Giới thiệu dự án

Tài chính toàn diện (Financial Inclusion - FI) là trụ cột chiến lược trong phát triển kinh tế bền vững toàn cầu, hướng đến mục tiêu đảm bảo mọi cá nhân và doanh nghiệp được tiếp cận các dịch vụ tài chính cơ bản—bao gồm thanh toán, tiết kiệm, tín dụng, bảo hiểm—với chi phí hợp lý và thủ tục thuận tiện. Tại Việt Nam, Thủ tướng Chính phủ đã ban hành Quyết định số 149/QĐ-TTg ngày 22/01/2020 phê duyệt Chiến lược tài chính toàn diện quốc gia đến năm 2025, định hướng đến năm 2030, đặt mục tiêu ít nhất 80% người trưởng thành có tài khoản giao dịch tại ngân hàng hoặc các tổ chức được phép khác. Song song đó, Quyết định số 2545/QĐ-TTg đặt trọng tâm thúc đẩy thanh toán không dùng tiền mặt với mục tiêu 70% đơn vị cung cấp dịch vụ tiện ích chấp nhận thanh toán số.

Tuy nhiên, thực trạng tiếp cận dịch vụ tài chính chính thức tại Việt Nam vẫn tồn tại khoảng cách lớn: tỷ lệ người trưởng thành sở hữu tài khoản ngân hàng chính thức năm 2017 chỉ đạt khoảng 30.8% - 32.8%, thấp hơn đáng kể so với mức trung bình thế giới (67%) và nhóm quốc gia thu nhập trung bình thấp (56%). Sự bùng nổ của công nghệ tài chính (Fintech) với hạ tầng viễn thông phát triển mạnh (hơn 150 triệu thuê bao di động, tỷ lệ thâm nhập smartphone đạt 45%) mở ra cơ hội đột phá để xóa bỏ các rào cản địa lý và chi phí giao dịch.

Mục tiêu nghiên cứu cụ thể

  1. Xác định các chỉ báo thành phần của Fintech: Nhận diện và hệ thống hóa các biến số đo lường công nghệ tài chính vi mô phù hợp với bối cảnh kinh tế số Việt Nam.
  2. Lượng hóa mức độ tác động của Fintech: Đánh giá thực nghiệm tác động biên của việc sử dụng dịch vụ tài chính qua di động đến xác suất sở hữu tài khoản chính thức của cá nhân.
  3. Phân tích các yếu tố nhân khẩu học tương tác: Kiểm định vai trò của giới tính, độ tuổi, học vấn và phân tầng thu nhập (income quintiles) đến mức độ bao trùm tài chính.
  4. Đề xuất hàm ý chính sách và giải pháp công nghệ: Cung cấp cơ sở khoa học để Ngân hàng Nhà nước Việt Nam (SBV) và các doanh nghiệp Fintech hoàn thiện khung pháp lý thử nghiệm (Regulatory Sandbox) và triển khai Mobile Money.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Khảo sát đại diện trên quy mô toàn quốc tại Việt Nam (thu thập trên 1.000 mẫu cá nhân từ 15 tuổi trở lên).
  • Thời gian và dữ liệu: Bộ dữ liệu vi mô Global Findex Database 2017 do Ngân hàng Thế giới (World Bank) công bố năm 2018 phối hợp cùng Gallup, Inc.
  • Giới hạn: Dữ liệu cắt ngang (cross-sectional data), không bao gồm 11 tỉnh thành đặc thù trong quy trình lấy mẫu ngẫu nhiên của World Bank.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi Fintech phát triển mạnh mẽ, hệ thống tài chính truyền thống dựa trên mạng lưới chi nhánh vật lý và máy ATM bộc lộ nhiều điểm nghẽn nghiêm trọng đối với khu vực nông thôn và người thu nhập thấp.

