số tiền tích lũy.

Trong nghiên cứu này, dịch vụ đầu tư - tích lũy được định nghĩa là dịch vụ do công ty Fintech cung cấp qua ứng dụng để người dùng dễ dàng tiếp cận Các công ty Fintech đóng vai trò bảo lãnh phát hành và môi giới cho các hoạt động giao dịch, giúp người dùng tạo tài khoản và giao dịch nhanh chóng Đối với dịch vụ tích lũy, Fintech hoạt động như môi giới, quy động vốn cho ngân hàng và công ty quản lý quỹ với lãi suất cố định và nhiều kỳ hạn, giúp người dùng chọn lựa phù hợp Các khoản tích lũy được thông báo đến người dùng về đơn vị tiếp nhận, thường dùng để mua chứng chỉ tiền gửi, trái phiếu chính phủ và trái phiếu doanh nghiệp, với lãi suất cố định khi đáo hạn Mức lãi suất từ dịch vụ tích lũy trên ứng dụng Fintech cao hơn so với gửi tiết kiệm tại ngân hàng thương mại.

Các học thuyết có liên quan

2.2.1 Lý thuyết hành động hợp lý (TRA - Theory of Reasoned Action)

Thuyết hành động hợp lý (TRA) do Ajzen và Fishbein phát triển vào năm 1975 nhằm nghiên cứu hành vi người tiêu dùng và xác định xu hướng hành vi của họ Theo TRA, yếu tố then chốt để dự đoán hành vi tiêu dùng là ý định hành vi, mà ý định này lại phụ thuộc vào hai yếu tố chính: thái độ đối với hành vi và chuẩn mực chủ quan.

Thái độ đối với hành vi, theo thuyết hành động hợp lý, được hình thành từ hai yếu tố chính: sức mạnh của niềm tin cá nhân về kết quả hành vi mong muốn và đánh giá của cá nhân về kết quả đó Đối với mỗi hành vi cụ thể, thái độ của người tiêu dùng có thể thể hiện dưới dạng niềm tin tích cực, tiêu cực hoặc trung tính.

Chuẩn mực chủ quan đề cập đến nhận thức của con người về cách hành xử phù hợp với yêu cầu xã hội Nó được hình thành từ niềm tin của những người xung quanh về mong đợi hành vi cá nhân, cùng với động lực của cá nhân để tuân thủ theo những người có ảnh hưởng (Ajzen và FishBein, 1975).

Hình 2 1 Mô hình thuyết hành hành động hợp lý (TRA)

2.2.2 Lý thuyết hành vi dự định (TPB - Theory of Planned Behavior)

Thuyết hành vi dự định (TPB) của Ajzen (1991) được phát triển từ thuyết hành động hợp lý (TRA) nhằm khắc phục những hạn chế của lý thuyết trước đó, cho rằng hành vi con người hoàn toàn do lý trí kiểm soát Ajzen đã bổ sung yếu tố "Nhận thức kiểm soát hành vi", phản ánh cách mà cá nhân cảm nhận về khả năng thực hiện hành vi Nhận thức này cho thấy hành vi có thể dễ dàng hay khó khăn thực hiện Khi các nguồn lực và cơ hội được đáp ứng, ý định hành động sẽ phát sinh, dẫn đến việc thực hiện hành vi Trong TPB, ý định thực hiện hành vi bị ảnh hưởng bởi ba yếu tố: thái độ, chuẩn mực chủ quan và nhận thức kiểm soát hành vi Thái độ phản ánh mức độ đánh giá của cá nhân về hành vi, chuẩn mực chủ quan liên quan đến nhận thức về mong đợi xã hội, và nhận thức kiểm soát hành vi thể hiện sự dễ dàng hay khó khăn trong việc thực hiện hành vi cụ thể.

Hình 2 2 Mô hình thuyết hành vi dự định (TPB)

2.2.3 Mô hình chấp nhận công nghệ (Technology Acceptance Model – TAM)

Dựa trên lý thuyết về hành động hợp lý (TRA - Theory of Reasoned Action), Davis

Mô hình chấp nhận công nghệ (TAM) được phát triển bởi Davis vào năm 1989 nhằm xác định các yếu tố ảnh hưởng đến việc chấp nhận hoặc từ chối công nghệ Hai niềm tin quan trọng nhất là nhận thức về tính hữu ích, tức là mức độ mà công nghệ có thể nâng cao hiệu suất công việc, và nhận thức về tính dễ sử dụng, nghĩa là việc sử dụng công nghệ có đơn giản hay không Cả hai niềm tin này ảnh hưởng đến ý định hành vi và hành vi thực tế của cá nhân Mô hình TAM cho rằng ý định sử dụng một hệ thống công nghệ được xác định bởi thái độ của người dùng và nhận thức về tính tiện ích của sản phẩm Thái độ không chỉ quyết định việc sử dụng công nghệ mà còn phụ thuộc vào khả năng tăng cường hiệu suất công việc của nó.

Kiểm soát hành vi cảm nhận

Hành vi sử dụng sản phẩm công nghệ này có thể nâng cao hiệu suất làm việc, và sự nhận thức về tính hữu ích chính là yếu tố quyết định quan trọng trong ý định sử dụng công nghệ thông tin của mỗi cá nhân.

Hình 2 3 Mô hình chấp nhận công nghệ (TAM)

2.2.4 Mô hình thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT - Unified Theory of Acceptance and Use of Technology)

Mô hình lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT) được Venkatesh (2003) xây dựng dựa trên tám mô hình trước đó, bao gồm Thuyết hành động hợp lý (TRA), mô hình chấp nhận công nghệ (TAM), và Thuyết hành vi dự định (TPB) UTAUT xác định bốn yếu tố chính ảnh hưởng đến hành vi chấp nhận công nghệ của người tiêu dùng: hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội và điều kiện thuận lợi, cùng với các yếu tố điều tiết như giới tính, độ tuổi, sự tự nguyện và kinh nghiệm Hiệu suất mong đợi là mức độ tin tưởng vào việc sử dụng hệ thống mới để nâng cao năng suất, trong khi nỗ lực kỳ vọng phản ánh sự dễ dàng trong việc sử dụng hệ thống Ảnh hưởng xã hội đề cập đến sự tác động từ niềm tin của người khác, và điều kiện thuận lợi liên quan đến cơ sở hạ tầng kỹ thuật hỗ trợ hệ thống UTAUT không chỉ là sự kết hợp của các mô hình trước đó mà còn cung cấp cái nhìn sâu sắc về sự phát triển của ý định và hành vi theo thời gian.

Hình 2 4 Mô hình thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT)

Lược khảo các nghiên cứu liên quan

2.3.1 Các nghiên cứu quốc tế

Trong những năm gần đây, nghiên cứu về ý định sử dụng sản phẩm/dịch vụ đã mở rộng ra nhiều lĩnh vực trong đời sống con người, áp dụng các mô hình lý thuyết như TAM và UTAUT để phân tích tác động của các yếu tố đến sự chấp nhận của khách hàng Để đảm bảo tính đáng tin cậy của các mô hình này, tác giả đã tìm kiếm các nghiên cứu liên quan đến ý định hành vi sử dụng và tiến hành nghiên cứu dựa trên hai mô hình trên Trên thế giới, nhiều nghiên cứu về ý định chấp nhận sử dụng sản phẩm/dịch vụ công nghệ đã được thực hiện, và tác giả đã kế thừa 10 nghiên cứu từ nước ngoài phù hợp với bối cảnh Việt Nam Các nghiên cứu này chủ yếu diễn ra tại các nước đang phát triển như Malaysia, Ấn Độ, Nigeria, và Đức, cho thấy sự tương đồng trong điều kiện phát triển với Việt Nam, từ đó việc áp dụng các nghiên cứu này là hoàn toàn hợp lý.

Dưới đây là thống kê các nghiên cứu liên quan tại nước ngoài tác giả tìm thấy và kế thừa:

Bảng 2 1: Thống kê các nghiên cứu nước ngoài có liên quan

Tác giả Bối cảnh nghiên cứu Kết quả

Nền tảng tiết kiệm và đầu tư trực tuyến, Nigeria

• Kỳ vọng về hiệu suất

Dịch vụ tài chính di động ở Bangladesh

• Tính hữu dụng được cảm nhận

• Tính dễ sử dụng được cảm nhận

• Sự tin tưởng được cảm nhận

Nền tảng giao dịch trên mạng xã hội, Malaysia

(2022) Ứng dụng giao dịch ở Ấn Độ • Nghề nghiệp

• Kỳ vọng về hiệu suất

Riemann (2022) Tài chính kỹ thuật số, các hoạt động đầu tư ở Đức

Tan (2021) Ứng dụng giao dịch chứng khoán trên thiết bị di động ở Malaysia

• Nhận thức kiểm soát hành vi

Nền tảng Peer to Peer (P2P) trực tuyến ở Malaysia

Giao dịch tài chính trực tuyến, Malaysia

• Kiểm soát hành vi nhận thức

• Sự hữu ích cảm nhận

• Sự dễ sử dụng cảm nhận

Hu, Zhongqing và cộng sự (2019)

Dịch vụ Fintech, China • Sự hữu ích cảm nhận

• Sự dễ sử dụng cảm nhận

• Hổ trợ của chính phủ

• Sự đổi mới của người dùng

Chấp nhận công nghệ cho các ứng dụng của nhà môi giới mới, Đức

(Nguồn: Tác giả tổng hợp)

Trong 10 bài nghiên cứu ngoài nước tác giả tìm thấy có sự vận dụng, kết hợp các mô hình chấp nhận công nghệ (TAM – UTAUT) và thuyết hành vi dự định TPB trong nghiên cứu Tổng hợp các nghiên cứu trên, tác giả nhận thấy mô hình tích hợp sự chấp nhận công nghệ (TAM – UTAUT) là bao hàm cả mô hình thuyết hành vi dự định TPB Do đó, tác giả sử dụng mô hình tích hợp hợp sự chấp nhận công nghệ (TAM – UTAUT) với 4 biến độc lập thuộc mô hình chấp nhận công nghệ UTAUT: Hiệu suất kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội, điều kiện thuận lợi Song trong 10 bài nghiên cứu trên, thì có 4 bài nghiên cứu có kết quả nghiên cứu cho thấy Nhận thức rủi ro cũng có tác động đến ý định hành vi Reith, Fischer và Lis (2019); Riemann (2021); Anand và Abhilash (2022); Fortagne và cộng sự (2023) Ngoài ra, tác giả còn tìm thấy mối quan hệ giữa 3 biến độc lập trong mô hình chấp nhận công nghệ UTAUT (Hiệu suất kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội), Nhận thức rủi ro với Ý định hành vi qua biến trung gian là Thái độ hướng đến sử dụng (Pahlevan Sharif và Navaz Naghav, 2020)

2.3.2 Các nghiên cứu trong nước

Tại Việt Nam, nghiên cứu về ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy còn hạn chế, trong khi có nhiều nghiên cứu về dịch vụ Fintech nói chung, bao gồm các sản phẩm tài chính số hóa như tiền gửi, thanh toán, bảo hiểm và chứng khoán Tác giả nhận thấy mối liên hệ giữa các nghiên cứu này và dịch vụ đầu tư, tích lũy Để đảm bảo tính đáng tin cậy của mô hình lý thuyết TAM và UTAUT, tác giả đã tổng hợp và kế thừa những nghiên cứu trước đây sử dụng hai mô hình này trong lĩnh vực dịch vụ Fintech, từ đó làm nền tảng cho nghiên cứu hiện tại.

Dưới đây là thống kê về 4 nghiên cứu trong nước được tác giả tìm thấy và kế thừa

Bảng 2 2: Thống kê các nghiên cứu trong nước liên quan

Tác giả Bối cảnh nghiên cứu Kết quả

Dịch vụ Fintech, Hà Nội • Cảm nhận sự hữu dụng

• Cảm nhận dễ sử dụng

• Mức độ an toàn và bảo mật

• Thái độ của khách hàng Nguyen, Le và Le

Dịch vụ Fintech tại TP

Hồ Chí Minh • Nhận thức lợi ích

Linh (2021) Dịch vụ Fintech tại Khu vực Nam Bộ: Thành phố

Hồ Chí Minh, Thành phố Cần Thơ, An Giang và Đồng Tháp

Oanh(2020) Ngân hàng số tại Việt

• Cảm nhận dễ sử dụng

(Nguồn: Tác giả tổng hợp)

Trong 4 nghiên cứu trong nước mà tác giả tìm thấy đều áp dụng mô hình chấp nhận công nghệ TAM, với 2 biến độc lập là Nhận thức hữu ích và Nhận thức rủi ro Tuy nhiên, trong nghiên cứu của Hằng và cộng sự (2018) đã áp dụng hỗn hợp 3 mô hình TAM và TPB tìm ra 4 nhân tố độc lập mới là Cảm nhận dễ sử dụng, Nhận thức rủi ro, Sự tự chủ,

Thái độ của khách hàng đóng vai trò quan trọng trong việc sử dụng dịch vụ Fintech, theo nghiên cứu của Oanh (2020) sử dụng mô hình TAM Nghiên cứu này chỉ ra bốn nhân tố chính: Nhận thức hữu ích, Nhận thức rủi ro, Cảm nhận dễ sử dụng, và Thái độ Các nghiên cứu trước đây trong nước cũng thống nhất rằng Nhận thức hữu ích và Nhận thức rủi ro có ảnh hưởng đến ý định sử dụng dịch vụ Fintech Từ đó, tác giả khẳng định rằng Thái độ không chỉ là yếu tố trung gian mà còn có ảnh hưởng rõ rệt đến quyết định sử dụng dịch vụ này.

Luận cứ đề xuất giả thuyết nghiên cứu

Dựa trên kết quả từ các nghiên cứu liên quan, tác giả xây dựng mô hình nghiên cứu với 4 biến độc lập: Hiệu suất kỳ vọng, Nỗ lực kỳ vọng, Ảnh hưởng xã hội và Nhận thức rủi ro, tất cả đều tác động gián tiếp đến Ý định sử dụng dịch vụ đầu tư và tích lũy qua ứng dụng Fintech thông qua Thái độ hướng đến sử dụng Bên cạnh đó, Điều kiện thuận lợi là biến độc lập tác động trực tiếp đến Ý định sử dụng Mô hình này liên kết chặt chẽ với 2 biến phụ thuộc: Thái độ hướng đến sử dụng và Ý định hành vi sử dụng, trong đó Thái độ hướng đến sử dụng đóng vai trò trung gian ảnh hưởng đến Ý định sử dụng dịch vụ đầu tư và tích lũy qua ứng dụng Fintech.

