Định giá ngẫu nhiên CVM là gì? Cách xây dựng mô hình và phân tích

Mô hình định giá ngẫu nhiên CVM là gì

Định giá ngẫu nhiên CVM, viết đầy đủ là Contingent Valuation Method, là phương pháp ước lượng giá trị tiền tệ mà một người sẵn sàng trả cho một hàng hóa, dịch vụ hoặc lợi ích chưa có giá thị trường rõ ràng. Trong luận văn, bạn thường dùng CVM để đo willingness to pay, viết tắt là WTP, cho các vấn đề như cải thiện chất lượng nước, bảo tồn môi trường, dịch vụ y tế, giao thông công cộng hoặc một chính sách mới.

Từ “ngẫu nhiên” trong CVM không có nghĩa là bạn hỏi người trả lời một mức tiền bất kỳ. Nó chỉ bối cảnh giả định được trình bày trong bảng hỏi. Bạn mô tả một kịch bản đủ cụ thể, chẳng hạn chương trình thu gom rác mới, sau đó hỏi người trả lời họ có sẵn lòng trả một khoản tiền để chương trình được thực hiện hay không.

CVM phù hợp khi đối tượng nghiên cứu chưa được mua bán trực tiếp trên thị trường. Giá trị bạn cần đo có thể bao gồm giá trị sử dụng, chẳng hạn lợi ích khi dùng nước sạch, và giá trị phi sử dụng, chẳng hạn sự tồn tại của một khu bảo tồn dù người trả lời chưa từng đến đó. Kết quả cuối cùng thường là xác suất đồng ý chi trả, mức WTP trung bình hoặc các yếu tố giải thích WTP.

Về bản chất, CVM kết hợp một kịch bản định giá, một cơ chế hỏi mức sẵn lòng chi trả, các biến giải thích và một mô hình thống kê. Vì vậy, đây là một thiết kế nghiên cứu định lượng chứ không chỉ là một câu hỏi “Bạn sẵn sàng trả bao nhiêu tiền”. Nếu kịch bản mơ hồ, số tiền không có cơ sở hoặc người trả lời chưa hiểu họ đang mua lợi ích gì, mô hình phía sau cũng khó có ý nghĩa.

Nếu bạn đang đặt CVM cạnh các mô hình chuỗi thời gian hay dữ liệu bảng, hãy xem thêm chủ đề Mô hình nghiên cứu, ARIMA là gì và FEM, REM dữ liệu bảng là gì. Các mô hình đó trả lời câu hỏi khác với câu hỏi về WTP.

Các thành phần trong mô hình

Một mô hình CVM cho luận văn thường gồm biến phụ thuộc về sẵn lòng chi trả và các biến độc lập mô tả đặc điểm kinh tế, nhận thức hoặc thái độ của người trả lời. Bạn nên xác định rõ đơn vị tiền, thời hạn thanh toán và đối tượng được hưởng lợi trước khi tạo bảng hỏi.

Hai lựa chọn quan trọng là câu hỏi mở và câu hỏi đóng. Với câu hỏi mở, bạn hỏi mức tối đa người trả lời sẵn sàng chi trả. Với câu hỏi đóng, bạn đưa ra một bid cụ thể rồi hỏi “Có” hoặc “Không”. Câu hỏi đóng thường dễ trả lời hơn, nhưng cần thiết kế các mức bid hợp lý để không dồn toàn bộ câu trả lời vào một phía.

Bạn cũng có thể dùng dạng payment card, trong đó người trả lời chọn một mức trong danh sách, hoặc dạng double-bounded dichotomous choice, trong đó mức hỏi thứ hai thay đổi theo câu trả lời đầu tiên. Mỗi dạng tạo ra cách mã hóa và cách ước lượng khác nhau. Đừng trộn chúng trong cùng một biến mà không ghi rõ quy tắc.

Biến WTP có thể được mã hóa nhị phân, ví dụ 1 là đồng ý trả mức bid và 0 là không đồng ý. Khi đó, câu hỏi nghiên cứu có thể là: “Những yếu tố nào ảnh hưởng đến xác suất hộ gia đình đồng ý trả phí cho chương trình?” Nếu bạn hỏi trực tiếp số tiền tối đa, biến phụ thuộc có thể là số liên tục, nhưng dữ liệu thường lệch và có nhiều giá trị bằng 0 nên cần kiểm tra kỹ trước khi chọn hồi quy.

