Tác Động Của Phát Triển Fintech Đến Rủi Ro Vỡ Nợ Của Các Ngân Hàng Thương Mại Việt Nam

Nghiên cứu tác động của Fintech đến rủi ro vỡ nợ ngân hàng thương mại Việt Nam. Phân tích dữ liệu và đề xuất giải pháp quản lý rủi ro hiệu quả.

• Tác giả: Nguyễn Lê Thu
• Người hướng dẫn: Assoc. Trần Thị Xuân Anh
• Trường học: Banking Academy of Vietnam
• Chuyên ngành: Finance
• Đề tài: The Impact Of Fintech Development On Default Risk Of Vietnam Commercial Banks
• Loại tài liệu: graduation thesis
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• ACKNOWLEDGEMENT
• COMMITMENT
• 1. CHAPTER I: LITERATURE REVIEW
• 1.1. An overview of Fintech
• 1.2. Definition of Fintech
• 1.3. Fintech’s products and services
• 1.4. Fundamentals of commercial bank’s default risk
• 1.5. The definition of commercial bank’s default risk
• 1.6. The measurement of default risk of a commercial bank
• 1.7. The impact of Fintech on commercial banks’s default risk
• 2. CHAPTER II: DATABASE AND RESEARCH METHOD
• 2.1. Measuring bank’s default risk
• 2.2. Factors affecting default risk
• 2.3. FinTech development measure
• 2.4. RESEARCH MODEL AND HYPOTHESE
• 3. CHAPTER III: RESEARCH RESULTS AND RECOMMENDATIONS
• 3.1. ANALYSIS OF THE SITUATION OF VIETNAM COMMERCIAL BAKING SYSTEM IN THE PERIOD 2017-2022
• 3.2. FINTECH DEVELOPMENT SITUATION IN VIETNAM
• 3.2.1. Overview of Fintech development in Vietnam
• 3.2.2. The development of Fintech products in Vietnam
• 3.2.3. Peer to peer lending
• 3.3. EXPERIMENTAL RESEARCH RESULTS
• 3.3.1. Results of measuring default risk of the commercial banking system
• 3.3.2. The comparison of default risk of three different groups of banks with different forms of ownership
• 3.3.3. The comparison of default risk between listed and unlisted banks
• 3.3.4. Testing model defects
• 3.3.5. Fixing the defects using the generalized least squares estimation model (GLS)
• 3.4. DISCUSSING RESEARCH RESULTS
• LIST OF ABBREVIATIONS
• LIST OF TABLES
• LIST OF CHARTS
• INTRODUCTION

Tóm tắt

I. Fintech Ngân hàng Việt Tổng quan về Tác động Rủi ro

Sự phát triển của Fintech đã lan rộng và phát triển mạnh mẽ, bao gồm nhiều doanh nghiệp cung cấp đa dạng các dịch vụ tài chính trên toàn cầu. Internet of Things (IoT), Big Data, Trí tuệ nhân tạo (AI), điện toán đám mây, Blockchain và các công nghệ mới khác của cuộc cách mạng công nghiệp lần thứ tư đã có tác động đáng kể đến hầu hết các hoạt động kinh tế xã hội. Một trong những ngành đầu tiên ứng dụng công nghệ thông tin là ngành ngân hàng nói riêng và ngành tài chính nói chung. Nhờ việc sử dụng công nghệ, đã có những thay đổi đáng kể với sự ra đời của một số sản phẩm và dịch vụ, cũng như các mạng lưới phân phối mới cho các dịch vụ tài chính. Tại Việt Nam, việc ứng dụng Fintech đang ảnh hưởng đến hầu hết các lĩnh vực hoạt động ngân hàng, tác động đến cấu trúc thị trường và chiến lược phát triển của các tổ chức tài chính và ngân hàng. Các công ty Fintech đã thay đổi kênh phân phối và các sản phẩm, dịch vụ ngân hàng truyền thống thông qua xu hướng phát triển các kênh giao dịch trực tuyến như Internet Banking, Mobile Banking, mạng xã hội, ngân hàng điện tử. "Theo báo cáo của Ngân hàng Nhà Nước năm 2021"

1.1. Định nghĩa Fintech và vai trò trong kỷ nguyên số

Fintech là một thuật ngữ bắt nguồn từ sự kết hợp giữa tài chính và công nghệ, được định nghĩa là một lĩnh vực liên ngành kết hợp tài chính, quản lý công nghệ và đổi mới, mô tả sự kết nối của công nghệ liên quan đến internet với các hoạt động dịch vụ thương mại của khu vực tài chính như giao dịch ngân hàng và cho vay tiền. Quỹ Tiền tệ Quốc tế (IMF) định nghĩa Fintech là "những tiến bộ trong công nghệ có khả năng chuyển đổi việc cung cấp các dịch vụ tài chính bằng cách kích thích sự phát triển của các mô hình kinh doanh, ứng dụng, quy trình và sản phẩm mới". Fintech thay thế các cấu trúc tài chính truyền thống bằng các quy trình dựa trên công nghệ mới. Fintech được xem là thị trường mới tích hợp tài chính và công nghệ." (Arner et al., 2015).

1.2. Fintech và tác động đến hệ thống Ngân hàng Thương mại

Sự phát triển của Fintech có thể mang đến những cơ hội lớn cho ngân hàng thương mại (NHTM), giúp nâng cao hiệu quả hoạt động, tiếp cận khách hàng mới và cung cấp dịch vụ tốt hơn. Tuy nhiên, nó cũng đi kèm với những rủi ro tiềm ẩn, đặc biệt là rủi ro vỡ nợ khi các NHTM không thích ứng kịp thời. Ảnh hưởng của Fintech đến ngân hàng tác động đến hầu hết các lĩnh vực hoạt động ngân hàng. Fintech còn ảnh hưởng đến cấu trúc thị trường và chiến lược phát triển của các tổ chức tài chính và ngân hàng. Fintech giúp các công ty thay đổi kênh phân phối và các sản phẩm, dịch vụ ngân hàng truyền thống thông qua xu hướng phát triển các kênh giao dịch trực tuyến như Internet Banking, Mobile Banking, mạng xã hội, ngân hàng điện tử. Fintech được xem là một hiện tượng cần được nghiên cứu.

II. Rủi ro Vỡ nợ Ngân hàng Cách đo lường Các yếu tố ảnh hưởng

Rủi ro vỡ nợ là một trong những mối quan tâm hàng đầu của các ngân hàng thương mại. Việc đo lường và quản lý rủi ro này một cách hiệu quả là yếu tố then chốt để đảm bảo sự ổn định và phát triển bền vững của hệ thống ngân hàng. Rủi ro vỡ nợ của một ngân hàng được đo lường bằng nhiều chỉ số khác nhau. Một trong số đó là chỉ số Z-score, đo lường khả năng chống chịu rủi ro của ngân hàng. Các yếu tố ảnh hưởng đến rủi ro vỡ nợ bao gồm các yếu tố vĩ mô như tình hình kinh tế, chính sách tiền tệ, và các yếu tố vi mô như chất lượng tài sản, khả năng quản lý rủi ro của ngân hàng. "Đánh giá ảnh hưởng của Fintech đến khả năng quản lý nợ xấu của các ngân hàng thương mại Việt Nam"

2.1. Các chỉ số đo lường rủi ro vỡ nợ của ngân hàng

Chỉ số Z-score được sử dụng để đo lường rủi ro vỡ nợ của ngân hàng. Z-score cao cho thấy ngân hàng có khả năng chống chịu rủi ro tốt hơn. Z-score được tính toán dựa trên lợi nhuận trên tài sản (ROA), tỷ lệ vốn chủ sở hữu trên tổng tài sản và độ lệch chuẩn của ROA. Ngoài ra, các chỉ số khác như tỷ lệ nợ xấu (NPL), tỷ lệ an toàn vốn (CAR) cũng được sử dụng để đánh giá rủi ro vỡ nợ. Các yếu tố vĩ mô như tăng trưởng GDP, lạm phát, lãi suất, tỷ giá hối đoái, và các yếu tố vi mô như chất lượng quản trị, chiến lược kinh doanh, cũng ảnh hưởng đến rủi ro vỡ nợ.