Tiêu chí so sánh Ngân hàng truyền thống (Traditional Banking) Dịch vụ Fintech & Mobile Money
Chi phí vận hành Rất cao (chi nhánh, nhân sự, máy POS/ATM) Tối ưu hóa nhờ hạ tầng viễn thông và đám mây
Yêu cầu mở tài khoản Hồ sơ giấy tờ phức tạp, đối soát trực tiếp eKYC định danh điện tử, đăng ký qua SIM/App
Phạm vi phủ sóng Tập trung tại đô thị loại I, loại II Phủ rộng tới vùng sâu, vùng xa qua sóng di động
Quy mô giao dịch tối thiểu Hạn chế giao dịch giá trị siêu nhỏ (micro-transactions) Hỗ trợ linh hoạt giao dịch nhỏ lẻ, chi phí cực thấp
Rào cản tiếp cận Yêu cầu chứng minh thu nhập, tài sản bảo đảm Không yêu cầu tài khoản ngân hàng liên kết ban đầu

Phân tích yêu cầu mô hình hóa (MoSCoW Prioritization)

  • Must have (Bắt buộc có): Mô hình ước lượng phi tuyến Probit Maximum Likelihood; các biến đại diện Fintech cốt lõi (account_mob, utilitybill_payment, payment_received, mobilephoneowner); kiểm định ý nghĩa thống kê Wald Test.
  • Should have (Nên có): Phân rã biến kiểm soát thu nhập thành 5 nhóm ngũ phân vị (income_1st đến income_5th); kiểm soát học vấn 3 bậc (education_pri, education_sec, education_ter).
  • Could have (Có thể có): Kiểm định biến bị bỏ sót Lagrange Multiplier (Score Test); tính toán hiệu ứng biên trung bình (Average Marginal Effects - AME).
  • Won't have (Chưa thực hiện đợt này): Mô hình hồi quy dữ liệu mảng động (Dynamic Panel GMM) do hạn chế cấu trúc câu hỏi của chu kỳ Findex 2011 - 2014.

Thiết kế hệ thống mô hình kinh tế lượng

Khung phân tích được xây dựng trên nền tảng lý thuyết ngưỡng quyết định (Threshold Theory of Decision) của Hill & Kau (1973) kết hợp khung nghiên cứu tài chính vi mô của Allen et al. (2016) và Demir et al. (2020).

Technology Stack & Computational Environment

  • Hệ điều hành: Linux Ubuntu / CentOS Workstation Environment.
  • Phần mềm tính toán: Stata/MP 16.0 64-bit (chuyên dụng xử lý ma trận vi mô khảo sát phức tạp).
  • Cơ sở dữ liệu: Microdata World Bank Global Findex 2017 (.dta binary format), N = 1,000 quan sát tại Việt Nam.
  • Công cụ kiểm soát phiên bản & trực quan: Python 3.9 (Pandas, Statsmodels, Seaborn) dùng đối soát chéo và vẽ biểu đồ.

Cơ sở toán học của mô hình Probit

Mô hình biến phụ thuộc nhị phân $y_i$ ($y_i = 1$ nếu cá nhân sở hữu tài khoản tại định chế tài chính chính thức, $y_i = 0$ nếu không) được dẫn xuất từ biến tiềm ẩn liên tục $y_i^*$:

$$y_i^* = \mathbf{x}_i' \boldsymbol{\beta} + \mathbf{Fintech}_i' \boldsymbol{\gamma} + \varepsilon_i, \quad \varepsilon_i \sim \mathcal{N}(0, 1)$$

Quan sát thực tế được xác định qua hàm chỉ thị:

$$y_i = \begin{cases} 1 & \text{khi } y_i^* > 0 \ 0 & \text{khi } y_i^* \le 0 \end{cases}$$

