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

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC 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.

4.1. PHÂN TÍCH THỐNG KÊ MÔ TẢ

Dựa trên dự liệu ở bảng 4.1 tổng hợp 240 quan sát của 24 NHTM giai đoạn 2015–2024, cho thấy ba thước đo hiệu quả cốt lõi có mức trung bình ở vùng —thận trọng‖ và phân tán đáng kể theo ngân hàng. ROA bình quân 0,9729% (SD 0,7432; min –0,6966; max 3,2379), ROE 11,0745% (SD 7,0817; min –13,1422; max 26,3876) và NIM 3,7895% (SD 1,6457; min 0,7289; max 11,1624). Các mức trung bình này phản ánh năng lực sinh lợi cải thiện sau chuyển đổi số nhưng chưa đồng đều; khi đối chiếu tổng quan Chương 2, xu hướng này phù hợp nhận định rằng Fintech giúp nâng hiệu quả song tác động khác biệt theo năng lực hấp thụ công nghệ của từng ngân hàng.

Bảng 4.1. Phân tích thống kê mô tả

Ở nhóm biến vĩ mô, tăng trưởng GDP trung bình 5,9229% (2,5538 – 8,1235) cho thấy nền kinh tế duy trì nhịp tăng hợp lý; lạm phát INF bình quân 2,7854% (0,6312–3,5396) ở vùng kiểm soát, là điều kiện thuận lợi cho ổn định biên lãi ròng nhưng vẫn có thể gây co hẹp NIM trong các năm áp lực chi phí vốn tăng. Các đặc điểm này phù hợp vai trò —hậu thuẫn‖ của vĩ mô đối với hiệu quả ngân hàng được tổng thuật trong Chương 2.

Biến quy mô SIZE (log tổng tài sản) có trung bình 3,2857 (SD 1,2172), khoảng 3,0507–3,6905, hàm ý phân hóa quy mô không quá cực đoan trong mẫu, theo logic RBV, quy mô lớn đi kèm năng lực công nghệ và quản trị tốt hơn, qua đó nâng ROA/ROE và kỷ luật chi phí.

Về hiệu quả chi phí, CIR bình quân 50,8160% (SD 18,5706), tối đa 172,25% – mức rất cao cho thấy có quan sát ghi nhận —đột biến‖ chi phí (khả dĩ do trích lập/khấu hao lớn hoặc hạch toán một lần). Kết quả này đồng pha với luận điểm Chương 2 rằng chuyển đổi số có xu hướng kéo giảm CIR về dài hạn, song ngắn hạn có thể phát sinh chi phí triển khai. Với cực trị 172%, nên xem xét nguồn gốc kế toán, đồng thời thực hiện kiểm tra độ bền (winsorize 1 – 5% hoặc loại ngoại lai rõ rệt) như quy trình xử lý dữ liệu đã mô tả ở phương pháp nghiên cứu. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

LDR bình quân 60,6227% (26,35–74,24) phản ánh chiến lược cho vay thận trọng so với tiền gửi—điều thường thấy khi ràng buộc an toàn vốn và thanh khoản được siết chặt; hệ số này ổn định quanh mức 60–70% giúp hạn chế rủi ro chênh lệch kỳ hạn. LLP trung bình 1,2925% (0,76–3,12) và NPL 2,2237% nhưng biên tối đa lên tới 30,6535% cho thấy rủi ro tín dụng tập trung ở một số thời kỳ/đơn vị; theo tổng quan, áp dụng công nghệ (phân tích dữ liệu, tự động hóa) giúp giảm chi phí giám sát và cải thiện chất lượng tín dụng, qua đó hạ LLP/NPL về mức bền vững hơn. Các quan sát có NPL/LLP cực trị cần được rà soát và đưa vào kịch bản robustness (ví dụ loại bỏ các năm xử lý nợ tái cấu trúc đặc biệt).

Chỉ số FT (thước đo hiện diện Fintech) có trung bình 4,7941 (SD 0,4665; 3,6635–5,2311), gia tăng qua thời gian, phản ánh cường độ số hóa ngành ngân hàng; theo Chương 2, sự lan tỏa Fintech giúp giảm chi phí giao dịch, tối ưu vận hành và kỳ vọng cải thiện ROA/ROE/NIM. Biến vốn hóa CAP trung bình 8,7251% (4,4637–19,1053) cho thấy mức đệm an toàn vốn tương đối, đóng vai trò bộ đệm rủi ro và hỗ trợ năng lực sinh lợi bền vững.

Về so sánh với nghiên cứu trước, mức ROA ~1% và CIR quanh 50% đặt hệ thống Việt Nam ở vùng hiệu quả trung bình, với —điểm đau‖ chi phí còn nổi bật hơn một số thị trường ASEAN đã số hóa sớm; tuy nhiên, quỹ đạo giảm CIR theo thời gian nhờ Fintech là nhất quán trong tài liệu tổng quan. Các giá trị cực trị (CIR 172%; NIM 11,16%) nhiều khả năng gắn với đặc thù mô hình kinh doanh/ghi nhận kế toán; nghiên cứu sẽ báo cáo kết quả chính kèm kiểm định độ bền sau khi xử lý ngoại lai theo hướng dẫn tại mục Thống kê mô tả/Phương pháp.

4.2. PHÂN TÍCH TƯƠNG QUAN

Ma trận tương quan ở bảng 4.2 cho thấy các quan hệ tuyến tính chủ đạo giữa biến kết quả (ROA, ROE, NIM) và các biến giải thích. Trước hết, ROA tương quan dương rất mạnh với ROE (r = 0,8846), và ở mức cao với NIM (r = 0,7122), phản ánh tính đồng biến của hiệu quả sinh lời trên tài sản, vốn chủ và biên lãi ròng trong hệ thống NHTM Việt Nam giai đoạn nghiên cứu. Ở chiều chi phí, CIR tương quan âm mạnh với cả ROA (r = −0,7204) và ROE (r = −0,7311), củng cố luận điểm —kỷ luật chi phí‖ gắn với hiệu quả sinh lời thấp hơn khi chi phí hoạt động cao; với NIM, mức âm trung bình (r = −0,5192) hàm ý tác động bất lợi nhưng kém mạnh hơn so với ROA/ROE. Quy mô ngân hàng (SIZE) đi cùng chiều với ROA (r = 0,5903) và ROE (r = 0,6128), gợi ý lợi thế quy mô; đồng thời SIZE tương quan dương trung bình với LLP (r = 0,5265), có thể phản ánh đệm dự phòng lớn hơn ở các ngân hàng quy mô lớn. Ở các cặp > 0,7 (ROA–ROE; ROA–NIM; ROA–CIR; ROE–CIR), nguy cơ đa cộng tuyến tiềm ẩn cần được kiểm chứng kỹ bằng VIF. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Bảng 4.2. Ma trận hệ số tương quan

(≈0,18–0,19) và gần như bằng 0 với NIM. Sự khác biệt này có thể bắt nguồn từ (i) đặc điểm chu kỳ mẫu (2015–2024) gồm các pha sốc Đối với nhân tố vĩ mô, hệ số tương quan của GDP với ROA (r = −0,1245) và ROE (r = −0,1148) có dấu âm nhẹ, khác với kỳ vọng tích cực trong nhiều nghiên cứu quốc tế; INF tương quan dương rất thấp với ROA/ROE COVID-19 và tái cơ cấu tín dụng khiến lợi nhuận ngân hàng không đồng pha với tăng trưởng GDP; (ii) cạnh tranh lãi suất và áp lực trần lãi, làm mờ kênh truyền dẫn từ tăng trưởng sang biên lợi nhuận; (iii) khác biệt về đo lường/độ trễ giữa dữ liệu ngân hàng niêm yết và GDP toàn nền. Vì vậy, vai trò của GDP/INF cần được kiểm định trong mô hình hồi quy với kiểm soát cố định và sai số chuẩn vững để phân biệt tác động thuần.

