Khả năng hỗ trợ của công nghệ thông tin và niềm tin đối với nền tảng thương mại xã hội trong ngành hàng thời trang: Phương pháp SEM Bayesian

ThS, NCS. Nguyễn Thị Thu Hà

Email: [email protected]

PGS, TS. Nguyễn Văn Thích

PGS, TS. Đặng Trương Thanh Nhàn

Trường Đại học Ngân hàng Thành phố Hồ Chí Minh

Tóm tắt

Thương mại xã hội chiếm hơn 60% giao dịch thời trang trực tuyến của Việt Nam, song vẫn chưa rõ các khả năng hỗ trợ của nền tảng tác động đến niềm tin của người tiêu dùng ngang bằng nhau hay khác biệt nhau. Thông qua kết quả khảo sát đối với 568 người dùng thương mại xã hội thời trang tại Việt Nam, nghiên cứu ước lượng ảnh hưởng của Khả năng hiển thị, Hướng dẫn mua sắm và Khả năng kích hoạt chú ý lên Niềm tin đối với nền tảng và Ý định mua hàng của người dùng thương mại xã hội thời trang tại Việt Nam. Kết quả nghiên cứu cho thấy, một hiệu ứng khả năng hỗ trợ khác biệt: Khả năng kích hoạt chú ý và Hướng dẫn mua sắm chiếm ưu thế, còn Khả năng hiển thị yếu hơn rõ rệt. Bên cạnh đó, Niềm tin đối với nền tảng quyết định tới Ý định mua Hai cách tiếp cận khác biệt theo hướng bất đối xứng: ước lượng Bayes co các đường dẫn chủ đạo lại nhưng điều chỉnh đường yếu nhất tăng lên. Phát hiện này thách thức giả định trọng số ngang bằng trong nghiên cứu khả năng hỗ trợ của công nghệ thông tin và cho thấy giá trị bổ trợ của SEM Bayes đối với nghiên cứu hệ thống thông tin.

Từ khóa: Khả năng hỗ trợ của công nghệ thông tin, niềm tin đối với nền tảng, SEM Bayes, thương mại xã hội, ý định mua hàng.

Abstract

Social commerce accounts for over 60% of online fashion transactions in Viet Nam; however, it remains unclear whether platform affordances exert uniform or differential impacts on consumer trust. Based on survey results from 568 fashion social commerce users in Viet Nam, the study estimates the effects of Visibility, Shopping Guidance, and Attention Triggering Affordances on Platform Trust and Purchase Intention. The empirical findings reveal a distinct affordance effect: Attention Triggering and Shopping Guidance Affordances dominate, while Visibility Affordance is significantly weaker. Furthermore, Platform Trust plays a decisive role in driving Purchase Intention. The two analytical approaches yield asymmetrical results: Bayesian estimation shrinks the primary structural paths while adjusting the weakest path upward. This finding challenges the equal-weight assumption in IT affordance literature and demonstrates the complementary value of Bayesian SEM in information systems research.

Keywords: IT affordances, platform trust, Bayesian SEM, social commerce, purchase intention

GIỚI THIỆU

Thương mại xã hội đã trở thành một kênh bán lẻ chiếm ưu thế trong ngành hàng thời trang, nơi các quyết định mua hàng phụ thuộc vào tương tác xã hội và các tính năng của nền tảng (Hajli, 2015; Mou và Benyoucef, 2021). Thị trường thương mại điện tử của Việt Nam đạt 25 tỷ USD vào năm 2024, và thương mại xã hội chiếm hơn 60% giao dịch thời trang trực tuyến (DataReportal, 2024). Tuy nhiên, cách thức thiết kế nền tảng tạo dựng niềm tin đằng sau những giao dịch đó vẫn chưa được nghiên cứu đầy đủ. Vì vậy, nghiên cứu này ước lượng và so sánh ảnh hưởng của Khả năng hiển thị (VI), Hướng dẫn mua sắm (GS) và Khả năng kích hoạt chú ý (TA) lên niềm tin đối với nền tảng và ý định mua hàng của người dùng thương mại xã hội ngành thời trang tại Việt Nam theo cả 2 cách tiếp cận trên cùng một bộ dữ liệu.

CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT NGHIÊN CỨU

Khả năng hỗ trợ của công nghệ thông tin và niềm tin đối với nền tảng

Khái niệm khả năng hỗ trợ bắt nguồn từ tâm lý học sinh thái, trong đó Gibson (2014) định nghĩa khả năng hỗ trợ là những khả năng hành động mà môi trường mang lại cho chủ thể. Nghiên cứu hệ thống thông tin đã vận dụng ý tưởng này để giải thích cách các tính năng công nghệ cho phép người dùng thực hiện những hành động cụ thể (Majchrzak và Markus, 2012). Treem và Leonardi (2012) đưa ra hệ thống phân loại được sử dụng rộng rãi nhất từ đó đến nay, còn Volkoff và Strong (2013) giải thích cách các khả năng hỗ trợ tiềm năng được hiện thực hóa qua các chu trình nhận thức và hành động. Trong thương mại xã hội, khả năng hiển thị (VI) là sự minh bạch và khả năng tiếp cận thông tin sản phẩm và người bán, hướng dẫn mua sắm (GS) là năng lực của nền tảng trong việc dẫn dắt người tiêu dùng thông qua các đề xuất, bộ lọc và nội dung được tuyển chọn (Dong và Wang, 2018) và khả năng kích hoạt chú ý (TA) bao gồm các tính năng thu hút sự chú ý như thông báo, sản phẩm thịnh hành và các đợt giảm giá nhanh (flash sale) (Tuncer, 2021). Tuncer (2021) khẳng định rằng các khía cạnh này định hình ý định tham gia thương mại xã hội thông qua trạng thái dòng chảy và niềm tin.

Niềm tin trong thương mại xã hội mang tính đa chiều, bao trùm người bán, cộng đồng và chính nền tảng (Gefen và cộng sự, 2003; Hajli, 2015). Niềm tin đối với nền tảng là mức độ tin tưởng của người tiêu dùng vào độ tin cậy, tính an toàn và thiện chí của nền tảng, đây là yếu tố then chốt thúc đẩy ý định mua hàng (Lu và cộng sự, 2016; Pavlou và Gefen, 2004). Hai nghiên cứu phân tích tổng hợp cùng cho kết quả tương đồng: Wang và cộng sự (2022) qua 19 nghiên cứu và Mou và Benyoucef (2021) trong 45 nghiên cứu đều nhận thấy niềm tin là yếu tố dự báo mạnh nhất về ý định mua, với hệ số tương quan tổng hợp từ 0.41 đến 0.55 và mức không đồng nhất đáng kể, qua đó cho thấy nhu cầu kiểm định lặp lại ở các thị trường mới nổi. Lý thuyết Chuyển giao Niềm tin (Stewart, 2003) còn dự đoán rằng niềm tin được xây dựng trong cộng đồng (TRC) sẽ chuyển sang nền tảng.

Khung S-O-R và các giả thuyết

Khung Kích thích – Chủ thể – Phản hồi (S-O-R) (Mehrabian và Russell, 1974) cung cấp lăng kính tổng thể cho nghiên cứu: các kích thích môi trường định hình các trạng thái nội tại, thúc đẩy các phản ứng hành vi. Eroglu và cộng sự (2001) đã áp dụng nó vào bán lẻ trực tuyến, và Chen và Shen (2015) cho thương mại xã hội, trong đó niềm tin là biến chủ thể thường được ghi nhận nhất với vai trò trung gian cho liên kết kích thích – phản hồi. Do đó, nhóm tác giả xem 3 khả năng hỗ trợ này là các kích thích, niềm tin đối với nền tảng là trạng thái chủ thể và ý định mua là phản hồi. Cụ thể như sau:

H1: Khả năng hiển thị có ảnh hưởng cùng chiều đến Niềm tin đối với nền tảng.

H2: Hướng dẫn mua sắm ảnh hưởng cùng chiều đến Niềm tin đối với nền tảng.

H3: Khả năng kích hoạt chú ý ảnh hưởng cùng chiều đến Niềm tin đối với nền tảng.

