Ứng dụng mô hình FIMIX-PLS để phân nhóm khách hàng theo ý định xử lý rác thải điện tử

Bùi Thu Anh

Khoa Kinh tế, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh

Email: btanh@hcmute.edu.vn

Tóm tắt

Nghiên cứu này được thực hiện nhằm phân nhóm khách hàng tiêu dùng hàng điện tử Việt Nam dựa trên ý định xử lý rác thải điện tử (RTĐT) của họ. nghiên cứu này áp dụng mô hình hỗn hợp hữu hạn (finite mixture - FIMIX) vào mô hình cấu trúc tuyến tính sử dụng thuật toán bình phương nhỏ nhất riêng phần (partial least square structural equation modeling – PLS-SEM) để phân nhóm khách hàng. Kết quả nghiên cứu đã phân khách hàng thành 4 nhóm, mô tả đặc điểm nhân khẩu học cũng như các yếu tố tác động đáng kể đến ý định thu hồi, tái chế rác thải điện tử của từng nhóm. Kết quả nghiên cứu là cơ sở cho các nỗ lực truyền thông marketing và quản trị nhằm tập trung vào các yếu tố có tác động lớn đến ý định của từng nhóm khách hàng.

Từ khóa: Rác thải điện tử, phân khúc khách hàng, mô hình hỗn hợp hữu hạn (FIMIX)

Summary

This study aims to segment Vietnamese consumers of electronic goods based on their intentions to manage electronic waste (e-waste). It applies the finite mixture model (FIMIX) within a partial least squares structural equation modeling (PLS-SEM) framework to identify distinct customer segments. The results categorize consumers into four groups, describing their demographic characteristics as well as the key factors significantly influencing their intentions to collect and recycle e-waste. These findings provide a foundation for targeted marketing communication and management strategies, focusing on the most influential factors within each customer segment.

Keywords: Electronic waste, customer segmentation, finite mixture model (FIMIX)

GIỚI THIỆU

Rác thải điện tử (RTĐT) được báo cáo là có chứa các chất hóa học nguy hại đến sức khỏe và môi trường nếu không có biện pháp xử lý thích hợp. Khi sản phẩm điện tử đạt đến cuối vòng đời của nó, các doanh nghiệp có trách nhiệm pháp lý và xã hội phải thu hồi để đưa đi xử lý hoặc tái chế, tái sử dụng thông qua dòng chảy logistics ngược. Thành công của mô hình này phụ thuộc vào ý định tham gia của người tiêu dùng, Do đó, việc nghiên cứu hành vi của họ liên quan đến quá trình này có tầm quan trọng lớn.

Tại Việt Nam, Chính phủ đang nỗ lực thực thi nguyên tắc “người gây ô nhiễm phải trả tiền”, trong đó, quy định người sử dụng thiết bị điện tử bắt buộc phải tìm biện pháp phân loại và xử lý RTĐT sau khi sử dụng.

Nhiều nghiên cứu đã được thực hiện nhằm xác định các yếu tố ảnh hưởng đến ý định tham gia vào mạng lưới xử lý rác thải của người tiêu dùng. Tuy nhiên, phần lớn đều dựa trên giả định khách hàng là đồng nhất và bỏ qua các yếu tố khác biệt tạo nên các nhóm khách hàng khác nhau. Để đưa ra nhận định sát thực tế hơn, nghiên cứu này áp dụng mô hình hỗn hợp hữu hạn (finite mixture - FIMIX) vào mô hình cấu trúc tuyến tính sử dụng thuật toán bình phương nhỏ nhất riêng phần (partial least square structural equation modeling – PLS-SEM) để phân nhóm khách hàng.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu này dựa trên lý thuyết Hành vi có kế hoạch được đưa ra bởi Ajzen (1991), trong đó, ông xác định 3 tác nhân giải thích sự biến thiên của ý định dẫn đến hành vi, bao gồm: thái độ, quy chuẩn chủ quan và nhận thức kiểm soát hành vi. Lý thuyết này được sử dụng để giải thích hành vi khách hàng trong nhiều khía cạnh liên quan đến lối sống xanh, bảo vệ môi trường và ủng hộ phát triển bền vững như tiết kiệm năng lượng và sử dụng bao bì có thể tái chế. Trong đó, nhiều nghiên cứu được thực hiện trên thế giới đã sử dụng lý thuyết này nhằm thấu hiểu các nhân tố thúc đẩy ý định tham gia vào mạng lưới thu hồi, tái chế RTĐT sau sử dụng như: Sabbir và cộng sự (2023) đối với các nước đang phát triển, Kianpour và cộng sự (2017) tại Malaysia, Sari và cộng sự (2021) tại Indonesia.

