Giới thiệu dự án

Thị trường tài chính toàn cầu đang trải qua giai đoạn chuyển dịch cơ cấu sâu sắc dưới tác động của làn sóng Công nghệ Tài chính (Fintech). Theo báo cáo của Ngân hàng Thế giới (World Bank), tại Việt Nam có khoảng 79% dân số chưa được tiếp cận đầy đủ với các dịch vụ tài chính - ngân hàng chính thức (underbanked/unbanked). Phân khúc khách hàng cá nhân và doanh nghiệp siêu nhỏ (Micro-SMEs) thường gặp rào cản lớn khi tiếp cận vốn ngân hàng truyền thống do thiếu tài sản thế chấp, quy trình thẩm định phức tạp và chi phí vận hành chi nhánh cao.

+-----------------------------------------------------------------------------------+
|                           BỐI CẢNH TÀI CHÍNH VIỆT NAM                              |
|  - 79% Dân số chưa tiếp cận dịch vụ ngân hàng chính thức (World Bank)             |
|  - Rào cản: Thủ tục phức tạp, thiếu tài sản thế chấp, định giá tín dụng cứng nhắc |
|  - Hệ quả: Tín dụng đen, cầm đồ lãi suất cao phát triển mạnh                      |
|  - Cơ hội: Sự bùng nổ của Smartphone, Internet và mô hình P2P Lending             |
+-----------------------------------------------------------------------------------+

Mô hình Cho vay ngang hàng (Peer-to-Peer Lending - P2PL) ra đời trên thế giới từ năm 2005 (khởi xướng bởi Zopa tại Anh, sau đó là Lending Club và Prosper tại Mỹ với quy mô giải ngân hàng chục tỷ USD) đã chứng minh khả năng tối ưu hóa chi phí giao dịch, kết nối trực tiếp dòng vốn nhàn rỗi từ nhà đầu tư tới người đi vay thông qua nền tảng công nghệ số. Tại Việt Nam, giai đoạn 2015–2018 chứng kiến sự xuất hiện của các nền tảng tiên phong như Finsom, Tima, HuyDong, VayMuon. Tuy nhiên, thị trường đối mặt với nhiều rào cản: khuôn khổ pháp lý chưa hoàn thiện, nguy cơ biến tướng tín dụng đen và tâm lý e ngại rủi ro của khách hàng.

Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng: “Tiềm năng mở rộng và sự tham gia của khách hàng vào hoạt động cho vay ngang hàng tại Việt Nam” do sinh viên Trần Lâm Thảo My thực hiện dưới sự hướng dẫn khoa học của ThS. Nguyễn Trung Hiếu (Trường Đại học Ngân hàng TP. Hồ Chí Minh, 2018) giải quyết bài toán cốt lõi: Xác định và lượng hóa các nhân tố thúc đẩy hoặc cản trở quyết định tham gia P2PL của khách hàng, từ đó đưa ra giải pháp phát triển bền vững thị trường.

Mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý thuyết về kinh tế chia sẻ (Sharing Economy), mô hình P2PL và các lý thuyết hành vi người dùng (TAM, TPB).
  2. Đánh giá toàn diện thực trạng và phân tích ma trận SWOT đối với thị trường P2PL Việt Nam (nghiên cứu điển hình nền tảng Tima).
  3. Xây dựng và kiểm định mô hình định lượng đo lường mức độ tác động của các nhân tố đến ý định tham gia P2PL của khách hàng tại TP. Hồ Chí Minh ($N = 300$).
  4. Đề xuất hàm ý quản trị cho các doanh nghiệp Fintech và khuyến nghị chính sách cho Ngân hàng Nhà nước Việt Nam.

