UTAUT2 là gì? Thành phần, mô hình và cách áp dụng

Mô hình UTAUT2 là gì

Bạn đang tìm mô hình để giải thích vì sao người tiêu dùng tải ứng dụng, thanh toán qua ví điện tử, mua hàng trên sàn thương mại điện tử hoặc tiếp tục sử dụng một nền tảng số. UTAUT2 là một lựa chọn phù hợp khi đề tài tập trung vào hành vi chấp nhận và sử dụng công nghệ trong bối cảnh người tiêu dùng.

UTAUT2 là viết tắt của Unified Theory of Acceptance and Use of Technology 2, có thể hiểu là Lý thuyết hợp nhất về chấp nhận và sử dụng công nghệ phiên bản mở rộng. Mô hình do Venkatesh, Thong và Xu phát triển năm 2012, mở rộng từ UTAUT ban đầu để phù hợp hơn với bối cảnh người tiêu dùng. Nguồn gốc của UTAUT2 được trình bày trong nghiên cứu của (Venkatesh và cộng sự, 2012).

Mô hình giải thích hai nhóm kết quả chính. Nhóm thứ nhất là ý định hành vi, chẳng hạn ý định tiếp tục dùng ứng dụng ngân hàng số. Nhóm thứ hai là hành vi sử dụng thực tế, chẳng hạn tần suất đăng nhập hoặc số lần sử dụng dịch vụ. Các yếu tố tác động đến hai kết quả này gồm hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội, điều kiện thuận lợi, động lực hưởng thụ, giá trị chi phí và thói quen.

Bạn nên phân biệt UTAUT2 với mô hình TAM. TAM thường tập trung vào perceived usefulness và perceived ease of use, còn UTAUT2 đưa thêm các yếu tố xã hội, chi phí, niềm vui và thói quen. Vì vậy, UTAUT2 thường cần nhiều biến quan sát và cỡ mẫu lớn hơn một mô hình TAM đơn giản. Bạn có thể xem thêm các chủ đề thuộc Mô hình nghiên cứu để đặt UTAUT2 vào đúng phần cơ sở lý thuyết của luận văn.

Các thành phần trong mô hình

Bảy biến giải thích trong UTAUT2 không nhất thiết phải xuất hiện giống nhau trong mọi đề tài. Bạn cần đọc lại mục tiêu nghiên cứu và bối cảnh sử dụng trước khi giữ hoặc loại một biến. Bảng dưới đây là cấu trúc tham khảo của mô hình gốc, không phải kết quả đã được kiểm định cho đề tài của bạn.

Trong mô hình gốc, hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội, động lực hưởng thụ và giá trị chi phí thường được dùng để giải thích ý định hành vi. Điều kiện thuận lợi và thói quen có thể liên quan đến cả ý định lẫn hành vi sử dụng. Hướng quan hệ cụ thể phải dựa trên mô hình nghiên cứu bạn xây dựng, không nên sao chép máy móc sơ đồ của một bài khác.

Bạn cũng cần xác định rõ đơn vị phân tích. Nếu bảng hỏi hỏi người đã từng sử dụng một ứng dụng, biến hành vi sử dụng có thể đo bằng tần suất hoặc mức độ tiếp tục sử dụng. Nếu người trả lời chưa từng dùng, bạn chỉ nên đo ý định sử dụng, không nên hỏi họ đánh giá tần suất sử dụng thực tế.

Để so sánh các mô hình cùng nhóm, bạn có thể đọc thêm mô hình chấp nhận công nghệ TAM và bài TAM là gì. Việc so sánh giúp bạn giải thích vì sao UTAUT2 phù hợp hơn với đề tài của mình.

Mô hình gốc và các mở rộng phổ biến

UTAUT ban đầu được xây dựng để hợp nhất nhiều lý thuyết về chấp nhận công nghệ. Khi chuyển sang bối cảnh người tiêu dùng, UTAUT2 bổ sung ba thành phần là động lực hưởng thụ, giá trị chi phí và thói quen. Những thành phần này phản ánh việc người tiêu dùng không chỉ quan tâm công nghệ có hữu ích hay dễ dùng hay không.

Một ứng dụng có thể hữu ích nhưng người dùng vẫn không tiếp tục dùng nếu phí cao. Một nền tảng có thể dễ thao tác nhưng không tạo cảm giác thú vị. Ngược lại, thói quen có thể khiến người dùng tiếp tục mở ứng dụng dù họ không đánh giá từng lần sử dụng một cách có ý thức.

