Ảnh hưởng của áp lực thời gian đến thôi thúc mua ngẫu hứng trong livestream: Vai trò của FOMO và cảm nhận thao túng

Nguyễn Quế Lâm

Trường Đại học Kinh tế, Đại học Quốc gia Hà Nội

Email: [email protected]

Tóm tắt

Áp lực thời gian trong livestream có thể đồng thời làm gia tăng nỗi lo bỏ lỡ ưu đãi và cảm nhận về ý đồ thao túng của người bán. Nghiên cứu đề xuất mô hình hai trung gian song song nhằm giải thích những tác động trái chiều này đến thôi thúc mua ngẫu hứng. Mô hình được phân tích bằng SmartPLS 4 trên 560 quan sát, kết hợp bootstrap 5.000 mẫu và đánh giá dự báo chéo. Tác động gián tiếp qua FOMO đạt 0,290, trong khi tác động qua cảm nhận thao túng đạt -0,167; khoảng tin cậy 95% của cả hai đều không chứa 0. R² hiệu chỉnh của thôi thúc mua đạt 0,732. Kiểm định khả năng dự báo chéo (CVPAT) cho thấy mô hình dự báo tốt hơn chuẩn trung bình chỉ báo, nhưng chưa có ưu thế có ý nghĩa thống kê so với mô hình tuyến tính. Kết quả thực nghiệm làm rõ sự bù trừ giữa động lực tránh mất cơ hội và phản ứng kìm hãm trước ý đồ thao túng, qua đó làm rõ giá trị của việc phân tích riêng từng cơ chế trung gian.

Từ khóa: Áp lực thời gian, FOMO, cảm nhận thao túng, thôi thúc mua ngẫu hứng, livestream

Abstract

Time pressure during livestream shopping may simultaneously intensify fear of missing out on promotional offers and consumers’ perceptions of seller manipulation. This study proposes a parallel mediation model to explain these opposing effects on impulse buying urge. The model was analyzed using SmartPLS 4 based on 560 observations, with 5,000 bootstrap resamples and cross-validated predictive assessment. The indirect effect through fear of missing out (FOMO) was 0.290, whereas the indirect effect through perceived manipulation was −0.167; both 95% confidence intervals excluded zero. The adjusted R² for impulse buying urge was 0.732. The cross-validated predictive ability test (CVPAT) indicated that the model outperformed the indicator-averaging benchmark but did not demonstrate a statistically significant predictive advantage over the linear model. These empirical findings highlight the counterbalancing effects of the motivation to avoid missing an opportunity and the inhibitory response to perceived seller manipulation, underscoring the value of examining each mediation mechanism separately.

Keywords: Time pressure, FOMO, perceived manipulation, impulse buying urge, livestream shopping

GIỚI THIỆU

Livestream shopping tích hợp thông tin sản phẩm, tương tác và giao dịch trong một quá trình ra quyết định liên tục (Sun và cộng sự, 2019; Wongkitrungrueng & Assarut, 2020; Lee và cộng sự, 2025; Li và cộng sự, 2025). Trong quá trình này, người xem vừa cân nhắc thông tin vừa tiếp nhận sự thuyết phục từ người bán. Do đó, thôi thúc mua có thể phụ thuộc không chỉ vào giá trị cơ hội mà còn vào cách cơ hội được truyền đạt (Azad Moghddam & Mortimer, 2025; Ma và cộng sự, 2025).

Áp lực thời gian tạo ra một nghịch lý: giới hạn thời gian có thể làm tăng sức hấp dẫn của ưu đãi, nhưng cũng khiến người xem nghi ngờ cách người bán thúc đẩy quyết định. Nghiên cứu về khan hiếm nhấn mạnh sức hấp dẫn của các cơ hội có giới hạn (Lynn, 1991; Aggarwal và cộng sự, 2011; Barton và cộng sự, 2022; Hao & Huang, 2025), trong khi nghiên cứu về áp lực thời gian cho thấy thời gian hạn chế có thể làm thay đổi quá trình xử lý thông tin (Dhar & Nowlis, 1999; Suri & Monroe, 2003). Hai hướng tiếp cận này gợi mở khả năng áp lực thời gian đồng thời kích hoạt động lực mua và phản ứng kìm hãm.

Các nghiên cứu gần đây đã xem xét vai trò của giá trị và cảm xúc (Sun và cộng sự, 2023), giới hạn giao dịch (Jiang & Zhao, 2026), sự chân thành (Jin và cộng sự, 2026), cũng như tương tác và sự hoài nghi đối với thông điệp tạo nỗi lo bỏ lỡ (FOMO) (Eitan & Naor, 2025). Tuy nhiên, vấn đề đặt ra là liệu áp lực thời gian có thể liên hệ với thôi thúc mua ngẫu hứng thông qua hai cơ chế tâm lý trái chiều hay không: nỗi lo bỏ lỡ cơ hội và cảm nhận về ý đồ thao túng của người bán.

Nghiên cứu đề xuất làm rõ sự bù trừ giữa động lực tránh bỏ lỡ lợi ích và phản ứng kìm hãm trước cảm nhận thao túng. Việc chỉ xem xét tác động tổng có thể che khuất vai trò riêng biệt của từng cơ chế. Bằng cách phân tích hai biến trung gian song song, nghiên cứu hướng tới bổ sung cách giải thích dựa trên cơ chế cho hành vi mua trong livestream, phù hợp với định hướng nghiên cứu hiện có (Chan và cộng sự, 2017; Lee và cộng sự, 2025; Li và cộng sự, 2025).