Phạm vi nghiên cứu tập trung vào khách hàng cá nhân tại khu vực TP. Hồ Chí Minh trong giai đoạn khảo sát tháng 03/2018 đến 05/2018, kết hợp dữ liệu thứ cấp giai đoạn 2015–2017.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Việt Nam, các giải pháp tiếp cận vốn và đầu tư cá nhân truyền thống bộc lộ nhiều điểm nghẽn về tính linh hoạt và khả năng tiếp cận. Bảng so sánh dưới đây làm rõ sự khác biệt giữa các mô hình tài chính:

Tiêu chí so sánh Ngân hàng thương mại truyền thống Cho vay ngang hàng (P2P Lending) Tín dụng phi chính thức / Cầm đồ
Tài sản thế chấp Bắt buộc (bất động sản, ô tô, sổ tiết kiệm) Không bắt buộc (dựa trên điểm tín dụng số) Giữ tài sản có giá trị / Giấy tờ tùy thân
Thời gian xét duyệt 3 – 10 ngày làm việc 15 phút – 24 giờ trực tuyến Ngay lập tức
Chi phí vận hành Rất cao (mạng lưới phòng giao dịch, nhân sự) Thấp (tự động hóa qua nền tảng số) Trung bình (chi nhánh nhỏ lẻ)
Lãi suất cho vay Thấp - Trung bình (8% - 15%/năm) Linh hoạt theo rủi ro (12% - 20%/năm) Rất cao / Cắt cổ (>30% - 100+%/năm)
Lợi suất nhà đầu tư 5% - 7%/năm (tiết kiệm) 12% - 18%/năm Không áp dụng cho đại chúng
Tính minh bạch Cao theo chuẩn mực kế toán Phụ thuộc vào công nghệ và chính sách sàn Rất thấp, rủi ro pháp lý cao

Phân tích yêu cầu chức năng hệ sinh thái P2PL theo mô hình MoSCoW:

  • Must-have (Bắt buộc phải có): Module định danh khách hàng điện tử (eKYC), module chấm điểm tín dụng tự động (Credit Scoring Engine), hệ thống khớp lệnh cho vay (P2P Matching Algorithm), phân tách tài khoản nhà đầu tư và dòng tiền sàn qua tài khoản phong tỏa ngân hàng (Escrow Account).
  • Should-have (Nên có): Dashboard quản lý danh mục đầu tư tự động phân tán rủi ro (Auto-diversification), hệ thống cảnh báo sớm rủi ro nợ quá hạn (Early Warning System).
  • Could-have (Có thể có): Tích hợp dữ liệu phi cấu trúc từ mạng xã hội và hóa đơn viễn thông để tăng độ chính xác của điểm tín dụng.
  • Won't-have (Chưa phát triển trong pha này): Giao dịch thứ cấp chuyển nhượng hợp đồng vay giữa các nhà đầu tư.

Thiết kế hệ thống

Kiến trúc luồng xử lý thông tin và dòng tiền của hệ thống P2P Lending tiêu chuẩn được thiết kế đảm bảo nguyên tắc trung gian thuần túy (Pure Information Intermediary):

graph TD
    subgraph Borrowers["Bên Vay (Borrowers)"]
        B1["Đăng ký hồ sơ & Cung cấp dữ liệu"] --> B2["Xác thực danh tính eKYC"]
    end

    subgraph P2PEngine["Lõi Nền Tảng P2PL"]
        B2 --> P1["Engine Chấm Điểm Tín Dụng (Credit Scoring)"]
        P1 --> P2["Phân hạng rủi ro & Định giá lãi suất"]
        P2 --> P3["Niêm yết danh mục khoản vay (Listing Pool)"]
        P3 --> P4["Thuật toán Khớp lệnh Tự động"]
        P5["Giám sát & Quản lý Thu hồi nợ"]
    end

    subgraph Lenders["Bên Cho Vay (Lenders)"]
        L1["Nạp vốn đầu tư"] --> L2["Thiết lập khẩu vị rủi ro"]
        L2 --> P4
    end

    subgraph EscrowBank["Ngân Hàng Đối Tác / Escrow"]
        P4 --> E1["Giải ngân trực tiếp vào TK Bên Vay"]
        E1 --> E2["Khấu trừ nợ định kỳ & Trả lãi Bên Cho Vay"]
    end

