STT Mức độ Số lượng (người) Tỷ lệ (%) 1 Rất quan trọng 36 20,93 2 Quan trọng 96 55,81 3 Bình thường 40 23,26 4 Không quan trọng 0 0 5 Tổng 172 100
Nguồn: Tổng hợp từ phiếu điều tra (2016-2017)
Qua bảng số liệu trên ta thấy thịt lợn có tầm qua trọng hàng ngày đối với người tiêu dùng. Tỷ lệ 20,93% người tiêu dùng cho rằng thịt lợn rất quan trọng hàng ngày. Thịt lợn được coi là quan trọng với tỷ lệ cao 55,81%. Và không có người tiêu dùng nào cho rằng thịt lợn không quan trọng. Do vậy, qua nghiên cứu thực tế cho thấy thịt lợn có vai trò khá lớn đối với người tiêu dùng trên địa bàn nghiên cứu.
4.2.2.7. Tỷ lệ sẵn lòng chi trả của người tiêu dùng đối với thịt lợn sạch
Sự sẵn lòng chi trả được đo lường ở số tiền hoặc phần trăm chi trả thêm cho sản phẩm có tính năng vượt trội so với giá thông thường. Do đó, sự sẵn lòng chi trả thêm được đánh giá như thước đo đo lường nhu cầu đối với một sản phẩm mới so với sản phẩm thông thường. Đối với thịt lợn sạch, đây cũng là một sản phẩm có tính năng vượt trội so với thịt lợn thường. Dưới đây là kết quả điều tra về sự sẵn lòng chi trả của người tiêu dùng đối với sản phẩm thịt lợn sạch trên địa bàn nghiên cứu: Bảng 4.8: Sự sẵn lòng chi trả cho thịt lợn thực sự sạch Sự sẵn lòng trả Số lượng (người) Tỷ lệ(%) 1. Có 157 91,3 2. Không 15 8,7 Tổng: 172 100
Kết quả cho thấy nếu thịt lợn thự̣c sự sạch thì 91,3% người sẽ sẵn sàng chi trả thêm và chỉ có 8,7% người trả lời không sẵn sàng. Như vậy, người tiêu dùng phần lớn sẽ sẵn sàng chi trả thêm nếu như họ chắc chắn được đó thực sự là thịt lợn sạch. Vì vậy, các nhà phân phối và sản xuất cần có giải pháp để tạo lòng tin cho người tiêu dùng, để chứng minh cho người tiêu dùng thấy rằng thịt lợn trên thị trường thực sự sạch.
Khi được hỏi mức sẵn lòng chi trả thêm thì 8,7% người tiêu dùng được hỏi không sẵn lòng chi trả thêm, còn hầu hết người tiêu dùng (73,84%) không sẵn lòng chi trả ở mức cao hơn 15%. Kết quả cũng chỉ ra tỷ lệ phần trăm cao nhất (38,95%) là sẵn sàng chi trả cho mức giá cao hơn trong khoảng từ 11-15%. Giá cao hơn 20% chỉ có 4,65% số người tiêu dùng được hỏi sẵn lòng chi trả.
Bảng 4.9 so sánh giá thịt lợn sạch và thịt lợn thường cùng thời điểm trên thị trường cho thấy giá của thịt lợn sạch cao hơn giá của thịt lợn thường ít nhất là 50%, có những loại còn cao hơn từ 106-133%. Chính vì vậy, so sánh mức độ sẵn lòng chi trả ở trên với mức chênh lệch giá trên thị trường hiện nay, có một khoảng cách rất lớn. Kết hợp với phân tích bên trên, minh chứng rõ một điều đó là giá đang là một trong những yếu tố cản trở đến việc tiêu dùng thịt lợn sạch, đồng thời một giả thuyết có thể đặt ra đó là sự thiếu tin tưởng vào chất lượng thịt lợn sạch hiện nay và mức độ hiểu biết về thịt lợn sạch của người tiêu dùng còn hạn chế đang dẫn đến mức độ sẵn lòng chi trả cho sản phẩm này còn ở mức độ thấp.
` Biểu đồ 4.7. Mức độ sẵn lòng chi trả thêm cho thịt lợn sạch Nguồn: Tổng hợp từ phiếu điều tra (2016-2017) Nguồn: Tổng hợp từ phiếu điều tra (2016-2017)
Bảng 4.9. So sánh giá thịt lợn sạch và thịt lợn thường tại cùng thời điểm STT Loại thịt STT Loại thịt Giá thịt lợn sạch (nghìn đồng/kg) Giá thịt lợn thường (nghìn đồng/kg) Chênh lệch TLS và TLT (%) 1 Thịt mông 165 75 120 2 Thịt ba chỉ 90 60 50 3 Thịt vai 135 65 107 4 Thịt chân giò 175 80 118 5 Thịt thăn 155 75 106 6 Sườn non 140 60 133
Nguồn: Tổng hợp từ phiếu điều tra (2016-2017) 4.3. PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG TỚI QUYẾT ĐỊNH TIÊU DÙNG THỊT LỢN SẠCH CỦA NGƯỜI TIÊU DÙNG TRÊN ĐỊA BÀN THÀNH PHỐ THÁI BÌNH
4.3.1. Mô hình hồi quy
Để phân tích mức độ ảnh hưởng của một số yếu tố chính dẫn tới quyết định mua thịt lợn sạch của người tiêu dùng, hàm hồi quy được sử dụng để đánh giá.
Trong nghiên cứu này các biến có khả năng ảnh hưởng đến quyết định mua thịt lợn sạch được dùng để phân tích trong mô hình hồi quy gồm: giá bán, lợi ích đối với sức khỏe, thu nhập, thuận tiện, thói quen tiêu dùng, uy tín người bán và mức độ nhận biết. Trong đó, quyết định mua thịt lợn sạch là biến phụ thuộc, còn các biến ảnh hưởng đến quyết định mua thịt lợn sạch là biến độc lập. Quyết định tiêu dùng thịt lợn sạch được biểu diễn bằng hàm số sau:
QD = β0 + β1GB + β2LI + β3TN + β4TT + β5TQ +β6UT +β7NB
Nghiên cứu sử dụng công cụ Regression trong phần mềm SPSS 22 để xây dựng phương trình hồi quy đa biến. Trong đó:
QD là quyết định tiêu dùng thịt lợn sạch; GB là giá bán thịt lợn sạch;
LI là lợi ích của việc tiêu dùng thịt lợn sạch đối với sức khỏe; TN là thu nhập của người tiêu dùng;
TT là tính sẵn có và thuận tiện của thịt lợn sạch; TQ là thói quen tiêu dùng ;
UT là uy tín của người bán;
NB là mức độ nhận biết của người tiêu dùng về thịt lợn sạch; β0: Hệ số tự do hay hệ số chặn;
β1, β2, β3, β4, β5, β6, β7: Hệ số hồi quy;
4.3.2. Phân tích các nhân tố ảnh hưởng tới quyết định tiêu dùng thịt lợn sạch a. Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha a. Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Thang đo của các nhân tố được rút ra qua phép phân tích nhân tố được đánh giá thông qua hệ số Cronbach’ alpha. Hệ số cronbach Alpha được sử dụng để loại bỏ các biến “rác”.
Các tiêu chuẩn kiểm định:
- Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0,3 thì biến đó đạt yêu cầu.
- Mức giá trị hệ số Cronbach’s Alpha:
Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt. Từ 0,6 trở lên: thang đo lường đủ điều kiện.
Cần chú ý đến giá trị của cột Cronbach's Alpha if Item Deleted, cột này biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét. Thông thường chúng ta sẽ đánh giá cùng với hệ số tương quan biến tổng Corrected Item – Total Correlation, nếu giá trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0,3 thì sẽ loại biến quan sát đang xem xét để tăng độ tin cậy của thang đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết quả kiểm định thang đo được trình bày tại phụ lục 02
Kết quả từ các bảng kết quả cho thấy thang đo đều có Cronbach’ Alpha > 0,7 và hệ số tương quan biến tổng > 0,3 đồng thời không có giá trị nào trong cột Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha. Như vậy, đây là các thang đo sử dụng được.
Sau kiểm định Cronbach’s Alpha ta có bảng thống kê kết quả tổng hợp của từng nhóm biến như sau:
Bảng 4.10. Kết quả sau khi kiểm định độ tin cậy các biến
STT Nhân tố sát ban đầu Biến quan Biến quan sát còn lại Cronbach’s Alpha Biến bị loại
1 Giá bán 3 3 0,884 2 Lợi ích sức khỏe 3 3 0,859 3 Tính sẵn có và thuận tiện 3 3 0,838 4 Mức độ nhận biết 4 4 0,890 5 Thu nhập 3 3 0,820 6 Uy tín người bán 3 3 0,773
7 Thói quen tiêu dùng 3 3 0,816
8 Quyết định tiêu dùng 3 3 0,871
Nguồn: Tổng hợp kết quả phân tích (2017) b. Phân tích nhân tố khám phá EFA bằng SPSS
Khi kiểm định một lý thuyết khoa học, chúng ta cần đánh giá độ tin cậy của thang đo (Cronbach’s Alpha) và giá trị của thang đo (EFA). Sau khi đánh giá xong độ tin cậy của thang đo bước tiếp theo là đánh giá giá trị của nó. Hai giá trị quan trọng được xem xét đó là giá trị hội tụ và giá trị phân biệt (Nguyễn Đình Thọ, 2008). Hiểu một cách đơn giản:
Thỏa mãn "Giá trị hội tụ": Các biến quan sát hội tụ về cùng một nhân tố. Đảm bảo "Giá trị phân biệt": Các biến quan sát thuộc về nhân tố này và phải phân biệt với nhân tố khác.
- Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát hành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu các đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu đặc điểm lớn, trong mỗi đặc điểm lớn này gồm các đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu.
- Các tiêu chí trong phân tích EFA :
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0,5 trở lên (0,5 ≤
KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố (Nguyễn Đình Thọ, 2009).
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Lần lượt thực hiện phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc. Chúng ta cần phân tích EFA riêng cho từng nhóm biến: độc lập riêng, phụ thuộc riêng. Việc cho biến phụ thuộc vào cùng phân tích EFA có thể gây ra sự sai lệch kết quả vì các biến quan sát của biến phụ thuộc có thể sẽ nhảy vào các nhóm biến độc lập một cách bất hợp lý.
Sau khi phân nhân tố khám phá cho các biến độc lập ta có kết quả ma trận xoay (phụ lục 02): 25 biến quan sát được gom thành 7 nhân tố, tất cả các biến quan sát đều có hệ số tải lớn hơn 0,5. Như vậy, sự tương quan giữa các biến quan sát với nhân tố tương đối lớn.
Sau khi phân tích khám phá cho biến phụ thuộc (phụ lục 02) ta thấy: Bảng đầu tiên là KMO and Barlett’s Test. 0,5 ≤ KMO = 0,797 ≤ 1, phân tích nhân tố được chấp nhận với tập dữ liệu nghiên cứu.
Sig Barlett’s Test = 0,000 < 0,05, phân tích nhân tố là phù hợp
Giá trị Eigenvalue = 1,123 ≥ 1 và trích được 7 nhân tố mang ý nghĩa tóm tắt thông tin tốt nhất.
Tổng phương sai trích = 76,492 ≥ 50% cho thấy mô hình EFA là phù hợp. Như vậy, 7 nhân tố được trích cô đọng được 76,492% biến thiên các biến quan sát
Kết quả ma trận xoay cho thấy, 22 biến quan sát được gom thành 6 nhân tố, tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0,5 (phụ lục 02).
Sau khi phân tích khám phá cho biến độc lập (phụ lục 02), các nhân tố được tóm tắt lại như sau:
Bảng 4.11. Kết quả sau khi phân tích khám phá EFA các biến
STT Nhân tố Các biến quan sát
1 GB Giá bán GB1, GB2, GB3 ( 3 biến)
2 LI Lợi ích sức khỏe LI1, LI2, LI3 ( 3 biến)
3 TT Tính sẵn có và tính thuận tiện TT1, TT2, TT3 ( 3 biến)
4 NB Mức độ nhận biết NB1, NB2, NB3, NB4 ( 4 biến)
5 TN Thu nhập TN1, TN2, TN3 ( 3 biến)
6 UT Uy tín người bán UT1, UT2, UT3 ( 3 biến )
7 TQ Thói quen tiêu dùng TQ1, TQ2, TQ3 ( 3 biến)
8 QD Quyết định tiêu dùng QD1, QD2, QD3 ( 3 biến)
Tổng số lượng biến quan sát độc lập: 22 Tổng số lượng biến quan sát phụ thuộc: 3
Nguồn: Tổng hợp kết quả phân tích (2017)
Sau khi định nghĩa lại nhân tố, chúng ta sẽ tiến hành tạo biến đại diện theo bảng nhân tố được định nghĩa lại ở trên. Việc tạo biến đại diện sẽ giúp chúng ta có được các nhân tố phục vụ cho bước chạy tương quan Pearson và hồi quy đa biến về sau.
Giả sử chúng ta không tạo biến đại diện mà đưa trực tiếp 24 biến quan sát độc lập tiến hành chạy hồi quy cho lần lượt từng biến quan sát phụ thuộc, chúng ta sẽ phải thực hiện 3 phương trình hồi quy và mỗi phương trình hồi quy cực kỳ dài với 22 biến độc lập. Thay vì chạy hồi quy với 22 biến độc lập, trong đó một số biến có cùng tính chất với nhau vậy chúng ta sẽ gom các biến cùng tính chất ấy lại và tạo cho chúng 1 biến đại diện? Thứ nhất, phương trình hồi quy gọn gàng, thẩm mỹ hơn. Thứ hai, chúng ta dễ thao tác, dễ đọc kết quả kết quả xuất ra, dễ nhận xét hơn. Thứ ba, đúng mục đích nghiên cứu ban đầu của chúng ta là nghiên cứu các nhân tố độc lập tác động thế nào đến nhân tố phụ thuộc, chứ không phải đi xem một danh sách 22 biến quan sát độc lập tác động thế nào đến biến phụ thuộc.
c. Phân tích tương quan giữa các nhân tố
Phân tích tương quan nhằm xem xét sự tương quan thuận hay nghịch, mạnh hay yếu giữa hai biến đồng thời kiểm định xem mối tương quan giữa hai biến là có ý nghĩa hay không (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Một số chỉ tiêu trong tương quan Pearson bằng SPSS: Tương quan Pearson r có giá trị dao động từ -1 đến 1:
Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về1 là tương quan dương, tiến về -1 là tương quan âm.
Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
Nếu r = 1: tương quan tuyến tính tuyệt đối, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Trong bảng kết quả tương quan Pearson :
Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến.
Hàng Sig. (2-tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa hay không. Sig < 0,05, tương quan có ý nghĩa; sig ≥ 0,05, tương quan không có ý nghĩa.
Sau khi phân tích tương quan ta có bảng (phụ lục 02):
Sig tương quan Pearson các biến độc lập GB, LI, NB, TT, UT,TN với biến phụ thuộc QD nhỏ hơn 0,05. Như vậy, có mối liên hệ tuyến tính giữa các