Giới thiệu dự án
Trong kỷ nguyên chuyển đổi số ngành ngân hàng và thanh toán không dùng tiền mặt (cashless payment), thẻ tín dụng đóng vai trò là đòn bẩy tài chính quan trọng thúc đẩy tiêu dùng nội địa và hội nhập kinh tế quốc tế. Theo số liệu từ Ngân hàng Nhà nước Việt Nam, tốc độ tăng trưởng giao dịch qua thẻ và các kênh số hóa hàng năm đạt trên 30%, tuy nhiên mức độ thâm nhập của thẻ tín dụng tại các đô thị loại I trực thuộc tỉnh – điển hình như Thành phố Biên Hòa (Đồng Nai) với quy mô dân số hơn 1,1 triệu người – vẫn chưa tương xứng với tiềm năng kinh tế thực tế.
Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng (Mã số: 7340201) của tác giả Trần Đức Thắng tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB), dưới sự hướng dẫn khoa học của TS. Nguyễn Thị Thu Trang, đã giải quyết bài toán định lượng hành vi người tiêu dùng thông qua đề tài: "Các nhân tố ảnh hưởng tới ý định sử dụng thẻ tín dụng của khách hàng cá nhân tại các Ngân hàng Thương mại khu vực Thành phố Biên Hòa".
Vấn đề thực tiễn và Pain Points
Mặc dù thẻ tín dụng mang lại các tiện ích vượt trội như chi tiêu trước trả tiền sau, miễn lãi tối đa 45–55 ngày, trả góp lãi suất 0% và tích điểm hoàn tiền, tỷ lệ mở và kích hoạt thẻ thực tế tại các Ngân hàng Thương mại Cổ phần (NHTM) tại Biên Hòa đối mặt với 3 điểm nghẽn (pain points):
- Rào cản nhận thức về an toàn thông tin: Khách hàng lo ngại rủi ro gian lận giao dịch trực tuyến, rò rỉ mã CVV/CVC và tội phạm mạng công nghệ cao.
- Gánh nặng chi phí tiềm ẩn: Thiếu minh bạch trong biểu phí thường niên, phí phạt chậm thanh toán và lãi suất quá hạn khiến người dùng có xu hướng e dè.
- Quy trình thẩm định và giao diện tiếp cận: Thủ tục chứng minh thu nhập phức tạp và trải nghiệm số hóa trên ứng dụng ngân hàng số chưa được tối ưu hóa đồng bộ.
Mục tiêu nghiên cứu cụ thể
- Xác định và đo lường hệ thống các nhân tố cấu thành ý định sử dụng thẻ tín dụng của khách hàng cá nhân (KHCN) tại địa bàn TP. Biên Hòa.
- Đánh giá mức độ tác động và thứ tự ưu tiên của từng biến số thông qua mô hình phân tích định lượng đa biến.
- Đề xuất hệ thống hàm ý quản trị giúp các NHTM tối ưu hóa chiến lược phát triển sản phẩm, truyền thông và gia tăng tỷ lệ phát hành thẻ.
Phương pháp tiếp cận và Phạm vi
- Phương pháp: Kết hợp nghiên cứu định tính (hiệu chỉnh thang đo) và nghiên cứu định lượng thực nghiệm (khảo sát trực tuyến qua bảng hỏi Likert 5 mức độ, phân tích dữ liệu trên nền tảng IBM SPSS Statistics 26.0).
- Phạm vi & Giới hạn: Khảo sát thực hiện trên tập mẫu $N = 274$ khách hàng cá nhân sinh sống, làm việc tại TP. Biên Hòa; lấy mẫu thuận tiện phi xác suất dựa trên nguyên tắc tối thiểu $5 \times k$ biến quan sát của Hair et al. (2006).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu hành vi chấp nhận dịch vụ tài chính số đòi hỏi việc lựa chọn khung lý thuyết phù hợp nhằm phản ánh toàn diện các khía cạnh tâm lý và kinh tế.
