Original Title: Determinants of Purchasing Intention of Agricultural Products via E-commerce Platforms in Jakarta, Indonesia
Source: doi.org/10.36956/rwae.v5i2.1037
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កត្តាកំណត់នៃចេតនាទិញផលិតផលកសិកម្មតាមរយៈប្រព័ន្ធពាណិជ្ជកម្មអេឡិចត្រូនិកនៅទីក្រុងហ្សាកាតា ប្រទេសឥណ្ឌូនេស៊ី

ចំណងជើងដើម៖ Determinants of Purchasing Intention of Agricultural Products via E-commerce Platforms in Jakarta, Indonesia

អ្នកនិពន្ធ៖ Rahman Rifqy Aulia (Universiti Teknologi MARA), Abdul Rahman Saili (Universiti Teknologi MARA), Fazleen Abdul Fatah (Universiti Teknologi MARA), Wan Noranida Wan Mohd Noor (Universiti Teknologi MARA), Nur Badriyah Kamarulzaman (Universiti Teknologi MARA), Ahmad Fadlur Rahman Bayuny (Universitas Airlangga), Dwi Budi Santoso (Brawijaya University), Farah Wulandari Pangestuty (Brawijaya University), Ferry Prasetyia (Brawijaya University), Abdul Ghofar (Brawijaya University)

ឆ្នាំបោះពុម្ព៖ 2024 (Research on World Agricultural Economy)

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការយល់ដឹងអំពីអាកប្បកិរិយារបស់អ្នកប្រើប្រាស់ និងកត្តាដែលជះឥទ្ធិពលដល់ចេតនាក្នុងការទិញផលិតផលកសិកម្មស្រស់តាមរយៈប្រព័ន្ធពាណិជ្ជកម្មអេឡិចត្រូនិកនៅទីក្រុងហ្សាកាតា ប្រទេសឥណ្ឌូនេស៊ី ក្នុងបរិបទក្រោយជំងឺរាតត្បាតកូវីដ-១៩។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្របរិមាណដោយប្រមូលទិន្នន័យតាមរយៈការស្ទង់មតិអនឡាញ និងវិភាគទំនាក់ទំនងរចនាសម្ព័ន្ធរវាងអថេរផ្សេងៗដោយផ្អែកលើទ្រឹស្តីនៃអាកប្បកិរិយាដែលបានគ្រោងទុក។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Structural Equation Modeling (SEM-PLS)
ការវិភាគគំរូសមីការរចនាសម្ព័ន្ធដោយប្រើ Partial Least Squares
អាចវិភាគទំនាក់ទំនងស្មុគស្មាញរវាងអថេរច្រើនក្នុងពេលតែមួយ និងមិនតម្រូវឱ្យទិន្នន័យមានការចែកចាយបែបធម្មតា (Normal Distribution) នោះទេ។ វាស័ក្តិសមសម្រាប់ការសិក្សាដែលមានទំហំគំរូតូចទៅមធ្យម។ ពឹងផ្អែកខ្លាំងលើទិន្នន័យស្ទង់មតិដែលរាយការណ៍ដោយខ្លួនឯង (Self-reported) ដែលអាចមានភាពលម្អៀង និងសន្មតថាទំនាក់ទំនងរវាងអថេរគឺជាបន្ទាត់ត្រង់។ បានបញ្ជាក់ពីសុពលភាពនៃគំរូ (GoF = 0.685) និងបង្ហាញថាភាពងាយស្រួលនិងការសន្សំពេលវេលាមានឥទ្ធិពលខ្លាំងបំផុតទៅលើចេតនាទិញ (p-value < 0.01)។