Các biến rủi ro tín dụng cho thấy tín hiệu hợp lý về mặt định hướng: NPL tương quan âm với ROA (r = −0,2361) và ROE (r = −0,3541), còn LLP tương quan dương nhẹ với các thước đo sinh lời (r ≈ 0,21–0,32), phù hợp bối cảnh trích lập chủ động ở các ngân hàng lớn; CAP tương quan dương với ROA/NIM, phản ánh nền tảng vốn tốt gắn với hiệu quả. LDR, FT tương quan dương nhẹ–trung bình với ROA/ROE (FT: r ≈ 0,36–0,38), phù hợp kỳ vọng Fintech hỗ trợ hiệu quả. Tựu trung, ma trận cho thấy phần lớn tương quan ở mức trung bình (|r|<0,7), gợi ý rủi ro đa cộng tuyến nghiêm trọng không phổ biến nhưng vẫn cần xác nhận bằng VIF trước khi diễn giải hệ số hồi quy.

4.3. KIỂM ĐỊNH ĐA CỘNG TUYẾN Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Dựa trên Bảng 4.3. Kiểm định VIF, mức độ đa cộng tuyến giữa các biến độc lập trong mô hình hồi quy được đánh giá là thấp đến trung bình, hoàn toàn nằm trong ngưỡng chấp nhận để ước lượng đáng tin cậy. Cụ thể, biến Fintech (FT) có giá trị VIF cao nhất là 3,10, tiếp theo là CIR = 2,96, INF = 2,40, NPL = 2,25, và SIZE = 2,06; các biến còn lại như LLP = 1,74, GDP = 1,41, ETA = 1,23, và LDR = 1,14 đều ở mức thấp. Giá trị VIF trung bình chỉ khoảng 2,03, trong khi tất cả các giá trị tolerance (1/VIF) đều lớn hơn 0,1, cho thấy không tồn tại hiện tượng đa cộng tuyến nghiêm trọng trong mô hình.

Bảng 4.3. Kiểm định VIF

So sánh với kết quả phân tích tương quan ở mục 4.2, mặc dù SIZE và CIR có tương quan âm tương đối mạnh, song giá trị VIF của hai biến này vẫn dưới ngưỡng 3. Điều này phản ánh rằng, dù hai biến có mối liên hệ kinh tế tự nhiên (ngân hàng quy mô lớn thường kiểm soát chi phí tốt hơn), phần biến thiên trùng lặp giữa chúng chưa đủ lớn để gây méo ước lượng. Ngược lại, biến FT – trung tâm của nghiên cứu – lại có tương quan khá cao với SIZE, điều này hàm ý rằng các ngân hàng có quy mô lớn thường đầu tư mạnh hơn vào công nghệ tài chính. Mặc dù VIF của FT chỉ ở mức 3,10 (vẫn dưới ngưỡng cảnh báo 5 hoặc 10), nhưng mức tương quan này có thể khiến tác động riêng biệt của Fintech bị —pha loãng‖ trong mô hình, đòi hỏi kiểm định độ vững trong các đặc tả mở rộng.

Tuy vậy, biến Fintech (FT) – biến chính của nghiên cứu – có tương quan khá cao với SIZE, do các ngân hàng lớn thường tiên phong trong ứng dụng công nghệ tài chính. Dù VIF của FT vẫn thấp (khoảng dưới 2), hiện tượng tương quan này có thể dẫn đến hiệu ứng —pha loãng‖, làm suy giảm độ nhạy trong việc phát hiện tác động riêng biệt của Fintech đến hiệu quả hoạt động. Tổng thể, các kết quả VIF khẳng định mô hình hồi quy không bị chi phối bởi đa cộng tuyến nghiêm trọng, đảm bảo độ tin cậy và ổn định của hệ số ước lượng.

4.4. KẾT QUẢ HỒI QUY TUYẾN TÍNH

4.4.1. Phân tích hồi quy tuyến tính

Bảng 4.4. Mô hình hồi quy với biến phụ thuộc ROA Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Kết quả hồi quy ở bảng 4.4 với biến phụ thuộc ROA cho thấy mô hình có sức giải thích tốt (R² = 0,675), phù hợp với bối cảnh dữ liệu bảng ngân hàng. Về ý nghĩa kinh tế, Fintech (FT) có hệ số dương và có ý nghĩa thống kê cao, khẳng định mức độ ứng dụng công nghệ (AI, dữ liệu lớn, ngân hàng số) góp phần cải thiện hiệu quả sinh lời trên tài sản thông qua kênh tối ưu chi phí, tăng năng suất và nâng cao chất lượng dịch vụ (β≈0,003; p<0,01). Đồng thời, CAP (tỷ lệ vốn chủ) cũng dương và rất có ý nghĩa với ROA, phản ánh bộ đệm vốn dày giúp giảm rủi ro, hạ chi phí vốn và nâng khả năng chống chịu, từ đó hỗ trợ lợi nhuận trên tài sản (β≈0,064; p<0,01). Hai kết quả này bám sát kỳ vọng lý thuyết và số liệu trong bảng hồi quy của luận văn.

Ngược lại, CIR mang dấu âm mạnh và có ý nghĩa cao, cho thấy kỷ luật chi phí là đòn bẩy cốt lõi của hiệu quả; ngân hàng kiểm soát chi phí tốt sẽ cải thiện ROA đáng kể (β≈−0,017; p<0,01). SIZE dương và có ý nghĩa, hàm ý lợi thế quy mô giúp khai thác hiệu ứng kinh tế theo quy mô và lan tỏa công nghệ (β≈0,002; p<0,01). INF có tác động âm (mức ý nghĩa yếu hơn), phản ánh môi trường giá cả bất ổn làm xói mòn biên lợi nhuận.

Về rủi ro tín dụng, LDR và NPL không có ý nghĩa trong đặc tả hiệu quả nhất, gợi ý ROA giai đoạn nghiên cứu không bị chi phối trực tiếp bởi mức —đẩy tín dụng‖ hay tỷ lệ nợ xấu; thay vào đó, tác động rủi ro đã nội hóa qua dự phòng (LLP mang dấu âm và có ý nghĩa, cho thấy chi phí dự phòng cao làm giảm lợi nhuận).

Bảng 4.5. Mô hình hồi quy với biến phụ thuộc ROE

Dựa trên bảng 4.5, kết quả cho thấy mô hình có hệ số xác định R² = 0,661, phản ánh khả năng giải thích tốt của các biến độc lập đối với biến phụ thuộc là tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE). Điều này khẳng định mức độ phù hợp của mô hình khi phân tích hiệu quả sinh lợi từ góc độ vốn của ngân hàng. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Biến Fintech (FT) tiếp tục thể hiện tác động dương và có ý nghĩa thống kê rất cao (β≈0,019–0,058; p<0,05). Kết quả này củng cố luận điểm rằng việc ứng dụng công nghệ tài chính giúp các ngân hàng cải thiện hiệu quả quản trị vốn, tối ưu hóa danh mục đầu tư và gia tăng tỷ suất sinh lời cho cổ đông. Khác với ROA, tác động của FT đến ROE mạnh hơn, phản ánh Fintech không chỉ cải thiện tài sản mà còn làm tăng giá trị sử dụng vốn. CIR mang hệ số âm lớn và có ý nghĩa ở mức 1%, cho thấy quản trị chi phí vẫn là nhân tố trọng yếu quyết định mức sinh lợi trên vốn. Các ngân hàng duy trì chi phí hoạt động thấp sẽ đạt ROE cao hơn, đồng nhất với kết quả ở mô hình ROA. SIZE cũng có tác động dương và rất có ý nghĩa, hàm ý lợi thế quy mô giúp ngân hàng tận dụng nguồn vốn tốt hơn và mở rộng hoạt động sinh lợi.