Mô hình gốc và các mở rộng phổ biến

Cấu trúc cơ bản của CVM bắt đầu từ một tình huống giả định, một mức giá và phản hồi của người trả lời. Người nghiên cứu thay đổi mức bid giữa các nhóm hoặc giữa các phiên bản bảng hỏi, rồi quan sát tỷ lệ đồng ý. Mức bid càng cao thường tạo áp lực chi trả lớn hơn, nhưng không nên mặc định dữ liệu của bạn sẽ tuân theo chiều hướng này trước khi kiểm tra.

Trong dạng single-bounded, mỗi người chỉ nhận một mức bid và trả lời Có hoặc Không. Mô hình xác suất thường được dùng để liên hệ lựa chọn này với bid và các đặc điểm của người trả lời. Trong dạng open-ended, người trả lời tự nêu số tiền tối đa. Dạng này thu được con số trực tiếp hơn nhưng dễ xuất hiện câu trả lời cực lớn, câu trả lời chiến lược hoặc câu trả lời không thực tế.

Dạng payment card cho phép người trả lời chọn một khoảng tiền. Nó giảm gánh nặng phải tự nghĩ ra một con số, nhưng danh sách mức tiền có thể ảnh hưởng đến lựa chọn. Dạng double-bounded hỏi thêm một bid sau câu trả lời đầu tiên. Cách này có thêm thông tin trên mỗi phiếu, đổi lại bảng hỏi dài hơn và người trả lời có thể cảm thấy bị dẫn dắt.

Một mở rộng khác là thêm câu hỏi certainty scale, tức mức độ chắc chắn của câu trả lời. Chẳng hạn, người đồng ý trả tiền được hỏi họ chắc chắn ở mức nào. Biến này giúp bạn nhận diện câu trả lời “Có” mang tính giả định, nhưng quy tắc xử lý phải được đặt trước khi phân tích. Bạn không nên thử nhiều cách loại phiếu rồi chỉ giữ cách cho kết quả đẹp.

CVM cũng có thể mở rộng bằng cách đưa vào biến thái độ, nhận thức rủi ro, niềm tin vào cơ quan cung cấp dịch vụ và khả năng chi trả. Những biến này cần xuất phát từ câu hỏi nghiên cứu hoặc cơ sở lý thuyết của đề tài. Nếu bạn thêm hàng loạt biến chỉ vì chúng có sẵn trong bảng hỏi, mô hình sẽ khó giải thích khi bảo vệ.

Đừng nhầm CVM với các mô hình khác. GARCH là gì tập trung vào biến động phương sai trong chuỗi thời gian, ARDL là gì phân tích quan hệ động giữa các biến theo thời gian, còn DEA đánh giá hiệu quả tương đối. CVM tập trung vào giá trị tiền tệ trong một kịch bản giả định.

Thang đo thường dùng cho từng khái niệm

CVM không có một bộ thang đo duy nhất áp dụng cho mọi đề tài. Phần cần chuẩn hóa nhất là cách đo các khái niệm giải thích WTP. Bạn có thể đo nhận thức môi trường, mức độ quan tâm, niềm tin hoặc thái độ bằng nhiều biến quan sát trên thang Likert. Thang Likert được giới thiệu trong (Likert, 1932), nhưng nội dung từng biến phải phù hợp với dịch vụ hoặc hàng hóa bạn đang định giá.

Với nhóm biến Likert, bạn có thể kiểm tra độ tin cậy bằng Cronbach's Alpha. Cronbach's Alpha phản ánh mức độ nhất quán nội tại của các biến quan sát (Cronbach, 1951). Mốc Alpha từ 0.7 trở lên thường được chấp nhận (Nunnally, 1978), còn thang đo mới hoặc mang tính khám phá có thể xem xét mức từ 0.6 theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được dùng như một mốc tham khảo (Nunnally và Bernstein, 1994).

Bạn cần tách WTP nhị phân khỏi thang đo thái độ. WTP_Yes không phải là một biến quan sát để đưa vào Cronbach's Alpha cùng với NT1, NT2 và NT3. Bid cũng không phải thang đo tâm lý. Bid là mức giá của kịch bản, thường được đưa trực tiếp vào mô hình để xem mức giá cao hơn làm thay đổi xác suất đồng ý như thế nào.