Khi mở rộng UTAUT2, bạn có thể thêm biến phù hợp với bối cảnh, chẳng hạn niềm tin, rủi ro cảm nhận, bảo mật hoặc chất lượng dịch vụ. Tuy nhiên, một biến mới cần có lập luận lý thuyết và nguồn thang đo. Bạn không nên thêm biến chỉ vì thấy một bài nghiên cứu khác có kết quả p-value đẹp.

Cách mở rộng thường gặp là đưa một biến vào làm biến độc lập, biến trung gian hoặc biến điều tiết. Chẳng hạn, niềm tin có thể tác động đến ý định sử dụng. Giới tính, tuổi hoặc kinh nghiệm có thể được kiểm tra như biến điều tiết nếu câu hỏi nghiên cứu thực sự cần so sánh các nhóm.

Bạn cần phân biệt UTAUT2 với các mô hình khác trong phần cơ sở lý thuyết. Mô hình IS success của DeLone và McLean thường tập trung vào chất lượng hệ thống, chất lượng thông tin, chất lượng dịch vụ và lợi ích ròng. Mô hình khuếch tán đổi mới lại giải thích cách một đổi mới được tiếp nhận trong hệ thống xã hội. Những mô hình này có thể liên quan đến đề tài công nghệ, nhưng không nên trộn các biến vào cùng một mô hình mà không giải thích cơ sở.

Thang đo thường dùng cho từng khái niệm

Bạn nên bắt đầu bằng nguồn thang đo đã được công bố, sau đó dịch và điều chỉnh ngữ cảnh. Một câu trong bảng hỏi không được xem là hợp lệ chỉ vì nghe tự nhiên bằng tiếng Việt. Sau khi thu dữ liệu, bạn vẫn phải kiểm định Cronbach's Alpha, EFA hoặc mô hình đo lường PLS-SEM tùy phương pháp.

Bảng trên là số liệu minh họa về cấu trúc thang đo, không phải bản dịch đã được xác nhận cho mọi ngành. Bạn cần đối chiếu bài gốc, xem đối tượng khảo sát của mình có phù hợp không, rồi viết lại câu chữ cho đúng sản phẩm hoặc dịch vụ. Giữ nguyên mã biến giữa bảng hỏi, file .sav hoặc .csv và phần phân tích sẽ giúp bạn tránh nhầm khi chạy dữ liệu.

Với thang đo Likert, bạn có thể dùng các mức từ hoàn toàn không đồng ý đến hoàn toàn đồng ý. Thang đo Likert bắt nguồn từ kỹ thuật đo lường thái độ của (Likert, 1932). Nếu dùng thang đo 5 hoặc 7 mức, hãy ghi rõ cách mã hóa trong chương phương pháp.

Khi chạy Cronbach's Alpha, corrected item-total correlation từ 0.3 trở lên thường được xem là đạt theo (Nunnally và Bernstein, 1994). Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn thang đo khám phá có thể tham khảo mức 0.6 theo (Hair và cộng sự, 2010). Đây là căn cứ tham khảo, không phải lý do duy nhất để xóa một biến.

Áp dụng vào đề tài của bạn

Giả sử đề tài là: “Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng ví điện tử của sinh viên tại Thành phố Hồ Chí Minh”. Bạn có thể đặt ý định tiếp tục sử dụng là biến phụ thuộc. Các biến độc lập gồm hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội và giá trị chi phí.

Mô hình rút gọn giúp bảng hỏi không quá dài. Bạn chỉ giữ các thành phần liên quan trực tiếp đến câu hỏi nghiên cứu. Nếu đề tài nhấn mạnh trải nghiệm giải trí, bạn có thể bổ sung động lực hưởng thụ. Nếu hành vi lặp lại là trọng tâm, bạn có thể xem xét thói quen.

Một bộ giả thuyết minh họa có thể viết như sau:

• H1: Hiệu quả kỳ vọng có tác động tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H2: Nỗ lực kỳ vọng có tác động tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H3: Ảnh hưởng xã hội có tác động tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H4: Giá trị chi phí có tác động tích cực đến ý định tiếp tục sử dụng ví điện tử.

Đây là mô hình minh họa để bạn thấy cách nối biến với giả thuyết. Bạn không được ghi các giả thuyết này như kết luận đã được chứng minh trước khi chạy dữ liệu. Sau khi có kết quả, dấu của path coefficient, p-value hoặc khoảng tin cậy mới cho biết giả thuyết có được ủng hộ hay không.