2.2. Các yếu tố vĩ mô và vi mô tác động đến rủi ro vỡ nợ

Các yếu tố vĩ mô như tình hình kinh tế, chính sách tiền tệ, và quy định của chính phủ đều có thể ảnh hưởng đến rủi ro vỡ nợ của ngân hàng. Khi kinh tế suy thoái, tỷ lệ thất nghiệp tăng, khả năng trả nợ của người dân và doanh nghiệp giảm, dẫn đến tăng rủi ro tín dụng và rủi ro vỡ nợ cho ngân hàng. Các yếu tố vi mô như chất lượng tài sản, khả năng quản lý rủi ro của ngân hàng cũng đóng vai trò quan trọng. Ngân hàng có chất lượng tài sản tốt, quản lý rủi ro hiệu quả sẽ có khả năng chống chịu tốt hơn trước các cú sốc kinh tế và giảm thiểu rủi ro vỡ nợ.

III. Fintech tác động đến Rủi ro Ngân hàng Phân tích các Kênh

Fintech có thể tác động đến rủi ro vỡ nợ của ngân hàng thông qua nhiều kênh khác nhau. Một mặt, Fintech có thể giúp ngân hàng cải thiện hiệu quả hoạt động, giảm chi phí, tiếp cận khách hàng mới và cung cấp dịch vụ tốt hơn, từ đó giảm thiểu rủi ro vỡ nợ. Mặt khác, Fintech cũng có thể tạo ra những rủi ro mới, như rủi ro an ninh mạng, rủi ro pháp lý, và rủi ro hoạt động, có thể làm tăng rủi ro vỡ nợ. "Các ứng dụng Fintech cụ thể trong ngân hàng (thanh toán, cho vay, quản lý tài sản,...)".

3.1. Fintech giúp Ngân hàng giảm thiểu rủi ro vỡ nợ như thế nào

Fintech có thể giúp ngân hàng giảm thiểu rủi ro vỡ nợ bằng cách cải thiện quy trình đánh giá rủi ro tín dụng, tăng cường khả năng giám sát và quản lý rủi ro, và giảm chi phí hoạt động. Các công nghệ như AI và Big Data có thể được sử dụng để phân tích dữ liệu khách hàng và dự đoán khả năng trả nợ, giúp ngân hàng đưa ra quyết định cho vay chính xác hơn. Fintech cũng có thể giúp ngân hàng tự động hóa các quy trình, giảm thiểu sai sót và gian lận, từ đó giảm chi phí và tăng hiệu quả hoạt động.

3.2. Các loại rủi ro mới do Fintech mang lại cho Ngân hàng

Sự phát triển của Fintech cũng mang lại những rủi ro mới cho ngân hàng, như rủi ro an ninh mạng, rủi ro pháp lý, và rủi ro hoạt động. Các cuộc tấn công mạng có thể gây thiệt hại lớn cho ngân hàng, làm mất dữ liệu khách hàng và gây ảnh hưởng đến uy tín. Các quy định pháp lý về Fintech chưa hoàn thiện cũng có thể tạo ra những rủi ro cho ngân hàng. Ngân hàng cũng cần phải đối mặt với những rủi ro liên quan đến việc triển khai và sử dụng các công nghệ mới, như rủi ro về hiệu quả hoạt động và rủi ro về bảo mật thông tin.

IV. Ứng dụng Fintech Giải pháp Quản lý Rủi ro cho Ngân hàng VN

Để quản lý rủi ro hiệu quả trong bối cảnh Fintech phát triển, các ngân hàng thương mại Việt Nam cần áp dụng các giải pháp quản lý rủi ro phù hợp. Các giải pháp này bao gồm việc xây dựng hệ thống quản lý rủi ro toàn diện, đầu tư vào công nghệ bảo mật, và tuân thủ các quy định pháp lý liên quan đến Fintech. Ngoài ra, các ngân hàng cũng cần tăng cường hợp tác với các công ty Fintech để tận dụng lợi thế của công nghệ mới và chia sẻ thông tin về rủi ro. "Các mô hình dự báo rủi ro vỡ nợ ngân hàng có tính đến yếu tố Fintech như thế nào?"

4.1. Xây dựng hệ thống quản lý rủi ro Fintech toàn diện

Việc xây dựng một hệ thống quản lý rủi ro toàn diện là rất quan trọng để các ngân hàng có thể nhận diện, đánh giá và kiểm soát các rủi ro liên quan đến Fintech. Hệ thống này cần bao gồm các chính sách, quy trình và công cụ để quản lý các loại rủi ro khác nhau, như rủi ro tín dụng, rủi ro hoạt động, rủi ro pháp lý, và rủi ro an ninh mạng. Hệ thống quản lý rủi ro cũng cần được cập nhật thường xuyên để đáp ứng với sự thay đổi của môi trường Fintech.

4.2. Đầu tư vào công nghệ bảo mật và tuân thủ pháp lý

Việc đầu tư vào công nghệ bảo mật là rất quan trọng để bảo vệ dữ liệu khách hàng và ngăn chặn các cuộc tấn công mạng. Các ngân hàng cần triển khai các giải pháp bảo mật tiên tiến, như mã hóa dữ liệu, xác thực đa yếu tố, và hệ thống phát hiện xâm nhập. Ngoài ra, các ngân hàng cần tuân thủ các quy định pháp lý liên quan đến Fintech, như quy định về bảo vệ dữ liệu cá nhân, quy định về phòng chống rửa tiền, và quy định về hoạt động của các công ty Fintech.

V. Nghiên cứu Thực nghiệm Fintech tác động đến Rủi ro tại VN

Nghiên cứu thực nghiệm có thể cung cấp bằng chứng về tác động thực tế của Fintech đến rủi ro vỡ nợ của các ngân hàng thương mại Việt Nam. Nghiên cứu này có thể sử dụng các phương pháp phân tích định lượng để đánh giá mối quan hệ giữa sự phát triển của Fintech và các chỉ số đo lường rủi ro vỡ nợ của ngân hàng. Kết quả nghiên cứu có thể giúp các nhà hoạch định chính sách và các ngân hàng đưa ra quyết định sáng suốt về việc quản lý rủi ro trong bối cảnh Fintech phát triển. "Phân tích định lượng tác động của thanh toán điện tử đến rủi ro hoạt động của ngân hàng thương mại Việt Nam"

5.1. Dữ liệu và phương pháp phân tích định lượng

Nghiên cứu thực nghiệm cần thu thập dữ liệu về sự phát triển của Fintech tại Việt Nam, cũng như dữ liệu về các chỉ số đo lường rủi ro vỡ nợ của các ngân hàng thương mại. Dữ liệu về Fintech có thể được thu thập từ các báo cáo của Ngân hàng Nhà nước, các công ty nghiên cứu thị trường, và các nguồn thông tin khác. Dữ liệu về rủi ro vỡ nợ có thể được thu thập từ báo cáo tài chính của các ngân hàng. Các phương pháp phân tích định lượng có thể được sử dụng để đánh giá mối quan hệ giữa Fintech và rủi ro vỡ nợ, như phân tích hồi quy, phân tích tương quan, và phân tích chuỗi thời gian.

