Giới thiệu dự án

Thị trường tài chính ngân hàng Việt Nam quý 1/2024 ghi nhận sự phân hóa dòng tiền mạnh mẽ. Bất chấp xu hướng điều chỉnh giảm mặt bằng lãi suất huy động tại các tổ chức tín dụng, tổng lượng tiền gửi dân cư toàn hệ thống vẫn xác lập mức kỷ lục mới với 6,68 triệu tỷ đồng (tăng 2,2% so với thời điểm đầu năm), đóng góp vào tổng huy động 13,3 triệu tỷ đồng của toàn ngành. Nhóm ngân hàng thương mại cổ phần có vốn nhà nước (Big 4) tiếp tục đóng vai trò chủ đạo, nắm giữ hơn 4,51 triệu tỷ đồng (chiếm xấp xỉ 46% tổng nguồn vốn huy động toàn ngành). Trong đó, Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) duy trì vị trí dẫn đầu với quy mô tiền gửi đạt trên 1,7 triệu tỷ đồng.

Vấn đề thực tiễn (Problem Statement)

Mặc dù dòng vốn chảy mạnh vào hệ thống ngân hàng, các chi nhánh cấp 1 tại đô thị vệ tinh như BIDV - Chi nhánh Thủ Đức đang đối mặt với bài toán cạnh tranh quyết liệt từ các ngân hàng thương mại cổ phần (NHTMCP) tư nhân và các nền tảng công nghệ tài chính (Fintech). Khi chênh lệch lãi suất thu hẹp, hành vi gửi tiền tiết kiệm (TGTK) của khách hàng cá nhân (KHCN) biến động đa chiều, chịu sự tác động đồng thời của chất lượng trải nghiệm số, uy tín định chế và các kênh tham khảo xã hội. Việc thiếu các mô hình định lượng chuẩn xác khiến ngân hàng gặp khó khăn trong việc phân bổ ngân sách marketing, tối ưu hóa giao diện ngân hàng số và xây dựng chính sách giữ chân khách hàng mục tiêu.

Mục tiêu dự án

  1. Xác định hệ quy chiếu các nhân tố cốt lõi: Nhận diện toàn diện 6 nhóm yếu tố ảnh hưởng trực tiếp đến quyết định gửi tiền tiết kiệm của KHCN tại BIDV Chi nhánh Thủ Đức.
  2. Đo lường mức độ tác động: Lượng hóa trọng số, chiều hướng và mức độ đóng góp tương đối của từng biến số thông qua mô hình hồi quy tuyến tính bội OLS.
  3. Đề xuất chiến lược thực thi: Xây dựng gói giải pháp tích hợp từ kỹ thuật số hóa trải nghiệm đến quản trị rủi ro lãi suất nhằm gia tăng thị phần huy động vốn tại địa bàn TP. Thủ Đức.

Phương pháp tiếp cận (Solution Approach)

Dự án tích hợp 3 khung lý thuyết kinh điển về hành vi người dùng: Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi hoạch định (TPB - Ajzen, 1985) và Mô hình chấp nhận công nghệ (TAM - Davis, 1989). Phương pháp tiếp cận này lấp đầy khoảng trống nghiên cứu khi đưa biến "Công nghệ hiện đại" vào mô hình kinh tế lượng thực nghiệm tại chi nhánh ngân hàng thương mại Việt Nam.

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Chỉ số đo lường (Metrics): Hệ số xác định $R^2 \ge 0.50$, hệ số tin cậy Cronbach's Alpha cho toàn bộ các thang đo $\ge 0.70$, hệ số phóng đại phương sai (VIF) $< 2.0$, loại trừ hoàn toàn hiện tượng tự tương quan và đa cộng tuyến.
  • Phạm vi khảo sát: Tập trung vào KHCN đang sở hữu tài khoản tiết kiệm tại BIDV Chi nhánh Thủ Đức, thu thập dữ liệu sơ cấp từ tháng 04/2024 đến tháng 05/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh đối chiếu các mô hình phân tích hành vi tiền gửi đã công bố trong giai đoạn 2017–2022 để định vị khoảng trống kỹ thuật:

Nghiên cứu tiền nhiệm Phạm vi khảo sát Phương pháp xử lý Ưu điểm Nhược điểm / Khoảng trống
Lê Đức Thủy et al. (2017) NHTM Hà Nội ($N=272$) EFA, Hồi quy đa biến Khai thác sâu khía cạnh an toàn tiền gửi và lợi ích tài chính Bỏ qua yếu tố chuyển đổi số và công nghệ ngân hàng hiện đại
Trần Phạm Hữu Châu (2020) BIDV TP. Hồ Chí Minh Thống kê định lượng Đánh giá tốt tác động của thương hiệu và lãi suất Chưa lượng hóa tiêu chuẩn giao dịch tự động và mã hóa an ninh số
Hà Nam Khánh Giao et al. (2020) Đa NHTM Việt Nam SEM / PLS-PM Bộ thang đo chuẩn hóa hành vi người tiêu dùng Thiếu tính đặc thù cho mô hình chi nhánh cấp 1 tại đô thị phát triển

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must-have: Đo lường 6 biến độc lập: Lãi suất (LS), Công nghệ hiện đại (CN), Hình thức chiêu thị (CT), Ảnh hưởng từ người quen (AH), Uy tín ngân hàng (UT), Chất lượng dịch vụ (CL).
  • Should-have: Đánh giá kiểm định phân phối chuẩn của phần dư hồi quy và kiểm định hiện tượng đa cộng tuyến thông qua chỉ số VIF.
  • Could-have: Phân tích phương sai ANOVA một chiều đối với các biến nhân khẩu học (thu nhập, độ tuổi, kỳ hạn gửi).
  • Won't-have: Nghiên cứu hành vi tiền gửi của nhóm khách hàng doanh nghiệp hoặc định chế tài chính lớn.

Thiết kế hệ thống và Cấu trúc dữ liệu

Mô hình hồi quy tuyến tính bội đề xuất có dạng:

$$QĐ = \beta_0 + \beta_1 LS + \beta_2 CN + \beta_3 CT + \beta_4 AH + \beta_5 UT + \beta_6 CL + \epsilon$$

Trong đó:

  • $QĐ$: Quyết định gửi tiền tiết kiệm của khách hàng cá nhân (Biến phụ thuộc).
  • $\beta_0$: Hệ số chặn (Intercept).
  • $\beta_1, \dots, \beta_6$: Hệ số hồi quy riêng phần của các biến độc lập.
  • $\epsilon$: Sai số ngẫu nhiên của mô hình.

Technology Stack và Công cụ xử lý dữ liệu

  • Engine phân tích chính: IBM SPSS Statistics v26.0 (64-bit Edition).
  • Ngôn ngữ bổ trợ & Scripting: Python 3.10.12 kết hợp thư viện statsmodels 0.14.0, scikit-learn 1.3.0, pandas 2.0.3.
  • Hệ thống lưu trữ & Quản lý khảo sát: Google Forms API kết hợp Microsoft Excel 2021 (xử lý tiền dữ liệu thô).
  • Tiêu chuẩn bảo mật dữ liệu: Mã hóa ẩn danh mã định danh khách hàng (Anonymization standard ISO/IEC 27701), tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

Implementation và kết quả

Development Process và Thuật toán xử lý

Quy trình xử lý dữ liệu trải qua 4 giai đoạn logic chặt chẽ:

[Dữ liệu khảo sát thô] 
[Giai đoạn 1: Sàng lọc & Mã hóa Thang đo Likert 5 điểm]
[Giai đoạn 2: Kiểm định Cronbach's Alpha (Loại biến có Corrected Item-Total Corr < 0.3)]
[Giai đoạn 3: Phân tích EFA (Trích Principal Axis Factoring, xoay Varimax, KMO > 0.5)]
[Giai đoạn 4: Hồi quy đa biến OLS, Kiểm định ANOVA, VIF, Durbin-Watson]

Đoạn mã Python chuẩn hóa và kiểm định thống kê

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

def run_econometric_pipeline(dataset_path: str):
    # 1. Load và tiền xử lý dữ liệu
    df = pd.read_csv(dataset_path)
    independent_vars = ['LS', 'CN', 'CT', 'AH', 'UT', 'CL']
    dependent_var = 'QD'
    
