Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã thúc đẩy thị trường công nghệ tài chính (Fintech) tăng trưởng vượt bậc trên quy mô toàn cầu. Theo báo cáo từ Statista, tính đến tháng 5/2023, thế giới ghi nhận hơn 26.000 doanh nghiệp Fintech khởi nghiệp, tạo ra doanh thu hơn 186,87 tỷ USD (tăng gần 100% so với năm 2017). Tại Việt Nam, số lượng công ty Fintech tăng từ 144 (năm 2018) lên 263 doanh nghiệp vào năm 2022. Cùng với tỷ lệ dân số sử dụng Internet đạt 79,1% và 161,6 triệu thuê bao di động, Việt Nam trở thành một trong những thị trường tài chính số năng động bậc nhất khu vực ASEAN.

+-----------------------------------------------------------------------------+
|                     BỐI CẢNH NGHIÊN CỨU & VẤN ĐỀ CỐT LÕI                     |
+-----------------------------------------------------------------------------+
|  Fintech Bùng Nổ (263 DN, 2022)      --->   Tác Động Kép Đến NHTM           |
|  - Thanh toán điện tử (31%)                 - Cạnh tranh biên lãi thuần     |
|  - Cho vay ngang hàng P2P (16%)             - Chuyển dịch tiền gửi (CASA)   |
|  - Tài sản số & Blockchain (12%)            - Động lực tối ưu vận hành      |
+-----------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sự gia nhập mạnh mẽ của các thực thể Fintech vào các mảng dịch vụ truyền thống (thanh toán số, cho vay cá nhân P2P, chấm điểm tín dụng) đặt các Ngân hàng Thương mại (NHTM) Việt Nam trước những thách thức mang tính cấu trúc:

  • Xói mòn biên thu nhập lãi thuần (NIM): Áp lực cạnh tranh lãi suất cho vay và phân chia thị phần tín dụng tiêu dùng.
  • Biến động chi phí vốn và sụt giảm CASA: Sự dịch chuyển dòng tiền nhàn rỗi sang các ví điện tử và nền tảng đầu tư số.
  • Gia tăng áp lực chi phí công nghệ: Đòi hỏi ngân hàng phải tăng cường chi phí đầu tư chuyển đổi số (CAPEX/OPEX) để duy trì vị thế cạnh tranh.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về Fintech, hiệu quả hoạt động ngân hàng theo các lý thuyết kinh tế hiện đại (Lý thuyết Tiêu dùng của Aaker & Keller, 1990; Lý thuyết Đổi mới Đột phá của Christensen, 1997).
  2. Phân tích thực trạng phát triển hệ sinh thái Fintech và hiệu quả tài chính của 19 NHTM niêm yết trên Sàn Giao dịch Chứng khoán TP.HCM (HOSE) và Hà Nội (HNX) giai đoạn 2017–2022.
  3. Lượng hóa mức độ tác động của sự phát triển Fintech đến hiệu quả kinh doanh của NHTM bằng mô hình kinh tế lượng dữ liệu bảng (Panel Data Regression).
  4. Đề xuất khuyến nghị chính sách và chiến lược chuyển đổi mô hình kinh doanh ngân hàng số bền vững.

Phương pháp tiếp cận và phạm vi

  • Phương pháp: Kết hợp phân tích định tính và mô hình định lượng xử lý dữ liệu bảng đa chiều (Fixed Effects, Random Effects, Feasible Generalized Least Squares - FGLS) trên phần mềm Stata 14.
  • Phạm vi: 19 NHTM cổ phần niêm yết tại Việt Nam trong giai đoạn 6 năm (2017–2022), bao gồm 114 quan sát bảng (balanced panel).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hệ sinh thái Fintech tại Việt Nam phân bổ chủ yếu trên 5 phân khúc dọc chính: Thanh toán điện tử (Digital Payment - 31%), Cho vay ngang hàng (P2P Lending - 16%), Blockchain/Crypto (12%), Quản trị tài sản số (WealthTech - 8%) và Điểm bán hàng (POS - 7%).

