Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Tác động của Fintech đến hiệu quả hoạt động tại các Ngân hàng thương mại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1. QUY TRÌNH NGHIÊN CỨU

Quy trình nghiên cứu tác giả thu thập dữ liệu tổng quan về đề tài nghiên cứu và những mục tiêu để hoàn thành bài nghiên cứu. Từ những mục tiêu trên tác giả thu thập các nguồn dữ liệu sơ cấp và thứ cấp về đối tượng nghiên cứu, từ đó có thể cho ra kết quả một cách chuẩn xác nhất.

• Hình 3.1. Quy trình nghiên cứu

Bước 1: Nghiên cứu bắt đầu bằng việc xác định rõ mục tiêu tổng quát, mục tiêu cụ thể và các câu hỏi nghiên cứu liên quan đến tác động của Fintech đến hiệu quả hoạt động ngân hàng. Đồng thời, tác giả làm rõ đối tượng và phạm vi nghiên cứu, bao gồm 24 ngân hàng thương mại Việt Nam niêm yết trong giai đoạn 2015–2024. Việc xác định đúng hướng nghiên cứu là cơ sở định hình cấu trúc luận văn, định hướng cho các bước tiếp theo và đảm bảo tính khả thi của đề tài.

Bước 2: Từ cơ sở lý thuyết và các nghiên cứu trước, tác giả xây dựng mô hình hồi quy dữ liệu bảng (panel data model) thể hiện mối quan hệ giữa Fintech và hiệu quả hoạt động ngân hàng. Mô hình bao gồm các biến phụ thuộc như ROA, ROE, NIM, biến độc lập chính là Fintech (đo lường bằng logarit số lượng công ty Fintech hoạt động tại Việt Nam) và các biến kiểm soát như SIZE, CAP, NPL, LDR, CIR, INF, GDP. Việc xây dựng mô hình này nhằm định lượng hóa mối quan hệ, đồng thời kiểm định các giả thuyết đã được đặt ra.

Bước 3: Nguồn dữ liệu được thu thập chủ yếu từ báo cáo tài chính thường niên của các ngân hàng thương mại, Ngân hàng Nhà nước Việt Nam, World Bank và IMF. Dữ liệu được xử lý thông qua phần mềm Stata 17.0, bao gồm các công đoạn làm sạch, loại bỏ ngoại biên, chuẩn hóa đơn vị đo lường và kiểm tra tính đầy đủ. Sau đó, tác giả tiến hành thống kê mô tả, ma trận tương quan và kiểm định đa cộng tuyến để đảm bảo độ tin cậy và tính chính xác của bộ dữ liệu.

Bước 4: Mô hình được ước lượng bằng ba phương pháp: Pooled OLS, FEM (Fixed Effects Model) và REM (Random Effects Model). Sau đó, tác giả tiến hành kiểm định Hausman để lựa chọn mô hình phù hợp nhất. Khi phát hiện các hiện tượng phương sai thay đổi, tự tương quan hoặc đa cộng tuyến, tác giả sử dụng GLS/FGLS để khắc phục nhằm đảm bảo kết quả ước lượng có độ tin cậy cao.

Bước 5: Sau khi hoàn tất ước lượng, kết quả được phân tích, đối chiếu với giả thuyết và so sánh với các nghiên cứu trước. Từ đó, tác giả đưa ra các kết luận khoa học và đề xuất hàm ý chính sách đối với ngân hàng thương mại, cơ quan quản lý nhà nước và các tổ chức Fintech, nhằm nâng cao hiệu quả hoạt động trong bối cảnh chuyển đổi số ngành ngân hàng.

3.2. MÔ HÌNH NGHIÊN CỨU Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Dựa trên cơ sở lý thuyết, tổng quan các nghiên cứu trước và đặc thù của dữ liệu bảng (panel data), luận văn xây dựng mô hình nghiên cứu nhằm đánh giá —tác động của Fintech đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam‖ trong giai đoạn 2015 – 2024. Việc lựa chọn mô hình và các biến số được thực hiện trên cơ sở khoa học, đảm bảo tính phù hợp giữa mục tiêu nghiên cứu và đặc trưng của ngành ngân hàng trong bối cảnh chuyển đổi số.

Trước hết, mô hình hồi quy được thiết kế để xem xét mối quan hệ giữa sự phát triển của Fintech (FT) và hiệu quả hoạt động ngân hàng (EFF), với sự kiểm soát của các yếu tố nội tại và vĩ mô. Dữ liệu được tổ chức theo dạng bảng cân bằng (balanced panel) gồm 24 ngân hàng quan sát trong 10 năm, cho phép kiểm soát các đặc điểm riêng biệt của từng ngân hàng (như cấu trúc sở hữu, khẩu vị rủi ro, quy mô hoạt động) và biến động theo thời gian (như chu kỳ kinh tế, chính sách tiền tệ).

Do hiệu quả hoạt động ngân hàng có thể được phản ánh qua nhiều khía cạnh, nghiên cứu sử dụng ba biến phụ thuộc để đảm bảo tính toàn diện:

• ROA : đo lường khả năng sinh lời trên tổng tài sản.
• ROE : phản ánh hiệu quả sử dụng vốn chủ sở hữu.
• NIM : thể hiện hiệu quả hoạt động cốt lõi trong hoạt động tín dụng.

Việc sử dụng đồng thời ba chỉ tiêu này giúp đánh giá tác động của Fintech không chỉ ở khía cạnh sinh lời tổng thể mà còn ở hiệu quả sử dụng vốn và khả năng tối ưu hóa thu nhập lãi thuần. Phương pháp ước lượng được lựa chọn là hồi quy tách biệt (separate regressions) cho từng biến phụ thuộc thay vì mô hình hệ thống đồng thời (system GMM), do đặc thù bộ dữ liệu có kích thước mẫu trung bình và không tồn tại mối tương quan chéo mạnh giữa ba thước đo hiệu quả. 𝑬𝑭𝑭𝒊,𝒕=𝜷𝟎 + 𝜷𝟏 * FT + 𝜷𝟐 *𝑺𝑰𝒁𝑬𝒊,𝒕 + 𝜷𝟑 * 𝑪𝑨𝑷𝒊,𝒕 + 𝜷𝟒 * 𝑵𝑷𝑳𝒊,𝒕 + 𝜷𝟓 * 𝑳𝑫𝑹𝒊,𝒕 + 𝜷𝟔 * 𝑳𝑳𝑷𝒊,𝒕 + 𝜷𝟕 * 𝑪𝑰𝑹𝒊,𝒕 + 𝜷𝟖 * 𝑰𝑵𝑭𝒕 + 𝜷𝟗 * 𝑮𝑫𝑷𝒕 + 𝜺𝒊,𝒕