| Hướng tiếp cận |
Ưu điểm |
Nhược điểm |
Đánh giá áp dụng |
| Thuyết Hành vi Hợp lý (TRA - Ajzen & Fishbein, 1975) |
Đơn giản, giải thích trực tiếp mối quan hệ giữa Thái độ, Chuẩn chủ quan và Ý định hành vi. |
Bỏ qua các ràng buộc về nguồn lực và rào cản kiểm soát hành vi thực tế. |
Nền tảng ban đầu |
| Thuyết Hành vi Có kế hoạch (TPB - Ajzen, 1991) |
Bổ sung yếu tố "Kiểm soát hành vi nhận thức", phản ánh năng lực tài chính và điều kiện thực thi. |
Chưa đi sâu vào các đặc tính công nghệ tương tác của phương thức thanh toán số. |
Khung tham chiếu mở rộng |
| Mô hình Chấp nhận Công nghệ (TAM - Davis, 1989) |
Tập trung chính xác vào 2 trụ cột: Nhận thức tính hữu ích (PU) và Nhận thức tính dễ sử dụng (PEOU). |
Chưa tích hợp trực tiếp các biến số tài chính (chi phí, lãi suất) và rủi ro an ninh mạng. |
Khung cốt lõi tích hợp |
So sánh với các công trình nghiên cứu tiền nhiệm
- Bùi Ngọc Toản (2017): Sử dụng mô hình UTAUT tại TP.HCM, kết luận kỳ vọng hiệu quả và ảnh hưởng xã hội tác động mạnh, nhưng cỡ mẫu nhỏ và chưa bao quát khu vực đô thị vệ tinh.
- Vũ Văn Điệp (2017): Kết hợp TAM và TPB trong thanh toán điện tử, nhấn mạnh yếu tố niềm tin và rủi ro nhận thức.
- Huỳnh Tú Trinh (2019): Nghiên cứu tại VietinBank TP.HCM, chỉ ra tính tiện lợi và thái độ về rủi ro là biến định hình chính, nhưng tính khái quát cho toàn hệ thống NHTM chưa cao.
- Nguyễn Thị Hồng (2023): Nghiên cứu người tiêu dùng trung niên, chỉ ra niềm tin chịu tác động lớn từ tính hữu ích, tuy nhiên giới hạn theo phân khúc độ tuổi hẹp.
Phân loại yêu cầu hệ thống thang đo theo chuẩn MoSCoW
- Must-Have (Bắt buộc): Thang đo Nhận thức tính hữu ích (4 items), Nhận thức dễ sử dụng (4 items), Nhận thức bảo mật (4 items).
- Should-Have (Cần có): Thang đo Chi phí sử dụng (4 items - minh bạch phí, lãi trễ hạn, phí thường niên), Ý định hành vi (4 items).
- Could-Have (Nên có): Thang đo Độ tin cậy thương hiệu ngân hàng (4 items).
- Won't-Have (Loại trừ): Các biến nhân khẩu học phức tạp ngoài 6 đặc trưng cơ bản (Giới tính, Độ tuổi, Trình độ, Nghề nghiệp, Thu nhập, Tình trạng sử dụng thẻ).
Thiết kế hệ thống mô hình định lượng
Mô hình nghiên cứu đề xuất gồm 5 biến độc lập và 1 biến phụ thuộc, được mô hình hóa toán học qua phương trình hồi quy tuyến tính bội:
$$YD = \beta_0 + \beta_1 \cdot HI + \beta_2 \cdot SD + \beta_3 \cdot TC + \beta_4 \cdot BM + \beta_5 \cdot CP + \varepsilon$$
Trong đó:
- $YD$: Ý định sử dụng thẻ tín dụng (Intention to Use)
- $HI$: Nhận thức tính hữu ích (Perceived Usefulness) - 4 biến quan sát (HI1–HI4)
- $SD$: Nhận thức dễ sử dụng (Perceived Ease of Use) - 4 biến quan sát (SD1–SD4)
- $TC$: Độ tin cậy (Reliability/Trust) - 4 biến quan sát (TC1–TC4)
- $BM$: Nhận thức về bảo mật (Perceived Security) - 4 biến quan sát (BM1–BM4)
- $CP$: Chi phí sử dụng thẻ (Perceived Cost) - 4 biến quan sát (CP1–CP4)
- $\beta_0$: Hằng số hồi quy (Intercept); $\beta_1 \dots \beta_5$: Hệ số hồi quy riêng phần (Partial Regression Coefficients); $\varepsilon$: Sai số ngẫu nhiên (Residual error).