Ngược lại, CAP có hệ số âm mạnh và ý nghĩa cao (β≈-0,28 đến -0,52; p<0,01), trái dấu so với mô hình ROA. Khi tỷ lệ vốn chủ tăng, đòn bẩy tài chính giảm, làm suy giảm tỷ suất lợi nhuận trên vốn. Nói cách khác, ngân hàng an toàn hơn (CAP cao) nhưng hiệu quả sử dụng vốn chủ lại giảm do chi phí cơ hội của vốn lớn.

Về các biến khác, LLP (dự phòng rủi ro) có tác động âm mạnh và có ý nghĩa, phản ánh chi phí dự phòng cao làm giảm lợi nhuận cổ đông. LDR dương và có ý nghĩa ở mức 5%, cho thấy khả năng sử dụng vốn huy động hiệu quả giúp nâng cao ROE. Trong khi đó, NPL không có ý nghĩa thống kê rõ ràng, cho thấy nợ xấu chưa ảnh hưởng trực tiếp đến tỷ suất lợi nhuận vốn chủ, có thể do đã được phản ánh gián tiếp qua LLP.

Tổng thể, mô hình ROE cho thấy Fintech, quản trị chi phí và quy mô là các nhân tố nâng cao hiệu quả sử dụng vốn, trong khi vốn chủ lớn và dự phòng cao có xu hướng làm giảm tỷ suất sinh lợi của ngân hàng.

Bảng 4.6. Mô hình hồi quy với biến phụ thuộc NIM Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Dựa trên Bảng 4.6, mô hình phân tích cho thấy kết quả hồi quy thể hiện mức độ tác động khác biệt của các yếu tố tài chính và kinh tế vĩ mô đến biên lãi ròng (NIM) của các ngân hàng thương mại Việt Nam trong giai đoạn 2015–2024.

Trước hết, hệ số xác định R² = 0,467 cho thấy mô hình giải thích được khoảng 46,7% sự biến thiên của NIM, phản ánh mức độ phù hợp khá tốt đối với dữ liệu bảng ngân hàng. Biến CIR (tỷ lệ chi phí trên thu nhập) có hệ số âm lớn và có ý nghĩa thống kê cao (p < 0,01), cho thấy chi phí vận hành cao làm giảm đáng kể biên lợi nhuận lãi ròng. Đây là kết quả nhất quán với kỳ vọng lý thuyết về vai trò của quản trị chi phí trong nâng cao hiệu quả hoạt động ngân hàng.

Đáng chú ý, biến FT mang dấu âm trong một số mô hình (-0,011***) với mô hình OLS nhưng chuyển sang dấu dương và có ý nghĩa ở mức 5% trong mô hình khác (0,019**). Điều này phản ánh tác động hai chiều của Fintech đối với NIM: trong ngắn hạn, sự lan tỏa mạnh của công nghệ tài chính làm gia tăng cạnh tranh, buộc ngân hàng điều chỉnh biên lợi nhuận; song về dài hạn, Fintech giúp nâng cao năng suất, mở rộng quy mô khách hàng và tối ưu hóa chi phí, qua đó cải thiện NIM.

Biến SIZE thể hiện sự khác biệt tùy mô hình: trong một số đặc tả, SIZE dương và có ý nghĩa (0,002*), nhưng cũng có trường hợp âm nhẹ, cho thấy quy mô ngân hàng lớn không phải lúc nào cũng đảm bảo hiệu quả biên lãi nếu không đi kèm quản trị chi phí hiệu quả. GDP có hệ số dương (0,003**) và ý nghĩa cao, chứng minh rằng tăng trưởng kinh tế thúc đẩy khả năng sinh lời từ hoạt động tín dụng. Trong khi đó, INF có ảnh hưởng âm nhưng không đáng kể, hàm ý môi trường lạm phát cao có thể gây sức ép lên chênh lệch lãi suất.

Các biến kiểm soát khác như LLP, NPL, và CAP đều cho thấy tác động đáng kể ở các mức khác nhau: CAP (0,173***) có ý nghĩa dương mạnh, thể hiện vốn hóa tốt giúp tăng khả năng chịu đựng rủi ro và duy trì NIM ổn định; ngược lại, NPL âm (−0,243*) phản ánh nợ xấu làm giảm hiệu quả thu nhập lãi ròng.

Tổng thể, mô hình NIM cho thấy Fintech chưa mang lại tác động đồng nhất nhưng đóng vai trò quan trọng trong quá trình chuyển đổi hiệu quả ngân hàng, đặc biệt thông qua cơ chế gián tiếp như nâng cao năng suất và tối ưu chi phí hơn là mở rộng ngay chênh lệch lãi suất.

4.4.2. Lựa chọn mô hình hồi quy phù hợp Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Dựa trên Bảng 4.7 – Lựa chọn mô hình hồi quy với biến phụ thuộc ROA, bộ kiểm định cho kết quả nhất quán, qua đó xác lập trật tự ưu tiên mô hình và cơ sở suy luận đáng tin cậy. Trước hết, F-test cho tác động cố định cho thấy F(23,206)=12,08 với Prob > F = 0,0000, bác bỏ giả thuyết 𝐻₀ —không có khác biệt theo đơn vị quan sát‖, tức các hiệu ứng đặc thù theo ngân hàng là hiện hữu và Pooled OLS bị loại. Điều này hàm ý sự tồn tại của dị biệt bất quan sát theo từng ngân hàng (quy mô mạng lưới, năng lực quản trị, cấu trúc khách hàng…) ảnh hưởng đến ROA và cần được mô hình hóa thay vì gộp chung như OLS.

Bảng 4.7. Lựa chọn mô hình hồi quy với biên phụ thuộc ROA

Tiếp theo, kiểm định Hausman báo cáo chi2(9)=48,38 với Prob chibar2 = 0,0000, bác bỏ giả thuyết 𝐻₀ rằng ước lượng REM là nhất quán và hiệu quả; nói cách khác, có tương quan giữa biến giải thích và hiệu ứng bất quan sát, khiến REM không thỏa mãn giả định ngoại sinh nghiêm ngặt. Vì vậy, mô hình tác động cố định (FEM) được ưu tiên cho suy luận cơ sở, nhờ tính nhất quán khi tồn tại tương quan giữa các biến giải thích và dị biệt cố hữu theo ngân hàng.

Cuối cùng, kiểm định Breusch–Pagan Lagrangian (LM) cho chibar2(01)=127,78 với Prob > chibar2 = 0,0000. Kết quả này khẳng định thành phần sai số theo nhóm là có ý nghĩa, nên so với Pooled OLS, việc sử dụng mô hình dữ liệu bảng (FEM/REM) là cần thiết. Kết hợp ba kiểm định: (i) F-test loại OLS; (ii) LM xác nhận cấu trúc bảng; (iii) Hausman chọn FEM thay vì REM do đó FEM là đặc tả nền tảng phù hợp nhất cho ROA trong bối cảnh dữ liệu này.