H4: Niềm tin cộng đồng ảnh hưởng cùng chiều đến Niềm tin đối với nền tảng (thông qua chuyển giao niềm tin).

H5: Niềm tin đối với nền tảng có ảnh hưởng cùng chiều đến Ý định mua hàng.

Mô hình nghiên cứu đề xuất

Từ cơ sở lý thuyết và các giả thuyết nghiên cứu nói trên, nhóm tác giả đề xuất mô hình nghiên cứu như Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng thiết kế định lượng, cắt ngang và phân tích cùng một bộ dữ liệu theo hai cách tiếp cận nhằm so sánh trực tiếp định hướng dự báo của PLS-SEM với suy luận hậu nghiệm đầy đủ của BSEM. Dữ liệu được thu thập từ tháng 9-10/2025 từ 568 người tiêu dùng Việt Nam có kinh nghiệm mua sắm trực tuyến trên Facebook, Instagram hoặc TikTok Shop. Bảng hỏi trực tuyến sử dụng thang đo Likert 7 điểm và được thu thập bằng phương pháp lấy mẫu thuận tiện. Cỡ mẫu n = 568 vượt mức tối thiểu 200 được khuyến nghị cho SEM. Trước khảo sát chính thức, thang đo được 8 chuyên gia góp ý để điều chỉnh câu từ cho phù hợp bối cảnh thương mại xã hội tại Việt Nam, sau đó được kiểm định sơ bộ trên hơn 150 sinh viên với hệ số Cronbach’s Alpha đều trên 0.70. Sáu khái niệm nghiên cứu được đo bằng 23 biến quan sát, điều chỉnh từ các thang đo tiếng Anh đã được kiểm định và chuyển ngữ sang tiếng Việt (Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Mô hình đo lường

Phân tích nhân tố khẳng định (CFA) với ước lượng hợp lý cực đại vững cho độ phù hợp tốt: χ²(215) = 257.299, p = 0.026, CFI = 0.995, TLI = 0.994, RMSEA = 0.019, SRMR = 0.026, đạt mọi ngưỡng khuyến nghị của Kline (2015). Độ tin cậy tổng hợp dao động từ 0.865 đến 0.916 và phương sai trích trung bình (AVE) từ 0.609 đến 0.731, nên mọi khái niệm đều vượt ngưỡng 0.70 về độ tin cậy tổng hợp và 0.50 về AVE. Giá trị phân biệt được bảo đảm xuyên suốt, với tỷ số heterotrait–monotrait (HTMT) lớn nhất là 0.600 đối với TRP–PI, thấp hơn nhiều so với giới hạn bảo thủ 0.85 (Henseler và cộng sự, 2015). Giá trị trung bình của sáu biến tổng hợp nằm trong khoảng 4.680–5.415 trên thang 7 điểm, với độ xiên đều dưới |0.590| và độ nhọn đều dưới |0.634|. Đáng chú ý, ba khái niệm khả năng hỗ trợ chỉ tương quan yếu với nhau (r = 0.101–0.201), trong khi TRP tương quan mạnh nhất với GS (r = 0.530), TA (r = 0.496) và PI (r = 0.526).

Ước lượng mô hình cấu trúc theo cả hai cách tiếp cận

Cả 5 giả thuyết đều được ủng hộ ở mức p < 0.001 (Bảng 1). Mô hình giải thích được R² = 0.680 phương sai của Niềm tin đối với nền tảng và R² = 0.362 của Ý định mua. PLSpredict với xác thực chéo 10 lần cho chỉ số overfitting bằng 0.025 với TRP và 0.008 với PI, cho thấy năng lực dự báo ngoài mẫu từ trung bình đến cao (Shmueli và cộng sự, 2019). Khả năng kích hoạt chú ý (TA) (β = 0.490, f² = 0.731) và Hướng dẫn mua sắm (GS) (β = 0.483, f² = 0.681) chiếm ưu thế. Khả năng hiển thị (VI) yếu hơn (β = 0.205, f² = 0.122), Niềm tin cộng đồng (TRC) đóng góp khiêm tốn (β = 0.181, f² = 0.102), và Niềm tin đối với nền tảng (TRP) tác động mạnh nhất đến Ý định mua (β = 0.601, f² = 0.567).