    # 2. Thiết lập mô hình hồi quy OLS
    X = df[independent_vars]
    X = sm.add_constant(X)
    y = df[dependent_var]
    
    ols_model = sm.OLS(y, X).fit()
    
    # 3. Tính toán Variance Inflation Factor (VIF) kiểm tra 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])]
    
    print(ols_model.summary())
    print("\n--- KẾT QUẢ KIỂM ĐỊNH VIF ---")
    print(vif_data)
    
    return ols_model, vif_data

if __name__ == "__main__":
    # Pipeline thực thi mẫu
    model, vif = run_econometric_pipeline("survey_bidv_thuduc_cleaned.csv")

Testing và Validation

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

Mọi biến quan sát thuộc 6 nhóm biến độc lập và 1 biến phụ thuộc đều đáp ứng chuẩn kiểm định: Cronbach’s Alpha $\ge 0.70$ và Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.

2. Phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis)

  • Hệ số KMO (Kaiser-Meyer-Olkin): $0.785 > 0.50$, chứng minh tập dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
  • Kiểm định Bartlett: Giá trị Sig. = $0.000 < 0.05$, các biến quan sát có tương quan tuyến tính với nhau trong tổng thể.
  • Tổng phương sai trích (Cumulative Variance Explained): $63.42% > 50%$, 6 nhân tố trích xuất giải thích được 63.42% sự biến thiên của dữ liệu.
  • Eigenvalue: Nhân tố thứ 6 đạt giá trị $1.182 > 1.0$, xác lập cấu trúc 6 nhóm nhân tố độc lập.

3. Kết quả hồi quy tuyến tính bội

Bảng tổng hợp tham số hồi quy chuẩn hóa:

Biến độc lập Mã ký hiệu Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Error) Giá trị $t$-statistic Mức ý nghĩa (Sig.) Hệ số VIF Đánh giá giả thuyết
(Hệ số chặn) Constant $0.214$ $0.085$ $2.518$ $0.012$ - -
Lãi suất $LS$ $0.312$ $0.042$ $7.428$ $0.000$ $1.245$ Chấp nhận $H_1$
Chất lượng dịch vụ $CL$ $0.245$ $0.038$ $6.447$ $0.000$ $1.312$ Chấp nhận $H_6$
Uy tín ngân hàng $UT$ $0.198$ $0.035$ $5.657$ $0.000$ $1.189$ Chấp nhận $H_5$
Công nghệ hiện đại $CN$ $0.165$ $0.031$ $5.322$ $0.000$ $1.204$ Chấp nhận $H_2$
Hình thức chiêu thị $CT$ $0.124$ $0.029$ $4.275$ $0.000$ $1.156$ Chấp nhận $H_3$
Ảnh hưởng người quen $AH$ $0.095$ $0.027$ $3.518$ $0.000$ $1.102$ Chấp nhận $H_4$
Phương trình chuẩn hóa:
QĐ = 0.312*LS + 0.245*CL + 0.198*UT + 0.165*CN + 0.124*CT + 0.095*AH

4. Đánh giá độ phù hợp của mô hình

  • Hệ số $R^2$ hiệu chỉnh (Adjusted R Square): $0.584$, mô hình giải thích được 58.4% sự thay đổi trong quyết định gửi tiền của KHCN.
  • Kiểm định ANOVA: Giá trị $F = 46.85$, $p\text{-value} = 0.000 < 0.001$, mô hình hồi quy xây dựng có ý nghĩa thống kê ở mức tin cậy 99%.
  • Hiện tượng đa cộng tuyến: Toàn bộ hệ số VIF dao động từ $1.102$ đến $1.312 < 2.0$, không xảy ra hiện tượng đa cộng tuyến.
  • Kiểm định tự tương quan: Thống kê Durbin-Watson đạt $1.892$ (tiệm cận giá trị chuẩn 2.0), không có tự tương quan bậc một giữa các phần dư.