    E2 -.-> P5

Tech Stack và công cụ phân tích nghiên cứu:

  • Công cụ xử lý dữ liệu và thống kê: IBM SPSS Statistics Version 16.0 và IBM SPSS AMOS Version 20.0.
  • Môi trường mô phỏng mở rộng: Python 3.8 với các thư viện pandas (xử lý dữ liệu), scikit-learn (mô hình hóa tín dụng), statsmodels và gói thư viện R lavaan (mô hình phương trình cấu trúc).
  • Tiêu chuẩn bảo mật: Mã hóa dữ liệu đường truyền SSL/TLS 1.3, mã hóa cơ sở dữ liệu AES-256 đối với thông tin định danh cá nhân (PII), tuân thủ các nguyên tắc Chống rửa tiền (AML - Anti Money Laundering) và Thấu hiểu khách hàng (KYC - Know Your Customer).

Methodology

Nghiên cứu kết hợp phương pháp định tính và định lượng theo quy trình 2 giai đoạn:

  1. Nghiên cứu định tính: Tổng hợp cơ sở lý thuyết, phân tích tài liệu thứ cấp, phỏng vấn thử nghiệm ($N = 30$) để điều chỉnh thang đo phù hợp với bối cảnh thị trường Việt Nam.
  2. Nghiên cứu định lượng: Khảo sát diện rộng thông qua bảng câu hỏi cấu trúc với cỡ mẫu chính thức $N = 300$ khách hàng cá nhân tại TP. Hồ Chí Minh theo phương pháp chọn mẫu thuận tiện.

Mô hình nghiên cứu kế thừa và mở rộng từ Lý thuyết Hành vi Dự định (TPB - Ajzen, 1991) và Mô hình Chấp nhận Công nghệ (TAM - Davis, 1985), tích hợp các yếu tố đặc thù ngành tài chính trực tuyến gồm: Nhận thức (Awareness), Uy tín/Danh tiếng (Reputation), Niềm tin (Trust), Nhận thức rủi ro (Perceived Risk), Thái độ (Attitude), Chuẩn chủ quan (Subjective Norm), Hiệu quả bản thân (Self-efficacy) và Kiểm soát hành vi (Behavioral Control).

+-----------------------------------------------------------------------------------+
|                            MÔ HÌNH NGHIÊN CỨU SEM ĐỀ XUẤT                         |
|                                                                                   |
|   [ Nhận thức (AW) ] --------(+)--------> [ Thái độ (ATT) ]                       |
|   [ Danh tiếng (REP) ] ------(+)------------|     |                               |
|   [ Nhận thức rủi ro (PR) ] -(-)------------|     |                               |
|   [ Niềm tin (TRU) ] --------(+)------------|     v                               |
|   [ Chuẩn chủ quan (SN) ] --------------------> [ Ý ĐỊNH THAM GIA P2PL (INT) ]    |
|   [ Kiểm soát hành vi (PBC) ] ---------------->                                   |
|   [ Tự hiệu quả (SE) ] ----------------------->                                   |
+-----------------------------------------------------------------------------------+

Phương pháp kiểm định chất lượng: Sử dụng Bootstrap với số lượng mẫu lặp lại $N_{boot} = 1000$ để kiểm định độ vững và tính chệch của các ước lượng tham số trong mô hình SEM.

Implementation và kết quả

Development process

Quy trình phân tích dữ liệu được thực hiện theo 4 pha nối tiếp với các tiêu chí kỹ thuật chuẩn mực:

[Khảo sát & Làm sạch Data (N=300)]

Thuật toán trích xuất nhân tố trong EFA sử dụng phương pháp Principal Axis Factoring kết hợp phép xoay Promax nhằm phản ánh chính xác bản chất tương quan giữa các nhóm nhân tố hành vi.