Trong 14 nghiên cứu liên quan, có sự đồng thuận rõ rệt khi 9 nghiên cứu chỉ ra 4 nhân tố chính của mô hình UTAUT: Hiệu quả kỳ vọng, Nỗ lực kỳ vọng, Ảnh hưởng xã hội và Điều kiện thuận lợi Ngoài ra, yếu tố Nhận thức rủi ro cũng được nhấn mạnh, với 8/13 nghiên cứu cho rằng nó ảnh hưởng đến Ý định sử dụng dịch vụ Fintech Hơn nữa, nhân tố Thái độ, thuộc thuyết TAM, cũng xuất hiện với vai trò biến trung gian trong 7/13 nghiên cứu, cho thấy tác động của nó đến Ý định sử dụng Fintech.

Tác giả áp dụng mô hình tích hợp giữa sự chấp nhận công nghệ (TAM) và UTAUT, bao gồm bốn biến độc lập từ mô hình UTAUT: Kỳ vọng hiệu suất, Kỳ vọng nỗ lực, Ảnh hưởng xã hội, và Điều kiện thuận lợi, cùng với Nhận thức rủi ro từ các nghiên cứu trước Hai biến phụ thuộc được xem xét là Thái độ hướng đến sử dụng và Ý định hành vi sử dụng Mô hình này cũng kết hợp với ứng dụng của TAM, trong đó biến trung gian đóng vai trò quan trọng.

Thái độ sử dụng là yếu tố trung gian quan trọng, liên kết giữa bốn biến độc lập: Hiệu suất kỳ vọng, Nỗ lực kỳ vọng, Ảnh hưởng xã hội và Nhận thức rủi ro, ảnh hưởng đến Ý định sử dụng dịch vụ đầu tư và tích lũy qua các ứng dụng Fintech.

2.4.1 Hiệu suất kỳ vọng (Performance Expectancy) và Thái độ hướng đến sử dụng (Attitude Towards Use)

Hiệu suất kỳ vọng được định nghĩa là mức độ mà cá nhân tin rằng việc sử dụng hệ thống sẽ giúp họ đạt được thành tích trong công việc (Venkatesh và cộng sự, 2003) Kỳ vọng hiệu suất thể hiện tính hữu dụng nhận thức và là lợi ích tích lũy gắn liền với việc sử dụng công nghệ (Fernando và Touriano, 2018) Nó ảnh hưởng đến thái độ của người tiêu dùng đối với Fintech, khi khách hàng xem xét lợi ích trước khi áp dụng công nghệ Nghiên cứu trước đây đã chỉ ra rằng tính hữu dụng nhận thức có tác động đáng kể đến thái độ của người dùng (Hu và cộng sự, 2019) và tính hiệu suất kỳ vọng có thể ảnh hưởng đến ý định áp dụng ngân hàng di động (Crabbe và cộng sự, 2009) Những phát hiện này cho thấy kỳ vọng hiệu suất có ảnh hưởng đáng kể đến thái độ của người tiêu dùng, đã được thử nghiệm bằng mô hình TAM Dựa vào những kết quả này, giả thuyết khống đã được đề xuất.

H1: Hiệu suất kỳ vọng có tác động tích cực đến Thái độ hướng đến sử dụng ứng dụng

2.4.2 Nỗ lực kỳ vọng (Effort Expectancy) và Thái độ hướng đến sử dụng (Attitude Towards Use)

Nỗ lực kỳ vọng được định nghĩa là "mức độ dễ dàng liên quan đến việc sử dụng một hệ thống" (Venkatesh và cộng sự, 2003) Khái niệm này được xây dựng từ nhận thức về sự dễ sử dụng và độ phức tạp của công nghệ Thái độ của người tiêu dùng đối với ứng dụng Fintech bị ảnh hưởng bởi sự dễ sử dụng của công nghệ, với mức độ nỗ lực cần thiết để sử dụng công nghệ một cách hiệu quả là yếu tố chính Theo Hu và cộng sự (2019), nhận thức dễ sử dụng phản ánh mức độ thư giãn của người tiêu dùng và số nỗ lực mà họ bỏ ra để học cách sử dụng các dịch vụ công nghệ.

Năm 2010, nghiên cứu chỉ ra rằng sự dễ sử dụng đóng vai trò quan trọng trong việc hình thành thái độ và ý định của người tiêu dùng Do đó, hệ thống càng dễ sử dụng thì càng dễ dàng nhận được sự chấp nhận từ phía người tiêu dùng (Omotayo và Adebayo).

Nỗ lực kỳ vọng có tác động tích cực đến thái độ sử dụng hệ thống công nghệ (Fernando và Touriano, 2018) Dựa trên những điều đã nêu, giả thuyết sau đây được đề xuất.

H2: Nỗ lực kỳ vọng có tác động tích cực đến Thái độ hướng đến sử dụng ứng dụng Fintech trong đầu tư và tích lũy

2.4.3 Ảnh hưởng xã hội (Social Influence) và Thái độ hướng đến sử dụng (Attitude Towards Use) Ảnh hưởng xã hội được định nghĩa là "mức độ mà một cá nhân nhận thấy rằng những người quan trọng khác tin rằng họ nên sử dụng hệ thống mới" (Venkatesh và cộng sự,

Ảnh hưởng xã hội có vai trò quan trọng trong việc điều chỉnh hành vi của cá nhân, đặc biệt khi công nghệ được sử dụng một cách bắt buộc, dẫn đến việc người dùng tuân thủ yêu cầu hơn là sở thích cá nhân (Venkatesh và cộng sự, 2003) Nó được định nghĩa là áp lực xã hội mà cá nhân nhận thức được hoặc không, liên quan đến việc tham gia vào các hành vi nhất định (Omotayo và Adebayo, 2015) Ảnh hưởng xã hội còn thể hiện qua việc nội tâm hóa các chuẩn mực của nhóm tham chiếu và các thỏa thuận giữa cá nhân trong bối cảnh xã hội cụ thể (Mazman, Usluel và Cevik, 2009) Nói chung, ảnh hưởng này đến từ người quen, gia đình và bạn bè, tác động mạnh mẽ đến thái độ và ý định của cá nhân đối với công nghệ (Sayid, Echchabi và Aziz, 2012; Lee).

Nghiên cứu của Teo (2011) và Kulviwat cùng các cộng sự (2009) cho thấy ảnh hưởng xã hội là yếu tố quan trọng trong việc áp dụng và sử dụng công nghệ, đặc biệt thông qua thái độ của người dùng Wu và Chen (2015) cũng khẳng định rằng ảnh hưởng xã hội có tác động gián tiếp đến ý định áp dụng công nghệ Dựa trên những phát hiện này, giả thuyết sau đây được đề xuất.

H3: Ảnh hưởng xã hội có tác động tích cực đến Thái độ hướng đến sử dụng ứng dụng Fintech trong đầu tư và tích lũy

2.4.4 Nhận thức rủi ro (Perception Risk) và Thái độ hướng đến sử dụng (Attitude Towards Use)

Nhận thức rủi ro trong đầu tư trực tuyến liên quan đến khả năng mất mát và sự không chắc chắn (Ali và cộng sự, 2021; Chong và cộng sự, 2021; Khan và cộng sự, 2020) Nhà đầu tư thường ưu tiên tránh sai lầm trong mua bán hơn là tối đa hóa lợi nhuận (Khan và cộng sự, 2020) Lo ngại về gian lận và trộm cắp trong giao dịch trực tuyến khiến người tiêu dùng có thái độ tiêu cực và ảnh hưởng đến ý định sử dụng dịch vụ đầu tư di động (Ali và cộng sự, 2021; Chong và cộng sự, 2021).

Các yếu tố rủi ro trong đầu tư trực tuyến bao gồm rủi ro thời gian, tài chính, bảo mật, xã hội, hoạt động và chi phí cơ hội (Al Nawayseh, 2020; Khan và cộng sự, 2020; Seiler và Fanenbruck, 2021) Ý định của người tiêu dùng trong việc sử dụng dịch vụ chuyển tiền di động bị ảnh hưởng mạnh mẽ bởi rủi ro nhận thức (Tobbin, 2010) Tuy nhiên, nhận thức rủi ro không tác động trực tiếp đến ý định sử dụng dịch vụ Fintech (Ali và cộng sự, 2021) Theo Hu và cộng sự (2019), tác động của rủi ro nhận thức đối với ý định có thể là gián tiếp, vì nó ảnh hưởng tiêu cực đến niềm tin và từ đó tác động đến thái độ.

Nghiên cứu của Breward và cộng sự (2017) cho thấy rằng các mối quan tâm nhận thức, tương tự như rủi ro, có ảnh hưởng tiêu cực đáng kể đến thái độ của người dùng đối với các công nghệ thông tin gây tranh cãi Vì vậy, giả thuyết 4 được phát triển dựa trên những phát hiện này.

H4: Nhận thức rủi ro có tác động tiêu cực đến Thái độ hướng đến sử dụng ứng dụng Fintech trong đầu tư và tích lũy

2.4.5 Thái độ hướng đến sử dụng (Attitude Towards Use) và Ý định hành vi sử dụng (Behavioral Intention)

Thái độ là một khuynh hướng đáp ứng thuận lợi hoặc bất lợi với một sản phẩm (Keong,

Thái độ của cá nhân đối với việc sử dụng công nghệ bị ảnh hưởng bởi nhận thức về kết quả mà công nghệ đó mang lại (Ajzen, 1991) Các mô hình như TAM cho thấy rằng thái độ được hình thành từ sự hữu ích nhận thức và tính dễ sử dụng (Davis, 1986) Ý định của một người để thực hiện hành vi cụ thể phản ánh mức độ sẵn sàng của họ (Omotayo và Adebayo, 2015), và điều này có thể ảnh hưởng đến sự lựa chọn (Keong, 2016; Arunkumar, 2016) Thái độ không chỉ song song mà còn thúc đẩy ý định sử dụng công nghệ trong giao dịch hàng ngày (Chong và cộng sự, 2019) Nhiều nghiên cứu đã chỉ ra rằng thái độ tích cực của người tiêu dùng có ảnh hưởng đáng kể đến ý định sử dụng công nghệ (Venkatesh và cộng sự, 2003; Omotayo và Adebayo, 2015; Huet và cộng sự, 2019) Từ đó, tác giả đưa ra giả thuyết.

H5: Thái độ hướng đến sử dụng có tác động tích cực đến Ý định hành vi sử dụng ứng dụng Fintech trong đầu tư và tích lũy

2.4.6 Điều kiện thuận lợi (Facilitating Conditions) và Ý định hành vi sử dụng

Tiến trình nghiên cứu

(Nguồn: Tác giả nghiên cứu)

Xây dựng cơ sở lý thuyết mô hình về ý định hành vi sử dụng

Xin ý kiến chuyên gia, người dùng có kinh nghiệm Thiết kế lại thang đo

Nghiên cứu định lượng chính thức

Nghiên cứu định lượng sơ bộ (40 phiếu khảo sát)

Loại các biến có tương quan với biến tổng < 0,3 hệ số Cronbach’s Alpha >0,6

Phân tích nhân tố khẳng định CFA

Mô hình cấu trúc tuyến tính SEM là công cụ quan trọng trong việc đánh giá độ tương thích với dữ liệu thị trường Nó cho phép kiểm tra độ tin cậy tổng hợp, phương sai trích, cũng như giá trị hội tụ và phân biệt Phân tích này giúp xác định mức độ chính xác và độ tin cậy của mô hình, từ đó nâng cao khả năng dự đoán và hiểu biết về các mối quan hệ giữa các biến trong nghiên cứu.

Kiểm tra độ thích hợp của mô hình Kiểm tra các gải thuyết của mô hình

Phân tích nhân tố khám phá EFA

Loại các biến có hệ số tải < 0,5

Kiểm tra trị số KMO (0.5 ≤ KMO ≤ 1) Tổng phương sai trích đạt từ 50% trở lên

Kiểm định giả thuyết, Kiểm định ANOVA

Hình 3 2 Tiến trình nghiên cứu

Nghiên cứu được thực hiện qua hai giai đoạn chính:

Nghiên cứu định tính bắt đầu bằng việc xác định tính cấp thiết của đề tài và các vấn đề hiện tại, từ đó đặt ra mục tiêu, phương pháp và ý nghĩa nghiên cứu Các lý thuyết liên quan từ các nghiên cứu trong và ngoài nước được tìm hiểu để xây dựng cơ sở lý thuyết cho mô hình đề xuất Mô hình này dựa trên lý thuyết về sự chấp nhận công nghệ (TAM) và mô hình thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT) Các thang đo được phát triển dựa trên nghiên cứu liên quan và sau đó được thảo luận với giáo viên hướng dẫn cũng như những người có kinh nghiệm trong lĩnh vực Fintech để đảm bảo tính tin cậy và giá trị của thang đo, cuối cùng tiến hành chỉnh sửa theo ý kiến đóng góp.

Nghiên cứu định lượng sơ bộ được thực hiện dựa trên các thang đo từ tài liệu tham khảo và ý kiến phỏng vấn của chuyên gia cũng như người dùng có kinh nghiệm trong lĩnh vực ứng dụng Fintech Tác giả đã thiết lập bảng câu hỏi và tiến hành khảo sát bằng cách phát 40 bảng khảo sát online nhằm kiểm tra tính phù hợp của các nhân tố với thực tiễn Kết quả khảo sát sẽ giúp điều chỉnh bảng hỏi trước khi tiến hành nghiên cứu định lượng chính thức.

Sau khi hoàn thiện thang đo chính thức, tác giả đã thiết kế bảng câu hỏi trên Google Form để tiến hành khảo sát Liên kết khảo sát được chia sẻ đến bạn bè trên Facebook, Zalo và Instagram, bao gồm cả những người chưa từng tìm hiểu sâu về đầu tư và tích lũy qua ứng dụng Fintech, cũng như những người đã hoặc đang sử dụng dịch vụ đầu tư/tích lũy trên các ứng dụng này.

Trong nghiên cứu, tổng cộng có 434 người tham gia khảo sát, trong đó 34 phiếu không đúng đối tượng đã bị loại, để lại 400 phiếu hợp lệ Dữ liệu thu thập được đã được sàng lọc và làm sạch trước khi tiến hành phân tích Các nghiên cứu định lượng chính thức được thực hiện để kiểm tra thang đo và mô hình nghiên cứu, sử dụng phần mềm SPSS 24.0 và AMOS 24.0 Thang đo được kiểm định bằng hệ số tin cậy Cronbach's Alpha và phân tích nhân tố khám phá EFA Mô hình nghiên cứu sau đó được kiểm định thông qua các phương pháp thống kê mô tả, phân tích nhân tố khẳng định CFA, kiểm định giá trị trung bình, phân tích mô hình cấu trúc tuyến tính SEM và phân tích phương sai One-way ANOVA.