Technology Stack & Software Toolchain
- Công cụ phân tích chính: IBM SPSS Statistics version 26.0 (Core Engine cho Cronbach's Alpha, EFA, OLS Regression, ANOVA, T-Test).
- Ngôn ngữ xử lý bổ trợ: Python 3.10 với các thư viện:
pandas (v2.1.0) & numpy (v1.24.3): Tiền xử lý, chuẩn hóa ma trận dữ liệu.
statsmodels (v0.14.0): Tính toán chỉ số Durbin-Watson, hệ số VIF và kiểm định phương sai sai số thay đổi (Heteroskedasticity).
seaborn (v0.12.2) & matplotlib (v3.7.1): Trực quan hóa ma trận tương quan Pearson và biểu đồ phân phối phần dư chuẩn hóa.
- Công cụ thu thập dữ liệu: Google Forms API tích hợp Google Sheets để trích xuất dữ liệu thô thời gian thực.
Methodology
Nghiên cứu áp dụng quy trình 2 giai đoạn chuẩn mực theo phương pháp luận khoa học:
- Nghiên cứu sơ bộ (Qualitative Pre-test): Thảo luận nhóm chuyên gia (giảng viên chuyên ngành tài chính và chuyên viên tín dụng ngân hàng) để điều chỉnh ngữ nghĩa của 24 biến quan sát cho phù hợp với bối cảnh địa phương TP. Biên Hòa.
- Nghiên cứu chính thức (Quantitative Research): Triển khai khảo sát diện rộng, thu về 274 phiếu hợp lệ. Cỡ mẫu thỏa mãn tiêu chuẩn của Hair et al. (2006) ($N \ge 5 \times 24 = 120$) và quy tắc Green (1991) cho phân tích hồi quy bội ($N \ge 50 + 8 \times 5 = 90$).
Bảng đánh giá rủi ro phương pháp luận và biện pháp xử lý
| Rủi ro kỹ thuật |
Mức độ |
Biện pháp kiểm soát & Giảm thiểu |
| Sai lệch chọn mẫu (Sampling Bias) |
Trung bình |
Phân bổ kênh khảo sát đa dạng qua mạng xã hội, hội nhóm dân cư tại các phường trung tâm TP. Biên Hòa (Quyết Thắng, Trảng Dài, Hố Nai, Tam Hiệp). |
| Đa cộng tuyến (Multicollinearity) |
Cao |
Đánh giá hệ số phóng đại phương sai (VIF); thiết lập ngưỡng loại trừ nghiêm ngặt $VIF > 2.0$. |
| Vi phạm tính hội tụ EFA |
Trung bình |
Sử dụng phương pháp trích Principal Axis Factoring với phép xoay vuông góc Varimax, kiểm soát hệ số tải $\ge 0.50$. |
Implementation và kết quả
Development Process & Pipeline xử lý dữ liệu
Quy trình phân tích dữ liệu định lượng được thực thi theo pipeline tự động hóa bằng Python/SPSS nhằm bảo đảm tính lặp lại (reproducibility) và chính xác tuyệt đối.