Trong đó: Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

• 𝐸𝐹𝐹𝑖,𝑡 : là biến phụ thuộc thể hiện hiệu quả hoạt động của ngân hàng i tại thời điểm t (ROA, ROE hoặc NIM).
• 𝛽₀: hệ số chặn
• 𝛽1, 𝛽2,….,𝛽9: các hệ số hồi quy cho các biến độc lập tương ứng
• 𝜀𝑖,𝑡∶ là sai số ngẫu nhiên phản ánh các yếu tố chưa được quan sát

Về mặt phương pháp, luận văn lần lượt ước lượng ba mô hình trên bằng các kỹ thuật Pooled OLS, Fixed Effects Model (FEM) và Random Effects Model (REM). Kết quả của kiểm định Hausman sẽ được sử dụng để lựa chọn mô hình phù hợp nhất cho từng biến phụ thuộc. Trong trường hợp phát hiện hiện tượng phương sai sai số thay đổi hoặc tự tương quan, mô hình được điều chỉnh bằng Feasible Generalized Least Squares (FGLS) nhằm đảm bảo tính vững của kết quả ước lượng.

• Bảng 3.1. Tổng hợp các biến được đo lường trong nghiên cứu
• Hình 3.2. Mối quan hệ giữa Fintech, biến kiểm soát, hiệu quả hoạt động

3.3. GIẢ THUYẾT NGHIÊN CỨU

Dựa trên cơ sở lý thuyết, tổng quan các nghiên cứu trong và ngoài nước cùng mô hình nghiên cứu được đề xuất, luận văn xây dựng các giả thuyết nghiên cứu nhằm kiểm định mối quan hệ giữa Fintech và hiệu quả hoạt động của các ngân hàng thương mại Việt Nam, được đo lường thông qua ba chỉ tiêu chính: ROA, ROE và NIM.

Fintech được xem là nhân tố đổi mới công nghệ, góp phần nâng cao năng suất vận hành, giảm chi phí giao dịch và gia tăng khả năng tiếp cận khách hàng, từ đó cải thiện hiệu quả hoạt động tổng thể của ngân hàng. Nhiều nghiên cứu thực nghiệm như Stijn Claessens và cộng sự (2018), Lee và Shin (2018), Cornelli (2020), cũng như các nghiên cứu trong nước như Nguyễn Hồng Yến & Nguyễn Văn Hải (2024), Đỗ Thị Bích Hồng (2022) đều cho thấy Fintech có tác động tích cực đến hiệu quả tài chính của ngân hàng thông qua việc tối ưu hóa chi phí, mở rộng quy mô và đa dạng hóa sản phẩm dịch vụ. Trên cơ sở đó, các giả thuyết cụ thể được đề xuất như sau: Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Giả thuyết H1: Fintech có tác động tích cực (+) đến hiệu quả hoạt động của ngân hàng thương mại được đo bằng ROA. Việc ứng dụng Fintech giúp ngân hàng tự động hóa quy trình, tối ưu hóa hoạt động vận hành và quản trị rủi ro, từ đó gia tăng lợi nhuận trên tổng tài sản (ROA). Các ngân hàng có mức độ chuyển đổi số cao thường ghi nhận biên lợi nhuận hoạt động cải thiện rõ rệt nhờ giảm chi phí trung gian và tăng hiệu quả sử dụng tài sản (Lee và Shin, 2018; Cornelli và cộng sự, 2020).

Giả thuyết H2: Fintech có tác động tích cực (+) đến hiệu quả hoạt động của ngân hàng thương mại được đo bằng ROE. Sự phát triển của Fintech thúc đẩy hiệu quả sinh lời trên vốn chủ sở hữu (ROE) thông qua việc đa dạng hóa nguồn thu phí dịch vụ, giảm tỷ lệ chi phí/thu nhập (CIR) và mở rộng quy mô hoạt động. Các giải pháp Fintech trong thanh toán, tín dụng và quản lý khách hàng giúp ngân hàng sử dụng vốn hiệu quả hơn, qua đó nâng cao khả năng sinh lời cho cổ đông (Stijn Claessens và cộng sự , 2018; Mishkin, 2007; Đỗ Thị Bích Hồng, 2022).

Giả thuyết H3: Fintech có tác động tích cực (+) đến tỷ suất thu nhập lãi ròng (NIM) của ngân hàng thương mại. Fintech cho phép ngân hàng nâng cao hiệu quả định giá tín dụng và quản lý danh mục cho vay nhờ ứng dụng trí tuệ nhân tạo (AI), dữ liệu lớn (Big Data) và Blockchain, qua đó tối ưu hóa biên lãi ròng. Tuy nhiên, trong ngắn hạn, cạnh tranh từ các công ty Fintech có thể gây áp lực giảm NIM do cắt giảm chi phí giao dịch và lãi suất (Stijn Claessens và cộng sự, 2018; Vives, 2019). Do đó, tác động của Fintech đến NIM kỳ vọng là dương nhưng có thể thay đổi tùy giai đoạn.

• Bảng 3.2. Mô hình giả thuyết nghiên cứu

3.4. DỮ LIỆU NGHIÊN CỨU Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

3.4.1. Mẫu nghiên cứu

Nghiên cứu này sử dụng mẫu gồm 24 ngân hàng thương mại Việt Nam niêm yết trên Sở Giao dịch Chứng khoán Hà Nội (HNX) và Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) trong giai đoạn 2015–2024. Việc lựa chọn các ngân hàng niêm yết nhằm đảm bảo tính minh bạch, đầy đủ và liên tục của dữ liệu tài chính, đồng thời phản ánh được toàn cảnh hoạt động của hệ thống ngân hàng trong bối cảnh chuyển đổi số mạnh mẽ. Mẫu nghiên cứu này có tính đại diện cao khi bao gồm cả các ngân hàng có vốn Nhà nước lớn như Agribank, Vietcombank, BIDV, và các ngân hàng cổ phần tư nhân quy mô lớn như Techcombank, VPBank, MB, ACB, giúp phản ánh được sự đa dạng về quy mô, chiến lược và mức độ ứng dụng Fintech trong toàn ngành.