Xác suất có điều kiện được tính theo hàm phân phối tích lũy chuẩn tắc $\Phi(\cdot)$:

$$P(y_i = 1 \mid \mathbf{x}i, \mathbf{Fintech}i) = \Phi\left(\alpha_0 + \sum{j=1}^k \alpha_j X{ji} + \sum_{m=1}^p \gamma_m Fintech_{mi}\right) = \int_{-\infty}^{\mathbf{z}_i' \boldsymbol{\theta}} \frac{1}{\sqrt{2\pi}} \exp\left(-\frac{t^2}{2}\right) dt$$

Hàm Log-Likelihood toàn mẫu cần cực đại hóa:

$$\ln L(\boldsymbol{\theta}) = \sum_{i=1}^N \left{ y_i \ln \Phi(\mathbf{z}_i' \boldsymbol{\theta}) + (1 - y_i) \ln \left[ 1 - \Phi(\mathbf{z}_i' \boldsymbol{\theta}) \right] \right}$$

Implementation và kết quả

Quy trình xử lý và thực thi mã nguồn

Dữ liệu khảo sát vi mô được làm sạch, mã hóa lại các biến giả (dummy variables) và loại bỏ 2 quan sát không đạt yêu cầu logic, chuẩn hóa tập mẫu $N = 1,000$.

* ==============================================================================
* STATA 16.0 SCRIPT: ESTIMATING FINTECH IMPACT ON FINANCIAL INCLUSION (VIETNAM)
* Author: Tran Thien Phuc | Supervisor: Assoc. Prof. Ha Thi Thieu Dao, PhD
* ==============================================================================

clear all
set more off
capture log close

* 1. Nạp và kiểm tra dữ liệu Global Findex Vietnam 2017
use "vietnam_findex_2017_microdata.dta", clear
describe account_fin account_mob utilitybill_payment payment_received mobilephoneowner

* 2. Thống kê mô tả các biến chính
summarize account_fin account_mob utilitybill_payment payment_received mobilephoneowner ///
          female age age2 income_1st income_2nd income_3rd income_4th income_5th ///
          education_pri education_sec education_ter

* 3. Ước lượng mô hình Probit với sai số chuẩn vững (Robust Standard Errors)
probit account_fin account_mob utilitybill_payment payment_received mobilephoneowner ///
       female age age2 income_2nd income_3rd income_4th income_5th ///
       education_sec education_ter, vce(robust)

* 4. Kiểm định giả thuyết Wald cho tính đồng thời của các chỉ báo Fintech
test account_mob utilitybill_payment payment_received mobilephoneowner

* 5. Kiểm định biến bị bỏ sót Lagrange Multiplier (Score Test)
estat ic
linktest

* 6. Tính toán hiệu ứng biên trung bình (Average Marginal Effects)
margins, dydx(*) post

Kết quả thống kê mô tả và thực nghiệm

Bộ mẫu phân tích $N = 1,000$ đại diện cho người trưởng thành Việt Nam có độ tuổi từ 15 đến 91 (trung bình 42.1 tuổi), tỷ lệ nữ giới chiếm 57.3%.

Tên biến Định nghĩa kỹ thuật Trung bình mẫu (VN) Chuẩn thế giới EAP Region
account_fin Sở hữu tài khoản tại định chế tài chính 32.8% 67.0% 70.6%
account_mob Dùng di động sử dụng dịch vụ đặc thù (Mobile Money) 3.5% 4.4% 2.1%
utilitybill_payment Thanh toán tiền điện/nước/viễn thông qua di động 0.6% 14.6% 12.8%
mobilephoneowner Tỷ lệ cá nhân sở hữu điện thoại di động 78.4% 79.2% 82.5%
female Giới tính nữ (biến giả) 57.3% 50.5% 50.2%
education_ter Trình độ đại học hoặc cao đẳng trở lên 14.2% - -
income_5th Thuộc nhóm 20% hộ gia đình giàu nhất 20.0% 20.0% 20.0% 
. probit account_fin account_mob utilitybill_payment payment_received mobilephoneowner female age age2 i.income i.education, vce(robust)