Về hàm ý phương pháp, mặc dù FEM là điểm tựa cho suy luận nhân quả trong mẫu, cấu trúc sai số thực nghiệm thường vi phạm giả định phương sai đồng nhất hoặc độc lập theo thời gian. Thực tế, các kiểm định vi phạm ở phần sau của luận văn (White/IM-test, F-test cho phương sai thay đổi) đều có ý nghĩa, cho thấy cần điều chỉnh ước lượng bằng kỹ thuật GLS/FGLS để nâng hiệu quả sai số chuẩn mà vẫn duy trì luận điểm về dấu và ý nghĩa của các hệ số chính. Nói cách khác, FEM cung cấp khung nhất quán, còn FGLS (hoặc FE với sai số chuẩn vững mạnh theo cụm) giúp cải thiện độ chính xác của suy luận khi tồn tại phương sai thay đổi/tự tương quan trong dữ liệu bảng ngân hàng.

Bảng 4.7 xác nhận trình tự lựa chọn mô hình: loại OLS, khẳng định cấu trúc bảng, và ưu tiên FEM theo Hausman; sau đó, áp dụng FGLS/chuẩn vững để khắc phục vi phạm giả định, đảm bảo ước lượng cho ROA vừa nhất quán, vừa hiệu quả về suy luận thống kê. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Bảng 4.8. Lựa chọn mô hình hồi quy với biên phụ thuộc ROE

Dựa trên Bảng 4.8 – Lựa chọn mô hình hồi quy với biến phụ thuộc ROE, các kiểm định nền tảng cho dữ liệu bảng cho kết quả nhất quán, qua đó xác lập lựa chọn mô hình có cơ sở học thuật vững chắc. Trước hết, F-test cho tác động cố định cho thấy F(23,206)=12,74 với Prob > F = 0,0000, bác bỏ giả thuyết H₀ —không có khác biệt theo đơn vị quan sát‖. Nghĩa là tồn tại các hiệu ứng đặc thù theo ngân hàng ảnh hưởng đến ROE, khiến Pooled OLS không còn phù hợp do bỏ qua dị biệt cố hữu giữa các ngân hàng.

Tiếp theo, kiểm định Breusch–Pagan Lagrangian (LM) báo cáo chibar2(01)=156,17 với p-value = 0,0000, khẳng định thành phần phương sai theo nhóm có ý nghĩa. Điều này xác nhận bản chất dữ liệu bảng của ROE: ngoài sai số ngẫu nhiên ở mức quan sát, còn có thành phần sai số ở cấp ngân hàng, do đó mô hình hóa theo FEM/REM là cần thiết thay vì OLS gộp.

Quan trọng hơn, kiểm định Hausman cho kết quả chi2(9)=27,36 với p = 0,0012. Với p-value nhỏ, ta bác bỏ giả thuyết ước lượng REM là nhất quán và hiệu quả; nói cách khác, có tương quan giữa các biến giải thích và hiệu ứng bất quan sát ở cấp ngân hàng. Khi điều kiện ngoại sinh nghiêm ngặt của REM không thỏa, mô hình tác động cố định (FEM) được ưu tiên cho suy luận, vì bảo đảm tính nhất quán của ước lượng hệ số trong bối cảnh có khả năng thiên lệch do biến bị bỏ sót cố hữu theo ngân hàng.

Tổng hợp ba kiểm định: (i) F-test loại Pooled OLS; (ii) LM khẳng định sự tồn tại của thành phần sai số theo nhóm; và (iii) Hausman chọn FEM thay vì REM. Do đó, FEM là đặc tả nền tảng cho phân tích ROE trên tập dữ liệu này. Về mặt thực nghiệm, kết luận này phù hợp với trực giác nghiên cứu ngân hàng: dị biệt cố hữu (mô hình kinh doanh, quản trị rủi ro, cấu trúc khách hàng, chiến lược số hóa…) khó có thể hoàn toàn độc lập với các biến giải thích, nên việc —cố định‖ hiệu ứng theo ngân hàng giúp loại bỏ thiên lệch xuyên suốt thời gian và tập trung vào biến thiên trong mỗi ngân hàng.

Bảng 4.9. Lựa chọn mô hình hồi quy với biên phụ thuộc NIM Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Dựa trên Bảng 4.9 – Lựa chọn mô hình hồi quy với biến phụ thuộc NIM, các kiểm định nền tảng cho dữ liệu bảng cho kết luận nhất quán và vững chắc về mặt phương pháp. Trước hết, F-test cho tác động cố định báo cáo F(23,206)=26,88 với Prob > F = 0,0000, bác bỏ giả thuyết không tồn tại khác biệt cố hữu giữa các đơn vị quan sát. Nói cách khác, Pooled OLS bị loại vì NIM chịu ảnh hưởng đáng kể từ các đặc trưng bất quan sát theo ngân hàng (mô hình kinh doanh, khẩu vị rủi ro, cấu trúc khách hàng, mức độ số hóa…), khiến giả định —đồng nhất giữa các ngân hàng‖ của OLS không phù hợp.

Tiếp theo, kiểm định Hausman cho kết quả chi2(9)=135,05 với p-value = 0,0000. Điều này cho thấy có tương quan giữa các biến giải thích và hiệu ứng bất quan sát ở cấp ngân hàng, khiến ước lượng REM không còn nhất quán (vi phạm ngoại sinh nghiêm ngặt). Theo nguyên lý, khi Hausman có ý nghĩa, mô hình tác động cố định (FEM) phải được ưu tiên cho suy luận vì bảo đảm tính nhất quán của hệ số trong bối cảnh dị biệt cố hữu không độc lập với biến giải thích.

Đồng thời, kiểm định Breusch–Pagan Lagrangian (LM) báo cáo chibar2(01)=327,68 với p-value = 0,0000, xác nhận thành phần phương sai theo nhóm là có ý nghĩa. Kết quả này ủng hộ việc dùng mô hình dữ liệu bảng (FEM/REM) thay vì OLS gộp; tuy nhiên, kết hợp với Hausman ở trên thì FEM là đặc tả nền tảng phù hợp nhất cho NIM trong mẫu nghiên cứu.

Bảng 4.9 xác lập trình tự lựa chọn mô hình đối với NIM: (i) loại OLS do tồn tại dị biệt cố hữu giữa các ngân hàng (F-test); (ii) khẳng định cấu trúc bảng với thành phần sai số theo nhóm (LM); (iii) ưu tiên FEM thay vì REM nhờ Hausman có ý nghĩa; và (iv) áp dụng chuẩn vững/GLS-FGLS để xử lý dị phương sai, đảm bảo ước lượng vừa nhất quán vừa hiệu quả. Cách tiếp cận này nhất quán với đặc trưng NIM – một chỉ tiêu chịu chi phối mạnh bởi đặc tính riêng của từng ngân hàng – qua đó tạo nền tảng phương pháp học thuật chặt chẽ cho các phân tích và diễn giải tiếp theo.

