Trương Hồng Võ Tuấn Kiệt

Email: kietthvt@fe.edu.vn

Trần Thị Kim Chu, Nguyễn Ánh Dương,

Mạc Công Lệnh, Lê Thị Thì Mỵ, Khưu Thị Kiều Trân

Trường Đại học FPT, phân hiệu Cần Thơ

Tóm tắt

Nghiên cứu này triển khai mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) nhằm phân tích các yếu tố tác động đến ý định mua sắm trực tuyến của thế hệ Z tại TP. Cần Thơ. Dữ liệu sử dụng để phân tích là dữ liệu sơ cấp được thu thập từ 675 người dùng TikTok thuộc thế hệ Z thông qua phiếu khảo sát điện tử Google form. Kết quả phân tích chỉ ra rằng 72,7% sự biến thiên trong Ý định mua sắm trực tuyến được lý giải bởi các yếu tố: Mức độ hiển thị, Mức độ tương tác, Tương tác xã hội một chiều, Nhận thức chuyên môn và Cảm nhận về độ tin cậy. Mọi giả thuyết liên quan đến các mối quan hệ giữa các yếu tố này và Ý định mua sắm trên nền tảng TikTok đều được xác nhận với mức ý nghĩa thống kê 1%.

Từ khóa: Cần Thơ, mức độ hiển thị, thế hệ Z, TikTok, ý định mua sắm trực tuyến

Summary

This study employs the Partial Least Squares Structural Equation Modeling (PLS-SEM) approach to analyze factors influencing the online shopping intention of Generation Z in Can Tho city. Primary data are collected from 675 Generation Z TikTok users through an electronic survey via Google Forms. The results reveal that 72.7% of the variance in online shopping intention is explained by five factors: Visibility, Interactivity, One-way social interaction, Perceived expertise, and Perceived trustworthiness. All hypothesized relationships between these factors and online shopping intention on the TikTok platform are confirmed at the 1% statistical significance level.

Keywords: Can Tho, visibility level, Generation Z, TikTok, online shopping intention

ĐẶT VẤN ĐỀ

Hiện nay, TikTok không chỉ là nền tảng giải trí cho người dùng, mà còn tái định hình hành vi mua sắm của người dùng mạng xã hội. Với hơn 1 tỷ người dùng toàn cầu, TikTok đã cho ra nền tảng mua sắm trực tuyến TikTok Shop, tích hợp liền mạch nội dung giải trí và thương mại. Nền tảng này đã nhanh chóng trở thành điểm giao thoa giữa truyền thông xã hội và thương mại điện tử (Tham và cộng sự, 2024). Điều quan trọng là TikTok Shop đã nắm bắt được xu hướng mua sắm của giới trẻ, đặc biệt là thế hệ Z (Gen Z - nhóm người sinh từ 1997 đến 2009) toàn cầu nói chung và tại Việt Nam nói riêng. Gen Z nổi bật không chỉ bởi độ am hiểu công nghệ mà còn bởi xu hướng tiêu dùng trực tuyến, trong đó TikTok được xem như một nền tảng đang được quan tâm và ưu tiên lựa chọn của thế hệ này (Nguyen và Nguyen, 2022).

Điểm nổi bật của TikTok Shop so với các nền tảng thương mại điện tử khác đó chính là các video ngắn; mức độ hiển thị của các video sản phẩm càng lớn khi người dùng càng xem nhiều, chia sẻ và đề xuất người xem. Theo PartnerCentric (2023), có đến 55% người dùng TikTok tại Việt Nam từng mua hàng sau khi xem video sản phẩm. Do đó, mức độ hiển thị video ngắn của TikTok trở thành một yếu tố trung tâm, không chỉ quyết định khả năng tiếp cận mà còn định hình ý định mua hàng của người dùng.

Đã có nhiều nghiên cứu liên quan đến TikTok nhưng chủ yếu xoay quanh vai trò của những người ảnh hưởng (Nguyen và Nguyen, 2022) hoặc yếu tố cảm xúc và nhận thức cá nhân (Huynh, 2023), trong khi nghiên cứu tập trung vào mức độ hiển thị video ngắn vẫn chưa được khám phá một cách hệ thống. Vì vậy, nghiên cứu này tập trung tìm ra mối quan hệ giữa mức độ hiển thị của video ngắn trên TikTok và ý định mua sắm trực tuyến của Gen Z tại TP. Cần Thơ.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Theo Pavlou (2003), ý định mua sắm được hình thành từ sự tổng hòa giữa niềm tin, thái độ, trải nghiệm cảm xúc và yếu tố công nghệ mà người tiêu dùng tương tác. Đặc biệt, trong bối cảnh mạng xã hội phát triển mạnh mẽ, các yếu tố như hình thức hiển thị nội dung, mức độ tương tác và cảm xúc gắn kết với người sáng tạo nội dung đóng vai trò ngày càng quan trọng trong việc thúc đẩy quyết định mua hàng.