Probit regression                               Number of obs     =      1,000
                                                Wald chi2(12)     =     184.62
                                                Prob > chi2       =     0.0000
Log pseudolikelihood = -512.3841                Pseudo R2         =     0.1874

-----------------------------------------------------------------------------------------
            account_fin | Coefficient  Std. Err.      z    P>|z|     [95% Conf. Interval]
------------------------+----------------------------------------------------------------
            account_mob |      0.742      0.218     3.40   0.001        0.315       1.169
   utilitybill_payment  |      0.891      0.312     2.86   0.004        0.280       1.502
       payment_received |      0.584      0.194     3.01   0.003        0.204       0.964
      mobilephoneowner  |      0.412      0.155     2.66   0.008        0.108       0.716
                 female |     -0.038      0.089    -0.43   0.669       -0.212       0.136
                    age |      0.046      0.015     3.07   0.002        0.017       0.075
                   age2 |     -0.0005     0.0002   -2.78   0.005       -0.0009     -0.0001
             income_5th |      0.684      0.142     4.82   0.000        0.406       0.962
          education_ter |      1.124      0.168     6.69   0.000        0.795       1.453
                  _cons |     -2.451      0.384    -6.38   0.000       -3.204      -1.698
-----------------------------------------------------------------------------------------

Phân tích ý nghĩa các kiểm định thống kê

  1. Kiểm định Wald Test: Giá trị $\chi^2(12) = 184.62$ với giá trị $p\text{-value} = 0.0000 < 0.001$, bác bỏ giả thuyết $H_0$ (tất cả các hệ số đồng thời bằng 0). Điều này khẳng định việc đưa nhóm biến Fintech và nhân khẩu học vào mô hình đem lại sự cải thiện vượt trội về mức độ phù hợp.
  2. Kiểm định Lagrange Multiplier (Score Test): Không phát hiện sai số định dạng nghiêm trọng hay biến quan trọng bị bỏ sót, cấu trúc hàm chuẩn tắc đáp ứng tính vững.
  3. Ý nghĩa kinh tế của các biến chính:
    • account_mob và utilitybill_payment đều có hệ số hồi quy dương với độ tin cậy trên 99% ($p < 0.01$). Cá nhân sử dụng tài khoản di động để giao dịch hoặc thanh toán hóa đơn có xác suất hòa nhập tài chính chính thức cao hơn rõ rệt.
    • Đặc thù giới tính (female): Hệ số không có ý nghĩa thống kê ($p = 0.669$), phản ánh khoảng cách giới tính trong tiếp cận tài chính tại Việt Nam gần như bị triệt tiêu (chỉ chênh lệch ~1% năm 2017 so với 5% năm 2011), chứng minh vai trò tự chủ kinh tế cao của phụ nữ Việt Nam.
    • Khoảng cách thu nhập và học vấn: Nhóm học vấn đại học (education_ter, $z=6.69$) và nhóm thu nhập cao nhất (income_5th, $z=4.82$) có tương quan dương mạnh nhất với việc sở hữu tài khoản.

Đổi mới và đóng góp

  1. Tiên phong lượng hóa vi mô tại Việt Nam: Đây là một trong những công trình đầu tiên tại Việt Nam ứng dụng mô hình Probit Maximum Likelihood trực tiếp trên tập dữ liệu vi mô quốc tế World Bank Global Findex để lượng hóa chính xác đòn bẩy Fintech.
  2. Xây dựng bộ chỉ báo Fintech đa tầng: Thay vì chỉ dùng biến gộp trừu tượng, đề tài phân tách thành 4 hành vi kỹ thuật số thực tế: sở hữu thiết bị, mở ví/Mobile Money, thanh toán chi phí sinh hoạt định kỳ, và nhận dòng tiền thanh toán số (G2P, tiền lương).
  3. Phát hiện nghịch lý hạ tầng vs mức độ bao trùm: Đề tài chỉ ra điểm nghẽn của Việt Nam: tỷ lệ sở hữu di động cao (78.4% mẫu nghiên cứu, thâm nhập thuê bao 70%), nhưng thanh toán hóa đơn số qua di động chỉ đạt 0.6% vào năm 2017, tạo dư địa tăng trưởng cực lớn cho các giải pháp thanh toán không tiền mặt.
  4. Cơ sở khoa học cho cơ chế Sandbox và Nghị quyết 84/NQ-CP: Kết quả nghiên cứu cung cấp luận cứ định lượng vững chắc cho việc cấp phép thí điểm dịch vụ tiền di động (Mobile Money) dùng tài khoản viễn thông nhằm phục vụ nhóm dân cư chưa có tài khoản ngân hàng (Unbanked population).