Tiêu chí lựa chọn mẫu được xây dựng dựa trên nguyên tắc đảm bảo tính ổn định và tính sẵn có của dữ liệu trong suốt giai đoạn nghiên cứu. Các ngân hàng được chọn đều có hoạt động liên tục trong mười năm, công bố báo cáo tài chính kiểm toán đầy đủ với các chỉ tiêu then chốt như tổng tài sản, vốn chủ sở hữu, lợi nhuận sau thuế, nợ xấu, chi phí hoạt động và các chỉ số tài chính phục vụ tính toán ROA, ROE và NIM. Bên cạnh đó, các ngân hàng trong mẫu đều có thông tin hoặc công bố chính thức liên quan đến việc ứng dụng công nghệ Fintech như hợp tác với các công ty công nghệ tài chính, triển khai ngân hàng số, cung cấp ví điện tử hoặc phát triển nền tảng thanh toán trực tuyến. Việc bảo đảm các tiêu chí này giúp mẫu nghiên cứu phản ánh trung thực đặc điểm phát triển và mức độ số hóa của hệ thống ngân hàng thương mại Việt Nam trong thập niên vừa qua.

Nguồn dữ liệu Fintech được tổng hợp từ các kênh thống kê chính thức và các báo cáo nghiên cứu quốc tế có uy tín. Cụ thể, số lượng công ty Fintech đang hoạt động tại Việt Nam theo từng năm được thu thập từ Báo cáo Fintech Việt Nam của Ngân hàng Nhà nước, các ấn phẩm chuyên ngành của Vụ Thanh toán – NHNN (2020–2024) và dữ liệu bổ sung từ World Bank (Global Findex Database, 2023). Các chỉ tiêu phản ánh hoạt động Fintech như số lượng giao dịch thanh toán không dùng tiền mặt, tỷ lệ thanh toán QR, và số lượng người dùng ví điện tử được khai thác từ Báo cáo thường niên về thanh toán của NHNN cũng như từ Nghị định số 52/2024/NĐ-CP của Chính phủ về thanh toán không dùng tiền mặt. Để tăng tính đối chiếu quốc tế, nghiên cứu đồng thời tham khảo số liệu và báo cáo từ IMF Fintech Note (2022) và Fintech Singapore Report (2024), giúp đặt bối cảnh Việt Nam trong xu thế phát triển chung của khu vực ASEAN và thế giới.

Từ các nguồn dữ liệu trên, nghiên cứu xây dựng bộ dữ liệu dạng bảng cân bằng (balanced panel data) gồm 240 quan sát, tương ứng với 24 ngân hàng trong 10 năm nghiên cứu. Dữ liệu được xử lý và kiểm định bằng các mô hình kinh tế lượng hiện đại như hồi quy OLS, FEM, REM và FGLS nhằm đảm bảo kết quả có ý nghĩa thống kê, đồng thời phản ánh chính xác tác động của Fintech đến hiệu quả hoạt động của ngân hàng. Việc sử dụng dữ liệu bảng giúp xem xét đồng thời sự biến động theo thời gian và khác biệt giữa các ngân hàng, từ đó tăng cường độ tin cậy và khả năng giải thích của mô hình nghiên cứu. Có thể khẳng định rằng, mẫu dữ liệu được lựa chọn trong nghiên cứu này mang tính đại diện cao, phản ánh khách quan mức độ chuyển đổi số của ngành ngân hàng Việt Nam, đồng thời tạo nền tảng vững chắc cho việc định lượng hóa tác động của Fintech đến hiệu quả hoạt động của các ngân hàng thương mại trong bối cảnh hội nhập và cạnh tranh số hóa toàn cầu

3.4.2. Dữ liệu nghiên cứu Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Dữ liệu được sử dụng trong nghiên cứu này được thu thập hoàn toàn từ các nguồn thứ cấp có độ tin cậy cao, bao gồm dữ liệu tài chính của ngân hàng, dữ liệu kinh tế vĩ mô và dữ liệu phản ánh mức độ phát triển của lĩnh vực công nghệ tài chính (Fintech) tại Việt Nam. Việc thu thập và xử lý dữ liệu được tiến hành cẩn trọng nhằm đảm bảo tính nhất quán, đầy đủ và phù hợp với mục tiêu nghiên cứu, đồng thời tạo nền tảng cho các phân tích định lượng trong những chương tiếp theo.

Dữ liệu tài chính của các ngân hàng thương mại được khai thác từ báo cáo tài chính thường niên đã được kiểm toán và báo cáo quản trị công ty của 24 ngân hàng thương mại Việt Nam đang niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX). Các chỉ tiêu được thu thập bao gồm tổng tài sản, vốn chủ sở hữu, lợi nhuận trước thuế, tỷ lệ nợ xấu, chi phí hoạt động, tỷ lệ cho vay trên huy động và hệ số an toàn vốn, được tổng hợp theo chuỗi thời gian trong giai đoạn từ năm 2015 đến năm 2024. Việc lựa chọn giai đoạn nghiên cứu này vừa đảm bảo sự thống nhất với khung mô hình hồi quy, vừa phản ánh đầy đủ quá trình chuyển đổi số mạnh mẽ của ngành ngân hàng Việt Nam trong gần một thập kỷ qua.

• Bảng 3.3. Danh mục Ngân hàng thương mại cổ phần

Song song với đó, dữ liệu kinh tế vĩ mô được thu thập từ các nguồn chính thức của Ngân hàng Thế giới (World Bank) và Quỹ Tiền tệ Quốc tế (IMF), bao gồm tốc độ tăng trưởng GDP và tỷ lệ lạm phát hằng năm của Việt Nam. Hai chỉ tiêu này được sử dụng để phản ánh tác động của môi trường kinh tế vĩ mô đối với hiệu quả hoạt động của các ngân hàng thương mại trong từng năm quan sát. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Đối với biến độc lập chính đại diện cho sự phát triển của Fintech, tác giả tiến hành tổng hợp dữ liệu từ nhiều nguồn khác nhau để đảm bảo tính toàn diện và khách quan. Danh mục các công ty Fintech hoạt động tại Việt Nam theo từng năm được xác định dựa trên các báo cáo của Hiệp hội Ngân hàng Việt Nam (VNBA), danh sách cấp phép trung gian thanh toán của Ngân hàng Nhà nước Việt Nam (NHNN), cùng với các báo cáo Fintech Vietnam Report do Fintech News Singapore phát hành. Ngoài ra, dữ liệu còn được đối chiếu với các nguồn quốc tế như Crunchbase và Statista để cập nhật số liệu về quy mô, vốn đầu tư và tốc độ tăng trưởng của các doanh nghiệp Fintech. Từ các nguồn này, tác giả xây dựng biến đại diện cho mức độ phát triển của Fintech (FT) dưới dạng logarit tự nhiên của số lượng công ty Fintech hoạt động theo từng năm, phù hợp với phương pháp đo lường được khuyến nghị bởi Stijn Claessens và cộng sự (2018).