Nghiên cứu định tính được thực hiện nhằm khám phá và điều chỉnh các biến quan sát trong mô hình đo lường khái niệm Sau khi xây dựng mô hình nghiên cứu và bảng câu hỏi khảo sát ban đầu, tác giả đã tham khảo ý kiến chuyên gia ThS Vũ Thị Mai Chi và tổ chức thảo luận nhóm với 5 nhà đầu tư đã sử dụng ứng dụng Fintech Mục đích của cuộc thảo luận là làm rõ tính dễ hiểu của các thang đo liên quan đến ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy Cuối cùng, các đáp viên đã đóng góp ý kiến để hiệu chỉnh thang đo cho phù hợp Nghiên cứu này được thực hiện vào tháng 3/2023.

3.3.2.1 Nghiên cứu định lượng sơ bộ

Sau khi hoàn thiện thang đo nghiên cứu với 5 yếu tố độc lập: Hiệu suất kỳ vọng, Nỗ lực kỳ vọng, Ảnh hưởng xã hội, Nhận thức rủi ro, và Điều kiện thuận lợi, cùng 2 yếu tố phụ thuộc: Thái độ hướng đến sử dụng và Ý định hành vi sử dụng, tác giả đã tiến hành nghiên cứu sơ bộ Bằng cách sử dụng bảng câu hỏi online qua Google Forms, tác giả đã thu thập ý kiến từ 40 người tiêu dùng và nhà đầu tư tại Thành phố Hồ Chí Minh Sau khi nhận được 50 câu trả lời từ khảo sát, tác giả đã tiến hành mã hóa, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS 24.0 để kiểm định độ tin cậy thông qua hệ số Cronbach’s Alpha.

Các giá trị hệ số Cronbach's alpha từ 0,8 đến gần 1 cho thấy thang đo có chất lượng tốt, trong khi các giá trị từ 0,7 đến 0,8 có thể chấp nhận được cho phân tích tiếp theo (Nunnally và Bernstein, 1994) Những biến không phù hợp, tức là các biến quan sát có hệ số tương quan tổng hạng mục dưới 0,3, sẽ bị loại bỏ khỏi thang đo (Fabrigar và Wegener).

Kết quả kiểm định độ tin cậy Cronbach’s Alpha trong nghiên cứu định lượng sơ bộ cho các thang đo cho thấy: Hiệu suất kỳ vọng (PE) đạt 0,885, Nỗ lực kỳ vọng (EE) là 0,776, Ảnh hưởng xã hội (SI) là 0,866, Nhận thức rủi ro (PR) đạt 0,833, Điều kiện thuận lợi (FC) là 0,704, Thái độ hướng đến sử dụng (ATU) đạt 0,785 và Ý định hành vi sử dụng (BI) có giá trị cao nhất là 0,904.

Các hệ số Cronbach’s Alpha của các biến quan sát trong từng thang đo đều lớn hơn 0.7, và hệ số tương quan biến tổng đều lớn hơn 0.3, chứng tỏ các thang đo đạt tiêu chuẩn và có ý nghĩa thống kê Do đó, tác giả đã đưa các thang đo vào nghiên cứu định lượng chính thức Kết quả cụ thể của từng thang đo có thể được xem tại phụ lục 2.

3.3.2.2 Nghiên cứu định lượng chính thức

Sau khi hoàn tất nghiên cứu định lượng sơ bộ, các giả thuyết và biến quan sát của mô hình nghiên cứu đã được hoàn thiện, và bước nghiên cứu định lượng chính thức được tiến hành Phương pháp nghiên cứu chính của bài luận dựa trên kết quả từ nghiên cứu định tính trước đó Mục tiêu của nghiên cứu này là khảo sát trực tiếp khách hàng để thu thập dữ liệu thông qua bảng câu hỏi khảo sát Thông tin thu thập sẽ được sử dụng để đánh giá độ tin cậy và giá trị của thang đo, cũng như kiểm định thang đo và sự phù hợp của mô hình.

Công cụ khảo sát

Trong nghiên cứu này, tác giả đã thực hiện phỏng vấn không chính thức thông qua bảng câu hỏi được thiết kế trên Google Forms Đối tượng phỏng vấn được yêu cầu điền thông tin và đánh giá các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại thành phố Hồ Chí Minh, dựa trên bảng câu hỏi đã được chuẩn bị sẵn.

Dựa trên các khái niệm lý thuyết cơ bản, bài viết xem xét tài liệu nghiên cứu liên quan, kết hợp với kết quả phỏng vấn chuyên gia và nghiên cứu định lượng sơ bộ Thang đo được xây dựng với độ tin cậy cao, phù hợp với mục tiêu nghiên cứu Mô hình nghiên cứu đề xuất sẽ được trình bày chi tiết trong bài viết.

Nghiên cứu này sử dụng 6 cấu trúc khái niệm và 35 biến quan sát thông qua thang đo Likert, được định nghĩa là thang đo cho phép người trả lời chọn lựa giữa các mức độ đồng ý khác nhau, từ 1 “rất không đồng ý” đến 5 “rất đồng ý” (Thọ, 2013) Kết quả nghiên cứu định lượng sơ bộ cho thấy thang đo Likert phù hợp cho mục đích nghiên cứu Để thu thập thông tin về đặc điểm mẫu nghiên cứu, thang đo định danh đã được áp dụng để ghi nhận các thông tin như giới tính, tuổi, học vấn và thu nhập Các thang đo này được xây dựng dựa trên các biến đề xuất đã được tổng hợp từ các nghiên cứu trước đó.

Bảng 3 1: Thang đo nghiên cứu

Nhân tố Biến quan sát Mã hóa Nguồn

1 Sử dụng các ứng dụng Fintech trong đầu tư và tích lũy giúp đáp ứng nhu cầu đầu tư và tích lũy của tôi

PE1 Lockett và cộng sự

2 Sử dụng các ứng dụng Fintech trong đầu tư và tích lũy giúp tôi tiết kiệm thời gian và chi phí

Venkatesh và cộng sự (2003), Hu và cộng sự (2019)

3 Đầu tư và tích lũy qua các ứng dụng Fintech sẽ làm tăng hiệu quả đầu tư và tích lũy của tôi

4 Sử dụng các ứng dụng Fintech trong đầu tư giúp tôi giao dịch chứng khoán thuận tiện hơn

5 Nhìn chung, dịch vụ đầu tư và tích lũy trên ứng dụng Fintech rất hữu ích với tôi

Nỗ lực kỳ vọng (EE)

6 Tôi nhận thấy rằng giao diện của các ứng dụng Fintech cung cấp dịch vụ đầu tư và tích lũy thì dễ hiểu và thân thiện

EE1 Venkatesh và cộng sự (2003); Mtebe và Raisamo (2014); Fernando và cộng sự (2018); Fortagne và cộng sự (2023)

7 Tôi thấy rằng các ứng dụng Fintech cung cấp dịch vụ đầu tư và tích lũy rất dễ sử dụng

8 Tôi có thể dễ dàng học cách vận hành của các ứng dụng Fintech cung cấp dịch vụ đầu tư và tích lũy

9 Tôi nghĩ rằng giao dịch trên các ứng dụng Fintech có hiệu quả cao hơn là giao dịch thông thường

10 Tôi sẽ sử dụng các ứng dụng Fintech trong đầu tư và tích lũy một cách khéo léo

Nhân tố Biến quan sát Mã hóa Nguồn Ảnh hưởng xã hội (SI)

11 Bạn bè khuyên tôi sử dụng các ứng dụng Fintech để đầu tư và tích lũy

SI1 Mtebe và cộng sự

(2014); Venkatesh và cộng sự (2003); Fortagne và cộng sự (2023); Wei, Min- Fang và cộng sự

12 Gia đình khuyến khích tôi sử dụng các ứng dụng Fintech để đầu tư và tích lũy

13 Người nổi tiếng (ví dụ, các thần tượng yêu thích của tôi) nghĩ rằng tôi nên sử dụng các ứng dụng Fintech để đầu tư và tích lũy

14 Tôi thấy rằng những người sử dụng ứng dụng Fintech trong đầu tư và tích lũy có một vị thế nhất định

SI4 Fortagne và cộng sự

15 Đầu tư và tích lũy qua ứng dụng Fintech sẽ nâng cao sự tự tôn của tôi

SI5 Wei, Min-Fang và cộng sự (2021)

16 Tôi cũng sẽ sử dụng ứng dụng Fintech trong đầu tư và tích lũy theo những người xung quanh

Nhận thức rủi ro (PR)

17 Tôi nghĩ rằng việc sử dụng các ứng dụng Fintech trong đầu tư và tích lũy sẽ tạo ra rủi ro tài chính (ví dụ: rủi ro mất tiền do gian lận, lỗi giao dịch hoặc hoạt động sai)

18 Tôi có nguy cơ không nhận được tiền bồi thường nếu có lỗi trên nền tảng đầu tư và tích lũy qua các ứng dụng Fintech

19 Theo tôi, có sự không chắc chắn lớn khi đầu tư và tích lũy trên các ứng dụng Fintech

20 Tôi lo lắng về các cuộc tấn công gian lận và tin tặc khi thực hiện các giao dịch thông qua việc đầu tư và tích lũy trên các ứng dụng Fintech

Thái độ 21 Sử dụng các ứng dụng Fintech ATU1 Hu và cộng sự

Nhân tố Biến quan sát Mã hóa Nguồn hướng đến sử dụng

(ATU) trong đầu tư và tích lũy là một trải nghiệm thú vị

22 Tôi quan tâm đến các dịch vụ

23 Nếu đã sử dụng các ứng dụng Fintech trong đầu tư và tích lũy, tôi sẵn sàng tiếp tục sử dụng chúng

24 Tôi thích ý tưởng sử dụng công nghệ, đơn giản hóa việc đầu tư và tích lũy qua ứng dụng Fintech

ATU4 Hu và cộng sự

25 Đầu tư và tích lũy qua các ứng dụng Fintech là một ý tưởng khôn ngoan

ATU5 Điều kiện thuận lợi

26 Tôi có điều kiện tài chính để đầu tư và tích lũy qua các ứng dụng Fintech

Mtebe và cộng sự (2014); Venkatesh và cộng sự (2003); Patil và cộng sự

27 Tôi có kiến thức tài chính để đầu tư và tích lũy qua các ứng dụng Fintech

28 Tôi có thể nhận được sự giúp đỡ từ nhân viên kỹ thuật khi tôi gặp vấn đề khi đầu tư và tích lũy qua các ứng dụng Fintech

29 Tôi có thể nhận được sự giúp đỡ từ cộng đồng người dùng ứng dụng Fintech khi gặp khó khăn trong lúc sử dụng các ứng dụng Fintech để đầu tư và tích lũy

30 Hướng dẫn liên quan đến việc sử dụng các ứng dụng Fintech trong đầu tư và tích lũy luôn có sẵn cho tôi

FC5 Patil và cộng sự

(2020) Ý định hành vi sử dụng (BI)

31 Tôi sẽ sử các ứng dụng Fintech để đầu tư và tích lũy trong tương lai

Fernando và cộng sự (2018); Hu và cộng sự (2019); Venkatesh và cộng

32 Tôi dự định sử dụng các ứng BI2

Nhân tố Biến quan sát Mã hóa Nguồn dụng Fintech trong đầu tư và tích lũy sự (2003); Keong (2016); Fortagne và cộng sự (2023)

33 Tôi sẽ giới thiệu dịch vụ đầu tư và tích lũy qua các ứng dụng Fintech cho bạn bè

Hu và cộng sự (2019); Fortagne và cộng sự (2023)

34 Tôi sẽ tăng tần suất sử dụng các ứng dụng Fintech trong đầu tư và tích lũy

BI4 Hu và cộng sự

35 Tôi luôn muốn sử dụng các ứng dụng Fintech trong đầu tư và tích lũy

BI5 Fortagne và cộng sự

Nguồn: Tác giả nghiên cứu

3.3.2 Kết cấu bảng khảo sát

Bảng hỏi gồm bốn phần:

Phần 1 đưa ra một đoạn lời ngỏ giới thiệu về người nghiên cứu, mục đích nghiên cứu, tính cấp thiết của nghiên cứu, sự đảm bảo về bảo mật thông tin của đáp viên nhằm tăng sự hợp tác cho việc cung cấp thông tin chính xác của đáp viên

- Phần 2: Thông tin tổng quát

Mục đích của việc thu thập thông tin là nhằm hiểu rõ hơn về các đặc điểm nhân khẩu học của người trả lời, bao gồm giới tính, độ tuổi, nghề nghiệp và thu nhập cá nhân Các thang đo được xây dựng theo hình thức thang đo định danh để đảm bảo tính chính xác và dễ dàng phân tích dữ liệu.

Phần 3 của bài viết tập trung vào việc tìm hiểu ý định sử dụng dịch vụ đầu tư và tích lũy qua các ứng dụng Fintech Các câu hỏi được đưa ra nhằm khai thác thông tin về các yếu tố quan trọng trong mô hình này, giúp hiểu rõ hơn về động lực và xu hướng của người dùng trong việc áp dụng công nghệ tài chính.

Nghiên cứu này nhằm đề xuất các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại TP.HCM Các thang đo được thiết kế theo mô hình thang đo Likert với 5 mức độ, giúp đánh giá mức độ đồng ý của người dùng với các khía cạnh khác nhau của ứng dụng Fintech.

Phần này nhằm ghi nhận các ý kiến đóng góp bổ sung không được thể hiện trong các thang đo trước đó, giúp phát hiện thông tin mới mà người nghiên cứu không dự tính trong quá trình nghiên cứu.

Phương pháp thu thập dữ liệu

Dữ liệu thứ cấp là thông tin được thu thập từ các nguồn có sẵn, đã qua xử lý và tổng hợp Các cơ sở lý thuyết cùng với bài viết được chọn lọc đóng vai trò quan trọng trong nghiên cứu Để thu thập dữ liệu thứ cấp cần thiết, tác giả có thể sử dụng sách, giáo trình, tài liệu liên quan, và tìm kiếm thông tin trên Internet, đặc biệt là từ các trang web như ScienceDirect, Google Scholar, cũng như các bài nghiên cứu và luận văn trong và ngoài nước liên quan đến đề tài nghiên cứu.