CƠ SỞ LÝ THUYẾT VÀ PHÁT TRIỂN GIẢ THUYẾT

Khung lý thuyết và khái niệm nghiên cứu

Nghiên cứu kết hợp khung kích thích–trạng thái bên trong–phản ứng (S–O–R) và mô hình tri thức thuyết phục (Persuasion Knowledge Model) để giải thích mối quan hệ giữa áp lực thời gian (TP) và thôi thúc mua ngẫu hứng (UBI). Theo S–O–R, TP là áp lực tình huống được người xem cảm nhận; nỗi lo bỏ lỡ cơ hội (FOMO) và cảm nhận thao túng (PMI) là hai trạng thái tâm lý trung gian; UBI là phản ứng đầu ra (Eroglu và cộng sự, 2001; Parboteeah và cộng sự, 2009; Wells và cộng sự, 2011; Jaolis và cộng sự, 2026). Trong khi đó, mô hình tri thức thuyết phục giải thích cách người tiêu dùng nhận diện và phản ứng trước các nỗ lực gây ảnh hưởng của người bán (Friestad & Wright, 1994; Campbell & Kirmani, 2000; Lu & Li, 2026). Việc kết hợp hai cách tiếp cận cho phép xem xét đồng thời động lực cảm xúc thúc đẩy mua và phản ứng nhận thức có thể kìm hãm quyết định (Shiv & Fedorikhin, 1999).

Về mặt khái niệm, TP phản ánh cảm giác không đủ thời gian cân nhắc hoặc phải quyết định nhanh hơn mong muốn, khác với khan hiếm số lượng hay sức hấp dẫn của giảm giá. FOMO là nỗi lo bỏ lỡ lợi ích mua hàng trong phiên livestream (Przybylski và cộng sự, 2013; Hodkinson, 2019; Good & Hyman, 2020). PMI phản ánh nhận thức rằng người bán sử dụng phương thức thuyết phục không phù hợp, không đồng nghĩa với việc chỉ nhận biết mục tiêu thương mại hoặc có bằng chứng về hành vi lừa dối (Campbell, 1995; Wu và cộng sự, 2023). UBI là mong muốn mua đột ngột, mạnh mẽ và cấp thời, nhưng không nhất thiết dẫn đến giao dịch thực tế do người tiêu dùng vẫn có thể kiềm chế hoặc chịu ảnh hưởng của các chuẩn mực hành vi (Rook, 1987; Beatty & Ferrell, 1998; Dholakia, 2000; Rook & Fisher, 1995).

Cần lưu ý rằng TP trong nghiên cứu được đo ở cấp độ cảm nhận, không phải một kích thích ngoại sinh được ngẫu nhiên hóa. Vì vậy, các giả thuyết phản ánh những mối quan hệ dự kiến giữa các biến, thay vì khẳng định tác động nhân quả đã được xác lập.

Áp lực thời gian và hai trạng thái trung gian

Áp lực thời gian và nỗi lo bỏ lỡ cơ hội (FOMO)

Trong livestream, áp lực thời gian có thể khiến người xem diễn giải việc trì hoãn quyết định thành nguy cơ bỏ lỡ ưu đãi. Các giới hạn về thời gian hoặc điều kiện giao dịch làm nổi bật tính cấp thiết của cơ hội (Inman và cộng sự, 1997), trong khi FOMO có liên hệ với phản ứng mua của người tiêu dùng (Good & Hyman, 2020). Tuy nhiên, mối quan hệ này có thể phụ thuộc vào mức độ hấp dẫn mà người xem cảm nhận ở ưu đãi; áp lực thời gian tự thân không nhất thiết tạo ra nỗi lo bỏ lỡ.

H1: Áp lực thời gian cảm nhận tác động tích cực đến FOMO.

Áp lực thời gian và cảm nhận thao túng (PMI)

Bên cạnh việc làm tăng tính cấp thiết của cơ hội, TP có thể khiến người xem chú ý hơn đến cách người bán thúc đẩy quyết định. Khi thời hạn được trình bày theo cách gây sức ép, người xem có thể suy luận rằng người bán đang cố gắng chi phối lựa chọn của họ (Friestad & Wright, 1994; Campbell, 1995; Lu & Li, 2026). Tuy nhiên, phản ứng này phụ thuộc vào khả năng nhận diện chiến thuật thuyết phục và năng lực xử lý thông tin của người tiêu dùng (Campbell & Kirmani, 2000). Do đó, giả thuyết dự kiến mối quan hệ dương trong bối cảnh áp lực thời gian, chứ không mặc định mọi giới hạn thời gian đều bị xem là thao túng.

H2: Áp lực thời gian cảm nhận tác động tích cực đến PMI.

Hai cơ chế trung gian và thôi thúc mua ngẫu hứng (UBI)

FOMO và thôi thúc mua ngẫu hứng

FOMO có thể thúc đẩy UBI khi người xem xem việc mua ngay là cách tránh mất đi một cơ hội có giá trị. Nỗi lo bỏ lỡ ưu đãi có liên hệ với phản ứng mua của người tiêu dùng (Good & Hyman, 2021). Trên cơ sở đó, nghiên cứu xem xét liệu FOMO có liên hệ với mong muốn mua đột ngột và cấp thời trong livestream hay không. Cách tiếp cận này phân biệt trạng thái thôi thúc mua với hành vi giao dịch thực tế, bởi người tiêu dùng có thể cảm thấy muốn mua nhưng cuối cùng không thực hiện giao dịch.

H3: FOMO tác động tích cực đến UBI.

