THE IMPACT OF FINTECH ON THE FINANCIAL STABILITY AT VIETNAMESE COMMERCIAL BANK

Nghiên cứu tác động của Fintech đến sự ổn định tài chính của các ngân hàng thương mại Việt Nam. Phân tích định lượng, dữ liệu 2010-2023.

• Tác giả: Trần Lý Mỹ Ngọc
• Người hướng dẫn: Ts. Nguyễn Minh Nhật
• Trường học: Trường Đại Học Ngân Hàng Tp. Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Tác động của Fintech lên sự ổn định tài chính của Ngân hàng Thương mại Việt Nam: Phân tích định lượng
• Loại tài liệu: Khóa Luận Tốt Nghiệp Đại Học
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT
• ABSTRACT
• DECLARATION
• APPRECIATION
• 1. CHƯƠNG 1: INTRODUCTION TO THE RESEARCH TOPIC
• 1.1. Reason for choosing topic
• 1.2. Objective of study
• 1.3. Subject and scope of the study
• 1.4. Contributions
• 1.5. The composition of the thesis
• 1.6. CONCLUSION CHAPTER 1
• 2. CHƯƠNG 2: REVIEW OF THE LITERATURE
• 2.1. Overview of basic concept
• 2.1.1. The concept of Fintech
• 2.1.2. The product of Fintech
• 2.1.3. Foreign Fintech companies
• 2.1.4. Fintech’s operation status in Vietnam
• 2.1.5. Overview of financial stability of commercial banks
• 2.1.6. The concept of Commercial banks
• 2.1.7. The concept of financial stability
• 2.1.8. The importance of Fintech for the financial stability of commercial bank
• 2.2. An overview of previous research
• 2.2.1. Review of domestic research
• 2.2.2. Review of foreign research
• 3. CHƯƠNG 3: RESEARCH MODEL AND METHODOLOGY
• 3.1. Data processing methods
• 3.2. The order of execution
• 3.3. Measurement of research variables and research hypothesis
• 4. CHƯƠNG 4: EMPIRICAL RESULT ANALYSIS
• 4.1. Descriptive statistical analysis
• 4.2. Correlation matrix analysis
• 4.3. The analysis of regression results
• 4.4. Selection of estimation method
• 4.5. Test of heteroskedasticity and model autocorrelation
• 4.5.1. Check for heteroskedasticity
• 4.6. Overcoming the research model by FGLS method
• 4.7. Endogenous variables testing
• 4.8. GMM regression model method
• 4.9. Summarizing and discussing research results
• 5. CHƯƠNG 5: CONCLUSION AND RECOMMENDATIONS
• 5.1. Conclusion of the result obtain from the research
• 5.2. Recommendation on financial stability of bank
• 5.3. Thesis limitations and research direction
• 5.3.1. Limitations of the thesis
• 5.3.2. The research directions
• LIST OF ABBREVIATIONS
• LIST OF TABLE
• LIST OF CHARTS

Tóm tắt

I. Tổng quan về Fintech và tác động đến ngân hàng Việt Nam

Thế giới đã trải qua 4 cuộc cách mạng công nghiệp, và hiện đang chứng kiến ảnh hưởng của cuộc cách mạng 4.0. Cuộc cách mạng này được xây dựng trên nền tảng công nghệ số 3.0, bao gồm Artificial Intelligence (AI), Internet of Things (IoT) và Big Data, tác động mạnh mẽ đến các ngành nghề ở Việt Nam, làm thay đổi cách vận hành và các mô hình kinh doanh. Riêng ngành ngân hàng chịu sự tác động lớn từ các công nghệ tài chính (Fintech), do những công nghệ này có thể mô phỏng các sản phẩm và dịch vụ tài chính ngân hàng ở mức hiện đại hơn. Từ đó, Fintech ảnh hưởng đến nhiều khía cạnh của các ngân hàng thương mại Việt Nam. Nghiên cứu này sử dụng phương pháp nghiên cứu định lượng để phân tích các tác động của Fintech đối với sự ổn định tài chính của các ngân hàng thương mại tại Việt Nam. Việc nghiên cứu này mang ý nghĩa quan trọng trong bối cảnh hội nhập quốc tế và cạnh tranh ngày càng gay gắt. Các ngân hàng thương mại Việt Nam cần hiểu rõ tác động của Fintech để có những điều chỉnh và chiến lược phù hợp.

1.1. Định nghĩa và các giai đoạn phát triển của Fintech

Thuật ngữ Fintech, kết hợp giữa Financial và Technology, hướng đến việc cung cấp các sản phẩm và dịch vụ thân thiện, hiệu quả, minh bạch và tự động hóa hơn cho khách hàng (Dorfleitner et al., 2017). Định nghĩa Fintech ngày càng được mở rộng với sự phát triển của cuộc cách mạng công nghiệp 4.0. Fintech bao gồm nhiều lĩnh vực như huy động vốn (crowdfunding), tín dụng, phương thức thanh toán thay thế, quản lý tài chính cá nhân, đầu tư và ngân hàng, bảo hiểm... Khái niệm Fintech đã hình thành từ lâu và trải qua nhiều giai đoạn khác nhau (Armer et al.): Fintech 1.0 (1866 - 1967) từ tương tự sang kỹ thuật số; Fintech 2.0 (1967 - 2008) phát triển các dịch vụ tài chính kỹ thuật số truyền thống; Fintech 3.0 (2008 - nay) dân chủ hóa các dịch vụ tài chính kỹ thuật số.

1.2. Các loại hình Fintech phổ biến trên thị trường

Fintech có thể tác động đến cấu trúc thị trường thông qua nhiều kênh khác nhau. Các kênh được nhấn mạnh nhất bao gồm: Thanh toán di động (Mobile payments); Thanh toán ngang hàng (Mobile Peer-to-peer); Nền tảng cho vay (Lending Platform); Quản lý tài chính cá nhân (Personal financial management); Bảo hiểm di động (Mobile insurance); Giao dịch chứng khoán trực tuyến (Online Stock Trading) và Mua ngay trả sau (Buy Now Pay Later). Các ứng dụng ví điện tử phổ biến như Apple Pay, Google Pay, Samsung Pay, Momo, ZaloPay, AirPay, liên kết với thẻ tín dụng, thẻ ghi nợ hoặc tài khoản ngân hàng của khách hàng.

II. Thách thức ổn định tài chính cho ngân hàng từ Fintech

Trong bối cảnh Fintech phát triển mạnh mẽ, các ngân hàng thương mại Việt Nam phải đối mặt với nhiều thách thức về ổn định tài chính. Sự cạnh tranh từ các công ty Fintech có thể làm giảm thị phần và lợi nhuận của các ngân hàng truyền thống. Bên cạnh đó, việc áp dụng các công nghệ mới cũng tiềm ẩn những rủi ro tài chính liên quan đến an ninh mạng, bảo mật thông tin và tuân thủ pháp luật. Việc quản lý rủi ro hiệu quả là yếu tố then chốt để đảm bảo sự ổn định của hệ thống ngân hàng trong bối cảnh mới. Chính sách tiền tệ cũng cần được điều chỉnh linh hoạt để thích ứng với sự thay đổi của thị trường.

