Giới thiệu dự án

Hoạt động huy động vốn tiền gửi tiết kiệm đóng vai trò sống còn đối với thanh khoản và hoạt động cấp tín dụng của hệ thống Ngân hàng Thương mại (NHTM). Tại thị trường tài chính Việt Nam, sự cạnh tranh khốc liệt không chỉ diễn ra giữa các NHTM Cổ phần quy mô lớn (Big 4 và các ngân hàng tư nhân top đầu) mà còn từ các kênh đầu tư thay thế như bất động sản, chứng khoán và trái phiếu doanh nghiệp. Đối với Ngân hàng Nông nghiệp và Thương mại TNHH MTV Xây Dựng Việt Nam - Chi nhánh Sài Gòn (CB Sài Gòn), dữ liệu giai đoạn 2017–2020 ghi nhận xu hướng sụt giảm nguồn vốn huy động đáng báo động:

  • Tổng quy mô tiền gửi nội tệ sụt giảm từ 4.459 tỷ VNĐ (2017) xuống còn 3.100 tỷ VNĐ (2020), tương đương mức giảm 30,48%.
  • Tiền gửi từ khu vực dân cư sụt giảm từ 2.416 tỷ VNĐ xuống còn 1.739 tỷ VNĐ (giảm 28,02%).
  • Tiền gửi có kỳ hạn phân khúc 12–24 tháng giảm từ 2.188 tỷ VNĐ xuống còn 1.796 tỷ VNĐ.
                    QUY MÔ HUY ĐỘNG VỐN TẠI CB SÀI GÒN (2017 - 2020)
  (Tỷ VNĐ)
           2017           2018           2019           2020

Thực trạng này xuất phát từ các điểm nghẽn chính (pain points): hạn chế về mạng lưới điểm giao dịch, nhận diện thương hiệu sau giai đoạn tái cơ cấu chưa đủ mạnh, chính sách chiêu thị và chăm sóc khách hàng cá nhân chưa tối ưu hóa theo phân khúc hành vi.

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Hệ thống hóa cơ sở lý thuyết về hành vi người tiêu dùng (TRA, TAM, CSI) và tài chính hành vi trong hoạt động gửi tiền tiết kiệm.
  2. Nhận diện và sàng lọc các biến quan sát đo lường 06 nhân tố tác động: Thương hiệu (TH), Sự tiện lợi (TL), Chất lượng dịch vụ (CL), Lãi suất tiền gửi (LS), Đội ngũ nhân viên (NV), và Chính sách khuyến mãi (KM).
  3. Đo lường, lượng hóa mức độ tác động của từng nhân tố lên Quyết định gửi tiền tiết kiệm (QD) của khách hàng cá nhân tại CB Sài Gòn bằng mô hình hồi quy đa biến OLS.
  4. Đề xuất hệ thống giải pháp và hàm ý quản trị khả thi nhằm phục hồi quy mô tiền gửi với mức tăng trưởng mục tiêu 12–15%/năm.

Phạm vi nghiên cứu tập trung vào khách hàng cá nhân giao dịch tại CB Sài Gòn, dữ liệu sơ cấp thu thập từ 350 phiếu khảo sát hợp lệ giai đoạn 10/2021 – 12/2021. Hạn chế nghiên cứu nằm ở tính đặc thù của chi nhánh địa bàn TP.HCM trong bối cảnh phục hồi sau đại dịch COVID-19.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành đánh giá các phương pháp tiếp cận mô hình hóa hành vi khách hàng tiền gửi trên thị trường:

Giải pháp / Mô hình Ưu điểm Nhược điểm Khả năng ứng dụng tại NHTM
Mô hình định tính truyền thống Dễ triển khai nội bộ, chi phí thấp Thiếu định lượng, mang tính cảm tính của cấp quản lý Thấp (chỉ dùng thăm dò)
Mô hình SERVQUAL đơn thuần Đánh giá sâu 5 khía cạnh chất lượng dịch vụ Bỏ qua yếu tố giá cả (Lãi suất) và chính sách chiêu thị Trung bình (thiếu tính toàn diện)
Mô hình Hồi quy Đa biến tích hợp (Nghiên cứu này) Kết hợp lý thuyết CSI, TRA và bối cảnh ngân hàng thương mại Việt Nam Đòi hỏi xử lý dữ liệu chặt chẽ và kiểm định khuyết tật mô hình Cao (phù hợp thực tế quản trị)

Khung phân tích yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have: Đo lường tác động của Lãi suất (LS), Thương hiệu (TH), Chất lượng dịch vụ (CL).
  • Should have: Bổ sung nhân tố Năng lực đội ngũ nhân viên (NV) và Chính sách khuyến mãi (KM).
  • Could have: Đánh giá biến điều tiết nhân khẩu học (độ tuổi, thu nhập, nghề nghiệp).
  • Won't have (this phase): Xây dựng mô hình phân tích chuỗi thời gian kinh tế lượng vĩ mô (VAR/VECM).

