Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cuộc Cách mạng công nghiệp lần thứ tư, công nghệ tài chính (Fintech) đã có những bước phát triển mạnh mẽ trên phạm vi toàn cầu. Dòng vốn đầu tư toàn cầu vào lĩnh vực Fintech ghi nhận mức tăng trưởng vượt bậc từ năm 2018 với tổng trị giá gần 60 tỷ USD (Arslanian, 2019). Ngành ngân hàng, với vị trí trụ cột trong hệ thống tài chính, chịu tác động trực tiếp và sâu sắc từ làn sóng này, buộc các ngân hàng thương mại (NHTM) phải điều chỉnh chiến lược vận hành và tăng cường tương tác với các định chế Fintech.

Tại Việt Nam, thị trường Fintech ghi nhận tốc độ tăng trưởng nhanh chóng. Báo cáo năm 2019 của Hiệp hội Fintech Singapore chỉ ra rằng Việt Nam xếp thứ hai trong khu vực Đông Nam Á về thu hút vốn đầu tư vào Fintech. Trong đó, mảng dịch vụ thanh toán chiếm tỷ trọng chi phối với 30% số lượng doanh nghiệp và thu hút 98% tổng giá trị vốn đầu tư vào Fintech năm 2019 (PwC, 2019). Trong quý 1 năm 2020, số lượng giao dịch thanh toán điện tử tăng 76% và tổng giá trị giao dịch tăng 124% so với cùng kỳ năm 2019 (Rosa, 2020). Sau đại dịch COVID-19, tỷ lệ chấp nhận thanh toán không dùng tiền mặt tại Việt Nam đạt mức 95% trong giai đoạn 2020–2021. Với quy mô dân số xấp xỉ 99 triệu người, độ tuổi trung bình 33,3 và hơn 90% dân số sử dụng điện thoại thông minh có kết nối Internet (VOA Express, 2024), thị trường thanh toán điện tử tại Việt Nam ước tính đạt 15 tỷ USD vào năm 2021 và duy trì tốc độ tăng trưởng kép hàng năm (CAGR) kỳ vọng 15,7% đến năm 2025.

Mặc dù Fintech mang lại cơ hội mở rộng tệp khách hàng và đa dạng hóa dịch vụ, việc đầu tư hạ tầng công nghệ đòi hỏi nguồn vốn lớn cùng rủi ro vận hành cao. Các nghiên cứu thực nghiệm trước đây tại Việt Nam và quốc tế đưa ra những kết luận chưa đồng nhất về chiều hướng tác động: một số nghiên cứu ghi nhận tác động tích cực (Bùi Huy Trung và cộng sự, 2023; Lê Trung Hải, 2023), trong khi các nghiên cứu khác lại chỉ ra tác động tiêu cực do áp lực cạnh tranh (Đinh Thị Thu Hồng và Nguyễn Hữu Tuấn, 2021; Tăng Mỹ Sang, 2024). Xuất phát từ thực tế đó, khóa luận thực hiện đánh giá định lượng tác động của Fintech đến khả năng sinh lời của các NHTM Việt Nam.

Mục tiêu và câu hỏi nghiên cứu của đề tài được xác định cụ thể như sau:

  • Mục tiêu nghiên cứu:
    • Mục tiêu tổng quát: Đánh giá tác động của Fintech đến khả năng sinh lời của các NHTM Việt Nam nhằm đề xuất các hàm ý chính sách nâng cao hiệu quả hoạt động trong hệ thống ngân hàng.
    • Mục tiêu cụ thể 1: Phân tích thực trạng Fintech và khả năng sinh lời của các NHTM Việt Nam giai đoạn 2012–2022.
    • Mục tiêu cụ thể 2: Đánh giá chiều hướng và mức độ tác động của Fintech đến khả năng sinh lời của các NHTM Việt Nam.
    • Mục tiêu cụ thể 3: Đề xuất các hàm ý chính sách nhằm tối ưu hóa hiệu quả ứng dụng Fintech và cải thiện khả năng sinh lời cho các NHTM Việt Nam.
  • Câu hỏi nghiên cứu:
    • Câu hỏi 1: Thực trạng phát triển Fintech và khả năng sinh lời của các NHTM Việt Nam diễn ra như thế nào trong giai đoạn nghiên cứu?
    • Câu hỏi 2: Chiều hướng và mức độ tác động của Fintech đến khả năng sinh lời của các NHTM Việt Nam được xác định ra sao qua mô hình định lượng?
    • Câu hỏi 3: Những hàm ý quản trị và chính sách nào cần được ban hành nhằm nâng cao khả năng sinh lời của các NHTM Việt Nam trong tương lai?
  • Đối tượng và phạm vi nghiên cứu:
    • Đối tượng nghiên cứu: Tác động của Fintech đến khả năng sinh lời của các NHTM Việt Nam.
    • Phạm vi không gian: 22 Ngân hàng Thương mại Cổ phần (NH TMCP) tại Việt Nam có dữ liệu tài chính công khai, minh bạch và liên tục trên báo cáo tài chính đã kiểm toán.
    • Phạm vi thời gian: Giai đoạn 2012–2022 (chu kỳ 11 năm phản ánh quá trình phục hồi sau khủng hoảng tài chính toàn cầu và biến động từ đại dịch COVID-19).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình giải thích

Khóa luận xây dựng lập luận dựa trên hai lý thuyết nền tảng trong kinh tế học và quản trị tài chính:

  1. Lý thuyết chi phí giao dịch (Transaction Cost Theory): Được khởi xướng bởi Ronald Coase (1937) và phát triển bởi Williamson (1985), lý thuyết chỉ ra rằng các giao dịch trên thị trường luôn phát sinh chi phí tìm kiếm thông tin, thương thảo và thực thi hợp đồng. Việc tích hợp công nghệ tài chính giúp các ngân hàng giảm thiểu chi phí trung gian, tinh giản quy trình vận hành và tiếp cận khách hàng với tốc độ nhanh hơn, an toàn hơn ở mức chi phí thấp hơn, từ đó cải thiện tỷ suất sinh lời mà không nhất thiết phải mở rộng quy mô mạng lưới vật lý.
  2. Lý thuyết chi phí đại diện (Agency Cost Theory): Được đề xuất bởi Stephen Ross và Barry Mitnick (1976), sau đó hoàn thiện bởi Michael Jensen và William Meckling (1976). Lý thuyết đề cập đến chi phí phát sinh từ mối quan hệ ủy thác giữa chủ thể và người đại diện (bao gồm mâu thuẫn lợi ích và sự bất cân xứng thông tin). Ứng dụng Fintech hỗ trợ ngân hàng thu thập, xử lý và phân tích dữ liệu minh bạch, hạ thấp chi phí giám sát và kiểm soát rủi ro thông tin trong quan hệ giữa ban quản trị, cổ đông và khách hàng.

Khả năng sinh lời của NHTM được đo lường chủ yếu qua tỷ suất sinh lời trên tổng tài sản ($ROA = \text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$), do chỉ số này phản ánh toàn diện hiệu quả sử dụng tài sản, kiểm soát chi phí mà không bị bóp méo bởi đòn bẩy tài chính như $ROE$ hay chỉ phản ánh thu nhập thuần từ lãi như $NIM$.