2.1. Cạnh tranh từ các công ty Fintech và giảm thị phần ngân hàng

Sự xuất hiện của các công ty Fintech với các sản phẩm và dịch vụ sáng tạo, tiện lợi đã tạo ra áp lực cạnh tranh lớn đối với các ngân hàng thương mại. Các công ty Fintech có thể cung cấp các dịch vụ tương tự với chi phí thấp hơn, thu hút một lượng lớn khách hàng, đặc biệt là giới trẻ. Điều này có thể dẫn đến việc giảm thị phần và lợi nhuận của các ngân hàng truyền thống nếu họ không có những chiến lược ứng phó hiệu quả. Ví dụ, sự phát triển của các ứng dụng thanh toán di động đã làm giảm lượng giao dịch tiền mặt và giảm doanh thu từ phí dịch vụ của ngân hàng.

2.2. Rủi ro an ninh mạng và bảo mật thông tin trong ứng dụng Fintech

Việc ứng dụng các công nghệ mới như Big Data, AI, Blockchain trong hoạt động ngân hàng mang lại nhiều lợi ích, nhưng đồng thời cũng tiềm ẩn những rủi ro liên quan đến an ninh mạng và bảo mật thông tin. Các cuộc tấn công mạng ngày càng tinh vi và có thể gây thiệt hại lớn về tài chính và uy tín cho ngân hàng. Do đó, các ngân hàng thương mại cần đầu tư mạnh mẽ vào các giải pháp bảo mật và đào tạo nhân viên để nâng cao nhận thức về an ninh mạng. Việc tuân thủ các quy định về bảo vệ dữ liệu cá nhân cũng là một yếu tố quan trọng.

2.3. Tuân thủ pháp luật và các quy định mới về Fintech

Pháp luật và các quy định liên quan đến Fintech vẫn đang trong quá trình hoàn thiện. Các ngân hàng thương mại cần theo dõi chặt chẽ các thay đổi của pháp luật và đảm bảo tuân thủ đầy đủ các quy định mới. Việc không tuân thủ có thể dẫn đến các hình phạt tài chính và ảnh hưởng đến hoạt động kinh doanh. Các quy định liên quan đến cho vay ngang hàng (P2P lending), tiền điện tử và bảo vệ người tiêu dùng là những lĩnh vực cần được đặc biệt quan tâm.

III. Phương pháp phân tích định lượng tác động của Fintech

Nghiên cứu này sử dụng phương pháp phân tích định lượng để đánh giá tác động của Fintech lên sự ổn định tài chính của các ngân hàng thương mại Việt Nam. Dữ liệu được thu thập từ 30 ngân hàng thương mại trong giai đoạn 2010-2023. Mô hình hiệu ứng cố định (Fixed Effect Model) được sử dụng để phân tích tác động của Fintech. Biến phụ thuộc là chỉ số Z-Score, đo lường sự ổn định ngân hàng. Các biến độc lập bao gồm: Số lượng công ty Fintech (FT); Tỷ lệ lợi nhuận trên vốn chủ sở hữu (ROE); Tỷ lệ nợ xấu (NPL); Quy mô ngân hàng (SIZE); Tốc độ tăng trưởng tổng tài sản (GROW); Tỷ lệ an toàn vốn (CAP); Chi phí hoạt động (CIR); Tỷ lệ cho vay trên huy động (LDR); Tăng trưởng kinh tế (GDP) và Tỷ lệ lạm phát (INF).

3.1. Mô hình hồi quy và các biến số sử dụng trong nghiên cứu

Nghiên cứu sử dụng mô hình hồi quy đa biến để phân tích tác động của Fintech và các yếu tố khác lên sự ổn định tài chính của các ngân hàng thương mại Việt Nam. Chỉ số Z-Score được sử dụng làm biến phụ thuộc, thể hiện mức độ ổn định của ngân hàng. Các biến độc lập được lựa chọn dựa trên cơ sở lý thuyết và các nghiên cứu trước đây, bao gồm các yếu tố liên quan đến Fintech, hiệu quả hoạt động, rủi ro tín dụng, quy mô ngân hàng, tăng trưởng kinh tế và lạm phát.

3.2. Thu thập và xử lý dữ liệu cho phân tích định lượng

Dữ liệu được thu thập từ các báo cáo tài chính của các ngân hàng thương mại Việt Nam, dữ liệu từ Ngân hàng Nhà Nước và Tổng cục Thống kê Việt Nam. Quá trình xử lý dữ liệu bao gồm làm sạch dữ liệu, kiểm tra tính nhất quán và tạo các biến số cần thiết cho mô hình hồi quy. Các kỹ thuật thống kê như kiểm định phương sai, kiểm định tự tương quan và kiểm định đa cộng tuyến được sử dụng để đảm bảo tính tin cậy của kết quả phân tích.

IV. Kết quả phân tích và đánh giá tác động của Fintech

Kết quả phân tích cho thấy Fintech (FT), ROE, NPL, CIR và INF có ảnh hưởng tiêu cực đến sự ổn định của ngân hàng thương mại. Ngược lại, CAP và LDR có ảnh hưởng tích cực. Các biến còn lại không có tác động đáng kể. Điều này cho thấy việc phát triển Fintech mang lại nhiều lợi ích, nhưng cũng đi kèm với những rủi ro cần được quản lý chặt chẽ. Các ngân hàng thương mại cần nâng cao khả năng chống chịu trước các biến động thị trường và rủi ro tài chính.

4.1. Tác động tích cực và tiêu cực của Fintech đến sự ổn định tài chính

Kết quả nghiên cứu chỉ ra rằng Fintech có thể vừa mang lại những tác động tích cực, vừa tạo ra những tác động tiêu cực đến sự ổn định tài chính của các ngân hàng thương mại Việt Nam. Một mặt, Fintech có thể giúp tăng cường hiệu quả hoạt động, nâng cao năng suất và mở rộng khả năng tiếp cận dịch vụ tài chính cho người dân. Mặt khác, Fintech cũng có thể làm tăng rủi ro tài chính, đặc biệt là rủi ro liên quan đến an ninh mạng và quản lý rủi ro tín dụng.

4.2. Đánh giá các yếu tố khác ảnh hưởng đến sự ổn định ngân hàng

Ngoài Fintech, các yếu tố khác như tỷ lệ lợi nhuận trên vốn chủ sở hữu (ROE), tỷ lệ nợ xấu (NPL), quy mô ngân hàng (SIZE), tỷ lệ an toàn vốn (CAP), chi phí hoạt động (CIR) và tỷ lệ cho vay trên huy động (LDR) cũng có ảnh hưởng đến sự ổn định tài chính của các ngân hàng thương mại Việt Nam. Việc quản lý hiệu quả các yếu tố này là rất quan trọng để đảm bảo sự ổn định của hệ thống ngân hàng.

V. Giải pháp và khuyến nghị tăng cường ổn định tài chính

Từ kết quả nghiên cứu, một số giải pháp và khuyến nghị được đưa ra để tăng cường sự ổn định tài chính của các ngân hàng thương mại Việt Nam trong bối cảnh Fintech phát triển mạnh mẽ. Các ngân hàng cần đầu tư vào công nghệ, nâng cao năng lực quản lý rủi ro, tăng cường an ninh mạng và tuân thủ pháp luật. Đồng thời, cần có sự phối hợp chặt chẽ giữa các cơ quan quản lý nhà nước, các ngân hàng thương mại và các công ty Fintech để tạo ra một môi trường phát triển Fintech lành mạnh và bền vững.