Tiêu chí Ngân hàng Thương mại Truyền thống Công ty Công nghệ Tài chính (Fintech)
Cơ chế hoạt động Trung gian tài chính tập trung, chịu kiểm soát chặt chẽ bởi Basel II / NHNN Nền tảng số phân tán, tự động hóa quy trình, linh hoạt điều chỉnh
Khách hàng mục tiêu Khách hàng chuẩn hóa, doanh nghiệp lớn, có tài sản đảm bảo Bán lẻ, khách hàng Unbanked/Underbanked, SMEs siêu nhỏ
Chi phí vận hành Tỷ lệ chi phí/thu nhập (CIR) cao do duy trì mạng lưới chi nhánh vật lý Tối ưu hóa nhờ hạ tầng Cloud, AI/ML và định danh eKYC tự động
Rào cản gia nhập Yêu cầu vốn pháp định lớn, quy định pháp lý khắt khe Rủi ro khung pháp lý thử nghiệm (Regulatory Sandbox) còn sơ khai
+----------------------------------------------------------------------+
|             PHÂN TÍCH YÊU CẦU CHUYỂN ĐỔI THEO MÔ HÌNH MOSCOW        |
+----------------------------------------------------------------------+
| [MUST HAVE]    - Tích hợp Open API / Banking-as-a-Service (BaaS)     |
|                - Tuân thủ Basel II (Thông tư 41/2017/TT-NHNN)        |
| [SHOULD HAVE]  - Tự động hóa thẩm định tín dụng qua Machine Learning |
|                - Triển khai Core Banking hiện đại & CRM tập trung    |
| [COULD HAVE]   - Tích hợp tài sản số & Ví điện tử đồng thương hiệu   |
| [WON'T HAVE]   - Mở rộng tràn lan mạng lưới phòng giao dịch vật lý   |
+----------------------------------------------------------------------+

Thiết kế hệ thống dữ liệu và mô hình kinh tế lượng

Khung phân tích được xây dựng trên cấu trúc dữ liệu bảng (Panel Data) kết hợp nhóm chỉ số nội tại của ngân hàng và các biến đại diện vĩ mô:

                      +-----------------------------+
                      |   Biến Fintech vĩ mô        |
                      |   - FUND (Vốn đầu tư)       |
                      |   - P2P (Cho vay cá nhân)   |
                      |   - SME (Cho vay DN)        |
                      |   - USER (Số lượng người)   |
                      +--------------+--------------+
                                     |
                                     v
+------------------------+     +-----+------+     +------------------------+
|  Biến Kiểm soát Ngân hàng | --> |   MÔ HÌNH  | <-- |   Biến Vĩ mô Kinh tế   |
|  - CIR (Chi phí/Thu nhập) |     |  HỒI QUY   |     |   - INFL (Tỷ lệ lạm    |
|  - COST (Chi phí/Tài sản) |     |  DỮ LIỆU   |     |     phát hàng năm)     |
|  - TNNL (Thu ngoài lãi)   |     |   BẢNG     |     +------------------------+
+------------------------+     +-----+------+
                                     |
                                     v
                      +--------------+--------------+
                      |   Biến Phụ thuộc (Hiệu quả) |
                      |   - NIM (Biên lãi thuần)    |
                      |   - ROA (Sinh lời tài sản)  |
                      |   - ROE (Sinh lời vốn CSH)  |
                      +-----------------------------+

Phương trình hồi quy tổng quát: $$BP_{it} = \beta_0 + \beta_1 \text{Fintech}t + \beta_2 X{it} + \beta_3 Z_{it} + u_{it}$$

Trong đó:

  • $BP_{it}$: Biến đo lường hiệu quả hoạt động của ngân hàng $i$ tại năm $t$ ($\text{NIM}{it}, \text{ROA}{it}, \text{ROE}_{it}$).
  • $\text{Fintech}_t$: Nhóm biến đại diện phát triển Fintech ($\text{FUND}_t, \ln\text{P2P}_t, \text{USER}_t, \text{SME}_t$).
  • $X_{it}$: Ma trận biến kiểm soát đặc trưng ngân hàng ($\text{CIR}{it}, \text{COST}{it}, \text{TNNL}_{it}$).
  • $Z_{it}$: Biến kiểm soát vĩ mô ($\text{INFL}_t$).
  • $u_{it}$: Sai số ngẫu nhiên tổng hợp ($u_{it} = \mu_i + \epsilon_{it}$).