5.2. Kết quả nghiên cứu và hàm ý chính sách

Kết quả nghiên cứu thực nghiệm có thể cho thấy tác động của Fintech đến rủi ro vỡ nợ của các ngân hàng thương mại Việt Nam, cũng như các yếu tố khác ảnh hưởng đến rủi ro này. Kết quả nghiên cứu có thể giúp các nhà hoạch định chính sách đưa ra các quy định phù hợp để quản lý rủi ro Fintech và thúc đẩy sự phát triển bền vững của hệ thống ngân hàng. Kết quả nghiên cứu cũng có thể giúp các ngân hàng đưa ra các quyết định kinh doanh sáng suốt để giảm thiểu rủi ro vỡ nợ và tận dụng lợi thế của Fintech.

VI. Tương lai Fintech Ngân hàng Cơ hội và Thách thức cho VN

Sự phát triển của Fintech sẽ tiếp tục tạo ra những cơ hội và thách thức mới cho các ngân hàng thương mại Việt Nam. Để thành công trong bối cảnh này, các ngân hàng cần chủ động thích ứng với sự thay đổi của công nghệ, đầu tư vào đổi mới, và xây dựng mối quan hệ hợp tác chặt chẽ với các công ty Fintech. Ngoài ra, các ngân hàng cần chú trọng đến việc quản lý rủi ro và tuân thủ các quy định pháp lý liên quan đến Fintech. "Khuyến nghị về chính sách quản lý rủi ro Fintech cho Ngân hàng Nhà nước Việt Nam"

6.1. Cơ hội cho Ngân hàng Thương mại từ Fintech

Fintech mang đến nhiều cơ hội cho các ngân hàng thương mại. Fintech có thể giúp các ngân hàng mở rộng thị trường, tiếp cận khách hàng mới thông qua các kênh trực tuyến và di động. Fintech có thể giúp cải thiện hiệu quả hoạt động bằng cách tự động hóa quy trình và giảm chi phí. Fintech còn giúp nâng cao trải nghiệm khách hàng thông qua các dịch vụ cá nhân hóa và tiện lợi.

6.2. Thách thức và rủi ro tiềm ẩn trong tương lai

Bên cạnh cơ hội, Fintech cũng mang đến nhiều thách thức cho các ngân hàng thương mại. Rủi ro an ninh mạng ngày càng gia tăng khi các giao dịch tài chính được thực hiện trực tuyến. Sự cạnh tranh từ các công ty Fintech có thể làm giảm thị phần và lợi nhuận của các ngân hàng. Các quy định pháp lý về Fintech chưa hoàn thiện có thể gây khó khăn cho hoạt động của các ngân hàng.

Nội dung chính

Giới thiệu dự án

Làn sóng chuyển đổi số trong khuôn khổ Cách mạng Công nghiệp 4.0 đang định hình lại toàn diện cấu trúc tài chính toàn cầu. Tại Việt Nam, sự bùng nổ của công nghệ tài chính (Financial Technology - FinTech) đã thúc đẩy tốc độ số hóa vượt bậc trong ngành ngân hàng. Tính đến cuối năm 2022, Ngân hàng Nhà nước Việt Nam (NHNN) đã cấp phép cho 48 tổ chức phi ngân hàng cung ứng dịch vụ trung gian thanh toán (ví điện tử, cổng thanh toán số, mobile payment). Tổng tài sản của toàn hệ thống ngân hàng thương mại (NHTM) đạt hơn 18.275.903 tỷ VND. Tuy nhiên, sự gia nhập mạnh mẽ của các công ty khởi nghiệp FinTech cũng tạo ra sức ép cạnh tranh khốc liệt, gia tăng rủi ro lan truyền và đặt ra thách thức lớn đối với sự ổn định tài chính.

Vấn đề cốt lõi đặt ra là: Liệu sự phát triển của FinTech đóng vai trò là động lực nâng cao hiệu quả vận hành và kiểm soát rủi ro, hay là yếu tố làm gia tăng áp lực cạnh tranh, dẫn đến nguy cơ vỡ nợ (Default Risk) của hệ thống NHTM Việt Nam?

Dự án khóa luận tốt nghiệp "Tác động của Fintech đến Rủi ro Vỡ nợ của Ngân hàng Thương mại Việt Nam" (thực hiện bởi sinh viên Nguyễn Lê Thu, Khoa Tài chính - Học viện Ngân hàng, dưới sự hướng dẫn của PGS.TS. Trần Thị Xuân Anh) được xây dựng nhằm giải quyết bài toán định lượng trên.

                  +----------------------------------------------------+
                  |       SỰ PHÁT TRIỂN FINTECH TẠI VIỆT NAM           |
                  |  - Số lượng Fintech (FINC)                         |
                  |  - Quy mô giao dịch điện tử (FINT)                 |
                  +-------------------------+--------------------------+
                                            |
                         (Cơ chế tác động đa chiều)
                                            |
         +----------------------------------+----------------------------------+
         |                                                                     |
         v                                                                     v
+------------------------------------+               +------------------------------------+
|         HIỆU ỨNG TÍCH CỰC          |               |         HIỆU ỨNG TIÊU CỰC          |
| - Tối ưu hóa chuỗi giá trị         |               | - Xói mòn biên lãi thuần (NIM)     |
| - Cải thiện bất đối xứng thông tin |               | - Mất thị phần dịch vụ trung gian  |
| - Đa dạng hóa thu nhập ngoài lãi   |               | - Rủi ro công nghệ & lan truyền    |
+-----------------+------------------+               +-----------------+------------------+
                  |                                                    |
                  +-------------------------+--------------------------+
                                            |
                                            v
                  +----------------------------------------------------+
                  |       RỦI RO VỠ NỢ CỦA NHTM VIỆT NAM (Z-SCORE)     |
                  |  - Khả năng chống chịu mất khả năng thanh toán     |
                  |  - Phân hóa theo sở hữu (NHTMCP, NHTM Nhà nước,...) |
                  +----------------------------------------------------+

Mục tiêu dự án

1. Định lượng hóa mức độ phát triển FinTech: Thiết lập bộ chỉ báo đại diện gồm số lượng công ty FinTech (FINC) và quy mô giao dịch điện tử (FINT) trên thị trường tài chính Việt Nam.
2. Đo lường rủi ro vỡ nợ của hệ thống ngân hàng: Ứng dụng chỉ số $Z\text{-score}$ để xác định khoảng cách đến bờ vực phá sản (Distance to Default) của 33 NHTM đại diện.
3. Phân tích tương quan kinh tế lượng: Kiểm định tác động trực tiếp của FinTech cùng các yếu tố nội tại ngân hàng (quy mô tài sản, tỷ lệ an toàn vốn, tỷ lệ dư nợ, đa dạng hóa thu nhập) tới rủi ro vỡ nợ.
4. Phân hóa theo hình thức sở hữu: So sánh khả năng chịu đựng rủi ro giữa nhóm NHTM Nhà nước (SOCBs), NHTM Cổ phần (JSCBs) và NHTM 100% vốn nước ngoài, cũng như giữa các ngân hàng niêm yết và chưa niêm yết.
5. Đề xuất khuyến nghị chính sách: Xây dựng khung giải pháp thực thi giúp NHTM tận dụng hiệu ứng lan tỏa công nghệ và kiểm soát an toàn hệ thống.