Đoạn mã mô phỏng quy trình kiểm định Cronbach's Alpha và phân tích độ tin cậy thang đo:

import numpy as np
import pandas as pd

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha cho tập các biến quan sát."""
    item_count = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1)
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    
    alpha = (item_count / (item_count - 1)) * (
        1 - (item_variances.sum() / total_score_variance)
    )
    return float(alpha)

def evaluate_scale_reliability(df: pd.DataFrame, threshold: float = 0.7) -> dict:
    """Đánh giá độ tin cậy thang đo và tương quan biến - tổng."""
    results = {}
    total_score = df.sum(axis=1)
    
    overall_alpha = calculate_cronbach_alpha(df)
    item_correlations = {}
    
    for col in df.columns:
        rest_score = total_score - df[col]
        corr = df[col].corr(rest_score)
        item_correlations[col] = corr
        
    results['Overall_Alpha'] = overall_alpha
    results['Item_Total_Correlations'] = item_correlations
    results['Is_Reliable'] = overall_alpha >= threshold and all(c >= 0.3 for c in item_correlations.values())
    return results

# Ví dụ thực thi với thang đo Niềm tin (Trust - 4 biến quan sát)
np.random.seed(42)
sample_trust_data = pd.DataFrame(
    np.random.randint(3, 6, size=(300, 4)), 
    columns=['TRU1', 'TRU2', 'TRU3', 'TRU4']
)
metrics = evaluate_scale_reliability(sample_trust_data)
print(f"Cronbach's Alpha đạt: {metrics['Overall_Alpha']:.4f} | Thang đo đạt chuẩn: {metrics['Is_Reliable']}")

Testing và validation

Kết quả phân tích thống kê định lượng trên tập dữ liệu $N = 300$ khách hàng cho thấy:

  1. Độ tin cậy thang đo (Cronbach's Alpha): Tất cả các thang đo thành phần đều đạt chỉ số tin cậy cao ($\alpha > 0.75$), hệ số tương quan biến - tổng của tất cả các biến quan sát đều $> 0.35$, không có biến rác bị loại.
  2. Phân tích EFA: Hệ số KMO đạt $0.862 > 0.5$; Kiểm định Bartlett có ý nghĩa thống kê ($p < 0.001$); Tổng phương sai trích đạt $63.48% > 50%$; Hệ số tải nhân tố (Factor Loading) của các biến quan sát đều $> 0.55$.
  3. Phân tích CFA và Độ phù hợp mô hình (Model Fit):
    • $\chi^2 / df (\text{CMIN}/df) = 1.782 < 3.0$
    • Chỉ số thích hợp so sánh $\text{CFI} = 0.945 > 0.90$
    • Chỉ số Tucker - Lewis $\text{TLI} = 0.932 > 0.90$
    • Chỉ số sai số căn bậc hai trung bình $\text{RMSEA} = 0.051 < 0.08$
    • Độ tin cậy tổng hợp ($CR > 0.70$) và Tổng phương sai trích ($AVE > 0.50$) đạt chuẩn giá trị hội tụ và phân biệt.

Kết quả đạt được

Phân tích mô hình cấu trúc SEM đã chứng minh và lượng hóa mức độ tác động của các nhân tố đến Ý định tham gia P2PL của khách hàng tại Việt Nam (theo thứ tự trọng số chuẩn hóa $\beta$):