5.1. Đầu tư vào công nghệ và nâng cao năng lực quản lý rủi ro Fintech

Các ngân hàng thương mại cần tăng cường đầu tư vào các công nghệ mới như Big Data, AI và Blockchain để nâng cao hiệu quả hoạt động và khả năng cạnh tranh. Đồng thời, cần xây dựng đội ngũ chuyên gia có trình độ cao về quản lý rủi ro Fintech để đối phó với các rủi ro mới phát sinh từ Fintech. Các biện pháp quản lý rủi ro cần được áp dụng một cách toàn diện và linh hoạt để đảm bảo sự ổn định của ngân hàng.

5.2. Tăng cường an ninh mạng và bảo mật thông tin trong môi trường Fintech

Việc bảo vệ hệ thống ngân hàng khỏi các cuộc tấn công mạng là vô cùng quan trọng trong bối cảnh Fintech phát triển. Các ngân hàng thương mại cần tăng cường các biện pháp an ninh mạng, bao gồm cả việc sử dụng các công nghệ bảo mật tiên tiến và đào tạo nhân viên về an ninh mạng. Việc bảo vệ dữ liệu cá nhân của khách hàng cũng là một ưu tiên hàng đầu. Cần tuân thủ nghiêm ngặt các quy định về bảo mật thông tin để tránh các vụ rò rỉ dữ liệu có thể gây thiệt hại lớn.

VI. Triển vọng và tương lai của Fintech trong ngành ngân hàng

Fintech sẽ tiếp tục đóng vai trò quan trọng trong việc thúc đẩy sự phát triển của ngành ngân hàng trong tương lai. Các ngân hàng thương mại cần chủ động nắm bắt các cơ hội do Fintech mang lại và đối phó với các thách thức. Sự hợp tác giữa các ngân hàng và các công ty Fintech sẽ là xu hướng tất yếu để tạo ra các sản phẩm và dịch vụ tài chính sáng tạo, đáp ứng nhu cầu ngày càng cao của khách hàng. Việc xây dựng một hệ sinh thái Fintech lành mạnh và bền vững sẽ góp phần quan trọng vào sự ổn định và phát triển của hệ thống tài chính Việt Nam.

6.1. Hợp tác giữa ngân hàng và Fintech để thúc đẩy đổi mới

Sự hợp tác giữa các ngân hàng truyền thống và các công ty Fintech là chìa khóa để thúc đẩy đổi mới trong ngành ngân hàng. Các ngân hàng có thể tận dụng công nghệ và sự sáng tạo của Fintech để cung cấp các sản phẩm và dịch vụ tốt hơn cho khách hàng. Đồng thời, các công ty Fintech có thể tận dụng mạng lưới khách hàng rộng lớn và kinh nghiệm của các ngân hàng để mở rộng quy mô hoạt động. Việc hợp tác cần được thực hiện trên cơ sở win-win và đảm bảo tuân thủ các quy định pháp luật.

6.2. Xây dựng hệ sinh thái Fintech lành mạnh và bền vững

Để Fintech phát triển một cách bền vững, cần xây dựng một hệ sinh thái lành mạnh với sự tham gia của nhiều bên liên quan, bao gồm các cơ quan quản lý nhà nước, các ngân hàng thương mại, các công ty Fintech, các nhà đầu tư và các tổ chức nghiên cứu. Cần có các chính sách hỗ trợ sự phát triển của Fintech, đồng thời đảm bảo sự ổn định và an toàn của hệ thống tài chính. Việc nâng cao nhận thức của người dân về Fintech và khuyến khích sử dụng các dịch vụ tài chính số cũng là một yếu tố quan trọng.

Nội dung chính

Giới thiệu dự án

Sự phát triển mạnh mẽ của cuộc Cách mạng Công nghiệp 4.0 với các công nghệ lõi như Trí tuệ nhân tạo (Artificial Intelligence - AI), Dữ liệu lớn (Big Data), Internet vạn vật (Internet of Things - IoT) và Công nghệ chuỗi khối (Blockchain) đã tái định hình toàn diện ngành tài chính - ngân hàng toàn cầu. Tại Việt Nam, hệ sinh thái Công nghệ Tài chính (Fintech) ghi nhận tốc độ tăng trưởng vượt bậc với hơn 188 doanh nghiệp hoạt động tính đến năm 2023, trải rộng từ lĩnh vực thanh toán điện tử, ví điện tử (MoMo, VNPay, ZaloPay) đến cho vay ngang hàng (Peer-to-Peer Lending - P2P), chấm điểm tín dụng (Credit Scoring) và quản lý tài sản số. Sự thâm nhập sâu rộng của các giải pháp tài chính số một mặt thúc đẩy tài chính toàn diện, mặt khác tạo ra áp lực cạnh tranh gay gắt lên biên lợi nhuận, cấu trúc thanh khoản và độ an toàn hệ thống của các Ngân hàng Thương mại (NHTM).

Vấn đề cốt lõi đặt ra là sự bùng nổ của Fintech ảnh hưởng trực tiếp đến mức độ ổn định tài chính của hệ thống NHTM Việt Nam theo chiều hướng hỗ trợ hay làm gia tăng rủi ro vỡ nợ (Insolvency Risk). Mặc dù Fintech mở ra cơ hội tối ưu hóa quy trình thông qua tự động hóa quy trình bằng robot (Robotic Process Automation - RPA) và phân tích hành vi khách hàng, các ngân hàng truyền thống cũng đối mặt với sự sụt giảm nguồn thu ngoài lãi truyền thống, gia tăng chi phí vận hành ban đầu cho hạ tầng số và rủi ro an ninh mạng.

Đề tài "The Impact of Fintech on the Financial Stability at Vietnamese Commercial Bank" (Ngành Tài chính – Ngân hàng, Mã số: 7340201) được thực hiện nhằm giải quyết tường minh bài toán trên thông qua các mục tiêu cụ thể:

1. Hệ thống hóa khung lý thuyết và bằng chứng thực nghiệm quốc tế về mối quan hệ giữa Fintech và độ ổn định tài chính ngân hàng.
2. Xây dựng bộ chỉ tiêu định lượng đo lường độ ổn định tài chính thông qua chỉ số $\text{Z-Score}$ và đo lường mức độ phát triển Fintech tại Việt Nam giai đoạn 2010–2023.
3. Ứng dụng các mô hình kinh tế lượng dữ liệu bảng (Panel Data) bao gồm Pooled OLS, Mô hình hiệu ứng cố định (Fixed Effects Model - FEM), Mô hình hiệu ứng ngẫu nhiên (Random Effects Model - REM), Bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS) và Phương pháp mô-men tổng quát hệ thống (System Generalized Method of Moments - GMM) nhằm kiểm soát hiện tượng nội sinh (Endogeneity), tự tương quan (Autocorrelation) và phương sai sai số thay đổi (Heteroskedasticity).
4. Định lượng chính xác chiều hướng tác động của Fintech và các biến đặc thù ngân hàng/vĩ mô lên độ ổn định tài chính, từ đó đề xuất hệ thống giải pháp nâng cao năng lực chống chịu rủi ro cho các NHTM Việt Nam.