Phạm vi và dữ liệu nghiên cứu

• Đối tượng khảo sát: 33 NHTM tại Việt Nam (gồm 4 NHTM Nhà nước, 4 NHTM vốn nước ngoài và 25 NHTM Cổ phần).
• Quy mô mẫu: Tổng tài sản của 33 ngân hàng được chọn đạt 15.182.206 tỷ VND vào ngày 31/12/2022, chiếm 84,07% tổng tài sản toàn hệ thống, bảo đảm tính đại diện cao.
• Khung thời gian: 2017 – 2022 với 198 quan sát dạng bảng (balanced panel data).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu rủi ro tài chính trước đây thường áp dụng các phương pháp truyền thống với những hạn chế nhất định khi đặt trong bối cảnh bùng nổ chuyển đổi số:

Phương pháp đánh giá	Ưu điểm	Nhược điểm / Hạn chế	Mức độ phù hợp với FinTech
Mô hình CAMELS truyền thống	Đánh giá toàn diện 6 khía cạnh định tính & định lượng nội bộ ngân hàng.	Dữ liệu mang tính thời điểm, không phản ánh biến động liên tục của thị trường số hóa.	Trung bình
Chỉ số NPL (Nợ xấu)	Trực quan, phản ánh chất lượng tín dụng danh nghĩa.	Phụ thuộc vào phân loại kế toán nội bảng, dễ bị che giấu bởi hoạt động tái cơ cấu nợ.	Thấp
Mô hình Z-score (Roy, 1952 / Boyd & Graham, 1988)	Kết hợp tỷ lệ an toàn vốn, khả năng sinh lời và mức độ biến động lợi nhuận; đo lường khoảng cách đến phá sản.	Yêu cầu chuỗi dữ liệu bảng liên tục; dễ bị sai lệch nếu có hiện tượng đa cộng tuyến.	Rất cao (Lựa chọn tối ưu)

Thách thức kỹ thuật lớn nhất khi thực hiện mô hình định lượng FinTech là hiện tượng đa cộng tuyến (Multicollinearity) giữa các biến vĩ mô và hạ tầng số (mật độ ATM, chỉ số đổi mới sáng tạo INNOV, độ sâu tài chính DFI, GDP bình quân đầu người GDPC). Nghiên cứu đòi hỏi một quy trình sàng lọc và xử lý khuyết tật mô hình nghiêm ngặt.

Thiết kế hệ thống mô hình định lượng

Mô hình kinh tế lượng tổng quát xác định hàm phụ thuộc của khoảng cách vỡ nợ ngân hàng:

$$\ln(ZSCORE_{i,t}) = \beta_0 + \beta_1 \ln(FINC_t) + \beta_2 \ln(FINT_t) + \sum_{k=1}^{n} \gamma_k X_{i,t}^k + \varepsilon_{i,t}$$

Trong đó:

• $ZSCORE_{i,t}$: Chỉ số đo lường mức độ ổn định tài chính của ngân hàng $i$ tại năm $t$: $$ZSCORE_{i,t} = \frac{ROA_{i,t} + \frac{Equity_{i,t}}{TotalAssets_{i,t}}}{\sigma(ROA_i)}$$ (Chỉ số $ZSCORE$ càng cao, xác suất mất khả năng thanh toán càng thấp).
• $\ln(FINC_t)$: Logarit tự nhiên của số lượng doanh nghiệp FinTech thành lập mới trong năm $t$.
• $\ln(FINT_t)$: Logarit tự nhiên của tổng giá trị giao dịch FinTech trong năm $t$.
• $X_{i,t}^k$: Tập hợp các biến kiểm soát nội tại ngân hàng bao gồm:
  • $BSIZE$ (Quy mô ngân hàng: $\ln(Tổng\ tài\ sản)$)
  • $AGROW$ (Tốc độ tăng trưởng tài sản: $\frac{Asset_t - Asset_{t-1}}{Asset_{t-1}}$)
  • $DTA$ (Tỷ lệ tiền gửi trên tổng tài sản)
  • $LEV$ (Tỷ lệ đòn bẩy / nợ trên tổng tài sản)
  • $OBTD$ (Tỷ lệ dư nợ cho vay trên tiền gửi khách hàng)
  • $DIVI$ (Chỉ số đa dạng hóa thu nhập: $1 - \left|\frac{Thu\ nhập\ lãi\ thuần - Thu\ nhập\ ngoài\ lãi}{Tổng\ thu\ nhập\ hoạt\ động}\right|$)
  • $NIIC$ (Tỷ lệ thu nhập ngoài lãi trên tổng thu nhập)
  • $NIM$ (Biên lãi thuần)

                            QUY TRÌNH XỬ LÝ DỮ LIỆU & KINH TẾ LƯỢNG
                            
  +---------------------------------------------------------------------------------------+
  | BƯỚC 1: THU THẬP VÀ CHUẨN HÓA DỮ LIỆU (198 Quan sát, 33 NHTM, 2017 - 2022)           |
  | - BCTC kiểm toán, Báo cáo thường niên NHNN, Statista, World Bank, IMF                 |
  +-------------------------------------------+-------------------------------------------+
                                              |
                                              v
  +---------------------------------------------------------------------------------------+
  | BƯỚC 2: KIỂM ĐỊNH ĐA CỘNG TUYẾN (VIF Matrix Diagnostics)                              |
  | - Phát hiện VIF(ATM) = 104.2, VIF(INOV) > 10, VIF(DFI) > 10                          |
  | - Loại bỏ biến thừa -> Đưa toàn bộ VIF của các biến độc lập về ngưỡng an toàn < 10    |
  +-------------------------------------------+-------------------------------------------+
                                              |
                                              v
  +---------------------------------------------------------------------------------------+
  | BƯỚC 3: LỰA CHỌN MÔ HÌNH DỮ LIỆU BẢNG GỐC (Panel Data Models)                         |
  | - Pooled OLS vs. Fixed Effects Model (FEM) [F-test]                                   |
  | - FEM vs. Random Effects Model (REM) [Hausman Test]                                   |
  +-------------------------------------------+-------------------------------------------+
                                              |
                                              v
  +---------------------------------------------------------------------------------------+
  | BƯỚC 4: CHẨN ĐOÁN KHUYẾT TẬT MÔ HÌNH                                                  |
  | - Kiểm định phương sai thay đổi (Modified Wald Test: p-value < 0.01)                  |
  | - Kiểm định tự tương quan (Wooldridge Test: p-value < 0.05)                           |
  +-------------------------------------------+-------------------------------------------+
                                              |
                                              v
  +---------------------------------------------------------------------------------------+
  | BƯỚC 5: HIỆU CHỈNH KHUYẾT TẬT BẰNG MÔ HÌNH GLS (Feasible Generalized Least Squares)  |
  | - Ước lượng các hệ số hồi quy chuẩn xác, loại bỏ hoàn toàn sai lệch chuẩn             |
  +---------------------------------------------------------------------------------------+

Technology Stack & Công cụ triển khai

• Phần mềm phân tích thống kê: Stata phiên bản 16.0 (StataCorp LLC) 64-bit.
• Tiền xử lý và quản trị dữ liệu: Microsoft Excel 365 (Power Query & Financial Analysis Toolpak).
• Cơ sở dữ liệu trích xuất: SBV Annual Reports, Báo cáo tài chính kiểm toán IFRS/VAS, World Bank World Development Indicators (WDI), Statista Digital Payments Dataset.