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# 1. Pipeline tính toán hệ số tin cậy Cronbach's Alpha
def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
k = df_items.shape[1]
item_variances = df_items.var(axis=0, ddof=1)
total_score_variance = df_items.sum(axis=1).var(ddof=1)
alpha = (k / (k - 1)) * (1 - (item_variances.sum() / total_score_variance))
return round(alpha, 4)
# 2. Pipeline ước lượng mô hình hồi quy tuyến tính OLS & Kiểm định VIF
def run_linear_regression(X: pd.DataFrame, y: pd.Series):
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()
# Tính hệ số VIF chống đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [
variance_inflation_factor(X.values, i) for i in range(X.shape[1])
]
return model.summary(), vif_data
# Ví dụ thực thi trên tập dữ liệu khảo sát N=274
# summary, vif_report = run_linear_regression(X_independent, y_dependent)
Testing và Validation
1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)
Tất cả 6 thang đo đều đạt chuẩn kiểm định với hệ số Cronbach's Alpha $> 0.60$ và hệ số tương quan biến – tổng (Corrected Item-Total Correlation) của tất cả 24 biến quan sát đều $> 0.30$, không có biến nào bị loại.
| Mã thang đo |
Tên nhân tố |
Số biến quan sát |
Hệ số Cronbach's Alpha |
Đánh giá độ tin cậy |
| HI |
Nhận thức tính hữu ích |
4 (HI1 - HI4) |
0.842 |
Rất tốt |
| SD |
Nhận thức dễ sử dụng |
4 (SD1 - SD4) |
0.815 |
Rất tốt |
| TC |
Độ tin cậy |
4 (TC1 - TC4) |
0.789 |
Tốt |
| BM |
Nhận thức về bảo mật |
4 (BM1 - BM4) |
0.826 |
Rất tốt |
| CP |
Chi phí sử dụng thẻ |
4 (CP1 - CP4) |
0.778 |
Tốt |
| YD |
Ý định sử dụng thẻ tín dụng |
4 (YD1 - YD4) |
0.856 |
Rất tốt |
2. Phân tích nhân tố khám phá (EFA)
- Biến độc lập:
- Hệ số $KMO = 0.835$ (thỏa mãn $0.5 < KMO < 1$), kiểm định Bartlett có giá trị thống kê $\chi^2$ cao với mức ý nghĩa $p\text{-value} = 0.000 < 0.05$.
- 5 nhân tố được trích xuất tại giá trị Eigenvalue $> 1.0$, tổng phương sai trích (Total Variance Explained) đạt 62.45% ($> 50%$).
- Ma trận xoay nhân tố (Rotated Component Matrix) cho thấy tất cả hệ số tải (Factor Loading) đều $> 0.55$, phân tách rõ ràng thành 5 nhóm nhân tố nguyên bản.
- Biến phụ thuộc: $KMO = 0.792$, phương sai trích đạt 69.80%, trích xuất thành công 1 nhân tố duy nhất đại diện cho Ý định sử dụng (YD).
3. Kết quả hồi quy tuyến tính bội và kiểm định giả thuyết
0.0 0.1 0.2 0.3 0.4
| Giả thuyết |
Mối quan hệ |
Hệ số $\beta$ chuẩn hóa |
Sig. (p-value) |
Hệ số VIF |
Kết luận kiểm định |
| H1 |
$HI \to YD$ |
+0.384 |
0.000 |
1.342 |
Chấp nhận (Tác động mạnh nhất) |
| H2 |
$SD \to YD$ |
+0.198 |
0.001 |
1.285 |
Chấp nhận |
| H3 |
$TC \to YD$ |
-0.015 |
0.782 |
1.410 |
Bác bỏ (Không có ý nghĩa thống kê) |
| H4 |
$BM \to YD$ |
+0.245 |
0.000 |
1.315 |
Chấp nhận (Tác động thứ hai) |
| H5 |
$CP \to YD$ |
+0.142 |
0.012 |
1.196 |
Chấp nhận |
- Chất lượng mô hình: Hệ số $R^2$ hiệu chỉnh đạt 0.548, chứng minh 4 nhân tố ($HI, BM, SD, CP$) giải thích được 54.8% sự biến thiên của Ý định sử dụng thẻ tín dụng tại TP. Biên Hòa.
- Kiểm định ANOVA: Trị số $F = 65.42$ ($p = 0.000 < 0.001$), mô hình có ý nghĩa thống kê cao.
- Kiểm định vi phạm giả định: Hệ số Durbin-Watson đạt 1.892 (nằm trong dải chuẩn $1.5 - 2.5$), không có hiện tượng tự tương quan chuỗi bậc nhất. Tất cả hệ số $VIF < 1.5$, hoàn toàn không xuất hiện đa cộng tuyến.
4. Phân tích khác biệt nhân khẩu học (T-Test & ANOVA)
- Không có sự khác biệt có ý nghĩa thống kê ($p > 0.05$) về ý định dùng thẻ theo: Giới tính ($p = 0.412$), Độ tuổi ($p = 0.185$), Trình độ học vấn ($p = 0.329$), Nghề nghiệp ($p = 0.210$), Mức thu nhập ($p = 0.154$).
- Có sự khác biệt rõ rệt ($p = 0.002 < 0.05$) giữa nhóm đã từng sử dụng thẻ tín dụng (điểm trung bình $Mean = 3.92$) và nhóm chưa từng sử dụng ($Mean = 3.24$). Trải nghiệm thực tế đóng vai trò then chốt củng cố ý định tiếp tục sử dụng và giới thiệu dịch vụ.
Đổi mới và đóng góp
- Hiệu chỉnh mô hình cho đô thị vệ tinh cấp tỉnh: Khác với các nghiên cứu tập trung vào 2 đại đô thị (Hà Nội, TP.HCM), nghiên cứu này cung cấp bằng chứng thực nghiệm chuyên sâu đầu tiên về thị trường thẻ tín dụng tại TP. Biên Hòa – trung tâm công nghiệp lớn với tỷ lệ lao động công sở và công nhân kỹ thuật cao.
- Phát hiện bất ngờ về biến Độ tin cậy (TC): Nghiên cứu chỉ ra biến Độ tin cậy thương hiệu ngân hàng không có tác động trực tiếp ($p = 0.782$), cho thấy người tiêu dùng hiện đại tại Biên Hòa coi uy tín ngân hàng là "điều kiện mặc định" và chú trọng trực tiếp vào lợi ích chức năng (ưu đãi, hoàn tiền) và bảo mật kỹ thuật số hơn là tên tuổi thương hiệu.
- Đóng góp kinh tế lượng ứng dụng: Định lượng hóa chính xác tỷ trọng đóng góp của 4 nhân tố: Tính hữu ích đóng góp 40.2%, Bảo mật đóng góp 25.6%, Dễ sử dụng đóng góp 20.7%, và Chi phí đóng góp 13.5% vào cấu trúc quyết định của khách hàng.
Ứng dụng thực tế và triển khai
Dựa trên trọng số hồi quy, các NHTM trên địa bàn TP. Biên Hòa (Vietcombank, Techcombank, ACB, MB, BIDV, VPBank,...) có thể áp dụng lộ trình chiến lược 4 trụ cột:
- Cashback 5-10% - 3D-Secure 2.0 - eKYC mở thẻ - Miễn phí năm đầu
- 0% lãi suất tại - Smart OTP/FIDO2 trong 5 phút - Cảnh báo biến phí
Amata/Biên Hòa - Khóa thẻ 1 chạm - Giao diện tối giản - Dashboard quản lý
1. Trụ cột 1: Nâng cao Nhận thức tính hữu ích (Trọng số $\beta = 0.384$)
- Thiết kế hệ sinh thái ưu đãi bản địa hóa: Hợp tác với các trung tâm thương mại lớn tại Biên Hòa (Vincom Plaza Biên Hòa, Big C / GO! Đồng Nai, Mega Market) và chuỗi dịch vụ ẩm thực, giáo dục để triển khai chương trình cashback 5% - 10% hoặc trả góp 0% lãi suất.
- Tiện ích hóa tính năng quản lý tài chính: Cung cấp biểu đồ trực quan phân tích chi tiêu hàng tháng theo danh mục trên Mobile Banking App, hỗ trợ người dùng lập ngân sách thông minh.
2. Trụ cột 2: Củng cố Nhận thức về Bảo mật (Trọng số $\beta = 0.245$)
- Nâng cấp chuẩn bảo mật giao dịch số: Tích hợp công nghệ xác thực 3D-Secure 2.0, sinh trắc học FIDO2, mã hóa số thẻ ảo (Tokenization) cho các giao dịch Apple Pay / Google Wallet.
- Tính năng kiểm soát thẻ tức thì: Cho phép khách hàng chủ động bật/tắt tính năng thanh toán trực tuyến, khóa/mở thẻ tạm thời hoặc điều chỉnh hạn mức giao dịch chỉ với một chạm trên ứng dụng.
3. Trụ cột 3: Tối ưu hóa Nhận thức dễ sử dụng (Trọng số $\beta = 0.198$)
- Số hóa toàn trình quy trình mở thẻ (100% Digital Onboarding): Ứng dụng định danh điện tử eKYC và chấm điểm tín dụng tự động (Credit Scoring Engine) dựa trên dữ liệu giao dịch tài khoản thanh toán, cho phép phê duyệt và phát hành thẻ ảo trong vòng 5 phút.
4. Trụ cột 4: Hợp lý hóa và Minh bạch Chi phí (Trọng số $\beta = 0.142$)
- Chính sách phí linh hoạt: Miễn phí thường niên năm đầu hoặc miễn phí trọn đời khi đạt hạn mức chi tiêu tích lũy tối thiểu (ví dụ: chi tiêu từ 30 triệu đồng/năm).
- Minh bạch hóa bảng tính lãi và phí: Tự động gửi thông báo nhắc lịch thanh toán qua SMS/Zalo/App Notifications trước 5 ngày và 2 ngày đến hạn, tích hợp bảng mô phỏng lãi suất phát sinh nếu chỉ thanh toán dư nợ tối thiểu.
Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI Analysis)
- Chi phí triển khai ước tính: Khoảng 350 - 500 triệu VNĐ cho một chi nhánh cấp 1 trong việc tái cấu trúc chiến dịch tiếp thị số, nâng cấp module phần mềm và đào tạo nhân sự tư vấn.
- Lợi ích dự phóng (ROI): Tăng trưởng 25% - 35% lượng phát hành thẻ mới trong năm đầu; giảm tỷ lệ nợ xấu do chậm thanh toán xuống dưới 1.5% nhờ hệ thống cảnh báo tự động; tăng tỷ lệ kích hoạt và duy trì chi tiêu thường xuyên thêm 40%.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật của đề tài
- Phương pháp lấy mẫu: Sử dụng phương pháp lấy mẫu thuận tiện phi xác suất với $N = 274$, tính đại diện có thể chưa bao phủ hoàn toàn các nhóm cư dân ngoại thành Biên Hòa (Long Hưng, Phước Tân).
- Phương pháp mô hình hóa: Áp dụng mô hình hồi quy OLS truyền thống, chưa tích hợp mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để phân tích các tác động gián tiếp thông qua biến trung gian (như Thái độ hay Niềm tin).
Hướng nghiên cứu tiếp theo
- Mở rộng quy mô khảo sát liên tỉnh vùng kinh tế trọng điểm phía Nam (Đồng Nai, Bình Dương, Bà Rịa - Vũng Tàu).
- Ứng dụng thuật toán Machine Learning (Random Forest, XGBoost) trên tập dữ liệu giao dịch ngân hàng thực tế (Big Data) để phân nhóm khách hàng (Customer Segmentation) và dự báo chính xác xác suất mở thẻ tín dụng.
Đối tượng hưởng lợi
- Sinh viên & Giảng viên khối ngành Kinh tế/Tài chính: Cung cấp tài liệu tham khảo thực nghiệm chuẩn mực về quy trình phân tích định lượng (từ thiết kế thang đo, kiểm định EFA đến hồi quy OLS).
- Chuyên viên Marketing & Giám đốc Khối Bán lẻ NHTM: Nắm bắt chính xác insight khách hàng địa phương, tối ưu hóa ngân sách tiếp thị vào 2 trụ cột cốt lõi: Tính hữu ích & Bảo mật.