Ứng dụng thực tế và triển khai

Các kịch bản ứng dụng thực tiễn

Kịch bản 1: Phổ cập chi trả an sinh xã hội số (G2P Welfare Payments)

  • Vấn đề: Hàng triệu người nhận trợ cấp xã hội, kiều hối tại vùng sâu vùng xa phải di chuyển hàng chục km đến bưu cục hoặc chi nhánh ngân hàng.
  • Giải pháp Fintech: Tích hợp mã định danh công dân VNeID và tài khoản Mobile Money, tiền trợ cấp được bắn trực tiếp vào số điện thoại định danh, rút tiền linh hoạt tại các điểm giao dịch viễn thông.

Kịch bản 2: Số hóa thanh toán hóa đơn thiết yếu (Utility Bill Digitalization)

  • Vấn đề: Tỷ lệ thanh toán tiền điện nước qua di động còn thấp (0.6% năm 2017).
  • Giải pháp: Phối hợp giữa Tập đoàn Điện lực (EVN), Công ty Cấp nước và các ứng dụng ví điện tử/Mobile Banking triển khai quét mã QR động, trích nợ tự động không thu phí, giúp tăng tỷ lệ tiếp cận dịch vụ tài chính hàng ngày.

Hạn chế và hướng phát triển

  • Hạn chế cấu trúc dữ liệu: Bộ dữ liệu Global Findex 2017 là dữ liệu mặt cắt ngang (cross-sectional), chưa cho phép kiểm soát hoàn toàn tính nội sinh (endogeneity) phát sinh do hiệu ứng cố định cá nhân theo thời gian.
  • Biến số vĩ mô: Chưa tích hợp các yếu tố về chỉ số phát triển hạ tầng ICT cấp tỉnh, mật độ trạm viễn thông 4G/5G và chất lượng thể chế địa phương.
  • Hướng nghiên cứu mở rộng:
    • Ứng dụng mô hình Dữ liệu bảng (Panel Data) khi Ngân hàng Thế giới phát hành các chu kỳ Global Findex tiếp theo.
    • Áp dụng các thuật toán Học máy (Machine Learning/Random Forest) để phân nhóm hành vi tài chính và xây dựng hệ thống chấm điểm tín dụng vi mô (Credit Scoring) cho tệp khách hàng chưa có lịch sử tín dụng tại CIC.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu thực nghiệm chuẩn mực quốc tế từ xử lý dữ liệu thô, lập mô hình kinh tế lượng nhị phân đến kiểm định chẩn đoán mô hình.
  • Kỹ sư Fintech & Quản trị sản phẩm: Hiểu rõ động lực hành vi của người dùng để thiết kế luồng trải nghiệm người dùng (UX) tối giản cho các sản phẩm tài chính vi mô trên điện thoại cơ bản (feature phones qua USSD) và smartphone.
  • Nhà hoạch định chính sách (SBV, Bộ TT&TT): Có dữ liệu định lượng chứng minh mức độ cấp thiết của việc nới lỏng hạn mức giao dịch Mobile Money và thúc đẩy liên thông tài khoản viễn thông - ngân hàng.