Cảm nhận thao túng và thôi thúc mua ngẫu hứng

Trái với FOMO, PMI có thể làm suy giảm UBI khi người xem diễn giải cách thuyết phục của người bán là nỗ lực chi phối quyết định không phù hợp (Campbell, 1995). Nhận diện chiến thuật thuyết phục không nhất thiết dẫn đến từ chối mua, nhưng có thể làm giảm sức thuyết phục của thông điệp trong những điều kiện nhất định (Eitan & Naor, 2025). Vì vậy, nghiên cứu dự kiến mối quan hệ âm giữa PMI và UBI khi kiểm soát TP và FOMO.

H4: PMI tác động tiêu cực đến UBI khi kiểm soát TP và FOMO.

Tác động trực tiếp và các tác động gián tiếp

Ngoài hai cơ chế trung gian, TP có thể liên hệ trực tiếp với UBI thông qua những quá trình chưa được mô hình hóa. Thời gian hạn chế có thể làm thay đổi cách người tiêu dùng xử lý thông tin và ra quyết định (Suri & Monroe, 2003); mối quan hệ giữa áp lực thời gian và phản ứng mua trong livestream cũng đã được đề cập trong các nghiên cứu trước (Sun và cộng sự, 2023; Hao & Huang, 2025). Do đó, nghiên cứu giữ lại đường dẫn trực tiếp TP–UBI nhằm đánh giá phần liên hệ còn lại sau khi kiểm soát FOMO và PMI, thay vì mặc định hai biến trung gian giải thích toàn bộ mối quan hệ.

H5: Áp lực thời gian cảm nhận tác động trực tiếp tích cực đến UBI khi kiểm soát FOMO và PMI.

Mô hình trung gian song song cho phép hai cơ chế tâm lý trái chiều cùng tồn tại mà không áp đặt thứ tự tác động giữa chúng. Cụ thể, TP có thể làm tăng UBI thông qua FOMO, đồng thời làm giảm UBI thông qua PMI. Vì hai tác động gián tiếp có chiều ngược nhau, việc chỉ xem xét tác động tổng có thể che khuất vai trò riêng của từng cơ chế. Do đó, mỗi tác động gián tiếp cần được kiểm định độc lập, phù hợp với cách tiếp cận phân tích trung gian của Zhao và cộng sự (2010) và Nitzl và cộng sự (2016).

H6a: Áp lực thời gian có tác động gián tiếp tích cực đến UBI thông qua FOMO.

H6b: Áp lực thời gian có tác động gián tiếp tiêu cực đến UBI thông qua PMI.

Mô hình nghiên cứu đề xuất cùng hệ thống các giả thuyết từ H1 đến H6b được tổng hợp và thể hiện tích hợp tại Hình 1.

PHƯƠNG PHÁP NGHIÊN CỨU

Nguồn dữ liệu và phạm vi phân tích

Nghiên cứu sử dụng mô-đun dữ liệu khảo sát độc lập từ 560 người trả lời hợp lệ (đáp ứng quy mô mẫu tối thiểu theo Kock & Hadaya, 2018) thuộc chương trình điều tra người tiêu dùng từ 18 tuổi trở lên có trải nghiệm thương mại điện tử qua livestream trong 6 tháng gần nhất. Trong hợp phần khảo sát chuyên biệt này, 16 câu hỏi đo lường áp lực thời gian, FOMO, cảm nhận thao túng và thôi thúc mua ngẫu hứng được thiết kế tách biệt và neo vào cùng một phiên livestream giới thiệu sản phẩm có giới hạn thời gian ưu đãi mà người trả lời đã trực tiếp theo dõi. Tại phiên được neo đánh giá, người trả lời bao gồm cả những người đã chốt đơn và những người chỉ dừng ở phản ứng tâm lý mà chưa mua sản phẩm đó, phù hợp với việc đo lường thôi thúc mua như một trạng thái tâm lý tức thời trong phiên xem thay vì đồng nhất với hành vi giao dịch đã xảy ra.

Bốn cấu trúc được đo lường theo mô hình phản xạ, mỗi cấu trúc gồm bốn chỉ báo trên thang Likert năm mức, từ 1 - “Hoàn toàn không đồng ý” đến 5 - “Hoàn toàn đồng ý” (Bảng 1). Các phát biểu được thích nghi từ tài liệu nền tảng và chuẩn hóa theo quy trình phát triển thang đo khảo sát (Hinkin, 1998), tập trung phân biệt cảm giác thiếu thời gian cân nhắc, nỗi lo bỏ lỡ lợi ích, suy luận về phương thức thuyết phục không phù hợp và mong muốn mua đột ngột. Dữ liệu được phân tích bằng SmartPLS 4 để đánh giá mô hình đo lường, ước lượng các quan hệ cấu trúc, kiểm định tác động gián tiếp và xem xét khả năng dự báo.