Đổi mới và đóng góp

  1. Đổi mới mô hình phân tích: Tích hợp thành công mô hình chấp nhận công nghệ TAM vào cấu trúc hành vi TPB/TRA, lượng hóa thành công tác động của hệ thống ATM thế hệ mới (CRM tự động nạp tiền) và ứng dụng BIDV SmartBanking đối với hành vi gửi tiền ($\beta = 0.165, p < 0.001$).
  2. Định lượng hóa thứ bậc ưu tiên: Chứng minh sự chuyển dịch trong nhận thức người gửi tiền: Lãi suất vẫn giữ vị trí trọng yếu nhất ($\beta = 0.312$), tiếp theo là Chất lượng dịch vụ ($\beta = 0.245$) và Uy tín định chế ($\beta = 0.198$), trong khi Ảnh hưởng người quen có tác động thấp nhất ($\beta = 0.095$).
  3. Cơ sở khoa học cho hoạch định chính sách: Cung cấp bộ thang đo đã qua kiểm định thực nghiệm ($N > 200$) tại địa bàn kinh tế trọng điểm phía Đông TP.HCM, phục vụ trực tiếp cho công tác tối ưu hóa chi phí vốn (Cost of Funds - COF) tại BIDV Chi nhánh Thủ Đức.

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Real-World Use Cases)

  • Tình huống 1 (Tối ưu hóa sản phẩm số): Ứng dụng kết quả nhân tố Công nghệ ($CN$) để phát triển tính năng "Gửi tiết kiệm linh hoạt tích lũy tự động" trên BIDV SmartBanking, liên kết trực tiếp với tài khoản chi lương của người dùng tại các khu công nghệ cao TP. Thủ Đức.
  • Tình huống 2 (Tái cấu trúc quầy giao dịch): Dựa trên tác động của Chất lượng dịch vụ ($CL$), triển khai phân luồng khách hàng ưu tiên bằng hệ thống đặt lịch hẹn giao dịch thông minh (Smart Appointment System), rút ngắn thời gian xử lý thủ tục mở sổ tiết kiệm xuống dưới 5 phút/giao dịch.

Phân tích Hiệu quả Kinh tế và Lợi tức Đầu tư (ROI)

  • Dự phóng tăng trưởng huy động: Mục tiêu tăng trưởng dư nợ tiền gửi tiết kiệm KHCN tại BIDV Chi nhánh Thủ Đức đạt mức $12 - 15%/\text{năm}$.
  • Tối ưu chi phí vận hành: Việc chuyển đổi $35%$ giao dịch gửi tiền truyền thống tại quầy sang kênh số (SmartBanking và CRM) ước tính giúp chi nhánh giảm $22%$ chi phí in ấn phôi sổ vật lý và tiết kiệm $1.5$ giờ làm việc mỗi ngày cho mỗi giao dịch viên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phạm vi địa lý: Dữ liệu khảo sát tập trung tại BIDV Chi nhánh Thủ Đức, chưa bao phủ toàn bộ các chi nhánh thuộc hệ thống BIDV tại khu vực Đông Nam Bộ.
  • Phương pháp lấy mẫu: Áp dụng chọn mẫu thuận tiện phi xác suất do rào cản bảo mật thông tin tài chính cá nhân, có thể tạo ra độ lệch chọn mẫu nhất định giữa các nhóm độ tuổi.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình nghiên cứu cấu trúc tuyến tính SEM (Structural Equation Modeling) trên nền tảng AMOS/SmartPLS 4 để phân tích biến trung gian (Sự hài lòng) và biến điều tiết (Thu nhập cá nhân).
  • Tích hợp thêm các chỉ báo kinh tế vĩ mô (Tỷ lệ lạm phát CPI, biến động chỉ số VN-Index, thị trường bất động sản) vào mô hình chuỗi thời gian phân tích hành vi dịch chuyển dòng vốn.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận bộ khung phương pháp luận nghiên cứu định lượng chuẩn mực trong ngành Tài chính - Ngân hàng, biểu mẫu thang đo và quy trình xử lý SPSS/Python hoàn chỉnh.
  • Lập trình viên FinTech & Kỹ sư hệ thống: Hiểu rõ các thuộc tính công nghệ ngân hàng ảnh hưởng trực tiếp đến tâm lý người dùng (Bảo mật OTP, giao diện UI/UX đơn giản, xử lý giao dịch tự động không gián đoạn) để tối ưu hóa kiến trúc ứng dụng Mobile Banking.
  • Ban lãnh đạo & Chuyên viên NHTM: Sở hữu bảng trọng số thực nghiệm để xây dựng chiến lược định giá lãi suất, thiết kế chương trình khuyến mại trúng đích và chuẩn hóa văn hóa phục vụ khách hàng.
  • Nhà nghiên cứu kinh tế: Bổ sung tư liệu thực chứng về hành vi gửi tiền tiết kiệm trong bối cảnh chu kỳ lãi suất thấp tại thị trường mới nổi.

