Giới thiệu dự án

Thanh toán kỹ thuật số và các phương tiện tiền điện tử (Electronic Money / E-Money) đang đóng vai trò then chốt trong quá trình hiện đại hóa hệ thống tài chính quốc gia. Theo Khảo sát Tiêu dùng Toàn cầu (GCS) của PwC tại 27 quốc gia/vùng lãnh thổ, Việt Nam dẫn đầu về tốc độ tăng trưởng thanh toán di động khi tỷ lệ người tiêu dùng sử dụng phương thức này tăng từ 37% (năm 2017) lên 61% (năm 2018). Số liệu từ Ngân hàng Nhà nước Việt Nam ghi nhận giao dịch tài chính qua kênh Internet trong Quý I/2019 tăng 68,8% về số lượng và 13,4% về giá trị; trong khi giao dịch qua điện thoại di động bùng nổ với mức tăng 97,7% về số lượng và 232,3% về giá trị so với cùng kỳ năm 2018.

Nhằm hiện thực hóa Quyết định số 986/QĐ-TTg của Thủ tướng Chính phủ phê duyệt Chiến lược phát triển ngành Ngân hàng đến năm 2025 (định hướng giảm tỷ trọng tiền mặt trên tổng phương tiện thanh toán xuống dưới 8%) và Nghị quyết số 02/NQ-CP về giải pháp cải thiện môi trường kinh doanh, việc nghiên cứu các rào cản và động lực thúc đẩy người dân chấp nhận tiền điện tử là một yêu cầu cấp thiết.

Vấn đề cốt lõi đặt ra là: Mặc dù hạ tầng công nghệ phát triển mạnh mẽ, các nhà cung cấp giải pháp FinTech và nhà hoạch định chính sách vẫn thiếu hụt các mô hình dữ liệu thực chứng đo lường chính xác mức độ tác động của các yếu tố tâm lý, nhận thức và kiểm soát hành vi đến ý định sử dụng tiền điện tử tại đô thị trọng điểm như TP. Hồ Chí Minh.

Mục tiêu cụ thể của nghiên cứu:

  1. Hệ thống hóa các lý thuyết hành vi chấp nhận công nghệ nền tảng (TRA, TAM, TPB) trong lĩnh vực dịch vụ tài chính số.
  2. Xây dựng và kiểm định mô hình định lượng xác định các nhân tố ảnh hưởng trực tiếp đến ý định sử dụng tiền điện tử của người dân TP. Hồ Chí Minh.
  3. Đo lường trọng số tác động của từng nhân tố và đề xuất các giải pháp kỹ thuật, chính sách nhằm tối ưu hóa tỷ lệ chuyển đổi từ tiền mặt sang tiền điện tử.

Nghiên cứu tích hợp Mô hình Chấp nhận Công nghệ (TAM - Technology Acceptance Model) và Thuyết Hành vi Dự định (TPB - Theory of Planned Behavior). Kết quả kỳ vọng cung cấp mô hình hồi quy đạt hệ số xác định hiệu chỉnh ($R^2$ Adjusted) tối thiểu trên 50%, kiểm soát đa cộng tuyến nghiêm ngặt với hệ số phóng đại phương sai (VIF < 10). Phạm vi nghiên cứu tập trung vào người tiêu dùng đang sinh sống, học tập và làm việc tại khu vực nội - ngoại thành TP. Hồ Chí Minh có sở hữu điện thoại thông minh (smartphone) trong giai đoạn khảo sát từ 10/12/2019 đến 08/01/2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường Việt Nam, các công cụ thanh toán đang tồn tại dưới ba hình thái chính với những ưu thế và hạn chế rõ rệt về mặt kỹ thuật lẫn vận hành:

Tiêu chí so sánh Tiền mặt truyền thống Internet Banking truyền thống Tiền điện tử / Ví điện tử
Chi phí giao dịch Chi phí in ấn, lưu trữ, kiểm đếm vật lý cao Phí chuyển khoản liên ngân hàng, phí duy trì dịch vụ Chi phí tiệm cận 0 nhờ hạ tầng số hóa phi ngân hàng
Tốc độ xử lý Tức thì nhưng yêu cầu gặp mặt trực tiếp 1 - 24 giờ tùy thuộc hệ thống bù trừ liên ngân hàng Xử lý theo thời gian thực (Real-time Processing < 1s)
Bảo mật & Rủi ro vật lý Rủi ro rách, ướt, cháy nổ, mất cắp vật lý Xác thực OTP/SMS, rủi ro giả mạo giao diện web Mã hóa đầu cuối (End-to-End Encryption), Tokenization, Sinh trắc học
Yêu cầu hạ tầng Không yêu cầu thiết bị Máy tính/Trình duyệt kết nối Internet, tài khoản ngân hàng Smartphone, tích hợp trực tiếp qua SDK/API tại điểm bán

Phân loại các yêu cầu nghiên cứu theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Đo lường tính chuẩn xác của cấu trúc Thang đo Likert 5 mức độ; kiểm tra độ tin cậy Cronbach's Alpha ($\ge 0.7$); kiểm định phân tích nhân tố khám phá EFA (KMO $\ge 0.5$, Bartlett's Test $p < 0.05$, Tổng phương sai trích $\ge 50%$).
  • Should-have (Nên có): Kiểm định đa cộng tuyến qua hệ số VIF; kiểm tra phân phối chuẩn phần dư qua Normal P-P Plot và hiện tượng tự tương quan bằng kiểm định Durbin-Watson ($1 < d < 3$).
  • Could-have (Có thể có): Phân tích tương quan Pearson chi tiết giữa các cặp biến tiềm ẩn.
  • Won't-have (Chưa thực hiện): Phân tích biến điều tiết (Moderating Variables) theo nhân khẩu học sâu (tuổi, thu nhập, giới tính) do giới hạn mẫu ban đầu.

Thiết kế hệ thống

Mô hình nghiên cứu thực nghiệm đề xuất gồm 5 biến độc lập (17 biến quan sát) và 1 biến phụ thuộc (3 biến quan sát):

Technology Stack sử dụng trong phân tích:

  • Công cụ xử lý thống kê: IBM SPSS Statistics phiên bản 20.0 (Core Engine cho Descriptive Statistics, Reliability Analysis, EFA, OLS Regression).
  • Hệ thống thu thập dữ liệu: Google Forms API kết hợp phỏng vấn trực tiếp bằng bảng hỏi tiêu chuẩn hóa.
  • Hạ tầng xử lý bổ trợ: Python 3.8 (thư viện pandas, statsmodels, factor_analyzer) phục vụ kiểm tra chéo độ ổn định tham số.

Methodology

Quy trình nghiên cứu triển khai theo phương pháp kết hợp 2 giai đoạn:

[Khung Lý Thuyết: TAM + TPB]
[Báo Cáo & Khuyến Nghị Thực Tiễn]

Đánh giá rủi ro và giải pháp kiểm soát chất lượng dữ liệu:

  1. Rủi ro sai lệch chọn mẫu (Sampling Bias): Khắc phục bằng cách lọc dữ liệu nghiêm ngặt qua câu hỏi sàng lọc thiết bị (loại bỏ người tham gia không sở hữu smartphone).
  2. Rủi ro trả lời cẩu thả (Straight-lining responses): Loại bỏ 35 phiếu khảo sát có phương sai câu trả lời bằng 0 hoặc thiếu trường thông tin.

Implementation và kết quả

Development process

Quá trình xử lý và làm sạch dữ liệu thống kê từ 250 bảng hỏi ban đầu ghi nhận tỷ lệ phản hồi và tính hợp lệ như sau:

  • Phát trực tiếp: 70 bảng phát ra $\rightarrow$ 50 bảng phản hồi $\rightarrow$ 35 bảng hợp lệ (Tỷ lệ đạt: 50.0%).
  • Khảo sát trực tuyến qua Google Forms/Email/Mạng xã hội: 180 bảng phát ra $\rightarrow$ 150 phản hồi $\rightarrow$ 130 bảng hợp lệ (Tỷ lệ đạt: 72.2%).
  • Tổng mẫu hợp lệ đưa vào phân tích chính thức: $N = 165$.