Bảng 1: Kết quả mô hình cấu trúc PLS-SEM kèm quy mô ảnh hưởng (n = 568; 5,000 mẫu bootstrap)

Giả thuyết	Đường dẫn	β	t	p	CI 95%	f²	Kết luận
H1	VI → TRP	0.205	5.592	<0.001	[0.129, 0.274]	0.122	Ủng hộ (nhỏ–vừa)
H2	GS → TRP	0.483	13.865	<0.001	[0.412, 0.550]	0.681	Ủng hộ (lớn)
H3	TA → TRP	0.490	15.043	<0.001	[0.426, 0.554]	0.731	Ủng hộ (lớn)
H4	TRC → TRP	0.181	5.078	<0.001	[0.110, 0.250]	0.102	Ủng hộ (nhỏ–vừa)
H5	TRP → PI	0.601	16.715	<0.001	[0.531, 0.672]	0.567	Ủng hộ (lớn)
Ngưỡng f² của Cohen: 0.02 nhỏ, 0.15 trung bình, 0.35 lớn (Cohen, 1988).

Nguồn: Phân tích từ dữ liệu nghiên cứu

Trong BSEM, mọi khoảng HDI 95% đều không chứa giá trị 0. Thứ tự các khả năng hỗ trợ không thay đổi, với TA ở trung bình hậu nghiệm là 0.439, GS ở 0.370 và VI ở 0.176, nhưng hai cách tiếp cận lại khác biệt theo cách không đồng nhất (Bảng 2). Ba đường dẫn chủ đạo bị co lại trong BSEM (GS: 0.483 còn 0.370, TA: 0.490 còn 0.439, TRP → PI: 0.601 còn 0.487) và VI co lại với mức tuyệt đối tương tự (Δ = -0.029), tuy nhiên đường yếu nhất, TRC → TRP, lại dịch chuyển theo hướng ngược lại (0.181 lên 0.216, Δ = +0.035). Do đó, chúng tôi gọi hiện tượng khác biệt này là co chuẩn hóa bất đối xứng: co lại ở các đường dẫn chủ đạo cùng với một sự điều chỉnh nhỏ hướng lên trên các đường yếu nhất, thay vì co đều trên toàn bộ mô hình. Hệ quả là thứ hạng của hai đường dẫn yếu bị hoán đổi giữa hai cách tiếp cận: PLS-SEM đặt VI trên TRC (0.205 so với 0.181) trong khi BSEM đảo ngược chúng (0.216 so với 0.176).

Bảng 2: So sánh hệ số đường dẫn giữa PLS-SEM và BSEM

Giả thuyết	Đường dẫn	PLS β	PLS 95% CI	Trung bình BSEM	BSEM 95% HDI
H1	VI → TRP	0.205	[0.129, 0.274]	0.176	[0.120, 0.233]
H2	GS → TRP	0.483	[0.412, 0.550]	0.370	[0.313, 0.429]
H3	TA → TRP	0.490	[0.426, 0.554]	0.439	[0.370, 0.511]
H4	TRC → TRP	0.181	[0.110, 0.250]	0.216	[0.155, 0.280]
H5	TRP → PI	0.601	[0.531, 0.672]	0.487	[0.414, 0.566]

Nguồn: Phân tích từ dữ liệu nghiên cứu

Hình 2: Biểu đồ rừng so sánh hệ số đường dẫn theo PLS-SEM (khoảng tin cậy tần suất) và BSEM (khoảng mật độ hậu nghiệm cao nhất)

Nguồn: Phân tích từ dữ liệu nghiên cứu

Hình 2 trực quan hóa hiện tượng co chuẩn hóa bất đối xứng đã được phân tích ở trên thông qua biểu đồ rừng. Có thể thấy được sự nổi bật xu hướng dịch chuyển trái chiều của các điểm ước lượng dọc theo trục hoành: nhóm các đường dẫn chủ đạo bị kéo lệch về phía trái thể hiện sự co giảm, trong khi đường dẫn yếu nhất (TRC → TRP) lại dịch nhẹ sang phải. Bên cạnh đó, độ bao phủ của các thanh sai số (khoảng tin cậy CI so với khoảng hậu nghiệm HDI) cũng cho thấy mức độ biến động cũng như sự giao thoa của các vùng giá trị khả dĩ khi đối chiếu mô hình phân tích theo trường phái tần suất và trường phái Bayes.