---

Implementation và kết quả

Quy trình triển khai kinh tế lượng trên Stata 16

Quy trình phân tích dữ liệu được lập trình bằng ngôn ngữ lệnh Stata (.do script) theo cấu trúc chuẩn:

*----------------------------------------------------------------------
* THIẾT LẬP DỮ LIỆU BẢNG VÀ KIỂM TRA ĐA CỘNG TUYẾN
*----------------------------------------------------------------------
clear all
import excel "bank_fintech_dataset_2017_2022.xlsx", sheet("Data") firstrow
destring _all, replace

* Khai báo cấu trúc dữ liệu bảng: bank_id (33 NHTM), year (2017-2022)
xtset bank_id year

* Kiểm định hiện tượng đa cộng tuyến với mô hình ban đầu
regress ln_zscore ln_finc ln_fint atm inov bsize agrow dta lev obtd divi niic nim
estat vif

* Xử lý đa cộng tuyến: Loại bỏ biến có VIF > 10 (ATM, INOV, DFI, GDPC)
regress ln_zscore ln_finc ln_fint bsize agrow dta lev obtd divi niic nim
estat vif

*----------------------------------------------------------------------
* HỒI QUY DỮ LIỆU BẢNG VÀ CHẨN ĐOÁN KHUYẾT TẬT
*----------------------------------------------------------------------
* 1. Fixed Effects Model (FEM)
xtreg ln_zscore ln_finc ln_fint bsize agrow dta lev obtd divi niic nim, fe
estimates store fixed_model

* 2. Random Effects Model (REM)
xtreg ln_zscore ln_finc ln_fint bsize agrow dta lev obtd divi niic nim, re
estimates store random_model

* 3. Hausman Test lựa chọn giữa FEM và REM
hausman fixed_model random_model

* 4. Kiểm tra khuyết tật: Phương sai sai số thay đổi và Tự tương quan
xttest3          // Modified Wald test for groupwise heteroskedasticity in FEM
xtserial ln_zscore ln_finc ln_fint bsize agrow dta lev obtd divi niic nim // Wooldridge test

*----------------------------------------------------------------------
* HIỆU CHỈNH TOÀN DIỆN KHUYẾT TẬT BẰNG MÔ HÌNH GLS
*----------------------------------------------------------------------
xtgls ln_zscore ln_finc ln_fint bsize agrow dta lev obtd divi niic nim, ///
    panels(heteroskedastic) corr(ar1)

Kết quả chẩn đoán và khắc phục lỗi mô hình

1. Khắc phục đa cộng tuyến: Ban đầu, biến ATM có hệ số VIF lên tới 104.2, biến INOV có tương quan chéo cao. Sau khi loại bỏ các biến trùng lặp thông tin vĩ mô, toàn bộ các biến trong mô hình chính thức đều có hệ số $\text{VIF} < 10$ (trung bình $\text{VIF} = 2.45$), đảm bảo tính độc lập.
2. Kiểm định mô hình bảng: Kiểm định Hausman cho thấy sự khác biệt có ý nghĩa thống kê giữa FEM và REM ($p\text{-value} < 0.05$), ưu tiên sử dụng mô hình tác động cố định (FEM).
3. Phát hiện khuyết tật:
   • Kiểm định Modified Wald cho thấy hiện tượng phương sai sai số thay đổi nghiêm trọng ($p < 0.0001$).
   • Kiểm định Wooldridge xác nhận có hiện tượng tự tương quan bậc 1 ($p = 0.0214$).
4. Hiệu chỉnh bằng GLS: Phương pháp bình phương bé nhất tổng quát (GLS - Generalized Least Squares) với tùy chọn hiệu chỉnh panels(heteroskedastic) corr(ar1) đã khắc phục hoàn toàn hai khuyết tật trên, mang lại các ước lượng chuẩn xác, không chệch.

Kết quả định lượng đạt được

| Biến số trong mô hình GLS | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $P > |z|$ | Ý nghĩa thống kê | | :--- | :--- | :--- | :--- | :--- | :--- | | ln(FINC) (Số lượng FinTech) | -0.0842 | 0.0281 | -3.00 | 0.003 | Tăng rủi ro vỡ nợ (giảm Z-score) | | ln(FINT) (Giá trị giao dịch) | +0.1126 | 0.0345 | 3.26 | 0.001 | Giảm rủi ro vỡ nợ (tăng Z-score) | | BSIZE (Quy mô tài sản) | +0.1540 | 0.0412 | 3.74 | 0.000 | Ngân hàng lớn ổn định hơn | | AGROW (Tăng trưởng tài sản) | -0.0915 | 0.0450 | -2.03 | 0.042 | Tăng trưởng nóng làm tăng rủi ro | | DTA (Tiền gửi / Tổng tài sản) | +0.4210 | 0.1120 | 3.76 | 0.000 | Củng cố khả năng thanh khoản | | LEV (Tỷ lệ đòn bẩy nợ) | -0.6325 | 0.1840 | -3.44 | 0.001 | Đòn bẩy cao làm tăng rủi ro | | DIVI (Đa dạng hóa thu nhập) | +0.2318 | 0.0715 | 3.24 | 0.001 | Đa dạng thu nhập giúp tăng ổn định | | NIM (Biên lãi thuần) | +0.0514 | 0.0198 | 2.60 | 0.009 | Nâng cao đệm lợi nhuận |

                       SO SÁNH Z-SCORE TRUNG BÌNH THEO NHÓM SỞ HỮU (2017-2022)
  Z-score
    45 |                                                   [41.2]
    40 |                                                  Foreign Banks
    35 |                       [32.8]
    30 |                       Big 4 SOCBs
    25 |                                         [24.6]
    20 |                                        JSCBs (Cổ phần)
    15 |
    10 |
     0 +----------------------------------------------------------------------

Phân tích chuyên sâu:

• Hiệu ứng hai mặt của FinTech: Sự gia tăng số lượng công ty FinTech (FINC) làm gia tăng cạnh tranh gay gắt trong các dịch vụ tài chính vi mô, làm suy giảm biên lợi nhuận truyền thống ($\beta = -0.0842$). Tuy nhiên, khi quy mô giao dịch số (FINT) gia tăng và tích hợp vào hạ tầng thanh toán ngân hàng, hiệu ứng mạng lưới và tối ưu hóa chi phí giúp các NHTM gia tăng độ an toàn tài chính ($\beta = +0.1126$).
• Phân hóa sức chịu đựng: Nhóm ngân hàng nước ngoài (Shinhan, HSBC, ANZ, Public Bank) có Z-score trung bình cao nhất (41.2), theo sau là nhóm Big 4 NHTM Nhà nước (32.8 nhờ quy mô và sự bảo trợ ngầm của Chính phủ). Nhóm NHTMCP tư nhân có biên độ an toàn thấp hơn (24.6), chịu áp lực chuyển đổi số mạnh nhất.

---

Đổi mới và đóng góp

1. Khung phân tích đa chiều về FinTech: Thay vì sử dụng một biến giả (dummy variable) đơn điệu, nghiên cứu tách biệt tác động của FinTech thành hai khía cạnh: Áp lực cạnh tranh từ số lượng đơn vị gia nhập ngành (FINC) và Lợi ích hiệu quả từ quy mô thanh toán số (FINT).
2. Chứng minh thực nghiệm giả thuyết bất đối xứng thông tin: Kết quả nghiên cứu xác nhận rằng việc ngân hàng chủ động hợp tác với FinTech để chia sẻ dữ liệu lớn (Big Data) và chấm điểm tín dụng số (Alternative Credit Scoring) giúp giảm thiểu rủi ro chọn lựa bất lợi (Adverse Selection).
3. So sánh ưu thế của mô hình kinh tế lượng:

Tiêu chí	Mô hình OLS gộp (Pooled OLS)	Mô hình FEM/REM thông thường	Mô hình GLS hiệu chỉnh khuyết tật (Nghiên cứu áp dụng)
Xử lý đặc trưng riêng từng ngân hàng	Bỏ qua, coi mọi ngân hàng đồng nhất.	Kiểm soát được hiệu ứng cố định hoặc ngẫu nhiên.	Kiểm soát hoàn hảo hiệu ứng bảng chéo.
Xử lý phương sai sai số thay đổi	Không xử lý, sai số chuẩn bị lệch.	Không xử lý triệt để.	Ước lượng ma trận hiệp phương sai nhất quán.
Xử lý tự tương quan chuỗi thời gian	Vi phạm giả định Gauss-Markov.	Vi phạm giả định.	Khử hoàn toàn tự tương quan AR(1).
Độ tin cậy của P-value	Dễ dẫn đến kết luận sai lầm ($p < 0.05$ giả tạo).	Độ tin cậy trung bình.	Độ chính xác và tính vững (robust) tối đa.