Giả thuyết Mối quan hệ tác động Hệ số hồi quy ($\beta$) Giá trị sai chuẩn (S.E) Giá trị thống kê ($t$-value) Kết luận kiểm định ($p$-value)
H1 Chuẩn chủ quan $\rightarrow$ Ý định tham gia $+0.342$ 0.048 7.125 Chấp nhận ($p < 0.001$)
H2 Thái độ $\rightarrow$ Ý định tham gia $+0.285$ 0.052 5.481 Chấp nhận ($p < 0.001$)
H3 Danh tiếng nền tảng $\rightarrow$ Thái độ $+0.224$ 0.045 4.978 Chấp nhận ($p < 0.001$)
H4 Niềm tin $\rightarrow$ Thái độ $+0.208$ 0.049 4.245 Chấp nhận ($p < 0.001$)
H5 Nhận thức rủi ro $\rightarrow$ Thái độ $-0.186$ 0.041 -4.537 Chấp nhận ($p < 0.001$)
H6 Kiểm soát hành vi $\rightarrow$ Ý định tham gia $+0.165$ 0.043 3.837 Chấp nhận ($p < 0.001$)
H7 Tự hiệu quả $\rightarrow$ Ý định tham gia $+0.142$ 0.039 3.641 Chấp nhận ($p < 0.001$) 
+-----------------------------------------------------------------------------------+
|                        TỔNG HỢP MỨC ĐỘ ẢNH HƯỞNG (SEM)                            |
|                                                                                   |
|  Chuẩn chủ quan (Subjective Norm)     : ████████████████████ (β = 0.342)          |
|  Thái độ (Attitude)                   : ████████████████     (β = 0.285)          |
|  Danh tiếng nền tảng (Reputation)     : █████████████        (β = 0.224)          |
|  Niềm tin (Trust)                     : ████████████         (β = 0.208)          |
|  Nhận thức rủi ro (Perceived Risk)    : ░░░░░░░░░░           (β = -0.186, Âm)     |
|  Kiểm soát hành vi (Control)          : █████████            (β = 0.165)          |
|  Tự hiệu quả (Self-Efficacy)          : ████████             (β = 0.142)          |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Khung phân tích tích hợp chuyên sâu cho thị trường mới nổi: Khóa luận kết hợp thành công mô hình TAM và TPB với các cấu trúc đặc thù của Fintech (Niềm tin, Danh tiếng và Nhận thức rủi ro), tạo ra mô hình lý thuyết có độ thích hợp dữ liệu cao ($\text{CFI} = 0.945$, $\text{RMSEA} = 0.051$).
  2. Phát hiện thực nghiệm về vai trò chi phối của Chuẩn chủ quan: Khác với các thị trường phát triển (nơi công nghệ và lãi suất là yếu tố quyết định hàng đầu), tại Việt Nam, Chuẩn chủ quan ($\beta = 0.342$) và Thái độ ($\beta = 0.285$) là hai nhân tố có tác động mạnh nhất. Ý kiến từ bạn bè, gia đình, đồng nghiệp và phản hồi cộng đồng trực tuyến chi phối phần lớn quyết định tham gia của người dùng.
  3. Lượng hóa rào cản Nhận thức rủi ro: Khóa luận chứng minh tác động tiêu cực đáng kể của Nhận thức rủi ro ($\beta = -0.186$) tới thái độ người dùng, bắt nguồn từ nỗi lo rò rỉ thông tin cá nhân, rủi ro nợ xấu và tình trạng lừa đảo tài chính nấp bóng Fintech.
  4. Cơ sở dữ liệu đánh giá thực tiễn doanh nghiệp (Tima Case Study): Nghiên cứu cung cấp bức tranh SWOT thực tế của sàn P2PL lớn nhất Việt Nam thời điểm 2018, chỉ ra lợi thế quy mô dữ liệu và điểm yếu thiếu hụt hành lang pháp lý bảo vệ trung gian.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tiễn

  1. Vay tiêu dùng siêu tốc cho cá nhân underbanked: Cá nhân có nhu cầu vay từ 5 đến 50 triệu đồng phục vụ học tập, y tế, mua sắm thiết bị mà không cần chứng minh thu nhập qua bảng lương ngân hàng.
  2. Tài trợ vốn lưu động ngắn hạn cho hộ kinh doanh: Hộ kinh doanh cá thể tiếp cận khoản vay 50 – 200 triệu đồng để nhập hàng hóa mùa vụ với chu kỳ vay linh hoạt từ 1 – 3 tháng.
  3. Kênh phân bổ tài sản sinh lời cho nhà đầu tư nhỏ lẻ: Cá nhân có tiền nhàn rỗi từ 10 triệu đồng có thể phân bổ đầu tư vào hàng chục khoản vay nhỏ để nhận lợi tức 15% - 18%/năm thay vì gửi tiết kiệm lãi suất 6% - 7%/năm.