Mô hình kinh tế lượng và hệ thống biến số

Mô hình hồi quy đa biến dạng dữ liệu bảng được thiết lập như sau:

$$ROA_{i,t} = \beta_0 + \beta_1 FT_{i,t} + \beta_2 CIR_{i,t} + \beta_3 CAP_{i,t} + \beta_4 NPL_{i,t} + \beta_5 SIZE_{i,t} + \beta_6 LLP_{i,t} + \beta_7 GDP_{t} + \beta_8 INF_{t} + \varepsilon_{i,t}$$

Trong đó:

  • $i$ đại diện cho 22 NHTM; $t$ đại diện cho các năm từ 2012 đến 2022; $\varepsilon_{i,t}$ là sai số ngẫu nhiên.
  • $\beta_0$ là hệ số chặn; $\beta_1, \dots, \beta_8$ là các hệ số hồi quy của các biến giải thích.
Phân loại biến Ký hiệu Tên biến Phương pháp đo lường Kỳ vọng
Biến phụ thuộc $ROA$ Tỷ suất sinh lời trên tổng tài sản $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$ -
Biến độc lập chính $FT$ Mức độ phát triển Fintech $\text{Ln}(\text{Số lượng công ty Fintech đang hoạt động tại Việt Nam})$ $+$
Biến kiểm soát vi mô $CIR$ Hiệu quả chi phí quản lý $\text{Tổng chi phí hoạt động} / \text{Tổng thu nhập hoạt động}$ $-$
$CAP$ Quy mô vốn chủ sở hữu $\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ $+$
$NPL$ Tỷ lệ nợ xấu $\text{Tổng nợ xấu (nhóm 3–5)} / \text{Tổng dư nợ cho vay}$ $-$
$SIZE$ Quy mô ngân hàng $\text{Ln}(\text{Tổng tài sản})$ $+$
$LLP$ Tỷ lệ trích lập dự phòng $\text{Dự phòng rủi ro tín dụng} / \text{Tổng dư nợ}$ $-$
Biến kiểm soát vĩ mô $GDP$ Tăng trưởng kinh tế Tốc độ tăng trưởng GDP hàng năm (%) $+$
$INF$ Tỷ lệ lạm phát Tỷ lệ lạm phát hàng năm (%) $+$

Phương pháp phân tích và nguồn dữ liệu

Nghiên cứu áp dụng quy trình kinh tế lượng định lượng trên phần mềm Stata 17.0 với dữ liệu bảng bất cân xứng gồm 242 quan sát (22 NHTM $\times$ 11 năm). Phương pháp phân tích tuần tự gồm:

  • Hồi quy bình phương tối thiểu gộp (Pooled OLS).
  • Hồi quy mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM).
  • Thực hiện các kiểm định lựa chọn mô hình: Kiểm định $F$-test (so sánh Pooled OLS và FEM), Kiểm định Hausman (so sánh FEM và REM).
  • Thực hiện các kiểm định phát hiện khuyết tật: Kiểm định hệ số phóng đại phương sai (VIF) để kiểm tra đa cộng tuyến, kiểm định Breusch-Pagan phát hiện phương sai sai số thay đổi, kiểm định Wooldridge phát hiện hiện tượng tự tương quan.
  • Sử dụng phương pháp ước lượng bình phương nhỏ nhất tổng quát (GLS - Generalized Least Squares) để xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan, đảm bảo ước lượng vững và hiệu quả.

Nguồn dữ liệu bao gồm: số liệu báo cáo tài chính đã kiểm toán của 22 NH TMCP tại Việt Nam; dữ liệu số lượng công ty Fintech từ Statista; dữ liệu kinh tế vĩ mô ($GDP$, $INF$) từ cơ sở dữ liệu hàng năm của Ngân hàng Thế giới (World Bank).

Nội dung chính theo từng chương

Chương 1: Tổng quan nghiên cứu

Chương 1 xác lập cơ sở nghiên cứu thông qua phân tích bức tranh kinh tế số toàn cầu và thị trường tài chính Việt Nam. Tác giả chỉ ra tính cấp thiết của việc đánh giá tác động của Fintech trong giai đoạn 2012–2022 khi thị trường chứng kiến sự thâm nhập mạnh mẽ của thanh toán điện tử và sự thay đổi hành vi tiêu dùng của 99 triệu dân. Nội dung chương công bố rõ mục tiêu tổng quát, 3 mục tiêu cụ thể, 3 câu hỏi nghiên cứu, phạm vi mẫu gồm 22 NH TMCP cùng các đóng góp khoa học và thực tiễn của đề tài.