Kích thước mẫu lớn trong nghiên cứu giúp giảm sai số ước lượng và tăng khả năng đại diện cho tổng thể Yêu cầu về kích thước mẫu phụ thuộc vào nhiều yếu tố, bao gồm độ tin cậy của dữ liệu, mức sai số chấp nhận được, loại kiểm định và phân tích sẽ thực hiện, cũng như kích thước tổng thể.

Trong phân tích nhân tố khám phá (EFA), kích thước mẫu cần được xác định dựa trên kích thước tối thiểu và số lượng biến đo lường Theo Hair và cộng sự (2014), cỡ mẫu tối thiểu cho EFA là 50, nhưng lý tưởng nhất là 100 trở lên Tỷ lệ quan sát trên mỗi biến nên là 5:1 hoặc 10:1, tức là mỗi biến cần ít nhất 5 quan sát Với 35 biến quan sát, mẫu nghiên cứu cần có ít nhất 350 mẫu (n = 10 x 35) Để đảm bảo tính đại diện, tác giả quyết định tăng thêm 50 mẫu, do đó tổng số mẫu sẽ là 400.

Để đáp ứng mục tiêu của đề tài, tác giả đã chọn phương pháp chọn mẫu phi xác suất, cụ thể là phương pháp chọn mẫu thuận tiện (Convenience Sampling) Phương pháp này giúp tiết kiệm thời gian và chi phí cho nghiên cứu Trong nghiên cứu, tác giả sử dụng ứng dụng Google Biểu mẫu để thiết kế và chuyển đổi bảng câu hỏi khảo sát định lượng sang định dạng trực tuyến, nhằm tìm kiếm các đối tượng khảo sát.

Tác giả đã gửi liên kết bảng khảo sát trực tuyến qua Google Forms đến các thành viên trong các nhóm đầu tư và tích lũy trên Facebook và Zalo như Cộng đồng Infina, Cộng đồng Finhay, Nhà đầu tư F0, và Tự học chứng khoán Để đảm bảo tính đại diện của mẫu, tác giả đã thu thập dữ liệu từ nhiều nhóm tuổi, nghề nghiệp và giới tính Đối tượng khảo sát bao gồm những người chưa từng sử dụng, đã từng hoặc đang sử dụng các ứng dụng Fintech hỗ trợ đầu tư và tích lũy tại Thành phố Hồ Chí Minh Tổng cộng có 434 phiếu khảo sát được thu thập, trong đó 34 phiếu không phù hợp với tiêu chí khảo sát đã bị loại, dẫn đến 400 mẫu chính thức được sử dụng cho phân tích.

Các phương pháp phân tích thống kê

3.5.1 Phân tích thống kê mô tả (Descriptive Statistic)

Phân tích thống kê mô tả là một phương pháp quan trọng trong việc phân tích dữ liệu khảo sát, sử dụng SPSS để tính toán các chỉ số như trung bình, độ lệch chuẩn, tổng, tối thiểu và tối đa Nó giúp mô tả các yếu tố như giới tính, tuổi tác, nghề nghiệp, thu nhập hàng tháng và trình độ học vấn thông qua các thang danh nghĩa và thang phân cấp Bằng cách tính toán tần suất và tỷ lệ phần trăm của từng nhóm biến, chúng ta có thể hiểu rõ hơn về tình hình cụ thể và đưa ra những nhận định chính xác.

3.5.2 Kiểm định độ tin cậy của thang đo (Cronbach’s Alpha) Được phát triển bởi Cronbach (1951), hệ số Cronbach's Alpha là một kiểm định thống kê đo lường mối quan hệ giữa các biến quan sát của một nhân tố Điều này cho thấy nếu kiểm định tốt thì biến quan sát phù hợp để đo lường yếu tố/ khái niệm tiềm ẩn và ngược lại .Hệ số này được sử dụng để đánh giá tính nhất quán bên trong của các biến trong tập dữ liệu là thước đo mức độ tin cậy trên một thang đo nhất định, được áp dụng để xác định ban đầu các biến, mang lại kết quả nhất quán về mối quan hệ giữa các biến đó Nó giúp đo lường mối tương quan giữa các biến quan sát trong thang đo (Hair Jr, Hult, Ringle và Sarstedt, 2016)

Hệ số Cronbach's Alpha là công cụ quan trọng để loại bỏ các biến không phù hợp, cụ thể là các biến quan sát có hệ số tương quan tổng hạng mục dưới 0,3, nhằm cải thiện độ tin cậy của thang đo (Fabrigar và Wegener).

Hệ số Cronbach's Alpha là công cụ đo lường độ tin cậy của thang đo với ít nhất 3 biến quan sát, không cần sử dụng SPSS để tính toán độ tin cậy từng biến Giá trị Cronbach's Alpha từ 0,8 đến gần 1 cho thấy thang đo tốt, trong khi giá trị từ 0,7 đến 0,8 là chấp nhận được cho phân tích tiếp theo (Nunnally và Bernstein, 1994) Đối với các nghiên cứu mới hoặc chưa quen thuộc với người trả lời, Cronbach's Alpha từ 0,6 trở lên được xem là chấp nhận (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) Trong nghiên cứu này, nhóm tác giả đã chọn tiêu chí Cronbach's Alpha là 0,6 để phù hợp với nghiên cứu khám phá.

3.5.3 Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)

Phân tích nhân tố khám phá (EFA) là phương pháp phân tích định lượng giúp kết hợp nhiều biến đo lường thành một tập hợp có ý nghĩa hơn, đồng thời giữ lại hầu hết thông tin của tập biến ban đầu (Hair và cộng sự, 2009) EFA thuộc nhóm kỹ thuật phụ thuộc lẫn nhau, không phân biệt biến phụ thuộc và độc lập, mà dựa vào mối tương quan giữa các biến Để thực hiện EFA, cần thỏa mãn một số điều kiện nhất định.

Hệ số tải nhân tố (Factor loading) lớn hơn 0.5 là tiêu chí quan trọng để đảm bảo tính ý nghĩa của phân tích yếu tố khám phá (EFA) theo Hair và cộng sự (2009) Để đạt được giá trị phân biệt, hệ số tải của nhân tố này cũng cần phải lớn hơn 0.3 so với hệ số tải của các nhân tố khác (Fabrigar và Wegener, 2011).

• Factor loading > 0.3 được xem là đạt mức tối thiểu khi kích cỡ mẫu từ 350 trở lên

• Factor loading > 0.4 được xem là quan trọng khi kích cỡ mẫu từ 200 trở lên

• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn khi kích cỡ mẫu từ 120 trở lên

Hệ số KMO (Kaiser-Meyer-Olkin) nằm trong khoảng từ 0.5 đến 1, được sử dụng để đánh giá sự phù hợp của phân tích nhân tố Trị số KMO cao cho thấy rằng phân tích nhân tố là thích hợp, theo nghiên cứu của Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008).

Kiểm định Bartlett có ý nghĩa thống kê khi giá trị Sig nhỏ hơn 0.05, cho thấy giả thuyết rằng các biến không có tương quan trong tổng thể không được chấp nhận Điều này chỉ ra rằng các biến quan sát có mối tương quan với nhau trong tổng thể.

Phần trăm phương sai trích (Percentage of variance) trên 50% cho thấy mức độ biến thiên của các biến quan sát Điều này có nghĩa là nếu coi biến thiên là 100%, giá trị này sẽ chỉ ra tỷ lệ phần trăm mà phân tích nhân tố có thể giải thích.

Hệ số Eigenvalue thể hiện mức độ biến thiên mà mỗi nhân tố giải thích, với chỉ những nhân tố có Eigenvalue lớn hơn 1 mới có khả năng tóm tắt thông tin hiệu quả Các nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Gerbing và Anderson, 1998).

Sau khi thực hiện phân tích EFA, các yếu tố rút ra sẽ được áp dụng trong phân tích hồi quy đa biến và tiếp tục với phân tích nhân tố khẳng định (CFA) để đánh giá độ tin cậy của mô hình hoặc thực hiện mô hình cấu trúc tuyến tính (SEM) nhằm kiểm định mối quan hệ phức tạp giữa các khái niệm Nghiên cứu này sẽ áp dụng phương pháp trích Principal Axis Factoring với phép xoay Promax trong phân tích EFA trong giai đoạn phân tích định lượng chính thức Theo Gerbing và Anderson (1998), phương pháp này sẽ phản ánh cấu trúc dữ liệu chính xác hơn so với phương pháp trích Principal Components với phép xoay Varimax.

3.5.4 Phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis)

Phân tích nhân tố khẳng định (CFA) là bước kiểm định quan trọng sau khi thực hiện phân tích nhân tố khám phá (EFA), nhằm xác định xem dữ liệu có phù hợp với mô hình đo lường giả định hay không Được phát triển lần đầu bởi Joreskog vào năm 1969, CFA là công cụ xác nhận hoặc bác bỏ lý thuyết đo lường và thuộc về các kỹ thuật thống kê trong mô hình cấu trúc tuyến tính (SEM) CFA cho phép kiểm tra mức độ phù hợp của các biến quan sát với các nhân tố, từ đó làm sáng tỏ nhiều khía cạnh liên quan đến mô hình nghiên cứu.

• Đo lường tính đơn hướng:

Theo nghiên cứu của Theo Hair và cộng sự (1998), mức độ phù hợp của mô hình với dữ liệu thị trường là điều kiện cần và đủ để tập biến quan sát đạt tính đơn hướng, trừ khi các sai số giữa các biến quan sát có tương quan Để đánh giá mức độ phù hợp với thông tin thị trường, các tiêu chí thường được sử dụng trong mô hình CFA yêu cầu chỉ số Chi-square/df điều chỉnh theo bậc tự do (CMIN/df) phải nhỏ hơn 3 (CMIN/df ≤ 3).

Các chỉ số đánh giá mô hình như CMIN/df ≤ 5, CFI ≥ 0.9, GFI ≥ 0.9 và RMSEA ≤ 0.08 là rất quan trọng trong nghiên cứu (Hair và cộng sự, 2010) CFI ≥ 0.95 được xem là rất tốt, trong khi GFI ≥ 0.95 cũng đạt tiêu chuẩn cao Tuy nhiên, do hạn chế về cỡ mẫu, nhiều đề tài có thể gặp khó khăn trong việc đạt GFI ≥ 0.9, vì chỉ số này phụ thuộc vào số lượng thang đo, biến quan sát và kích thước mẫu Do đó, nếu GFI nằm trong khoảng từ 0.8 đến dưới 0.9, vẫn có thể được chấp nhận (Hair và cộng sự, 1998).

• Đánh giá độ tin cậy (Reliability) của thang đo:

Theo Hair và cộng sự (2010), để đảm bảo độ tin cậy trong phân tích nhân tố khẳng định (CFA), độ tin cậy tổng hợp (CR) cần lớn hơn 0,6 và phương sai trích trung bình (AVE) phải lớn hơn 0,5 Đặc biệt, độ tin cậy của các biến quan sát đo lường một khái niệm cũng rất quan trọng, thường được đánh giá bằng hệ số Cronbach’s Alpha, phản ánh tính kiên định nội tại của các biến trong thang đo Khi mô hình CFA đạt yêu cầu, nếu CR lớn hơn 0,7 và AVE lớn hơn 0,5, thang đo được coi là đáng tin cậy và có thể sử dụng cho phân tích SEM (Hair và cộng sự, 2006).

PHÂN TÍCH DỮ LIỆU

Phân tích dữ liệu thứ cấp

4.1.1 Giới thiệu tổng quan về số liệu liên quan ngành Fintech Việt Nam và nhu cầu đầu tư/tích lũy tại Tp Hồ Chí Minh

Trong những năm gần đây, lĩnh vực Fintech tại Việt Nam đã phát triển mạnh mẽ, không kém gì xu hướng toàn cầu Theo McKinsey & Company, tỷ lệ người dùng dịch vụ Fintech tại Việt Nam đã tăng từ 16% năm 2017 lên 56% vào năm 2021 Nghiên cứu của Solidiance cho thấy giá trị giao dịch của thị trường Fintech Việt Nam đã tăng từ 4,4 tỷ USD vào năm 2017 lên 7,8 tỷ USD.

Tính đến năm 2022, thị trường Fintech Việt Nam đã ghi nhận sự tăng trưởng 77% trong vòng 03 năm, với số lượng công ty tăng gấp đôi từ khoảng 40 lên gần 200 Hiện tại, Việt Nam có 188 công ty Fintech, chủ yếu hoạt động trong lĩnh vực thanh toán trực tuyến và giải pháp thanh toán kỹ thuật số như C2P, VTPay, OnePay, và MoMo Ngoài ra, một số công ty cũng tham gia vào các lĩnh vực gọi vốn, quản lý tài chính cá nhân, cho vay, và so sánh thông tin Đặc biệt, các ứng dụng Fintech hỗ trợ quản lý tài chính cá nhân và đầu tư như Infina, Finhay, và Tikop đang nổi bật trong cộng đồng khởi nghiệp tài chính.

Hình 4 1: Thống kê các công ty Fintech tại Việt Nam năm 2021

Dịch vụ đầu tư và tích lũy trên ứng dụng Fintech đã trở thành một điểm sáng và có sự tăng trưởng mạnh mẽ trong những năm gần đây, nối tiếp thành công của các dịch vụ Fintech trước đó Năm 2017, ứng dụng đầu tư cá nhân Finhay, với hơn 2,7 triệu người dùng, đã xuất sắc giành giải Nhì tại Fintech Summit 2019 do Vietnam Silicon Valley Accelerator tổ chức và được vinh danh trong danh sách Top 100 Fintech toàn cầu cùng năm Tương tự, Infina cũng ghi dấu ấn trong lĩnh vực này.

Trong năm 2021, chỉ trong 5 tháng đầu năm, đã có 500.000 tài khoản giao dịch mới được mở, đánh dấu mức tăng kỷ lục 20% so với toàn bộ năm 2020 Đồng thời, MoMo cũng đã thành công trong việc gọi vốn vòng Series vào đầu năm 2021.

MoMo đã thu hút thêm 100 triệu USD, nâng tổng số vốn gọi lên khoảng 232,7 triệu USD Thành công này phản ánh nhu cầu đầu tư và tích lũy cá nhân đang gia tăng mạnh mẽ tại thị trường Việt Nam Theo Trung tâm Lưu ký Chứng khoán (VSD), chỉ trong tháng qua, sự quan tâm đến các cơ hội đầu tư đã trở nên rõ rệt.