Bảng 1: Phát biểu đề xuất và loading trong dữ liệu khảo sát

Mã	Phát biểu theo phiên và sản phẩm	Loading
TP1	Tôi cảm thấy thời gian để quyết định mua sản phẩm khá hạn chế.	0,839
TP2	Tôi cảm thấy không đủ thời gian để cân nhắc kỹ sản phẩm trước khi quyết định mua.	0,837
TP3	Tôi cảm thấy phải đưa ra quyết định mua nhanh hơn mong muốn.	0,856
TP4	Tôi cảm thấy vội khi cân nhắc có nên mua sản phẩm hay không.	0,856
FOMO1	Tôi lo mình sẽ bỏ lỡ một cơ hội mua hấp dẫn.	0,884
FOMO2	Tôi bất an khi nghĩ mình có thể không tận dụng được ưu đãi của sản phẩm.	0,869
FOMO3	Tôi bận tâm đến khả năng bỏ lỡ lợi ích được giới thiệu cho người mua.	0,863
FOMO4	Ý nghĩ để cơ hội mua hấp dẫn trôi qua khiến tôi khó chịu.	0,846
PMI1	Tôi cảm thấy người bán cố chi phối quyết định mua của tôi bằng cách thuyết phục không phù hợp.	0,843
PMI2	Tôi cho rằng cách người bán tác động tới lựa chọn của tôi vượt quá mức thuyết phục có thể chấp nhận.	0,858
PMI3	Tôi cho rằng người bán cố tác động tới quyết định mua của tôi bằng những thủ thuật không chính đáng.	0,861
PMI4	Tôi cho rằng người bán tìm cách tác động đến quyết định của tôi bằng những cách thiếu công bằng.	0,859
UBI1	Tôi bất chợt cảm thấy thôi thúc muốn mua sản phẩm.	0,867
UBI2	Tôi cảm thấy thôi thúc mạnh muốn mua sản phẩm ngay lúc đó.	0,869
UBI3	Khi sản phẩm được giới thiệu, tôi cảm thấy mong muốn mua bùng lên trong mình.	0,847
UBI4	Khi xem sản phẩm được giới thiệu, tôi khó cưỡng lại mong muốn mua.	0,848

Nguồn: Kết quả nghiên cứu

Quy trình phân tích

Mô hình được ước lượng bằng thuật toán trọng số đường dẫn với hệ số chuẩn hóa, tối đa 3.000 vòng lặp và ngưỡng hội tụ (10^-7). Ý nghĩa thống kê được đánh giá bằng bootstrap 5.000 mẫu, kiểm định hai phía ở mức 5% và khoảng tin cậy 95% theo phương pháp percentile. Mô hình đo lường được đánh giá qua hệ số tải ngoài (loading), Cronbach’s Alpha, rho_A, độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) và tỷ lệ tương quan dị biệt–đồng nhất (HTMT). Mô hình cấu trúc được xem xét thông qua hệ số phóng đại phương sai (VIF), hệ số tác động (f²) và hệ số xác định hiệu chỉnh (R²) (Cronbach, 1951; Fornell & Larcker, 1981; Hair và cộng sự, 2019, 2020; Henseler và cộng sự, 2015).

Khả năng dự báo được đánh giá bằng PLSpredict với 10 phần chia và 10 lần lặp; CVPAT được sử dụng để so sánh năng lực dự báo của mô hình với chuẩn trung bình chỉ báo (IA) và mô hình tuyến tính (LM) (Shmueli và cộng sự, 2019; Sharma và cộng sự, 2023). Do tệp bootstrap chưa cung cấp khoảng tin cậy của HTMT, giá trị phân biệt chưa được kiểm định bằng phương pháp này. Mặc dù khảo sát đã tách biệt ngữ cảnh câu hỏi và kiểm tra đa cộng tuyến qua VIF, các nghiên cứu mở rộng trong tương lai cần kết hợp thu thập dữ liệu đa nguồn để kiểm soát chặt chẽ hơn sai lệch phương pháp chung (Podsakoff và cộng sự, 2003).

KẾT QUẢ VÀ THẢO LUẬN

Mô hình đo lường

Kết quả cho thấy 16 chỉ báo có hệ số tải ngoài từ 0,837 đến 0,884 (Bảng 1). Các chỉ số độ tin cậy gồm Cronbach’s Alpha (0,869–0,888), rho_A (0,870–0,889) và CR (0,911–0,923); AVE đạt 0,718–0,749 (Bảng 2). Nhìn chung, các chỉ số đều đáp ứng ngưỡng tham chiếu, cho thấy thang đo đạt độ tin cậy và giá trị hội tụ.

Bảng 2: Độ tin cậy, hội tụ và mức giải thích

Biến	Alpha	rho_A	CR	AVE	R²	R² HC
TP	0,869	0,870	0,911	0,718	—	—
FOMO	0,888	0,889	0,923	0,749	0,229	0,227
PMI	0,878	0,878	0,916	0,732	0,104	0,103
UBI	0,880	0,881	0,918	0,736	0,733	0,732

Nguồn: Kết quả nghiên cứu

Kết quả HTMT cao nhất là 0,761 giữa FOMO và UBI, thấp hơn ngưỡng 0,850; các cặp còn lại dao động từ 0,244 đến 0,569 (Bảng 3). Điều này cho thấy chưa có dấu hiệu thiếu giá trị phân biệt theo ước lượng điểm, dù chưa thể xác nhận bằng kiểm định khoảng tin cậy HTMT. VIF của các chỉ báo (1,979–2,620) và các biến trong mô hình cấu trúc (1,000–1,388) đều dưới 3,000, cho thấy không có dấu hiệu đa cộng tuyến đáng kể.

Bảng 3: Ma trận HTMT

Biến	TP	FOMO	PMI	UBI
TP	-	-	-	-
FOMO	0,544	-	-	-
PMI	0,369	0,244	-	-
UBI	0,569	0,761	0,302	-

Nguồn: Kết quả nghiên cứu

Mô hình cấu trúc và trung gian

Trong mẫu khảo sát, năm đường trực tiếp có dấu phù hợp giả thuyết và p < 0,001 (Bảng 4). TP liên hệ dương với FOMO (β = 0,478), PMI (β = 0,323) và UBI (β = 0,376). FOMO liên hệ dương với UBI (β = 0,606), còn PMI liên hệ âm (β = −0,517). f² tương ứng của H1–H5 là 0,296; 0,116; 1,055; 0,893; 0,381. R² của FOMO, PMI và UBI lần lượt là 0,229; 0,104; 0,733; R² hiệu chỉnh tương ứng là 0,227; 0,103; 0,732.