Chương 2: Cơ sở lý luận và các nghiên cứu liên quan

Chương 2 hệ thống hóa cơ sở lý thuyết về khả năng sinh lời ngân hàng ($ROA$, $ROE$, $NIM$) và bản chất khái niệm Fintech. Tác giả phân tích cơ chế tác động qua lý thuyết chi phí giao dịch và lý thuyết chi phí đại diện. Chương này khảo lược 10 nghiên cứu tiêu biểu trong và ngoài nước:

  • Nghiên cứu quốc tế: Guo Wu và Hongfei Yuan (2021) tại Trung Quốc; Suli Lv và cộng sự (2022) với mô hình ECMs và kiểm định nhân quả Granger; Ahlem Chhaidar và cộng sự (2022) trên 23 ngân hàng châu Âu bằng phương pháp FMOLS; Yini Wang và Eliza Nor (2022) trên 10 ngân hàng Trung Quốc bằng REM; Zixuan Li (2022) trên 42 ngân hàng niêm yết qua FEM.
  • Nghiên cứu trong nước: Đinh Thị Thu Hồng và Nguyễn Hữu Tuấn (2021) trên 31 ngân hàng (2006–2018); Bùi Huy Trung và cộng sự (2023) trên 12 ngân hàng bằng khai phá văn bản (text mining); Lê Trung Hải (2023) sử dụng SGMM trên 21 ngân hàng; Tăng Mỹ Sang (2024) khảo sát 27 ngân hàng qua Pooled OLS; Phạm Phát Tiến và cộng sự (2024) ước lượng GLS trên 15 ngân hàng.

Từ đó, tác giả chỉ ra khoảng trống nghiên cứu: sự thiếu thống nhất về kết quả thực nghiệm, tính hạn chế của chỉ số tìm kiếm trực tuyến (Google Trends/Baidu), và sự cần thiết phải tiếp cận từ phía cung thông qua số lượng công ty Fintech với chuỗi dữ liệu cập nhật 2012–2022.

Chương 3: Phương pháp nghiên cứu

Chương 3 thiết lập quy trình nghiên cứu 6 bước: (1) Tổng quan lý thuyết; (2) Xây dựng mô hình và giả thuyết; (3) Thu thập và xử lý dữ liệu; (4) Phân tích hồi quy và kiểm định khuyết tật; (5) Thảo luận kết quả; (6) Đề xuất hàm ý quản trị. Chương trình bày chi tiết công thức đo lường biến phụ thuộc ($ROA$), biến độc lập ($FT$) và 7 biến kiểm soát. Tác giả giải thích nguyên lý toán học của Pooled OLS, FEM, REM, GLS và các kiểm định chẩn đoán ($F$-test, Hausman, hệ số VIF, kiểm định Breusch-Pagan, kiểm định Wooldridge).

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 cung cấp số liệu thực trạng hoạt động của hệ thống NHTM và số lượng doanh nghiệp Fintech giai đoạn 2012–2022. Trình bày kết quả thống kê mô tả, ma trận hệ số tương quan và kiểm định đa cộng tuyến (hệ số VIF đều ở mức an toàn). Kết quả kiểm định $F$-test và Hausman ban đầu dẫn đến việc lựa chọn mô hình REM. Tuy nhiên, sau khi thực hiện các kiểm định chẩn đoán phát hiện mô hình tồn tại hiện tượng phương sai sai số thay đổi và tự tương quan, tác giả sử dụng phương pháp hồi quy GLS làm mô hình ước lượng chuẩn xác cuối cùng để giải thích các mối quan hệ tác động.