Toàn bộ quy trình xử lý dữ liệu định lượng được thực thi qua pipeline mã nguồn sau:

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 hệ số 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).sum()
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_score_variance))
    return float(alpha)

# 2. Xây dựng mô hình OLS Regression và kiểm tra VIF
def fit_fintech_regression(X_matrix: pd.DataFrame, y_vector: pd.Series):
    X_with_const = sm.add_constant(X_matrix)
    model = sm.OLS(y_vector, X_with_const).fit()
    
    # Tính Variance Inflation Factor (VIF)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_with_const.columns
    vif_data["VIF"] = [
        variance_inflation_factor(X_with_const.values, i)
        for i in range(X_with_const.shape[1])
    ]
    
    return model, vif_data

# Giả lập pipeline xác thực mô hình
# model_results, vif_summary = fit_fintech_regression(X[['F_HI', 'F_SD', 'F_CN']], y['F_YD'])

Testing và validation

Đánh giá độ tin cậy thang đo (Cronbach's Alpha)

Dựa trên tiêu chuẩn Nunnally & Bernstein (1994), hệ số tin cậy $\alpha \ge 0.70$ và tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$ được dùng làm ngưỡng chấp nhận:

Biến tiềm ẩn Mã quan sát Tương quan biến tổng Alpha nếu loại biến Cronbach's Alpha chung Kết luận
Nhận thức hữu ích (HI) HI1, HI2, HI3, HI4 $0.624 - 0.741$ $0.798 - 0.859$ 0.862 Đạt yêu cầu
Nhận thức dễ sử dụng (SD) SD1, SD2, SD3 $0.512 - 0.680$ $0.687 - 0.759$ 0.781 Đạt yêu cầu
Nhận thức chủ quan (CQ) CQ1, CQ2, CQ3 $0.690 - 0.785$ $0.812 - 0.898$ 0.895 Đạt yêu cầu
Kiểm soát cảm nhận (CN) CN1, CN2, CN3 $0.589 - 0.710$ $0.643 - 0.782$ 0.804 Đạt yêu cầu
Thái độ đối với hành vi (TD) TD1, TD2, TD3 $0.412 - 0.520$ $0.674 - 0.799$ 0.674 Loại bỏ ($\alpha < 0.7$)
Ý định sử dụng (YD) YD1, YD2, YD3 $0.655 - 0.742$ $0.740 - 0.815$ 0.828 Đạt yêu cầu

Phân tích nhân tố khám phá (EFA)

Sau khi loại bỏ thang đo Thái độ (TD), dữ liệu 17 biến độc lập được đưa vào phân tích EFA bằng phép trích Principal Components và phép xoay Varimax:

Chỉ số kiểm định EFA Biến độc lập (HI, SD, CQ, CN) Biến phụ thuộc (YD) Ngưỡng chuẩn
Hệ số KMO 0.760 0.673 $0.5 \le \text{KMO} \le 1.0$
Kiểm định Bartlett (Sig.) 0.000 ($p < 0.001$) 0.000 ($p < 0.001$) $p < 0.05$
Giá trị Eigenvalue trích 1.278 (tại nhân tố 4) 2.179 (tại nhân tố 1) $> 1.0$
Tổng phương sai trích 69.692% 72.648% $\ge 50.0%$

Lưu ý kỹ thuật về biến SD2: Biến SD2 có hiện tượng tải kép (Cross-loading) tại hai nhân tố với hệ số $0.728$ và $0.322$. Khoảng cách chênh lệch hệ số tải: $$\Delta \lambda = 0.728 - 0.322 = 0.406 > 0.30$$ Theo tiêu chuẩn Igbaria et al. (1995), biến SD2 đạt yêu cầu phân biệt và tiếp tục được duy trì.