Toàn bộ dữ liệu sau khi thu thập được chuẩn hóa và kiểm tra tính hợp lệ bằng phần mềm Stata 17.0. Quá trình xử lý bao gồm việc rà soát, loại bỏ các quan sát có giá trị thiếu vượt quá 20% hoặc xuất hiện các giá trị ngoại lai bất thường, đồng thời thống nhất đơn vị đo lường giữa các ngân hàng và qua các năm. Bộ dữ liệu hoàn chỉnh được cấu trúc theo dạng dữ liệu bảng (panel data), gồm 24 ngân hàng trong giai đoạn 2015–2024, tương ứng với 240 quan sát, đáp ứng đầy đủ yêu cầu cho các phương pháp hồi quy Pooled OLS, FEM và REM.

Tổng thể, bộ dữ liệu nghiên cứu được thiết kế một cách hệ thống, phản ánh đầy đủ ba khía cạnh cốt lõi là hoạt động tài chính của ngân hàng, bối cảnh kinh tế vĩ mô và sự phát triển của Fintech tại Việt Nam. Cấu trúc dữ liệu này không chỉ đảm bảo tính khoa học, độ tin cậy và khả năng kiểm định thực nghiệm của mô hình, mà còn góp phần cung cấp bằng chứng thực tiễn có giá trị về tác động của Fintech đối với hiệu quả hoạt động của các ngân hàng thương mại Việt Nam trong bối cảnh chuyển đổi số sâu rộng hiện nay.

3.4.3. Công cụ nghiên cứu Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Các công cụ nghiên cứu được sử dụng trong luận văn này bao gồm hai nhóm chính:

• (1) công cụ đo lường các biến nghiên cứu và (2) phần mềm xử lý dữ liệu thống kê.
• (1) Công cụ đo lường các biến nghiên cứu.

Về nhóm công cụ đo lường, các biến trong mô hình được xác định và chuẩn hóa theo hướng tiếp cận của Stijn Claessens (2018) và Qiao Jiang (2023), kết hợp với thực tiễn báo cáo tài chính tại Việt Nam. Ba biến phụ thuộc được lựa chọn để phản ánh toàn diện hiệu quả hoạt động của ngân hàng gồm: ROA (Return on Assets), ROE (Return on Equity) và NIM (Net Interest Margin). Việc sử dụng đồng thời ba chỉ tiêu này thay vì chỉ một biến đơn lẻ giúp đánh giá đa chiều về năng lực sinh lời, hiệu quả sử dụng vốn và hiệu quả hoạt động cốt lõi của ngân hàng. ROA phản ánh hiệu quả sử dụng tổng tài sản; ROE thể hiện khả năng sinh lợi trên vốn chủ sở hữu – tiêu chí gắn với kỳ vọng của cổ đông; còn NIM đo lường hiệu quả hoạt động tín dụng, là nguồn thu nhập trọng yếu của các ngân hàng thương mại. Cách tiếp cận này bảo đảm tính toàn diện và giúp kiểm chứng sự nhất quán trong kết quả hồi quy giữa các khía cạnh khác nhau của hiệu quả hoạt động ngân hàng

Luận văn áp dụng thước đo dựa trên số liệu thứ cấp công bố công khai. Các biến chính được định nghĩa và đo lường như sau:

• Biến phụ thuộc

Lợi nhuận trên tổng tài sản (ROA) Return on Assets: được tính bằng tỷ lệ giữa lợi nhuận trước thuế và tổng tài sản bình quân năm. Đây là chỉ số phản ánh năng lực sinh lời của ngân hàng, tương tự cách sử dụng trong các nghiên cứu của Stijn Claessens và cộng sự (2018). Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

ROA = (Lợi nhuận sau thuế/Tổng tài sản bình quân) * 100%

• Trong đó:

Lợi nhuận sau thuế: Là phần thu nhập còn lại của doanh nghiệp/ngân hàng sau khi đã trừ toàn bộ chi phí hoạt động, chi phí tài chính, chi phí quản lý, chi phí dự phòng rủi ro, và đặc biệt là thuế thu nhập doanh nghiệp.

Tổng tài sản bình quân: Là giá trị trung bình của toàn bộ tài sản sinh lãi (như cho vay, chứng khoán đầu tư, tiền gửi tại NH khác) trong kỳ.

Lợi nhuận trên vốn chủ sở hữu (ROE) Return on Equity: Chỉ tiêu này đo lường mức sinh lời trên mỗi đồng vốn chủ sở hữu mà ngân hàng tạo ra. ROE càng cao cho thấy ngân hàng sử dụng hiệu quả nguồn vốn, đồng thời phản ánh khả năng tối đa hóa giá trị cho cổ đông. Đây là chỉ tiêu cốt lõi để đánh giá hiệu quả tài chính và sức cạnh tranh của ngân hàng thương mại. Bikker và Hu (2002): Chỉ ra ROE có tính chu kỳ, tăng trưởng GDP thúc đẩy ROE trong giai đoạn kinh tế mở rộng, nhưng suy giảm khi kinh tế suy thoái.

ROE = (Lợi nhuận ròng/Vốn chủ sở hữu) * 100%

• Trong đó:

Lợi nhuận ròng : Là phần lợi nhuận cuối cùng mà doanh nghiệp hoặc ngân hàng thu được sau khi đã trừ toàn bộ chi phí hoạt động, chi phí tài chính, chi phí dự phòng rủi ro, thuế thu nhập doanh nghiệp và các khoản chi phí khác.

Vốn chủ sở hữu: Là phần tài sản ròng thuộc quyền sở hữu của cổ đông sau khi đã trừ đi toàn bộ nợ phải trả.

Tỷ suất lợi nhuận ròng (NIM) Net Interest Margin: là chỉ tiêu then chốt để đánh giá hiệu quả hoạt động ngân hàng thương mại. Chỉ số này cao phản ánh khả năng quản trị tài sản – nguồn vốn tốt, nhưng nếu quá cao có thể hàm ý chi phí vốn cao hoặc thị trường kém cạnh tranh. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

NIM = (Thu nhập từ lãi thuần/Tổng tài sản bình quân) * 100%

• Trong đó:

Thu nhập từ lãi thuần: Là chênh lệch giữa thu nhập từ lãi (cho vay, đầu tư chứng khoán sinh lãi) và chi phí trả lãi (tiền gửi, đi vay).