Phạm vi nghiên cứu tập trung vào 25 NHTM cổ phần tại Việt Nam có đầy đủ báo cáo tài chính kiểm toán và số liệu hoạt động liên tục trong giai đoạn 14 năm (2010–2023), mang lại mẫu quan sát gồm 350 quan sát bảng cân bằng/không cân bằng.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kinh tế lượng thực nghiệm về hệ thống ngân hàng đòi hỏi việc lựa chọn mô hình ước lượng phù hợp nhằm loại bỏ các sai lệch thống kê. Bảng so sánh dưới đây phân tích ưu và nhược điểm của các phương pháp tiếp cận:

Phương pháp ước lượng	Ưu điểm kỹ thuật	Hạn chế cốt lõi	Mức độ phù hợp với dữ liệu bảng ngân hàng
Pooled OLS	Đơn giản, dễ tính toán, phù hợp cho mẫu gộp đồng nhất.	Bỏ qua đặc trưng riêng lẻ bất biến theo thời gian của từng ngân hàng ($\mu_i$), dẫn đến ước lượng bị chệch.	Thấp (Bị bác bỏ qua kiểm định $F$-test).
Fixed Effects Model (FEM)	Kiểm soát hoàn toàn các yếu tố đặc thù cố định không quan sát được của từng ngân hàng.	Không xử lý được hiện tượng phương sai sai số thay đổi và tự tương quan chuỗi trong sai số.	Trung bình (Cần hiệu chỉnh bằng kiểm định Wald và Wooldridge).
Random Effects Model (REM)	Tiết kiệm bậc tự do, hiệu quả khi các biến đặc thù không tương quan với biến giải thích.	Giả định tính trực giao giữa sai số cá thể và biến giải thích thường bị vi phạm trong thực tế ngân hàng.	Thấp (Bị bác bỏ qua kiểm định Hausman).
FGLS (Feasible Generalized Least Squares)	Khắc phục triệt để hiện tượng phương sai sai số thay đổi nhóm và tự tương quan bậc nhất AR(1).	Không xử lý được biến trễ phụ thuộc nội sinh ($Y_{i, t-1}$) và quan hệ đồng thời.	Cao (Phù hợp cho kiểm tra tính vững của mô hình tĩnh).
Two-Step System GMM	Khắc phục hoàn toàn tính nội sinh, triệt tiêu sai lệch do biến trễ, kiểm soát sai số đo lường.	Đòi hỏi số lượng biến công cụ (Instrumental Variables) không vượt quá số nhóm quan sát ($J \le N$).	Tối ưu (Chuẩn mực thực nghiệm tài chính hiện đại).

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW:

• Must have: Đo lường độ ổn định ngân hàng bằng chỉ số $\ln(\text{Z-Score})$, kiểm tra hiện tượng đa cộng tuyến (VIF), kiểm định Hausman, kiểm định tự tương quan Wooldridge, kiểm định phương sai sai số thay đổi Modified Wald, ước lượng FGLS và GMM.
• Should have: Phân tích ma trận tương quan Pearson, kiểm định Sargan/Hansen về tính hợp lệ của biến công cụ, kiểm định Arellano-Bond AR(1) và AR(2).
• Could have: Đánh giá độ nhạy mô hình theo quy mô ngân hàng (Big 4 vs Ngân hàng TMCP tư nhân).
• Won't have: Phân tích dữ liệu vi mô thời gian thực từng giao dịch thanh toán (do giới hạn bảo mật dữ liệu ngân hàng).

Thiết kế hệ thống

Kiến trúc phân tích định lượng được chuẩn hóa theo luồng xử lý 6 giai đoạn nghiêm ngặt:

[Dữ liệu BCTC 25 NHTM (2010-2023) & Vĩ mô SBV/WB]
          [Làm sạch & Chuẩn hóa biến số]
    - Tính chỉ số Z-Score, CAR, NPL, ROE, CIR, LDR
    - Logarit hóa tổng tài sản (SIZE) & Fintech (FT)
          [Kiểm tra khuyết tật sơ cấp]
      - Thống kê mô tả (Descriptive Statistics)
      - Ma trận tương quan (Correlation Matrix)
      - Kiểm định đa cộng tuyến (VIF < 10)
          [Lựa chọn mô hình hồi quy tĩnh]
      - Pooled OLS vs FEM (Kiểm định F-test)
      - Pooled OLS vs REM (Kiểm định Breusch-Pagan)
      - FEM vs REM (Kiểm định Hausman)
          [Kiểm định chẩn đoán & Khắc phục]
      - Kiểm định phương sai thay đổi (Modified Wald)
      - Kiểm định tự tương quan (Wooldridge test)
      - Hiệu chỉnh bằng mô hình FGLS
         [Ước lượng động & Kiểm định tính vững]
   - Hồi quy System GMM (Xử lý nội sinh & biến trễ)
   - Kiểm định Arellano-Bond AR(1), AR(2) & Hansen/Sargan

Technology Stack & Thư viện sử dụng:

• Kinh tế lượng cốt lõi: STATA Version 17/18 SE (Các package: xtreg, xtgls, xtabond2, vif, hausman, xtserial, xttest3).
• Phân tích bổ trợ & Trích xuất: Python 3.11 (Pandas 2.2.0, NumPy 1.26.4, Statsmodels 0.14.1, Scikit-learn 1.4.0).
• Đặc tả mô hình toán học:

$$\text{LnZScore}{it} = \beta_0 + \beta_1 \text{FT}{t} + \beta_2 \text{ROE}{it} + \beta_3 \text{SIZE}{it} + \beta_4 \text{GROW}{it} + \beta_5 \text{NPL}{it} + \beta_6 \text{CAP}{it} + \beta_7 \text{CIR}{it} + \beta_8 \text{LDR}_{it} + \beta_9 \text{GDP}t + \beta{10} \text{INF}t + \varepsilon{it}$$

Trong đó:

• $\text{LnZScore}{it} = \ln \left( \frac{\text{ROA}{it} + \text{CAP}_{it}}{\sigma(\text{ROA}_i)} \right)$: Đo lường khoảng cách tới điểm vỡ nợ (Giá trị càng lớn, ngân hàng càng an toàn và ổn định).
• $\text{FT}_t = \ln(\text{Số lượng công ty Fintech cấp phép tại năm } t)$: Đại diện cho mức độ mở rộng của công nghệ tài chính.
• $\text{ROE}{it} = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$; $\text{CAP}{it} = \frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$.
• $\text{NPL}{it} = \frac{\text{Nợ xấu (Nhóm 3-5)}}{\text{Tổng dư nợ cho vay}}$; $\text{CIR}{it} = \frac{\text{Chi phí hoạt động}}{\text{Thu nhập hoạt động}}$.
• $\text{LDR}{it} = \frac{\text{Tổng dư nợ cho vay}}{\text{Tổng vốn huy động}}$; $\text{SIZE}{it} = \ln(\text{Tổng tài sản})$.
• $\text{GROW}{it} = \frac{\text{Tổng tài sản}t - \text{Tổng tài sản}{t-1}}{\text{Tổng tài sản}{t-1}}$; $\text{GDP}_t, \text{INF}_t$: Tốc độ tăng trưởng GDP và tỷ lệ lạm phát hàng năm.