Cách viết vào luận văn

Bạn có thể viết: “Nghiên cứu đề xuất bốn giả thuyết về tác động của hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội và giá trị chi phí đến ý định tiếp tục sử dụng ví điện tử của [đối tượng khảo sát]. Các biến được đo bằng thang Likert [5/7] mức, kế thừa và điều chỉnh từ (Venkatesh và cộng sự, 2012) cho bối cảnh [bối cảnh nghiên cứu].”

Hãy kiểm tra mô hình trước khi phát bảng hỏi. Mỗi biến cần có định nghĩa, mã biến, số lượng biến quan sát và hướng tác động dự kiến. Nếu hai biến có nội dung gần như trùng nhau, người trả lời sẽ khó phân biệt và kết quả giá trị phân biệt có thể gặp vấn đề.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn muốn làm sạch dữ liệu, mô tả mẫu, kiểm định độ tin cậy, chạy EFA và hồi quy tuyến tính. Với mô hình UTAUT2 có nhiều biến tiềm ẩn và cần đánh giá đồng thời mô hình đo lường cùng mô hình cấu trúc, SmartPLS thường thuận tiện hơn.

Quy trình cơ bản trong SPSS gồm nhập file, kiểm tra giá trị thiếu, thống kê mô tả, chạy Cronbach's Alpha tại Analyze > Scale > Reliability Analysis, chạy EFA tại Analyze > Dimension Reduction > Factor, sau đó tạo biến đại diện và chạy hồi quy tại Analyze > Regression > Linear. Bạn cần lưu từng vòng loại biến, không ghi đè toàn bộ output sau mỗi lần chạy.

Trong EFA, các bảng cần đọc gồm 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 thường được tham khảo theo (Kaiser, 1974). Quy tắc eigenvalue lớn hơn 1 được gắn với (Kaiser, 1960). Tổng phương sai trích từ 50% trở lên và factor loading từ 0.5 trở lên có thể tham khảo (Hair và cộng sự, 2010).

Nếu dùng SmartPLS 4, bạn tạo project, nhập file .csv, kéo các biến quan sát vào từng construct, vẽ mũi tên giữa các biến tiềm ẩn và chọn loại mô hình phản xạ hoặc hình thành theo lập luận lý thuyết. Tên cột trong file nên ngắn, không có ký tự đặc biệt và mỗi dòng đại diện cho một người trả lời.

Sau đó chạy Calculate > PLS-SEM Algorithm để xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity và VIF. Tiếp theo chọn Calculate > Bootstrapping, đặt số bootstrap subsamples theo quy trình báo cáo của (Hair và cộng sự, 2022), rồi đọc Path Coefficients, T Statistics và P Values.

Trong PLS-SEM, outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên có thể tham khảo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015). VIF dưới 5 có thể tham khảo (Hair và cộng sự, 2019).

Khi đọc mô hình cấu trúc, bạn xem dấu và độ lớn của path coefficient, p-value hoặc khoảng tin cậy bootstrap. R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể diễn giải là đáng kể, trung bình và yếu trong PLS-SEM theo (Hair và cộng sự, 2011). Đây là mức diễn giải tham khảo, không phải tiêu chuẩn để sửa mô hình cho đẹp.

Bạn có thể viết vào chương kết quả: “Kết quả PLS-SEM cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có path coefficient = [giá trị], t = [giá trị] và p = [giá trị]. Do p [< hoặc >] 0.05, giả thuyết H[ ] được [ủng hộ hoặc không được ủng hộ].” Hãy thay bằng số liệu thật trong output của bạn.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi UTAUT2 nhưng chỉ dùng hai biến của TAM, sau đó vẫn mô tả đủ bảy thành phần trong cơ sở lý thuyết. Nếu bạn rút gọn mô hình, hãy nói rõ đây là mô hình UTAUT2 được điều chỉnh cho bối cảnh nghiên cứu, đồng thời giải thích biến nào được giữ lại và vì sao.

Lỗi thứ hai là dùng biến “ý định sử dụng” và “hành vi sử dụng” như cùng một khái niệm. Ý định là dự định trong tương lai, còn hành vi là việc đã xảy ra hoặc mức độ sử dụng thực tế. Hai biến này cần câu hỏi đo lường khác nhau.

Lỗi thứ ba là dịch thang đo nhưng không thử đọc với đối tượng khảo sát. Các cụm như “giá trị chi phí” hoặc “điều kiện thuận lợi” có thể khó hiểu nếu bê nguyên văn vào bảng hỏi. Bạn cần diễn đạt bằng câu cụ thể về sản phẩm, dịch vụ và trải nghiệm mà người trả lời thực sự biết.