Bảng 4: Đường dẫn và phân rã tác động TP–UBI

Quan hệ	β / tác động	t	CI 95%	f²
H1 TP → FOMO	0,478	15,300	[0,415; 0,539]	0,296
H2 TP → PMI	0,323	8,086	[0,244; 0,400]	0,116
H3 FOMO → UBI	0,606	25,284	[0,559; 0,652]	1,055
H4 PMI → UBI	-0,517	20,435	[-0,567; -0,469]	0,893
H5 TP → UBI	0,376	13,467	[0,322; 0,432]	0,381
H6a TP → FOMO → UBI	0,290	12,535	[0,246; 0,335]	—
H6b TP → PMI → UBI	-0,167	6,891	[-0,216; -0,121]	—
Tổng gián tiếp	0,123	4,134	[0,063; 0,179]	—
Tổng tác động	0,498	15,964	[0,435; 0,560]	—

Nguồn: Kết quả nghiên cứu

Kết quả cho thấy cả 2 tác động gián tiếp đều có ý nghĩa thống kê do khoảng tin cậy 95% không chứa 0: tác động qua FOMO đạt 0,290 [0,246; 0,335], trong khi qua PMI đạt −0,167 [−0,216; −0,121]. Tổng tác động gián tiếp là 0,123 [0,063; 0,179] và tổng tác động đạt 0,498 [0,435; 0,560].

Hình 1: Mô hình cấu trúc trong mẫu

*** p < 0,001; HC: hiệu chỉnh.

Nguồn: Kết quả nghiên cứu

Điều này cho thấy nhánh PMI làm suy giảm một phần tác động tích cực qua FOMO, nhưng tổng tác động vẫn dương (Hình 1 và Hình 2). Do hai cơ chế có chiều tác động trái ngược, không nên dùng tỷ lệ trung gian để đại diện cho chúng. Đồng thời, do dữ liệu thu thập theo thiết kế cắt ngang tại một thời điểm, các kết quả có ý nghĩa thống kê trên mẫu khảo sát hiện tại chủ yếu phản ánh mức độ liên hệ thực nghiệm giữa các cấu trúc và cần được tiếp tục kiểm chứng nhân quả qua các thiết kế thực nghiệm hoặc dữ liệu dọc.

Hình 2: Phân rã tác động TP–UBI và khoảng tin cậy

Nguồn: Kết quả nghiên cứu

Khả năng dự báo

Kết quả PLSpredict tại Bảng 5 cho thấy, Q²predict của FOMO, PMI và UBI lần lượt đạt 0,225; 0,100 và 0,246; cả 12 chỉ báo nội sinh đều có Q²predict dương, cho thấy mô hình có khả năng dự báo. Xét theo RMSE, PLS-SEM cho sai số thấp hơn mô hình tuyến tính (LM) ở cả bốn chỉ báo FOMO, ba trong bốn chỉ báo PMI và toàn bộ chỉ báo UBI. Tuy nhiên, mức cải thiện đối với UBI chỉ đạt 0,002–0,005 đơn vị sai số, do đó cần thận trọng khi diễn giải lợi thế số học như một cải thiện có ý nghĩa thực tiễn.

Bảng 5: Q²predict và so sánh dự báo bằng CVPAT

Biến	Q²predict	Δloss IA	p IA	Δloss LM	p LM
FOMO	0,225	-0,213	< 0,001	-0,006	0,179
PMI	0,100	-0,093	< 0,001	-0,002	0,765
UBI	0,246	-0,226	< 0,001	-0,007	0,130
Toàn mô hình	-	-0,177	< 0,001	-0,005	0,161

Nguồn: Kết quả nghiên cứu

Kết quả CVPAT cho thấy PLS-SEM có khả năng dự báo tốt hơn chuẩn trung bình chỉ báo (IA) ở cả ba cấu trúc và toàn mô hình (p < 0,001), nhưng chưa vượt trội có ý nghĩa thống kê so với mô hình tuyến tính (LM), với p lần lượt là 0,179 đối với FOMO, 0,765 đối với PMI, 0,130 đối với UBI và 0,161 đối với toàn mô hình. Vì vậy, R² cao không đồng nghĩa với ưu thế dự báo so với mô hình tuyến tính. Ngoài ra, 5.600 lượt đánh giá sai số là kết quả của việc đánh giá 560 quan sát qua 10 lần lặp, không phải dữ liệu từ 5.600 người tham gia.

Thảo luận

Nghiên cứu góp phần giải thích tác động của áp lực thời gian thông qua 2 cơ chế trung gian có chiều tác động đối nghịch. FOMO phản ánh nỗi lo mất lợi ích từ cơ hội mua, trong khi cảm nhận thao túng phản ánh đánh giá về cách người bán gây ảnh hưởng tới quyết định (Good & Hyman, 2020, 2021; Campbell, 1995). Việc kết hợp khung S–O–R với mô hình tri thức thuyết phục mở rộng cách tiếp cận trạng thái tâm lý bên trong: cùng một tình huống có thể tạo động lực mua đồng thời kích hoạt phản ứng kìm hãm (Friestad & Wright, 1994). Đóng góp nằm ở việc giải thích cách hai phản ứng cùng tham gia hình thành thôi thúc mua.