Phân tích tương quan Pearson

Kiểm tra mối quan hệ tuyến tính bước đầu giữa các nhân tố đại diện:

  • Tương quan giữa $F_HI$, $F_SD$, $F_CN$ với biến phụ thuộc $F_YD$ đều có ý nghĩa thống kê ở mức $p < 0.01$.
  • Biến Nhận thức chủ quan ($F_CQ$) có hệ số tương quan với biến $F_YD$ không có ý nghĩa thống kê ($Sig. = 0.451 > 0.05$). Do đó, biến $F_CQ$ bị loại khỏi mô hình hồi quy đa biến cuối cùng.

Kết quả đạt được

Mô hình hồi quy đa biến tuyến tính được ước lượng bằng phương pháp Enter với 3 biến độc lập:

$$\widehat{YD} = \beta_0 + \beta_1 \cdot HI + \beta_2 \cdot SD + \beta_3 \cdot CN$$

Thông số mô hình hồi quy Giá trị thống kê Tiêu chuẩn đánh giá Đánh giá
Hệ số xác định $R^2$ 0.553 - Thích hợp
Hệ số $R^2$ hiệu chỉnh 0.543 $> 0.50$ 54.3% biến thiên ý định được giải thích
Sai số chuẩn của ước lượng 0.361 - Độ phân tán thấp
Kiểm định Durbin-Watson 2.172 $1 < d < 3$ Không có tự tương quan bậc nhất
Kiểm định ANOVA ($F$-statistic) 47.525 ($Sig. = 0.000$) $p < 0.05$ Mô hình có ý nghĩa thống kê tổng thể

Chi tiết hệ số hồi quy đa biến:

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) $t$-statistic $Sig.$ Dung sai (Tolerance) VIF
Hằng số (Constant) 0.361 0.185 - 1.951 0.053 - -
Kiểm soát cảm nhận (F_CN) 0.384 0.062 0.412 6.194 0.000 0.742 1.348
Nhận thức hữu ích (F_HI) 0.298 0.058 0.325 5.138 0.000 0.785 1.274
Dễ sử dụng (F_SD) 0.194 0.055 0.216 3.527 0.001 0.812 1.232 
                       TRỌNG SỐ TÁC ĐỘNG CHUẨN HÓA (BETA)

Bảng tổng kết kiểm định các giả thuyết nghiên cứu:

Giả thuyết Mối quan hệ kỳ vọng Giá trị $Sig.$ Trạng thái kiểm định Kết luận thực nghiệm
H1 $\text{HI} \xrightarrow{+} \text{YD}$ $0.000$ Chấp nhận Nhận thức hữu ích thúc đẩy mạnh mẽ ý định sử dụng
H2 $\text{SD} \xrightarrow{+} \text{YD}$ $0.001$ Chấp nhận Nhận thức dễ sử dụng có tác động tích cực đáng kể
H3 $\text{TD} \xrightarrow{+} \text{YD}$ $0.113$ Bác bỏ Thang đo không đạt độ tin cậy nội tại ($\alpha = 0.674$)
H4 $\text{CQ} \xrightarrow{+} \text{YD}$ $0.451$ Bác bỏ Không có tương quan tuyến tính có ý nghĩa thống kê
H5 $\text{CN} \xrightarrow{+} \text{YD}$ $0.000$ Chấp nhận Kiểm soát cảm nhận là nhân tố tác động mạnh nhất ($\beta = 0.412$)

Đổi mới và đóng góp

Nghiên cứu mang lại những phát hiện đột phá về mặt lý thuyết và thực tiễn so với các công trình nghiên cứu trước đây trong khu vực:

  1. Phát hiện sự thống trị của biến "Kiểm soát cảm nhận" (Perceived Behavioral Control): Trái ngược với các nghiên cứu truyền thống của Davis (1989) hay Kesharwani et al. (2012) tại thị trường Ấn Độ (vốn khẳng định Nhận thức hữu ích là nhân tố chi phối số một), dữ liệu tại TP.HCM chỉ ra Hành vi kiểm soát cảm nhận ($F_CN$) chiếm tỷ trọng tác động lớn nhất ($\beta = 0.412$). Người dùng đô thị chỉ chuyển đổi sang tiền điện tử khi họ cảm nhận rõ sự tương thích công nghệ của smartphone và khả năng tự làm chủ thao tác thanh toán số.
  2. Sự phi ảnh hưởng của "Nhận thức chủ quan" và "Thái độ": Kết quả chứng minh áp lực xã hội từ người thân/bạn bè ($F_CQ$, $p = 0.451$) và cảm xúc thái độ cảm tính ($F_TD$) không phải là động lực quyết định hành vi tiêu dùng tài chính số tại TP.HCM. Quyết định sử dụng tiền điện tử thuần túy mang tính duy lý thực dụng (Utilitarian Rationality).
  3. Tối ưu hóa năng lực giải thích mô hình: Với $R^2$ hiệu chỉnh đạt $54.3%$, mô hình TAM-TPB tinh gọn gồm 3 nhân tố ($CN, HI, SD$) đạt hiệu suất dự báo cao hơn mô hình TAM đơn lẻ của Lê Thị Kim Tuyến (2008) tại Đà Nẵng và giải quyết được hiện tượng đa cộng tuyến triệt để ($\text{VIF} < 1.35$).

Ứng dụng thực tế và triển khai

Dựa trên trọng số tác động từ mô hình định lượng, lộ trình triển khai dành cho các định chế tài chính và đơn vị cung cấp trung gian thanh toán (FinTech) tại TP.HCM được phân bổ như sau:

                          LỘ TRÌNH TRIỂN KHAI FINTECH
  1. Chiến lược tối ưu Kiểm soát cảm nhận (Ưu tiên số 1):
    • Các công ty FinTech cần tối ưu hóa dung lượng ứng dụng (App bundle size), giảm tải yêu cầu phần cứng để ứng dụng tiền điện tử vận hành mượt mà trên cả các dòng smartphone phân khúc giá rẻ.
    • Thiết lập cơ chế liên kết thẻ/tài khoản ngân hàng trực tiếp qua chuẩn Open Banking API, giảm thiểu rào cản nạp/rút tiền kỹ thuật số.
  2. Chiến lược mở rộng Tính hữu ích (Ưu tiên số 2):
    • Hợp tác liên kết với chuỗi bán lẻ, siêu thị, bệnh viện, trường học theo chỉ thị Nghị quyết 02/NQ-CP để tạo hệ sinh thái thanh toán không tiền mặt khép kín.
    • Tích hợp tính năng quản trị tài chính cá nhân tự động (Personal Finance Management - PFM) cho phép phân loại và đối soát chi tiêu tức thì.
  3. Chiến lược đơn giản hóa Thao tác sử dụng (Ưu tiên số 3):
    • Triển khai tiêu chuẩn quét mã tĩnh/động (VietQR / Dynamic QR Code), tinh gọn chu trình thanh toán xuống dưới 3 bước chạm màn hình.

Hạn chế và hướng phát triển

Mặc dù đạt được những kết quả có ý nghĩa thống kê, đề tài ghi nhận các giới hạn kỹ thuật cần tiếp tục hoàn thiện:

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp bộ khung phương pháp luận nghiên cứu định lượng chuẩn tắc từ phỏng vấn sơ bộ đến hồi quy OLS trên SPSS.
  • Kỹ sư phần mềm & Product Manager (FinTech): Nắm bắt các trọng số tâm lý người dùng ($\beta$) để ưu tiên phát triển tính năng sản phẩm (Product Backlog) tập trung vào tính tương thích phần cứng và giao diện tối giản.
  • Doanh nghiệp bán lẻ & Ngân hàng: Định hình chiến lược chuyển đổi số, tối ưu hóa điểm chạm POS/QR code và thiết kế chương trình khuyến khích khách hàng thanh toán số.
  • Cơ quan quản lý nhà nước (Ngân hàng Nhà nước): Dữ liệu thực chứng hỗ trợ hoàn thiện khung pháp lý về tiền điện tử và định hướng các chiến dịch truyền thông tài chính toàn diện.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để người dân sử dụng tiền điện tử là gì?