---

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế trong ngân hàng thương mại

• Tối ưu hóa quản trị rủi ro tín dụng cá nhân & SME: NHTM có thể tích hợp API của các tổ chức FinTech để khai thác dữ liệu hành vi người dùng (thương mại điện tử, hóa đơn tiện ích), giảm chi phí thẩm định thủ công từ 3-5 ngày xuống còn dưới 15 phút.
• Tái cơ cấu cơ cấu nguồn thu (Thu nhập ngoài lãi): Minh chứng từ hệ số $\beta_{DIVI} = +0.2318$ cho thấy ngân hàng cần đẩy mạnh quan hệ đối tác B2B2C với FinTech để tăng thu phí dịch vụ (Bancassurance, quản lý tài sản, phí kết nối cổng thanh toán) thay vì chỉ phụ thuộc vào tín dụng.

                           LỘ TRÌNH 3 GIAI ĐOẠN CHUYỂN ĐỔI SỐ & QUẢN TRỊ RỦI RO
  
  [ GIAI ĐOẠN 1: 0 - 12 Tháng ] -> [ GIAI ĐOẠN 2: 12 - 24 Tháng ] -> [ GIAI ĐOẠN 3: 24 - 36 Tháng ]
  * Xây dựng Core API mở          * Tích hợp AI/ML Credit Scoring   * Thiết lập Hệ sinh thái Mở
  * Chuẩn hóa dữ liệu BCTC        * Số hóa 100% quy trình bán lẻ    * Mô hình hợp tác chia sẻ rủi ro
  * Giảm tỷ lệ đòn bẩy LEV        * Nâng tỷ trọng thu ngoài lãi     * Tuân thủ toàn diện Basel III

Chiến lược triển khai chính sách (Dành cho NHNN và NHTM)

• Hoàn thiện khung khổ pháp lý thử nghiệm (Regulatory Sandbox): Cần sớm ban hành nghị định chính thức về Sandbox trong lĩnh vực ngân hàng nhằm kiểm soát hoạt động cho vay ngang hàng (P2P Lending), ngăn ngừa rủi ro tín dụng đen và rủi ro đạo đức (Moral Hazard).
• Kiểm soát tăng trưởng tài sản nóng: Với hệ số $\beta_{AGROW} = -0.0915$, NHNN cần duy trì room tín dụng linh hoạt gắn liền với hệ số an toàn vốn CAR theo chuẩn mực Basel II/III.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

1. Hạn chế chỉ số Z-score kế toán: $Z\text{-score}$ dựa trên dữ liệu kế toán quá khứ, có độ trễ nhất định và phụ thuộc vào tính trung thực của BCTC đã công bố.
2. Khung thời gian 6 năm (2017–2022): Dù bao quát giai đoạn bùng nổ chuyển đổi số, chuỗi thời gian chưa phản ánh hết tác động của biến động kinh tế vĩ mô hậu Covid-19 và suy thoái chu kỳ tín dụng 2023–2024.
3. Mẫu quan sát chưa bao gồm ngân hàng 0 đồng: Do một số ngân hàng yếu kém (OceanBank, CBBank, GPBank) không công bố đầy đủ BCTC, nghiên cứu buộc phải loại bỏ để đảm bảo dữ liệu bảng cân đối.

Hướng nghiên cứu mở rộng

• Ứng dụng học máy (Machine Learning): Triển khai các thuật toán Random Forest, XGBoost hoặc LightGBM để dự báo xác suất vỡ nợ sớm (Early Warning Systems) với tần suất dữ liệu theo quý/tháng.
• Mở rộng biến số cấu trúc: Phân tích sâu hơn tác động của ngân hàng mở (Open Banking APIs) và công nghệ sổ cái phân tán (Distributed Ledger Technology - DLT/Blockchain) tới sự ổn định hệ thống tài chính.

---

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------+
|                                    ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+-----------------------------------------------------------------------------------------+
| 1. SINH VIÊN & HỌC VIÊN TÀI CHÍNH - NGÂN HÀNG:                                          |
|    - Cung cấp mẫu nghiên cứu định lượng chuẩn mực, phương pháp chạy Stata dữ liệu bảng. |
|    - Tài liệu tham khảo toàn diện về đo lường rủi ro ngân hàng qua Z-score.             |
+-----------------------------------------------------------------------------------------+
| 2. CÁN BỘ QUẢN TRỊ RỦI RO & BAN LÃNH ĐẠO NHTM:                                         |
|    - Căn cứ thực nghiệm để điều chỉnh tỷ lệ đòn bẩy, đa dạng hóa danh mục thu nhập.     |
|    - Chiến lược rõ ràng: Hợp tác thay vì đối đầu trực diện với công ty FinTech.         |
+-----------------------------------------------------------------------------------------+
| 3. CÁC STARTUP VÀ DOANH NGHIỆP FINTECH:                                                 |
|    - Hiểu rõ khẩu vị rủi ro và các rào cản pháp lý của ngân hàng thương mại.            |
|    - Tối ưu hóa mô hình kết nối B2B2C nhằm thúc đẩy giá trị giao dịch điện tử.          |
+-----------------------------------------------------------------------------------------+
| 4. CƠ QUAN QUẢN LÝ NHÀ NƯỚC (NHNN, BỘ TÀI CHÍNH):                                       |
|    - Dữ liệu minh chứng phục vụ xây dựng cơ chế Sandbox và chính sách giám sát an toàn. |
|    - Phân loại giám sát rủi ro đặc thù giữa các nhóm ngân hàng sở hữu khác nhau.        |
+-----------------------------------------------------------------------------------------+

---

Câu hỏi thường gặp

1. Chỉ số Z-score trong nghiên cứu ngân hàng khác gì so với chỉ số Z-score của Altman (1968)?

Chỉ số Z-score của Altman (1968) được xây dựng dành riêng cho các doanh nghiệp sản xuất và phi tài chính dựa trên 5 tỷ số kế toán. Trong khi đó, mô hình của nghiên cứu này sử dụng chỉ số Z-score dành cho ngân hàng (được phát triển bởi Roy, 1952 và Boyd & Graham, 1988), định nghĩa bằng công thức: $Z = \frac{ROA + (Equity/Total Assets)}{\sigma(ROA)}$. Chỉ số này đo lường số lần độ lệch chuẩn mà lợi nhuận trên tài sản (ROA) phải giảm xuống trước khi vốn chủ sở hữu bị xóa sạch và ngân hàng rơi vào trạng thái mất khả năng thanh toán.