Công cụ và Phương pháp luận xử lý (Tech Stack)

  • Công cụ thống kê: Stata 14.2 MP, Microsoft Excel 365 ProPlus.
  • Quy trình kiểm định khuyết tật mô hình:
    1. Kiểm tra đa cộng tuyến: Ma trận hệ số tương quan Pearson ($r < 0.8$) và chỉ số VIF.
    2. Lựa chọn mô hình: Kiểm định Hausman ($H_0$: Random Effects vs $H_1$: Fixed Effects).
    3. Kiểm định phương sai sai số thay đổi: Modified Wald Test (xttest3).
    4. Kiểm định tự tương quan: Wooldridge Test (xtserial).
    5. Ước lượng hiệu chỉnh: Mô hình bình phương tối thiểu tổng quát khả thi (FGLS / xtgls) để khắc phục triệt để phương sai thay đổi và tự tương quan bậc nhất AR(1).

Implementation và kết quả

Quy trình phát triển và Code thực thi trên Stata

Toàn bộ quy trình từ làm sạch dữ liệu, kiểm định giả thuyết đến ước lượng phương trình kinh tế lượng được thiết lập qua Stata do-file:

* Thiết lập không gian làm việc và khai báo dữ liệu bảng
clear all
set more off
import excel "bank_fintech_dataset_2017_2022.xlsx", sheet("Data") firstrow
destring _all, replace force

* Định danh cấu trúc Panel Data (19 NHTM, 6 năm)
xtset bank_id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize NIM ROA ROE FUND lnP2P CIR COST TNNL INFL
correlate NIM FUND lnP2P CIR COST TNNL INFL

* 2. Ước lượng mô hình OLS gộp, Tác động Cố định (FEM) và Ngẫu nhiên (REM)
quietly reg NIM FUND lnP2P CIR COST TNNL INFL
estimates store OLS_MODEL

quietly xtreg NIM FUND lnP2P CIR COST TNNL INFL, fe
estimates store FEM_MODEL

quietly xtreg NIM FUND lnP2P CIR COST TNNL INFL, re
estimates store REM_MODEL

* 3. Kiểm định lựa chọn mô hình (Hausman Test)
hausman FEM_MODEL REM_MODEL

* 4. Kiểm định chẩn đoán khuyết tật
xtreg NIM FUND lnP2P CIR COST TNNL INFL, fe
xttest3          /* Kiểm định Modified Wald về phương sai sai số thay đổi */
xtserial NIM FUND lnP2P CIR COST TNNL INFL /* Kiểm định tự tương quan Wooldridge */

* 5. Ước lượng FGLS khắc phục triệt để khuyết tật
xtgls NIM FUND lnP2P CIR COST TNNL INFL, panels(hetero) corr(ar1)
estimates store FGLS_FINAL

Kết quả kiểm định và phân tích định lượng

Kết quả chẩn đoán mô hình

  • Kiểm định Hausman: Cho giá trị $P\text{-value} = 0.0024 < 0.05 \rightarrow$ Bác bỏ $H_0$, lựa chọn mô hình Tác động cố định (FEM).
  • Kiểm định Wald (xttest3): $P\text{-value} = 0.0000 < 0.05 \rightarrow$ Xuất hiện hiện tượng phương sai sai số thay đổi theo nhóm.
  • Kiểm định Wooldridge (xtserial): $P\text{-value} = 0.0132 < 0.05 \rightarrow$ Tồn tại hiện tượng tự tương quan chuỗi.
  • $\rightarrow$ Mô hình FGLS (Cross-sectional heteroskedasticity & AR1 autocorrelation) được chọn làm mô hình chuẩn xác định tác động.

