Hình ảnh điểm đến là gì? Cách xây dựng thang đo

Hình ảnh điểm đến là gì và được đo bằng gì

Hình ảnh điểm đến là nhận thức tổng thể của một người về một địa điểm du lịch. Nhận thức này có thể hình thành từ thông tin trên mạng, trải nghiệm trước đó, lời giới thiệu của người khác hoặc những liên tưởng về cảnh quan, văn hóa, con người và dịch vụ tại điểm đến. Khi đưa khái niệm này vào luận văn, bạn cần biến nó thành một biến tiềm ẩn được đo bằng nhiều biến quan sát trong bảng hỏi.

Bạn có thể xem hình ảnh điểm đến theo hai lớp. Lớp đầu tiên là các thuộc tính cụ thể, chẳng hạn điểm đến có cảnh quan đẹp, có hoạt động tham quan đa dạng, có cơ sở lưu trú phù hợp hoặc có mức độ an toàn cao. Lớp thứ hai là ấn tượng tổng thể, ví dụ điểm đến tạo cảm giác đáng nhớ, hấp dẫn hoặc phù hợp với nhu cầu của người trả lời.

Một câu hỏi Likert như “Điểm đến này có cảnh quan hấp dẫn” chỉ đo một khía cạnh. Khi ghép từ bốn đến sáu biến quan sát có nội dung liên quan, bạn mới có cơ sở đánh giá hình ảnh điểm đến như một khái niệm. Thang Likert năm hoặc bảy mức đều có thể sử dụng, miễn là bạn giữ cách mã hóa nhất quán từ đầu đến cuối bảng hỏi. Thang Likert bắt nguồn từ kỹ thuật đo lường thái độ được trình bày bởi Likert (1932).

Hình ảnh điểm đến có thể là biến độc lập, biến trung gian hoặc biến giải thích cho ý định quay lại, ý định giới thiệu và ý định lựa chọn điểm đến. Vai trò của nó phụ thuộc vào mô hình nghiên cứu, không phụ thuộc vào tên gọi của thang đo. Bạn nên xem thêm bài chất lượng điểm đến là gì để tránh gộp hai khái niệm này thành một biến duy nhất.

Nguồn thang đo gốc

Với từ khóa hình ảnh điểm đến, vấn đề đầu tiên là xác định đúng nguồn thang đo mà bạn muốn kế thừa. Danh mục nguồn được phép sử dụng cho bài viết này không có một công trình riêng về destination image. Vì vậy, bạn không nên tự ghi một tác giả, một năm xuất bản hoặc số lượng biến quan sát nếu chưa kiểm tra bài gốc trong cơ sở dữ liệu học thuật.

Điều này ảnh hưởng trực tiếp đến chương 3. Một bảng gồm các câu hỏi nghe hợp lý chưa thể gọi là “thang đo gốc”. Bạn cần truy được bài báo, bối cảnh nghiên cứu, ngôn ngữ ban đầu, số lượng biến quan sát và cách tác giả kiểm định thang đo. Nếu chưa có nguồn kiểm chứng, hãy trình bày đó là bộ biến quan sát tham khảo do bạn tổng hợp và ghi rõ cần tiếp tục đối chiếu tài liệu.

Bạn có thể phân biệt hình ảnh điểm đến với thang đo động cơ du lịch. Động cơ trả lời câu hỏi “vì sao khách du lịch muốn đi”, còn hình ảnh điểm đến trả lời câu hỏi “khách đang nhận thức điểm đến như thế nào”. Hai biến có thể cùng xuất hiện trong mô hình, nhưng không nên dùng biến quan sát của khái niệm này để đo khái niệm kia.

Một nguồn đã có trong danh mục cho lĩnh vực dịch vụ là SERVQUAL, được giới thiệu bởi Parasuraman và cộng sự (1988). Nguồn này có thể giúp bạn tham khảo cách phân tách thuộc tính dịch vụ, nhưng không nên gọi thang đo SERVQUAL là thang đo hình ảnh điểm đến. Nếu đề tài của bạn đo chất lượng dịch vụ du lịch, hãy giữ ranh giới khái niệm đó trong phần cơ sở lý thuyết.

Bộ biến quan sát tham khảo

Bảng dưới đây là bộ biến quan sát minh họa để bạn bắt đầu thiết kế bảng hỏi. Đây chưa phải bản dịch đã được xác nhận của một thang đo gốc và chưa phải thang đo đã đạt độ tin cậy. Bạn cần đối chiếu với tài liệu mà giảng viên chấp thuận, sau đó điều chỉnh câu chữ cho đúng điểm đến đang nghiên cứu.