Độ nhạy tiên nghiệm

Các ước lượng ổn định qua các tiên nghiệm mơ hồ, có thông tin và hoài nghi, với chênh lệch trung bình hậu nghiệm lớn nhất là Δ ≤ 0.021, đạt đồng thời bởi VI → TRP (|0.196 - 0.175|) và TRC → TRP (|0.237 - 0.216|). Các đường dẫn chủ đạo TA và GS gần như không thay đổi (Bảng 3). Với n = 568, dữ liệu chi phối tiên nghiệm. Kịch bản Khuếch tán (S4) là ngoại lệ: kịch bản này tạo ra 3,635 bước chuyển phân kỳ trên 20,000 mẫu hậu nghiệm và ước lượng TRC → TRP không đáng tin cậy, bằng -6.144. Chúng tôi xem S4 là dấu hiệu chẩn đoán sự không tương thích giữa tiên nghiệm và dữ liệu, chứ không phải một phần của kết luận độ nhạy. Kết luận này dựa trên S1–S3, phù hợp với cảnh báo rằng các tiên nghiệm mặc định và quá mơ hồ có thể gây sai lệch trong các mô hình phức tạp (Smid và Winter, 2020).

Bảng 3: Phân tích độ nhạy tiên nghiệm

Mối quan hệ	Mơ hồ (S1)	Thông tin (S2)	Hoài nghi (S3)	Khuếch tán (S4)
VI → TRP	0.176	0.196	0.175	0.176
GS → TRP	0.370	0.373	0.369	0.369
TA → TRP	0.439	0.436	0.438	0.440
TRC → TRP	0.216	0.237	0.216	-6.144
TRP → PI	0.487	0.491	0.481	0.483

Ghi chú: trung bình hậu nghiệm theo 4 đặc tả tiên nghiệm. Kịch bản S4 không đạt tiêu chuẩn hội tụ với 3,635 bước chuyển phân kỳ, nên toàn bộ cột S4 chỉ được trình bày để tham chiếu

Nguồn: Phân tích từ dữ liệu nghiên cứu

Thảo luận

Hiệu ứng khả năng hỗ trợ khác biệt

Việc chiếm ưu thế của khả năng kích hoạt chú ý và hướng dẫn mua sắm so với khả năng hiển thị đều nhất quán trong cả hai cách tiếp cận, và đó là lý do phát hiện này đáng được xem xét nghiêm túc. Nó mở rộng Lý thuyết khả năng hỗ trợ của công nghệ thông tin theo hai cách. Các yếu tố khả năng hỗ trợ công nghệ thông tin không được cân bằng trong việc tác động đến niềm tin: các đặc điểm dẫn dắt quyết định hoặc thu hút sự chú ý vượt trội hơn sự minh bạch thông tin đơn thuần, phù hợp với lập luận của Volkoff và Strong (2013) rằng các khả năng hỗ trợ khác nhau về mức độ tức thời của hành động. Và việc gần bằng giá trị giữa TA và GS (Δβ = 0.007 theo PLS-SEM) cho thấy đây là một cơ chế bổ sung cho nhau chứ không phải hai yếu tố thay thế. Niềm tin đối với nền tảng lại chiếm ưu thế trong mô hình (β = 0.601, trung bình hậu nghiệm = 0.487), khẳng định niềm tin là cơ chế qua đó các khả năng hỗ trợ chuyển thành hành vi (Pavlou và Gefen, 2004).

