3.1. Thực trạng thanh toán qua thiết bị di động ở Việt Nam
Cùng với sự phát triển của công nghệ trên thiết bị điện thoại di động, và sự phát triển
của các ứng dụng thanh toán di động kèm theo đã tạo thành thói quen với người sử dụng.
Theo số liệu của Statista, giá trị giao dịch thanh toán qua di động toàn cầu đạt khoảng 224,4 tỉ USD năm 2020 và đạt mức tăng trưởng dự kiến hàng năm khá cao với mức tăng trung bình hơn 40%/ năm trong giai đoạn 2021 - 2023. Đây là phương thức thanh toán
mang lại nhiều lợi ích cho người dùng như bảo mật, đơn giản, dễ sử dụng, thuận tiện khi
sử dụng chính điện thoại di động để thanh toán mà không cần đến thẻ hay tiền mặt, ... Vì thế, khả năng chuyển hóa trải nghiệm thanh toán mà thanh toán qua di động mang lại cho
người dùng được đánh giá rất cao.
Đối với thị trường Việt Nam, đây là thị trường đầy tiềm năng để phát triển phương thức thanh toán qua thiết bị di đông. Trong vài năm gần đây, Việt Nam đã chứng kiến sự tăng trưởng nổi bật của thị trường thanh toán bán lẻ nói chung, sự tăng trưởng của giao
dịch thanh toán bằng thẻ nói riêng và sự phổ biến của điện thoại thông minh. Việt Nam
nằm trong top 3 điểm đến của các nhà đầu tư quan tâm đến thị trường bán lẻ châu Á. Ở
các thành phố trọng điểm như Hà Nội, Tp. Hồ Chí Minh, Đà Nẵng, Hải Phòng, Nha Trang,
Cần Thơ... số lượng người dùng điện thoại thông minh thường cao hơn các tỉnh thành
khác.
3.2. Nghiên cứu định lượng chính thức
Nghiên cứu định lượng chính thức được thực hiện ngay sau khi có kết quả của
nghiên cứu định tính chính thức với mục đích nhằm kiểm định lại mô hình, Giả thuyết, xu
hướng, mối quan hệ và mức độ tác động của các nhân tố theo những phương pháp tính
toán và số liệu thu thập được bằng phương pháp dùng phương pháp thu thập thông tin qua bảng hỏi. Ngoài ra phần nghiên cứu này sẽ xét thêm đặc điểm nhân khẩu học: giới tính, tuổi, thu nhập, trình độ học vấn được kỳ vọng có tác động lên những biến độc lập và ý định
sử dụng thanh toán di động của khách hàng.
18
e Thang do
Sau khi nghiên cứu và chỉnh sửa bổ sung, bài khóa luận đưa ra thang đo chính thức
như sau:
STT | Khái niệm nghiên cứu
Độ hữu ích
(HI)
Bang 3.1: Thang do chính thức Thang do
MP là một phương thức thanh toán có ích cho công việc của tôi.
Dùng MP khiến việc thanh toán trở nên dễ dàng hơn
MP giúp việc thanh toán trên các ứng dụng di động nhanh chóng, tiện lợi hơn (ví dụ: mua vé máy bay, vé xem phim, thẻ điện thoại...)
Nhờ sử dụng dịch vụ MP, lựa chọn của tôi với tư cách khách hàng được cải thiện (ví dụ: linh hoạt hơn, nhanh hơn, ...)
Tôi thấy (cảm thấy) bản thân có thể nhanh chóng thành
thạo thao tác sử dụng của các dịch vụ MP
Tôi thấy (cảm thấy) các bước cài đặt sử dụng dịch vụ MP
khá dễ dàng
Tôi thấy (cảm thấy) việc trải nghiệm các tính năng của MP
khá dễ dàng
Rủi ro bên thứ ba không được uỷ quyền theo dõi thông tin giao dịch của mình là thấp. (ví dụ: nhà cung cấp dịch vụ như Momo, SamsungPay, ...)