Bạn không nên đưa toàn bộ câu trong bảng vào bảng hỏi chỉ vì chúng nghe tự nhiên. Hãy kiểm tra mỗi biến có liên quan trực tiếp đến định nghĩa khái niệm hay không. Nếu đề tài chỉ nghiên cứu hình ảnh của một thành phố biển, biến về di sản miền núi có thể không phù hợp dù nó từng xuất hiện trong nghiên cứu khác.

Cách diễn đạt cũng cần thống nhất chủ thể. Bạn có thể dùng “điểm đến này” trong tất cả biến quan sát để người trả lời không nhầm giữa địa phương, khách sạn và một điểm tham quan cụ thể. Tránh câu có hai ý, chẳng hạn “Điểm đến này đẹp và có dịch vụ tốt”. Nếu người trả lời đồng ý vì cảnh quan nhưng không đồng ý vì dịch vụ, bạn sẽ không biết họ đang đánh giá phần nào.

Nếu muốn đo một thuộc tính tiêu cực, bạn có thể dùng biến đảo chiều. Tuy nhiên, câu đảo chiều dễ khiến người trả lời đọc nhầm, đặc biệt khi bảng hỏi dài. Chỉ giữ biến đảo chiều khi nó thật sự cần thiết và phải đảo mã trước khi chạy Cronbach's Alpha hoặc EFA. Không được xóa biến chỉ vì nó có dấu âm trong tên biến.

Điều chỉnh thang đo cho bối cảnh Việt Nam

Bước điều chỉnh bắt đầu từ định nghĩa, không bắt đầu từ việc dịch từng chữ. Bạn hãy viết một đoạn mô tả điểm đến, nhóm khách khảo sát và trải nghiệm mà người trả lời cần có. Sau đó, kiểm tra từng biến quan sát có dùng được với nhóm đó hay không. Một sinh viên chưa từng đến địa phương sẽ khó đánh giá chính xác những thuộc tính yêu cầu trải nghiệm trực tiếp.

Giữ đúng phạm vi khái niệm

Nếu mô hình đã có biến chất lượng điểm đến, sự hài lòng và hình ảnh điểm đến, các biến cần được phân biệt. “Dịch vụ tại điểm đến đáng tin cậy” nghiêng về chất lượng dịch vụ. “Tôi có ấn tượng tích cực về điểm đến” nghiêng về hình ảnh tổng thể. Bạn có thể đọc thêm giá trị mối quan hệ là gì để tham khảo cách tách một khái niệm trừu tượng khỏi đánh giá chung của khách hàng.

Kiểm tra ngôn ngữ và ngữ cảnh

Thay các từ quá chung bằng từ người trả lời Việt Nam hiểu ngay. “Điểm đến có cơ sở hạ tầng giải trí phong phú” có thể cần giải thích bằng các hoạt động cụ thể, tùy nơi khảo sát. Dù vậy, đừng thêm ví dụ vào mọi câu nếu ví dụ đó làm biến quan sát chỉ còn đo một loại hoạt động.

Bạn nên thử bảng hỏi với một nhóm nhỏ có đặc điểm gần với mẫu chính. Mục tiêu của bước này là phát hiện câu khó hiểu, câu trùng ý, thời gian trả lời quá dài và lựa chọn trả lời bị thiếu. Đây là kiểm tra mức độ dễ hiểu, chưa phải bằng chứng rằng thang đo đã đạt Cronbach's Alpha.

Quyết định số mức Likert

Thang năm mức thường dễ dùng trên điện thoại và thuận tiện khi nhập SPSS. Thang bảy mức tạo nhiều mức phân biệt hơn nhưng có thể làm người trả lời phân vân nếu các mô tả ở giữa không rõ. Bạn chọn một loại, ghi rõ từ 1 đến 5 hoặc từ 1 đến 7, rồi dùng nhất quán cho toàn bộ biến quan sát.

Ghi lại từng thay đổi

Hãy lưu ba phiên bản: bộ biến từ tài liệu, bản dịch ban đầu và bảng hỏi sau điều chỉnh. Nếu giảng viên hỏi vì sao HA3 bị bỏ, bạn cần chỉ ra nó bị bỏ ở giai đoạn nào và vì lý do nội dung, phản hồi thử nghiệm hay kết quả kiểm định. Việc xóa biến sau khi xem p-value mà không có lập luận khái niệm sẽ làm phần phương pháp thiếu thuyết phục.