Lộ trình triển khai 4 giai đoạn

Pha 1: Tối ưu eKYC & Credit Scoring Engine (Tháng 1 - 3)

Pha 2: Thiết lập Tài khoản Ký quỹ Escrow với Ngân hàng (Tháng 4 - 6)

Pha 3: Chiến dịch Xây dựng Danh tiếng & Tiếp thị Cộng đồng (Tháng 7 - 9)

Pha 4: Mở rộng Danh mục Sản phẩm & Cơ chế Quỹ Dự phòng (Tháng 10 - 12)

Phân tích hiệu quả kinh tế: Mô hình tự động hóa xét duyệt tín dụng giúp giảm chi phí thu nạp khách hàng (CAC) khoảng 40% so với mô hình tài chính tiêu dùng truyền thống, rút ngắn thời gian giải ngân xuống dưới 2 giờ làm việc, kỳ vọng đạt điểm hòa vốn sau 18–24 tháng vận hành với quy mô dư nợ đạt mốc 200 tỷ VNĐ.

Hạn chế và hướng phát triển

Nghiên cứu ghi nhận một số hạn chế kỹ thuật và phương pháp:

  • Giới hạn không gian mẫu: Cỡ mẫu $N = 300$ được thu thập theo phương pháp thuận tiện tại khu vực TP. Hồ Chí Minh, chưa phản ánh đầy đủ đặc điểm hành vi của khách hàng ở các vùng nông thôn hoặc đô thị loại 2, 3.
  • Tính chất dữ liệu tĩnh: Khảo sát cắt ngang (cross-sectional) tại thời điểm thị trường P2PL Việt Nam mới bắt đầu định hình, chưa theo dõi được sự thay đổi nhận thức theo chu kỳ kinh tế (longitudinal study).
  • Thiếu hụt dữ liệu hành vi thực tế (Log Telemetry): Nghiên cứu đo lường "Ý định hành vi" (Behavioral Intention) qua khảo sát ý kiến chứ chưa trực tiếp phân tích nhật ký giao dịch thực tế trên sàn.

Hướng phát triển tiếp theo:

  • Ứng dụng các thuật toán Học máy (Machine Learning) như XGBoost, LightGBM và mạng nơ-ron để xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) dựa trên dữ liệu lớn (Big Data).
  • Mở rộng phạm vi nghiên cứu sang đánh giá tác động khi Ngân hàng Nhà nước ban hành Cơ chế thử nghiệm có kiểm soát (Fintech Regulatory Sandbox).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Nắm vững phương pháp luận nghiên cứu kết hợp giữa TAM, TPB và quy trình xử lý định lượng chuẩn mực trên SPSS/AMOS (EFA, CFA, SEM).
  • Kỹ sư phần mềm & Chuyên gia Fintech: Hiểu rõ yêu cầu kiến trúc của một hệ thống P2P Lending chuẩn hóa, luồng dữ liệu nghiệp vụ và các điểm nghẽn kỹ thuật trong việc xây dựng hệ thống chấm điểm tín dụng.
  • Doanh nghiệp vận hành P2PL: Nhận diện được trọng số của từng nhân tố tác động (ưu tiên xây dựng uy tín thương hiệu và chuẩn chủ quan của khách hàng thay vì chỉ cạnh tranh bằng lãi suất).
  • Cơ quan quản lý Nhà nước (Ngân hàng Nhà nước, Bộ Tài chính): Có thêm căn cứ khoa học và thực tiễn để hoàn thiện khung pháp lý thử nghiệm, quản lý rủi ro tín dụng đen và bảo vệ quyền lợi người tiêu dùng tài chính.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật cốt lõi để triển khai một nền tảng P2P Lending an toàn là gì?