Mô hình nghiên cứu

Nghiên cứu này tập trung làm rõ vai trò của mức độ hiển thị trong việc hình thành cảm xúc gắn kết, niềm tin và cuối cùng là ý định mua sắm của người tiêu dùng thế hệ Gen Z trên TikTok. Các giả thuyết nghiên cứu được trình bày như sau:

Tính năng hiển thị, thông qua các chỉ số như lượt xem, lượt tiếp cận hoặc lượt hiển thị, giúp nội dung dễ dàng xuất hiện trong tầm nhìn người dùng và khơi gợi sự chú ý tức thì. Nghiên cứu của Saffanah và cộng sự (2023) nhấn mạnh rằng, mức độ hiển thị cao có thể giảm rào cản nhận thức, nâng cao mức độ tập trung và thúc đẩy hành vi tương tác của người dùng với nội dung. Từ đó, giả thuyết nghiên cứu H1 được đề xuất:

H1: Mức độ hiển thị (ĐHT) ảnh hưởng tích cực đến Mức độ tương tác (TT) của người dùng.

Theo Wang (2020), Ou và cộng sự (2014), tương tác trên nền tảng mạng xã hội đóng vai trò trung gian quan trọng trong quá trình hình thành niềm tin và tăng cường trải nghiệm xã hội, từ đó ảnh hưởng trực tiếp đến hành vi tiêu dùng. Khi người dùng chủ động tương tác, họ không chỉ thể hiện sự đồng thuận với nội dung mà còn cho thấy mức độ gắn bó cao hơn, qua đó làm gia tăng xác suất ra quyết định mua sắm. Từ đó, giả thuyết nghiên cứu H2 được đề xuất:

H2: Mức độ tương tác (TT) ảnh hưởng tích cực đến Ý định mua sắm trực tuyến trên TikTok (YĐM).

Sự lặp lại trong xuất hiện hình ảnh và phong cách giao tiếp gần gũi sẽ khiến người xem cảm thấy thân thuộc, thậm chí tạo ra một mối quan hệ thật với nhân vật truyền thông. Trong bối cảnh TikTok, khi người dùng liên tục theo dõi các video từ một cá nhân nhất định, họ có xu hướng gán ghép các đặc điểm xã hội như sự thân thiện, hiểu biết và chân thành cho người sáng tạo nội dung. Những cảm xúc này góp phần củng cố lòng tin và thúc đẩy hành vi tiêu dùng (Hammond, 2023; Wang, 2020). Từ đó, các giả thuyết nghiên cứu H3, H4 được đề xuất:

H3: Khả năng hiển thị (ĐHT) ảnh hưởng tích cực đến Tương tác xã hội một chiều (TTMC).

H4: Tương tác xã hội một chiều (TTMC) ảnh hưởng tích cực đến Ý định mua sắm trực tuyến trên TikTok (YĐM).

Theo Hovland và Weiss (1951), hiệu quả truyền thông phụ thuộc đáng kể vào mức độ mà người tiếp nhận cảm nhận được từ người phát ngôn là có chuyên môn và trung thực hay không. Trong môi trường truyền thông xã hội như TikTok, người dùng thường đánh giá chuyên môn của người sáng tạo thông qua cách họ trình bày thông tin, sử dụng ngôn ngữ rõ ràng, cung cấp nội dung nhất quán và biểu cảm tự nhiên. Đồng thời theo Hammond (2023), khi cảm thấy gắn bó với người sáng tạo, người dùng dễ dàng gán cho họ những phẩm chất như: am hiểu, đáng tin và hành động vì lợi ích người tiêu dùng. Từ đó có thể thấy rằng, yếu tố mức độ hiển thị đóng vai trò khởi phát cho các phản ứng cảm xúc, nhận thức và hành vi của người tiêu dùng trong môi trường TikTok. Nhờ sự hỗ trợ của thuật toán gợi ý, khả năng hiển thị cao giúp nội dung xuất hiện liên tục và sinh động trước mắt người dùng, từ đó làm tăng tần suất tiếp xúc và cảm giác thân quen với người sáng tạo. Điều này thúc đẩy sự hình thành tương tác xã hội một chiều, đóng vai trò trung gian chuyển hóa trải nghiệm công nghệ thành các yếu tố tâm lý như nhận thức chuyên môn và độ tin cậy, dẫn dắt hành vi mua hàng. Từ đó, các giả thuyết nghiên cứu H5, H6, H7, H8, H9 được đề xuất:

H5: Tương tác xã hội một chiều (TTMC) ảnh hưởng tích cực đến Nhận thức chuyên môn (CM).