Kiểm định độ tin cậy và giá trị của thang đo

Với dữ liệu SPSS, quy trình thường bắt đầu bằng kiểm tra dữ liệu, sau đó chạy Cronbach's Alpha, EFA và hồi quy hoặc kiểm định tiếp theo tùy mô hình. Với SmartPLS, bạn đánh giá measurement model trước rồi mới chuyển sang structural model. Cách tiếp cận hai giai đoạn này phù hợp với nguyên tắc đánh giá mô hình đo lường trước mô hình cấu trúc (Anderson và Gerbing, 1988).

Trong SPSS, mở Analyze > Scale > Reliability Analysis, đưa các biến HA vào ô Items, chọn Model là Alpha. Ở nút Statistics, đánh dấu Item, Scale và Scale if item deleted. Bảng Reliability Statistics cho biết Cronbach's Alpha, còn Item-Total Statistics cho biết Corrected Item-Total Correlation và Alpha if Item Deleted.

Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là ngưỡng thường được sử dụng theo (Nunnally và Bernstein, 1994). Đây là tiêu chí tham khảo, không phải lệnh tự động xóa mọi biến dưới ngưỡng.

Sau đó, bạn có thể chạy EFA tại Analyze > Dimension Reduction > Factor. Kiểm tra bảng KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê ở mức dưới 0.05 được dẫn theo (Kaiser, 1974). Eigenvalue trên 1 là một quy tắc trích nhân tố được dẫn theo (Kaiser, 1960), còn tổng phương sai trích từ 50% trở lên thường được tham khảo theo (Hair và cộng sự, 2010).

Nếu dùng SmartPLS, các bảng cần lưu gồm Outer Loadings, Construct Reliability and Validity, Discriminant Validity và VIF. Outer loading từ 0.7 trở lên thường được tham khảo theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên được dẫn theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được dẫn theo (Henseler và cộng sự, 2015). VIF dưới 5 được nêu trong hướng dẫn của (Hair và cộng sự, 2019).

Đừng đưa CFI, TLI hoặc RMSEA vào báo cáo SmartPLS như thể đó là tiêu chí bắt buộc của PLS-SEM. Các chỉ số này thuộc nhóm đánh giá CB-SEM, với các ngưỡng thường được trích từ (Hu và Bentler, 1999). Nếu bạn chạy AMOS, đó là một quy trình khác và phải trình bày đúng loại mô hình đã sử dụng.

Cách trình bày thang đo trong chương 3

Trong chương 3, bạn cần nói rõ hình ảnh điểm đến là biến gì, được kế thừa hoặc xây dựng từ nguồn nào, gồm bao nhiêu biến quan sát và dùng thang Likert mấy mức. Nếu bộ biến chỉ mới là bản tham khảo, hãy dùng từ “tham khảo” và trình bày quy trình điều chỉnh, thay vì khẳng định đây là bản dịch đã được chuẩn hóa.

Cách viết vào luận văn: “Khái niệm hình ảnh điểm đến được đo lường thông qua [số lượng] biến quan sát, ký hiệu từ [HA1] đến [HA…]. Các biến được điều chỉnh từ [tác giả, năm, nguồn gốc thang đo] để phù hợp với bối cảnh [điểm đến/nhóm khách khảo sát]. Người trả lời đánh giá trên thang Likert [5/7] mức, từ [1 = hoàn toàn không đồng ý] đến [5/7 = hoàn toàn đồng ý].”

Bạn có thể lập bảng trong chương 3 theo bốn cột: mã biến, nội dung biến quan sát, nguồn tham khảo và ghi chú điều chỉnh. Ở chương 4, bảng kết quả mới cho biết biến nào giữ lại sau Cronbach's Alpha hoặc EFA. Hai bảng này không nên trộn với nhau, vì bảng chương 3 mô tả thiết kế ban đầu còn bảng chương 4 mô tả kết quả trên dữ liệu thực tế.

Nếu mô hình có cả hình ảnh điểm đến và động cơ du lịch là gì, hãy trình bày định nghĩa và bộ mã riêng cho từng biến. Người đọc luận văn cần nhìn thấy quan hệ giả thuyết giữa các biến, chứ không chỉ thấy một danh sách câu hỏi dài.

Lỗi thường gặp

Lỗi đầu tiên là gọi mọi đánh giá tích cực về điểm đến là hình ảnh điểm đến. Nếu các biến chỉ hỏi mức hài lòng, bạn đang đo sự hài lòng. Nếu các biến chỉ hỏi chất lượng đường sá, phòng nghỉ hoặc nhân viên, bạn đang đo thuộc tính dịch vụ. Hãy quay lại định nghĩa trước khi chạy phần mềm.