Bảng 4.10. Kết quả lựa chọn mô hình hồi quy

4.5. ĐÁNH GIÁ VÀ KHẮC PHỤC CÁC VẤN ĐỀ VI PHẠM Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Bảng 4.11. Kiểm định vi phạm

Giả định cổ điển của mô hình bị vi phạm theo cả hai phương diện quan trọng. Thứ nhất, kiểm định Imtest White khẳng định hiện tượng phương sai sai số thay đổi với các trị số chi2(54) lần lượt bằng 130,55 (ROA), 96,45 (ROE) và 92,86 (NIM), đều vượt xa ngưỡng tới hạn và có ý nghĩa thống kê cao, qua đó bác bỏ giả thuyết đồng nhất phương sai trên toàn mẫu. Thứ hai, hàng kiểm định F-test trong cùng bảng báo cáo Prob > F = 0,0000 cho cả ba mô hình, phản ánh tự tương quan của sai số theo chuỗi thời gian trong từng ngân hàng; nếu tiếp tục dùng sai số chuẩn cổ điển, độ lệch chuẩn của ước lượng dễ bị đánh giá thấp, kéo theo rủi ro kết luận sai về ý nghĩa thống kê.

hai vi phạm trên là phù hợp với đặc trưng dữ liệu bảng của khu vực ngân hàng. Sự khác biệt đáng kể về quy mô, cấu trúc chi phí và tích hợp công nghệ giữa các ngân hàng khiến biên độ nhiễu thay đổi theo mức độ các biến giải thích – nguồn gốc thường thấy của dị phương sai. Đồng thời, hoạt động kinh doanh ngân hàng có độ quán tính và cơ chế điều hành mang tính lặp lại theo năm tài chính, dễ tạo ra tương quan bậc nhất trong phần dư theo thời gian. Nhìn ở góc độ —sức khỏe‖ của đặc tả, kết quả VIF trước đó ghi nhận Mean VIF ≈ 2,03 và không biến nào vượt ngưỡng cảnh báo thực hành, cho thấy đa cộng tuyến không phải vấn đề chi phối suy luận của mô hình.

Mức độ vi phạm là đáng kể. Với 54 bậc tự do, các trị số chi2 nêu trên đủ lớn để bác bỏ H₀ ở mức ý nghĩa 1%, khẳng định dị phương sai mạnh ở cả ba phương trình. Cùng lúc, xác suất bằng 0,0000 cho F-test ở ba biến phụ thuộc cho thấy khó có thể quan sát được mức phụ thuộc chuỗi như vậy nếu sai số độc lập theo thời gian; nói cách khác, tự tương quan là hiện hữu một cách có hệ thống. Do vậy, nếu vẫn dựa vào sai số chuẩn thông thường của OLS/FEM, các kiểm định giả thuyết về dấu và độ lớn của hệ số có nguy cơ sai lệch. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Chiến lược khắc phục được triển khai theo đúng trình tự phương pháp luận đã xác lập. Trước hết, chuỗi kiểm định lựa chọn mô hình ở các bảng trước đó cho thấy FEM là đặc tả nền tảng phù hợp (loại OLS gộp; LM khẳng định cấu trúc bảng; Hausman ủng hộ hiệu ứng cố định), bảo đảm tính nhất quán của ước lượng khi có tương quan giữa dị biệt bất quan sát và biến giải thích.

Trên nền FEM, luận văn áp dụng FGLS nhằm đồng thời khắc phục dị phương sai và tự tương quan, qua đó chuẩn hóa lại sai số chuẩn và nâng cao hiệu quả của ước lượng; các kết quả sau điều chỉnh được trình bày ở phần kế tiếp. Cách tiếp cận này vừa tuân thủ thông lệ kinh tế lượng cho dữ liệu bảng ngân hàng, vừa duy trì tính chặt chẽ học thuật: mô hình nền tảng nhất quán (FEM) đi cùng thủ tục ước lượng thích nghi (FGLS) để xử lý cấu trúc sai số thực chứng.

4.6. KẾT QUẢ KIỂM ĐỊNH KHUYẾT TẬT F-GLS

Kết quả hồi quy F-GLS được trình bày trong Bảng 4.12 là bước hoàn thiện cuối cùng của quy trình kiểm định và lựa chọn mô hình hồi quy trong nghiên cứu. Sau khi tiến hành các kiểm định F-test, Breusch–Pagan LM và Hausman, kết quả cho thấy mô hình FEM là đặc tả nền tảng phù hợp nhất cho dữ liệu bảng các ngân hàng thương mại Việt Nam, vì nó phản ánh được sự khác biệt cố hữu giữa các ngân hàng theo thời gian. Tuy nhiên, do tồn tại hiện tượng phương sai sai số thay đổi và tự tương quan, tác giả đã sử dụng phương pháp F-GLS nhằm khắc phục khuyết tật mô hình, chuẩn hóa sai số chuẩn vàđảm bảo tính hiệu quả của ước lượng.

Bên cạnh đó, các biến kiểm soát cũng phản ánh rõ quy luật hoạt động của ngành ngân hàng. Biến CIR có tác động âm và có ý nghĩa ở mức 1%, cho thấy việc kiểm soát chi phí là yếu tố then chốt giúp nâng cao hiệu quả tài chính. GDP có ảnh hưởng dương và có ý nghĩa thống kê cao, thể hiện vai trò hỗ trợ của tăng trưởng kinh tế đối với hoạt động ngân hàng. Ngược lại, INF có hệ số âm và có ý nghĩa ở mức 1%, chứng minh lạm phát cao làm suy giảm hiệu quả do gia tăng chi phí vốn. Các biến khác như LDR, LLP và NPL có mức ý nghĩa thấp, phản ánh đặc điểm khác biệt trong cấu trúc tài chính từng ngân hàng.

Bảng 4.12. Kết quả hồi quy F-GLS Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Việc lựa chọn F-GLS làm kết quả chính là hoàn toàn thuyết phục, bởi phương pháp này không chỉ khắc phục được các khuyết tật của mô hình FEM (phương sai thay đổi, tự tương quan, phụ thuộc chéo) mà còn đảm bảo ước lượng nhất quán và hiệu quả hơn về mặt suy luận thống kê. So với các mô hình OLS hay REM, FGLS mang lại kết quả đáng tin cậy hơn khi dữ liệu bảng có tính dị biệt cao giữa các ngân hàng và biến động mạnh theo thời gian. Do đó, mô hình F-GLS được xem là đặc tả hồi quy chính thức của nghiên cứu, phản ánh đúng bản chất tác động tích cực của Fintech đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam giai đoạn 2015–2024.

Bảng 4.13. Kiểm định độ bền

Dựa trên Bảng 4.13, các kiểm định độ bền khẳng định tính ổn định của kết quả chính ở Bảng 4.12 khi thay thế/điều chỉnh đặc tả và biến kiểm soát. Trước hết, biến Fintech (FT) vẫn tác động dương và có ý nghĩa rất cao đối với ROA (β=0,006559; SE=0,000972) và ROE (β=0,056218; SE=0,008024), trong khi vẫn không có ý nghĩa với NIM (β=-0,001562; SE=0,002220). Điều này nhất quán với kết quả F-GLS nền tảng (FT dương, ý nghĩa với ROA/ROE; không ý nghĩa với NIM), cho thấy phát hiện cốt lõi về vai trò của Fintech không phụ thuộc vào đặc tả mô hình.

Thứ hai, các biến kiểm soát bảo toàn dấu và mức ý nghĩa theo kỳ vọng kinh tế học ngân hàng. CIR duy trì tác động âm, ý nghĩa ở cả ba mô hình (ROA, ROE, NIM), nhấn mạnh kỷ luật chi phí là kênh truyền dẫn chủ đạo nâng cao hiệu quả. GDP tiếp tục dương và có ý nghĩa, phản ánh nền tảng vĩ mô thuận lợi hỗ trợ hiệu quả ngân hàng; ngược lại, INF mang dấu âm và ý nghĩa, hàm ý áp lực lạm phát làm xói mòn biên lợi nhuận/hiệu quả. Những mẫu hình này trùng khớp với Bảng 4.12, củng cố độ tin cậy ngoại suy của kết luận.

Thứ ba, một số kiểm soát có thay đổi cục bộ nhưng không phá vỡ câu chuyện tổng thể: SIZE trở nên âm và có ý nghĩa nhẹ với NIM (gợi ý hiệu ứng quy mô có thể đi kèm cạnh tranh giá ở kênh lãi ròng), còn LLP âm và ý nghĩa với ROE (phản ánh chi phí dự phòng gia tăng làm giảm lợi nhuận trên vốn). CAP dương với ROA nhưng âm với ROE (cùng mức ý nghĩa 10%), hàm ý tăng vốn giúp an toàn và hiệu quả trên tài sản, song có thể pha loãng lợi nhuận trên vốn chủ trong ngắn hạn.