Khi bảng hỏi dùng các phát biểu như “Tôi tin rằng chương trình sẽ cải thiện chất lượng môi trường”, bạn phải ghi rõ đối tượng của niềm tin, thời gian và phương tiện thanh toán. Một câu quá chung khiến người trả lời tự hình dung các chương trình khác nhau. Bản dịch tiếng Việt cũng cần được thử trước trên một nhóm nhỏ, sau đó bạn mới chốt câu chữ và mã biến.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là sẵn lòng chi trả cho chương trình phân loại rác tại nguồn của hộ gia đình ở Thành phố X. Kịch bản có thể nêu cơ quan cung cấp, tần suất thu gom, lợi ích dự kiến, khoản phí hàng tháng và cơ chế sử dụng tiền. Bạn cần nói rõ chương trình sẽ được thực hiện khi nào, ai thu phí và người trả lời có thể từ chối bằng cách nào.

Một mô hình minh họa có thể đặt xác suất đồng ý trả tiền là biến phụ thuộc. Các biến giải thích gồm BID, thu nhập hộ gia đình, nhận thức về ô nhiễm, niềm tin vào đơn vị cung cấp và mức độ quan tâm đến môi trường. Nếu dùng thang Likert, bạn kiểm tra các biến quan sát trước rồi tính điểm đại diện theo quy tắc đã nêu trong phương pháp nghiên cứu.

Bốn giả thuyết minh họa có thể viết như sau:

• H1: BID có ảnh hưởng ngược chiều đến xác suất hộ gia đình đồng ý chi trả.
• H2: Nhận thức cao hơn về ô nhiễm có ảnh hưởng cùng chiều đến xác suất đồng ý chi trả.
• H3: Niềm tin cao hơn vào đơn vị cung cấp có ảnh hưởng cùng chiều đến xác suất đồng ý chi trả.
• H4: Thu nhập hộ gia đình cao hơn có ảnh hưởng cùng chiều đến mức sẵn lòng chi trả.

H1 cần được kiểm tra bằng dấu và ý nghĩa thống kê của hệ số BID. H2 và H3 chỉ có thể kết luận sau khi bạn xác định rõ cách tính điểm nhận thức và niềm tin. H4 có thể dùng nhóm thu nhập hoặc số tiền thu nhập, nhưng hai cách mã hóa này tạo ra diễn giải khác nhau.

Bảng hỏi nên đi theo thứ tự: giới thiệu nghiên cứu, kịch bản, câu hỏi kiểm tra đã đọc và hiểu kịch bản, câu hỏi bid, câu hỏi WTP bổ sung, các thang đo thái độ, thông tin nhân khẩu học và câu hỏi lý do từ chối. Nếu người trả lời chọn “Không”, bạn nên hỏi lý do. “Không có khả năng chi trả”, “không tin chương trình” và “không quan tâm lợi ích” không mang cùng một ý nghĩa phân tích.

Dữ liệu minh họa dưới đây chỉ cho thấy hình dạng biến và cách đọc kết quả. Đây không phải kết quả của một nghiên cứu thực tế.

Khi nhập dữ liệu, mỗi dòng là một người trả lời và mỗi cột là một biến. Không đặt “50.000 đồng” trong cùng một ô nếu bạn muốn phân tích định lượng. Hãy lưu BID dưới dạng số, đồng thời tạo nhãn giá trị ở phần Variable View nếu cần hiển thị dễ đọc trong SPSS.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi WTP_Yes là biến nhị phân và bạn muốn chạy Binary Logistic Regression, hoặc khi WTP_Max là biến số cần mô tả và kiểm tra phân phối. Với dữ liệu dạng nhị phân, đừng dùng Linear Regression chỉ vì bảng Coefficients quen mắt. SmartPLS phù hợp hơn khi đề tài có nhiều biến tiềm ẩn, nhiều biến quan sát và bạn muốn kiểm định mô hình đo lường cùng mô hình cấu trúc bằng PLS-SEM.

Chuẩn bị file dữ liệu

Đặt tên biến ngắn, không có dấu cách, chẳng hạn WTP_Yes, BID, NT1, TRUST1, INCOME. Kiểm tra giá trị thiếu, mã “99” hoặc “999” và các phiếu trả lời hoàn toàn giống nhau. Nếu có biến đảo chiều trong thang đo, bạn phải đảo mã trước khi tính điểm trung bình.

Với SPSS, vào Analyze > Scale > Reliability Analysis để kiểm tra nhóm biến quan sát. Chọn Statistics, đánh dấu Scale if item deleted để xem Corrected Item-Total Correlation và Alpha nếu loại biến. Sau đó tính điểm đại diện bằng Transform > Compute Variable.

