2.2.4.1 Khái niệm về thống kê mô tả
Thống kê mô tả là tổng hợp các phương pháp đo lường, mô tả và trình bày số liệu được ứng dụng vào lĩnh vực kinh tế bằng cách rút ra những kết luận dựa trên số liệu và thông tin thu thập.
Các công cụ cơ bản để tóm tắt và trình bày dữ liệu trong thống kê mô tả thường là: bảng tần số, các đại lượng thống kê mô tả, bảng kết hợp nhiều biến.
a) Bảng tần số
Dùng để đếm tần số với tập dữ liệu đang có thì số đối tượng có các biểu hiện nào đó ở một thuộc tính cụ thể là bao nhiêu, nhiều hay ít,… có thể thực
hiện cho bảng tần số với tất cả các biến kiểu định tính lẫn định lượng.
Ý nghĩa: là tính tần số của từng biểu hiện, được tính bằng cách đếm và cộng dồn; tần số tính theo tỷ lệ % bằng cách lấy tần số của từng biểu hiện chia cho tổng số mẫu quan sát; tính phần trăm hợp lệ là tính trên số quan sát có thông tin trả lời; tính phần trăm tích lũy do cộng dồn các phần trăm từ trên xuống, nó cho biết có bao nhiêu phần trăm đối tượng ta đang khảo sát ở mức độ nào đó trở xuống hay trở lên.
b) Phương pháp phân tích bảng chéo (Cross – Tabulation)
Phân tích bảng chéo là một kỹ thuật thống kê mô tả phản ánh mối quan hệ của hai hay ba biến cùng lúc. Việc phân tích các biến theo cột và theo hàng, biến xếp theo cột là biến độc lập và biến xếp theo hàng là biến phụ thuộc. Để kiểm định mối quan hệ giữa các biến dùng giá trị Sig. Ở bảng Chi-square Tests – kiểm định Chi bình phương với giả thuyết H0: không có mối quan hệ giữa các biến, H1: Có mối quan hệ giữa các biến. Nếu Sig. < ( là mức ý nghĩa được sử dụng phổ biến là 1%, 5% và 10%) thì bác bỏ giả thuyết H0, khi đó các biến có mối liên hệ với nhau. Ngược lại, thì các biến không có mối quan hệ với nhau.
Kiểm định Chi – bình phương chỉ có ý nghĩa khi số quan sát đủ lớn, nếu quá 20% số ô trong bảng chéo có tần số lý thuyết nhỏ hơn 5 thì giá trị chi – bình phương không còn đáng tin cậy.
c) Các đại lượng thống kê mô tả
Các đại lượng thống kê mô tả chỉ được tính đối với các biến định lượng. Nếu tính các đại lượng này đối với các biến định tính thì kết quả sẽ không có ý nghĩa.
Các đại lượng thống kê mô tả thường được dùng là:
- Mean (trung bình cộng): Trong tổng số mẫu quan sát người ta tính trung bình xem được bao nhiêu trong mẫu chúng ta quan sát.
- Std. Deviation (độ lệch chuẩn): Cho biết mức độ phân tán của các giá trị quanh giá trị trung bình.
- Minimum (giá trị nhỏ nhất): Gặp được trong các giá trị của biến ít khi khảo sát được.
- Maximum (giá trị lớn nhất): Gặp được trong các giá trị lớn nhất của biến trong các mẫu quan sát được.
2.2.4.2 Kiểm định Independent-samples T-test
Kiểm định Independent-samples T-Test là phép kiểm định giả thuyết về trung bình của tổng thể, được dùng trong trường hợp ta muốn so sánh trị trung bình về một chỉ tiêu nghiên cứu nào đó giữa hai đối tượng mà ta quan tâm. Yêu cầu của kiểm định này là phải có một biến định lượng (dạng khoảng cách hay tỷ lệ để tính trung bình) và một biến định tính.
Trước khi thực hiện kiểm định trung bình ta cần phải thực hiện một kiểm định khác mà kết quả của nó ảnh hưởng rất quan trọng đến kiểm định trung bình, đó là kiểm định sự bằng nhau của hai phương sai tổng thể (kiểm định Levene). Kiểm định Levene test được tiến hành với giả thuyết H0 rằng phương sai của 2 tổng thể bằng nhau, nếu kết quả kiểm định cho bạn mức ý nghĩa quan sát nhỏ hơn 0,05 bạn có thể bác bỏ giả thuyết H0. Kết quả này sẽ ảnh hưởng đến việc lựa chọn tiếp loại kiểm định giả thuyết về sự bằng nhau giữa hai trung bình tổng thể nào: kiểm định trung bình với phương sai bằng nhau hay kiểm định trung bình với phương sai khác nhau.
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < 0.05 thì phương sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. ≥ 0.05 thì phương sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.
Nếu Sig. của kiểm định t ≤ α (mức ý nghĩa) có sự phác biệt có ý nghĩa về trung bình của 2 tổng thể.