Câu hỏi thường gặp

1. Tại sao đề tài lại lựa chọn mô hình Probit thay vì mô hình hồi quy tuyến tính OLS (LPM)?

Mô hình xác suất tuyến tính (Linear Probability Model - OLS) khi áp dụng cho biến phụ thuộc nhị phân ($y \in {0, 1}$) sẽ gặp hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và có thể tạo ra các giá trị xác suất dự báo vô nghĩa nằm ngoài khoảng $[0, 1]$. Mô hình Probit sử dụng hàm liên kết phân phối tích lũy chuẩn tắc $\Phi(\cdot)$, đảm bảo xác suất ước lượng luôn nằm trong khoảng hợp lệ $(0, 1)$ và phản ánh đúng bản chất phi tuyến của quyết định tham gia tài chính.

2. Sự khác biệt cốt lõi giữa Mobile Money và Ví điện tử (E-wallet) là gì?

Ví điện tử bắt buộc người dùng phải có tài khoản ngân hàng liên kết để nạp/rút tiền. Ngược lại, Mobile Money (tiền di động) sử dụng chính tài khoản viễn thông được định danh qua cơ sở dữ liệu thuê bao di động của nhà mạng, cho phép người dùng nạp, chuyển tiền và thanh toán giá trị nhỏ mà không cần mở tài khoản ngân hàng trước.

3. Nghiên cứu đã xử lý hiện tượng đa cộng tuyến và biến bị bỏ sót như thế nào?

Tác giả đã áp dụng ma trận hệ số tương quan để kiểm tra hiện tượng đa cộng tuyến giữa các biến ngũ phân vị thu nhập và trình độ học vấn. Đồng thời, kiểm định Lagrange Multiplier (Score Test) và kiểm định liên kết (Linktest) trong Stata 16 được thực thi để bảo đảm không có sự bỏ sót biến giải thích mang tính hệ thống.

4. Kết quả nghiên cứu có mâu thuẫn với khoảng cách giới tính ở các nước phát triển không?

Không. Kết quả cho thấy tại Việt Nam, biến giới tính không có ý nghĩa thống kê làm giảm khả năng sở hữu tài khoản, phản ánh tỷ lệ phụ nữ tham gia lực lượng lao động và quản lý tài chính hộ gia đình tại Việt Nam rất cao, tương đồng với xu thế tại các nền kinh tế phát triển và vượt trội hơn so với nhiều quốc gia Nam Á hay Trung Đông.

5. Làm thế nào để mở rộng mô hình này sang các bài toán phân loại người dùng trong thực tế?

Mô hình có thể được chuyển hóa thành API chấm điểm xác suất tiếp nhận dịch vụ (Propensity Scoring API) bằng Python (scikit-learn hoặc statsmodels). Các tổ chức tài chính có thể tích hợp vector đặc trưng người dùng (loại thiết bị, lịch sử nạp cước, vị trí địa lý) để dự đoán nhu cầu mở thẻ hoặc vay thấu chi vi mô theo thời gian thực.

Kết luận

Khóa luận tốt nghiệp "Enabling Financial Inclusion Through Fintech" của tác giả Trần Thiên Phúc (Trường Đại học Ngân hàng TP.HCM) đã chứng minh bằng thực nghiệm: Công nghệ tài chính là chìa khóa then chốt để thúc đẩy tài chính toàn diện tại Việt Nam. Việc sở hữu thiết bị di động, sử dụng Mobile Money và thực hiện các giao dịch thanh toán hóa đơn số giúp gia tăng đáng kể xác suất tiếp cận hệ thống tài chính chính thức của người dân.

Công trình không chỉ đóng góp một khung phân tích định lượng chuẩn mực cho giới học thuật mà còn là tài liệu tham khảo giá trị cho các ngân hàng thương mại, công ty Fintech và cơ quan quản lý nhà nước trong hành trình hiện thực hóa mục tiêu 80% người trưởng thành có tài khoản tài chính, hướng tới một nền kinh tế số bao trùm và bền vững.