Chương 5: Kết luận và hàm ý quản trị

Chương 5 đúc kết các phát hiện chính từ kết quả hồi quy GLS, so sánh tính tương thích với các nghiên cứu trước đây. Trên cơ sở đó, tác giả xây dựng 2 nhóm giải pháp chính: nhóm hàm ý đối với Chính phủ/Ngân hàng Nhà nước và nhóm hàm ý quản trị nội bộ đối với các NHTM Việt Nam. Cuối chương nêu rõ các giới hạn về dữ liệu và đề xuất các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Kết quả nghiên cứu thực nghiệm

Kết quả phân tích hồi quy theo phương pháp bình phương nhỏ nhất tổng quát (GLS) cho thấy các mối tương quan có ý nghĩa thống kê giữa các biến số với khả năng sinh lời ($ROA$) của 22 NHTM Việt Nam giai đoạn 2012–2022:

Biến số Tên biến Dấu kỳ vọng Kết quả mô hình GLS Ý nghĩa thống kê
$FT$ Số lượng công ty Fintech $+$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
$CIR$ Hiệu quả chi phí quản lý $-$ $-$ Có ý nghĩa thống kê, tác động ngược chiều đến $ROA$
$CAP$ Quy mô vốn chủ sở hữu $+$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
$NPL$ Tỷ lệ nợ xấu $-$ Không Không có ý nghĩa thống kê trong mô hình
$SIZE$ Quy mô ngân hàng $+$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
$LLP$ Tỷ lệ trích lập dự phòng $-$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
$GDP$ Tăng trưởng kinh tế $+$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
$INF$ Tỷ lệ lạm phát $+$ $+$ Có ý nghĩa thống kê, tác động cùng chiều đến $ROA$
  • Tác động của Fintech ($FT$): Sự gia tăng số lượng công ty Fintech có tác động tích cực đến $ROA$, ủng hộ giả thuyết nghiên cứu ban đầu. Điều này chứng minh mối quan hệ giữa ngân hàng và Fintech tại Việt Nam mang tính hợp tác cộng sinh nhiều hơn là cạnh tranh triệt tiêu, giúp mở rộng kênh phân phối dịch vụ tài chính và nâng cao hiệu quả sinh lời.
  • Tác động của các biến đặc trưng ngân hàng: Vốn chủ sở hữu ($CAP$) và quy mô ngân hàng ($SIZE$) tác động tích cực đến $ROA$, khẳng định lợi thế về nguồn vốn và quy mô tài sản trong việc hấp thu công nghệ và hạ thấp chi phí huy động vốn. Hiệu quả chi phí quản lý ($CIR$) tác động ngược chiều, cho thấy việc tối ưu hóa chi phí hoạt động giúp gia tăng trực tiếp lợi nhuận. Tỷ lệ trích lập dự phòng ($LLP$) tác động cùng chiều, phản ánh chính sách trích lập thận trọng gắn liền với các giai đoạn ngân hàng đạt lợi nhuận cao để tạo bộ đệm an toàn. Tỷ lệ nợ xấu ($NPL$) không ghi nhận ý nghĩa thống kê.
  • Tác động của môi trường vĩ mô: Tăng trưởng kinh tế ($GDP$) và tỷ lệ lạm phát ($INF$) đều tác động cùng chiều có ý nghĩa thống kê đến $ROA$, cho thấy sự phục hồi kinh tế kích thích cầu tín dụng và khả năng dự báo lạm phát tốt giúp các ngân hàng điều chỉnh lãi suất biên hiệu quả.