Hai tác động gián tiếp trái dấu cho thấy tác động tổng chưa phản ánh đầy đủ các cơ chế thuyết phục (Zhao & Kim, 2026). Tác động tổng dương đạt 0,498, nhưng tác động gián tiếp qua cảm nhận thao túng đạt −0,167, bù trừ một phần tác động dương qua FOMO. Vì vậy, liên hệ tổng dương không đồng nghĩa áp lực thời gian chỉ tạo phản ứng thuận lợi. Kết quả bổ sung góc nhìn về ý đồ thuyết phục bên cạnh các cách giải thích dựa trên giá trị ưu đãi, cảm xúc và sự chân thành của người bán (Sun và cộng sự, 2023; Jiang & Zhao, 2026; Jin và cộng sự, 2026). Góc nhìn này cũng kết nối với nghiên cứu về sự hoài nghi trước chiến thuật FOMO (Eitan & Naor, 2025).

Tuy nhiên, kết quả chưa xác lập mô hình song song là cơ chế giải thích duy nhất. FOMO có thể làm tăng sự chú ý tới chiến thuật thúc giục, trong khi cảm nhận thao túng có thể thay đổi đánh giá về cơ hội mua; các khả năng này cần được kiểm tra bằng dữ liệu theo thời gian và mô hình cạnh tranh. Đường trực tiếp dương chưa chứng minh cơ chế thu hẹp cân nhắc, còn f² lớn chưa đủ xác lập tầm quan trọng phổ quát của từng yếu tố. R² cao của thôi thúc mua, R² thấp của cảm nhận thao túng và kết quả CVPAT chưa cho thấy ưu thế so với mô hình tuyến tính nhấn mạnh sự cần thiết phải đánh giá riêng mức giải thích, khả năng dự báo và tính đầy đủ của mô hình lý thuyết.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu đề xuất áp lực thời gian liên hệ với thôi thúc mua ngẫu hứng thông qua hai cơ chế có thể bù trừ: FOMO tạo động lực mua, còn cảm nhận thao túng tạo lực kìm hãm. Phân tích SmartPLS 4 trên dữ liệu khảo sát từ 560 quan sát hợp lệ cho thấy hai tác động gián tiếp trái dấu và R² hiệu chỉnh của thôi thúc mua đạt 0,732. Tuy nhiên, CVPAT chưa cho thấy ưu thế dự báo có ý nghĩa thống kê so với mô hình tuyến tính.

Đóng góp của bài nằm ở việc kết nối đánh giá cơ hội với đánh giá ý đồ thuyết phục, đồng thời làm rõ giá trị của việc kiểm định riêng từng nhánh trung gian. Các quan hệ này cần được tiếp tục kiểm chứng mở rộng trên các mẫu độc lập ở nhiều nền tảng khác nhau, kết hợp với thiết kế nghiên cứu theo thời gian để xác lập chặt chẽ thứ tự nhân quả. Hiệu quả của các hàm ý quản trị cần được đánh giá bằng hành vi giao dịch và kết quả sau mua, bên cạnh thôi thúc mua.

Hàm ý quản trị có điều kiện

Kết quả nghiên cứu cho thấy người bán cần cân bằng giữa việc tạo áp lực thời gian và cách thức truyền tải thông điệp thúc giục mua. Áp lực thời gian có thể làm gia tăng thôi thúc mua thông qua FOMO, song tác động này bị suy giảm một phần bởi cảm nhận thao túng. Do đó, người bán nên minh bạch về căn cứ xác định thời hạn, điều kiện ưu đãi và thông tin sản phẩm trước khi nhắc đến thời điểm kết thúc chương trình (Wu & Jiao, 2026). Đây là định hướng thực hành nhằm hạn chế cảm nhận về ý đồ thao túng, mặc dù hiệu quả của biện pháp này chưa được kiểm định trực tiếp. Đồng thời, kết quả chưa đủ cơ sở để xác định mức độ thúc giục tối ưu hoặc khẳng định khả năng cải thiện doanh thu.

Trên thực tế, doanh nghiệp có thể thử nghiệm các cách truyền đạt khác nhau về cùng một thời hạn ưu đãi hợp lệ, trong khi duy trì tương đương về giá và sản phẩm. Việc đo lường phản ứng tâm lý kết hợp theo dõi tỷ lệ chuyển đổi, hủy đơn và mua lại sẽ giúp làm rõ liệu hiệu quả chủ yếu xuất phát từ việc nhấn mạnh cơ hội mua hay từ việc giảm phản ứng phòng vệ trước thông điệp thuyết phục. Bên cạnh đó, nền tảng có thể tăng cường kiểm tra tính nhất quán của thông tin ưu đãi và tiếp nhận phản hồi về các chiến thuật thúc giục mua. Vì thôi thúc mua phản ánh trạng thái tâm lý chứ không đồng nhất với hành vi giao dịch, hiệu quả quản trị cần được đánh giá đồng thời qua kết quả giao dịch và chất lượng quyết định của khách hàng.

Giới hạn và hướng nghiên cứu

Nghiên cứu cắt ngang và dữ liệu tự báo cáo hạn chế suy luận nhân quả, có thể phát sinh sai lệch; thôi thúc mua cũng chưa phản ánh trực tiếp hành vi giao dịch. Khả năng khái quát hóa cần được kiểm chứng trên các bối cảnh khác (Maxwell & Cole, 2007). Nghiên cứu tiếp theo nên sử dụng thiết kế theo thời gian hoặc thực nghiệm, so sánh các mô hình trung gian, xem xét thêm giá trị ưu đãi và hứng thú ban đầu, đồng thời thẩm định thang đo, kiểm soát sai lệch phương pháp chung, bổ sung khoảng tin cậy HTMT và kiểm tra dự báo trên mẫu độc lập. Phân tích đa nhóm có thể làm rõ khác biệt theo nền tảng, sản phẩm và đặc điểm người xem.