Ba cách lý giải thay thế cần được cân nhắc trước khi khái quát hóa kết quả này. Thứ nhất là sai số đo lường: các biến quan sát của Khả năng hiển thị nhấn mạnh thông tin sản phẩm mang tính tĩnh, trong khi các biến của TA và GS phản ánh các đặc điểm động, giàu tương tác, và các tương quan giữa các khả năng hỗ trợ rất thấp (r = 0.101–0.201) có thể phản ánh các khía cạnh thực sự khác biệt, hoặc các biến quan sát được diễn đạt quá hẹp nên không chia sẻ đủ phương sai chung. Mức tối đa HTMT là 0.600 và tất cả các giá trị AVE trên 0.60 nghiêng về cách lý giải thứ nhất, song cần kiểm định một cách đo lường bao quát nhiều tính năng hơn. Thứ hai là hiệu ứng bão hòa: trong môi trường thương mại xã hội thời trang bão hòa của Việt Nam, mức độ hiển thị cơ bản đã rất dồi dào, nên đóng góp biên của nó vào niềm tin là nhỏ, trong khi sự chú ý và hỗ trợ ra quyết định lại là nguồn lực khan hiếm nhất. Thứ ba là văn hóa: chủ nghĩa tập thể cao và sự phụ thuộc nhiều vào bằng chứng xã hội có thể ưu tiên các đặc điểm huy động các tín hiệu xã hội. Do đó, dạng thức này khó giữ nguyên ở các nhóm hàng có mức độ cân nhắc cao như hàng xa xỉ hoặc điện tử, nơi nhu cầu kiểm chứng thông tin làm Khả năng hiển thị trở nên quan trọng trở lại, hay ở các nền văn hóa ít phụ thuộc bối cảnh với cơ chế niềm tin thể chế mạnh mẽ hơn.

Hướng tiếp cận Bayes mang lại điều gì?

Hai cách tiếp cận hội tụ về thứ tự xếp hạng của các đường dẫn chủ đạo, điều này củng cố độ tin cậy của kết quả. BSEM sau đó bổ sung ba điều mà PLS-SEM không thể làm được. Thứ nhất, khoảng HDI 95% cho phép diễn giải xác suất trực tiếp: khoảng [0.370, 0.511] cho TA → TRP cho biết rằng, với dữ liệu và tiên nghiệm đã cho, tham số nằm trong khoảng đó với xác suất 95%, khác với cách diễn giải theo tần suất lặp lại của khoảng tin cậy (Gelman và cộng sự, 2014; Kruschke, 2014). Thứ hai, hiện tượng co chuẩn hóa bất đối xứng nêu trên không thể phát hiện nếu chỉ dùng một cách tiếp cận, và nó mang một cảnh báo quan trọng: PLS-SEM có thể đánh giá thấp các biến dự báo có tín hiệu yếu như chuyển giao niềm tin cộng đồng, dù khác biệt này không chỉ đến từ tiên nghiệm mà còn có thể phản ánh việc BSEM hiệu chỉnh sai số đo lường qua mô hình nhân tố chung, trong khi PLS-SEM ước lượng bằng biến tổng hợp và không hiệu chỉnh. Thứ ba, phân tích độ nhạy tiên nghiệm biến tính bền vững của kết quả thành một đại lượng đo được (Δ ≤ 0.021) thay vì giả định. Đối với nghiên cứu hệ thống thông tin, lợi ích thực tiễn là chuyển từ các kết luận ý nghĩa nhị phân sang các phát biểu bằng chứng theo mức độ (Zyphur và Oswald, 2015).

Đối với các nhà thiết kế nền tảng, nguồn lực phát triển nên ưu tiên các cơ chế kích hoạt chú ý (đợt giảm giá nhanh, sản phẩm thịnh hành, thông báo bằng chứng xã hội) và hướng dẫn mua sắm (đề xuất, bộ lọc, nội dung được tuyển chọn) hơn là tăng cường khả năng hiển thị và xây dựng niềm tin đối với nền tảng nên vẫn là ưu tiên chiến lược vì nó có ảnh hưởng mạnh nhất đến ý định mua hàng.