Tại Việt Nam, Thi Thu Nguyen và cộng sự (2018) đã thực hiện một nghiên cứu đối với 520 đối tượng khảo sát tại Việt Nam đã khẳng định các yếu tố Nhận thức về môi trường và thái độ đối với tái chế rác thải, Áp lực xã hội, Luật và quy định, Chi phí tái chế, Sự bất tiện khi tái chế có tác động trực tiếp lên Ý định thực hiện hành vi tái chế RTĐT, nhưng Trải nghiệm trong quá khứ, thì không có tác động trực tiếp có ý nghĩa thống kê. Còn Nguyen (2023) khẳng định sự tác động của lợi ích được cảm nhận, Rủi ro về tiền bạc, Mức độ khó khăn của nhiệm vụ, Quy kết trách nhiệm và Nhận thức về hậu quả có tác động đến Ý định tái chế RTĐT.

Tuy nhiên, rất ít nghiên cứu thực hiện phân nhóm khách hàng tiêu dùng hàng điện tử Việt Nam dựa trên ý định tham gia vào mạng lưới này của họ. Vì vậy, nghiên cứu này được thực hiện để giải quyết khoảng trống nghiên cứu này.

Mô hình và giả thuyết nghiên cứu

Dựa trên mô hình lý thuyết và các nghiên cứu trước đó, nghiên cứu này mở rộng Lý thuyết Hành vi có kế hoạch, đánh giá 7 biến tiềm ẩn, gồm: 4 biến phụ thuộc (gồm: Nhận thức - AW, Thái độ - AT, Áp lực xã hội - SP, Sự bất tiện - INC) tác động vào 1 biến phụ thuộc là Ý định xử lý RTĐT - RI và 2 biến điều tiết (Yếu tố kinh tế - EF, Luật và Quy định - LRS). Mô hình sử dụng các thang đo dạng kết quả gồm 26 biến quan sát. Bảng 1 liệt kê danh sách các biến và Hình 1 thể hiện các mối quan hệ tác động trực tiếp và gián tiếp của mô hình.

Bảng 1: Các cấu trúc và chỉ báo của mô hình

Nguồn: Tổng hợp của tác giả

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Giả thuyết nghiên cứu được đưa ra như sau:

H1: Các biến AW, AT, SP, INC có tác động đến biến RI.

H2: Các biến LR và EF thay đổi mức độ và/hoặc hướng tác động của các ảnh hưởng của các biến AW, AT, SP, INC lên RI.

H3: Có sự khác biệt không quan sát được giữa các đối tượng khảo sát tạo ra sự khác biệt trong mối quan hệ giữa các biến.

Phương pháp nghiên cứu

Nghiên cứu này sử dụng dữ liệu được thu thập bởi Kim và cộng sự (2024) (với sự chấp thuận của các tác giả) gồm 1.020 quan sát (cỡ mẫu phù hợp với tiêu chí số lượng quan sát gấp 10 lần số biến trong mô hình), với thang đo bán định lượng Likert 5 mức độ. Tuy nhiên, khác với nghiên cứu của Kim và cộng sự (2024), nghiên cứu này đưa biến Yếu tố kinh tế và biến Luật và Quy định thành 2 biến điều tiết, tách Nhận thức và Thái độ thành 2 biến riêng biệt, cũng như bổ sung phần phân nhóm đối tượng khảo sát. Thời gian khảo sát được thực hiện từ tháng 3 đến tháng 5/2022.

Bảng 2: Đặc điểm nhân khẩu học của mẫu

Nguồn: Tổng hợp của tác giả

KẾT QUẢ NGHIÊN CỨU

Đánh giá mô hình đo lường

Kết quả của thủ tục bootstrapping cho thấy, các hệ số tải ngoài đều > 0,7, nên biến quan sát có ý nghĩa. Kết quả thuật toán PLS-SEM được thể hiện trong Bảng 2. Trong đó, độ tin cậy nhất quán nội bộ Cronbach’s Alpha đều đạt trên 0,7; độ tin cậy tổng hợp nằm trong khoảng 0,7 đến 0,9 là ngưỡng tối ưu; phương sai trung bình được trích AVE đều đạt trên 0,5 nên các biến ẩn giải thích phần lớn sự biến động của các chỉ báo liên quan. Chỉ số HTMT để đánh giá tính phân biệt giữa các thang đo đều đạt, trừ chỉ số HTMT giữa AT và AW là 0,901, chỉ lớn hơn ngưỡng chấp nhận 0,9 ở mức độ 0,001, nên tác giả quyết định giữ 2 cấu trúc này mà không gộp lại. VIF