Tài liệu tham khảo:

1. Aggarwal, P., Jun, S. Y., & Huh, J. H. (2011). Scarcity messages. Journal of Advertising, 40(3), 19–30. https://doi.org/10.2753/JOA0091-3367400302.

2. Azad Moghddam, H., & Mortimer, G. (2025). Measuring the consumer livestreaming experience: Scale development and validation. Journal of Retailing and Consumer Services, 87, 104395. https://doi.org/10.1016/j.jretconser.2025.104395.

3. Barton, B., Zlatevska, N., & Oppewal, H. (2022). Scarcity tactics in marketing: A meta-analysis of product scarcity effects on consumer purchase intentions. Journal of Retailing, 98(4), 741–758. https://doi.org/10.1016/j.jretai.2022.06.003.

4. Beatty, S. E., & Ferrell, M. E. (1998). Impulse buying: Modeling its precursors. Journal of Retailing, 74(2), 169–191. https://doi.org/10.1016/S0022-4359(99)80092-X.

5. Campbell, M. C. (1995). When attention-getting advertising tactics elicit consumer inferences of manipulative intent: The importance of balancing benefits and investments. Journal of Consumer Psychology, 4(3), 225–254. https://doi.org/10.1207/s15327663jcp0403_02.

6. Campbell, M. C., & Kirmani, A. (2000). Consumers’ use of persuasion knowledge: The effects of accessibility and cognitive capacity on perceptions of an influence agent. Journal of Consumer Research, 27(1), 69–83. https://doi.org/10.1086/314309.

7. Chan, T. K. H., Cheung, C. M. K., & Lee, Z. W. Y. (2017). The state of online impulse-buying research: A literature analysis. Information & Management, 54(2), 204–217. https://doi.org/10.1016/j.im.2016.06.001.

8. Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555.

9. Dhar, R., & Nowlis, S. M. (1999). The effect of time pressure on consumer choice deferral. Journal of Consumer Research, 25(4), 369–384. https://doi.org/10.1086/209545.

10. Dholakia, U. M. (2000). Temptation and resistance: An integrated model of consumption impulse formation and enactment. Psychology & Marketing, 17(11), 955–982. https://doi.org/10.1002/1520-6793(200011)17:11<955::aid-mar3>3.0.CO;2-J.

11. Eitan, T., & Naor, R. (2025). Fear and joy of missing out in marketing: A two-study mixed-methods analysis of contrasting tactics and their consumer impact. International Journal of Consumer Studies, 49(6), e70140. https://doi.org/10.1111/ijcs.70140.

12. Eroglu, S. A., Machleit, K. A., & Davis, L. M. (2001). Atmospheric qualities of online retailing: A conceptual model and implications. Journal of Business Research, 54(2), 177–184. https://doi.org/10.1016/S0148-2963(99)00087-9.

13. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104.

14. Friestad, M., & Wright, P. (1994). The persuasion knowledge model: How people cope with persuasion attempts. Journal of Consumer Research, 21(1), 1–31. https://doi.org/10.1086/209380.

15. Good, M. C., & Hyman, M. R. (2020). ‘Fear of missing out’: Antecedents and influence on purchase likelihood. Journal of Marketing Theory and Practice, 28(3), 330–341. https://doi.org/10.1080/10696679.2020.1766359.

16. Good, M. C., & Hyman, M. R. (2021). Direct and indirect effects of fear-of-missing-out appeals on purchase likelihood. Journal of Consumer Behaviour, 20(3), 564–576. https://doi.org/10.1002/cb.1885.

17. Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101–110. https://doi.org/10.1016/j.jbusres.2019.11.069.

18. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203.

19. Hao, S., & Huang, L. (2025). The persuasive effects of scarcity messages on impulsive buying in live-streaming e-commerce: The moderating role of time scarcity. Asia Pacific Journal of Marketing and Logistics, 37(2), 441–459. https://doi.org/10.1108/APJML-03-2024-0269.

20. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. https://doi.org/10.1007/s11747-014-0403-8.

21. Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106.

22. Hodkinson, C. (2019). ‘Fear of Missing Out’ (FOMO) marketing appeals: A conceptual model. Journal of Marketing Communications, 25(1), 65–88. https://doi.org/10.1080/13527266.2016.1234504.

23. Inman, J. J., Peter, A. C., & Raghubir, P. (1997). Framing the deal: The role of restrictions in accentuating deal value. Journal of Consumer Research, 24(1), 68–79. https://doi.org/10.1086/209494.

24. Jaolis, F., Wijaya, S., & Pingkan, J. (2026). Mechanisms of urge: How flow experience and time pressure shape consumer behaviour in live shopping. Organizations and Markets in Emerging Economies, 17(1), 170–192. https://doi.org/10.15388/omee.2026.17.8.

25. Jiang, S., & Zhao, L. (2026). When time meets scarcity: Differentiated effects of promotional restrictions on consumer value in live commerce. Journal of Theoretical and Applied Electronic Commerce Research, 21(2), 69. https://doi.org/10.3390/jtaer21020069.

26. Jin, Y., Xie, G.-X., & Zhang, J. (2026). When product scarcity backfires (or doesn’t): Limited quantities affect perceived retailer sincerity in online promotions. Journal of Retailing, 102(2), 297–314. https://doi.org/10.1016/j.jretai.2025.11.001.

27. Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28, 227–261. https://doi.org/10.1111/isj.12131.

28. Lee, Z. W. Y., Liu, W. Z. H., Chan, T. K. H., & Wei, G. G. Z. (2025). Impulse buying in live streaming commerce: A literature review and research agenda. Information & Management, 62(8), 104220. https://doi.org/10.1016/j.im.2025.104220.

29. Li, Y., García-de-Frutos, N., & Ortega-Egea, J. M. (2025). Impulse buying in live streaming e-commerce: A systematic literature review and future research agenda. Computers in Human Behavior Reports, 19, 100676. https://doi.org/10.1016/j.chbr.2025.100676.

30. Lu, Y., & Li, G. (2026). AI vs. human streamers: How digital agents shape consumer persuasion processing in live streaming commerce. Journal of Theoretical and Applied Electronic Commerce Research, 21(6), 195. https://doi.org/10.3390/jtaer21060195.

31. Lynn, M. (1991). Scarcity effects on value: A quantitative review of the commodity theory literature. Psychology & Marketing, 8(1), 43–57. https://doi.org/10.1002/mar.4220080105.

32. Ma, X., Ren, J., Khor, X., Wang, R., Li, T., & Lang, X. (2025). Influencing mechanisms of live streamer’s language strategies on product sales. Journal of Retailing and Consumer Services, 85, 104291. https://doi.org/10.1016/j.jretconser.2025.104291.

33. Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44. https://doi.org/10.1037/1082-989X.12.1.23.

34. Nitzl, C., Roldán, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849–1864. https://doi.org/10.1108/IMDS-07-2015-0302.

35. Parboteeah, D. V., Valacich, J. S., & Wells, J. D. (2009). The influence of website characteristics on a consumer’s urge to buy impulsively. Information Systems Research, 20(1), 60–78. https://doi.org/10.1287/isre.1070.0157.

36. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879.

37. Przybylski, A. K., Murayama, K., DeHaan, C. R., & Gladwell, V. (2013). Motivational, emotional, and behavioral correlates of fear of missing out. Computers in Human Behavior, 29(4), 1841–1848. https://doi.org/10.1016/j.chb.2013.02.014.

38. Rook, D. W. (1987). The buying impulse. Journal of Consumer Research, 14(2), 189–199. https://doi.org/10.1086/209105.

39. Rook, D. W., & Fisher, R. J. (1995). Normative influences on impulsive buying behavior. Journal of Consumer Research, 22(3), 305–313. https://doi.org/10.1086/209452.

40. Sharma, P. N., Liengaard, B. D., Hair, J. F., Sarstedt, M., & Ringle, C. M. (2023). Predictive model assessment and selection in composite-based modeling using PLS-SEM: Extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 1662–1677. https://doi.org/10.1108/EJM-08-2020-0636.

41. Shiv, B., & Fedorikhin, A. (1999). Heart and mind in conflict: The interplay of affect and cognition in consumer decision making. Journal of Consumer Research, 26(3), 278–292. https://doi.org/10.1086/209563.

42. Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189.

43. Sun, B., Zhang, Y., & Zheng, L. (2023). Relationship between time pressure and consumers’ impulsive buying—Role of perceived value and emotions. Heliyon, 9(12), e23185. https://doi.org/10.1016/j.heliyon.2023.e23185.

44. Sun, Y., Shao, X., Li, X., Guo, Y., & Nie, K. (2019). How live streaming influences purchase intentions in social commerce: An IT affordance perspective. Electronic Commerce Research and Applications, 37, 100886. https://doi.org/10.1016/j.elerap.2019.100886.

45. Suri, R., & Monroe, K. B. (2003). The effects of time constraints on consumers’ judgments of prices and products. Journal of Consumer Research, 30(1), 92–104. https://doi.org/10.1086/374696.

46. Wells, J. D., Parboteeah, D. V., & Valacich, J. S. (2011). Online impulse buying: Understanding the interplay between consumer impulsiveness and website quality. Journal of the Association for Information Systems, 12(1), 32–56. https://doi.org/10.17705/1jais.00254.

47. Wongkitrungrueng, A., & Assarut, N. (2020). The role of live streaming in building consumer trust and engagement with social commerce sellers. Journal of Business Research, 117, 543–556. https://doi.org/10.1016/j.jbusres.2018.08.032.

48. Wu, Q., Sang, Y., Wang, D., & Lu, Z. (2023). Malicious selling strategies in livestream e-commerce: A case study of Alibaba’s Taobao and ByteDance’s TikTok. ACM Transactions on Computer-Human Interaction, 30(3), Article 35, 1–29. https://doi.org/10.1145/3577199.

49. Wu, X., & Jiao, W. (2026). To be perfect or to be honest? The impact of two-sided product descriptions on purchase intention in live streaming commerce. Asia Pacific Journal of Marketing and Logistics, 38(8), 2295–2313. https://doi.org/10.1108/APJML-02-2025-0274.

50. Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257.

51. Zhao, Y., & Kim, B. (2026). The persuasive effects of AI and human streamers in live commerce for green products: Dual pathways of perceived authenticity and personal selling motive inference, and the moderating role of product positioning. Journal of Theoretical and Applied Electronic Commerce Research, 21(9), 297. https://doi.org/10.3390/jtaer21090297.

Ngày nhận bài: 20/8/2026; Ngày hoàn thiện biên tập: 15/10/2026; Ngày duyệt đăng: 20/10/2026