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

Với kết quả được phân tích theo 2 cách tiếp cận, một hiệu ứng khả năng hỗ trợ khác biệt được xác định: Khả năng kích hoạt chú ý (βPLS = 0.490, trung bình hậu nghiệm = 0.439) và Hướng dẫn mua sắm (βPLS = 0.483, trung bình hậu nghiệm = 0.370) chiếm ưu thế về niềm tin đối với nền tảng, trong khi Khả năng hiển thị đóng vai trò yếu hơn (βPLS = 0.205, trung bình hậu nghiệm = 0.176), thách thức giả định rằng các khía cạnh khả năng hỗ trợ đóng góp đều nhau. Niềm tin đối với nền tảng là yếu tố dự báo mạnh nhất về ý định mua (βPLS = 0.601, trung bình hậu nghiệm = 0.487). Thiết kế song song hai cách tiếp cận cho thấy sự hội tụ về thứ tự các đường dẫn chủ đạo, đồng thời bổ sung cho nhau: BSEM mang lại cơ chế co bất đối xứng, mức lượng hóa bất định phong phú hơn và bằng chứng về độ bền tiên nghiệm (Δ ≤ 0.021 trên S1–S3), trong khi kịch bản Khuếch tán không được tính vào bằng chứng này vì tiên nghiệm quá rộng gây phân kỳ chuỗi lấy mẫu và cho hệ số TRC → TRP = −6.144, nằm ngoài miền khả dĩ của hệ số chuẩn hóa, nên chỉ mang ý nghĩa chẩn đoán chứ không bổ sung gì cho kết luận đó.

Một số hạn chế cần được lưu ý khi diễn giải các kết luận trên. Thiết kế cắt ngang không thể xác lập trình tự thời gian, do đó các đường dẫn có hướng chỉ mang tính hàm ý theo mô hình chứ không phải quan hệ nhân quả. Mẫu chỉ giới hạn ở Việt Nam, trong khi hệ sinh thái nền tảng có sự khác biệt giữa các nước Đông Nam Á và các nền kinh tế phát triển. Việc đo lường bằng tự báo cáo có thể dẫn tới sai lệch do phương pháp chung: các biện pháp khắc phục về quy trình và kiểm định HTMT đã được áp dụng, nhưng kiểm định biến đánh dấu không khả thi với bảng hỏi hiện tại và nên được đưa vào các nghiên cứu lặp lại (Podsakoff và cộng sự, 2003). Người tham gia đến từ 3 nền tảng được gộp chung mà không kiểm soát yếu tố nền tảng, nên các ước lượng là giá trị bình quân giữa các nền tảng. Nghiên cứu tiếp theo nên xem nền tảng như một biến điều tiết trong phân tích đa nhóm. Các phân kỳ ở S4 phản ánh dạng hậu nghiệm hình phễu khi dùng tiên nghiệm quá mơ hồ, tức vùng hậu nghiệm bị thu hẹp đột ngột ở một đầu khiến bộ lấy mẫu không quét hết được và cần được tái tham số hóa trong nghiên cứu phương pháp chuyên biệt. Nghiên cứu theo thiết kế dọc, kiểm định lặp lại xuyên văn hóa và cách tiếp cận đa phương pháp là những hướng tiếp nối tự nhiên.

Tài liệu tham khảo:

1. Chen, J., & Shen, X.-L. (2015). Consumers’ decisions in social commerce context: An empirical investigation. Decision Support Systems, 79, 55–64. https://doi.org/10.1016/j.dss.2015.07.012

2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

3. DataReportal (2024). Digital 2024: Vietnam (Global Digital Reports). https://datareportal.com/reports/digital-2024-vietnam

4. Davis, J. L. (2020). How Artifacts Afford: The Power and Politics of Everyday Things. The MIT Press. https://doi.org/10.7551/mitpress/11967.001.0001

5. Dong, X., & Wang, T. (2018). Social tie formation in Chinese online social commerce: The role of IT affordances. International Journal of Information Management, 42, 49–64. https://doi.org/10.1016/j.ijinfomgt.2018.06.002

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

7. Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in Online Shopping: An Integrated Model1. MIS Quarterly, 27(1), 51–90. https://doi.org/10.2307/30036519

8. Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2014). Bayesian Data Analysis. Chapman & Hall.