Methodology

Nghiên cứu áp dụng quy trình kiểm định kinh tế lượng chuỗi khép kín:

1. Thu thập dữ liệu: Số liệu thứ cấp thu thập từ báo cáo tài chính đã kiểm toán, báo cáo thường niên của 25 NHTM, kết hợp cơ sở dữ liệu Ngân hàng Nhà nước Việt Nam (SBV), Tổng cục Thống kê (GSO) và World Bank.
2. Kiểm tra đa cộng tuyến: Sử dụng hệ số phóng đại phương sai (Variance Inflation Factor - VIF). Tiêu chuẩn chấp nhận: $\text{VIF}_k < 10$, $\text{Mean VIF} \le 3.0$.
3. Lựa chọn mô hình hồi quy tối ưu: Thực hiện kiểm định $F$-test ($H_0$: Pooled OLS vs $H_1$: FEM), kiểm định Breusch-Pagan Lagrange Multiplier ($H_0$: Pooled OLS vs $H_1$: REM) và kiểm định Hausman ($H_0$: REM vs $H_1$: FEM).
4. Kiểm định khuyết tật: Thực hiện Modified Wald test kiểm tra phương sai thay đổi và Wooldridge test kiểm tra tự tương quan bậc 1 trong dữ liệu bảng.
5. Ước lượng FGLS: Tái ước lượng nhằm khắc phục đồng thời hiện tượng phương sai thay đổi theo nhóm (Groupwise Heteroskedasticity) và tự tương quan chéo.
6. Xử lý nội sinh với System GMM: Ước lượng mô-men 2 bước có hiệu chỉnh sai số mẫu nhỏ (Windmeijer correction), sử dụng biến trễ làm biến công cụ nội sinh, kiểm định Arellano-Bond (yêu cầu $p_{\text{AR(1)}} < 0.05$ và $p_{\text{AR(2)}} > 0.10$) cùng kiểm định quá xác định Hansen/Sargan ($p > 0.10$).

---

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được lập trình hóa thông qua pipeline xử lý trên STATA và Python. Dưới đây là đoạn mã thực thi chuẩn hóa quy trình kiểm định mô hình dữ liệu bảng:

* Thiết lập cấu trúc dữ liệu bảng (Panel Data)
tsset bank_id year

* 1. Thống kê mô tả và ma trận hệ số tương quan
summarize LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF
pwcorr LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, sig

* 2. Kiểm định hiện tượng đa cộng tuyến
regress LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF
vif

* 3. Ước lượng các mô hình cơ sở
* Mô hình Pooled OLS
regress LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF
estimates store OLS_model

* Mô hình hiệu ứng cố định (FEM)
xtreg LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, fe
estimates store FEM_model

* Mô hình hiệu ứng ngẫu nhiên (REM)
xtreg LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, re
estimates store REM_model

* 4. Kiểm định lựa chọn mô hình
hausman FEM_model REM_model

* 5. Kiểm định phương sai thay đổi và tự tương quan
xtreg LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, fe
xttest3
xtserial LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF

* 6. Khắc phục khuyết tật bằng FGLS (Panel-corrected heteroskedasticity & autocorrelation)
xtgls LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, panels(hetero) corr(ar1)
estimates store FGLS_model

* 7. Ước lượng System GMM hai bước xử lý nội sinh
xtabond2 LnZScore L.LnZScore FT ROE SIZE GROW NPL CAP CIR LDR GDP INF, ///
    gmm(L.LnZScore NPL ROE, lag(1 2) collapse) ///
    iv(FT SIZE GROW CAP CIR LDR GDP INF) ///
    twostep robust small

Testing và validation

Kết quả các kiểm định chẩn đoán kỹ thuật cho thấy:

• Kiểm định đa cộng tuyến (VIF): Tất cả các biến độc lập đều có hệ số $\text{VIF} < 3.2$, $\text{Mean VIF} = 1.68$, chứng minh không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
• Kiểm định $F$-test: Giá trị $F(24, 315) = 14.82$ với giá trị xác suất $p = 0.0000 < 0.05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình FEM vượt trội so với Pooled OLS.
• Kiểm định Hausman: Thống kê Chi-square $\chi^2(10) = 28.45$ với $p = 0.0015 < 0.05$, bác bỏ giả thuyết $H_0$ (REM), lựa chọn mô hình Fixed Effects Model (FEM) là mô hình giải thích phù hợp nhất.
• Kiểm định Modified Wald: Thống kê $\chi^2(25) = 894.12$ ($p = 0.0000 < 0.05$), kết luận dữ liệu xảy ra hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
• Kiểm định Wooldridge: Thống kê $F(1, 24) = 19.34$ ($p = 0.0002 < 0.05$), khẳng định tồn tại hiện tượng tự tương quan chuỗi bậc nhất AR(1).
• Kiểm định GMM Robustness:
  • Arellano-Bond test: $p_{\text{AR(1)}} = 0.008 < 0.05$ và $p_{\text{AR(2)}} = 0.241 > 0.10$ (Thỏa mãn điều kiện sai số không có tự tương quan bậc hai).
  • Hansen test: $p = 0.185 > 0.10$ (Xác nhận các biến công cụ ngoại sinh hoàn toàn hợp lệ).

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm tác động của Fintech và các yếu tố tài chính lên độ ổn định ngân hàng ($\text{LnZScore}$):

Biến số	Ký hiệu	Hệ số hồi quy (FEM)	Hệ số hồi quy (FGLS)	Mức ý nghĩa ($p$-value)	Chiều tác động thực tế	Kỳ vọng lý thuyết ban đầu
Fintech	FT	-0.0842	-0.0715	$p < 0.01$ (***)	Tiêu cực	Dương (+)
Return on Equity	ROE	-0.0054	-0.0048	$p < 0.05$ (**)	Tiêu cực	Dương (+)
Quy mô ngân hàng	SIZE	+0.0215	+0.0182	$p > 0.10$	Không có ý nghĩa	Dương (+)
Tăng trưởng tài sản	GROW	+0.0031	+0.0028	$p > 0.10$	Không có ý nghĩa	Dương (+)
Tỷ lệ nợ xấu	NPL	-0.0631	-0.0589	$p < 0.01$ (***)	Tiêu cực	Âm (-)
Tỷ lệ vốn chủ sở hữu	CAP	+0.0418	+0.0392	$p < 0.01$ (***)	Tích cực	Dương (+)
Chi phí hoạt động	CIR	-0.0089	-0.0076	$p < 0.01$ (***)	Tiêu cực	Âm (-)
Tỷ lệ cho vay/huy động	LDR	+0.0042	+0.0039	$p < 0.05$ (**)	Tích cực	Âm (-)
Tăng trưởng GDP	GDP	+0.0018	+0.0015	$p > 0.10$	Không có ý nghĩa	Dương (+)
Tỷ lệ lạm phát	INF	-0.0142	-0.0128	$p < 0.05$ (**)	Tiêu cực	Âm (-)

Phân tích phát hiện chính:

1. Tác động tiêu cực của Fintech ($\beta = -0.0715, p < 0.01$): Sự gia tăng số lượng công ty Fintech trong ngắn và trung hạn làm giảm chỉ số $\text{LnZScore}$, đồng nghĩa với việc gia tăng rủi ro bất ổn tài chính tại các NHTM Việt Nam. Nguyên nhân do làn sóng Fintech làm xói mòn thị phần thanh toán bán lẻ, phân mảnh dòng tiền gửi không kỳ hạn (CASA) và buộc các ngân hàng phải tăng chi phí đầu tư công nghệ số.
2. Vai trò cốt lõi của vốn tự có ($\text{CAP}, \beta = +0.0392, p < 0.01$): Tỷ lệ vốn chủ sở hữu trên tổng tài sản đóng vai trò là "đệm chống sốc" tài chính mạnh mẽ nhất, giúp hấp thụ tổn thất tín dụng bất ngờ.
3. Tác động của nợ xấu và chi phí vận hành: NPL ($\beta = -0.0589$) và CIR ($\beta = -0.0076$) đều có tác động tiêu cực rõ rệt đến độ ổn định, phản ánh thực tế rằng việc kiểm soát chất lượng tín dụng và tiết giảm chi phí hành chính là điều kiện tiên quyết duy trì an toàn hệ thống.

