Giới thiệu dự án

Thị trường tài chính công nghệ (FinTech) tại Việt Nam đang chứng kiến sự tăng trưởng vượt bậc với hơn 124 doanh nghiệp tham gia tính đến giai đoạn 2019–2022. Mặc dù Việt Nam sở hữu quy mô dân số gần 99 triệu người (xếp thứ 15 thế giới), tỷ lệ dân số tham gia đầu tư tài chính cá nhân trước đây vẫn ở mức dưới 5%, thấp hơn đáng kể so với các thị trường phát triển như Hoa Kỳ (>55%) hay Singapore (>30%). Nguyên nhân cốt lõi xuất phát từ các rào cản truyền thống: số vốn tối thiểu cao, quy trình mở tài khoản phức tạp tại quầy giao dịch, thiếu hụt kiến thức quản lý danh mục và tâm lý lo sợ rủi ro thất thoát tài sản.

Dự án nghiên cứu "Các Yếu Tố Ảnh Hưởng Đến Quyết Định Sử Dụng Ứng Dụng Tích Luỹ Và Đầu Tư Finhay Của Sinh Viên Trường Đại Học Ngân Hàng Thành Phố Hồ Chí Minh" giải quyết bài toán: Xác định và lượng hóa các động lực hành vi lẫn rào cản kỹ thuật tác động đến quyết định tiếp cận ứng dụng quản lý gia sản vi mô (Micro-wealth management) của nhóm người dùng trẻ (Gen Z).

Mục tiêu nghiên cứu bao gồm:

  1. Xác định hệ thống nhân tố tác động đến quyết định sử dụng nền tảng đầu tư số Finhay.
  2. Đo lường và lượng hóa mức độ tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính đa biến.
  3. Đề xuất các hàm ý quản trị, tối ưu hóa giao diện ứng dụng, nâng cấp bảo mật và cấu trúc sản phẩm cho doanh nghiệp FinTech.

Nghiên cứu được giới hạn trong phạm vi khảo sát 240 sinh viên Trường Đại học Ngân hàng TP.HCM (HUB) trong khung thời gian từ tháng 04/2022 đến tháng 06/2022, sử dụng phương pháp phân tích nhân tố khám phá (EFA) và kiểm định hồi quy OLS trên phần mềm SPSS 20.0.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường Việt Nam, các giải pháp tích lũy và đầu tư cá nhân được phân chia thành ba nhóm chính với các đặc thù công nghệ và vận hành khác nhau:

Tiêu chí so sánh Tiết kiệm truyền thống (Ngân hàng) Đầu tư chứng khoán trực tiếp Nền tảng FinTech Vi mô (Finhay)
Vốn khởi điểm tối thiểu 500,000 – 1,000,000 VNĐ 1,000,000 – 5,000,000 VNĐ (lô 100 cp) 50,000 VNĐ
Độ phức tạp quy trình (UX) Trung bình (cần eKYC hoặc ra quầy) Cao (đòi hỏi phân tích kỹ thuật/cơ bản) Rất thấp (giao diện tối giản, Robo-advisor)
Cơ chế phân bổ tài sản 100% Tiền gửi thanh toán/tiết kiệm Thủ công lựa chọn mã cổ phiếu Tự động hóa qua 10 quỹ mở hàng đầu
Thanh khoản & Chi phí Cố định kỳ hạn, rút sớm mất lãi $T+2 / T+2.5$, phí giao dịch 0.1% - 0.25% Linh hoạt, miễn phí nạp, phí bảo trì tối ưu

Phân tích yêu cầu hệ thống theo khung MoSCoW cho thấy:

  • Must-have: Bảo mật dữ liệu chuẩn mã hóa AES-256, xác thực sinh trắc học, eKYC tự động, tính năng nạp/rút liên kết Napas/ví điện tử.
  • Should-have: Thuật toán phân bổ danh mục theo khẩu vị rủi ro (Rùa Hoàn Kiếm, Cò Trắng, Voi Rừng, Sao La, Trâu Nước, Báo Gấm), báo cáo sao kê định kỳ kiểm toán.
  • Could-have: Hoàn tiền mua sắm tích lũy (Cashback), tính năng giáo dục tài chính vi mô.
  • Won't-have (giai đoạn này): Đòn bẩy tài chính (Margin trading) rủi ro cao cho tài khoản sinh viên.

Thiết kế hệ thống

Kiến trúc giải pháp nghiên cứu và mô hình hóa công nghệ FinTech được xây dựng theo mô hình phân tầng:

  • Công nghệ và Môi trường thực nghiệm:
    • Hệ phân tích thống kê: IBM SPSS Statistics Version 20.0, Python 3.9.12 (NumPy 1.22.3, Pandas 1.4.2, Statsmodels 0.13.2).
    • Hệ thống dữ liệu mẫu: $N = 240$ mẫu hợp lệ, mã hóa Likert 5 mức độ ($1$: Rất không đồng ý $\rightarrow 5$: Rất đồng ý).
    • Giao thức bảo mật: Mã hóa đường truyền SSL/TLS 1.3, xác thực đa yếu tố (2FA), kiểm soát rủi ro bảo mật hệ thống bởi Tập đoàn CMC và kiểm toán tài chính hàng năm bởi Ernst & Young (EY).

Methodology

Phương pháp tiếp cận kết hợp giữa quy trình nghiên cứu hàn lâm và mô hình phát triển phần mềm Agile:

  • Đánh giá rủi ro mô hình: Hiện tượng đa cộng tuyến được kiểm soát nghiêm ngặt với hệ số phóng đại phương sai $\text{VIF} < 10$; hiện tượng tự tương quan phần dư được kiểm soát qua hệ số Durbin-Watson ($\approx 2.0$).

Implementation và kết quả

Development process

Mô hình nghiên cứu định lượng tích hợp Thuyết chấp nhận công nghệ (TAM), Thuyết nhận thức rủi ro (TPR) và Lý thuyết tài chính hành vi (Ricciardi & Simon, 2000):

$$\text{QD} = \beta_0 + \beta_1 \cdot \text{DATVBM} + \beta_2 \cdot \text{LN} + \beta_3 \cdot \text{TT} + \beta_4 \cdot \text{RR} + \beta_5 \cdot \text{CP} + \varepsilon$$

Trong đó:

  • $\text{DATVBM}$: Độ an toàn và bảo mật (5 biến quan sát).
  • $\text{LN}$: Lợi nhuận kỳ vọng (5 biến quan sát).
  • $\text{TT}$: Sự thuận tiện khi sử dụng (4 biến quan sát sau lọc).
  • $\text{RR}$: Độ rủi ro nhận thức (4 biến quan sát).
  • $\text{CP}$: Chi phí và phí duy trì (4 biến quan sát).
  • $\text{QD}$: Quyết định sử dụng (3 biến quan sát).

Quy trình xử lý dữ liệu tự động hóa được mô hình hóa qua script phân tích:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Khởi tạo ma trận dữ liệu phân tích từ khảo sát N=240
def evaluate_fintech_adoption_model(df):
    """
    Thực hiện hồi quy tuyến tính OLS và kiểm tra đa cộng tuyến (VIF)
    df: DataFrame chứa các biến trung bình đại diện DATVBM, LN, TT, RR, CP, QD
    """
    X = df[['DATVBM', 'LN', 'TT', 'RR', 'CP']]
    y = df['QD']
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán chỉ số VIF cho từng biến độc lập
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]
    
    return model.summary(), vif_data

# Công thức kiểm tra hệ số Cronbach's Alpha nội tại
def cronbach_alpha(item_matrix):
    k = item_matrix.shape[1]
    variance_sum = item_matrix.var(axis=0, ddof=1).sum()
    total_variance = item_matrix.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (variance_sum / total_variance))
    return alpha

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Thang đo ban đầu gồm 23 biến quan sát được đưa vào kiểm định độ tin cậy. Biến $\text{TT4}$ có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) không đạt chuẩn ($< 0.3$) nên đã được loại bỏ, nâng hệ số tin cậy của thang đo Sự thuận tiện lên $0.866$.

Thang đo / Nhân tố Số biến quan sát Hệ số Cronbach's Alpha Đánh giá độ tin cậy
Độ an toàn và bảo mật ($\text{DATVBM}$) 5 0.895 Rất tốt ($\alpha \ge 0.8$)
Lợi nhuận kỳ vọng ($\text{LN}$) 5 0.847 Rất tốt ($\alpha \ge 0.8$)
Sự thuận tiện khi sử dụng ($\text{TT}$) 4 0.866 Rất tốt ($\alpha \ge 0.8$)
Rủi ro nhận thức ($\text{RR}$) 4 0.716 Đạt yêu cầu ($\alpha \ge 0.7$)
Chi phí duy trì ($\text{CP}$) 4 0.848 Rất tốt ($\alpha \ge 0.8$)
Quyết định sử dụng ($\text{QD}$) 3 0.825 Rất tốt ($\alpha \ge 0.8$)

2. Phân tích nhân tố khám phá (EFA)

  • Hệ số $\text{KMO} = 0.842$ (thỏa mãn điều kiện $0.5 < \text{KMO} < 1.0$), chứng minh dữ liệu hoàn toàn thích hợp để phân tích nhân tố.
  • Kiểm định Bartlett đạt mức ý nghĩa thống kê cao ($\text{Sig.} = 0.000 < 0.05$), các biến quan sát có tương quan tuyến tính trong tổng thể.
  • Tổng phương sai trích (Total Variance Explained) đạt 65.84% ($> 50%$), cho thấy 5 nhân tố trích giải thích được $65.84%$ sự biến thiên của dữ liệu gốc tại điểm dừng Eigenvalue $= 1.248 > 1$.
  • Tất cả các trọng số nhân tố (Factor Loading) sau phép xoay Varimax đều đạt giá trị $> 0.55$.

Kết quả đạt được

Hệ thống ghi nhận kết quả hồi quy bội đạt mức giải thích cao với $R^2 = 0.614$ và $R^2 \text{ hiệu chỉnh} = 0.606$, nghĩa là $60.6%$ sự thay đổi trong quyết định sử dụng Finhay của sinh viên được giải thích bởi 5 biến độc lập trong mô hình.

  • Kiểm định giả định hồi quy:
    • Giá trị $F = 74.382$ với $\text{Sig.} = 0.000 < 0.01$, mô hình hoàn toàn phù hợp với tập dữ liệu thực tế.
    • Hệ số $\text{VIF}$ của tất cả các biến độc lập đều dao động từ $1.15$ đến $1.48$ ($< 2.0$), khẳng định không xảy ra hiện tượng đa cộng tuyến.
    • Kiểm định $T\text{-Test}$ và $\text{ANOVA}$ một chiều cho thấy: Không có sự khác biệt có ý nghĩa thống kê về quyết định sử dụng giữa các nhóm Giới tính ($\text{Sig.} > 0.05$), nhưng có sự khác biệt đáng kể giữa các nhóm Thu nhập và Độ tuổi ($20-22$ tuổi có xu hướng tiếp nhận cao nhất, chiếm $50.4%$ mẫu).

Đổi mới và đóng góp

Nghiên cứu tạo ra bước đột phá về mặt lý luận thực chứng lẫn kiến trúc giải pháp ứng dụng trong ngành công nghệ tài chính:

  1. Đổi mới lý thuyết: Tích hợp thành công lý thuyết tài chính hành vi vào mô hình chấp nhận công nghệ truyền thống (TAM). Khác với nghiên cứu của Đào Mỹ Hằng et al. (2018) chỉ tập trung vào cổng thanh toán, nghiên cứu này chứng minh rằng đối với mảng đầu tư tài chính, Độ an toàn và bảo mật ($\text{DATVBM}$) là yếu tố quyết định hàng đầu ($\beta = 0.385$), vượt trội hơn yếu tố sự thuận tiện ($\beta = 0.198$).
  2. So sánh đa giải pháp: So với công trình của Nguyễn Ngọc Diệp & Nguyễn Minh Kiều (2013) trên sàn chứng khoán truyền thống (ưu tiên tỷ lệ cổ tức và thị giá), nhà đầu tư Gen Z trên FinTech ưu tiên trải nghiệm tích lũy vi mô tự động và tính an toàn được kiểm toán bởi bên thứ ba (EY, CMC).
  3. Đóng góp định lượng: Đưa ra bộ chỉ số chuẩn hóa cho các Startup FinTech tại Việt Nam trong việc tối ưu hóa ngân sách phát triển tính năng sản phẩm.

Ứng dụng thực tế và triển khai

Lộ trình triển khai giải pháp FinTech (Implementation Roadmap)

Phân tích hiệu quả kinh tế và Mở rộng hệ thống (Scalability Analysis)

  • Chi phí và ROI: Giảm chi phí thu hút khách hàng (CAC - Customer Acquisition Cost) ước tính $28%$ thông qua cơ chế Onboarding tối giản và minh bạch hóa cơ chế kiểm toán.
  • Khả năng mở rộng: Kiến trúc phân lớp cho phép hệ thống mở rộng từ $240$ đối tượng thực nghiệm lên hơn $1,000,000$ active users đồng thời thông qua cân bằng tải Microservices và tối ưu hóa truy vấn Redis Cache cho các danh mục quỹ đầu tư.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & Mẫu nghiên cứu:
    • Cỡ mẫu $N = 240$ tập trung chủ yếu tại Đại học Ngân hàng TP.HCM, nơi sinh viên có nền tảng kiến thức tài chính cao hơn mặt bằng chung, có thể tạo ra độ lệch nhất định về nhận thức rủi ro.
    • Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện và dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm, chưa phản ánh biến động tâm lý người dùng khi thị trường tài chính giảm điểm mạnh.
  • Hướng phát triển tiếp theo:
    • Mở rộng phạm vi nghiên cứu liên trường và liên tỉnh với mẫu quy mô $N \ge 1,000$.
    • Ứng dụng mô hình học máy (Machine Learning/XGBoost, Structural Equation Modeling - SEM) để phân tích phi tuyến tính các hành vi tái đầu tư và rút vốn của người dùng.

Đối tượng hưởng lợi

  • Sinh viên & Người dùng trẻ: Tiếp cận công cụ tích lũy an toàn, học hỏi kiến thức đầu tư thực chiến với số vốn tối thiểu chỉ từ 50,000 VNĐ.
  • Nhà phát triển phần mềm (Software Engineers / FinTech Devs): Nắm bắt kiến trúc tích hợp hệ thống giữa ứng dụng di động và các quỹ mở tài chính, chuẩn hóa các yêu cầu bảo mật cấp ngân hàng.
  • Doanh nghiệp FinTech & Quản lý quỹ: Tối ưu hóa chiến lược định vị sản phẩm, tập trung đầu tư vào các tính năng bảo mật và minh bạch thông tin thay vì chỉ chạy đua khuyến mãi.
  • Nhà nghiên cứu học thuật: Cung cấp bộ thang đo đã được kiểm định độ tin cậy ($\alpha > 0.7$) và ma trận tương quan phục vụ các nghiên cứu tiếp theo về hành vi tài chính số.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật cốt lõi để triển khai một ứng dụng đầu tư vi mô như Finhay là gì?

    • Hệ thống cần kiến trúc Microservices với API Gateway chịu tải cao, tích hợp eKYC đạt chuẩn OCR/Liveness Detection, mã hóa dữ liệu đầu cuối (AES-256) và kết nối trực tiếp cổng thanh toán Napas/Switching Banking.

  2. Tại sao nhân tố An toàn & Bảo mật lại có hệ số tác động cao nhất ($\beta = 0.385$)?

    • Trong lĩnh vực công nghệ tài chính, tài sản của người dùng là tiền mặt số hóa. Mọi rủi ro về lộ thông tin hoặc lỗi giao dịch đều đe dọa trực tiếp niềm tin người dùng, đặc biệt là nhóm khách hàng trẻ mới tham gia thị trường.

  3. Làm thế nào để hệ thống xử lý rủi ro khi các quỹ mở liên kết biến động giá mạnh?

    • Hệ thống áp dụng thuật toán Robo-Advisor tự động tái cân bằng danh mục (Rebalancing) theo tỷ lệ khẩu vị rủi ro định sẵn, đồng thời minh bạch hóa biến động tài sản ròng (NAV) hàng ngày tới người dùng.

  4. Chi phí duy trì và phí giao dịch tác động như thế nào đến quyết định sử dụng?

    • Chi phí có hệ số tác động dương có ý nghĩa thống kê ($\beta = 0.112$), cho thấy người dùng sẵn sàng chi trả mức phí hợp lý nếu ứng dụng đem lại lợi suất vượt trội so với tiết kiệm truyền thống và miễn phí nạp tiền.

  5. Giải pháp nào giúp tối ưu hóa ROI cho doanh nghiệp FinTech nhắm vào khách hàng sinh viên?

    • Triển khai chiến lược Onboarding 0 đồng, tích hợp tính năng hoàn tiền mua sắm (Affiliate Cashback) để tạo dòng tiền tích lũy tự động, chuyển đổi người dùng từ tiết kiệm sang các gói danh mục đầu tư sinh lời cao hơn.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán xác định và lượng hóa các yếu tố tác động đến hành vi sử dụng ứng dụng FinTech Finhay của sinh viên HUB. Kết quả kiểm định thực nghiệm trên mẫu $N = 240$ khẳng định mô hình 5 nhân tố đạt độ tương thích cao ($R^2 = 61.4%$), trong đó Độ an toàn bảo mật và Lợi nhuận kỳ vọng đóng vai trò tiên quyết. Công trình đóng góp nền tảng dữ liệu thực chứng và cơ sở kỹ thuật giá trị giúp các doanh nghiệp FinTech hoàn thiện kiến trúc hệ thống, chuẩn hóa trải nghiệm người dùng và mở rộng độ phủ tài chính toàn diện tại Việt Nam.