9. Gibson, J. J. (2014). The Ecological Approach To Visual Perception: Classic Edition (1st Edition). Psychology Press. https://doi.org/10.4324/9780203767764

10. 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

11. Hajli, N. (2015). Social commerce constructs and consumer’s intention to buy. International Journal of Information Management, 35(2), 183–191. https://doi.org/10.1016/j.ijinfomgt.2014.12.005

12. 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(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

13. Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling, Fourth Edition. Guilford Publications.

14. Kruschke, J. K. (2014). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan, second edition (p. 759). https://doi.org/10.1016/B978-0-12-405888-0.09999-2

15. Lu, B., Fan, W., & Zhou, M. (2016). Social presence, trust, and social commerce purchase intention: An empirical research. Computers in Human Behavior, 56, 225–237. https://doi.org/10.1016/j.chb.2015.11.057

16. Majchrzak, A., & Markus, M. (2012). Technology Affordances and Constraints in Management Information Systems (MIS). https://www.semanticscholar.org/paper/Technology-Affordances-and-Constraints-in-Systems-Majchrzak-Markus/b8164428c734494d41852088010900ecce9e7275.

17. Mehrabian, A., & Russell, J. A. (1974). An Approach to Environmental Psychology. MIT Press.

18. Merkle, E. C., & Rosseel, Y. (2018). blavaan: Bayesian Structural Equation Models via Parameter Expansion. Journal of Statistical Software, 85, 1–30. https://doi.org/10.18637/jss.v085.i04

19. Mou, J., & Benyoucef, M. (2021). Consumer behavior in social commerce: Results from a meta-analysis. Technological Forecasting and Social Change, 167, 120734. https://doi.org/10.1016/j.techfore.2021.120734

20. Muthén, B., & Asparouhov, T. (2012). Bayesian structural equation modeling: A more flexible representation of substantive theory. Psychological Methods, 17(3), 313–335. https://doi.org/10.1037/a0026802

21. Pavlou, P. A., & Gefen, D. (2004). Building Effective Online Marketplaces with Institution-Based Trust. Information Systems Research, 15(1), 37–59.

22. 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

23. Rosseel, Y. (2012). lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, 48(2). https://doi.org/10.18637/jss.v048.i02

24. 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

25. Smid, S. C., & Winter, S. D. (2020). Dangers of the Defaults: A Tutorial on the Impact of Default Priors When Using Bayesian SEM With Small Samples. Frontiers in Psychology, 11, 611963. https://doi.org/10.3389/fpsyg.2020.611963

26. Stewart, K. J. (2003). Trust Transfer on the World Wide Web. Organization Science, 14(1), 5–17.

27. Treem, J., & Leonardi, P. (2012). Social Media Use in Organizations: Exploring the Affordances of Visibility, Editability, Persistence, and Association. SSRN Journal, 36. https://doi.org/10.2139/ssrn.2129853

28. Tuncer, I. (2021). The relationship between IT affordance, flow experience, trust, and social commerce intention: An exploration using the S-O-R paradigm. Technology in Society, 65, 101567. https://doi.org/10.1016/j.techsoc.2021.101567

29. Van Erp, S., Mulder, J., & Oberski, D. L. (2018). Prior sensitivity analysis in default Bayesian structural equation modeling. Psychological Methods, 23(2), 363–388. https://doi.org/10.1037/met0000162

30. Volkoff, O., & Strong, D. M. (2013). Critical Realism and Affordances: Theorizing It-Associated Organizational Change Processes. MIS Quarterly, 37(3), 819–834.

31. Wang, J., Shahzad, F., Ahmad, Z., Abdullah, M., & Hassan, N. M. (2022). Trust and Consumers’ Purchase Intention in a Social Commerce Platform: A Meta-Analytic Approach. Sage Open, 12(2), 21582440221091262. https://doi.org/10.1177/21582440221091262

32. Zyphur, M. J., & Oswald, F. L. (2015). Bayesian Estimation and Inference: A User’s Guide. Journal of Management, 41(2), 390–420. https://doi.org/10.1177/0149206313501200

Ngày nhận bài: 18/8/2026; Ngày hoàn thiện biên tập: 8/9/2026; Ngày duyệt đăng: 18/9/2026