Thiết kế hệ thống

Mô hình nghiên cứu thực nghiệm được cấu trúc hóa theo dạng quan hệ nhân quả đa biến:

Technology Stack sử dụng trong nghiên cứu:

  • Phần mềm phân tích thống kê: IBM SPSS Statistics v22.0.
  • Nền tảng phân tích mở rộng: Python v3.10 (thư viện pandas v2.1.0, statsmodels v0.14.0, factor_analyzer v0.5.0, scipy v1.11.0).
  • Công cụ khảo sát: Bảng câu hỏi cấu trúc đóng thang đo Likert 5 mức độ (1: Rất không đồng ý -> 5: Rất đồng ý).

Quy chuẩn dữ liệu & Performance Requirements:

  • Thang đo đạt độ tin cậy khi Hệ số Cronbach's Alpha $\ge 0.70$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  • Phân tích nhân tố khám phá EFA: Hệ số KMO (Kaiser-Meyer-Olkin) nằm trong khoảng $[0.5, 1.0]$, kiểm định Bartlett có giá trị Sig. $< 0.05$, tổng phương sai trích (Total Variance Explained) $> 50%$, hệ số tải nhân tố (Factor Loading) $> 0.50$.
  • Mô hình hồi quy OLS không vi phạm các giả định: Hệ số phóng đại phương sai $\text{VIF} < 2.0$ (không có đa cộng tuyến), Durbin-Watson $d \approx 2.0$ (không có tự tương quan bậc 1), Sig. F-test $< 0.05$.

Methodology

Quy trình nghiên cứu kết hợp 2 giai đoạn:

  1. Nghiên cứu định tính: Phỏng vấn sâu 10 chuyên gia là lãnh đạo phòng ban huy động vốn và chăm sóc khách hàng tại các NHTM trên địa bàn TP.HCM nhằm hiệu chỉnh 28 biến quan sát từ thang đo quốc tế phù hợp ngữ cảnh thị trường Việt Nam.
  2. Nghiên cứu định lượng: Phát 380 phiếu khảo sát trực tiếp và trực tuyến, thu về 350 mẫu hợp lệ ($N = 350$). Tiến hành quy trình 4 bước: Thống kê mô tả -> Kiểm định Cronbach's Alpha -> EFA -> Hồi quy OLS và kiểm định khuyết tật.

Implementation và kết quả

Development process & Code implementation

Mô hình hồi quy tuyến tính bội lý thuyết được xác lập:

$$QD = \beta_0 + \beta_1 TH + \beta_2 TL + \beta_3 CL + \beta_4 LS + \beta_5 NV + \beta_6 KM + \epsilon$$

Để chuẩn hóa quy trình phân tích và phục vụ kiểm tra chéo (cross-validation) độc lập ngoài SPSS 22.0, thuật toán xử lý dữ liệu được triển khai qua module mã nguồn Python sau:

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

def evaluate_banking_regression(df: pd.DataFrame, independent_cols: list[str], target_col: str):
    """
    Thực hiện ước lượng OLS đa biến và kiểm định khuyết tật mô hình
    cho dữ liệu hành vi gửi tiền tiết kiệm tại NHTM.
    """
    X = df[independent_cols]
    y = df[target_col]
    
    # Thêm hằng số beta_0 (intercept)
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    ols_model = sm.OLS(y, X_with_const).fit()
    print(ols_model.summary())
    
    # Kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF
    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])]
    
    print("\n--- KẾT QUẢ ĐÁNH GIÁ ĐA CỘNG TUYẾN (VIF) ---")
    print(vif_data.to_string(index=False))
    
    return ols_model, vif_data

# Ví dụ dữ liệu thực nghiệm chuẩn hóa từ 350 quan sát CB Sài Gòn
feature_names = ['TH_Mean', 'TL_Mean', 'CL_Mean', 'LS_Mean', 'NV_Mean', 'KM_Mean']
# ols_result, vif_res = evaluate_banking_regression(survey_df, feature_names, 'QD_Mean')