Ba chỉ tiêu này được sử dụng phổ biến trong các nghiên cứu quốc tế như Athanasoglou và cộng sự (2008) và Berger và Mester (1997), qua đó bảo đảm tính so sánh quốc tế và tính thực tiễn trong bối cảnh Việt Nam. Bên cạnh các biến phụ thuộc, mô hình còn bao gồm biến độc lập chính là Fintech (FT) – đại diện cho mức độ phát triển công nghệ tài chính được đo lường bằng logarit tự nhiên của số lượng công ty Fintech hoạt động tại Việt Nam theo từng năm, và nhóm biến kiểm soát (SIZE, CAP, NPL, LDR, LLP, CIR, INF, GDP) nhằm loại bỏ các yếu tố gây nhiễu.

Biến độc lập chính (FT): Mức độ phát triển Fintech, được đo bằng số lượng công ty Fintech mới thành lập trong từng năm. Stijn Claessens và cộng sự (2018) chỉ ra rằng thị trường tín dụng Fintech giúp giảm chi phí giao dịch và thúc đẩy đổi mới mô hình hoạt động ngân hàng, qua đó cải thiện ROA và ROE. Tương tự, Jiang và cộng sự (2023) chứng minh mối quan hệ thuận chiều và có ý nghĩa thống kê giữa chỉ số Fintech và lợi nhuận trên tài sản của ngân hàng thương mại tại Trung Quốc. Do đó, đưa ra hai giả thuyết: 𝐹𝑇𝑡 = 𝐿𝑛 (𝑇ổ𝑛𝑔 𝑠ố 𝑙ượ𝑛𝑔 𝑐ô𝑛𝑔 𝑡𝑦 𝐹𝑖𝑛𝑡𝑒𝑐ℎ)𝑡

Trong đó: FT: số lượng công ty Fintech tại Việt Nam được đo lường Logarit tự nhiên ở thời điểm t.

• Các biến kiểm soát:

Quy mô ngân hàng (SIZE): Đo bằng logarit tự nhiên của tổng tài sản, lý thuyết kinh tế quy mô cho thấy ngân hàng càng lớn càng tận dụng được lợi thế giảm chi phí vốn và phân tán rủi ro. Berger và Bouwman (2013) cũng chỉ ra rằng quy mô lớn giúp nâng cao cả ROA lẫn ROE nhờ khả năng đầu tư công nghệ tốt hơn. 𝑆𝐼𝑍𝐸𝑡 = 𝐿𝑛(𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛)𝑡

• Trong đó: Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

SIZE: là biến đại diện cho quy mô ngân hàng, được đo lường bằng logarit tự nhiên (Ln) của tổng tài sản tại thời điểm 𝑡.

Tỷ lệ vốn chủ sở hữu trên tổng tài sản (CAP) Equity/Total Assets: Đo bằng tỷ lệ vốn chủ sở hữu trên tổng tài sản, phản ánh năng lực tài chính của ngân hàng. Các nghiên cứu của Arner và cộng sự (2015) và Berger & Bouwman (2013) đều khẳng định vốn hóa cao giúp giảm chi phí vốn, tạo điều kiện thuận lợi để đầu tư vào công nghệ Fintech, từ đó gia tăng lợi nhuận.

• Trong đó:

Vốn chủ sở hữu: Bao gồm vốn điều lệ, thặng dư vốn cổ phần, lợi nhuận giữ lại và các quỹ dự trữ. Đây là nguồn vốn do cổ đông đóng góp hoặc tích lũy từ lợi nhuận, không phải vốn vay.

Tổng tài sản: Bao gồm toàn bộ tài sản ngân hàng đang quản lý, từ cho vay khách hàng, đầu tư tài chính, tiền gửi tại tổ chức tín dụng khác cho đến tài sản cố định và các tài sản khác.

Tỷ lệ nợ xấu (NPL) Non-Performing Loan Ratio: Phản ánh chất lượng tín dụng và rủi ro tín dụng của ngân hàng, được đo bằng tỷ lệ nợ xấu trên tổng dư nợ cho vay. Theo Berger và Mester (1997), Louzis và cộng sự (2012), NPL ảnh hưởng tiêu cực đến lợi nhuận và hiệu quả hoạt động ngân hàng.

• Trong đó:

Tổng nợ xấu: Là các khoản vay quá hạn thanh toán gốc hoặc lãi trên 90 ngày, hoặc các khoản vay khó có khả năng thu hồi.

Tổng dư nợ: là toàn bộ số tiền ngân hàng đã cho khách hàng vay tại thời điểm t, bao gồm cả ngắn hạn, trung hạn và dài hạn.

Tỷ lệ cho vay trên tiền gửi (LDR) Loan-to-Deposit Ratio:Phản ánh khả năng ngân hàng sử dụng nguồn huy động để cho vay. Nghiên cứu của Soatov Farhod Komiljon ugli (2025) cho thấy LDR ảnh hưởng đến hiệu quả sinh lời và tăng trưởng kinh tế.

• Trong đó: Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Tổng dư nợ cho vay: bao gồm toàn bộ khoản vay mà ngân hàng đã cấp cho khách hàng cá nhân và doanh nghiệp tại thời điểm 𝑡.

Tổng tiền gửi: là tổng số vốn mà ngân hàng huy động được từ khách hàng gửi tiền (cả không kỳ hạn, có kỳ hạn và tiết kiệm).

Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLP) Loan Loss Provision Ratio: Phản ánh mức độ ngân hàng trích lập để bù đắp tổn thất tín dụng tiềm tàng. Theo Ahmed và cộng sự (1999) và Bouvatier và Lepetit (2008), LLP ảnh hưởng đến lợi nhuận, rủi ro và tính ổn định ngân hàng.

• Trong đó:

Dư nợ dự phòng rủi ro: là khoản chi phí mà ngân hàng trích lập để bù đắp cho những khoản vay khó thu hồi hoặc có khả năng mất vốn.

• Tổng dư nợ: toàn bộ dư nợ cho vay mà ngân hàng cấp cho khách hàng tại thời điểm

Tỷ lệ chi phí trên thu nhập (CIR) Cost-to-Income Ratio: Đo mức chi phí hoạt động cần để tạo ra 1 đơn vị thu nhập; CIR thấp phản ánh kỷ luật chi phí, tự động hóa và năng suất quy trình cao. Athanasoglou và cộng sự (2008) chứng minh CIR tương quan âm với ROA/ROE. Trên dữ liệu MENA, Mohamed Ali Trabelsi, Najeh Trad và Jean-François Goux (2020) củng cố kết quả: CIR là nhân tố kìm hãm hiệu quả và sức sinh lời ngân hàng.

• Trong đó:

Tổng chi Phí hoạt động: Bao gồm chi phí nhân sự, chi phí quản lý, chi phí công nghệ, khấu hao và các chi phí hoạt động khác.