Bảng 3: Độ tin cậy và tính hội tụ thang đo

Nguồn: Tính toán của tác giả

Đánh giá mô hình cấu trúc

Về mức độ giải thích của mô hình, mô hình có R2 rất thấp là 0,199 nên phần còn lại được giải thích bởi các biến ngoài mô hình và sai số ngẫu nhiên. Năng lực dự báo ngoài mẫu của biến độc lập Q2 ở trong khoảng (0,02;0,15), nên có năng lực dự báo nhỏ. Bảng 4 thể hiện hệ số đánh giá tác động của biến độc lập lên biến phụ thuộc f2. Kết quả cho thấy, các tác động đều nhỏ và ảnh hưởng lớn nhất bao gồm sự bất tiện INC, yếu tố kinh tế EF và kết hợp giữa yếu tố kinh tế và áp lực xã hội EFxSP.

Bảng 4: Hệ số f bình phương của toàn bộ dữ liệu

Nguồn: Tính toán của tác giả

Kết quả thuật toán FIMIX

Khi xác định số nhóm khách hàng, giải pháp tối ưu sẽ có tiêu chuẩn thông tin có giá trị thấp nhất. Giá trị của các chỉ số AIC, BIC và các chỉ số khác trong Bảng 5 đều đưa đến cùng một kết quả là phân thành 4 nhóm. Mặc dù với 4 nhóm khách hàng, entropy không đạt giá trị cao nhất, nhưng vẫn trên 0,5, thể hiện sự phân biệt tốt giữa các nhóm.

Bảng 5: Tiêu chuẩn thông tin

Nguồn: Tính toán của tác giả

Xem xét kích thước nhóm được thể hiện trong Bảng 6, khi phân thành 4 nhóm, nhóm nhỏ nhất chiếm 9,3%, tương ứng 94,86 quan sát, lớn hơn yêu cầu tối thiểu có 20 quan sát. Do đó, nghiên cứu phân khách hàng thành 4 nhóm.

Bảng 6: Kích thước nhóm

Nguồn: Tính toán của tác giả

Ước lượng mô hình nghiên cứu theo phân nhóm khách hàng

So sánh kết quả ước lượng của toàn bộ dữ liệu và theo từng nhóm được mô tả trong Bảng 7. Giả thuyết H1, H2 đều không được chấp nhận toàn bộ.

Bảng 7: Hệ số ước lượng beta của toàn bộ dữ liệu và từng nhóm

Nguồn: Tính toán của tác giả

Về khả năng giải thích R2 và năng lực dự báo Q2 được cho trong Bảng 8, ta thấy đã tăng lên trong tất cả các nhóm so với toàn bộ dữ liệu. RMSE và MAE của từng nhóm cũng nhỏ hơn toàn bộ dữ liệu. Các kết quả này chứng minh có sự khác biệt không giải thích được không được thể hiện bằng các biến trong mô hình nghiên cứu.

Bảng 8: Hệ số R2, Q2, RMSE, MAE của toàn bộ dữ liệu và từng nhóm

Nguồn: Tính toán của tác giả

Phân tích sự khác biệt giữa các nhóm khách hàng:

Nghiên cứu sử dụng phân tích đa nhóm để xem xét các tác động trực tiếp và gián tiếp lên biến phụ thuộc có khác biệt giữa các nhóm khách hàng khác nhau hay không. Thực hiện phân tích hoán vị và kết quả cho thấy, mô hình đạt bất biến (MICOM) về cấu trúc và trọng số ngoài nên có thể tiếp tục thực hiện bước phân tích đa nhóm (MGA) với kết quả được ghi trong Bảng 9. Do đó, giả thuyết H3 được chấp nhận một phần.

Bảng 9: Kết quả phân tích đa nhóm

Nguồn: Tính toán của tác giả

Thảo luận kết quả nghiên cứu

FIMIX-PLS phân chia khách hàng thành 4 nhóm. Nghiên cứu làm cơ sở cho các nỗ lực truyền thông marketing và quản trị, tập trung vào các yếu tố có tác động lớn đến ý định của từng nhóm khách hàng như sau:

Nhóm 1: Đây là nhóm lớn nhất. Chủ yếu là nam, thuộc nhiều độ tuổi, có trình độ đại học và thu nhập thấp dưới 4 triệu. Nhóm này chịu ảnh hưởng nhiều nhất bởi Yếu tố kinh tế và Sự bất tiện.

Nhóm 2: Chủ yếu là nữ, thuộc nhiều độ tuổi có trình độ sau đại học và thu nhập ổn định từ 4-10 triệu. Nhóm này chỉ chịu ảnh hưởng bởi yếu tố Nhận thức, Luật và Quy định và sự kết hợp giữa 2 yếu tố này.

Nhóm 3: Chủ yếu là nam, thuộc nhiều độ tuổi, có trình độ đại học và hầu như không có thu nhập. Nhóm này chịu ảnh hưởng lớn nhất bởi nhân tố Thái độ và mối tác động này bị điều tiết mạnh bởi Yếu tố kinh tế.

Nhóm 4: Chủ yếu là nam, thuộc nhiều độ tuổi, có trình độ đại học và có thu nhập thấp dưới 4 triệu. Nhóm này chịu ảnh hưởng lớn nhất bởi yếu tố Thái độ. Yếu tố Luật và Quy định sẽ tác động lớn nhất vào mối quan hệ giữa Sự bất tiện và Ý định thu hồi tái chế.

KẾT LUẬN

Qua việc mở rộng Lý thuyết Hành vi có kế hoạch với 2 biến điều tiết là Yếu tố kinh tế, Luật và Quy định, kết quả của nghiên cứu này khẳng định có tồn tại các khác biệt không quan sát được trong tập dữ liệu. Nghiên cứu cũng đã sử dụng mô hình FIMIX-PLS để phân nhóm khách hàng thành 4 nhóm, mô tả đặc điểm nhân khẩu học cũng như các yếu tố tác động đáng kể đến ý định thu hồi, tái chế RTĐT của từng nhóm, làm cơ sở cho các quyết định quản trị và chính sách.

Tuy nhiên, mức độ giải thích và dự báo của mô hình còn thấp, có thể do đối tượng khảo sát chưa được đa dạng và thời gian khảo sát ngắn. Các nghiên cứu trong tương lai có thể mở rộng phạm vi nghiên cứu, bổ sung các biến số dựa trên các lý thuyết Kỳ vọng của Victor Vroom về động lực, lý thuyết Kích hoạt chuẩn mục của Schwartz để hiểu thêm các khía cạnh của hành vi khách hàng. Các kỹ thuật phân lớp khác để xác định sự khác biệt không quan sát được cũng có thể được sử dụng để so sánh với tính hiệu quả và phù hợp của mô hình FIMIX-PLS, bao gồm: cây phân lớp mô hình đường dẫn (PATHMOX), phân nhóm hướng dự báo (PLS-POS) và phân nhóm đơn vị trên từng phản hồi (REBUS-PLS)./.

TÀI LIỆU THAM KHẢO

1. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, 179–211

2. Baldé, C. P., Forti, V., Gray, V., Kuehr, R., & Stegmann, P. (2017). The global e-waste monitor 2017: Quantities, flows and resources. United Nations University, international telecommunication union, and international solid waste association.

3. Kianpour, K., Jusoh, A., Mardani, A., Streimikiene, D., Cavallaro, F., Md. Nor, K., & Zavadskas, E. K. (2017). Factors influencing consumers’ intention to return the end of life electronic products through reverse supply chain management for reuse, repair and recycling. Sustainability, 9(9), 1657.

4. Kim, T. L. T., Ngoc, H. B. T., & Ha, T. N. (2024). Analysis of E-Waste Recycling Intention in Ho Chi Minh City, Vietnam. Journal of Technical Education Science, 19(Special Issue 05), 42-54.

5. Lohmöller, J. B. (1979). Residuals in PLS-Modelling. In Referat gehalten beim “Workshop of Soft Modelling Applications”, Universität Genf.

6. Nguyen, H. T. T. (2023). Integrating the valence theory and the norm activation theory to understand consumers’e-waste recycling intention. Chinese Journal of Population, Resources and Environment, 21(1), 26-36.

7. Sabbir, M. M., Khan, T. T., Das, A., Akter, S., & Hossain, M. A. (2023). Understanding the determinants of consumers' reverse exchange intention as an approach to e-waste recycling: a developing country perspective. Asia-Pacific Journal of Business Administration, 15(3), 411-439.

8. Sari, D. P., Masruroh, N. A., & Asih, A. M. S. (2021). Consumer intention to participate in e-waste collection programs: A study of smartphone waste in Indonesia. Sustainability, 13(5), 2759.

9. Thi Thu Nguyen, H., Hung, R. J., Lee, C. H., & Thi Thu Nguyen, H. (2018). Determinants of residents’ E-waste recycling behavioral intention: A case study from Vietnam. Sustainability, 11(1), 164.