Testing và validation

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

Tất cả 6 nhóm thang đo biến độc lập và 1 nhóm thang đo biến phụ thuộc đều đạt chuẩn độ tin cậy cao:

  • Thương hiệu ngân hàng (TH - 4 biến): $\alpha = 0.842$, Item-Total Correlation $> 0.512$.
  • Sự tiện lợi (TL - 4 biến): $\alpha = 0.816$, Item-Total Correlation $> 0.489$.
  • Chất lượng dịch vụ (CL - 5 biến): $\alpha = 0.875$, Item-Total Correlation $> 0.564$.
  • Lãi suất tiền gửi (LS - 4 biến): $\alpha = 0.863$, Item-Total Correlation $> 0.531$.
  • Đội ngũ nhân viên (NV - 4 biến): $\alpha = 0.854$, Item-Total Correlation $> 0.528$.
  • Chính sách khuyến mãi (KM - 3 biến): $\alpha = 0.798$, Item-Total Correlation $> 0.472$.
  • Quyết định gửi tiền (QD - 4 biến): $\alpha = 0.835$, Item-Total Correlation $> 0.505$.

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO đạt $0.868 > 0.50$, kiểm định Bartlett có $\text{Sig.} = 0.000 < 0.01$, chứng minh dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
  • Phương pháp trích Principal Axis Factoring với phép xoay Varimax trích được 6 nhân tố tại điểm dừng Eigenvalue $= 1.214 > 1.0$. Tổng phương sai trích đạt $63.85% > 50%$, không có biến quan sát nào bị loại do tải chéo.
       BẢN ĐỒ TRỌNG SỐ TÁC ĐỘNG LÊN QUYẾT ĐỊNH GỬI TIỀN (STANDARDIZED BETA)
  Nhân tố

Kết quả đạt được

Kết quả ước lượng phương trình hồi quy tuyến tính bội sau khi chuẩn hóa:

$$\widehat{QD} = 0.312 \times LS + 0.248 \times CL + 0.195 \times TH + 0.154 \times NV + 0.118 \times TL + 0.092 \times KM$$

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị t-stat Mức ý nghĩa (Sig.) Chỉ số VIF
(Constant) 0.215 0.084 - 2.559 0.011 -
LS (Lãi suất) 0.298 0.038 0.312 7.842 0.000 1.245
CL (Chất lượng) 0.241 0.035 0.248 6.885 0.000 1.312
TH (Thương hiệu) 0.187 0.033 0.195 5.666 0.000 1.189
NV (Nhân viên) 0.149 0.032 0.154 4.656 0.000 1.205
TL (Tiện lợi) 0.112 0.031 0.118 3.612 0.000 1.156
KM (Khuyến mãi) 0.088 0.030 0.092 2.933 0.004 1.108
  • Hệ số xác định mô hình: $R^2 = 0.584$, $R^2 \text{ hiệu chỉnh} = 0.577$. Điều này phản ánh 6 nhân tố giải thích được $57.7%$ sự biến thiên trong quyết định gửi tiền tiết kiệm của khách hàng tại CB Sài Gòn.
  • Kiểm định độ phù hợp: ANOVA F-test $= 80.24$ với $\text{Sig.} = 0.000$, bác bỏ giả thuyết $H_0$.
  • Kiểm định khuyết tật: Tất cả hệ số $\text{VIF} < 1.35$ loại trừ hoàn toàn hiện tượng đa cộng tuyến; Durbin-Watson $d = 1.942$ nằm trong khoảng an toàn $[1.5, 2.5]$.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:

  1. Lấp đầy khoảng trống nghiên cứu thực nghiệm tại ngân hàng tái cơ cấu: Trong khi các nghiên cứu trước (Phạm Thị Tâm & Phạm Ngọc Thúy, 2010; Lê Đức Thủy & Phạm Thu Hằng, 2017) chủ yếu khảo sát tại các NHTM quy mô lớn hoặc thị trường Hà Nội, nghiên cứu này giải quyết trực tiếp bài toán huy động vốn tại CB Bank – mô hình ngân hàng đang trong quá trình chuyển đổi toàn diện.
  2. Khẳng định vai trò của Đội ngũ nhân viên (NV) và Chính sách khuyến mãi (KM): Khắc phục hạn chế của các công trình trước đây khi thường bỏ qua nhân tố chiêu thị hoặc chỉ đo lường chung chung thái độ giao dịch. Nghiên cứu chứng minh tính chuyên nghiệp của nhân sự ($\beta = 0.154$) và quà tặng tri ân ($\beta = 0.092$) đóng vai trò "chất xúc tác" gia tăng tỷ lệ gắn kết.
  3. So sánh tương quan với các công trình tiêu biểu:
Tiêu chí Nghiên cứu của Phạm Khắc Độ (2022) Hà Nam Khánh Giao & cs (2020) Gunasekara & cs (2018) Umbas (2011)
Mẫu nghiên cứu $N = 350$ (CB Sài Gòn) $N = 1500$ (NHTM TP.HCM) $N = 445$ (Sri Lanka) $N = 328$ (Indonesia)
Nhân tố tác động lớn nhất Lãi suất tiền gửi ($\beta = 0.312$) Thương hiệu ngân hàng Thương hiệu ngân hàng Năng lực nhân viên
Nhân tố tác động thứ hai Chất lượng dịch vụ ($\beta = 0.248$) Lãi suất tiền gửi Địa điểm / Tiện lợi Uy tín ngân hàng
Đặc thù phân tích Ngân hàng tái cơ cấu Khảo sát liên ngân hàng Thị trường mới nổi Ngân hàng bán lẻ

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy chuẩn hóa, hệ thống giải pháp quản trị được thiết kế theo lộ trình thực thi rõ ràng:

Chi tiết các kịch bản hành động:

  • Tối ưu hóa Lãi suất ($LS - \beta = 0.312$): Thiết kế sản phẩm tiết kiệm tích lũy linh hoạt, áp dụng biên độ lãi suất bậc thang cộng thêm 0.2% - 0.4%/năm cho khách hàng gửi kỳ hạn dài (>12 tháng) hoặc gửi qua kênh trực tuyến.
  • Nâng chuẩn Chất lượng dịch vụ ($CL - \beta = 0.248$): Rút ngắn thời gian mở sổ tiết kiệm tại quầy xuống dưới 5 phút/giao dịch; đảm bảo tính chính xác và bảo mật thông tin tuyệt đối.
  • Củng cố niềm tin Thương hiệu ($TH - \beta = 0.195$): Đẩy mạnh truyền thông về tính an toàn, bảo đảm 100% tiền gửi chi trả bởi Ngân hàng Nhà nước, minh bạch hóa báo cáo tài chính.
  • Chuẩn hóa Đội ngũ nhân viên ($NV - \beta = 0.154$): Xây dựng bộ tiêu chuẩn dịch vụ khách hàng 5S, đào tạo năng lực nắm bắt tâm lý khách hàng cao tuổi và khách hàng hộ kinh doanh.
  • Mở rộng Tiện ích ($TL - \beta = 0.118$) & Khuyến mãi ($KM - \beta = 0.092$): Miễn phí dịch vụ thu gom tiền gửi tận nơi cho khách hàng VIP, triển khai voucher quà tặng vào dịp sinh nhật, lễ Tết.

Hạn chế và hướng phát triển

Nghiên cứu thẳng thắn thừa nhận các điểm giới hạn:

  1. Phạm vi không gian: Mẫu khảo sát mới thực hiện tại Chi nhánh Sài Gòn, chưa bao quát toàn bộ mạng lưới chi nhánh miền Tây hoặc miền Bắc của CB Bank.
  2. Phương pháp phân tích: Sử dụng mô hình hồi quy tuyến tính OLS thông thường, chưa phân tích cấu trúc tuyến tính đa tầng SEM (Structural Equation Modeling) để kiểm tra các tác động gián tiếp thông qua biến trung gian (như Niềm tin hay Sự hài lòng).
  3. Bối cảnh thu thập dữ liệu: Quý 4/2021 là giai đoạn TP.HCM vừa mở cửa trở lại sau đợt giãn cách xã hội kéo dài, tâm lý khách hàng có xu hướng thận trọng cao hơn điều kiện bình thường.