Bảng kết quả hồi quy mô hình FGLS (Biến phụ thuộc: NIM)

Biến độc lập Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị $z$ $P > |z|$ Ý nghĩa thống kê
FUND (Vốn đầu tư Fintech) 0.00184 0.00062 2.97 0.003 Có ý nghĩa tại mức 1% (Tác động dương)
lnP2P (Quy mô vay P2P) -0.14285 0.05120 -2.79 0.005 Có ý nghĩa tại mức 1% (Tác động âm)
CIR (Tỷ lệ chi phí/thu nhập) -0.01892 0.00411 -4.60 0.000 Có ý nghĩa tại mức 1%
COST (Chi phí/Tổng tài sản) 0.21045 0.08432 2.50 0.012 Có ý nghĩa tại mức 5%
TNNL (Tỷ lệ thu ngoài lãi) 0.02418 0.00789 3.06 0.002 Có ý nghĩa tại mức 1%
INFL (Tỷ lệ lạm phát) 0.08641 0.03154 2.74 0.006 Có ý nghĩa tại mức 1%
_cons (Hệ số chặn) 3.24150 0.41280 7.85 0.000 Có ý nghĩa tại mức 1%
Wald chi2(6) = 148.92
Prob > chi2  = 0.0000
Số quan sát  = 114 (19 NHTM x 6 năm)

+-----------------------------------------------------------------------------+
|                     ĐÁNH GIÁ SỨC KHỎE TÀI CHÍNH CAMELS (2022)               |
+-----------------------------------------------------------------------------+
|  Top Sức Khỏe Tốt (SIB & Private):                                          |
|  - TCB, ACB, VCB, MBB, MSB (Top 1-5 về Quản trị chi phí & Sinh lời)         |
|  Nhóm Chịu Áp Lực Nợ Xấu & Chi Phí:                                         |
|  - VPB (NPL 5.7% do khối tài chính tiêu dùng), NVB, BAB, EIB                |
+-----------------------------------------------------------------------------+

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ rệt về mặt lý thuyết và thực tiễn kiểm định tại thị trường mới nổi Việt Nam:

+-----------------------------------------------------------------------------+
|                      SO SÁNH VỚI CÁC CÔNG TRÌNH QUỐC TẾ                     |
+-----------------------------------------------------------------------------+
| Nghiên cứu              | Không gian & Mẫu    | Phát hiện cốt lõi           |
+-------------------------+---------------------+-----------------------------+
| Phan et al. (2019)      | Indonesia (41 NHTM) | Fintech làm giảm NIM 0.38%, |
|                         |                     | ROE giảm 7.3%               |
| Li et al. (2017)        | Trung Quốc          | Fintech thúc đẩy hiệu quả   |
|                         | (Toàn hệ thống)     | chi phí công nghệ ngân hàng |
| Almulla & Aljughaiman   | GCC (40 ngân hàng)  | Tác động tiêu cực lên CB,   |
| (2021)                  |                     | không ảnh hưởng rõ lên IB   |
| Luận văn hiện tại       | Việt Nam (19 NHTM)  | FUND tăng NIM (+0.00184),   |
| (Duong, 2023)           | (2017-2022)         | lnP2P giảm NIM (-0.14285)   |
+-------------------------+---------------------+-----------------------------+

Đóng góp thực tiễn chính

  1. Làm rõ tác động hai chiều của Fintech: Dòng vốn đầu tư đổ vào hệ sinh thái Fintech (FUND) tạo động lực cộng hưởng mở rộng hệ thống thanh toán không tiền mặt (tăng 85.6% lượng giao dịch), giúp NHTM tối ưu hóa chi phí vận hành và tăng thu dịch vụ. Ngược lại, mảng cho vay ngang hàng (P2P) cạnh tranh trực tiếp với mảng tín dụng bán lẻ truyền thống, thu hẹp biên lãi thuần NIM ($\beta = -0.14285$).
  2. Bằng chứng thực nghiệm theo khung chuẩn CAMELS: Chứng minh các NHTM tiên phong số hóa (VCB, TCB, MBB) có khả năng kiểm soát tỷ lệ CIR dưới 35% và duy trì NIM ổn định trên 4.2% so với mức trung bình ngành.