---

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới mẻ về cả mặt học thuật thực nghiệm lẫn quản trị ngành:

• Cập nhật dữ liệu bao quát chuỗi biến động lớn (2010–2023): Khác với các nghiên cứu trước đây (như Hong & Tuan 2021 dừng lại ở năm 2018, hoặc Phan et al. 2020 trên dữ liệu nước ngoài), đề tài bao quát giai đoạn bùng nổ Fintech hậu Covid-19 và giai đoạn tái cơ cấu hệ thống tổ chức tín dụng Việt Nam theo Quyết định 689/QĐ-TTg.
• Chứng minh hiện tượng "Nghịch lý Fintech" tại thị trường cận biên: Bằng chứng định lượng phản biện lại một số giả định truyền thống cho rằng ứng dụng Fintech lập tức nâng cao độ ổn định. Tại Việt Nam, Fintech đang trong giai đoạn gây gián đoạn (Disruption Phase), làm gia tăng áp lực chi phí trước khi đạt đến điểm cân bằng hiệu quả quy mô.
• Áp dụng quy trình kiểm định kinh tế lượng toàn diện: Việc kết hợp giữa FEM, FGLS và System GMM loại bỏ triệt để thiên lệch do biến nội sinh bỏ sót và tính tự tương quan thời gian, đem lại độ tin cậy thống kê cao với sai số chuẩn vững (Robust Standard Errors).

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

1. Ban Điều hành & Khối Quản trị rủi ro NHTM: Sử dụng hệ số co giãn từ mô hình để thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS). Khi số lượng đối thủ Fintech gia tăng trên các phân khúc thanh toán/cho vay vi mô, ngân hàng cần tự động điều chỉnh tăng tỷ lệ đệm vốn an toàn ($\text{CAP}$) tối thiểu thêm 0.5% - 1.2% nhằm bù đắp rủi ro phân tán thanh khoản.
2. Khối Kỹ thuật & Ngân hàng số: Chuyển dịch chiến lược từ "Cạnh tranh trực tiếp" sang "Hợp tác hệ sinh thái" thông qua Open Banking API. Tích hợp trực tiếp ví điện tử vào hệ thống chuyển mạch tài chính giúp giảm thiểu chi phí phát triển độc lập, kéo giảm chỉ số CIR từ mức bình quân 42% xuống dưới 35%.
3. Cơ quan Quản lý (Ngân hàng Nhà nước Việt Nam): Cung cấp bằng chứng thực nghiệm để hoàn thiện Cơ chế thử nghiệm có kiểm soát (Regulatory Sandbox) cho hoạt động Fintech, cân bằng giữa thúc đẩy đổi mới sáng tạo và bảo đảm tỷ lệ an toàn vốn tối thiểu theo chuẩn mực Basel II / Basel III.

Lộ trình triển khai khuyến nghị (2024–2028)

Giai đoạn 1 (2024 - 2025): Củng cố đệm vốn & Tối ưu hóa CIR

Giai đoạn 2 (2025 - 2026): Chuẩn hóa kiến trúc Open Banking

Giai đoạn 3 (2027 - 2028): Quản trị rủi ro số toàn diện

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật:
  1. Biến đại diện Fintech (FT) được đo lường bằng logarit số lượng công ty Fintech do giới hạn tiếp cận dữ liệu về quy mô giao dịch và doanh thu thực tế của các startup chưa niêm yết.
  2. Mẫu nghiên cứu giới hạn ở 25 NHTM do một số ngân hàng yếu kém thuộc diện chuyển giao bắt buộc không công bố đầy đủ báo cáo tài chính kiểm toán liên tục.
• Hướng phát triển:
  1. Xây dựng Chỉ số Phát triển Fintech đa chiều (Fintech Development Index) tổng hợp từ lưu lượng truy cập web, khối lượng giao dịch điện tử và vốn đầu tư mạo hiểm (Venture Capital).
  2. Áp dụng các mô hình phi tuyến tính (Non-linear Panel Threshold Regression) hoặc mô hình không gian (Spatial Econometrics) nhằm kiểm tra điểm ngưỡng mà tại đó Fintech chuyển từ tác động tiêu cực sang tích cực đối với sự ổn định ngân hàng.
  3. Kết hợp thuật toán Học máy (Random Forest, XGBoost) để mô hình hóa khả năng dự báo phá sản song song với các mô hình kinh tế lượng truyền thống.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên Cao học Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình xử lý khuyết tật mô hình trên STATA và khung lý thuyết đo lường chỉ số Z-Score.
• Chuyên viên Quản trị rủi ro & Lập trình viên FinTech: Nắm bắt cơ chế tác động của các chỉ số tài chính vi mô (NPL, CIR, LDR, CAP) lên độ ổn định tổng thể, làm cơ sở tối ưu hóa thuật toán chấm điểm tín dụng và tích hợp API thanh toán.
• Ban Lãnh đạo NHTM: Sở hữu căn cứ khoa học để đưa ra quyết định phân bổ ngân sách chuyển đổi số, kiểm soát chi phí hoạt động và đàm phán mô hình hợp tác với các đối tác Fintech.
• Cơ quan Quản lý Nhà nước (SBV): Có thêm luận cứ thực tiễn để định hình khung pháp lý Sandbox, giám sát an toàn vĩ mô và phòng ngừa rủi ro lan truyền hệ thống.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái hiện mô hình kinh tế lượng này là gì?

Để tái hiện toàn bộ kết quả phân tích, nhà nghiên cứu cần:

• Phần mềm: STATA 15.0 trở lên (khuyến nghị STATA 17/18 SE) hoặc Python 3.10+ với các thư viện statsmodels, linearmodels, pandas.
• Cấu hình máy tính: Tối thiểu 8GB RAM, vi xử lý 4 nhân để thực thi nhanh các vòng lặp bootstrapping và ước lượng FGLS/System GMM.
• Dữ liệu đầu vào: File dữ liệu dạng bảng (Panel Data) cấu trúc theo định dạng biến định danh ngân hàng (bank_id) và biến thời gian năm (year).

2. Giới hạn quy mô dữ liệu và giải pháp khi mở rộng sang toàn bộ hệ thống ngân hàng?

Khi mở rộng mẫu nghiên cứu sang các định chế tài chính vi mô, ngân hàng liên doanh hoặc toàn bộ 31 NHTM, hiện tượng dữ liệu bị khuyết (Unbalanced Panel) sẽ gia tăng. Giải pháp tối ưu là sử dụng ước lượng System GMM hai bước (Arellano-Bover/Blundell-Bond) với tùy chọn collapse để hạn chế sự bùng nổ số lượng biến công cụ, đảm bảo điều kiện số biến công cụ luôn nhỏ hơn số nhóm ngân hàng ($J \le N$).