H6: Tương tác xã hội một chiều (TTMC) ảnh hưởng tích cực đến Cảm nhận độ tin cậy (TC).

H7: Nhận thức chuyên môn (CM) ảnh hưởng tích cực đến Cảm nhận độ tin cậy (TC).

H8: Cảm nhận độ tin cậy (TC) ảnh hưởng tích cực đến Ý định mua sắm trực tuyến trên TikTok (YĐM).

H9: Nhận thức chuyên môn (CM) ảnh hưởng tích cực đến Ý định mua sắm trực tuyến (YĐM

Trên cơ sở giả thuyết nghiên cứu, nhóm tác giả đề xuất mô hình nghiên cứu như Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu này áp dụng phương pháp định lượng để đánh giá tác động mức độ hiển thị của video TikTok đối với ý định mua sắm trực tuyến của thế hệ Gen Z tại TP. Cần Thơ. Dữ liệu sơ cấp được thu thập qua khảo sát trực tuyến bằng Google Forms với thang đo Likert 5 mức độ. Nghiên cứu đã thu thập được 675 người dùng Tiktok có mua sản phẩm từ TikTok Shop có quan tâm đến các video giới thiệu sản phẩm. Dữ liệu được xử lý và phân tích bằng mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) trên phần mềm SmartPLS 3.0. Quá trình phân tích được thực hiện qua 2 giai đoạn: Giai đoạn đầu tập trung vào đánh giá mô hình đo lường, bao gồm các chỉ số như độ tin cậy nhất quán nội bộ, độ tin cậy tổng hợp, giá trị hội tụ và giá trị phân biệt; Giai đoạn thứ hai đánh giá mô hình cấu trúc với các chỉ số như mức ý nghĩa, tính phù hợp của các mối quan hệ và sức mạnh giải thích của mô hình thông qua hệ số xác định (R²). Việc áp dụng PLS-SEM không chỉ làm rõ các mối quan hệ nhân quả giữa các biến mà còn tăng cường khả năng dự đoán hành vi người tiêu dùng.

KẾT QUẢ VÀ THẢO LUẬN

Kết quả phân tích cho thấy, tất cả các chỉ báo đều có hệ số tải ngoài nằm trong khoảng từ 0,794 đến 0,844, vượt ngưỡng tối thiểu 0,7 (Bảng 1). Điều này chứng tỏ rằng các biến chỉ báo được chọn có mối liên hệ chặt chẽ và đáng tin cậy với các cấu trúc tiềm ẩn tương ứng. Độ tin cậy nội tại của các thang đo thể hiện qua 2 chỉ số chính được sử dụng là Cronbach’s Alpha và độ tin cậy tổng hợp (CR). Cụ thể, các giá trị Cronbach’s Alpha dao động từ 0,844 đến 0,870, trong khi CR nằm trong khoảng từ 0,896 đến 0,906. Kết quả này phản ánh mức độ nhất quán cao giữa các mục trong mỗi thang đo, đảm bảo rằng các biến chỉ báo cùng đo lường một khái niệm một cách đồng bộ. Để đánh giá tính hội tụ, chỉ số phương sai trích trung bình (AVE) đã được sử dụng. Tất cả giá trị AVE đều vượt ngưỡng 0,5, với mức dao động từ 0,652 đến 0,695. Các giá trị AVE > 0,5 cho thấy cấu trúc tiềm ẩn giải thích được hơn 50% phương sai của các chỉ báo liên quan (Fornell và Larcker, 1981). Kết quả này chỉ ra rằng một nền tảng đo lường đáng tin cậy, tạo điều kiện thuận lợi cho các phân tích mô hình cấu trúc tiếp theo.

