Đề tài sử dụng phần mềm SPSS 16.0 để hỗ trợ việc phân tích số liệu. Đối với từng mục tiêu, đề tài nghiên cứu tiến hành sử sụng các phương pháp nghiên cứu cụ thể như sau:
Mục tiêu 1: Sử dụng phương pháp tổng hợp thông tin, số liệu thứ cấp
đánh giá thông qua phương pháp so sánh số đương đối, số tuyệt đối, thống kê mô tả và phương pháp luận để thấy được tình hình hoạt động du lịch ở thành phố Cần Thơ giai đoạn 2011 – 2013.
So sánh tuyệt đối:
So sánh tuyệt đối dựa trên hiệu số của chỉ tiêu kỳ phân tích và chỉ tiêu kỳ gốc. 0 1 y y y= − ∆ (2.1) - y0: chỉ tiêu kỳ gốc
- y1: chỉ tiêu năm phân tích - ∆y : chênh lệch giữa hai năm
Đề tài nghiên cứu sử dụng phương pháp so sánh số tuyệt đối trong phân tích để cho thấy được sự chênh lệch, tăng hay giảm từ các số liệu du lịch của tỉnh qua các năm nhằm xác định thực trạng phát triển du lịch tỉnh An Giang.
So sánh tương đối:
So sánh tương đối là tỷ lệ % của chỉ tiêu kỳ phân tích so với chỉ tiêu gốc để thể hiện mức độ hoàn thành. 100 0 0 1 − × = ∆ y y y y (2.2) - y0: chỉ tiêu kỳ gốc
- y1: chỉ tiêu năm phân tích - ∆y: tốc độ tăng trưởng (%)
16
So sánh tương đối theo tỷ lệ % cho thấy tốc độ tăng trưởng của ngành du lịch An Giang qua các năm.
Thống kê mô tả
Thống kê mô tả là phương pháp thống kê liên quan đến việc phát triển và áp dụng các phương pháp, kỹ thuật trong việc thu thập, phân tích và thảo luận – giải thích những dữ liệu sao cho dựa trên các dữ liệu quan sát được, người ta có thể đưa ra kết luận đáng tin cậy về một vấn đề nghiên cứu.
Thống kê mô tả là các phương pháp sử dụng để tóm tắt hoặc mô tả một tập hợp dữ liệu dưới dạng số hay đồ họa.
Các công cụ số dùng để mô tả thường dùng là:
1. Trung bình cộng (Mean): bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
2. Số trung vị (Median, kí hiệu: Me): là giá trị của biến đứng ở giũa của một dãy số đã được sắp xếp theo thứ tự tăng dần hoặc giảm dần. Số trung vị chia dãy số thành hai phần, mỗi phần có số quan sát bằng nhau.
3. Số Mode (kí hiệu: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
4. Phương sai (Variance): là trung bình giữa bình phương các độ lệch giữa các biến và trung bình của các biến đó.
5. Độ lệch chuẩn (Standard deviation): là căn bậc hai của phương sai.
Phương pháp thống kê mô tả được thực hiện với các số liệu sơ cấp thu được cho thấy mức độ tham gia du lịch của du khách với điểm du lịch An Giang.
Phương pháp phân tích tần số
Dùng bảng phân phối tần số, trong đó nêu lên số lượng các quan sát thu được (hay các tần số) đối với mỗi phân nhóm của biến số. Trong các phần mềm xử lý thống kê, tần số thường được ký hiệu là f (frequency). Bảng phân phối tần số cho thấy xu hướng trung tâm và mức độ phân tán của dữ liệu thu thập được.
Bảng phân phối tần số là bảng tóm tắt dữ liệu được sắp xếp thành từng tổ khác nhau, dựa trên những tần số xuất hiện của các đối tượng trong cơ sở dữ liệu để so sánh tỷ lệ, phản ánh số liệu từ đó giúp ta đánh giá chính xác và dễ dàng đưa ra các giải pháp khắc phục.