Nền tảng cần có 3 thành phần kỹ thuật bắt buộc: (1) Module eKYC tích hợp nhận diện khuôn mặt (Face matching) và kiểm tra giả mạo (Liveness detection); (2) Công cụ chấm điểm tín dụng tự động (Credit Scoring Engine) dựa trên cây quyết định hoặc hồi quy logistic; (3) Cổng thanh toán tích hợp tài khoản ký quỹ (Escrow Account) tại ngân hàng thương mại được cấp phép để đảm bảo nguyên tắc sàn không trực tiếp nắm giữ tiền gửi.

2. Sự khác biệt căn bản giữa P2P Lending thuần túy và mô hình huy động vốn đa cấp/tín dụng đen biến tướng là gì?

Sàn P2PL thuần túy chỉ đóng vai trò trung gian thông tin, thu phí kết nối và phí quản lý giao dịch, không cam kết lợi nhuận cố định bất thường và không giữ tiền của người dùng. Mô hình biến tướng thường tự ý huy động vốn, cam kết lãi suất phi thực tế (30% - 50%/năm), lấy tiền người sau trả cho người trước (Ponzi scheme) hoặc sử dụng các biện pháp thu hồi nợ cưỡng đoạt vi phạm pháp luật.

3. Tại sao Chuẩn chủ quan (Subjective Norm) lại có trọng số tác động cao nhất trong mô hình nghiên cứu?

Tại các thị trường tài chính mới nổi như Việt Nam năm 2018, P2PL là khái niệm hoàn toàn mới và tiềm ẩn rủi ro nhận thức cao. Người dùng có xu hướng tìm kiếm sự bảo chứng từ người thân, bạn bè hoặc người có ảnh hưởng trong cộng đồng trước khi đưa ra quyết định giải ngân hoặc đầu tư vốn.

4. Nền tảng P2PL quản lý rủi ro nợ xấu như thế nào khi không có tài sản thế chấp?

Nền tảng áp dụng các lớp phòng vệ: (1) Sàng lọc hồ sơ nghiêm ngặt bằng dữ liệu thay thế (lịch sử hóa đơn, dữ liệu mạng xã hội, thông tin việc làm); (2) Đa dạng hóa danh mục đầu tư (chia nhỏ số tiền đầu tư vào hàng trăm khoản vay khác nhau); (3) Thiết lập Quỹ dự phòng rủi ro để trích lập bồi thường tỷ lệ tổn thất nhất định cho nhà đầu tư; (4) Chuyển giao hồ sơ cho các đơn vị xử lý nợ chuyên nghiệp theo quy định pháp luật.

5. Khách hàng tham gia P2PL cần chịu những loại chi phí nào?

Bên đi vay thường chịu lãi suất vay kèm phí thẩm định hồ sơ và phí quản lý khoản vay (1% - 3% giá trị khoản vay). Bên cho vay chịu phí dịch vụ quản lý tài khoản và thu hồi nợ (thường dao động từ 1% - 2% trên tổng lợi nhuận thu được).

Kết luận

Công trình nghiên cứu của tác giả Trần Lâm Thảo My đã phân tích toàn diện tiềm năng mở rộng và các rào cản hành vi đối với hoạt động cho vay ngang hàng tại Việt Nam. Thông qua phương pháp kiểm định mô hình phương trình cấu trúc (SEM) trên mẫu khảo sát thực nghiệm $N = 300$, nghiên cứu đã lượng hóa rõ nét vai trò của Chuẩn chủ quan ($\beta = 0.342$), Thái độ ($\beta = 0.285$), Danh tiếng nền tảng ($\beta = 0.224$) và Niềm tin ($\beta = 0.208$), đồng thời chỉ ra tác động triệt tiêu của Nhận thức rủi ro ($\beta = -0.186$).

Kết quả nghiên cứu cung cấp cơ sở lý luận và thực tiễn vững chắc cho các nhà sáng lập Fintech trong việc thiết kế trải nghiệm sản phẩm minh bạch, tối ưu thuật toán đánh giá tín dụng và xây dựng chiến lược truyền thông định hướng niềm tin, mở ra cơ hội thúc đẩy tài chính toàn diện tại Việt Nam trong kỷ nguyên số.