Nếu Sig. > α (mức ý nghĩa) không có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.
2.2.4.3 Kiểm định phương sai Anova
Kiểm định ANOVA một chiều hay còn gọi là phương pháp phân tích phương sai một chiều được sử dụng khi chúng ta có một biến phân loại độc lập và một biến phụ thuộc tỷ lệ có phân phối chuẩn và chúng ta muốn kiểm tra xem có sự khác biệt về giá trị trung bình của biến phụ thuộc theo các mức của biến phân loại hay không. Đây là một dạng mở rộng của kiểm định T-test.
Một số giả định đối với phân tích phương sai một yếu tố:
-Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên. -Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
Sau khi phân tích phương sai ANOVA sẽ cho ra kết quả là các đại lượng thống kê mô tả, kết quả kiểm định Levene và kết quả kiểm định ANOVA.
Nếu kết quả kiểm định Levene có sig. > mức ý nghĩa thì ta sẽ chấp nhận giả thuyết H0, tức là phương sai các nhóm không khác nhau một cách có ý nghĩa và ta có thể tiếp tục sử dụng kết quả phân tích ANOVA.
Nếu sig trong kết quả kiểm định ANOVA < mức ý nghĩa ta sẽ bác bỏ giả thuyết H0, đủ điều kiện để khẳng định sự khác biệt.
Nếu sig trong kết quả kiểm định ANOVA > mức ý nghĩa ta sẽ chấp nhận giả thuyết H0, chưa đủ điều kiện để khẳng định sự khác biệt.
2.2.4.4 Phân tích hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hay khía cạnh và tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời.
Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết được chính xác độ biến thiên cũng như độ lỗi của các biến. Theo đó, chỉ những biến có hệ số tương quan biến tổng phù hợp (Corrected Item-Total Correlation) lớn hơn 0,3 và hệ số Cronbach’s Alpha lớn hơn 0,6 mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo (Nunnally & Burnstein, 1994). Theo nhiều nhà nghiên cứu, nếu Cronbach’s Alpha đạt từ 0,8 trở lên đến gần 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 Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008).
Công thức của hệ số Cronbach’s Alpha là:
1 1
/
N N
Trong đó: là hệ số tương quan trung bình giữa các mục hỏi. N là số mục hỏi.
Hệ số tương quan tổng biến của các biến cho biết biến đo lường nào cần được bỏ đi và biến đo lường nào cần được giữ lại. Các biến có hệ số tương quan tổng biến nhỏ hơn 0,3 được gọi là biến “rác” và sẽ bị loại khỏi thang đo.
2.2.4.5 Phương pháp phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & cộng sự, 1998) [34].
Trong nghiên cứu, ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được.
Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer- Olkin) một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố phải có giá trị trong khoảng từ 0,5 đến 1 (0,5 < KMO <1) thể hiện phân tích nhân tố là thích hợp, còn nếu hệ số KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Phương pháp trích hệ số được sử dụng là Principal Component với các phép quay là Varimax và điểm dừng khi trích các yếu tố có eigenvalue là 1. Các biến quan sát có trọng số nhỏ hơn 0,5 sẽ tiếp tục bị loại và thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing & Andesson, 1987).
Mô hình phân tích nhân tố:
Nếu các biến được chuẩn hoá thì mô hình nhân tố được thể hiện bằng phương trình:
Xi = Ai1F1 + Ai2F2 + Ai3F3 +….+ AimFm + ViUi
Trong đó:
Xi: biến thứ i chuẩn hóa
Aij: hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i F: các nhân tố chung
Vi: hệ số hồi quy 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
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Trong đó:
Fi : ước lượng trị số của nhân tố thứ i
Wi: quyền số hay trọng số nhân tố (weight of factor score coefficient) k : số biến
Các tham số thống kê:
Bartlett’s test sphericity: đại lượng Bartlet là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể.
Correlation matrix: cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
Factor loadding (hệ số tải nhân tố): là những hệ số tương quan đơn giữa các biến và các nhân tố.
Factor matrix (ma trận nhân tố): chứa các hệ số tải nhân tố của tất cả các biến đối với các nhân tố được rút ra.
Factor scores: là các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra (còn được gọi là nhân số).
Kaiser-Meyer-Olkin (KMO) measure of sampling adequacy: là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO giữa 0,5 và 1 là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu nhỏ hơn 0,5 thì không phù hợp.
Cumulative (phương sai trích): cho biết mức độ giải thích đúng của mô hình. Eigenvalue: Đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Các biến còn lại sau khi đã xử lý bằng phương pháp phân tích hệ số tin cậy Cronbach alpha và phương pháp phân tích nhân tố sẽ được đưa vào phân tích hồi qui đa biến.
2.2.4.6 Phân tích hồi quy binary logistic
Hồi qui binary logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được. Những biến nghiên cứu có hai biểu hiện như vậy gọi là biến thay phiên (dichotomous), hai biểu hiện này sẽ được mã hóa thành hai giá trị 0 và 1 gọi là biến nhị phân.
Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra theo quy tắc nếu xác suất sự kiện được dự đoán lớn hơn 0,5 thì kết quả dự đoán sẽ cho là “có” xảy ra sự kiện, ngược lại thì kết quả
dự đoán sẽ là “không”.
Mô hình hàm Binary Logistic trong trường hợp đơn giản nhất (khi chỉ có một biến độc lập X) có dạng:
Kết quả tính toán có các thông số cơ bản như sau:
Chi-square: giá trị kiểm định Chi-bình phương về độ phù hợp tổng quát của mô hình để quyết định bác bỏ hay chấp nhận H0.
df: độ tự do.
Sig: mức ý nghĩa quan sát.
-2 Log likelihood: chỉ tiêu đo lường độ phù hợp tổng quát của mô hình.
Percentage Correct: % chính xác của dự báo.
Wald: kiểm định Wald về ý nghĩa của các hệ số hồi quy tổng thể.
Number of obs: số lượng các quan sát (số lượng mẫu).
n n o e X X Y P Y P ... ) 0 ( ) 1 ( log 1 1
Chương 3
THỰC TRẠNG DU LỊCH TỈNH KIÊN GIANG 3.1 TỔNG QUAN VỀ DU LỊCH TỈNH KIÊN GIANG
3.1.1 Lịch sử phát triển du lịch Việt Nam và tỉnh Kiên Giang
a. Lịch sử phát triển du lịch Việt Nam
Việt Nam với ba phần tư lãnh thổ là đồi núi với nhiều cảnh quan ngoạn mục, những rừng nhiệt đới với nhiều loài cây cỏ, chim muông, những hệ thống sông hồ tạo nên những bức tranh thủy mặc sinh động,... Với các dân tộc anh em cùng chung sống trên một lãnh thổ tạo nên sự đa dạng về phong tục, tập quán,... Tất cả tạo nên sức hấp dẫn mạnh mẽ đối với những con người ham khám phá. Mặt khác, do nằm ở vĩ độ thấp nên hầu như quanh năm nước ta đều có điều kiện khí hậu thuận lợi cho các hoạt động ngoài trời. Dựa trên những điều kiện kể trên có thể khẳng định rằng hoạt động du lịch đã xuất hiện ở nước ta đã có từ lâu đời. Tuy nhiên, ngành du lịch, chủ thể của du lịch Việt Nam mới ra đời cách đây gần 40 năm. Với Nghị định 26/CP ngày 9/7/1960 của Hội đồng Chính Phủ, công ty Du lịch Việt Nam đầu tiên của nước ta được thành lập, đánh dấu bước phát triển vượt bậc, đặt nền móng cho sự hình thành một ngành kinh tế mới mẻ của đất nước.
Ngày 23/1/1979, Nghị định 32/CP được ban hành, quyết định chính thức thành lập Tổng cục Du lịch Việt Nam, tạo bước ngoặc lớn trong sự chỉ đạo của Nhà nước đối với hoạt động du lịch Việt Nam. Hiện nay, cả nước có hơn 800 doanh nghiệp thuộc mọi thành phần kinh tế (không kể các hộ tư nhân) tham gia vào việc kinh doanh khách sạn và các dịch vụ du lịch, có hơn 200 công ty lữ hành nội địa và 78 công ty lữ hành quốc tế. Các đơn vị kinh doanh du lịch của Việt Nam đã có mối liên kết, hợp tác với hơn 800 hãng công ty du lịch từ 50 quốc gia trên thế giới. Ngành du lịch Việt Nam là thành viên của tổ chức Du lịch thế giới (WTO) từ tháng 9/1981, thành viên của hiệp hội Du lịch châu Á – Thái Bình Dương (PATA) từ năm 1989, thành viên hiệp hội du lịch Đông Nam Á (ASEANTA) từ năm 1995.
b. Lịch sử phát triển du lịch tỉnh Kiên Giang
Kiên Giang trước đây là một trấn rất hoang vu của phủ Sài Mạc thuộc Chân Lạp do Mạc Cửu (người Quảng Đông, Trung Quốc) di cư đến mở mang, khai phá và phát triển buôn bán làm cho vùng đất này trở thành trù phú hơn. Với tài nguyên thiên nhiên phong phú, đa dạng, có rừng, núi, sông, biển, đảo, có bờ biển dài với nhiều bãi tắm đẹp và nhiều danh lam thắng cảnh nổi tiếng,
nhiều di tích lịch sử văn hóa nổi tiếng như: Hòn Chông, Hòn Trẹm, Hòn Phụ Tử, bãi biển Mũi Nai, Thạch Động, Lăng Mạc Cửu, Đông Hồ, Hòn Đất, đảo Phú Quốc,... Từ lâu, Kiên Giang đã được ví như một Việt Nam thu nhỏ. Để thu hút đông đảo lượng khách du lịch đến đây, trong thời gian qua ngành du