Câu hỏi thường gặp

1. Cần chuẩn bị hạ tầng phần mềm gì để tái lập quy trình xử lý dữ liệu của nghiên cứu?

Để thực thi pipeline phân tích, hệ thống cần cài đặt IBM SPSS Statistics (phiên bản 20.0 trở lên) hoặc môi trường Python 3.10+ tích hợp các gói thư viện: numpy, pandas, statsmodels, scikit-learn. Bộ dữ liệu thô cần được mã hóa dưới định dạng .sav hoặc .csv.

2. Mô hình có gặp hiện tượng tự tương quan và đa cộng tuyến không?

Kết quả kiểm định xác nhận mô hình hoàn toàn không gặp hiện tượng đa cộng tuyến khi tất cả các chỉ số VIF đều nằm trong khoảng $1.102 - 1.312$ (thấp hơn nhiều so với ngưỡng cảnh báo $2.0$). Chỉ số Durbin-Watson đạt $1.892$ chứng minh không tồn tại hiện tượng tự tương quan chuỗi bậc một trong phần dư.

3. Tại sao biến "Công nghệ hiện đại" lại có hệ số tác động $\beta = 0.165$, cao hơn "Hình thức chiêu thị"?

Tại địa bàn TP. Thủ Đức (trung tâm đô thị sáng tạo và công nghệ cao), mật độ dân số trẻ và lao động tri thức cao chiếm tỷ trọng lớn. Khách hàng ưu tiên tính an toàn, bảo mật 2 lớp và khả năng gửi tiết kiệm online 24/7 tức thì hơn là các chương trình quà tặng, khuyến mại truyền thống.

4. Chi phí triển khai hệ thống ATM thế hệ mới (CRM) có mang lại ROI khả thi cho chi nhánh?

Hệ thống CRM cho phép nạp tiền trực tiếp vào tài khoản và mở sổ tiết kiệm tự động không qua quầy. Mặc dù chi phí đầu tư ban đầu cao hơn máy ATM thông thường khoảng $30%$, nhưng khả năng vận hành 24/7 giúp tăng số dư tiền gửi không kỳ hạn (CASA) và giảm tải áp lực nhân sự tại quầy giao dịch, hoàn vốn (Payback period) dự kiến trong $18 - 24$ tháng.

5. Kết quả nghiên cứu có thể khái quát hóa (Generalizability) cho các ngân hàng khác không?

Mô hình hoàn toàn có thể áp dụng cho các ngân hàng thuộc nhóm Big 4 (Vietcombank, Agribank, VietinBank) do có sự tương đồng lớn về định vị thương hiệu và cơ chế lãi suất. Đối với các NHTMCP tư nhân, cần hiệu chỉnh trọng số biến Lãi suất và Hình thức chiêu thị để phản ánh đúng thực tế cạnh tranh.


Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc lượng hóa các yếu tố tác động đến quyết định gửi tiền tiết kiệm của KHCN tại BIDV Chi nhánh Thủ Đức. Thông qua quy trình phân tích kinh tế lượng chuẩn xác với mô hình OLS 6 biến, nghiên cứu đã chứng minh vai trò chi phối của Lãi suất ($\beta = 0.312$), Chất lượng dịch vụ ($\beta = 0.245$)Uy tín ngân hàng ($\beta = 0.198$), đồng thời khẳng định tầm quan trọng ngày càng tăng của Công nghệ hiện đại ($\beta = 0.165$). Đây là cơ sở khoa học vững chắc giúp ban điều hành BIDV Chi nhánh Thủ Đức nâng cao năng lực cạnh tranh, tối ưu hóa dòng vốn huy động và đẩy mạnh chiến lược chuyển đổi số ngân hàng bán lẻ bền vững trong kỷ nguyên mới.