Tổng thu nhập hoạt động: Bao gồm thu nhập từ lãi, thu nhập từ dịch vụ, và các nguồn thu nhập khác có liên quan đến hoạt động kinh doanh cốt lõi của ngân hàng. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

• Các biến vĩ mô:

Lạm phát (INF) Inflation: Phản ánh biến động giá cả chung, ảnh hưởng trực tiếp đến sức mua, chi phí vốn và rủi ro tín dụng ngân hàng. Athanasoglou và cộng sự (2008) cho thấy lạm phát cao làm giảm lợi nhuận ngân hàng nếu chi phí không được bù đắp. Tương tự, Demirgüç-Kunt và Huizinga (1999) chỉ ra INF tác động đáng kể đến biên lợi nhuận và ROA của các ngân hàng toàn cầu. 𝐼𝑁𝐹𝑡 = 𝑇ỷ 𝑙ệ 𝑙ạ𝑚 𝑝ℎá𝑡 𝑑𝑜 𝑛ℎà 𝑛ướ𝑐 𝑐ô𝑛𝑔 𝑏ố

Tốc độ tăng trưởng kinh tế (GDP): Phản ánh mức độ phát triển kinh tế, ảnh hưởng đến nhu cầu tín dụng, khả năng sinh lời và rủi ro ngân hàng. Athanasoglou, Brissimis và Delis (2008) khẳng định GDP tăng trưởng tích cực thúc đẩy lợi nhuận ngân hàng nhờ cầu tín dụng cao hơn. Trong nghiên cứu toàn cầu, Bikker và Hu (2002) cho thấy tăng trưởng GDP cải thiện ROA và ROE, qua đó nâng cao hiệu quả hoạt động ngân hàng.

Số liệu về các biến tài chính của từng ngân hàng (tổng tài sản, vốn chủ sở hữu, dư nợ, nợ xấu, chi phí hoạt động, thu nhập hoạt động) được thu thập từ báo cáo thường niên đã kiểm toán của 24 ngân hàng thương mại Việt Nam niêm yết trên HNX và HOSE giai đoạn 2015–2024. Số liệu vĩ mô (GDP, INF) được trích xuất từ trang web Ngân hàng Thế giới (World Bank) và Tổng cục Thống kê Việt Nam.

• (2) Phần mềm xử lý dữ liệu và kiểm định mô hình

Toàn bộ quá trình xử lý dữ liệu và phân tích định lượng được thực hiện trên phần mềm Stata phiên bản 17.0. Các bước bao gồm:

• Làm sạch dữ liệu (data cleaning): loại bỏ quan sát thiếu quá 20% giá trị hoặc có giá trị ngoại lai bất thường.
• Mô tả thống kê (descriptive statistics) cho từng biến, bao gồm giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất và nhỏ nhất.
• Kiểm định tương quan (correlation matrix) giữa các biến để đánh giá mức độ liên hệ tuyến tính ban đầu.
• Kiểm định đa cộng tuyến (variance inflation factor – VIF) nhằm đảm bảo không có biến kiểm soát nào có mối tương quan cao, gây sai số cho ước lượng.

Ước lượng mô hình hồi quy dữ liệu bảng (panel data): khởi đầu bằng Pooled OLS, tiếp theo so sánh Fixed Effects (FE) và Random Effects (RE) thông qua kiểm định Hausman để lựa chọn mô hình phù hợp. Đối với trường hợp tồn tại phương sai không đồng nhất và tự tương quan, sử dụng Generalized Least Squares (GLS) hoặc Feasible GLS (FGLS) để khắc phục.

Việc sử dụng Stata 17.0 cho phép thực hiện đồng bộ các bước tiền xử lý dữ liệu, kiểm định giả thuyết, và ước lượng mô hình với đầy đủ các tùy chọn xử lý dữ liệu bảng. Kết quả cuối cùng bao gồm hệ số hồi quy, giá trị p-value, hệ số xác định (R-squared), đồng thời được trình bày dưới dạng bảng hợp lý, đảm bảo tính minh bạch và chính xác theo hướng dẫn của hội đồng khoa học.

3.5. PHƯƠNG PHÁP NGHIÊN CỨU Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

3.5.1. Phương pháp xử lý dữ liệu bảng

Trong nghiên cứu này, dữ liệu bảng gồm 24 ngân hàng niêm yết giai đoạn 2015–2024 được xử lý trên phần mềm Stata 17.0 theo quy trình chuyên nghiệp gồm ba nhóm bước chính. Trước tiên, tác giả tiến hành làm sạch dữ liệu bằng cách loại bỏ hoàn toàn các quan sát thiếu trên 20% hoặc có giá trị ngoại lai rõ rệt, nhằm tránh sai số hệ thống và đảm bảo tính nhất quán của bộ dữ liệu. Tiếp đó, thực hiện phân tích mô tả bao gồm tính toán trung bình, độ lệch chuẩn, giá trị lớn nhất và nhỏ nhất để đánh giá phân phối ban đầu và phát hiện sớm bất thường.

Bước kế tiếp là kiểm định tương quan giữa các biến thông qua ma trận correlation matrix, cung cấp cơ sở bước đầu cho việc phát hiện đa cộng tuyến. Để đánh giá nghiêm ngặt hơn, tác giả ước lượng hệ số VIF (Variance Inflation Factor) và loại bỏ hoặc điều chỉnh các biến có VIF vượt ngưỡng 10, đảm bảo các biến giải thích không gây méo mó cho kết quả.

Cuối cùng, quá trình ước lượng áp dụng các mô hình hồi quy dữ liệu bảng: khởi đầu với Pooled OLS, so sánh Fixed Effects và Random Effects qua kiểm định Hausman để lựa chọn mô hình tối ưu, và khi phát hiện phương sai không đồng nhất hoặc tự tương quan, sử dụng GLS/FGLS để khắc phục. Kết quả cuối cùng bao gồm hệ số ước lượng, giá trị p-value và R-squared, được trình bày trong các bảng báo cáo khoa học, đảm bảo tính minh bạch và chính xác.