Lỗi thứ tư là chạy SmartPLS rồi dùng CFI, TLI và RMSEA để kết luận mô hình đạt. Đây là nhóm fit indices thuộc CB-SEM, có thể tham khảo (Hu và Bentler, 1999), không nên trộn vào quy trình báo cáo PLS-SEM. Với SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.

Lỗi cuối là xóa biến chỉ vì nó làm kết quả không có ý nghĩa thống kê. Trước khi loại biến, hãy xem loading, nội dung câu hỏi, tương quan với các biến cùng nhóm và lập luận lý thuyết. Nếu xóa nhiều biến sau khi xem kết quả, bạn cần ghi lại quy trình và giải trình trong luận văn.

Câu hỏi thường gặp

UTAUT2 là gì và dùng để làm gì?

UTAUT2 là mô hình giải thích ý định và hành vi sử dụng công nghệ trong bối cảnh người tiêu dùng. Mô hình gồm hiệu quả kỳ vọng, nỗ lực kỳ vọng, ảnh hưởng xã hội, điều kiện thuận lợi, động lực hưởng thụ, giá trị chi phí và thói quen.

Bạn có thể dùng UTAUT2 cho đề tài về ứng dụng di động, ví điện tử, ngân hàng số, thương mại điện tử, học trực tuyến hoặc các nền tảng công nghệ. Bối cảnh khảo sát phải phù hợp với việc người trả lời có trải nghiệm hoặc có ý định sử dụng công nghệ đó.

UTAUT2 có bao nhiêu biến?

Mô hình gốc có bảy biến giải thích chính, cùng với ý định hành vi và hành vi sử dụng. Một nghiên cứu có thể thêm biến niềm tin, rủi ro cảm nhận hoặc chất lượng dịch vụ, nhưng đó là mô hình mở rộng chứ không còn là cấu trúc UTAUT2 nguyên bản.

Bạn nên chọn số biến dựa trên câu hỏi nghiên cứu, lý thuyết và khả năng thu thập dữ liệu. Mô hình càng nhiều biến thì bảng hỏi càng dài và yêu cầu kiểm định càng phức tạp.

Nên chạy UTAUT2 bằng SPSS hay SmartPLS?

SPSS phù hợp khi bạn cần Cronbach's Alpha, EFA, hồi quy và các thống kê mô tả. SmartPLS phù hợp khi bạn muốn đánh giá biến tiềm ẩn, mô hình đo lường và mô hình cấu trúc trong cùng một quy trình PLS-SEM.

Bạn cũng có thể dùng AMOS nếu nghiên cứu theo CB-SEM và có cơ sở để đánh giá độ phù hợp mô hình bằng các fit indices. Công cụ không thay thế cho việc chọn mô hình, thiết kế thang đo và giải thích giả thuyết.

UTAUT2 và TAM khác nhau thế nào?

TAM thường tập trung vào tính hữu ích cảm nhận và tính dễ sử dụng cảm nhận. UTAUT2 có phạm vi rộng hơn, bổ sung ảnh hưởng xã hội, điều kiện thuận lợi, động lực hưởng thụ, giá trị chi phí và thói quen.

Nếu đề tài chỉ hỏi người dùng có thấy công nghệ hữu ích và dễ dùng hay không, TAM có thể gọn hơn. Nếu đề tài nghiên cứu hành vi người tiêu dùng và muốn xét cả chi phí, cảm xúc hoặc thói quen, UTAUT2 thường cung cấp cấu trúc phù hợp hơn.

Có cần dùng đủ bảy thành phần của UTAUT2 không?

Bạn không bắt buộc giữ đủ bảy thành phần nếu có lập luận rõ ràng cho việc điều chỉnh. Chẳng hạn, một nghiên cứu về dịch vụ miễn phí có thể cần giải thích vì sao giá trị chi phí không được đưa vào mô hình.

Trong chương phương pháp, hãy nêu biến được giữ lại, biến bị loại, nguồn thang đo và lý do phù hợp với bối cảnh. Sau đó kiểm định mô hình đã đề xuất bằng dữ liệu thật, thay vì khẳng định mô hình đạt trước khi phân tích.

Bạn hãy mở file đề cương, xác định biến phụ thuộc và chọn các thành phần UTAUT2 thực sự trả lời câu hỏi nghiên cứu trước khi viết bảng hỏi. Nếu cần chạy mô hình trên file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích dữ liệu.