Cuối cùng, các hệ số xác định rất cao (R²≈0,858 với ROA; 0,854 với ROE; 0,862 với NIM) xác nhận mức độ phù hợp của đặc tả kiểm định độ bền, đồng thời khớp logic với mức giải thích biến thiên đã ghi nhận ở mô hình chính. Tổng thể, Bảng 4.13 củng cố rằng tác động tích cực của Fintech lên hiệu quả tổng thể (ROA/ROE) là bền vững, còn ảnh hưởng lên NIM vẫn kém bền vững hơn do áp lực cạnh tranh giá.

4.7. THẢO LUẬN Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Kết quả thực nghiệm từ mô hình F-GLS và kiểm định độ bền ở các Bảng 4.12–4.13 cho thấy tác động của Fintech đến hiệu quả hoạt động của ngân hàng thương mại Việt Nam là rõ rệt và phù hợp với kỳ vọng lý thuyết. Cụ thể, biến FT có hệ số dương và có ý nghĩa thống kê cao đối với ROA và ROE, khẳng định giả thuyết H1 được chấp nhận. Điều này đồng thuận với các nghiên cứu quốc tế như Philippon (2016) và Chen và cộng sự (2021), trong đó Fintech được xem là nhân tố thúc đẩy hiệu quả thông qua tự động hóa quy trình, tăng tính minh bạch và giảm chi phí giao dịch. Ở bối cảnh Việt Nam, kết quả này phản ánh quá trình chuyển đổi số đang tạo ra giá trị thực tế cho ngân hàng, đặc biệt khi ứng dụng ngân hàng số, AI và thanh toán trực tuyến được phổ cập từ sau năm 2020.

Ngoài ra, biến CIR có tác động âm mạnh và có ý nghĩa ở mức 1% đối với cả ba chỉ tiêu hiệu quả, hoàn toàn phù hợp với hiệu quả chi phí theo quan điểm của Berger và Mester (1997). Điều này cho thấy năng lực kiểm soát chi phí vẫn là yếu tố trọng tâm quyết định năng suất hoạt động, đặc biệt trong giai đoạn đầu tư công nghệ tăng cao. GDP tác động dương, phản ánh vai trò hỗ trợ của môi trường kinh tế vĩ mô, trong khi INF mang dấu âm có ý nghĩa, chứng minh lạm phát cao làm suy giảm lợi nhuận do chi phí vốn tăng.

Ngược lại, NPL không có ý nghĩa thống kê trong hầu hết mô hình, khác biệt so với nhiều nghiên cứu trước như Athanasoglou (2008) cho rằng nợ xấu luôn ảnh hưởng tiêu cực đến hiệu quả. Sự khác biệt này có thể xuất phát từ đặc điểm hệ thống ngân hàng Việt Nam, nơi công tác trích lập dự phòng và xử lý nợ đã được cải thiện đáng kể giai đoạn 2020–2024, làm giảm biến động của NPL trong dữ liệu. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Về ý nghĩa thực tiễn, kết quả nghiên cứu nhấn mạnh rằng các ngân hàng Việt Nam cần đầu tư mạnh vào chuyển đổi số song song với kiểm soát chi phí và rủi ro tín dụng. Đồng thời, Ngân hàng Nhà nước cần tiếp tục tạo hành lang pháp lý thuận lợi cho hợp tác ngân hàng Fintech, song phải giám sát rủi ro hệ thống để bảo đảm ổn định tài chính dài hạn

Bảng 4.14. Kết quả tổng hợp

Tóm tắt chương 4

Chương 4 trình bày kết quả phân tích định lượng dựa trên 240 quan sát của 24 ngân hàng thương mại Việt Nam trong giai đoạn 2015–2024. Kết quả thống kê mô tả cho thấy ROA trung bình đạt 0,9729%, ROE 11,0745% và NIM 3,7895%, phản ánh hiệu quả hoạt động ở mức trung bình nhưng có sự phân hóa giữa các ngân hàng. Phân tích hồi quy FGLS cho thấy Fintech có tác động dương và có ý nghĩa thống kê ở mức 1% đối với ROA (β = 0,0052) và ROE (β = 0,0615), song không có ý nghĩa đối với NIM (β = -0,0016; p = 0,329). Các biến kiểm soát như CIR có tác động âm mạnh, GDP dương và INF âm đều có ý nghĩa thống kê, phù hợp với kỳ vọng lý thuyết. Kết quả này khẳng định vai trò tích cực của Fintech trong việc nâng cao hiệu quả hoạt động và lợi nhuận của ngân hàng thương mại Việt Nam.

CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý

5.1. KẾT LUẬN

Kết quả nghiên cứu định lượng cho thấy công nghệ tài chính (Fintech) có ảnh hưởng rõ rệt đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam trong giai đoạn 2015–2024. Cụ thể, Fintech tác động tích cực và có ý nghĩa thống kê đối với ROA và ROE, qua đó khẳng định giả thuyết H1 về mối quan hệ thuận chiều giữa mức độ ứng dụng Fintech và khả năng sinh lợi của ngân hàng. Điều này hàm ý rằng việc đẩy mạnh đầu tư và tích hợp các công nghệ số như trí tuệ nhân tạo (AI), dữ liệu lớn (Big Data), ngân hàng mở (Open API) hay thanh toán QR đã giúp ngân hàng nâng cao năng suất vận hành, giảm chi phí trung gian và cải thiện chất lượng dịch vụ. Tuy nhiên, tác động của Fintech đến biên lãi ròng (NIM) lại chưa ổn định, phản ánh áp lực cạnh tranh về giá trong ngắn hạn và xu hướng chuyển hóa lợi ích sang các kênh tăng trưởng phi tín dụng, thay vì gia tăng trực tiếp chênh lệch lãi suất. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Ngoài ra, các biến kiểm soát như tỷ lệ chi phí trên thu nhập (CIR) mang dấu âm và có ý nghĩa cao, khẳng định vai trò của kỷ luật chi phí và hiệu quả quản trị nội bộ đối với hiệu quả tổng thể của ngân hàng. Quy mô ngân hàng (SIZE) và tăng trưởng kinh tế (GDP) đều có ảnh hưởng tích cực, cho thấy các ngân hàng lớn và nền kinh tế tăng trưởng ổn định tạo điều kiện thuận lợi để khai thác hiệu quả Fintech. Ngược lại, lạm phát (INF) tác động tiêu cực, phản ánh chi phí vốn tăng và môi trường vĩ mô kém ổn định làm suy giảm hiệu quả tài chính. Trong khi đó, LDR và LLP không có ý nghĩa thống kê đáng kể, cho thấy chính sách tín dụng và dự phòng rủi ro chưa phải là kênh quyết định trong giai đoạn chuyển đổi số hiện nay.