3.5.2. Thống kê mô tả

Phần thống kê mô tả được thực hiện nhằm khái quát đặc tính phân phối và cấu trúc biến động của các biến nghiên cứu trong giai đoạn khảo sát. Quy trình bắt đầu với việc tính toán các chỉ tiêu trung tâm (giá trị trung bình, trung vị) để xác định xu hướng chung của từng biến. Tiếp theo, hệ số độ lệch chuẩn và khoảng biến thiên được sử dụng để đánh giá mức độ phân tán, trong khi phạm vi giá trị tối thiểu – tối đa cùng hệ số độ nghiêng (skewness) hỗ trợ phát hiện giá trị ngoại lai và đánh giá tính đối xứng của phân phối. Hệ số nhọn (kurtosis) cũng được xem xét nhằm nhận diện độ nhọn của phân phối. Toàn bộ quy trình áp dụng nhất quán trên cả biến tài chính ngân hàng và biến vĩ mô, đảm bảo dữ liệu đã qua khâu làm sạch, xử lý ngoại lai và chuẩn hóa đơn vị. Kết quả thống kê mô tả được trình bày dưới dạng bảng khoa học, đóng vai trò nền tảng cho các bước kiểm định tương quan, đánh giá đa cộng tuyến và lựa chọn mô hình hồi quy phù hợp trong các chương tiếp theo.

3.5.3. Ma trận tương quan Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Ma trận tương quan được sử dụng như bước khởi đầu để khảo sát mối quan hệ tuyến tính giữa các biến độc lập trước khi tiến hành ước lượng mô hình hồi quy. Theo Gujarati và Porter (2009), việc phân tích ma trận tương quan giúp phát hiện sơ bộ các cặp biến có mức liên hệ cao, đồng thời làm cơ sở cho các bước kiểm định đa cộng tuyến. Trong nghiên cứu dữ liệu bảng, Wooldridge (2010) cũng khuyến nghị kiểm tra hệ số tương quan nhằm đảm bảo độ ổn định của ước lượng.

Cụ thể, ma trận tương quan sẽ trình bày hệ số Pearson giữa các biến như FT, SIZE, CAP, NPL, LDR, LLP, CIR, INF và GDP. Trường hợp phát hiện cặp biến có hệ số tương quan vượt ngưỡng ±0,8, tác giả sẽ xem xét điều chỉnh mô hình hoặc loại trừ biến dư thừa để tránh sai số ước lượng do đa cộng tuyến theo Demirgüç-Kunt & Levine ( 2008). Đồng thời, kết quả ma trận tương quan cũng hỗ trợ giải thích tính chất tương quan chéo giữa các biến vĩ mô và biến ngân hàng, góp phần làm rõ mối quan hệ cơ bản trước khi áp dụng các mô hình Pooled OLS, Fixed Effects hay GLS/FGLS. Các hệ số tương quan sẽ được trình bày đầy đủ trong bảng, kèm giải thích định tính cho từng cặp biến quan trọng.

3.5.4. Các bước thực hiện hồi quy

3.5.4.1. Mô hình hồi quy thông thường (Pooled OLS)

Hồi quy bình phương tối thiểu thông thường (Pooled OLS) để ước lượng sơ bộ mối quan hệ giữa mức độ phát triển Fintech (FT), các biến kiểm soát và chỉ số ROA/ROE. Mô hình Pooled OLS, với dạng:

𝑌𝑖,𝑡=𝛼 + 𝛽1 * FT + 𝛽2 *𝑆𝐼𝑍𝐸𝑖,𝑡 + 𝛽3 * 𝐶𝐴𝑃𝑖,𝑡 + 𝛽4 * 𝑁𝑃𝐿𝑖,𝑡 + 𝛽5 * 𝐿𝐷𝑅𝑖,𝑡 + 𝛽6 * 𝐿𝐿𝑃𝑖,𝑡 + 𝛽7 * 𝐶𝐼𝑅𝑖,𝑡 + 𝛽8 * 𝐼𝑁𝐹𝑡 + 𝛽9 * 𝐺𝐷𝑃𝑡 + 𝜀𝑖,𝑡

Trong đó:

• Yi,t: Chỉ tiêu hiệu quả hoạt động tài chính (ROA, ROE hoặc NIM) của ngân hàng i tại thời điểm t
• εi,t∶ Sai số ngẫu nhiên Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Cho phép đánh giá hướng và ý nghĩa thống kê ban đầu của từng biến Gujarati & Porter (2009). Biến phụ thuộc gồm ROA hoặc ROE; các biến độc lập: FT, SIZE, CAP, NPL, LDR, LLP, CIR, INF và GDP. Kết quả OLS trình bày hệ số 𝛽𝑘 và giá trị p-value, cung cấp cơ sở so sánh cho các mô hình Fixed Effects và Random Effects tiếp theo (Wooldridge, 2010).

3.5.4.2. Mô hình hồi quy với tác động cố định (FEM)

Mô hình FEM tác động cố định nhằm đánh giá ảnh hưởng của Fintech đến hiệu quả sinh lợi ROA tại 24 NHTM niêm yết giai đoạn 2015–2024. Sau khi chạy Pooled OLS để nhận diện chiều tác động sơ bộ, luận văn chuyển sang FEM nhằm loại bỏ sai lệch do những đặc tính bất biến của từng ngân hàng , chẳng hạn cấu trúc sở hữu, khẩu vị rủi ro và mức độ sẵn sàng đổi mới, vốn có nguy cơ đồng biến với biến Fintech và các biến kiểm soát.

𝑌𝑖,𝑡=𝛼𝑖 + 𝛽1 * FT + 𝛽2 *𝑆𝐼𝑍𝐸𝑖,𝑡 + 𝛽3 * 𝐶𝐴𝑃𝑖,𝑡 + 𝛽4 * 𝑁𝑃𝐿𝑖,𝑡 + 𝛽5 * 𝐿𝐷𝑅𝑖,𝑡 + 𝛽6 * 𝐿𝐿𝑃𝑖,𝑡 + 𝛽7 * 𝐶𝐼𝑅𝑖,𝑡 + 𝛽8 * 𝐼𝑁𝐹𝑡 + 𝛽9 * 𝐺𝐷𝑃𝑡 + 𝜀𝑖,𝑡

Trong đó:

• Yi,t: Chỉ tiêu hiệu quả hoạt động tài chính (ROA, ROE hoặc NIM) của ngân hàng i tại thời điểm t
• 𝘢i: Hằng số riêng của mỗi ngân hàng
• εi,t: Sai số ngẫu nhiên

Dữ liệu bảng được khai báo trên Stata 17.0 với cặp chỉ mục bank-year, phép biến đổi within giúp khử giá trị trung bình theo chiều dọc, trả về hệ số phản ánh biến động nội tại của ROA theo thời gian. Sai số chuẩn được cụm hoá theo ngân hàng để tăng độ tin cậy khi tồn tại phương sai không đồng nhất và tự tương quan bậc 1. Mô hình bao gồm biến chính FT (log số công ty Fintech) và các biến kiểm soát SIZE, CAP, NPL, LDR, LLP, CIR, INF, GDP đều đã được chuẩn hoá trong mục 3.3, bảo đảm khớp định nghĩa và đơn vị đo lường. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

3.5.4.3. Mô hình hồi quy với tác động ngẫu nhiên (REM)

Mô hình hồi quy với tác động ngẫu nhiên (Random Effects Model – REM) được sử dụng trong phân tích dữ liệu bảng nhằm đánh giá tác động của Fintech đến hiệu quả hoạt động tài chính của các ngân hàng, trong bối cảnh biến đặc trưng cá thể không tương quan với các biến giải thích trong mô hình.