Ít rủi ro thông tin cá nhân của tôi bị lạm dụng khi sử dụng
dịch vụ MP. (ví dụ: tên đối tác, số tiền chuyển khoản, tên
người nhận)
19
ơ â
Tính tương thích
ơ (TT)
ơ
ơ
ơ ul
ơ đ
Ảnh hưởng
xã hội
(XH)
ơ œ
Ne}
i) th
Ít rủi ro thông tin thanh toán của tôi bị lạm dụng khi sử | BM3
dụng dịch vụ MP (ví dụ: số thẻ, số tài khoản)
Việc sử dụng MP đáp ứng được lối sống sinh hoạt của tôi | TT1
Việc sử dụng MP phù hợp với cách tôi thường mua sắm TT2
Tôi ưa chuộng sử dụng MP hơn các dịch vụ thanh toán | TT3 khác
Tôi có thể làm nhiều việc cùng một lúc với MP
Tôi có thể thanh toán ở bất cứ nơi đâu nhờ MP
Tôi có thể thanh toán bất cứ lúc nào nhờ MP DD3
Tôi sẽ sử dụng MP nếu những người quan trọng với tôi
khuyên tôi nên sử dụng MP (ví dụ: gia đình, bạn bè, người yêu, ...)
Tôi sẽ sử dụng MP nếu những người ảnh hưởng đến hành
vi của tôi (lãnh đạo, quản lí, giáo viên) nói tôi nên sử dụng MP
Tôi nghĩ những người sử dụng MP là những người bắt kịp
xu hướng công nghệ
Nếu có cơ hội, tôi sẽ sử dụng MP YD1
Tôi sẵn sàng tiếp tục/đăng ký sử dụng MP trong tương lai
gần
Tôi có ý định sử dụng MP khi có nhu cầu YD3
e _ Phương pháp phân tích và xử lý dữ liệu
Phương pháp thống kê mô td theo các biến nhân khẩu học
Xác định số lượng, tỷ lệ phần trăm câu trẻ lời đặc điểm nhân khẩu học của những người được khảo sát. Mục đích của phương pháp này, đầu tiên chính là giới thiệu đặc điểm
20
nhân khẩu học của những người được tham gia khảo sát bằng biểu đồ để so sánh dữ liệu,
tiếp theo là chia thành 2 nhóm đối tượng khảo sát là khách hàng chưa sử dụng và khách hàng đang sử dụng dịch vụ thanh toán qua thiết bị di động.
Kiểm định Cronbach s Alpha
Cronbach's alpha là một thước đo độ tin cậy của một bộ đo (scale) hoặc một tập
hợp các câu hỏi trong nghiên cứu khoa học. Nó được sử dụng để đánh giá độ đồng nhất và độ ổn định của các câu hỏi trong bộ đo, tức là đo lường xem các câu hỏi trong bộ đo có đo lường cùng một khái niệm hay không, và đo lường xem các câu hỏi trong bộ đo có cho kết
quả tương tự nhau khi được áp dụng vào một mẫu khác nhau.
Hệ số tương quan biến tổng là hệ số tương quan của một biến với mức trung bình của biến khác trong cùng một thang đo, cho nên hệ số này đồng biến với sự tương quan của biến này với các biến khác trong nhóm. Theo Nunnally & Burnstein (1994), hệ số tương quan các biến sẽ có các mức độ phân loại theo các mức sau:
+0.01 đến +0.1: Mối tương quan quá thấp, không đáng kể +0.2 đến +0.3: Mối tương quan thấp
+0.4 đến +0.5: Mối tương quan trung bình +0.6 đến +0.7: Mối tương quan cao
+0.8 trở lên: Mối tương quan rất cao
Phương pháp phân tích nhân tố khám phá (EFA)
Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) là một phương pháp thống kê được sử dụng để giảm số lượng biến (variables) trong một tập
dir liệu lớn bằng cách tìm ra các nhân tố (factors) chung giữa chúng. EFA được sử dụng để
tìm ra cấu trúc ẩn của tập dữ liệu và giúp hiểu rõ hơn về mối tương quan giữa các biến.
EFA thường được sử dụng trong nghiên cứu khoa học và thực tiễn để giảm số lượng biến trong một tập dữ liệu lớn và phức tạp, chẳng hạn như các câu hỏi trong các bộ khảo
sát hoặc các chỉ số trong báo cáo tài chính. Khi sử dụng EFA, một tập dữ liệu lớn sẽ được phân tích để tìm ra các nhân tố chung giữa các biến, giúp giảm số lượng biến và tạo ra các
nhân tố mới có ý nghĩa hơn để giải thích dữ liệu.
Thang tiêu chuẩn Kaiser (1974) đề nghị:
KMO >= 0.90: rất tốt;
21
0.80 <= KMO < 0.90: tốt;
0.70 <= KMO <0. 80: được;
0.60 <= KMO <0. 70: tạm được;
0.50 <= KMO <0. 60: xấu;
KMO <0. 50: không chấp nhận được
Kiểm định Bartlett được sử dụng để kiểm tra giả thuyết về sự đồng nhất của các biến trong một tập dữ liệu. Kiểm định Bartlett kiểm tra giả thuyết rằng tất cả các biến trong tập dữ liệu đều có mối tương quan với nhau. Nếu giá trị p của kiểm định Bartlett nhỏ hơn
một ngưỡng xác định (thường là 0,05), thì ta có thể bác bỏ giả thuyết rằng tất cả các biến trong tập dữ liệu đều có mối tương quan với nhau và kết luận rằng tập dữ liệu không đồng
nhất.
Công thức tính toán của kiểm định Bartlett như sau:
- HO: Các biến trong tập dữ liệu không có mối tương quan với nhau.
- H1: Các biến trong tập dữ liệu có mối tương quan với nhau.
Phương pháp phân tích nhân tố khẳng định (CFA)
Phương pháp phân tích nhân tố khẳng định (Confirmatory Factor Analysis - CFA)
là một phương pháp thống kê được sử dụng để xác nhận một mô hình nhân tố đã được đề xuất trước đó. CFA được sử dụng để kiểm tra tính phù hợp của một mô hình nhân tố với dữ liệu và giúp kiểm tra xem các biến có phân loại đúng vào các nhân tố dựa trên giả thuyết được đề xuất hay không. Bao gồm các chỉ số:
Chi-square (CMIN);
Chi-square điều chỉnh theo bậc tự do (CMIN/df);
Chỉ số thích hợp so sánh (CFI_ Comparative Fit Index).
Chỉ số Tucker và Lewis (TLI_Tucker và Lewis Index);
Chỉ số RMSEA (Root Mean Square Error Approximation).
Phương pháp phân tích cấu trúc tuyến tính (SEM)
Phương pháp phân tích cấu trúc tuyến tính (Structural Equation Modeling - SEM) là một phương pháp thống kê được sử dụng để xác định mối quan hệ giữa các biến trong một mô hình lớn hơn. SEM kết hợp các phương pháp phân tích tuyến tính và các mô hình
cấu trúc để kiểm tra mối quan hệ giữa các biến và tìm ra các yếu tố ẩn (latent factors) đằng
sau các biến quan sát.
SEM là một công cụ mạnh mẽ để xác định mối quan hệ giữa các biến trong một mô
22
hình lớn hơn. SEM được sử dụng rộng rãi trong nghiên cứu khoa học và thực tiễn để giải thích các mối tương quan phức tạp giữa các biến và tim ra các yếu tố ẩn dang sau các biến quan sát. Tuy nhiên, để đảm bảo tính đúng đắn của kết quả, cần phải sử dụng kết hợp với các phương pháp khác để đánh giá tính phù hợp của mô hình và giải thích các mối tương quan giữa các biến.
23