Từ góc độ học thuật, nghiên cứu đã khẳng định và mở rộng nhiều lý thuyết nền. Trước hết, kết quả phù hợp với Lý thuyết hiệu quả hoạt động khi Fintech giúp giảm chi phí giao dịch, tối ưu quy trình và nâng cao năng suất lao động. Tiếp đến, theo Lý thuyết chi phí giao dịch, Fintech rút ngắn chuỗi trung gian tài chính, làm giảm bất cân xứng thông tin giữa ngân hàng và khách hàng, qua đó cải thiện lợi nhuận trên tài sản và vốn chủ sở hữu. Đồng thời, kết quả nghiên cứu cũng củng cố Lý thuyết khuếch tán đổi mới, minh chứng rằng việc chấp nhận và lan tỏa công nghệ mới trong ngân hàng tạo ra lợi thế cạnh tranh bền vững. Cuối cùng, các phát hiện cũng góp phần bổ sung cho Lý thuyết đại diện, khi công nghệ Fintech giúp tăng tính minh bạch và giám sát, giảm xung đột lợi ích giữa cổ đông và nhà quản lý.

Về mặt thực tiễn, nghiên cứu cung cấp bằng chứng định lượng đầu tiên tại Việt Nam về tác động của Fintech đến hiệu quả hoạt động ngân hàng với bộ dữ liệu toàn diện và phương pháp ước lượng F-GLS chuẩn vững. Kết quả chỉ ra rằng Fintech không chỉ là yếu tố hỗ trợ kỹ thuật mà là đòn bẩy chiến lược giúp ngân hàng Việt Nam chuyển đổi mô hình kinh doanh, hướng tới tăng trưởng bền vững và nâng cao khả năng cạnh tranh trong khu vực.

5.2. HÀM Ý CHÍNH SÁCH Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

5.2.1. Đối với ngân hàng thương mại

Kết quả nghiên cứu thực nghiệm cho thấy Fintech có tác động tích cực và có ý nghĩa thống kê đến ROA và ROE, trong khi tác động đến NIM chưa thực sự ổn định trong ngắn hạn. Phát hiện này hàm ý rằng việc ứng dụng Fintech trước hết có xu hướng cải thiện hiệu quả sử dụng tổng tài sản và vốn chủ sở hữu, thông qua cơ chế tối ưu hóa quy trình vận hành, gia tăng doanh thu dịch vụ và nâng cao năng suất lao động. Tuy nhiên, hiệu quả này không diễn ra một cách tự động, mà phụ thuộc vào khả năng tích hợp công nghệ với cấu trúc tổ chức và chiến lược kinh doanh của từng ngân hàng.

Từ góc độ quản trị, các ngân hàng thương mại cần tiếp cận Fintech không chỉ như một khoản đầu tư công nghệ, mà như một nguồn lực chiến lược theo quan điểm của lý thuyết dựa trên nguồn lực (RBV). Điều này đòi hỏi sự tái cấu trúc đồng bộ giữa hạ tầng công nghệ, năng lực nhân sự và hệ thống quản trị rủi ro. Kết quả hồi quy cho thấy tỷ lệ chi phí trên thu nhập (CIR) có ảnh hưởng đáng kể đến hiệu quả hoạt động, do đó, nếu việc đầu tư Fintech không đi kèm với cải thiện hiệu quả chi phí, lợi ích sinh lời có thể bị triệt tiêu bởi gánh nặng chi phí chuyển đổi số trong ngắn hạn. Vì vậy, hàm ý quan trọng rút ra là chiến lược số hóa cần gắn với tái cấu trúc quy trình nội bộ, tự động hóa vận hành và kiểm soát chi phí hoạt động nhằm đảm bảo CIR được cải thiện song song với mở rộng quy mô dịch vụ số.

Bên cạnh đó, biến quy mô ngân hàng (SIZE) cho thấy vai trò đáng kể trong việc giải thích hiệu quả hoạt động. Điều này hàm ý rằng lợi ích từ Fintech có thể được khuếch đại tại các ngân hàng có quy mô lớn nhờ hiệu ứng kinh tế theo quy mô, nhưng đồng thời cũng đặt ra yêu cầu về quản trị phức tạp hơn. Do đó, các ngân hàng cần cân nhắc sự phù hợp giữa mức độ đầu tư công nghệ và năng lực hấp thụ tổ chức. Đối với các ngân hàng quy mô trung bình và nhỏ, chiến lược hợp tác với các công ty Fintech thông qua mô hình nền tảng mở có thể là cách thức tối ưu để tận dụng lợi thế công nghệ mà không tạo áp lực tài chính quá lớn.

Việc tác động của Fintech đến NIM chưa ổn định cũng cho thấy quá trình chuyển đổi số có thể làm gia tăng cạnh tranh lãi suất và giảm biên lợi nhuận truyền thống trong ngắn hạn. Vì vậy, các ngân hàng cần dịch chuyển dần cơ cấu thu nhập từ phụ thuộc vào chênh lệch lãi suất sang mở rộng nguồn thu ngoài lãi thông qua dịch vụ số, thanh toán điện tử và hệ sinh thái tài chính tích hợp. Điều này phù hợp với xu hướng tái cấu trúc mô hình kinh doanh ngân hàng trong bối cảnh số hóa toàn diện.

Như vậy, hàm ý quản trị rút ra từ nghiên cứu không phải là gia tăng đầu tư Fintech một cách cơ học, mà là xây dựng chiến lược chuyển đổi số dựa trên tối ưu hóa cấu trúc chi phí, nâng cao năng lực tổ chức và đa dạng hóa nguồn thu, nhằm đảm bảo tác động tích cực của Fintech đến hiệu quả hoạt động được duy trì bền vững trong trung và dài hạn.

5.2.2. Đối với cơ quan nhà nước Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Trên cơ sở kết quả thực nghiệm cho thấy Fintech có ảnh hưởng tích cực đến hiệu quả hoạt động của ngân hàng thương mại, nhưng đồng thời tồn tại sự khác biệt về mức độ tác động giữa các chỉ tiêu sinh lời, nghiên cứu hàm ý rằng vai trò của cơ quan quản lý không chỉ dừng lại ở thúc đẩy đổi mới công nghệ, mà còn ở việc thiết lập một môi trường thể chế cân bằng giữa khuyến khích sáng tạo và kiểm soát rủi ro hệ thống.

Từ góc độ chính sách, việc hoàn thiện khuôn khổ pháp lý đối với hoạt động Fintech cần được triển khai theo hướng linh hoạt, thích ứng với tốc độ thay đổi công nghệ. Các cơ chế thử nghiệm có kiểm soát (regulatory sandbox) có ý nghĩa quan trọng trong việc tạo không gian cho đổi mới sáng tạo, đồng thời giúp cơ quan quản lý đánh giá tác động thực tiễn trước khi ban hành quy định chính thức. Điều này đặc biệt cần thiết trong bối cảnh các mô hình ngân hàng số, chia sẻ dữ liệu qua API và ứng dụng trí tuệ nhân tạo ngày càng phổ biến.

Bên cạnh đó, khi Fintech làm gia tăng mức độ phụ thuộc vào hạ tầng công nghệ và dữ liệu, yêu cầu về an ninh mạng, bảo mật thông tin và quản trị rủi ro công nghệ trở nên cấp thiết hơn. Do đó, hàm ý chính sách rút ra là cần tiếp tục hoàn thiện chuẩn mực quản trị rủi ro công nghệ, đồng bộ với các thông lệ quốc tế, nhằm đảm bảo rằng quá trình chuyển đổi số không làm suy giảm ổn định tài chính.

Ngoài ra, các biến vĩ mô như tăng trưởng GDP và lạm phát có tác động nhất định đến hiệu quả ngân hàng, cho thấy môi trường kinh tế ổn định là điều kiện quan trọng để Fintech phát huy hiệu quả. Vì vậy, chính sách tiền tệ và điều hành vĩ mô cần duy trì tính ổn định và minh bạch, qua đó tạo nền tảng cho hệ thống ngân hàng khai thác hiệu quả các lợi ích từ đổi mới công nghệ.