Trong năm 2021, nhà đầu tư cá nhân trong nước đã mở mới 140.054 tài khoản, đạt mức cao nhất từ trước đến nay Trong 6 tháng đầu năm, tổng số tài khoản giao dịch chứng khoán mới của nhà đầu tư cá nhân lên tới 619.911 tài khoản, tăng 58% so với cả năm 2020 Tính đến cuối năm 2021, toàn thị trường chứng khoán có hơn 3,394 triệu tài khoản giao dịch, trong đó hơn 3,344 triệu tài khoản thuộc về nhà đầu tư cá nhân trong nước, chiếm trên 98,5%.

Hình 4 2: Số lượng tài khoản giao dịch chứng khoán của cá nhân trong nước tại năm

Theo SSI, tỷ trọng giá trị giao dịch của nhà đầu tư cá nhân trong nước đạt mức cao kỷ lục 87% vào tháng 5/2021 Tính từ đầu năm đến nay, tỷ trọng giao dịch của nhóm này duy trì ở mức 83,3%, là mức cao nhất trong những năm gần đây.

Sự gia tăng đột biến số lượng nhà đầu tư cá nhân đã tạo động lực mạnh mẽ cho sự phát triển của thị trường chứng khoán và các dịch vụ đầu tư chứng khoán Trong năm qua, số lượng tài khoản giao dịch chứng khoán mới của các nhà đầu tư cá nhân đã tăng gấp đôi, cho thấy sự quan tâm ngày càng lớn đối với lĩnh vực này.

Trong nửa đầu năm 2021, tổng số tài khoản mới đã vượt qua số lượng tài khoản mới được mở trong cả năm 2019 và 2020, theo nhận định của Michael Kokalari, Chuyên gia Kinh tế trưởng của VinaCapital.

Các cộng đồng đầu tư và tích lũy đang phát triển mạnh mẽ, với những cuộc thảo luận trực tuyến sôi nổi về cổ phiếu, quỹ đầu tư và quỹ ETF Sự quan tâm đặc biệt đang dành cho các công ty quản lý quỹ và ứng dụng Fintech hỗ trợ đầu tư trong nước.

Tại Thành phố Hồ Chí Minh, dịch vụ đầu tư và tích lũy qua ứng dụng Fintech đang có cơ hội tăng trưởng mạnh mẽ nhờ vào sự phát triển của thị trường tài chính ngân hàng và nhu cầu đầu tư tích lũy Đến cuối năm 2020, thành phố đã có 2.164 đơn vị tài chính tín dụng hoạt động, với hệ thống tổ chức tín dụng duy trì tốc độ tăng trưởng tích cực Các tổ chức này không ngừng nâng cao chất lượng quản trị, điều hành, và hiện đại hóa hệ thống thanh toán, nhằm hướng tới tăng trưởng an toàn và bền vững trong tương lai.

Từ năm 2011 đến 2020, hoạt động tài chính tại Thành phố Hồ Chí Minh đã có những bước tiến đáng kể, với tốc độ tăng trưởng huy động vốn bình quân đạt 13,7% và tín dụng tăng bình quân 13,6% (Minh, 2023).

Dịch vụ đầu tư qua ứng dụng Fintech đang ngày càng được ưa chuộng tại Thành phố Hồ Chí Minh, nhờ vào nhu cầu đầu tư tăng cao của các nhà đầu tư Theo báo cáo từ Sở giao dịch Chứng khoán Thành phố Hồ Chí Minh (HoSE), năm 2021, tỷ lệ giao dịch của nhà đầu tư cá nhân trong nước đã chiếm hơn 83% tổng giá trị giao dịch toàn thị trường, tăng so với mức 70% vào năm 2019.

2022 tổng giá trị đầu tư dưới hình thức góp vốn, mua cổ phần tại Thành phố Hồ Chí Minh đạt hơn 1,74 tỷ USD

Nhu cầu gửi tiết kiệm tại các ngân hàng ở Hồ Chí Minh đã tăng mạnh, tạo điều kiện cho dịch vụ tích lũy trên ứng dụng Fintech trở nên phổ biến hơn Theo Ngân hàng Nhà nước chi nhánh Thành phố Hồ Chí Minh, huy động vốn của các ngân hàng trong năm 2022 tăng khoảng 6%, trong đó tiền gửi tiết kiệm chiếm 37,2% và tăng 9,2% so với cuối năm 2021 Từ quý 3/2022, lãi suất huy động tiết kiệm của các ngân hàng thương mại liên tục tăng từ 2 - 3%/năm, dao động từ 6 - 9%/năm, thu hút lượng tiền nhàn rỗi Các ứng dụng Fintech cung cấp lãi suất gửi tiết kiệm hấp dẫn hơn, lên đến 12%/năm với nhiều kỳ hạn linh hoạt, giúp tiếp cận nhiều khách hàng và đáp ứng nhu cầu tích lũy của người dân.

Phân tích thống kê mô tả cho đặc điểm nhân khẩu học

4.2.1 Thống kê mô tả cho biến Giới tính

Hình 4 3: Biểu đồ thống kê mô tả của biến Giới tính

Nguồn: Tác giả xử lý dữ liệu

Trong một khảo sát với 400 người tham gia, tỷ lệ giới tính được phân bổ đều với 200 nữ và 200 nam, mỗi nhóm chiếm 50% tổng số người tham gia Điều này cho thấy không có sự chênh lệch về tỷ lệ giữa hai giới.

4.2.2 Thống kê mô tả cho biến Độ tuổi

Hình 4 4: Biểu đồ thống kê mô tả của biến Độ tuổi

Nguồn: Tác giả xử lý dữ liệu

Hình 4.4 diễn tả trong tổng số mẫu nghiên cứu thì nhóm người có độ tuổi từ 18 đến dưới

25 tuổi là 261 người chiếm 65,3%, Từ 25 đến dưới 30 tuổi là 102 người chiếm 25,5%, Từ

30 đến dưới 40 tuổi là 35 người chiếm 8,8% và cuối cùng là trên 40 tuổi có 2 người chiếm 0,5% Có sự chênh lệch đáng kể về tỉ lệ giữa bốn nhóm

4.2.3 Thống kê mô tả cho biến Học vấn

Hình 4.5: Biểu đồ thống kê mô tả của biến Học vấn

Nguồn: Tác giả xử lý dữ liệu

Từ 18 đến dưới 25 tuổi Từ 25 đến dưới 30 tuổi Từ 30 đến dưới 40 tuổi Trên 40 tuổi

Trung học phổ thông Trung cấp/Cao đẳng Đại học Trên Đại học

Kết quả thống kê cho thấy trình độ học vấn của nhóm nghiên cứu có sự chênh lệch rõ rệt: 13% (52 người) có trình độ trung học phổ thông, 35,5% (142 người) có trình độ trung cấp/cao đẳng, trong khi đó, 46% (184 người) có trình độ đại học, và chỉ 5,5% (22 người) đạt trình độ trên đại học.

4.2.4 Thống kê mô tả cho biến Thu nhập

Nguồn: Tác giả xử lý dữ liệu

Theo kết quả thống kê của hình 4.6, nhận thấy các mức thu nhập cá nhân chiếm tỉ lệ như sau: Dưới 5 triệu chiếm 37% (150 người), Từ 5 - dưới 15 triệu chiếm 39% (154 người),

Từ 15 - dưới 25 triệu chiếm 17% (69 người), mức thu nhập Từ 25 - 35 triệu chiếm 5%

(18 người) cuối cùng chiếm tỉ lệ thấp nhất là mức thu nhập Trên 35 triệu với 2% (9 người) Có mức chênh lệch cao giữa các nhóm thu nhập

Thu nhập hàng tháng Dưới 5 triệu Thu nhập hàng tháng Từ 5 - dưới 15 triệu Thu nhập hàng tháng Từ 15 - dưới 25 triệu Thu nhập hàng tháng Từ 25 - 35 triệu

Thu nhập hàng tháng Trên 35 triệu

Hình 4 6: Biểu đồ thống kê mô tả cho biến Thu nhập

4.2.5 Thống kê mô tả của biến Sử dụng ứng dụng Fintech

Hình 4 7: Biểu đồ thống kê mô tả của biến Sử dụng ứng dụng Fintech

Nguồn: Tác giả xử lý dữ liệu

Theo kết quả của hình 4.7, có 100% (400 người) tham gia khảo sát đã từng sử dụng ứng dụng Fintech

4.2.6 Thống kê mô tả của biến Sử dụng ứng dụng Fintech hỗ trợ đầu tư và tích lũy

Hình 4 8: Biểu đồ thống kê mô tả của biến Sử dụng ứng dụng Fintech hỗ trợ đầu tư và tích lũy

Nguồn: Tác giả xử lý dữ liệu

SỬ DỤNG ỨNG DỤNG FINTECH

SỬ DỤNG ỨNG DỤNG FINTECH HỖ TRỢ ĐẦU

Theo kết quả của biểu hình 4.8, có 100% (400 người) tham gia khảo sát có biết đến ứng dụng Fintech hỗ trợ đầu tư, tích lũy

4.2.7 Thống kê mô tả của biến Nguồn tham khảo

Hình 4 9: Biểu đồ thống kê mô tả của biến Nguồn tham khảo

Nguồn: Tác giả xử lý dữ liệu

Theo hình 4.9, internet và mạng xã hội là nguồn tham khảo được người dùng ưa chuộng nhất, với 206 lượt chọn, chiếm 33% Ngoài ra, bạn bè cũng đóng góp một tỉ trọng đáng kể, với 18% lượt chọn.

Người thân là nguồn giới thiệu chiếm ưu thế với 114 lượt chọn, trong khi sách báo và tạp chí chỉ đạt 81 lượt chọn, tương đương 13% Nguồn tham khảo khác cũng có sự hiện diện nhưng chỉ với 22 lượt chọn, chiếm 3% Sự chênh lệch rõ rệt giữa các nguồn tham khảo này cho thấy sự đa dạng trong việc tìm kiếm thông tin.

4.2.8 Thống kê mô tả của biến Ứng dụng Fintech hỗ trợ đầu tư và tích lũy tiêu biểu

Hình 4 10: Thống kê mô tả của biến Ứng dụng Fintech hỗ trợ đầu tư và tích lũy tiêu biểu

Nguồn: Tác giả xử lý dữ liệu

Bạn bè/ Người thân giới thiệu Internet

Mạng xã hội Sách báo - Tạp chí

12%1% ỨNG DỤNG FINTECH ĐẦU TƯ TÍCH LŨY TIÊU BIỂU

MoMo Tikop Fmarket Infina Finhay 3Gang Timo Anfin Khác

Theo Hình 4.10, ứng dụng Fintech hỗ trợ đầu tư và tích lũy tiêu biểu nhất là MoMo với

Trong số các lựa chọn, 99 dẫn đầu với 25%, tiếp theo là Finhay với 17% (69 lượt chọn) Các ứng dụng khác lần lượt là Tikop với 15% (59 lượt chọn), Infina 14% (57 lựa chọn), Anfin 12% (49 lựa chọn), Timo 11% (42 lựa chọn), Fmarket 4% (14 lựa chọn) và cuối cùng là 3Gang với 2% (8 lựa chọn).

4.2.9 Thống kê mô tả của biến Tần suất

Hình 4 11: Thống kê mô tả của biến Tần suất

Nguồn: Tác giả xử lý dữ liệu

Theo hình 4.11, nhóm lựa chọn chưa từng sử dụng có 86 lượt chiếm 22%, Dưới 5 lần có

194 lượt chiếm 49%, Từ 5 lần – dưới 10 lần có 96 lượt chiếm tỉ lệ 24%, Từ 10 lần – dưới

20 lần có 22 lượt chiếm 6%, Trên 20 lần có 2 lượt chọn chiếm 1% Có sự chêch lệch khá lớn giữa 4 nhóm

Chưa từng sử dụng Dưới 5 lần Từ 5 – dưới 10 lần

Từ 10 – dưới 20 lần Trên 20 lần

4.2.10 Thống kê mô tả của biến Giá trị giao dịch

Hình 4 12: Thống kê mô tả của biến Gía trị giao dịch

Nguồn: Tác giả xử lý dữ liệu

Theo hình đồ 4.12, Chưa từng sử dụng có 86 lựa chọn chiếm 22%, Dưới 3 triệu đồng có

Trong tổng số lựa chọn, nhóm từ 3 đến dưới 10 triệu đồng chiếm 30% với 121 lựa chọn, trong khi nhóm từ 10 đến dưới 20 triệu đồng chỉ có 19 lựa chọn, chiếm 5% Nhóm trên 20 triệu đồng có 6 lựa chọn, chiếm 1% Nhóm dưới 3 triệu đồng dẫn đầu với 167 lựa chọn, chiếm 42%, cho thấy sự chênh lệch rõ rệt giữa bốn nhóm giá.

Phân tích hệ số tin cậy Cronbach’s Alpha

Để đảm bảo độ tin cậy cho các khái niệm nghiên cứu, dữ liệu đã được phân tích bằng hệ số Cronbach’s Alpha cho từng thang đo Kết quả phân tích cho thấy mức độ tin cậy của các thang đo là đáng kể.

4.3.1 Thang đo Hiệu suất kỳ vọng

Thang đo hiệu suất kỳ vọng được đánh giá qua 5 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,854, cao hơn mức tối thiểu 0,6 Tất cả 5 biến quan sát đều có tương quan biến tổng lớn hơn 0,3, và khi loại bỏ bất kỳ biến nào, hệ số Cronbach’s Alpha vẫn nhỏ hơn giá trị tổng thể Điều này cho thấy thang đo này đáp ứng tiêu chí về độ tin cậy.

4.3.2 Thang đo Nỗ lực kỳ vọng

Thang đo này được xác định bởi 5 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,733, vượt mức 0,6, cho thấy độ tin cậy tốt Tuy nhiên, biến “EE4” cần được xem xét kỹ lưỡng do hệ số tương quan của nó.

Chưa từng sử dụng Dưới 3 triệu đồng

Từ 3 đến dưới 10 triệu đồng Từ 10 đến dưới 20 triệu đồng

Trên 20 triệu đồng quan biến tổng là 0,147 < 0,3 do đó yếu tố này không có mối tương quan với các biến khác trong cùng thang đo Vì vậy ta tiến hành loại bỏ biến này và kiểm định lần 2

Lần 2: Đưa 4 biến quan sát còn lại sau khi đã loại biến “EE4” và tiến hành kiểm định lần

2 Kết quả cho thấy hệ số Cronbach’s Alpha bằng 0,802 > 0,6 và hệ số tương quan biến tổng của các biến trên đều lớn hơn 0,3 và hệ số Cronbach’s Alpha nếu loại biến của các biến quan sát đều nhỏ hơn Cronbach’s Alpha chung nên đảm bảo các biến quan sát có mối tương quan với nhau Do vậy, thang đo Nỗ lực kỳ vọng đáp ứng được độ tin cậy

4.3.3 Thang đo Ảnh hưởng xã hội

Thang đo Ảnh hưởng xã hội được xác định qua 6 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,855, cao hơn mức tối thiểu 0,6 Tất cả các biến quan sát đều có tương quan với biến tổng lớn hơn 0,3, và hệ số Cronbach’s Alpha khi loại từng biến quan sát đều nhỏ hơn giá trị chung Điều này chứng tỏ thang đo đạt yêu cầu về độ tin cậy.

4.3.4 Thang đo Nhận thức rủi ro

Thang đo Nhận thức rủi ro được xác định bởi 4 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,796, vượt ngưỡng 0,6, cho thấy độ tin cậy cao Tất cả 4 biến quan sát đều có tương quan với biến tổng lớn hơn 0,3, và hệ số Cronbach’s Alpha nếu loại từng biến đều nhỏ hơn giá trị Cronbach’s Alpha chung Điều này khẳng định rằng thang đo này đáp ứng đủ tiêu chí về độ tin cậy.

4.3.5 Thang đo Thái độ hướng sử dụng

Thang đo này được đánh giá thông qua 5 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,897, vượt ngưỡng 0,6, cho thấy độ tin cậy cao Tất cả 5 biến quan sát đều có tương quan với biến tổng lớn hơn 0,3, và hệ số Cronbach’s Alpha nếu loại từng biến quan sát đều nhỏ hơn hệ số Cronbach’s Alpha chung Do đó, thang đo Thái độ hướng đến sử dụng được xác nhận là đáng tin cậy.

4.3.6 Thang đo Điều kiện thuận lợi

Thang đo được đánh giá qua 5 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,841, vượt mức 0,6, cho thấy độ tin cậy cao Tất cả 5 biến quan sát đều có tương quan với biến tổng lớn hơn 0,3, và hệ số Cronbach’s Alpha nếu loại biến quan sát đều nhỏ hơn giá trị chung Do đó, thang đo Điều kiện thuận lợi đảm bảo độ tin cậy.

4.3.7 Thang đo Ý định hành vi sử dụng

Thang đo này được xác định bởi 5 biến quan sát, với hệ số Cronbach’s Alpha đạt 0,847, vượt ngưỡng 0,6, cho thấy độ tin cậy cao Tất cả 5 biến quan sát đều có tương quan với biến tổng lớn hơn 0,3, và hệ số Cronbach’s Alpha nếu loại từng biến quan sát đều nhỏ hơn hệ số Cronbach’s Alpha chung Điều này chứng tỏ thang đo Ý định hành vi sử dụng có độ tin cậy tốt.

Bảng 4 1: Kết quả kiểm định Cronbach’s Alpha

Trung bình thang đo nếu loại biến

Phương sai thang đo nếu loại biến

Cronbach’s Alpha nếu loại biến

HIỆU SUẤT KỲ VỌNG: Cronbach's Alpha = 0,854

NỖ LỰC KỲ VỌNG: Cronbach's Alpha = 0,733 (lần 1)

NỖ LỰC KỲ VỌNG: Cronbach's Alpha = 0,802 (lần 2)

EE5 9,77 4,540 0,632 0,748 ẢNH HƯỞNG XÃ HỘI: Cronbach's Alpha = 0,855

NHẬN THỨC RỦI RO: Cronbach's Alpha = 0,796

PR4 9,43 4,632 0,598 0,751 ĐIỀU KIỆN THUẬN LỢI: Cronbach's Alpha = 0,841

THÁI ĐỘ HƯỚNG ĐẾN SỬ DỤNG: Cronbach's Alpha = 0,897

ATU5 15,01 6,506 0,773 0,869 Ý ĐỊNH HÀNH VI SỬ DỤNG: Cronbach's Alpha = 0,847

(Nguồn: Kết quả xử lý bằng phần mềm SPSS)

Phân tích nhân tố khám phá EFA

4.4.1 Kết quả phân tích nhân tố khám phá (EFA) cho các biến độc lập

Từ kết quả phân tích độ tin cậy của thang đo ở phần trên, việc phân tích nhân tố khám phá

EFA được thực hiện dựa trên 23 biến quan sát từ 5 biến độc lập, bao gồm Hiệu suất kỳ vọng, Nỗ lực kỳ vọng, Ảnh hưởng xã hội, Nhận thức rủi ro và Điều kiện thuận lợi Mô hình nghiên cứu áp dụng phương pháp xoay Promax và phương pháp trích xuất dữ liệu Principal Axis Factor, cho ra kết quả đáng chú ý.

Bảng 4 2: Kết quả phân tích nhân tố khám phá EFA biến độc lập lần l

Biến quan sát Nhân tố

Hiệu suất kỳ vọng PE5 0,831

PE3 0,747 Ảnh hưởng xã hội SI6 0,411 0,388 0,395

SI2 0,760 Điều kiện thuận lợi FC3 0,832

Nỗ lực kỳ vọng EE2 0,801

Nhận thức rủi ro PR2 0,846

Sig (Bartlett's Test of Sphericity) = 0,000

(Nguồn: Kết quả xử lý bằng phần mềm SPSS)

Dựa trên kết quả phân tích EFA lần 1, biến quan sát SI6 có hệ số tải dưới 0.5, cho thấy đóng góp của nó là không đáng kể cho nghiên cứu Vì vậy, tác giả quyết định loại bỏ biến SI6 nhằm nâng cao tính thực tiễn của mô hình nghiên cứu, và tiếp tục thực hiện phân tích EFA lần 2.

Bảng 4 3: Kết quả phân tích nhân tố khám phá EFA biến độc lập lần 2

Biến quan sát Nhân tố

Hiệu suất kỳ vọng PE5 0,831

PE3 0,747 Ảnh hưởng xã hội SI5 0,808

SI2 0,760 Điều kiện thuận lợi FC3 0,832

Nỗ lực kỳ vọng EE2 0,801

Nhận thức rủi ro PR2 0,846

Sig (Bartlett's Test of Sphericity) = 0,000

(Nguồn: Kết quả xử lý bằng phần mềm SPSS)

Kết quả phân tích nhân tố khám phá EFA lần 2 cho thấy hệ số KMO đạt 0,867, thỏa mãn điều kiện 0,5 < KMO < 1, chứng tỏ phân tích nhân tố phù hợp với dữ liệu Kiểm định Barlett’s Test có giá trị Sig = 0,000 < 0,05, cho thấy các biến có tương quan với nhau Giá trị Eigenvalues đạt 1,755 > 1, cho thấy nhân tố rút trích có ý nghĩa tóm tắt thông tin tốt Tổng phương sai trích là 63,214%, vượt ngưỡng 50%, cho thấy 5 nhân tố được trích giải thích 63,214% biến thiên của 23 biến quan sát trong EFA Tất cả các giá trị hệ số tải của từng biến đều lớn hơn 0,5, đạt yêu cầu về tính hội tụ, khẳng định số nhân tố tạo ra là phù hợp.

Bảng 4.3, được xây dựng dựa trên phương pháp xoay Promax và phương pháp trích xuất dữ liệu Principal Axis Factoring, chỉ ra rằng các biến quan sát đã đáp ứng đầy đủ các tiêu chí cần thiết.

Giá trị hội tụ là khái niệm cho thấy các biến quan sát được nhóm lại với nhau, với các hệ số tải nhân tố nằm trong cùng một cột của thang đo đã được đề xuất ban đầu.

Giá trị phân biệt của các biến quan sát được thể hiện qua việc mỗi biến chỉ có một hệ số tải nhân tố lớn hơn 0,5, cho thấy ý nghĩa thực tiễn của chúng và khả năng sử dụng trong các kiểm định tiếp theo.

Sau khi phân tích 23 biến quan sát, 22 biến hợp lệ đã được xác định có ảnh hưởng đến ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy của nhà đầu tư/người tiêu dùng tại Thành phố Hồ Chí Minh, bao gồm Hiệu suất kỳ vọng, Ảnh hưởng xã hội, Điều kiện thuận lợi, Nỗ lực kỳ vọng và Nhận thức rủi ro.

4.4.2 Kết quả phân tích nhân tố khám phá (EFA) cho các biến phụ thuộc

Sau khi tiến hành phân tích nhân tố khám phá EFA cho 10 biến quan sát của hai biến phụ thuộc là Thái độ hướng đến sử dụng và Ý định hành vi sử dụng, chúng tôi đã sử dụng phương pháp xoay Promax và phương pháp trích xuất dữ liệu Principal Axis Factor Kết quả phân tích cho thấy các yếu tố chính ảnh hưởng đến thái độ và ý định sử dụng, cung cấp cái nhìn sâu sắc về mối quan hệ giữa các biến này.

Bảng 4 4: Kết quả phân tích nhân tố khám phá EFA biến phụ thuộc

Biến quan sát Nhân tố

Thái độ hướng đến sử dụng

ATU3 806 Ý định hành vi sử dụng

Hệ số KMO = 0,905 Sig (Bartlett's Test of Sphericity) = 0,000 Eigenvalues = 1,688

(Nguồn: Kết quả xử lý bằng phần mềm SPSS)

Kết quả phân tích EFA cho thấy hệ số KMO đạt 0,905, thỏa mãn điều kiện 0,5 < KMO < 1, chứng tỏ phân tích nhân tố phù hợp với dữ liệu Kiểm định Barlett’s Test có giá trị Sig = 0,000 < 0,05, xác nhận các biến quan sát có tương quan với nhau Giá trị Eigenvalues là 1,688 > 1, cho thấy nhân tố rút trích có ý nghĩa tóm tắt thông tin tốt Tổng phương sai trích đạt 67,047%, vượt qua ngưỡng 50% Kết quả ma trận xoay chỉ ra có 2 nhân tố được trích từ các biến quan sát trong phân tích EFA, với phương sai trích giải thích là 67,047% tại eigenvalue 1,688.

1 Các giá trị hệ số tải của từng biến đều lớn hơn mức tối thiểu là 0,5 đạt giá trị hội tụ, số nhân tố tạo ra khi phân tích nhân tố là phù hợp

Sau khi phân tích nhân tố, 10 biến quan sát liên quan đến hai biến phụ thuộc là Thái độ hướng đến sử dụng và Ý định hành vi sử dụng đã được xác định là hợp lệ Tất cả các biến này đều có ý nghĩa quan trọng trong việc đóng góp vào mô hình nghiên cứu.

Phân tích nhân tố khẳng định CFA

Kết quả phân tích EFA chỉ ra rằng có 7 khái niệm với 33 biến quan sát, được sử dụng trong mô hình nghiên cứu tiếp theo để thực hiện CFA và SEM bằng phần mềm AMOS phiên bản 24.0.

(1) Yếu tố Hiệu suất kỳ : Ký hiệu PE, được đo lường bởi 5 biến quan sát PE1, PE2, PE3 PE4, PE5

(2) Yếu tố Nỗ lực kỳ vọng: Ký hiệu EE, được đo lường bởi 4 biến quan sát EE1, EE2, EE3, EE5

(3) Yếu tố Ảnh hưởng xã hội: Ký hiệu SI, được đo lường bởi 5 biến quan sát SI1, SI2, SI3, SI4, SI5

(4) Yếu tố Nhận thức rủi ro: Ký hiệu PR, được đo lường bởi 4 biến quan sát PR1, PR2, PR3, PR4

(5) Yếu tố Thái độ hướng đến sử dụng: Ký hiệu ATU, được đo lường bởi 5 biến quan sát ATU1, ATU2, ATU3, ATU4, ATU5

(6) Yếu tố Điều kiện thuận lợi: Ký hiệu FC, được đo lường bởi 5 biến quan sát FC1, FC2, FC3, FC4, FC5

(7) Yếu tố Ý định hành vi sử dụng: Ký hiệu BI, được đo lường bởi 5 biến quan sát BI1, BI2, BI3, BI4, BI5

Trong phân tích nhân tố khẳng định CFA, chúng ta có thể áp dụng cho từng khái niệm riêng lẻ, một số khái niệm cụ thể, hoặc cho toàn bộ các khái niệm trong mô hình, được gọi là mô hình tới hạn.

Mô hình tới hạn cho phép các khái niệm nghiên cứu có mối quan hệ tự do với nhau (Anderson và Gerbing, 1988) Trong nghiên cứu này, phân tích nhân tố khẳng định (CFA) sẽ được áp dụng cho tất cả các thang đo của mô hình tới hạn Hình 4.1 dưới đây minh họa mô hình CFA tới hạn (chuẩn hóa).

Trong bài viết này, chúng ta sẽ khám phá các yếu tố quan trọng ảnh hưởng đến hành vi sử dụng, bao gồm Hiệu suất kỳ vọng (PE), Nỗ lực kỳ vọng (EE), Ảnh hưởng xã hội (SI), Nhận thức rủi ro (PR), Điều kiện thuận lợi (FC), Thái độ hướng đến sử dụng (ATU) và Ý định hành vi sử dụng (BI) Những yếu tố này tạo thành một mô hình giúp hiểu rõ hơn về động lực và quyết định của người dùng trong việc áp dụng công nghệ mới.

Hình 4 13: Mô hình CFA chuẩn hóa

(Nguồn: Kết quả xử lý bằng phần mềm AMOS)

4.5.1 Kiểm định tính đơn hướng và độ phù hợp với dữ liệu thị trường

Kết quả phân tích nhân tố khẳng định CFA cho thấy mô hình có giá trị thống kê với P-value = 0,000 (< 0,05) Các chỉ tiêu mô hình cho thấy Chi-square/df = 1,382 (< 3), GFI = 0,913 (> 0,9), TLI = 0,967 (> 0,9), CFI = 0,970 (> 0,9), và RMSEA = 0,031 (< 0,07) Do đó, có thể kết luận rằng mô hình phù hợp với dữ liệu khảo sát (Hair et al., 2010).

Tính đơn hướng được xác định theo Steenkamp & Van Trijp (1991) là điều kiện cần và đủ để mô hình phù hợp với dữ liệu thị trường, trừ khi có sai số giữa các biến quan sát có tương quan Kết quả cho thấy không có tương quan sai số giữa các biến quan sát, vì vậy có thể khẳng định rằng mô hình đạt tính đơn hướng.

Bảng 4 5: Đánh giá các chỉ số CFA

Nguồn Thực tế mô hình

(Nguồn: Kết quả xử lý bằng phần mềm AMOS)

4.5.2 Kiểm định độ tin cậy

Theo nghiên cứu của Hair và cộng sự (2010, 2016), các chỉ số CR, AVE, MSV và bảng Fornell và Larcker được sử dụng để đánh giá độ tin cậy của thang đo Một thang đo được coi là đáng tin cậy khi độ tin cậy tổng hợp (CR) lớn hơn 0,6 và tổng phương sai rút trích (AVE) lớn hơn 0,5, theo các tiêu chuẩn được đề xuất bởi Hair và cộng sự (1998) và Nunnally (1978).

Bảng 4 6: Các phép tính đo lường độ tin cậy của mô hình

CR AVE MSV BI PE SI FC ATU EE PR

Ghi chú: PE (Hiệu suất kỳ vọng) đề cập đến mong đợi về hiệu quả của một hành động; EE (Nỗ lực kỳ vọng) thể hiện mức độ công sức mà người dùng sẵn sàng bỏ ra; SI (Ảnh hưởng xã hội) chỉ ra tác động của môi trường xung quanh đến quyết định sử dụng; PR (Nhận thức rủi ro) phản ánh sự đánh giá về các rủi ro có thể xảy ra; FC (Điều kiện thuận lợi) mô tả các yếu tố hỗ trợ cho việc thực hiện hành động; ATU (Thái độ hướng đến sử dụng) cho thấy cảm nhận tích cực hay tiêu cực về việc sử dụng; và BI (Ý định hành vi sử dụng) là dự đoán về khả năng thực hiện hành động trong tương lai.

(Nguồn: Kết quả được tính từ phần mềm AMOS)

Kết quả từ bảng 4.6 cho thấy Hệ số Độ tin cậy tổng hợp Composite Reliability (CR) của các thang đo đều vượt mức 0.7, trong khi hệ số Phương sai trung bình được trích Average Variance Extracted (AVE) cũng lớn hơn 0.5 Điều này khẳng định rằng độ tin cậy của các thang đo được đảm bảo và đáp ứng các tiêu chí cần thiết.

4.5.3 Kiểm định giá trị phân biệt giữa các khái niệm nghiên cứu

Các khái niệm đạt giá trị phân biệt khi có mối tương quan khác biệt giữa các khái niệm nghiên cứu Để kiểm định độ tin cậy của thang đo, có thể sử dụng bảng Fornell và Larcker để tính toán giá trị phân biệt của thang đo (Hair và cộng sự, 2010; Hair và cộng sự, 2016).

Theo kết quả từ bảng 4.6, các biến BI, PE, SI, FC, ATU, EE, PR đều có hệ số phương sai riêng lớn nhất (MSV) nhỏ hơn phương sai trung bình được trích (AVE), cụ thể là: 0,537 > 0,503; 0,548 > 0,319; 0,524 > 0,466; 0,526 > 0,503; 0,638 > 0,466; 0,512 > 0,312; 0,504 > 0,283 Điều này cho thấy rằng hệ số phương sai riêng lớn nhất (MSV) của các biến này đều thấp hơn phương sai trung bình được trích (AVE).

+ Biến BI có căn bậc hai AVE là 0.733 lớn hơn tương quan của BI với PE, SI, FC, ATU, EE, PR lần lượt là 0,395; 0,474; 0,709; 0,565; 0,442; -0,382

+ Biến PE có căn bậc hai AVE là 0,740 lớn hơn tương quan của PE với SI, FC, ATU, EE, PR lần lượt là 0,303; 0,319; 0,565; 0,442; -0,279

+ Biến SI có căn bậc hai AVE là 0,724 lớn hơn tương quan của SI với FC, ATU,

EE, PR với SI, PE, AB lần lượt là 0,407; 0,683; 0,358; -0,382

+ Biến FC có căn bậc hai AVE là 0.725 lớn hơn tương quan của FC với ATU, EE,

+ Biến ATU có căn bậc hai AVE là 0.799 lớn hơn tương quan của ATU với EE, PR lần lượt là 0,558; -0,532

+ Biến EE có căn bậc hai AVE là 0.715 lớn hơn tương quan của EE với PR là - 0,299

Hệ số căn bậc hai phương sai trung bình (SQRTAVE) luôn lớn hơn tương quan giữa các cấu trúc của thang đo Kết quả phân tích CFA cho thấy mối quan hệ giữa các khái niệm nghiên cứu có giá trị P = 0 < 0.05 Điều này cho phép chúng ta khẳng định với độ tin cậy 95% rằng mối quan hệ giữa các khái niệm này khác biệt so với một.

Do đó, các khái niệm BI, PE, SI, FC, ATU, EE, PR đều đạt giá trị phân biệt

4.5.4 Kiểm định độ hội tụ

Với độ tin cậy 95%, thang đo đạt giá trị hội tụ khi các trọng số chuẩn hoá đều cao hơn 0,5 và có ý nghĩa thống kê (p < 5%)

Bảng 4 7: Hệ số hồi quy chuẩn hóa của mô hình CFA

Biến quan sát Trọng số chuẩn hóa CFA Hiệu suất kỳ vọng

PE1 Sử dụng các ứng dụng Fintech trong đầu tư và tích lũy giúp đáp ứng nhu cầu đầu tư và tích lũy của tôi 0,709

PE2 Sử dụng các ứng dụng Fintech trong đầu tư và tích lũy giúp tôi tiết kiệm thời gian và chi phí 0,731

PE3 Đầu tư và tích lũy qua các ứng dụng Fintech sẽ làm tăng hiệu quả đầu tư và tích lũy của tôi 0,736

PE4 Sử dụng các ứng dụng Fintech trong đầu tư giúp tôi giao dịch chứng khoán thuận tiện hơn 0,769

PE5 Nhìn chung, dịch vụ đầu tư và tích lũy trên ứng dụng

Fintech rất hữu ích với tôi 0,755

Tôi nhận thấy rằng giao diện của các ứng dụng Fintech cung cấp dịch vụ đầu tư và tích lũy thì dễ hiểu và thân thiện

EE2 Tôi thấy rằng các ứng dụng Fintech cung cấp dịch vụ đầu tư và tích lũy rất dễ sử dụng 0,739

EE3 Tôi có thể dễ dàng học cách vận hành của các ứng dụng

Fintech cung cấp dịch vụ đầu tư và tích lũy 0,700

EE5 Tôi sẽ sử dụng các ứng dụng Fintech trong đầu tư và tích lũy một cách khéo léo 0,728 Ảnh hưởng xã hội

SI1 Bạn bè khuyên tôi sử dụng các ứng dụng Fintech để đầu tư và tích lũy 0,669

SI2 Gia đình khuyến khích tôi sử dụng các ứng dụng Fintech để đầu tư và tích lũy 0,732

Người nổi tiếng (ví dụ, các thần tượng yêu thích của tôi) nghĩ rằng tôi nên sử dụng các ứng dụng Fintech để đầu tư và tích lũy

SI4 Tôi thấy rằng những người sử dụng ứng dụng Fintech trong đầu tư và tích lũy có một vị thế nhất định 0,701

SI5 Đầu tư và tích lũy qua ứng dụng Fintech sẽ nâng cao sự tự tôn của tôi 0,786

Việc sử dụng các ứng dụng Fintech trong đầu tư và tích lũy có thể tiềm ẩn rủi ro tài chính, bao gồm nguy cơ mất 0,708 tiền do gian lận, lỗi giao dịch hoặc hoạt động sai.

Tôi có nguy cơ không nhận được tiền bồi thường nếu có lỗi trên nền tảng đầu tư và tích lũy qua các ứng dụng

PR3 Theo tôi, có sự không chắc chắn lớn khi đầu tư và tích lũy trên các ứng dụng Fintech 0,685

Tôi rất lo ngại về nguy cơ tấn công gian lận và hacker khi thực hiện giao dịch đầu tư và tích lũy qua các ứng dụng Fintech.

Thái độ hướng đến sử dụng

ATU1 Sử dụng các ứng dụng Fintech trong đầu tư và tích lũy là một trải nghiệm thú vị 0,759

ATU2 Tôi quan tâm đến các dịch vụ Fintech 0,818

ATU3 Nếu đã sử dụng các ứng dụng Fintech trong đầu tư và tích lũy, tôi sẵn sàng tiếp tục sử dụng chúng 0,806

ATU4 Tôi thích ý tưởng sử dụng công nghệ, đơn giản hóa việc đầu tư và tích lũy qua ứng dụng Fintech 0,784

ATU5 Đầu tư và tích lũy qua các ứng dụng Fintech là một ý tưởng khôn ngoan 0,823 Điều kiện thuận lợi

FC1 Tôi có điều kiện tài chính để đầu tư và tích lũy qua các ứng dụng Fintech 0,712

FC2 Tôi có kiến thức tài chính để đầu tư và tích lũy qua các ứng dụng Fintech 0,666

Tôi có thể nhận được sự giúp đỡ từ nhân viên kỹ thuật khi tôi gặp vấn đề khi đầu tư và tích lũy qua các ứng dụng

Khi gặp khó khăn trong việc sử dụng các ứng dụng Fintech để đầu tư và tích lũy, tôi có thể tìm kiếm sự hỗ trợ từ cộng đồng người dùng ứng dụng Fintech.

FC5 Hướng dẫn liên quan đến việc sử dụng các ứng dụng

Fintech trong đầu tư và tích lũy luôn có sẵn cho tôi 0,760 Ý định hành vi sử dụng

BI1 Tôi sẽ sử các ứng dụng Fintech để đầu tư và tích lũy trong tương lai 0,755

BI2 Tôi dự định sử dụng các ứng dụng Fintech trong đầu tư và tích lũy 0,679

BI3 Tôi sẽ giới thiệu dịch vụ đầu tư và tích lũy qua các ứng dụng Fintech cho bạn bè 0,750

BI4 Tôi sẽ tăng tần suất sử dụng các ứng dụng Fintech trong đầu tư và tích lũy 0,694

BI5 Tôi luôn muốn sử dụng các ứng dụng Fintech trong đầu tư và tích lũy 0,761

(Nguồn: Kết quả xử lý bằng phần mềm AMOS)

Mô hình cấu trúc tuyến tính SEM

Kỹ thuật SEM (Structural Equation Modeling) được áp dụng để kiểm định các giả thuyết nghiên cứu, mang lại lợi thế so với hồi quy đa biến truyền thống nhờ khả năng tính toán sai số đo lường Trong quá trình kiểm định các mô hình thang đo thông qua CFA (Confirmatory Factor Analysis), phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số của mô hình một cách chính xác.

Hình 4 14: Kết quả SEM của mô hình nghiên cứu (chuẩn hóa)

Trong bài viết này, chúng ta sẽ khám phá các khái niệm quan trọng như PE (Hiệu suất kỳ vọng), EE (Nỗ lực kỳ vọng), SI (Ảnh hưởng xã hội), PR (Nhận thức rủi ro), FC (Điều kiện thuận lợi), ATU (Thái độ hướng đến sử dụng) và BI (Ý định hành vi sử dụng) Những yếu tố này đóng vai trò quan trọng trong việc hiểu rõ hơn về hành vi người dùng và quyết định sử dụng sản phẩm hoặc dịch vụ Việc phân tích các khía cạnh này giúp xác định động lực và rào cản trong quá trình ra quyết định của người tiêu dùng.

(Nguồn: Kết quả xử lý bằng phần mềm AMOS)

Mô hình nghiên cứu có 479 bậc tự do với CMIN = 659,203 (P-Value 0,000) và CMIN/df = 1,376, cho thấy mức độ phù hợp tốt Các chỉ số GFI = 0,912, TLI = 0,967, CFI = 0,971 đều lớn hơn 0,9, trong khi RMSEA = 0,031 nhỏ hơn 0,08, xác nhận rằng mô hình phù hợp với dữ liệu thực tế thu thập được.

Bảng 4 8: Hệ số hồi quy (chuẩn hoá và chưa chuẩn hoá) của các mối quan hệ trong mô hình (gián tiếp)

Giả thuyết Mối quan hệ Ước lượng chuẩn hóa

Kết quả Ước lượng SE CR P

Thái độ hướng đến sử dụng

Thái độ hướng đến sử dụng

0,207 0,217 0,052 4,185 0,000 Chấp nhận H3 Ảnh hưởng xã hội

Thái độ hướng đến sử dụng

Thái độ hướng đến sử dụng

Thái độ hướng đến sử dụng

→ Ý định hành vi sử dụng

→ Ý định hành vi sử dụng

Ghi chú: SE: sai lệch chuẩn, CR: giá trị tới hạn, P: Mức ý nghĩa (*** < 0,001)

(Nguồn: Kết quả xử lý bằng phần mềm AMOS)

Hệ số hồi quy chưa chuẩn hóa chỉ thể hiện tác động tích cực hoặc tiêu cực của biến độc lập lên biến phụ thuộc, mang ý nghĩa toán học hơn là kinh tế Nó phản ánh sự thay đổi của biến phụ thuộc khi từng biến độc lập thay đổi, với các biến độc lập khác cố định Để đánh giá mức độ tác động của các biến độc lập, cần sử dụng hệ số hồi quy chuẩn hóa Hệ số này cho phép xác định biến độc lập nào ảnh hưởng mạnh hay yếu đến biến phụ thuộc; hệ số càng lớn, tầm quan trọng của biến độc lập đó càng cao.

Trong nghiên cứu, các mối tương quan giả thuyết đã được kiểm định thông qua mô hình cấu trúc tuyến tính SEM Kết quả phân tích cho thấy tất cả các giả thuyết trong mô hình lý thuyết đều có ý nghĩa thống kê với giá trị p < 0,05.

Giả thuyết H1 khẳng định rằng hiệu suất kỳ vọng có ảnh hưởng tích cực đến thái độ sử dụng, với mối quan hệ được ước lượng là 0,279 và sai lệch chuẩn SE = 0,040 Kết quả có mức ý nghĩa thống kê p = 0,000, cho thấy giả thuyết này được chấp nhận Điều này chỉ ra rằng hiệu suất kỳ vọng là yếu tố quan trọng hình thành thái độ hướng đến việc sử dụng.

Giả thuyết H2 khẳng định rằng nỗ lực kỳ vọng ảnh hưởng tích cực đến thái độ sử dụng Kết quả ước lượng chỉ ra rằng mối quan hệ giữa nỗ lực kỳ vọng và thái độ sử dụng là 0,207 với sai lệch chuẩn SE = 0,052, có ý nghĩa thống kê p = 0,000 Do đó, giả thuyết này được chấp nhận, cho thấy nỗ lực kỳ vọng là yếu tố quan trọng hình thành thái độ hướng đến việc sử dụng.