2. Tại sao nghiên cứu phải loại bỏ biến ATM và INNOV trong mô hình hồi quy?

Khi kiểm tra hiện tượng đa cộng tuyến bằng chỉ số phóng đại phương sai (Variance Inflation Factor - VIF), biến số lượng máy ATM có hệ số VIF lên tới 104.2 và biến chỉ số đổi mới sáng tạo INNOV có tương quan tuyến tính rất cao với các biến kinh tế vĩ mô khác. Việc loại bỏ các biến này giúp mô hình đạt chuẩn VIF < 10, loại bỏ sai lệch nghiêm trọng trong ước lượng hệ số hồi quy.

3. Tại sao phương pháp GLS (Generalized Least Squares) lại vượt trội hơn OLS và FEM thông thường?

Dữ liệu bảng vi mô của hệ thống ngân hàng thường xuyên gặp phải hai khuyết tật kinh tế lượng: Phương sai của sai số thay đổi giữa các ngân hàng (Heteroskedasticity) và Tự tương quan chuỗi thời gian của phần dư (Autocorrelation). Mô hình OLS và FEM thông thường sẽ cho sai số chuẩn bị chệch, dẫn đến việc kiểm định $t$ và $p\text{-value}$ không đáng tin cậy. Mô hình GLS sử dụng ma trận trọng số hiệu chỉnh để triệt tiêu hoàn toàn hai lỗi này, đảm bảo ước lượng thu được là ước lượng tuyến tính không chệch tốt nhất (BLUE).

4. Kết quả nghiên cứu có đồng nghĩa với việc các công ty FinTech đang đe dọa sự sống còn của ngân hàng?

Không hoàn toàn. Nghiên cứu chỉ ra tác động hai chiều rõ rệt: Sự bùng nổ về số lượng startup FinTech (FINC) làm tăng cạnh tranh và áp lực ngắn hạn lên rủi ro vỡ nợ ($\beta = -0.0842$). Tuy nhiên, giá trị giao dịch FinTech (FINT) lại có tác động tích cực rất lớn đến độ an toàn của ngân hàng ($\beta = +0.1126$). Điều này chứng minh rằng ngân hàng nào tích cực liên kết, chia sẻ hạ tầng thanh toán và số hóa sẽ củng cố được năng lực quản trị rủi ro và vị thế an toàn.

5. Những NHTM nào tại Việt Nam có sức chịu đựng rủi ro vỡ nợ tốt nhất trong giai đoạn nghiên cứu?

Theo kết quả tính toán Z-score giai đoạn 2017–2022, nhóm ngân hàng nước ngoài có điểm số an toàn cao nhất (trung bình 41.2) nhờ nền tảng quản trị rủi ro toàn cầu và đệm vốn dày. Tiếp theo là nhóm 4 NHTM Nhà nước lớn (Agribank, Vietcombank, BIDV, VietinBank) với Z-score trung bình 32.8 nhờ quy mô tài sản vượt trội và khả năng huy động vốn ổn định. Nhóm NHTMCP tư nhân có mức độ phân hóa cao nhất với Z-score trung bình 24.6.

---

Kết luận

Dự án khóa luận tốt nghiệp của tác giả Nguyễn Lê Thu đã giải quyết thành công bài toán định lượng về mối quan hệ giữa sự phát triển FinTech và rủi ro vỡ nợ tại 33 NHTM Việt Nam giai đoạn 2017–2022. Bằng việc áp dụng phương pháp ước lượng bình phương bé nhất tổng quát (GLS) kết hợp chỉ số Z-score chuẩn hóa, nghiên cứu đã chứng minh thực nghiệm rằng: FinTech mang lại cả áp lực cạnh tranh ngắn hạn lẫn cơ hội gia tăng biên an toàn tài chính dài hạn thông qua mở rộng quy mô giao dịch điện tử và đa dạng hóa nguồn thu.

Kết quả nghiên cứu cung cấp cơ sở khoa học và thực tiễn vững chắc cho các nhà hoạch định chính sách tại Ngân hàng Nhà nước trong việc hoàn thiện cơ chế Sandbox, đồng thời định hướng chiến lược cho các NHTM trong việc tái cấu trúc nguồn vốn, kiểm soát đòn bẩy và chủ động hợp tác với hệ sinh thái FinTech nhằm nâng cao năng lực cạnh tranh trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

BANKING ACADEMY OF VIETNAM THE FACULTY OF FINANCE ---------- GRADUATION THESIS TOPIC: THE IMPACT OF FINTECH DEVELOPMENT ON DEFAULT RISK OF VIETNAM COMMERCIAL BANKS Student : Nguyen Le Thu Class : K22CLCB Course : 2019 – 2023 Student ID : 22A4010053 Thesis supervisor : Assoc. Tran Thi Xuan Anh Hanoi, May 2023 ACKNOWLEDGEMENT The thesis topic "The impact of Fintech development on default risk of Vietnam commercial banks" is the content that I have studied and done after studying at the Faculty of Finance, Banking Academy of Vietnam. In the process of researching and completing the graduation thesis, apart from my efforts, the success of the project depends largely on the encouragement and guidelines of many others. I take this opportunity to express my gratitude to the people who have been instrumental in the successful completion of this project.

I would like to express a deep sense of gratitude to the Governor, the teachers of the Banking Academy of Vietnam and the Faculty of Finance, have created a favorable learning and training environment, providing me with useful knowledge and skills to help me apply and facilitate the implementation of the thesis. I would like to extend my sincerest gratitude to my supervisor Assoc. Tran Thi Xuan Anh for her delicated guidance and supervision as well as for providing necessary information regarding the project and also for the support in completing the project. Finally, I would like to spend my heartiest thanks to my parents, friends, colleagues and well-wishers for always encouraging and creating the best conditions for me to make efforts to complete the graduation thesis.

COMMITMENT I ensure that the results in the graduation thesis are my own personal product, not copied, and with the support of Assoc. Tran Thi Xuan Anh. In the entire content of the thesis, the contents are presented either individually or synthesized from many sources. All references are clear, truthful and legally cited.

I take full responsibility and take all disciplinary measures as prescribed for my pledge. TABLE OF CONTENTS ACKNOWLEDGEMENT .2 LIST OF ABBREVIATIONS.5 LIST OF TABLES .1 CHAPTER I: LITERATURE REVIEW. An overview of Fintech. Definition of Fintech.

Fintech’s products and services. Fundamentals of commercial bank’s default risk. The definition of commercial bank’s default risk. The measurement of default risk of a commercial bank.

The impact of Fintech on commercial banks’s default risk .30 CHAPTER II: DATABASE AND RESEARCH METHOD. Measuring bank’s default risk. Factors affecting default risk. FinTech development measure.

RESEARCH MODEL AND HYPOTHESE. 42 CHAPTER III: RESEARCH RESULTS AND RECOMMENDATIONS. ANALYSIS OF THE SITUATION OF VIETNAM COMMERCIAL BAKING SYSTEM IN THE PERIOD 2017-2022. FINTECH DEVELOPMENT SITUATION IN VIETNAM.

Overview of Fintech development in Vietnam. The development of Fintech products in Vietnam. Peer to peer lending. EXPERIMENTAL RESEARCH RESULTS.

Results of measuring default risk of the commercial banking system. The comparison of default risk of three different groups of banks with different forms of ownership. The comparison of default risk between listed and unlisted banks. Testing model defects.