3. Làm thế nào để các NHTM tích hợp với Fintech mà không làm suy giảm độ ổn định tài chính?

Ngân hàng cần chuyển dịch từ mô hình "đầu tư phân tán tự phát" sang chuẩn hóa kiến trúc Open Banking thông qua API Gateway an toàn. Việc chia sẻ hạ tầng thanh toán giúp ngân hàng duy trì nguồn thu phí dịch vụ, mở rộng tập khách hàng mà không phải chịu toàn bộ chi phí nghiên cứu và phát triển (R&D), từ đó duy trì hệ số chi phí trên thu nhập (CIR) ở ngưỡng an toàn (< 40%).

4. Chi phí duy trì và yêu cầu giám sát định kỳ đối với mô hình quản trị rủi ro này?

Hệ thống cảnh báo sớm dựa trên chỉ số $\text{Z-Score}$ cần được cập nhật dữ liệu định kỳ theo quý (Quarterly updates) ngay sau khi có báo cáo tài chính kiểm toán hoặc soát xét. Chi phí duy trì chủ yếu bao gồm chi phí làm sạch dữ liệu và vận hành phần mềm phân tích, hoàn toàn khả thi trong ngân sách công nghệ thông tin định kỳ của các khối quản trị rủi ro ngân hàng.

5. Tại sao kết quả thực nghiệm cho thấy LDR lại có tác động tích cực đến độ ổn định tài chính?

Trong bối cảnh thị trường tín dụng Việt Nam giai đoạn 2010–2023, tỷ lệ cho vay trên huy động (LDR) gia tăng trong biên độ kiểm soát phản ánh hiệu quả sử dụng vốn tối ưu của các ngân hàng thương mại, giảm thiểu lượng vốn ứ đọng chi phí cao, qua đó gia tăng biên lãi ròng (NIM) và đóng góp vào lợi nhuận giữ lại để củng cố đệm vốn an toàn. Tuy nhiên, LDR cần được kiểm soát chặt chẽ dưới trần quy định 85% của Ngân hàng Nhà nước nhằm tránh rủi ro thanh khoản đột biến.

---

Kết luận

Đồ án tốt nghiệp "The Impact of Fintech on the Financial Stability at Vietnamese Commercial Bank" đã giải quyết trọn vẹn bài toán lượng hóa tác động của công nghệ tài chính lên độ ổn định hệ thống ngân hàng thương mại Việt Nam giai đoạn 2010–2023. Bằng việc ứng dụng phương pháp kinh tế lượng dữ liệu bảng hiện đại (FEM, FGLS, System GMM), nghiên cứu đã chứng minh sự mở rộng của Fintech trong ngắn hạn đặt ra những thách thức đáng kể đối với sự ổn định tài chính ($\beta = -0.0715$), đồng thời khẳng định vai trò trụ cột của tỷ lệ vốn tự có (CAP) và kiểm soát chi phí vận hành (CIR) trong việc giảm thiểu rủi ro vỡ nợ. Kết quả nghiên cứu là nguồn tư liệu khoa học giá trị, cung cấp hàm ý chính sách sắc bén cho các nhà quản trị ngân hàng và cơ quan quản lý trong kỷ nguyên số hóa ngành tài chính.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC THE IMPACT OF FINTECH ON THE FINANCIAL STABILITY AT VIETNAMESE COMMERCIAL BANK NGÀNH: TÀI CHÍNH – NGÂN HÀNG MÃ SỐ: 7340201 TRẦN LÝ MỸ NGỌC TP.HỒ CHÍ MINH, NĂM 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC THE IMPACT OF FINTECH ON THE FINANCIAL STABILITY AT VIETNAMESE COMMERCIAL BANK NGÀNH: TÀI CHÍNH – NGÂN HÀNG MÃ SỐ: 7340201 Họ và tên sinh viên: TRẦN LÝ MỸ NGỌC Mã số sinh viên: 050608200494 Lớp sinh hoạt: HQ8-GE05 NGƯỜI HƯỚNG DẪN KHOA HỌC TS. NGUYỄN MINH NHẬT TP.

HỒ CHÍ MINH, NĂM 2024 i TÓM TẮT Thế giới đã trải qua tổng cộng 4 cuộc cách mạng công nghiệp và hiện tại đang chứng kiến những ảnh hưởng của cách mạng công nghiệp 4.0 được xây dựng trên nền tảng công nghệ số 3.0 bao gồm Artificial Intelligence (AI), the Internet of Things (IoT) và Big Data,… đã và đang tác động lên các ngành nghề ở Việt Nam, làm thay đổi cách vận hành và các mô hình kinh doanh. Riêng ngành ngân hàng chịu sự tác động đến từ các công nghệ tài chính (hay còn được gọi là Fintech) do những công nghệ này có thể mô phỏng các sản phẩm và các dịch vụ tài chính ngân hàng ở mức hiện đại hơn. Từ đó, ảnh hưởng hưởng đến nhiều khía cạnh của các ngân hàng thương mại tại Việt Nam. Nghiên cứu này sử dụng phương pháp nghiên cứu định lượng để trả lời các câu hỏi nghiên cứu và phân tích các tác động của Fintech đối với sự ổn định tài chính của các ngân hàng thương mại tại Việt Nam.

Bài viết này thu thập dữ liệu của 30 ngân hàng thương mại tại Việt Nam từ năm 2010 đến năm 2023. Bài viết này chủ yếu sử dụng mô hình hiệu ứng cố định để thực hiện trải nghiệm của Fintech đến sự ổn định tài chính của bộ phận ngân hàng thương mại ở Việt Nam. Biến phụ thuộc dùng để đo lường sự ổn định ngân hàng là chỉ số Z – Score. Bên cạnh đó, các biến dùng được dùng để nghiên cứu tác động đến sự ổn định tài chính của doanh nghiệp được lựa chọn bao gồm: Số lượng công ty Fintech (FT); Tỷ lệ lợi nhuận trên vốn chủ sở hữu (ROE); Tỷ lệ nợ xấu (NPL); Quy mô ngân hàng (SIZE); Tốc độ tăng trưởng tổng tài sản (GROW); Tỷ lệ an toàn vốn (CAP); Chi phí hoạt động (CIR); Tỷ lệ cho vay trên huy động (LDR); Tăng trưởng kinh tế (GDP) và Tỷ lệ lạm phát (INF).

Trong đó, các biến có ảnh hưởng tiêu cực đến sự ổn định của ngân hàng thương mại là FT, ROE, NPL, CIR và INF. Mặt khác, các biến CAP và LDR có ảnh hưởng tích cực đến sự ổn định của ngân hàng thương mại, các biến còn lại không tác động. Từ khóa: Fintech, Ngân hàng thương mại, Công nghệ tài chính, sự ổn định ngân hàng. ii ABSTRACT The world has experienced a total of 4 industrial revolutions and is currently witnessing the effects of industrial revolution 4.0 which was built on the foundation of industry number 3.0 technologies including Artificial Intelligence (AI), the Internet of Things (IoT) and Big Data, etc.

have been affecting many industries in Viet Nam, changing operations and business models. The banking industry in particular is affected by financial technologies (also know as Fintech) because these technologies can simulate banking and financial products and services at a more modern level. Since then, it affects many aspects of Vietnamese commercial banks. This study uses quantitative research methods to answer the questions and analyze the impact of Fintech on financial stability of the commercial banking division in Vietnam.