Bảng 1: Kết quả độ tin cậy và giá trị hội tụ của các thang đo

Nguồn: Tính toán của nhóm tác giả

Trước tiên, tiêu chuẩn Fornell-Larcker (Fornell và Larcker, 1981) được lựa chọn để đánh giá độ giá trị phân biệt. Theo tiêu chuẩn này, căn bậc hai của phương sai trích trung bình (AVE) của từng cấu trúc cần cao hơn các hệ số tương quan giữa cấu trúc đó và các cấu trúc khác. Kết quả từ Bảng 2 chỉ ra rằng căn bậc hai của AVE (từ 0,807 đến 0,834) luôn vượt qua các hệ số tương quan (từ 0,676 đến 0,757), từ đó khẳng định rằng, tất cả các cấu trúc trong mô hình đáp ứng yêu cầu độ giá trị phân biệt theo phương pháp này. Ngoài ra, để củng cố độ tin cậy của đánh giá, hệ số Heterotrait-Monotrait Ratio (HTMT) cũng được đưa vào phân tích. Chỉ số này được xem là công cụ hiệu quả hơn Fornell-Larcker trong nhiều tình huống. Để đảm bảo độ giá trị phân biệt, giá trị HTMT giữa các cấu trúc nên < 0,90. Dữ liệu từ Bảng 2 cho thấy, tất cả các giá trị HTMT đều nhỏ hơn ngưỡng này, củng cố thêm bằng chứng về sự độc lập và khác biệt giữa các cấu trúc tiềm ẩn. Nhìn chung, nghiên cứu đã chứng minh các cấu trúc trong mô hình sở hữu độ giá trị phân biệt tốt, tạo nền tảng vững chắc cho các bước phân tích tiếp theo.

Bảng 2: Tiêu chuẩn Fornell-Larcker và hệ số Heterotrait Monotrait Ratio

Nguồn: Tính toán của nhóm tác giả

Kết quả từ Bảng 3 cung cấp thông tin chi tiết về các mối quan hệ tác động trực tiếp giữa các cấu trúc tiềm ẩn trong mô hình nghiên cứu. Tất cả 9 giả thuyết (từ H1 đến H9) đều nhận được sự ủng hộ rõ ràng với ý nghĩa thống kê 1%. Trong số các tác động được phân tích, nhân tố TTMC nổi bật với ảnh hưởng mạnh nhất lên CM, thể hiện qua hệ số ước lượng Beta (β) cao nhất là 0,718. Kế đến, ĐHT cũng chứng tỏ vai trò tích cực và rõ rệt đối với TT (β = 0,683) và TTMC (β = 0,676). Ngoài ra, CM (β = 0,420) và TTMC (β = 0,402) đều góp phần đáng kể vào việc hình thành TC. Đối với YĐM, các yếu tố như TT (β = 0,249), TC (β = 0,247), TTMC (β = 0,237) và CM (β = 0,234) đều mang lại tác động tích cực tại mức ý nghĩa thống kê 1%. Tất cả các hệ số Beta đều dương, phản ánh rằng các mối quan hệ được đề xuất đều theo hướng tăng cường lẫn nhau các mối quan hệ được tìm thấy đều là tác động thuận chiều, phản ánh sự nhất quán với các giả thuyết ban đầu.

Bảng 3: Kết quả kiểm định giả thuyết từ phân tích PLS-SEM

Nguồn: Tính toán của nhóm tác giả

Điều đáng chú ý từ nghiên cứu này là khả năng giải thích của mô hình đối với Ý định mua sắm trực tuyến. Hệ số xác định R² của YĐM đạt 0,727, nghĩa là 72,7% biến thiên trong Ý định mua sắm trực tuyến có thể được lý giải bởi các biến độc lập trong mô hình. Đây là một con số được xem là khá tốt và phản ánh sức mạnh giải thích của mô hình. Đồng thời, hệ số dự báo Q² của mô hình đạt 0,469, xác nhận rằng mô hình có hiệu quả trong việc dự báo chính xác Ý định mua sắm trực tuyến ở mức độ trung bình. Những phát hiện này nhấn mạnh tầm quan trọng của các yếu tố như Mức độ hiển thị, Mức độ tương tác, Tương tác xã hội một chiều, Nhận thức chuyên môn và Độ tin cậy trong việc khuyến khích Ý định mua sắm trực tuyến. Khi những yếu tố này được cải thiện và khai thác hiệu quả, người tiêu dùng thường có xu hướng bày tỏ ý định mua hàng rõ rệt hơn, từ đó nâng cao hiệu quả hoạt động trong không gian thương mại điện tử (Hình 2).

Hình 2: Kết quả mô hình cấu trúc tuyến tính PLS-SEM

Nguồn: Nhóm tác giả tổng hợp

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Thứ nhất, nghiên cứu đã thu hẹp khoảng trống học thuật về vai trò của mức độ hiển thị, một yếu tố vốn được xem là mặc nhiên có ảnh hưởng trong nhiều chiến dịch tiếp thị, nhưng hầu như chưa từng được kiểm định rõ ràng ở Gen Z và TikTok tại TP. Cần Thơ. Các nghiên cứu trước đây thường tiếp cận hành vi tiêu dùng từ khía cạnh cảm xúc, tiện ích hay người ảnh hưởng, trong khi mức độ hiển thị mới chỉ xuất hiện rải rác trong một số nghiên cứu nước ngoài và mang tính mô tả lý thuyết.