17
Mục tiêu 2: Phân tích các nhân tố ảnh hưởng đến quyết định lựa chọn điểm đến du lịch Cần Thơ, đề tài sử dụng kiểm định thang đo Cronbach’s Alpha để kiểm định độ tin cậy, tiến hành phân tích nhân tố khám phá (Exploratory Factor Analysis), tiếp theo sử dụng phương pháp phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis) để kiểm định sự phù hợp của mô hình với dữ liệu nghiên cứu, và sau cùng là sử dụng mô hình cầu trúc tuyến SEM để ước lượng mức độ ảnh hưởng của BĐKH đến quyết định lựa chọn điểm đến của du khách.
Kiểm định thang đo Cronbach’s Alpha
Là phương pháp được sử dụng để hiệu chỉnh bộ biến các tiêu chí mong muốn của du khách. Khi có bộ biến đã hiệu chỉnh lúc này bài nghiên cứu sử dụng phương pháp phân tích nhân tố để phân loại và tóm tắt các biến thành các nhóm tiêu chí tổng quát hơn.
Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục được hỏi trong thang đo tương quan với nhau.
Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,8 trở lên gần đến 1 thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm thang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally 1978, Peterson 1994, Slater 1995). (adsbygoogle = window.adsbygoogle || []).push({});
Cronbach’s alpha cũng được sử dụng để hiệu chỉnh bộ biến trong trường hợp có những biến khi loại bỏ làm tăng giá trị Cronbach’s alpha.
Phân tích nhân tố khám phá EFA
Phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Trong nghiên cứu có thể có rất nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau do đó chúng thường được rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến). Trong phân tích nhân tố không có sự phân biệt biến phụ thuộc và biến độc lập. Hơn nữa, phân tích nhân tố thể hiện mối quan hệ phụ thuộc lẫn nhau giữa các biến và mối quan hệ phụ thuộc này được xác định thể hiện qua mô hình nhân tố.
Mô hình phân tích nhân tố được thể hiện bằng phương trình:
Xi = Ai1F1 + Ai2F2 + Ai3F3 +…+ A
18 Trong đó:
Xi : biến thứ i chuẩn hóa
Aij : hệ số hồi qui bội chuẩn hóa của nhân tố j đối với biến i
F : các nhân tố chung
Vi : hệ số hồi qui chuẩn hóa của nhân tố đặc trưng I đối với biến i
Ui : nhân tố đặc trưng của biến i
m : số nhân tố chung
Để xác định mô hình thích hợp tiến hành phân tích nhân tố hay không ta cần xem xét kiểm định KMO (Kaiser-Meyer-Olkin) và Bartlett’s Test. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5≤KMO≤1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể.
Các bước tiến hành phân tích nhân tố:
• Xác định vấn đề: gồm 3 vấn đề là nhận diện các mục tiêu của phân tích nhân tố; các biến tham gia vào phân tích nhân tố phải được xác định dựa vào các nghiên cứu trong lý thuyết, phân tích lý thuyết và đánh giá của nhà nghiên cứu; vấn đề cuối cùng là các biến này phải được đo lường một cách thích hợp bằng thang đo định lượng (khoảng cách hay tỉ lệ) cỡ mẫu phải đủ lớn. Thông thường thì số mẫu ít nhất phải bằng 4 hoặc 5 lần số biến trong phân tích nhân tố nhưng trong nhiều tình huống nghiên cứu, quy mô cỡ mẫu vẫn có trường hợp nhỏ hơn tỉ lệ này, trong trường hợp này đòi hỏi nhà nghiên cứu phải thận trọng trong việc giải thích kết quả.
• Xây dựng ma trận tương quan: trong phân tích nhân tố, cần kiểm định mối tương quan của các biến với nhau. Chúng ta sử dụng Bartlett’s test of sphericity để kiểm định giả thuyết H0 (H0: các biến không có tương quan với nhau trong tổng thể), ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1 còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng này có giá trị càng lớn thì ta càng có nhiều khả năng bác bỏ giả thuyết H0. Nếu giả thuyết H0 không được bác bỏ thì phân tích nhân tố có khả năng không thích hợp.
19
• Xác định từ trước dựa vào ý đồ của nhà nghiên cứu và kết quả của cuộc nghiên cứu trước. Nhà nghiên cứu xác định số nhân tố ở ô Number of factors.
• Xác định dựa vào Eigenvalue (Determination based on eigenvalue). Chỉ có những nhân tố nào lớn hơn 1 mới được giữ lại trong mô hình phân tích.
• Xoay các nhân tố: có nhiều phương pháp xoay khác nhau trong đó được sử dụng rộng rãi nhất là Varimax procedure (xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tồn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố).
• Đặt tên và giải thích các nhân tố: việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số (factor loading) lớn ở cùng một nhân tố. Theo Hair và cộng sự (2009), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng và ≥ 0,5 được xem là có ý nghĩa thực tiễn. Hair và cộng sự (2009) cho rằng nếu chọn tiêu chuẩn factor loading > 0,3 thì cỡ mẫu phải ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0,55, còn nếu cỡ mẫu khoảng 50 thì factor loading phải > 0,75.
• Nhân số: nếu nhà nghiên cứu muốn xác định tập hợp nhân tố ít hơn để sử dụng trong các phương pháp phân tích đa biến tiếp theo (phân tích ANOVA, hồi quy,…), ta có thể tính toán ra các nhân số (trị số của các biến tổng hợp) cho từng trường hợp quan sát một.
Thông qua lược khảo các tài liệu nghiên cứu của các tác giả như: “Nhóm tác giả, 2010. Biến đổi khí hậu và tác động ở Việt Nam. Viện khoa học khí tượng thủy văn và môi trường”, “Susanne Becken, 2010. The importance of climate and weather for tourism”, và bài nghiên cứu của “Winston R. Moore, 2010. The Impact of Climate Change on Caribbean Tourism Demand”, bài nghiên cứu này tổng hợp lại các yếu tố từ các tác giả ở trên và từ đó xác định được bộ tiêu chí. Các thang đo của biến quan sát sử dụng thang đo likert (5 mức độ) được lựa chọn cho phù hợp để tiến hành phân tích nhân tố khám phá EFA gồm 22 yếu tố:
20
2. Nhiệt độ không khí gia tăng làm tăng chi phí làm mát trong các cơ sở lưu trú.
3. Nhiệt độ không khí gia tăng làm cho khách dulịch phải trả thêm chi phí làm mát.
4. Nước ngập do lũ lụt và nước biển dâng làm ngập lụt đường phố gây tắt nghẽn giao thông vận tải.
5. Nước ngập do lũ lụt và nước biển dâng làm thiệt hại cơ sở hạ tầng du lịch. 6. Nước ngập do lũ lụt và nước biển dâng làm tổn hại đến các khu du lịch sinh thái.
7. Ô nhiễm môi trường làm mất vẻ mỹ quan tại điểm du lịch.
8. Hạn hán mùa khô, tình trạng thiếu nước cung cấp cho các ngành dịch vụ. 9. Xâm nhập mặn làm thiếu nguồn nước ngọt phục vụ ngành du lịch. (adsbygoogle = window.adsbygoogle || []).push({});
10.Sạt lở bờ sông làm mất đi các bờ.
11.Sạt lỡ bờ sông làm tăng chi phí để bảo vệ và duy trì khu vực bờ sông. 12.Bão và ấp thấp nhiệt đới làm tăng chi phí bảo hiểm rủi ro cho các cơ sở du lịch.
13.Bão và ấp thấp nhiệt đới làm gián đoạn kinh doanh du lịch. 14.Gió lốc ảnh hưởng đến các công trình di sản văn hóa. 15.Gió lốc ảnh hưởng đến các cơ sở hạ tầng du lịch.
16.Cháy rừng thường xuyên và lớn hơn làm mất thắng cảnh thiên nhiên. 17.Thay đổi về mặt đất và biến đổi đa dạng sinh học làm mất thắng cảnh thiên nhiên.
18.Thay đổi về mặt đất và biến đổi đa dạng sinh học làm mất các loài sinh vật tại các điểm đến.
19.Thay đổi của đất về độ ẩm, xói mòn và độ chua làm mất tài sản khảo cổ học ảnh hưởng đến các điểm tham quan du lịch.
20.Nước biển nóng lên làm các hệ sinh thái bị phá hủy. 21.Nước biển nóng lên làm các rạn san hô bị tẩy trắng.
21
22.Thay đổi về lượng mưa (tăng về mùa mưa, giảm về mùa khô) dẫn đến tình trạng lũ lụt.
Phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng định được sử dụng khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa các biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp quan sát không. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường bởi vi chúng cùng “tải” lên khái niệm lý thuyết cơ sở. Các chỉ tiêu đánh giá trong phân tích CFA bao gồm tính đơn hướng, giá trị hội tụ, giá trị phân biệt và độ tin cậy.
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, nghiên cứu này sử dụng các chỉ tiêu chi – bình phương, chi bình phương điều chỉnh theo bậc tự do (CMIN/df), chỉ số thích hợp so sánh CFI, chỉ số Tucker & Lewis (TLI) và chỉ số RMSEA. Mô hình được gọi là thích hợp khi phép kiểm định chi – bình phương có giá trị p>0,05, tuy nhiên chi – bình phương có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu mô hình nhận được các giá trị GFI, TLI, CFI
≥0,9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể lớn hơn 3 (Carmines & McIver, 1981); RMSEA ≤ 0,08 thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Thọ&Trang (2008) cho rằng nếu mô hình nhận được các giá trị TLI, CFI ≥ 0,9, CMIN/df ≤ 2, RMSEA ≤ 0,08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường. Qui tắc này cũng được sử dụng để đánh giá mức độ phù hợp của mô hình cấu trúc tuyến tính SEM.
Các chỉ tiêu đánh giá trong phân tích CFA:
• Tính đơn hướng (unidimensionality: Mức độ phù hợp của mô hình đo lường với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng (Steenkam & Van Trijp, 1991). Điều này chỉ đúng khi không có tương quan giữa sai số của các biến quan sát.
• Giá trị hội tụ (convergent validity): Thang đo đạt giá trị hội tụ nếu các trọng số chuẩn hóa đều cao (> 0,5) và có ý nghĩa thống kê (p<0.05).
22
• Giá trị phân biệt (discriminant validity): Hai khái niệm đạt được giá trị phân biệt khi hệ số tương quan giữa chúng nhỏ hơn 1 và p-value có ý nghĩa thống kê. Để kiểm định xem hệ số tương quan có khác biệt so với 1 hay không, ta sử dụng Excel để tính những công thức sau:
Sc = SQRT ((1 – r2)/(100 – 2)) (2.3) Cr = (1-r)/Se (2.4) p-value = TDIST (Cr, 100-2, 2) (2.5)
• Độ tin cậy: Độ tinh cậy của thang đo được đánh giá thông qua hệ số Cronbach’s alpha, độ tin cậy tổng hợp và tổng phương sai trích. Độ tin cậy tổng hợp (ρc) và tổng phương sai trích (ρvc) được tính theo công thức sau:
∑ ∑ ∑ = = = − + = p i i p i i p i i c 1 2 2 1 2 1 ) 1 ( ) ( ) ( λ λ λ ρ (2.6) ∑ ∑ ∑ = = = − + = p i p i i i p i i vc 1 1 2 2 1 2 ) 1 ( λ λ λ ρ (2.7)
Trong đó: λi là trọng số chuẩn hóa của biến quan sát thứ i; 1 - 2
i
λ là phương sai số đo lường biến quan sát thứ i; p là số biến quan sát của thang đo.