Người dùng chỉ cần sở hữu thiết bị điện thoại thông minh (hệ điều hành Android phiên bản 6.0+ hoặc iOS 11.0+) có kết nối mạng Internet (3G/4G/Wi-Fi) và tài khoản ngân hàng hỗ trợ thanh toán trực tuyến để liên kết định danh (eKYC).

2. Tại sao nhân tố "Nhận thức chủ quan" lại bị loại khỏi mô hình hồi quy?

Trong kiểm định thực nghiệm tại TP.HCM, mối quan hệ giữa Nhận thức chủ quan ($CQ$) và Ý định sử dụng ($YD$) đạt giá trị $Sig. = 0.451 > 0.05$. Điều này phản ánh người dân đô thị có tính độc lập cao khi ra quyết định liên quan đến công cụ tài chính cá nhân, không bị chi phối bởi áp lực xã hội hay lời khuyên từ bạn bè.

3. Mô hình có gặp hiện tượng tự tương quan hay đa cộng tuyến không?

Không. Hệ số Durbin-Watson đạt $2.172$ (nằm trong khoảng an toàn $1 < d < 3$), loại trừ hiện tượng tự tương quan phần dư. Toàn bộ các hệ số VIF của biến độc lập đều $< 1.35$ (thấp hơn nhiều so với ngưỡng cảnh báo vi phạm là 10), đảm bảo mô hình không xảy ra hiện tượng đa cộng tuyến.

4. Chi phí tích hợp tiền điện tử cho các đơn vị kinh doanh (Merchants) là bao nhiêu?

Nhờ kiến trúc Open API và mã QR tĩnh, chi phí đầu tư phần cứng ban đầu tiệm cận bằng 0 (không cần mua máy POS đắt đỏ). Đơn vị kinh doanh chỉ chịu phí xử lý giao dịch phần trăm rất nhỏ theo quy định của nhà cung cấp trung gian thanh toán.

5. Khác biệt cốt lõi giữa tiền điện tử (E-Money) trong nghiên cứu này và tiền mã hóa (Cryptocurrency) là gì?

Tiền điện tử trong nghiên cứu là giá trị tiền tệ pháp định (VND) được lưu trữ dưới dạng điện tử trong các hệ thống ví điện tử/tài khoản thanh toán được Ngân hàng Nhà nước cấp phép, có giá trị ngang bằng tiền mặt và không có chức năng đầu cơ sinh lời như các loại tiền mã hóa phi tập trung.

Kết luận

Đề tài đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc xây dựng mô hình thực nghiệm tích hợp TAM và TPB để xác định các nhân tố chi phối ý định sử dụng tiền điện tử tại TP. Hồ Chí Minh. Dữ liệu từ 165 mẫu hợp lệ được xử lý qua quy trình phân tích thống kê đa biến nghiêm ngặt đã chứng minh rằng: Hành vi kiểm soát cảm nhận ($\beta = 0.412$), Nhận thức hữu ích ($\beta = 0.325$), và Nhận thức dễ sử dụng ($\beta = 0.216$) là 3 trụ cột quyết định hành vi người dùng, giải thích $54.3%$ sự biến thiên của ý định sử dụng. Các tổ chức tài chính và đơn vị phát triển FinTech cần tập trung nguồn lực công nghệ để nâng cao tính tương thích thiết bị, mở rộng hệ sinh thái tiện ích số hóa và đơn giản hóa trải nghiệm người dùng nhằm thúc đẩy tiến trình xã hội không tiền mặt tại Việt Nam.