Giả thuyết H3 khẳng định rằng ảnh hưởng xã hội có tác động tích cực đến thái độ sử dụng, với mối quan hệ ước lượng giữa ảnh hưởng xã hội và thái độ hướng đến sử dụng là 0,438 và sai lệch chuẩn SE = 0,041 Kết quả này có mức ý nghĩa thống kê p = 0,000, cho thấy giả thuyết được chấp nhận, chứng minh rằng ảnh hưởng xã hội là yếu tố quan trọng hình thành thái độ hướng đến sử dụng.

Giả thuyết H4 chỉ ra rằng nhận thức rủi ro ảnh hưởng tiêu cực đến thái độ sử dụng, với mối quan hệ được ước lượng là -0,224 và sai lệch chuẩn SE = 0,0431 Kết quả có mức ý nghĩa thống kê p = 0,000, cho thấy giả thuyết này được chấp nhận Điều này chứng minh rằng nhận thức rủi ro đóng vai trò quan trọng trong việc hình thành thái độ hướng đến sử dụng.

Giả thuyết H5 khẳng định rằng thái độ hướng đến việc sử dụng có ảnh hưởng tích cực đến ý định hành vi sử dụng, với mối quan hệ được ước lượng là 0,340 và sai lệch chuẩn SE = 0,049 Kết quả này có ý nghĩa thống kê với p = 0,000, cho thấy giả thuyết này được chấp nhận Điều này chứng minh rằng thái độ hướng đến sử dụng là yếu tố quan trọng trong việc hình thành ý định hành vi sử dụng.

Giả thuyết H6 chỉ ra rằng điều kiện thuận lợi ảnh hưởng tích cực đến ý định hành vi sử dụng, với kết quả ước lượng cho thấy mối quan hệ này đạt giá trị 0,576 và sai lệch chuẩn SE = 0,048 Mức ý nghĩa thống kê p = 0,000 cho thấy giả thuyết này được chấp nhận, khẳng định rằng điều kiện thuận lợi đóng vai trò quan trọng trong việc hình thành ý định hành vi sử dụng.

Kết quả nghiên cứu cho thấy các giả thuyết đã được chấp nhận, khẳng định rằng các thang đo khái niệm trong mô hình đạt giá trị liên hệ lý thuyết.

(Nguồn: Kết quả xử lý từ dữ liệu điều tra)

Mô hình chính thức về ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại Thành phố Hồ Chí Minh cho thấy 69% sự biến thiên của thái độ sử dụng được giải thích bởi 4 nhân tố: hiệu suất kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội và nhận thức rủi ro Trong khi đó, 60,4% sự biến thiên của ý định hành vi sử dụng ứng dụng Fintech được giải thích bởi thái độ hướng đến sử dụng và điều kiện thuận lợi, với 39,6% còn lại do các yếu tố khác chưa được nghiên cứu.

Thái độ hướng đến sử dụng (R 2 i%) Ý định hành vi sử dụng (R 2 `,4%)

Nỗ lực kỳ vọng Ảnh hưởng xã hội

Nhận thức rủi ro Điều kiện thuận lợi

Hình 4 15: Mô hình ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy trong nghiên cứu thực nghiệm tại Thành phố Hồ Chí Minh

Phân tích phương sai ANOVA

Phân tích phương sai ANOVA (One-Way ANOVA) được áp dụng để xác định sự khác biệt về giới tính, độ tuổi, học vấn và thu nhập cá nhân trong ý định sử dụng ứng dụng Fintech cho đầu tư và tích lũy của nhà đầu tư và người tiêu dùng tại Thành phố Hồ Chí Minh Mục tiêu chính của nghiên cứu là khám phá các yếu tố ảnh hưởng đến sự chấp nhận và sử dụng công nghệ tài chính trong cộng đồng.

4.7.1 Kiểm định sự khác biệt về ý định hành vi sử dụng theo giới tính

Ta kiểm định giả thuyết:

Nghiên cứu chỉ ra rằng có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng giữa hai giới tính Điều này cho thấy rằng yếu tố giới tính có thể ảnh hưởng đến cách thức và mức độ sử dụng của người tiêu dùng Việc hiểu rõ sự khác biệt này có thể giúp các nhà tiếp thị và doanh nghiệp điều chỉnh chiến lược của mình để phù hợp hơn với nhu cầu và mong muốn của từng nhóm giới tính.

Bảng 4 9: Kiểm định ANOVA cho biến giới tính

Kiểm định Levene về sự bằng nhau của phương sai

Kiểm định t về sự bằng nhau của các trung bình

Khác biệt sai số chuẩn

Khác biệt sai số chuẩn

(Nguồn: Kết quả thống kê bằng phần mềm SPSS)

Bảng dữ liệu Levene’s Test cho thấy giá trị Sig T-Test là 0,055, lớn hơn 0,05, cho thấy phương sai giữa hai giới tính không khác nhau Đồng thời, giá trị Sig T-Test ở phương sai bằng nhau là 0,532, cũng lớn hơn 0,05 Do đó, có thể kết luận rằng không có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo giới tính, chấp nhận giả thuyết H0 và bác bỏ giả thuyết H1.

4.7.2 Kiểm định sự khác biệt về ý định hành vi sử dụng theo độ tuổi

Ta kiểm định giả thuyết:

Nghiên cứu cho thấy có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo độ tuổi, điều này cho thấy rằng độ tuổi ảnh hưởng đến cách mà cá nhân quyết định sử dụng sản phẩm hoặc dịch vụ Trong khi đó, giả thuyết H0 chỉ ra rằng không có sự khác biệt nào, nhưng kết quả thực tế đã bác bỏ giả thuyết này.

Bảng 4 10: Kiểm định ANOVA cho biến độ tuổi Độ tuổi Mean Std Deviation Sig Levene Sig ANOVA

(Nguồn: Kết quả thống kê bằng phần mềm SPSS)

Bảng 4.10 cho thấy giá trị Sig của Levene là 0,797, lớn hơn 0,05, cho thấy phương sai giữa các lựa chọn của biến định tính không khác nhau Đồng thời, giá trị Sig của ANOVA là 0,545, cũng lớn hơn 0,05 Do đó, có thể kết luận rằng không có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo độ tuổi, chấp nhận giả thuyết H0 và bác bỏ giả thuyết H1.

4.7.3 Kiểm định sự khác biệt về ý định hành vi sử dụng theo học vấn

Ta kiểm định giả thuyết:

Nghiên cứu này nhằm xác định sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo học vấn Cụ thể, giả thuyết H0 cho rằng không có sự khác biệt đáng kể, trong khi giả thuyết H1 khẳng định rằng có sự khác biệt rõ rệt Kết quả sẽ cung cấp cái nhìn sâu sắc về mối liên hệ giữa học vấn và ý định hành vi sử dụng.

Bảng 4 11 Kiểm định ANOVA cho biến học vấn Độ tuổi Mean Std Deviation Sig Levene Sig ANOVA

Trung cấp/Cao đẳng 3,3507 0,62939 Đại học 3,3163 0,61649

(Nguồn: Kết quả thống kê bằng phần mềm SPSS)

Giá trị Sig của Levene trong Bảng 4.11 là 0,207, cho thấy phương sai giữa các lựa chọn của biến định tính không khác nhau, vì 0,207 > 0,05 Tiếp theo, chúng ta sẽ xem xét giá trị Sig của ANOVA.

Kết quả phân tích cho thấy không có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo học vấn, vì giá trị p (0,944) lớn hơn mức ý nghĩa (0,05) Do đó, chúng ta chấp nhận giả thuyết H0 và bác bỏ giả thuyết H1.

4.7.4 Kiểm định sự khác biệt về ý định hành vi sử dụng theo thu nhập

Bảng 4 12: Kiểm định ANOVA cho biến thu nhập Độ tuổi Mean Std Deviation Sig Levene Sig ANOVA

(Nguồn: Kết quả thống kê bằng phần mềm SPSS)

Bảng 4.13 cho thấy giá trị Sig của Levene là 0,07, lớn hơn 0,05, cho thấy phương sai giữa các lựa chọn của biến định tính không khác nhau Tuy nhiên, giá trị Sig của ANOVA là 0,008, nhỏ hơn 0,05, cho phép kết luận rằng có sự khác biệt có ý nghĩa thống kê về ý định hành vi sử dụng theo thu nhập, bác bỏ giả thuyết H0 và chấp nhận giả thuyết H1 Để làm rõ sự khác biệt này trong các nhóm thu nhập, cần tiến hành phân tích kết quả Multiple Comparisons.

Bảng 4 13: Bảng so sánh đa nhóm Multiple Comparisons

Từ 15 - dưới 25 triệu -0,17874 0,16719 0,822 -0,6369 0,2794 Trên 35 triệu -0,24444 0,25790 0,878 -0,9512 0,4623

(Nguồn: Kết quả thống kê bằng phần mềm SPSS)

Dựa vào bảng 4.15, có sự khác biệt rõ rệt về ý định hành vi sử dụng giữa hai nhóm thu nhập: nhóm thu nhập dưới 5 triệu và nhóm thu nhập từ 5 triệu đến dưới 15 triệu, với giá trị sig là 0,08, nhỏ hơn 0,05.

Thảo luận kết quả phân tích dữ liệu nghiên cứu

Nghiên cứu này dựa trên phân tích dữ liệu để thảo luận về ý định hành vi sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại Thành phố Hồ Chí Minh Mục tiêu là hiểu rõ bản chất các vấn đề liên quan, từ đó đưa ra các hàm ý quản trị trong chương 5.

4.8.1 Thảo luận kết quả phân tích thống kê mô tả

Kết quả phân tích thống kê mô tả cho thấy mẫu nghiên cứu có sự đa dạng và tiêu biểu từ các nhóm thành phần tham gia khảo sát Sự đa dạng này nâng cao tính đại diện của nghiên cứu, đảm bảo kết quả đạt được một cách khách quan nhất.

Tỉ lệ giới tính trong mẫu nghiên cứu hoàn toàn cân bằng, với nam và nữ đều chiếm 50% Đối tượng chủ yếu là những người trẻ, trong đó 65,3% là từ 18 đến dưới 25 tuổi và 25,5% từ 25 đến dưới 30 tuổi.

Với mức thu nhập 15 triệu đồng, nhóm đối tượng chủ yếu có học vấn từ cao đẳng đến đại học Tất cả các đáp viên đều đã sử dụng ứng dụng Fintech cho nhu cầu thanh toán và sinh hoạt hàng ngày Họ là những người trẻ, thích khám phá và chấp nhận thay đổi, mong muốn trải nghiệm công nghệ mới để phát triển tài chính cá nhân trong tương lai.

4.8.2 Thảo luận kết quả kiểm định mô hình cấu trúc tuyến tính (SEM)

Sau khi phân tích mô hình cấu trúc tuyến tính SEM, nghiên cứu chỉ ra rằng ý định hành vi sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại Thành phố Hồ Chí Minh chịu ảnh hưởng của 6 yếu tố chính: hiệu suất kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội, nhận thức rủi ro, điều kiện thuận lợi và thái độ sử dụng Trong đó, các yếu tố này đều tác động đồng biến, ngoại trừ nhận thức rủi ro, có tác động nghịch biến Thái độ hướng đến sử dụng và điều kiện thuận lợi là hai yếu tố tác động trực tiếp nhất, với điều kiện thuận lợi có ảnh hưởng lớn hơn Bốn yếu tố còn lại tác động gián tiếp thông qua thái độ hướng đến sử dụng, với mức độ ảnh hưởng lần lượt là: ảnh hưởng xã hội, hiệu suất kỳ vọng, nhận thức rủi ro và nỗ lực kỳ vọng, trong đó nỗ lực kỳ vọng có tác động thấp nhất Để nâng cao thái độ hướng đến sử dụng, cần tập trung vào bốn yếu tố tác động này.

4.8.3 Thảo luận kết quả kiểm định ANOVA

Nghiên cứu sử dụng kiểm định ANOVA để phân tích sự khác biệt giữa các nhóm nhân khẩu học về ý định hành vi sử dụng ứng dụng Fintech trong đầu tư và tích lũy tại Thành phố Hồ Chí Minh Kết quả cho thấy không có sự khác biệt đáng kể giữa giới tính, độ tuổi và học vấn, nhưng lại có sự khác biệt rõ rệt giữa các nhóm thu nhập Tác giả tôn trọng và công nhận kết quả khách quan này từ nghiên cứu.

Chương 4 trình bày các kết quả phân tích từ dữ liệu khảo sát sau khi được làm sạch và mã hóa và nhập trên phần mềm SPSS 24.0 Phân tích thống kê mô tả cho các thang đo về nhân khẩu học của mẫu nghiên cứu, nhằm biết được các đặc điểm của mẫu liên quan tới mục tiêu nghiên cứu Để đảm bảo rằng các khái niệm nghiên cứu đều đạt độ tin cậy, dữ liệu nghiên cứu được thực hiện phân tích Cronbach’s Alpha cho từng thang đo Sau khi loại các biến không tin cậy, để xác định các thành phần trong mô hình nghiên cứu đề xuất về ý định sử dụng ứng dụng Fintech trong đầu tư và tích lũy trên địa bàn Thành phố Hồ Chí Minh Đề tài thực hiện phân tích EFA để đảm bảo giá trị các thành phần trong các nhân tố đề xuất và khám phá ra các nhân tố mới Sau đó sử dụng phần mềm AMOS 24.0 để phân tích nhân tố khẳng định CFA và mô hình SEM kiểm định sự phù hợp của mô hình nghiên cứu với các giả thuyết đã được đưa ra

Kết quả từ mô hình cấu trúc tuyến tính SEM cho thấy có bốn yếu tố chính ảnh hưởng đến Thái độ sử dụng, với Ảnh hưởng xã hội là yếu tố mạnh nhất (trọng số 0,438), tiếp theo là Hiệu suất kỳ vọng (0,279), Nhận thức rủi ro (-0,224) và Nỗ lực kỳ vọng (0,207) Đối với Ý định hành vi sử dụng, hai yếu tố quan trọng là Thái độ hướng đến sử dụng và Điều kiện thuận lợi, trong đó Điều kiện thuận lợi có trọng số cao hơn (0,576) so với Thái độ hướng đến sử dụng (0,34) Tất cả các giả thuyết H1, H2, H3, H4, H5, H6 đều được chấp nhận với độ tin cậy 95%.

Chương tiếp theo sẽ trình bày kết luận và đưa ra các hàm ý quản trị dựa trên kết quả phân tích định lượng cùng với nghiên cứu định tính Ngoài ra, bài viết cũng sẽ chỉ ra những hạn chế của đề tài và đề xuất hướng nghiên cứu tiếp theo.