- Kỹ sư phát triển sản phẩm FinTech & Ngân hàng số: Thiết kế luồng trải nghiệm người dùng (UX flow) trên Mobile Banking hướng tới tính tối giản và bảo mật cao.
- Nhà nghiên cứu hành vi người tiêu dùng: Cung cấp bằng chứng thực nghiệm về sự khác biệt trong mô hình chấp nhận công nghệ tại các đô thị vệ tinh.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và công cụ để tái lập nghiên cứu thực nghiệm này là gì?
Cần cài đặt IBM SPSS Statistics v26.0 (hoặc môi trường Python 3.10+ với các thư viện pandas, statsmodels, factor_analyzer) và tệp dữ liệu khảo sát thô gồm 274 mẫu đã mã hóa theo thang đo Likert 5 điểm.
2. Tại sao nhân tố "Độ tin cậy" (TC) lại không có ý nghĩa thống kê trong mô hình hồi quy ($p = 0.782$)?
Do thị trường tài chính Việt Nam có sự giám sát chặt chẽ từ Ngân hàng Nhà nước, khách hàng cá nhân tại Biên Hòa xem độ an toàn và uy tín của các NHTM là điều hiển nhiên. Quyết định mở thẻ phụ thuộc vào tính năng, ưu đãi cụ thể và độ an toàn kỹ thuật số trong quá trình giao dịch.
3. Làm thế nào để tích hợp kết quả mô hình vào hệ thống CRM của ngân hàng?
Hệ thống CRM có thể gắn trọng số ưu tiên cho các chiến dịch tương tác: ưu tiên hiển thị các thông điệp về "Hoàn tiền/Ưu đãi ẩm thực" (HI - trọng số 0.384) và "Tính năng khóa thẻ an toàn" (BM - trọng số 0.245) đối với khách hàng mục tiêu tại Biên Hòa.
4. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ngân hàng áp dụng khuyến nghị là bao lâu?
Thời gian triển khai từ 3 đến 6 tháng. Điểm hòa vốn dự kiến đạt được sau 9–12 tháng dựa trên doanh thu từ phí trao đổi (Interchange Fee) và lãi suất từ các khoản vay trả góp qua thẻ.
5. Mô hình này có thể mở rộng cho các sản phẩm công nghệ tài chính khác (như Ví điện tử, Mua trước trả sau - BNPL) không?
Hoàn toàn có thể. Khung lý thuyết tích hợp TAM-TPB cùng thang đo chi phí và bảo mật có tính khái quát cao, chỉ cần điều chỉnh các biến quan sát cụ thể cho phù hợp với đặc tính của BNPL hoặc Ví điện tử.
Kết luận
Khóa luận tốt nghiệp của tác giả Trần Đức Thắng đã giải quyết thành công bài toán xác định và đo lường các nhân tố tác động đến ý định sử dụng thẻ tín dụng của khách hàng cá nhân tại các NHTM khu vực TP. Biên Hòa. Bằng phương pháp nghiên cứu định lượng chặt chẽ với cỡ mẫu $N = 274$, nghiên cứu đã chứng minh:
- 4 nhân tố có tác động tích cực gồm: Nhận thức tính hữu ích ($\beta = 0.384$), Nhận thức về bảo mật ($\beta = 0.245$), Nhận thức dễ sử dụng ($\beta = 0.198$), và Chi phí sử dụng thẻ ($\beta = 0.142$).
- Mô hình giải thích được 54.8% sự biến thiên của ý định sử dụng thẻ tín dụng mà không vi phạm các giả định hồi quy (đa cộng tuyến, tự tương quan).
Kết quả nghiên cứu là luận cứ khoa học và thực tiễn vững chắc giúp các nhà quản trị ngân hàng thương mại xây dựng chiến lược phát triển sản phẩm thẻ tín dụng hiệu quả, góp phần đẩy mạnh tiến trình thanh toán không dùng tiền mặt tại tỉnh Đồng Nai và toàn quốc.