Descriptive Analysis
ការវិភាគស្ថិតិបែបពណ៌នា
ផ្តល់នូវរូបភាពច្បាស់លាស់និងងាយយល់អំពីលក្ខណៈប្រជាសាស្ត្ររបស់អ្នកចូលរួម និងចំណង់ចំណូលចិត្តទូទៅ (ឧ. វេទិកាដែលពេញនិយម)។ វាមានភាពងាយស្រួលក្នុងការអនុវត្ត និងបកស្រាយ។ មិនអាចស្វែងរកទំនាក់ទំនងភាពជាហេតុនិងផល (Causal relationships) ឬទស្សន៍ទាយពីអាកប្បកិរិយានាពេលអនាគតបានទេ។ បានរកឃើញថាអ្នកឆ្លើយសំណួរភាគច្រើនជាស្ត្រី (៦០%) ហើយវេទិកាអនឡាញដែលពេញនិយមបំផុតគឺ Shopee (១១៤ នាក់), SayurBox (៩៧ នាក់) និង Tokopedia (៨៨ នាក់)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនតម្រូវឱ្យមានធនធានកុំព្យូទ័រខ្នាតធំនោះទេ ប៉ុន្តែទាមទារនូវកម្មវិធីស្ថិតិ និងទិន្នន័យពីការស្ទង់មតិជាក់ស្តែង។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅទីក្រុងហ្សាកាតា ប្រទេសឥណ្ឌូនេស៊ី ដោយផ្តោតលើអ្នកទិញទំនិញអនឡាញចំនួន ២០០ នាក់ តាមរយៈវិធីសាស្ត្រជ្រើសរើសគំរូដោយតៗគ្នា (Snowball Sampling) ក្នុងអំឡុងពេលជំងឺរាតត្បាតកូវីដ-១៩។ ទិន្នន័យភាគច្រើនបានមកពីស្ត្រី (៦០%) អ្នកដែលមានការអប់រំកម្រិតបរិញ្ញាបត្រ (៧៣%) និងមានប្រាក់ចំណូលមធ្យមទៅខ្ពស់។ នេះមានសារៈសំខាន់សម្រាប់កម្ពុជា ព្រោះអាកប្បកិរិយារបស់អ្នកប្រើប្រាស់នៅទីក្រុងភ្នំពេញអាចមានលក្ខណៈស្រដៀងគ្នា ប៉ុន្តែត្រូវប្រុងប្រយ័ត្នចំពោះការអនុវត្តនៅតំបន់ជនបទដែលមានកម្រិតអក្ខរកម្មឌីជីថលនិងប្រព័ន្ធដឹកជញ្ជូនខុសគ្នា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រ និងរបកគំហើញនៃការសិក្សានេះ មានភាពពាក់ព័ន្ធ និងអាចយកមកអនុវត្តដើម្បីអភិវឌ្ឍវិស័យពាណិជ្ជកម្មអេឡិចត្រូនិកផ្នែកកសិកម្មនៅប្រទេសកម្ពុជា។

ការយល់ដឹងយ៉ាងច្បាស់ពីកត្តាសន្សំពេលវេលា ភាពងាយស្រួល និងឥទ្ធិពលពីសង្គម នឹងជួយឱ្យអាជីវកម្មកសិកម្មនៅកម្ពុជាអាចរៀបចំយុទ្ធសាស្ត្រទីផ្សារអនឡាញបានកាន់តែមានប្រសិទ្ធភាព និងឆ្លើយតបត្រូវនឹងតម្រូវការអតិថិជន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីទ្រឹស្តីនិងរចនាកម្រងសំណួរ: ស្វែងយល់ពីទ្រឹស្តី Theory of Planned Behavior (TPB) រួចរចនាកម្រងសំណួរស្ទង់មតិដែលស្របនឹងបរិបទកម្ពុជា ដោយប្រើប្រាស់ Google FormsKoboToolbox
  2. ប្រមូលទិន្នន័យពីអ្នកប្រើប្រាស់គោលដៅ: ចែកចាយកម្រងសំណួរទៅកាន់ក្រុមគោលដៅនៅទីក្រុងភ្នំពេញ ឬសៀមរាប តាមរយៈបណ្តាញសង្គមដូចជា Facebook និង Telegram ដោយប្រើវិធីសាស្ត្រ Snowball Sampling។
  3. វិភាគទិន្នន័យដោយប្រើកម្មវិធីគំរូរចនាសម្ព័ន្ធ: ប្រើប្រាស់កម្មវិធី SmartPLSWarpPLS ដើម្បីអនុវត្តការវិភាគ SEM-PLS ក្នុងការស្វែងរកកត្តាដែលជះឥទ្ធិពលខ្លាំងបំផុតដល់ចេតនាទិញរបស់អតិថិជន។
  4. អភិវឌ្ឍយុទ្ធសាស្ត្រទីផ្សារឌីជីថល: ផ្អែកលើលទ្ធផលវិភាគ សូមរៀបចំយុទ្ធនាការផ្សព្វផ្សាយ (Ad Campaigns) លើ Facebook និង TikTok ដោយសង្កត់ធ្ងន់លើ 'ការសន្សំពេលវេលា' និង 'ភាពស្រស់នៃផលិតផល' សម្រាប់អាជីវកម្មឬគម្រោងកសិកម្ម។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Structural Equation Modeling (SEM) (ការវិភាគគំរូសមីការរចនាសម្ព័ន្ធ) វិធីសាស្ត្រស្ថិតិដែលរួមបញ្ចូលការវិភាគកត្តា (Factor Analysis) និងតម្រែតម្រង់ពហុគុណ (Multiple Regression) ដើម្បីស្វែងយល់ពីទំនាក់ទំនងស្មុគស្មាញរវាងអថេរដែលយើងអាចវាស់វែងបាន និងអថេរដែលយើងមិនអាចវាស់វែងបានដោយផ្ទាល់។ ដូចជាការប្រើប្រាស់តម្រុយតូចៗជាច្រើន (ឧទាហរណ៍ ចម្លើយពីកម្រងសំណួរ) ដើម្បីទាយដឹងពីអ្វីមួយដែលយើងមើលមិនឃើញផ្ទាល់ (ដូចជា ការពេញចិត្ត ឬចេតនាទិញ)។
Theory of Planned Behavior (TPB) (ទ្រឹស្តីនៃអាកប្បកិរិយាដែលបានគ្រោងទុក) ទ្រឹស្តីចិត្តសាស្ត្រដែលពន្យល់ថា អាកប្បកិរិយារបស់មនុស្សម្នាក់ៗត្រូវបានកំណត់ដោយចេតនារបស់ពួកគេ ហើយចេតនានោះត្រូវបានជះឥទ្ធិពលដោយកត្តាបីគឺ៖ អាកប្បកិរិយាផ្ទាល់ខ្លួន បទដ្ឋានសង្គម និងការយល់ឃើញពីសមត្ថភាពក្នុងការគ្រប់គ្រងសកម្មភាពនោះ។ ដូចជារូបមន្តទស្សន៍ទាយថាអ្នកនឹងធ្វើអ្វីមួយឬអត់ ដោយផ្អែកលើចំណូលចិត្តរបស់អ្នក អ្វីដែលអ្នកដទៃគិត និងភាពងាយស្រួលដែលអ្នកអាចធ្វើវាបាន។
Subjective Norms (បទដ្ឋានសង្គម ឬឥទ្ធិពលពីអ្នកជុំវិញខ្លួន) ការយល់ឃើញរបស់បុគ្គលម្នាក់ៗអំពីសម្ពាធសង្គម ឬឥទ្ធិពលពីមនុស្សជុំវិញខ្លួន (ដូចជា គ្រួសារ មិត្តភក្តិ ឬសង្គម) ក្នុងការសម្រេចចិត្តថាតើគួរធ្វើ ឬមិនគួរធ្វើសកម្មភាពណាមួយ។ ដូចជាការសម្រេចចិត្តទិញទូរស័ព្ទម៉ាកមួយដោយសារតែឃើញមិត្តភក្តិ ឬសមាជិកគ្រួសារភាគច្រើនកំពុងប្រើប្រាស់វា។