Thứ hai, bằng cách tích hợp các lý thuyết về đặc tính công nghệ và tương tác xã hội vào cùng một mô hình thực nghiệm, nghiên cứu đã đóng góp hướng tiếp cận liên ngành để giải thích hành vi tiêu dùng trong môi trường số. Mức độ hiển thị không được xem như một yếu tố thúc đẩy hành vi trực tiếp, mà là yếu tố kích hoạt gián tiếp, mở ra trải nghiệm tương tác mang tính xã hội, từ đó hình thành nhận thức và niềm tin cần thiết để dẫn đến ý định mua hàng.

Thứ ba, nghiên cứu mở rộng việc ứng dụng khái niệm tương tác xã hội một chiều vốn phổ biến trong nghiên cứu truyền thông vào lĩnh vực thương mại xã hội, cung cấp thêm một lăng kính mới để nhìn nhận quá trình ra quyết định tiêu dùng trong môi trường không có tiếp xúc vật lý.

Để nâng cao tính khái quát, các nghiên cứu tương lai có thể mở rộng phạm vi sang các nhóm nhân khẩu học khác ngoài Gen Z hoặc so sánh theo khu vực địa lý. Đồng thời, nên đưa thêm các biến điều tiết như loại sản phẩm, tần suất sử dụng TikTok, mức độ tin tưởng nền tảng hoặc đặc điểm cá nhân như khả năng kiểm soát cảm xúc, để làm rõ sự phức tạp trong hành vi tiêu dùng số. Cuối cùng, việc so sánh giữa các nền tảng như TikTok, Instagram, Facebook hoặc nền tảng video ngắn khác có thể giúp đánh giá tính bền vững của các cơ chế tác động đã phát hiện trong nghiên cứu này.

(*) Nghiên cứu được thực hiện trước thời điểm sắp xếp đơn vị hành chính cấp tỉnh theo Nghị quyết số 202/2025/QH15.

Tài liệu tham khảo:

1. Fornell, C., & Larcker, D. F. (1981). Structural Equation Models with Unobservable Variables and Measurement Error: Algebra and Statistics. Journal of Marketing Research, 18, 382-388. http://dx.doi.org/10.2307/3150980

2. Hammond, E. (2023). The impact of TikTok on consumer behavior among Gen Z [Bachelor’s thesis, Dublin Business School]. DBS eSource, https://esource.dbs.ie/handle/10788/4116

3. Hovland, C. I., & Weiss, W. (1951). The influence of source credibility on communication effectiveness. Public Opinion Quarterly, 15(4), 635-650.

4. Huynh, N. T. (2023). Influencer marketing trên TikTok và hành vi tiêu dùng của giới trẻ Hà Nội. Tạp chí Công Thương, (4), 44-50.

5. Nguyen, T. H., & Nguyen, M. Q. (2022). Ảnh hưởng của đặc điểm người ảnh hưởng TikTok đến ý định mua của thế hệ Z. Tạp chí Khoa học Thương mại, 14(4), 28-36.

6. Ou, C. X., Pavlou, P. A., & Davison, R. M. (2014). Swift guanxi in online marketplaces: The role of computer-mediated communication technologies.

7. PartnerCentric (2023). TikTok Shop trends and statistics. https://partnercentric.com/blog/tiktok-shop-trends-statistics/

8. Pavlou, P. A. (2003). Consumer acceptance of electronic commerce: Integrating trust and risk with the technology acceptance model. International Journal of Electronic Commerce, 7(3), 101-134.

9. Saffanah, L., Handayani, P. W., & Sunarso, F. P. (2023). Actual purchases on Instagram Live Shopping: The influence of live shopping engagement and information technology affordance. Asia Pacific Management Review, 28(2), 204-214.

10. Tham, A., Chen, S. H., & Durbidge, L. (2024). A pentadic analysis of TikTok marketing in tourism: The case of Penang, Malaysia. Tourist Studies, 24(1), 75-103. https://doi.org/10.1177/14687976231222860

11. Wang, Y. (2020). Humor and camera view on mobile short-form video apps influence user experience and technology-adoption intent: An example of TikTok (Douyin). Computers in Human Behavior, 110, 106373. https://doi.org/10.1016/j.chb.2020.106373