Khác với mô hình tác động cố định (FEM), REM giả định rằng các đặc điểm riêng biệt của từng ngân hàng (như mô hình kinh doanh, cấu trúc tài chính, khả năng quản trị rủi ro…) là các biến ngẫu nhiên và không có tương quan với các biến độc lập. Điều này giúp tăng hiệu quả ước lượng khi số lượng quan sát lớn và biến thiên giữa các cá thể là ngẫu nhiên.

𝑌𝑖,𝑡=𝛽0 + 𝛽1 * FT + 𝛽2 *𝑆𝐼𝑍𝐸𝑖,𝑡 + 𝛽3 * 𝐶𝐴𝑃𝑖,𝑡 + 𝛽4 * 𝑁𝑃𝐿𝑖,𝑡 + 𝛽5 * 𝐿𝐷𝑅𝑖,𝑡 + 𝛽6 * 𝐿𝐿𝑃𝑖,𝑡 + 𝛽7 * 𝐶𝐼𝑅𝑖,𝑡 + 𝛽8 * 𝐼𝑁𝐹𝑡 + 𝛽9 * 𝐺𝐷𝑃𝑡 +𝑢𝑖 +𝜀𝑖,𝑡

Trong đó:

• Yi,t: Chỉ tiêu hiệu quả hoạt động tài chính (ROA, ROE hoặc NIM) của ngân hàng i tại thời điểm t
• 𝑢𝑖: nhiễu ngẫu nhiên đặc thù của từng ngân hàng
• εi,t: Sai số ngẫu nhiên

3.5.5. Các kiểm định khiếm khuyết

Để bảo đảm ước lượng không thiên lệch và suy luận có giá trị, luận văn triển khai chuỗi kiểm định —từ ngoài vào trong‖, tức đi từ những khuyết tật phổ biến nhất của dữ liệu bảng đến những vấn đề sâu hơn về cấu trúc chuỗi và phụ thuộc không gian. Cách tiếp cận này cho phép lựa chọn đúng mô hình, đồng thời lựa chọn đúng kỹ thuật hiệu chỉnh sai số (cluster-robust, Driscoll–Kraay, FGLS) khi các giả định Gauss–Markov bị vi phạm.

Phương sai không đồng nhất (Breusch–Pagan/Wald nhóm). Kiểm định giả thuyết H₀: phương sai phần dư đồng nhất giữa mọi quan sát; H₁: phương sai thay đổi theo quy mô ngân hàng/mức biến giải thích. Khi bác bỏ H₀, sai số chuẩn được điều chỉnh theo cụm (clustered by bank) để các bước kiểm định kế tiếp không bị nhiễu bởi heteroskedasticity.

Tự tương quan bậc nhất (Wooldridge). Kiểm định H₀: sai số năm t độc lập với sai số năm t−1 trong cùng ngân hàng; H₁: tồn tại tương quan theo thời Nếu H₀ bị bác bỏ, tiếp tục duy trì chuẩn vững theo cụm ở các ước lượng sau (và/hoặc chuyển sang FGLS) để bảo đảm tính đúng đắn của kiểm định và khoảng tin cậy. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

Phụ thuộc chéo (Pesaran CD). Kiểm định H₀: phần dư giữa các ngân hàng độc lập; H₁: có lan truyền cú sốc giữa các ngân hàng. Khi phát hiện phụ thuộc chéo, báo cáo thêm sai số Driscoll–Kraay vốn vững với N nhỏ, T đủ dài, nhằm kiểm soát đồng thời dị phương sai, tự tương quan và phụ thuộc chéo.

Đa cộng tuyến (VIF). Kiểm định H₀: không có quan hệ tuyến tính quá cao giữa các biến giải thích (VIF ≤ 10); H₁: có ít nhất một biến gần như hàm tuyến tính của phần còn lại. Bước này giúp đánh giá độ ổn định của hệ số FT và các biến kiểm soát trước khi tiến hành các kiểm định đối với chuỗi thời gian.

Tính dừng của chuỗi (LLC & IPS). Kiểm định nghiệm đơn vị cho biến phụ thuộc (ROA/ROE/NIM) và các biến giải thích: H₀ không dừng; H₁ dừng quanh giá trị cân bằng. Kết quả tính dừng là điều kiện cần để diễn giải ý nghĩa dài hạn/ngắn hạn trong khung dữ liệu bảng, đồng thời định hướng biến đổi thích hợp (khác biệt hóa/logarit hóa) nếu cần.

Trên cơ sở các kiểm định khuyết tật nêu trên, nghiên cứu lựa chọn chiến lược ước lượng phù hợp: khi heteroskedasticity/tự tương quan hiện diện, áp dụng GLS/FGLS hoặc duy trì FE với chuẩn vững theo cụm để bảo đảm suy luận; khi có phụ thuộc chéo, bổ sung Driscoll–Kraay. Quy trình này được thực hiện đồng bộ trên Stata, gắn với pipeline xử lý dữ liệu bảng của luận văn.

Song song, các kiểm định lựa chọn mô hình (F-test loại OLS, Breusch–Pagan LM khẳng định cấu trúc bảng, Hausman ưu tiên FEM) đóng vai trò —khung‖ để đặt các kiểm định khuyết tật vào đúng đặc tả nền tảng.

• Tóm tắt chương 3

Chương 3 trình bày phương pháp nghiên cứu với cách tiếp cận định tính (phân tích tài liệu, thu thập ý kiến chuyên gia) và định lượng (dữ liệu bảng 24 NHTM niêm yết giai đoạn 2015 – 2024). Dữ liệu thứ cấp từ báo cáo tài chính, NHNN được làm sạch, loại ngoại lai, chuẩn hóa. Tiếp theo, thống kê mô tả và ma trận tương quan được thực hiện để đánh giá phân phối và mối liên hệ giữa các biến. Các mô hình Pooled OLS, FEM, REM được ước lượng trên Stata 17.0 với kiểm định Hausman chọn mô hình tối ưu. Cuối cùng, các khuyết tật mô hình được kiểm định và khắc phục bằng GLS khi cần. Luận văn: PPNC của Fintech đến hoạt động tại các Ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng