ความเต็มใจจ่ายส่วนเพิ่มผลิตภัณฑ์นวัตกรรมของสมาร์ทโฮม Internet of Things (IoT) สำหรับบ้านพักอาศัย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อประเมินความเต็มใจจ่าย ส่วนเพิ่มผลิตภัณฑ์นวัตกรรมของสมาร์ทโฮม Internet of Things (IoT) สำหรับบ้านพักอาศัย โดยมีกรอบแนวคิดของงานวิจัยประยุกต์จาก ทฤษฎีอรรถประโยชน์ (Utility Theory) การใช้การวิเคราะห์องค์ประกอบร่วม (Conjoint Analysis: CA) และทฤษฎีความเต็มใจจ่าย (Willingness to Pay) วิธีการสำรวจข้อมูลเชิงการทดลอง เก็บข้อมูลด้วยวิธีการสุ่มตัวอย่างแบบชั้นภูมิ จำนวน 429 คน จากผู้ใช้งานและผู้ที่สนใจที่จะใช้งานผลิตภัณฑ์นวัตกรรม ในเขตกรุงเทพมหานครและปริมณฑล เพื่อตอบแบบสอบถาม และวิเคราะห์ข้อมูลด้วยแบบจำลองเพนัลโลจิท ผลการวิจัย พบว่า การรับรู้ของผู้ตอบแบบสอบถามเกี่ยวกับผลิตภัณฑ์นวัตกรรม ประกอบด้วย อายุ ลักษณะงานที่ทำ ที่อยู่อาศัยปัจจุบัน และลักษณะที่พักอาศัย ส่งผลต่อพฤติกรรมต่อความเต็มใจจ่ายที่มีต่อกล้อง AI CCTV อย่างมีนัยสำคัญ ความเต็มใจจ่ายเงินส่วนเพิ่มผลิตภัณฑ์นวัตกรรม มีราคาคาเริ่มต้นโดยเฉลี่ย 9,930 บาท มีความเต็มใจจ่ายส่วนเพิ่มกล้อง AI CCTV สูงสุดในราคา 5,190 บาท คิดเป็น 52.25% รองลงมาคือ Cloud Storage ในราคา 4,810 บาท คิดเป็น 48.43% และ Smoking Detector ในราคา 3,910 บาท คิดเป็น 39.35% ระหว่างราคาตั้งต้นผลลัพธ์ที่ได้จะช่วยให้ประโยชน์ที่ได้รับจาการศึกษาผู้กำหนดนโยบายเข้าใจพฤติกรรมการซื้อของผู้บริโภคเกี่ยวกับกล้อง AI CCTV และสามารถให้การสนับสนุนการพัฒนผลิตภัณฑ์ที่มีประสิทธิภาพยิ่งขึ้น
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความจะต้องผ่านการพิจารณายอมรับให้ตีพิมพ์ได้โดยกองบรรณาธิการของวารสารการจัดการ คณะวิทยาการ มหาวิทยาลัยราชภัฎลำปาง และได้รับการตรวจอ่านโดยผู้ทรงคุณวุฒิ(Peer review) และผู้เขียนบทความต้องปรับปรุงตามข้อเสนอแนะหากมีก่อนตีพิมพ์ บทความที่ไม่ผ่านการพิจารณา กองบรรณาธิการจะแจ้งให้ทราบผลการพิจารณา แต่จะไม่ส่งต้นฉบับคืนผู้เขียน
วารสารวิทยาการจัดการสมัยใหม่ คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏลำปาง ตีพิมพ์เผยแพร่ทั้งฉบับพิมพ์และฉบับออนไลน์ เราอนุญาตให้นำบทความไปใช้ประโยชน์ทางวิชาการได้ ภายใต้ขอบเขตของกฏหมายลิขสิทธิ์
References
Ahmed, B., Abdelouahed, G., & Kazar, O. (2017). Semantic-based approach to context management in ubiquitous environment. Procedia Computer Science, 109, 592–599.
Anderson, J. C., Jain, D., & Chintagunta, P. K. (1993). Understanding customer value in business markets: Methods of customer value assessment. Journal of Business-to-Business Marketing, 1(1), 3-30.
Cha, S. S., & Seo, B. K. (2019). The effect of brand trust of home meal replacement on repurchasing in online shopping. The Journal of Business Economics and Environmental Studies, 9(3), 21-26.
Demirtas E.A., Anagun, A.S, & Koksal, G. (2009). Determination of optimal product styles by ordinal logistic regression versus conjoint analysis for kitchen faucets. International Journal of Industrial Ergonomics, 39(5), 866-875.
Fishburn, P.C. (1968). Utility theory. Management Science, 14(5), 335-378.
Gustafson, A., Ekdahl, F., & Bergman, B. (1999). Conjoint analysis: a useful tool in the design process. Total Qual. Management. 10(3), 327–343.
Han, S. H., Cho, H. Y., & Yang, H. C. (2014). Why do we pay for advertising models: Suggestions for maximizing advertising effectiveness. The Journal of Business Economics and Environmental Studies, 4(1), 15-23.
Hwang, S., & Jung, H. (2018). The interactive effects of motivation and contingent rewards on employee creativity. The Journal of Industrial Distribution & Business, 9(7), 71-82.
Javanmard, H., & Hasani, H. (2017). The impact of market orientation indices, marketing innovation, and competitive advantages on the business performance in distributer enterprises. The Journal of Industrial Distribution & Business, 8(1), 23-31.
John, P. H. (1987). A Satisfactory Benefit Cost Indicator from Contingent Valuation. Journal of Environmental Economics and Management, 14(3). 226-247.
Julia, M. P. (2019). Towards a Utility Theory of Privacy and Information Sharing and the Introduction of Hyper-Hyperbolic Discounting in the Digital Big Data Age. Rais Collective Volume - Economic Science, 10(1), 1-22.
Kaddoura, K., Zayed, T., & Hawari, A. H. (2016). Condition Assessment of Sewer Pipelines using Multi Attribute Utility Theory (MAUT). International No-Dig 2016 34th International Conference and Exhibition, 473, 1-9.
Krichevsky, N., St Louis, R., & Guo,T. (2021). Quantifying and Improving Performance of Distributed Deep Learning with Cloud Storage. 2021 IEEE International Conference on Cloud Engineering (IC2E), 99-109.
Lokesh, K.,Varun kumar. E., Tarun kumar, K., Saikiran. B., Sandeep, K., Narendar, A. & Raveendranadh singh, B. (2021). Home Automation System Based on AI. Journal of Resource Management and Technology, 12(2), 339-344.
Mitchell, R. C. & Carson R. T. (1989). Using surveys to value public goods: the contingent valuation method. Washington, D.C.: Resources for the Future.
Nguyen TT., Haider W., Solgaard HS., Ravn-Jonsen L. & Roth E. (2015). “Consumer willingness to pay for quality attributes of fresh seafood: a labeled latent class model”. Food Quality and Preference, 41, 225-236.
Van N.T., Lim W, Nguyen H, Choi D, & Lee, C. (2010). Context ontology implementation for smart home. arXiv, abs/1007.1273.
Vecchiato, D., Torquati, B., Venanzi, S. & Tempesta, T. (2021). The Role of Sensory Perception in Consumer Demand for Tinned Meat: A Contingent Valuation Study. Foods, 10(9), 1-16.
Višak, T., Baleta, J., Virag, Z.,Vujanović, M., Wang., J & Fengsheng Q. (2021). Multi Objective Optimization of Aspirating Smoke Detector Sampling Pipeline. Optimization and Engineering, 22, 121–140.
Wahyuni, S. (2019). The influence of product innovation, brand image, and physical evidence to purchase decision and WOM of Starbucks in Jakarta. Middle East Journal of Management, 6(2), 123-138.
Wakamatsu, H., Miyata, T. and Kamiyama, R. (2021). Consumer Preference for Cultchless Unspawned Oysters in Japan Using a Contingent Valuation Method and Analytic Hierarchy Process. Journal of International Fisheries, 20, 19-35
Zhang S, McCullagh P, Nugent C, Zheng H, & Black N. (2013). An ontological framework for activity monitoring and reminder reasoning in an assisted environment. Journal of Ambient Intelligence and Humanized Computing, 4(2), 157–168
Zhu, L., Song, Q., Sheng, N. & Zhou, X. (2019). Exploring the determinants of consumers’ WTB and WTP for electric motorcycles using CVM method in Macau. Energy Policy, 127, April 2019, 64-72.