Snowball Sampling (ការជ្រើសរើសគំរូតាមបែបបន្តបន្ទាប់ ឬ Snowball) វិធីសាស្ត្រប្រមូលទិន្នន័យស្រាវជ្រាវដែលអ្នកស្រាវជ្រាវស្វែងរកអ្នកចូលរួមដំបូង រួចពឹងពាក់ពួកគេឱ្យជួយណែនាំ ឬបញ្ជូនកម្រងសំណួរទៅកាន់អ្នកផ្សេងទៀតដែលពួកគេស្គាល់ ហើយមានលក្ខណៈសម្បត្តិស្របតាមការសិក្សា។ ដូចជាការរមៀលដុំព្រិលទឹកកកដែលកាន់តែរមៀលកាន់តែធំ ពោលគឺសួរមនុស្សម្នាក់ឱ្យណែនាំមិត្តភក្តិពីរនាក់ ហើយពីរនាក់នោះណែនាំបន្តទៅបួននាក់ទៀត។
Perceived Behavioral Control (ការយល់ឃើញពីការគ្រប់គ្រងអាកប្បកិរិយា) ជំនឿរបស់បុគ្គលម្នាក់ៗអំពីភាពងាយស្រួល ឬការលំបាកក្នុងការអនុវត្តអាកប្បកិរិយាណាមួយ ដោយផ្អែកលើបទពិសោធន៍កន្លងមក និងឧបសគ្គដែលគេរំពឹងទុក។ ដូចជាការដែលអ្នកគិតថាខ្លួនឯងមានលទ្ធភាព និងចេះប្រើប្រាស់កម្មវិធីទូរស័ព្ទដើម្បីកុម្ម៉ង់បន្លែស្រស់បានដោយងាយស្រួល ទោះបីមិនធ្លាប់ធ្វើពីមុនមកក៏ដោយ។
Purchasing Intention (ចេតនាក្នុងការទិញ) កម្រិតនៃឆន្ទៈ ឬបំណងប្រាថ្នារបស់អតិថិជនក្នុងការទិញផលិតផល ឬសេវាកម្មណាមួយនាពេលអនាគត បន្ទាប់ពីពួកគេបានវាយតម្លៃលើលក្ខណៈសម្បត្តិ និងព័ត៌មានរបស់ផលិតផលនោះ។ ដូចជាពេលដែលអ្នកដាក់ទំនិញចូលក្នុងកន្ត្រកអនឡាញ (Add to Cart) ហើយកំពុងគិតយ៉ាងមុតមាំថានឹងចុចបង់ប្រាក់នៅថ្ងៃស្អែក។
Average Variance Extracted (AVE) (មធ្យមភាគនៃបំរែបំរួលដែលបានទាញយក) រង្វាស់នៅក្នុងស្ថិតិដែលប្រើដើម្បីវាយតម្លៃសុពលភាពនៃកត្តា (Convergent Validity) ពោលគឺវាស់ថាតើសំណួរដែលបង្កើតឡើងពិតជាអាចប្រមូលផ្តុំគ្នាវាស់វែងអថេរគោលដៅបានកម្រិតណា។ វាត្រូវតែមានតម្លៃធំជាង ០.៥ ។ ដូចជាការពិនិត្យមើលថាតើសិស្សទាំងអស់នៅក្នុងក្រុមមួយពិតជាកំពុងទាញខ្សែពួរទៅទិសដៅតែមួយឬអត់ ដើម្បីបញ្ជាក់ថាពួកគេមានគោលដៅរួមគ្នា។
Variance Inflation Factor (VIF) (កត្តាអតិផរណានៃបំរែបំរួល) តម្លៃស្ថិតិដែលប្រើសម្រាប់ត្រួតពិនិត្យបញ្ហា Multicollinearity (នៅពេលដែលអថេរឯករាជ្យពីរឬច្រើនមានទំនាក់ទំនងគ្នាខ្លាំងពេក) ដែលអាចធ្វើឱ្យលទ្ធផលនៃការវិភាគបាត់បង់ភាពត្រឹមត្រូវ។ ដូចជាការពិនិត្យមើលថាតើមានសាក្សីពីរនាក់ដែលផ្ដល់ចម្លើយដូចគ្នាបេះបិទឬអត់ ដែលធ្វើឱ្យយើងទទួលបានព័ត៌មានដដែលៗ និងមិនមានប្រយោជន៍បន្ថែមសម្រាប់ការសន្និដ្ឋាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