Lỗi thứ hai là dịch một bảng hỏi trên mạng rồi ghi tên tác giả mà không mở bài gốc. Bạn cần kiểm tra bối cảnh, số biến và cách đo. Khi không truy được nguồn, hãy mô tả trung thực là bộ biến tham khảo và hỏi giảng viên về cách trích dẫn phù hợp.

Lỗi thứ ba là xóa HA2, HA3 hoặc HA6 chỉ vì cột Alpha if Item Deleted tăng. Một biến có thể quan trọng về nội dung dù không làm Alpha tăng. Trước khi loại, hãy xem Corrected Item-Total Correlation, ma trận tương quan, kết quả EFA và ý nghĩa lý thuyết.

Lỗi thứ tư là dùng mẫu câu hai ý. “Điểm đến có cảnh quan đẹp và dịch vụ thuận tiện” có thể tạo ra một câu trả lời nhưng không tạo ra một phép đo rõ ràng. Tách thành hai biến nếu cả hai khía cạnh đều cần nghiên cứu.

Lỗi cuối là sửa bảng hỏi sau khi đã thu dữ liệu nhưng không lưu phiên bản cũ. Bạn nên đặt tên file theo vòng chỉnh sửa, giữ codebook và ghi lý do thay đổi. Khi mở lại file .sav hoặc .csv sau vài ngày, những ghi chú này giúp bạn biết biến nào đã đảo mã và biến nào đã bị loại.

Đọc thêm: chủ đề mo hinh nghien cuu.

Câu hỏi thường gặp

Hình ảnh điểm đến có phải là sự hài lòng của khách du lịch không?

Chúng liên quan với nhau nhưng không phải cùng một thứ. Hình ảnh điểm đến là nhận thức hoặc ấn tượng về nơi đó, còn sự hài lòng là đánh giá sau khi so sánh trải nghiệm với kỳ vọng. Một người có thể có hình ảnh tốt về điểm đến nhưng vẫn không hài lòng vì chuyến đi gặp sự cố.

Nên dùng bao nhiêu biến quan sát cho hình ảnh điểm đến?

Không có một con số áp dụng cho mọi đề tài. Số lượng phụ thuộc vào định nghĩa, nguồn thang đo, số khía cạnh bạn muốn đo và kết quả kiểm định. Nếu tham khảo quy tắc cỡ mẫu, mức 5 đến 10 quan sát cho mỗi biến quan sát được dẫn theo (Hair và cộng sự, 2010), nhưng bạn vẫn phải xem yêu cầu của mô hình và giảng viên.

Có thể tự viết biến quan sát khi không tìm được thang đo gốc không?

Bạn có thể xây dựng biến quan sát tham khảo, nhưng cần nói rõ đó là bộ biến do bạn đề xuất hoặc điều chỉnh. Sau đó, hãy kiểm tra nội dung, thử bảng hỏi, chạy độ tin cậy và giá trị thang đo. Đừng gắn tên tác giả vào bộ câu hỏi nếu bạn chưa xác nhận chúng thực sự xuất phát từ công trình đó.

Cronbach's Alpha thấp thì có nên xóa ngay một biến không?

Chưa nên xóa ngay. Hãy xem Corrected Item-Total Correlation, nội dung biến, tương quan giữa các biến và vai trò lý thuyết của biến. Nếu xóa, ghi lại lý do và chạy lại theo từng vòng, tránh xóa nhiều biến cùng lúc khiến bạn không biết thay đổi nào đã làm kết quả khác đi.

Hình ảnh điểm đến nên phân tích bằng SPSS hay SmartPLS?

SPSS phù hợp khi bạn dùng Cronbach's Alpha, EFA, hồi quy hoặc các kiểm định theo mô hình hồi quy. SmartPLS phù hợp khi mô hình có biến tiềm ẩn và bạn muốn đánh giá outer model, inner model, path coefficient cùng bootstrapping. Công cụ nên được chọn theo mô hình và thiết kế nghiên cứu, không chỉ theo việc một phần mềm cho ra bảng kết quả đẹp hơn.

Bạn hãy mở lại đề cương và file dữ liệu, xác định vai trò của hình ảnh điểm đến, đối chiếu từng biến HA với định nghĩa và ghi rõ nguồn hoặc trạng thái tham khảo trước khi chạy kiểm định; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.