Chạy hồi quy Binary Logistic trong SPSS

Vào Analyze > Regression > Binary Logistic. Đưa WTP_Yes vào ô Dependent, đưa BID, NT_mean, TRUST_mean và INCOME vào Covariates. Nếu biến độc lập là biến phân loại, đưa nó vào Categorical và chọn nhóm tham chiếu phù hợp.

Trong Options, chọn kiểm tra Hosmer-Lemeshow nếu phiên bản SPSS của bạn cung cấp lựa chọn này, bảng phân loại và khoảng tin cậy cho Exp(B). Khi chạy xong, đọc Variables in the Equation, đặc biệt các cột B, S.E., Wald, df, Sig. và Exp(B). Sig. là p-value của từng biến, còn Exp(B) là odds ratio, không phải xác suất đồng ý.

Đọc output minh họa

Số liệu minh họa: bảng trên mô phỏng cách SPSS hiển thị bảng Variables in the Equation, không phải phát hiện từ dữ liệu của bạn. Nếu hệ số BID âm và p-value nhỏ hơn mức ý nghĩa bạn đã chọn, bạn có cơ sở nói rằng bid cao hơn gắn với xác suất đồng ý thấp hơn trong mẫu. Với Exp(B) = 0,972, cần diễn giải theo đơn vị của BID, ở đây là một nghìn đồng, thay vì viết rằng xác suất giảm đúng 2,8 phần trăm.

Nếu dùng SmartPLS 4, nhập file .csv, kiểm tra tên biến và kéo các biến tiềm ẩn vào mô hình. Chạy Calculate > PLS-SEM Algorithm để xem Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và VIF. Tiếp đó dùng Calculate > Bootstrapping, chọn 5.000 bootstrap subsamples theo hướng dẫn (Hair và cộng sự, 2022), rồi đọc Path Coefficients và khoảng tin cậy.

SmartPLS chỉ hợp lý khi mô hình của bạn thực sự có cấu trúc biến tiềm ẩn. Nếu BID chỉ là một mức phí quan sát trực tiếp và WTP_Yes là lựa chọn Có hoặc Không, SPSS Binary Logistic thường dễ giải thích hơn khi bảo vệ. AMOS thuộc hướng CB-SEM và có logic đánh giá độ phù hợp khác. JASP hoặc R có thể làm các mô hình thống kê tương tự, nhưng bạn phải tự quản lý cú pháp, gói phân tích và khả năng tái lập. Thuê dịch vụ chạy SPSS có thể tiết kiệm thời gian thao tác, nhưng rủi ro lớn là bạn không giải thích được mã hóa bid, lý do loại phiếu và ý nghĩa Exp(B) khi hội đồng hỏi.

Lỗi thường gặp khi dùng mô hình này

Kịch bản không có cơ chế thanh toán rõ. Người trả lời cần biết họ trả bao nhiêu, trả cho ai, trả trong bao lâu và lợi ích nhận được là gì. Nếu bốn điểm này thiếu, câu trả lời Có hoặc Không có thể phản ánh trí tưởng tượng hơn là WTP.

Đưa bid vào bảng hỏi nhưng không đưa vào mô hình. Bid là biến trung tâm của dạng câu hỏi đóng. Bạn cần lưu mức bid của từng phiên bản bảng hỏi và kiểm tra nó có được nhập đúng theo từng dòng hay không.

Gộp mọi câu trả lời Không thành một nhóm. Người không trả vì ngân sách thấp khác người không trả vì không tin chương trình. Hãy lưu lý do từ chối như một biến riêng và mô tả tỷ lệ trước khi quyết định xử lý.

Dùng một mốc tiền duy nhất cho tất cả. Nếu mọi người cùng nhận một bid, bạn khó quan sát ảnh hưởng của mức giá. Các mức bid nên có căn cứ từ khảo sát thử hoặc thiết kế nghiên cứu, và bạn phải ghi lại cách phân bổ mức bid.

Xóa các WTP quá cao mà không có quy tắc. Một con số lớn có thể là lỗi nhập, nhưng cũng có thể là câu trả lời thật. Kiểm tra với câu hỏi lý do, đơn vị tiền và khả năng chi trả trước khi loại. Ghi rõ tiêu chí loại phiếu trong chương phương pháp.