Đề xuất giải pháp và hàm ý quản trị

Từ kết quả thực nghiệm, tác giả đưa ra các nhóm khuyến nghị:

  1. Đối với Chính phủ và Ngân hàng Nhà nước:
    • Hoàn thiện khung pháp lý và đẩy nhanh việc triển khai cơ chế thử nghiệm có kiểm soát (Regulatory Sandbox) cho hoạt động Fintech.
    • Xây dựng hạ tầng thanh toán số quốc gia đồng bộ, chuẩn hóa kết nối Open API để tạo điều kiện liên thông dữ liệu an toàn giữa ngân hàng và các bên thứ ba.
    • Ban hành các chính sách khuyến khích phát triển tài chính toàn diện, bảo vệ quyền lợi người tiêu dùng và an ninh dữ liệu tài chính.
  2. Đối với các Ngân hàng Thương mại Việt Nam:
    • Chuyển đổi từ mô hình đối đầu sang chiến lược chủ động liên kết, hợp tác toàn diện hoặc đầu tư vốn vào các doanh nghiệp Fintech chuyên biệt.
    • Kiểm soát chặt chẽ tỷ lệ chi phí trên thu nhập ($CIR$) thông qua tự động hóa quy trình nghiệp vụ và tinh giản chi phí mạng lưới chi nhánh truyền thống.
    • Nâng cao năng lực tài chính (tăng vốn chủ sở hữu $CAP$) nhằm đáp ứng chuẩn an toàn vốn Basel II/Basel III, tạo nền tảng tiếp nhận hạ tầng công nghệ mới.

Đóng góp của đề tài

  • Về mặt khoa học: Nghiên cứu khắc phục hạn chế của các phương pháp đo lường mức độ quan tâm trực tuyến (Google Trends) bằng cách tiếp cận phía cung qua chỉ số số lượng doanh nghiệp Fintech thực tế tại Việt Nam; cung cấp bằng chứng thực nghiệm về dữ liệu bảng được xử lý bằng mô hình GLS giúp loại bỏ các khuyết tật phương sai thay đổi và tự tương quan.
  • Về mặt thực tiễn: Cung cấp chuỗi dữ liệu 11 năm (2012–2022) của 22 NH TMCP, làm tài liệu tham khảo cho các nhà quản trị ngân hàng trong việc xây dựng chiến lược chuyển đổi số và nhà điều hành chính sách trong việc thiết lập hành lang pháp lý cho hệ sinh thái Fintech.

Hạn chế và hướng nghiên cứu tiếp theo

Khóa luận ghi nhận một số hạn chế gắn liền với phạm vi nghiên cứu:

  • Hạn chế về cỡ mẫu: Mới khảo sát dữ liệu của 22 NH TMCP, chưa bao quát được nhóm NHTM Nhà nước có vốn chi phối do các rào cản về mức độ đồng nhất và tính đầy đủ của thông tin công khai trong suốt 11 năm.
  • Hạn chế về thang đo Fintech: Biến số Fintech ($FT$) tiếp cận ở cấp độ vĩ mô toàn ngành (số lượng công ty tại Việt Nam từ Statista) mà chưa đo lường trực tiếp chi phí đầu tư công nghệ hoặc doanh thu hợp tác số hóa riêng biệt của từng ngân hàng do các thông tin tài chính này thuộc diện bảo mật nội bộ.
  • Hạn chế về phân loại công nghệ: Chưa bóc tách chi tiết tác động của từng phân khúc Fintech cụ thể (thanh toán điện tử, P2P lending, Insurtech, Blockchain) đối với từng cấu phần thu nhập của ngân hàng.

Hướng nghiên cứu tiếp theo: Mở rộng phạm vi đối tượng sang toàn bộ các định chế tài chính; nghiên cứu sâu hơn về cơ chế tác động phi tuyến (đường cong chữ U); hoặc thu thập dữ liệu vi mô về ngân sách đầu tư công nghệ và mức độ số hóa của từng NHTM khi các chuẩn mực công bố thông tin được hoàn thiện.

Giá trị tham khảo

Công trình là tài liệu tham khảo hữu ích cho các nhóm đối tượng:

  • Sinh viên, học viên cao học và nghiên cứu sinh ngành Tài chính – Ngân hàng, Hệ thống thông tin quản lý, Kinh tế học: Tham khảo quy trình xây dựng mô hình dữ liệu bảng, phương pháp chạy hồi quy và kiểm định các khuyết tật mô hình (Pooled OLS, FEM, REM, GLS) trên Stata 17.0.
  • Nhà quản trị tại các Ngân hàng Thương mại: Tham khảo cơ sở thực nghiệm để hoạch định chiến lược hợp tác với các công ty Fintech, tái cấu trúc chi phí vận hành ($CIR$) và nâng cao năng lực vốn tự có.
  • Chuyên gia phân tích tài chính và cơ quan quản lý: Nắm bắt xu hướng dịch chuyển dòng vốn và sự tương tác giữa hệ thống ngân hàng truyền thống với hệ sinh thái công nghệ tài chính tại Việt Nam.

Câu hỏi thường gặp

1. Khóa luận sử dụng chỉ tiêu nào để đo lường mức độ phát triển của Fintech?
Khóa luận sử dụng biến số $FT$, được tính bằng Logarit tự nhiên của số lượng công ty Fintech đang hoạt động tại Việt Nam theo từng năm giai đoạn 2012–2022, thu thập từ cơ sở dữ liệu của Statista.

2. Tại sao nghiên cứu lựa chọn mô hình GLS làm kết quả hồi quy cuối cùng thay vì Pooled OLS, FEM hay REM?
Sau khi chạy các mô hình FEM và REM và thực hiện kiểm định Hausman, mô hình REM ban đầu được đánh giá là phù hợp hơn. Tuy nhiên, qua các kiểm định chẩn đoán vi phạm giả định kinh tế lượng (kiểm định Breusch-Pagan và kiểm định Wooldridge), mô hình xuất hiện hiện tượng phương sai sai số thay đổi và tự tương quan. Phương pháp bình phương nhỏ nhất tổng quát (GLS) được sử dụng để khắc phục hoàn toàn hai khuyết tật này, đảm bảo các hệ số ước lượng thu được đạt tính vững và hiệu quả.

3. Mối quan hệ giữa Fintech và khả năng sinh lời của NHTM Việt Nam trong khóa luận là cùng chiều hay ngược chiều?
Kết quả hồi quy mô hình GLS cho thấy hệ số của biến $FT$ mang dấu dương ($+$) và có ý nghĩa thống kê. Điều này chứng minh sự phát triển của các công ty Fintech có tác động tích cực (cùng chiều) đến tỷ suất sinh lời trên tổng tài sản ($ROA$) của 22 NHTM Việt Nam trong giai đoạn nghiên cứu.

4. Biến số nào trong mô hình không có ý nghĩa thống kê giải thích cho khả năng sinh lời ($ROA$)?
Tỷ lệ nợ xấu ($NPL = \text{Tổng nợ xấu nhóm 3–5} / \text{Tổng dư nợ}$) là biến số duy nhất trong mô hình không đạt mức ý nghĩa thống kê trong việc giải thích sự biến động của $ROA$ ở mẫu nghiên cứu 22 NHTM giai đoạn 2012–2022.

Kết luận

Khóa luận của tác giả Nguyễn Ngọc Yến Nhi đã hệ thống hóa cơ sở lý luận và cung cấp bằng chứng thực nghiệm định lượng về tác động tích cực của Fintech đến khả năng sinh lời ($ROA$) của 22 NHTM Việt Nam giai đoạn 2012–2022. Thông qua phương pháp ước lượng GLS khắc phục các khuyết tật mô hình, nghiên cứu chứng minh vai trò thúc đẩy của công nghệ tài chính, quy mô vốn chủ sở hữu, quy mô ngân hàng và các yếu tố vĩ mô đối với hiệu quả hoạt động ngân hàng, đồng thời chỉ rõ tác động tiêu cực của chi phí quản lý. Các kết quả này tạo tiền đề thực tiễn vững chắc cho việc xây dựng chính sách quản lý nhà nước và chiến lược số hóa trong hệ thống ngân hàng thương mại Việt Nam.