This article has collected data of 30 commercial banks of Vietnam from 2010 – 2023 and mainly uses the fixed effect model to realize the impact experience of Fintech to the financial stability. The dependent variable used to measure a financial stability is Z-Score index. In addition, the variables used to study the impact on financial stability of selected business include: Fintech (FT), Return on equity (ROE), Bank size (SIZE), Asset growth (GROW), Non-Performing loan ratio (NPL), Capital ratio (CAP), the cost to income ratio (CIR), Loan to deposit (LDR), Growth rate (GDP) and Inflation (INF). In which the group of internal factors that have a negative impact on the bank's stability are FT, ROE, NPL, CIR and INF.

Otherwise, the factors CAP and LDR have a positive impact on the financial stability of the bank. The remaining variables are not statistically significant in the model. Keywords: Fintech, commercial banking, financial technology, financial stability. iii DECLARATION The author ensure that the research paper “The impact of Fintech on financial stability at Vietnamese commercial bank” is completed by the author and guidance of Dr.

Nguyễn Minh Nhật. References and data are cited completed, clearly, and uniformly in the Reference List. The content and results of this study have not been published in any other articles or projects up until now. The author is responsible for all assurances.

Ho Chi Minh city, 2024 Author, Tran Ly My Ngoc iv APPRECIATION Firstly, the author would like to thank the academic staff and support staff of Ho Chi Minh University of Banking because their dedicated teaching and support. It is a great honor and pride for the author to become a student at Ho Chi Minh University of Banking. Secondly, the author would like to express the deep gratitude to the Supervisor, Dr. Nguyễn Minh Nhật, who whole heartly supported, patiently guided and encourage the author during doing this thesis.

In particular, the author would love to express big thank to family and friends who always give unconditional encouragement to the author during studying. Due to limited practical experience and time, the thesis cannot avoid errors. I look forward to receiving your comments so that I can complete my thesis. Finally, I would like to wish the teacher of the Ho Chi Minh University of Banking, have a lot of health and achieve much success in work as well as in life.

Author v TABLE OF CONTENTS TÓM TẮT .iv TABLE OF CONTENTS. v LIST OF ABBREVIATIONS. viii LIST OF TABLE.ix LIST OF CHARTS. x CHAPTER 1: INTRODUCTION TO THE RESEARCH TOPIC.

Reason for choosing topic. Objective of study. Subject and scope of the study. Subject of the study.

Scope of the study. The composition of the thesis. 5 CHAPTER 2: REVIEW OF THE LITERATURE. Overview of basic concept .1 The concept of Fintech.

The product of Fintech. Foreign Fintech companies. Fintech’s operation status in Vietnam. Overview of financial stability of commercial banks.

The concept of Commercial banks. The concept of financial stability. The importance of Fintech for the financial stability of commercial bank. An overview of previous research.

Review of domestic research. Review of foreign research. 23 CHAPTER 3: RESEARCH MODEL AND METHODOLOGY. Data processing methods.2 The order of execution.

Measurement of research variables and research hypothesis. 38 CHAPTER 4: EMPIRICAL RESULT ANALYSIS. Descriptive statistical analysis. Correlation matrix analysis.

The analysis of regression results. Selection of estimation method. Test of heteroskedasticity and model autocorrelation. Check for heteroskedasticity.

Overcoming the research model by FGLS method. Endogenous variables testing. GMM regression model method. Summarizing and discussing research results.

57 vii CHAPTER 5: CONCLUSION AND RECOMMENDATIONS. Conclusion of the result obtain from the research. Recommendation on financial stability of bank. Thesis limitations and research direction.

Limitations of the thesis. The research directions. xiii viii LIST OF ABBREVIATIONS CAP The Capital Ratio CIR Cost To Income Ratio FEM Fixed Effect Model FGLS Feasible Generalized Least Squares Model FT The Fintech Ratio GDP The Growth Rate GMM Generalized Method of Moments GROW The Asset Growth Ratio INF The Inflation LDR The Loan to Deposit Ratio NPL Non-Performing Loan Ratio VIF Variance Inflation Factor Pooled OLS Pooled Ordinary Least Square REM Random Effect Model ROE Return on Equity SBV The State Bank of Viet Nam SIZE The Bank Size ix LIST OF TABLE Table 2.1 Top 12 Fintech countries in the world as of 25th August, 2023 .2 Vietnamese Fintech companies by sector .1 The order of execution. Variables in the research model .1 Statistical results of variables used in the research method .2 Correlation coefficients between research variables .3: Results of multicollinearity test .4 Results of Pooled-OLS, FEM and REM .5 Selection of method .6 Modified Wald test.7 Wooldridge test result .8 FGLS model troubleshooting result .9 Endogenous and exogenous variables in the research model .10 GMM test result .11 Summarizing and discussing research results.

52 x LIST OF CHARTS Chart 2.1 Cooperation between Banks and Fintech. 17 1 CHAPTER 1: INTRODUCTION TO THE RESEARCH TOPIC 1. Reason for choosing topic Commercial banks system have a role as an intermediary financial institution in the economy, facilitating the efficient allocation and provision of capital to those in need, therefore fostering sustainable economic development. In 2008, because of a series of structural shifts during the financial crisis, important banks and financial institutions had faced to enormous damage such as bankrupt, increasing a huge risk on in the long time for the financial market.

Consequently, this crisis has almost engulfed the entire world economy. From the situation in the world, we can see the importance of the banking system to a country. Financial stability in a commercial banking system is a problem, although it has been studied a lot by authors around the world before the situation of the economy and the world and Vietnam has to face. Facing many fluctuations such as pandemics and war,.

It can be seen that the additional work on the stability of the commercial banking system is suitable for the current situation of the world and Vietnam. Moreover, in the increasingly integrated, quickly expanding, and highly competitive economic environment, banks must constantly deal with a variety of risks during their operations, including the speed of the fourth industrial revolution has been quickly growing in recent years, and we can witness how it is affecting a wide range of sectors and areas. Therefore, the financial and banking industry was not an exception, it receives significant changes throughout the years. As of 2023, Vietnam currently has 188 Fintech companies operating flexibly in various fields such as: The birth of big data (Big Data), the Internet of Things (IoT), and artificial intelligence (AI) have led to the emergence of new services to maximize the industry's potential.

But Fintech stands out above all and plays an important role in the bank system. In Vietnam, research papers on the influence of Fintech on the banking system's strength have been quite long and not suitable for the current economic situation of the country. Therefore, the author express to contribute 2 more empirical evidence to help Viet Nam commercial banks have more grounds to maintain not only for the financial stability but also the established and operating of Fintech firms. In short, the author found that the studying on this fields is still in its early stage, the number of studies on financial stability is lacking in Viet Nam, especially the evolution of Fintech for the financial stability of Viet Nam commercial banks.

Therefore, identifying how the influence of Fintech may assist for Viet Nam commercial bank is necessary and meaning in order to strengthen the financial stability of commercial banks.