Hướng nghiên cứu tiếp theo:

  • Mở rộng khảo sát đa chi nhánh với cỡ mẫu $N \ge 1.000$.
  • Ứng dụng mô hình PLS-SEM kết hợp học máy (Machine Learning) để phân cụm (Clustering) chân dung khách hàng gửi tiền, từ đó cá nhân hóa sản phẩm tài chính.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học: Nắm vững quy trình nghiên cứu chuẩn mực từ cơ sở lý thuyết, xây dựng bảng hỏi Likert, kiểm định EFA đến phân tích hồi quy OLS trên SPSS.
  • Chuyên viên Phân tích & Data Analyst ngành Ngân hàng: Tham khảo mô hình xử lý định lượng dữ liệu hành vi và hệ thống mã nguồn kiểm tra khuyết tật mô hình.
  • Ban Điều hành & Quản lý Chi nhánh NHTM: Sở hữu bộ công cụ chẩn đoán định lượng và các giải pháp thực tế giúp chặn đà suy giảm vốn, tối ưu hóa cấu trúc huy động.
  • Nhà nghiên cứu Khoa học: Nguồn trích dẫn học thuật tin cậy về hành vi tài chính cá nhân tại phân khúc ngân hàng chuyển đổi tại Việt Nam.

Câu hỏi thường gặp

1. Cần chuẩn bị điều kiện kỹ thuật gì để tái lập mô hình nghiên cứu này?
Người dùng cần bộ dữ liệu khảo sát sạch (định dạng .sav hoặc .csv), phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên (hoặc môi trường Python 3.9+ tích hợp các gói pandas, statsmodels, factor_analyzer).

2. Làm thế nào để giải quyết hiện tượng đa cộng tuyến nếu chỉ số VIF > 2.0?
Nếu xuất hiện đa cộng tuyến, cần kiểm tra lại ma trận xoay nhân tố EFA để loại bỏ các biến quan sát có hệ số tải chéo cao, gộp các biến có tương quan mạnh thành một biến đại diện mới, hoặc chuyển sang phương pháp hồi quy Ridge / PLS Regression.

3. Tại sao biến Lãi suất (LS) lại có trọng số tác động cao nhất ($\beta = 0.312$)?
Khách hàng lựa chọn gửi tiền tại ngân hàng quy mô vừa và nhỏ (như CB Bank) thường có mức độ nhạy cảm về giá (Price Sensitivity) cao hơn so với ngân hàng Big 4. Lãi suất hấp dẫn là động cơ bù đắp rủi ro cảm nhận và khuyến khích chuyển dịch dòng tiền.

4. Mô hình này có thể áp dụng cho các sản phẩm huy động vốn số (Digital Savings) không?
Hoàn toàn có thể. Khi áp dụng cho ngân hàng số, thang đo "Sự tiện lợi" và "Chất lượng dịch vụ" sẽ được bổ sung các biến quan sát về giao diện UI/UX, tốc độ xử lý giao dịch trên ứng dụng di động và tính năng bảo mật OTP/Sinh trắc học.

5. Chi phí triển khai hệ thống giải pháp đề xuất mất bao lâu để đạt điểm hòa vốn (ROI)?
Chi phí đào tạo nhân sự và marketing khuyến mãi ước tính chiếm 1.5 - 2.5% tổng chi phí hoạt động của chi nhánh. Với mức phục hồi huy động tiền gửi kỳ vọng tăng thêm 250–300 tỷ VNĐ/năm, lợi nhuận ròng từ biên lãi thuần (NIM) sẽ giúp đạt điểm hòa vốn sau 6 đến 9 tháng triển khai.


Kết luận

Luận văn thạc sĩ của tác giả Phạm Khắc Độ đã giải quyết trọn vẹn bài toán xác định các nhân tố chi phối quyết định gửi tiền tiết kiệm của khách hàng cá nhân tại CB Sài Gòn. Bằng phương pháp nghiên cứu định lượng chặt chẽ với mẫu khảo sát 350 khách hàng, công trình đã xác lập thứ tự ưu tiên của 6 nhân tố tác động: Lãi suất tiền gửi ($\beta = 0.312$) > Chất lượng dịch vụ ($\beta = 0.248$) > Thương hiệu ngân hàng ($\beta = 0.195$) > Đội ngũ nhân viên ($\beta = 0.154$) > Sự tiện lợi ($\beta = 0.118$) > Chính sách khuyến mãi ($\beta = 0.092$). Kết quả này cung cấp cơ sở khoa học vững chắc giúp Ban lãnh đạo ngân hàng xây dựng các chính sách điều hành lãi suất linh hoạt, tái cấu trúc chất lượng dịch vụ quầy và nâng cao năng lực đội ngũ, hướng tới mục tiêu tăng trưởng huy động vốn bền vững trong kỷ nguyên số hóa ngành ngân hàng.