5.3. HẠN CHẾ CỦA NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Một số hạn chế.

Mặc dù luận văn đã đạt được những kết quả thực chứng có giá trị khi chứng minh được tác động tích cực của Fintech đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam, song nghiên cứu vẫn còn tồn tại một số hạn chế nhất định cần được nhìn nhận khách quan. Trước hết, về mặt phương pháp luận, mô hình hồi quy sử dụng trong luận văn chủ yếu dựa trên dữ liệu bảng tĩnh (FGLS) nhằm khắc phục hiện tượng phương sai thay đổi và tự tương quan, tuy nhiên chưa xem xét đến độ trễ trong tác động của Fintech đối với hiệu quả ngân hàng. Trên thực tế, việc đầu tư và ứng dụng công nghệ tài chính không mang lại kết quả tức thời mà thường cần một khoảng thời gian nhất định để thể hiện rõ hiệu quả tài chính. Việc chưa đưa yếu tố độ trễ vào mô hình có thể khiến tác động của Fintech được phản ánh chưa đầy đủ, đặc biệt là trong dài hạn. Bên cạnh đó, mối quan hệ giữa Fintech và hiệu quả hoạt động có thể mang tính phi tuyến, tức là chỉ khi mức độ ứng dụng Fintech vượt qua một ngưỡng nhất định mới tạo ra tác động rõ rệt. Tuy nhiên, luận văn chưa tiến hành kiểm định tính phi tuyến hay sử dụng mô hình hồi quy phi tuyến để đánh giá đặc điểm này. Ngoài ra, nghiên cứu cũng chưa kiểm tra tính bền vững của kết quả thông qua các biến thay thế cho Fintech hoặc hiệu quả hoạt động, nên mức độ khái quát của mô hình vẫn còn hạn chế.

Một điểm hạn chế khác xuất phát từ khía cạnh dữ liệu. Bộ dữ liệu được sử dụng trong nghiên cứu bao gồm 24 ngân hàng thương mại Việt Nam trong giai đoạn 2015–2024, nhưng chỉ phản ánh mức độ phát triển Fintech thông qua chỉ số tổng hợp mà chưa phân tách rõ từng loại hình công nghệ tài chính như thanh toán, cho vay, quản lý tài sản hay công nghệ giám sát. Điều này giúp đơn giản hóa mô hình định lượng nhưng lại làm mờ đi cơ chế tác động riêng của từng nhóm Fintech đối với hiệu quả tài chính. Đồng thời, dữ liệu hiện tại mới phản ánh mức độ ứng dụng Fintech của hệ thống nói chung mà chưa đo lường được cường độ hợp tác cụ thể giữa từng ngân hàng và doanh nghiệp Fintech – yếu tố có thể quyết định sự khác biệt về hiệu quả hoạt động. Một số chỉ tiêu vĩ mô như tăng trưởng GDP và lạm phát được thu thập từ các nguồn thống kê chính thức nhưng chưa phản ánh đầy đủ biến động ngắn hạn của nền kinh tế, điều này phần nào ảnh hưởng đến độ chính xác và khả năng phản ánh thực tế của mô hình.

Về phạm vi nghiên cứu, luận văn hiện mới tập trung vào các ngân hàng thương mại cổ phần niêm yết, chưa bao quát nhóm ngân hàng quy mô nhỏ, ngân hàng liên doanh hay ngân hàng nước ngoài đang hoạt động tại Việt Nam. Sự giới hạn này khiến cho khả năng khái quát của kết quả còn bị thu hẹp, trong khi mức độ ứng dụng Fintech giữa các nhóm ngân hàng có sự khác biệt đáng kể. Bên cạnh đó, nghiên cứu mới dừng lại ở việc xem xét mối quan hệ trực tiếp giữa Fintech và hiệu quả hoạt động mà chưa phân tích các tác động gián tiếp thông qua các yếu tố trung gian như hiệu quả chi phí, quy mô hoạt động hoặc năng lực quản trị rủi ro. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

Hướng cãi thiện nghiên cứu trong tương lai.

Từ những hạn chế nêu trên, các hướng nghiên cứu trong tương lai có thể được mở rộng và hoàn thiện hơn. Các công trình tiếp theo có thể xem xét mô hình hồi quy động hoặc phi tuyến, như System-GMM hoặc PVAR, nhằm phản ánh tốt hơn tác động trễ và mối quan hệ hai chiều giữa Fintech và hiệu quả hoạt động ngân hàng. Việc sử dụng các phương pháp tiên tiến này sẽ giúp tăng tính tin cậy và độ sâu của kết quả nghiên cứu. Bên cạnh đó, việc phân tích so sánh giữa các nhóm ngân hàng – chẳng hạn giữa nhóm ngân hàng lớn và nhỏ, quốc doanh và tư nhân, hoặc niêm yết và chưa niêm yết – cũng có thể làm rõ sự khác biệt về mức độ ứng dụng Fintech và hiệu quả đạt được.

Một hướng nghiên cứu đáng quan tâm khác là mở rộng sang phân tích cơ chế tác động trung gian, trong đó Fintech có thể ảnh hưởng gián tiếp đến hiệu quả hoạt động thông qua việc cải thiện hiệu quả chi phí (CIR) hoặc tăng quy mô hoạt động (SIZE). Điều này không chỉ giúp giải thích rõ hơn cơ chế truyền dẫn của Fintech mà còn đóng góp vào việc hoàn thiện mô hình lý thuyết trong lĩnh vực ngân hàng số. Ngoài ra, việc mở rộng nghiên cứu sang phạm vi khu vực, đặc biệt là so sánh giữa Việt Nam và các quốc gia ASEAN có mức độ phát triển Fintech tương đồng như Thái Lan, Malaysia hay Singapore, sẽ giúp đánh giá vị thế cạnh tranh và năng lực hội nhập của các ngân hàng Việt Nam trong khu vực. Cuối cùng, trong bối cảnh dữ liệu ngân hàng ngày càng lớn và phức tạp, việc ứng dụng các phương pháp phân tích hiện đại như Machine Learning hay mô hình mạng nơ-ron nhân tạo có thể mang lại giá trị dự báo cao hơn, đồng thời phát hiện những mối quan hệ phi tuyến tiềm ẩn mà các mô hình truyền thống khó nắm bắt.

Tóm tắt chương 5

Chương 5 đã tổng hợp và khái quát toàn bộ nội dung nghiên cứu, khẳng định Fintech có tác động tích cực đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam, đặc biệt qua hai chỉ tiêu ROA và ROE, trong khi tác động đến NIM chưa rõ rệt do áp lực cạnh tranh và biên lợi nhuận thu hẹp. Kết quả thực nghiệm cho thấy hiệu quả chi phí (CIR) đóng vai trò then chốt, cùng với đó quy mô ngân hàng (SIZE) và tốc độ tăng trưởng kinh tế (GDP) có ảnh hưởng tích cực, còn lạm phát (INF) lại tác động ngược chiều đến hiệu quả. Trên cơ sở đó, luận văn đề xuất các hàm ý chính sách nhằm nâng cao năng lực số hóa, quản trị chi phí, phát triển nhân lực và hoàn thiện khung pháp lý Fintech. Cuối cùng, chương này cũng nêu rõ những hạn chế về phương pháp và dữ liệu, đồng thời định hướng nghiên cứu tương lai theo hướng mở rộng mô hình động, phân tích phi tuyến và so sánh quốc tế, góp phần hoàn thiện hiểu biết về tác động của Fintech trong bối cảnh hội nhập tài chính số. Luận văn: KQNC của Fintech đến hoạt động tại các Ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:

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

Luận Văn Thạc Sĩ, Tài Chính Ngân Hàng