Diễn giải p-value như mức độ tác động. p-value giúp đánh giá bằng chứng thống kê theo mô hình, còn độ lớn và dấu của hệ số cho biết hướng tác động. Với logistic regression, hãy giải thích thêm Exp(B), đơn vị đo và nhóm tham chiếu.

Dùng tiêu chí của SmartPLS cho SPSS. Outer loading, AVE, HTMT và Q² thuộc hệ chỉ số PLS-SEM. Chỉ số CFI, TLI, RMSEA theo (Hu và Bentler, 1999) thuộc CB-SEM, không nên đưa vào bài phân tích CVM bằng SPSS hay SmartPLS một cách máy móc.

Câu hỏi thường gặp

Định giá ngẫu nhiên CVM có phải là hỏi người dân sẵn lòng trả bao nhiêu tiền không?

Đó là một phần của CVM, nhưng CVM đầy đủ còn cần kịch bản giả định, phương tiện thanh toán, mức bid hoặc cơ chế chọn tiền, biến giải thích và quy tắc phân tích. Nếu chỉ hỏi một con số mà không nói người trả tiền cho lợi ích nào, kết quả khó kiểm chứng.

CVM nên dùng câu hỏi mở hay câu hỏi Có, Không?

Câu hỏi mở cho bạn một con số WTP trực tiếp nhưng dễ có giá trị cực đoan và nhiều câu trả lời bằng 0. Câu hỏi Có, Không với bid cụ thể dễ trả lời hơn và phù hợp với Binary Logistic, nhưng cần thiết kế các mức bid và mã hóa đúng. Bạn chọn dạng nào phải dựa trên câu hỏi nghiên cứu, khả năng thu thập dữ liệu và cách phân tích dự kiến.

Có thể chạy CVM bằng SPSS không?

Có. SPSS phù hợp để làm sạch dữ liệu, kiểm tra Cronbach's Alpha cho các thang đo bổ sung, thống kê mô tả và chạy Binary Logistic Regression khi biến WTP là Có hoặc Không. Nếu biến WTP là số tiền, bạn cần xem phân phối, giá trị bằng 0 và giới hạn của biến trước khi chọn mô hình.

Có cần dùng SmartPLS cho mô hình CVM không?

Không bắt buộc. SmartPLS hữu ích khi mô hình của bạn có các khái niệm tiềm ẩn như nhận thức, niềm tin hoặc thái độ được đo bằng nhiều biến quan sát. Nếu trọng tâm chỉ là xác suất đồng ý trả một bid, SPSS thường có quy trình trực tiếp và dễ trình bày hơn.

Người trả lời không đồng ý trả tiền thì có phải xóa phiếu không?

Không. “Không” là một kết quả có ý nghĩa trong CVM. Bạn chỉ xem xét loại phiếu khi có lỗi dữ liệu, không hoàn thành theo tiêu chí đã đặt trước hoặc không hiểu kịch bản theo câu hỏi kiểm tra. Lý do từ chối nên được lưu và báo cáo riêng thay vì xóa toàn bộ câu trả lời Không.

Cách viết giả thuyết CVM thế nào?

Bạn gắn từng giả thuyết với một biến và hướng kỳ vọng, chẳng hạn: “H1: Mức bid có ảnh hưởng ngược chiều đến xác suất hộ gia đình đồng ý chi trả cho chương trình.” Tránh viết “có ảnh hưởng” nếu cơ sở lập luận của bạn đã dự đoán rõ chiều tác động.

Cách viết vào luận văn: “Kết quả mô hình Binary Logistic cho thấy biến [TÊN BIẾN] có hệ số B = [GIÁ TRỊ], Exp(B) = [GIÁ TRỊ] và p-value = [GIÁ TRỊ]. Do p-value [nhỏ hơn/lớn hơn] [MỨC Ý NGHĨA], giả thuyết [H1/H2/H3/H4] được [chấp nhận/không được ủng hộ].” Hãy thay placeholder bằng số liệu từ chính bảng Variables in the Equation của bạn và ghi rõ đơn vị BID.

Mở file dữ liệu, lập bảng mã biến cho kịch bản CVM trước khi chạy phân tích. Sau đó kiểm tra riêng WTP, BID và các thang đo thái độ, lưu từng phiên bản dữ liệu đã xử lý, rồi dùng M4 phân tích dữ liệu thật bằng SPSS và SmartPLS để đi tiếp với số liệu của bạn.