Fixing the defects using the generalized least squares estimation model (GLS). DISCUSSING RESEARCH RESULTS .90 LIST OF ABBREVIATIONS No Abbreviation Expansion 1 OLS Ordinary Least Squares 2 FEM Fixed Effect Model 3 REM Random Effect Model 4 ROA Returrn Over Assets 5 ROE Return Over Equity 6 NIM Net Interest Margin 7 CAR Capital Adequacy Ratio 8 NPL Non-performing loan 9 Agribank Vietnam Bank for Agriculture and Rural Development 10 ACB Asia Commercial Joint Stock Bank 11 BID Joint Stock Commercial Bank for Investment and Development of Vietnam 12 CTG Vietnam Joint Stock Commercial Bank for Industry and Trade 13 EIB Vietnam Commercial Joint Stock Export Import Bank 14 HDB Ho Chi Minh City Development Joint Stock Commercial Bank 15 LPB Lien Viet Post Joint Stock Commercial Bank 16 MBB Military Commercial Joint Stock Bank 17 MSB Vietnam Maritime Commercial Join Stock Bank 18 OCB Orient Commercial Joint Stock Bank 19 SSB Southeast Asia Commercial Joint Stock Bank 20 STB Sai Gon Thuong Tin Commercial Joint Stock Bank 21 TCB Vietnam Technological and Commercial Joint Stock Bank 22 TPB Tien Phong Commercial Joint Stock Bank 23 VCB Bank for Foreign Trade of Vietnam 24 VIB Vietnam International Commercial Joint Stock Bank 25 VPB Vietnam Prosperity Joint Stock Commercial Bank 26 NCB National Citizen Bank 27 SHB Saigon Hanoi Commercial Joint Stock Bank 28 ABB An Binh Commercial Joint Stock Bank 29 BAB Bac A Commercial Joint Stock Bank 30 BVB Viet Capital Commercial Joint Stock Bank 31 KLB Kien Long Commercial Joint Stock Bank 32 NAB Nam A Commercial Joint Stock Bank 33 PGB Vietnam Thuong Tin Commercial Joint Stock Bank 34 VBB Vietnam Thuong Tin Commercial Joint Stock Bank 35 HSBC HSBC Bank Vietnam Limited 36 ANZ ANZ Bank Viet Nam Limited LIST OF TABLES Table Page Table 2. Variables definition and data sources 48 Table 3. Total assets of Vietnam's commercial banking system in the 53 period 2017-2022 Table 3.

Banking system of Vietnam in 2021 54 Table 3. Summary of performance indicators of commercial banks in 56 the period 2017-2022 Table 3. Descriptive statistics 65 LIST OF CHARTS Chart Page Chart 3. Ratio of non-performing loan and on-balance non- 57 performing loan of commercial banks in the period 2017-2022 Chart 3.

Number of Fintech companies operating in Vietnam in 2012- 58 9M/2022 Chart 3. Fintech startup companies and fields of activity over the 59 years Chart 3. Value of electronic transactions in Vietnam in the period 62 2012-9M/2022 Chart 3. Average Z-score of Vietnamese commercial banks in the 68 period of 2017 – 2022 Chart 3.

Z-score of the average commercial banks in Vietnam in the 69 period 2017 – 2022 Chart 3. Average Z-score of State-owned commercial banks, joint- 70 stock commercial banks, and foreign commercial banks in 2017-2022 Chart 3. Average Z-score of listed and unlisted banks in the period of 72 2017 – 2022 INTRODUCTION 1. Interest of research The financial technology sector has expanded and evolved, encompassing a large number of businesses providing a wide variety of financial services and functioning on a worldwide basis.

IoT, big data, artificial intelligence (AI), cloud computing, blockchain, and other new technologies of the fourth industrial revolution have had a significant impact on most socioeconomic activities in all nations of the globe. One of the very first industries where information technology was applied was the banking industry specifically or the financial industry in general. Thanks to the use of technologies, there have been significant changes with the introduction of a number of products and services as well as new distribution networks for financial services. In Vietnam, the application of financial technology (Fintech) is affecting most areas of banking activities such as deposits, payments, credit, etc., affecting the market structure and development strategy of financial institutions and banks.

Fintech companies have changed distribution channels and traditional banking products and services through the development trend of online transaction channels such as internet banking, mobile banking, social networks, electronic banking, etc. Fintech is increasingly developed and applied to solve financial problems, so it is extremely urgent to study the impact of this phenomenon, especially for a developing country like Vietnam. The results of the study could help policymakers find the right solutions to take advantage of this rapid development. Due to these above considerations, the author chooses the research topic: “The effect of FinTech development on default risk of Vietnam commercial banks”.

Research objectives In the context of rapid digital transformation in Vietnam, it can be seen that the impact of the development of financial technology on default risk is unclear. Therefore, the purpose of this study is to determine the impact of Fintech on default risk through measuring the impact of this factor on the stability of commercial banks; Besides, the research also analyzes the impact of some internal factors of banks. In 1 addition, the study also has another goal, which is to compare the stability of financial institutions with different forms of ownership. Objects and scope of the research Currently, most of Fintech's activities are related to banking operations, so the object of the study is the default risk of commercial banks in Vietnam.

According to the annual report of the State Bank of Vietnam in 2021, there are currently 28 joint- stock commercial banks, 04 state-owned joint-stock commercial banks and 09 100% foreign-owned commercial banks. Because some commercial banks do not publish financial statements, in this study, the author selected 33 commercial banks to collect data for research including 4 state-owned commercial banks, 4 foreign commercial banks, and 25 joint stock commercial banks. The author collects data from 2017-2022 of these commercial banks. Research methodology To achieve the research objectives, the author uses some of the following methods: Descriptive and comparative statistics: the author uses to describe the basic characteristics and compare the changes over the years to the collected data.

In addition, this method also provides the simplest summary of variables in the research sample. Regression analysis includes Pooled Ordinary Least Squares (Pooled OLS); Fixed Effects Model (FEM); Random Effects Model (REM) and General Least Squares (GLS) regression models. The FEM model and the REM model are two widely used models for tabular data. The GLS model is used to correct if defects occur in the two models.

The data processing and calculation are carried out with the support of computers using Excel and Stata 16 program. Structure of the research The research examines the impact of Fintech development on commercial banks’ default risk by examining the impact of this phenomenon on the default risk of commercial banks. In addition to studying the impact of Fintech, the author also studies the impact of a number of micro-factors affecting the default risk of banks. 2 Based on the above objectives, the study has 3 chapters: Chapter I: Theoretical Framework for Fintech's impact on commercial banks’ default risk Chapter II: Databases and Research Methods Chapter III: Research Results and Recommendations 3 CHAPTER I: LITERATURE REVIEW 1.

An overview of Fintech 1. Definition of Fintech Fintech is a term that derives from the combination of the words finance and technology and is defined as an interdisciplinary field that combines finance, technology management and innovation, describes the connection of internet-related technology with commercial service activities of the financial sector such as banking transactions and money lending. The International Monetary Fund (IMF) (2018) defined fintech as "advances in technology that have the potential to transform the provision of financial services by stimulating the development of new business models, applications, processes and products". The Financial Stability Board (FSB) (2019) described the term “Fintech” as “the technology that has enabled innovation in financial services and could lead to new business models, applications, processes or products with a material effect associated with the provision of financial services”.

In addition, The Organization for Economic Co-operation and Development (OECD) (2018) defined Fintech as “innovative applications of digital technology for financial services". Besides, the World Economic Forum (WEF) (2016) stated that Fintech is a broad category that refers to the innovative use of technology in the design and delivery of financial services and products. In comparison with the definition provided by WEF, the International Organization of Securities Commissions (IOSCO) claimed that "Fintech is not only about the application of digital technologies to financial services but also the development of business models and products based on these technologies and more generally on digital platforms and processes" However, until now, there is no unified legal definition for this term. The definition of it is described in many academic researches and in business journals.

Specifically, Duong Tan Khoa (2019) described fintech as the use of technology to automate the provision and use of financial services, thereby better responding to financial transactions and trade. In a broader understanding, Arner et al.