Ứng dụng thực tế và triển khai

Chiến lược ứng dụng thực tế cho các NHTM

                     +-----------------------------------+
                     |   LỘ TRÌNH CHUYỂN ĐỔI 3 GIAI ĐOẠN |
                     +-----------------+-----------------+
                                       |
          +----------------------------+----------------------------+
          |                                                         |
          v                                                         v
+--------------------+                                    +--------------------+
| Giai đoạn 1:       |                                    | Giai đoạn 2:       |
| 0 - 6 tháng        |                                    | 6 - 18 tháng       |
| Chuẩn hóa Open API |                                    | Tích hợp AI/ML     |
| & eKYC tự động     |                                    | Chấm điểm tín dụng |
+--------------------+                                    +--------------------+
          |                                                         |
          +----------------------------+----------------------------+
                                       |
                                       v
                             +--------------------+
                             | Giai đoạn 3:       |
                             | 18 - 36 tháng      |
                             | Hệ sinh thái BaaS  |
                             | & Tài chính nhúng  |
                             +--------------------+
  1. Giai đoạn 1 (0 – 6 tháng) - Chuẩn hóa Open Banking & eKYC:
    • Triển khai cổng Open API kết nối với các ví điện tử hàng đầu (MoMo - 68% thị phần, VNPay, ZaloPay).
    • Tối ưu hóa định danh khách hàng điện tử (eKYC) giúp giảm 60% thời gian mở tài khoản và giải ngân.
  2. Giai đoạn 2 (6 – 18 tháng) - Ứng dụng AI/ML trong quản trị rủi ro:
    • Xây dựng mô hình chấm điểm tín dụng tự động (Automated Credit Scoring) dựa trên dữ liệu phi cấu trúc và giao dịch số, mở rộng tệp khách hàng SME và cá nhân với chi phí thẩm định giảm 45%.
  3. Giai đoạn 3 (18 – 36 tháng) - Hệ sinh thái Ngân hàng dạng dịch vụ (BaaS):
    • Đóng gói các dịch vụ lõi (thanh toán, gửi tiết kiệm, bảo hiểm số - Bancassurance) thành các module BaaS nhúng trực tiếp vào các nền tảng thương mại điện tử và chuỗi cung ứng.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

  • Ước tính vốn đầu tư ban đầu: Giảm 30–40% chi phí xây dựng cơ sở hạ tầng vật lý mới.
  • Hiệu quả vận hành: Dự kiến giảm CIR trung bình toàn hệ thống từ 42% xuống dưới 32% sau 3 năm triển khai chuyển đổi số toàn diện.
  • Thời gian hoàn vốn (ROI Timeline): 2.5 – 3.5 năm thông qua tăng trưởng thu nhập ngoài lãi (TNNL) và tiết kiệm chi phí nhân sự vận hành quầy.

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Tính minh bạch dữ liệu Fintech: Dữ liệu tài chính, doanh thu và dư nợ thực tế của các công ty P2P Lending tại Việt Nam chưa được công bố công khai đồng bộ; nghiên cứu phải dựa trên số liệu ước tính từ các tổ chức quốc tế (Statista, Robocash, Nextrans).
  • Phạm vi chuỗi thời gian: Dữ liệu quan sát giới hạn trong 6 năm (2017–2022) do đặc thù thị trường Fintech Việt Nam mới hình thành rõ nét từ sau năm 2016.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình GMM (System Generalized Method of Moments): Xử lý hiện tượng nội sinh (Endogeneity) tiềm ẩn giữa hiệu quả hoạt động ngân hàng năm trước và sự phát triển của công nghệ số năm sau.
  • Phân tách vi mô theo từng nhóm ngân hàng: Nghiên cứu tác động phân hóa giữa nhóm NHTM cổ phần Nhà nước (BIDV, Vietcombank, VietinBank) và nhóm NHTM cổ phần tư nhân quy mô vừa/nhỏ.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ                      |
+-----------------------------------------------------------------------------+
| Sinh viên & Học viên       | Cung cấp khung nghiên cứu kinh tế lượng thực   |
| Tài chính - Ngân hàng      | chứng mẫu với Stata 14 hoàn chỉnh.             |
|----------------------------+------------------------------------------------|
| Kỹ sư Fintech &            | Hiểu rõ điểm chạm tích hợp hệ thống Core       |
| Product Managers           | Banking và yêu cầu tuân thủ rủi ro Basel II.   |
|----------------------------+------------------------------------------------|
| Ban Điều hành NHTM         | Cung cấp bằng chứng định lượng để cân đối vốn  |
| (C-Level Executives)       | đầu tư công nghệ và chiến lược quản trị CASA.  |
|----------------------------+------------------------------------------------|
| Cơ quan Quản lý            | Căn cứ thực tiễn xây dựng khung thể chế thử    |
| (NHNN, Bộ Tài chính)       | nghiệm có kiểm soát (Regulatory Sandbox).      |
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật cốt lõi để NHTM tích hợp thành công với các đối tác Fintech là gì?

Ngân hàng cần xây dựng kiến trúc mở dựa trên chuẩn Open API (RESTful APIs), hạ tầng bảo mật dữ liệu đạt chuẩn PCI-DSS Level 1, mã hóa đường truyền TLS 1.3 và triển khai hệ thống xác thực phân quyền OAuth 2.0 để kết nối thời gian thực với hệ sinh thái bên thứ ba.

2. Vì sao P2P Lending lại có tác động làm giảm biên thu nhập lãi thuần (NIM) của ngân hàng?

P2P Lending rút ngắn chuỗi trung gian tài chính bằng cách kết nối trực tiếp nhà đầu tư với người đi vay thông qua thuật toán tự động, cung cấp các khoản vay tiêu dùng nhỏ lẻ với thủ tục đơn giản. Điều này buộc các ngân hàng phải cạnh tranh hạ lãi suất cho vay cá nhân hoặc chia sẻ phân khúc khách hàng bán lẻ có biên lợi nhuận cao.

3. Phương pháp FGLS có ưu điểm gì so với mô hình FEM/REM thông thường?

Trong phân tích dữ liệu bảng, khi dữ liệu xuất hiện hiện tượng phương sai sai số thay đổi theo nhóm (Heteroskedasticity) và tự tương quan chuỗi bậc nhất (Autocorrelation), các ước lượng FEM/REM bằng OLS truyền thống sẽ bị mất tính hiệu quả (không còn là BLUE). Phương pháp Feasible Generalized Least Squares (FGLS) sử dụng ma trận trọng số hiệp phương sai hiệu chỉnh để đưa ra các ước lượng tham số vững và không chệch.

4. Quy định Basel II ảnh hưởng như thế nào đến chiến lược hợp tác số của ngân hàng?

Thông tư 41/2017/TT-NHNN yêu cầu tỷ lệ an toàn vốn (CAR) tối thiểu 8%. Hợp tác với Fintech giúp ngân hàng số hóa quy trình thẩm định, giảm thiểu rủi ro hoạt động (Operational Risk) và tối ưu hóa tài sản có rủi ro (RWA), từ đó nâng cao hệ số CAR mà không cần tăng vốn điều lệ quá mức.

5. Chi phí đầu tư công nghệ số của NHTM được đo lường qua chỉ số tài chính nào?

Chủ yếu được theo dõi thông qua hai chỉ số: Tỷ lệ chi phí trên thu nhập (CIR - Cost to Income Ratio) và Tỷ lệ chi phí hoạt động trên tổng tài sản (COST). Ngân hàng chuyển đổi số thành công sẽ ghi nhận CIR giảm dần về ngưỡng tối ưu 30–35%.


Kết luận

Công trình nghiên cứu đã lượng hóa thành công tác động đa chiều của sự phát triển các công ty Fintech đối với hiệu quả hoạt động của 19 NHTM niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2017–2022. Bằng việc ứng dụng mô hình kinh tế lượng FGLS trên dữ liệu bảng, nghiên cứu khẳng định:

  • Dòng vốn đầu tư phát triển hệ sinh thái Fintech (FUND) tạo động lực tích cực gia tăng quy mô giao dịch số và nâng cao hiệu quả hoạt động chung của ngân hàng.
  • Sự bùng nổ của các mô hình cho vay thay thế (P2P Lending) trực tiếp tạo áp lực thu hẹp biên thu nhập lãi thuần (NIM).
  • Chuyển đổi số, mở rộng hệ sinh thái Open Banking và tái cơ cấu nguồn thu sang mảng phi tín dụng (TNNL) là chiến lược then chốt giúp các ngân hàng thương mại duy trì tăng trưởng bền vững và nâng cao năng lực cạnh tranh trong kỷ nguyên kinh tế số.