Giới thiệu dự án

Hiểu biết tài chính (Financial Literacy) đóng vai trò nền tảng trong việc định hình hành vi kinh tế của mỗi cá nhân, tác động trực tiếp đến khả năng tích lũy tài sản, quản trị rủi ro và đảm bảo an sinh lâu dài. Theo Tổ chức Hợp tác và Phát triển Kinh tế (OECD, 2016), hiểu biết tài chính là sự kết hợp tổng hòa giữa nhận thức, kiến thức, kỹ năng, thái độ và hành vi cần thiết để đưa ra các quyết định tài chính đúng đắn, hướng tới trạng thái an toàn tài chính cá nhân. Tại Việt Nam, bối cảnh kinh tế số và sự bùng nổ của các giải pháp công nghệ tài chính (Fintech) đã tạo ra bước chuyển biến sâu sắc trong phương thức thanh toán, đầu tư và tiêu dùng. Thống kê từ thị trường chứng khoán Việt Nam cho thấy, chỉ trong 7 tháng đầu năm 2021 đã có gần 721.000 tài khoản nhà đầu tư cá nhân mở mới—vượt qua tổng số tài khoản mở mới của cả hai năm 2019 và 2020 cộng lại (580.000 tài khoản). Tuy nhiên, giai đoạn 2022–2023 ghi nhận chỉ số VN-Index sụt giảm hơn 20% từ đỉnh, kéo theo tâm lý hoang mang của các nhà đầu tư mới (F0) do thiếu hụt kiến thức quản trị danh mục và định giá tài sản. Bên cạnh đó, sự xuất hiện tràn lan của các mô hình lừa đảo tài chính qua sàn giao dịch tiền kỹ thuật số trái phép đã gây ra tổn thất lớn cho người trẻ.

Thực trạng này đặt ra vấn đề cốt lõi: Sinh viên khối đại học—lực lượng lao động và nhà đầu tư tương lai—đang đối mặt với lỗ hổng nghiêm trọng về kiến thức tài chính cơ bản và kỹ năng ứng dụng công nghệ tài chính, dẫn đến các quyết định chi tiêu bất hợp lý, vướng vào bẫy tín dụng đen hoặc đầu tư thua lỗ. Đề tài "Các yếu tố ảnh hưởng đến hiểu biết tài chính của sinh viên trường Đại học Ngân hàng TP.HCM" do tác giả Chu Dương Gia Huy thực hiện (dưới sự hướng dẫn khoa học của TS. Lưu Thu Quang, chuyên ngành Tài chính – Ngân hàng, mã số 7 34 02 01) được triển khai nhằm giải quyết trực tiếp bài toán này.

graph TD
    A["Bối cảnh thị trường số & Fintech"] --> B["Khoảng trống kiến thức tài chính của sinh viên"]
    B --> C["Nghiên cứu định lượng thực nghiệm (N=226)"]
    C --> D["Mô hình hồi quy tuyến tính đa biến OLS"]
    D --> E["5 Yếu tố tác động có ý nghĩa thống kê (p < 0.05)"]
    E --> F["Khung giải pháp đào tạo & nâng cao năng lực tài chính"]

Dự án xác định 3 mục tiêu nghiên cứu cụ thể:

  1. Xác định các yếu tố tác động đến mức độ hiểu biết tài chính của sinh viên Trường Đại học Ngân hàng TP.HCM (HUB).
  2. Đo lường và ước lượng mức độ tác động của từng yếu tố thông qua phương pháp định lượng và mô hình hồi quy tuyến tính đa biến.
  3. Đề xuất hệ thống giải pháp và hàm ý quản trị cho Nhà trường và sinh viên nhằm nâng cấp năng lực tài chính cá nhân.

Phương pháp giải quyết dựa trên mô hình kinh tế lượng OLS (Ordinary Least Squares), kết hợp thang đo chuẩn hóa từ bộ công cụ đo lường hiểu biết tài chính quốc tế của OECD/INFE (2018). Kết quả kỳ vọng đạt được là xây dựng mô hình định lượng tin cậy ($R^2$, kiểm định $F$, $t$-test với độ tin cậy 95%), xác định chính xác trọng số tác động của các biến số nhân khẩu học và công nghệ, tạo tiền đề để HUB tái cấu trúc chương trình đào tạo kỹ năng mềm. Phạm vi nghiên cứu tập trung vào 226 sinh viên chính quy các khóa đang theo học tại Trường Đại học Ngân hàng TP.HCM, dữ liệu sơ cấp thu thập từ tháng 03/2023 đến tháng 05/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu trước đây tại Việt Nam và quốc tế đã tiếp cận chủ đề hiểu biết tài chính qua nhiều góc độ, tuy nhiên vẫn tồn tại các khoảng trống lý thuyết và thực nghiệm khi áp dụng vào nhóm sinh viên trường đào tạo chuyên sâu về tài chính ngân hàng.

Nghiên cứu & Tác giả Phương pháp tiếp cận Ưu điểm Nhược điểm / Hạn chế
Lusardi & Mitchell (2006) Bộ 3 câu hỏi Big Three (Lãi kép, Lạm phát, Đa dạng hóa) Ngắn gọn, dễ chuẩn hóa toàn cầu Thang đo quá hẹp, chưa bao quát nghiệp vụ tài chính thực tế và bối cảnh chuyển đổi số
Nguyen Thi Hai Yen (2015) Hồi quy tuyến tính OLS trên sinh viên đa trường ($N=435$) Đánh giá được sự khác biệt vùng miền và ngành học Chưa tích hợp biến số công nghệ tài chính (Fintech), dữ liệu đã cũ so với thị trường số
Morgan & Trinh (2020) Khảo sát mức sống dân cư (VHLSS), hồi quy OLS Khẳng định mối liên hệ 2 chiều giữa Fintech và Financial Literacy Đối tượng khảo sát là dân cư phổ thông, không đặc tả được sinh viên đại học
Mô hình đề xuất (Chu Dương Gia Huy, 2023) OLS đa biến kết hợp 14 câu hỏi OECD/INFE và biến tương tác Fintech Đo lường chuyên sâu 6 cấu phần kiến thức, kiểm định khuyết tật mô hình chặt chẽ Giới hạn không gian tại một cơ sở đào tạo chuyên ngành tại TP.HCM

Yêu cầu nghiên cứu được phân loại theo ma trận MoSCoW:

  • Must-have: Đo lường 14 khía cạnh nghiệp vụ tài chính (lãi suất đơn/kép, giá trị thời gian của tiền, lạm phát, đa dạng hóa rủi ro, bảo hiểm, thuế TNCN); kiểm định hiện tượng đa cộng tuyến ($VIF < 2$) và phương sai sai số thay đổi (Breusch-Pagan).
  • Should-have: Khảo sát tác động của yếu tố chuyên môn phụ huynh và thói quen sử dụng công nghệ tài chính (Fintech).
  • Could-have: Phân tích sự khác biệt sâu giữa sinh viên chuyên ngành kinh tế và phi kinh tế trong cùng một trường đại học.
  • Won't-have (lần này): Mở rộng khảo sát sinh viên ngoài địa bàn TP.HCM hoặc đo lường các yếu tố tâm lý hành vi phức tạp (overconfidence bias).

Thiết kế hệ thống

Hệ thống đo lường và cấu trúc dữ liệu kinh tế lượng được thiết kế thành hai thành phần chính: biến phụ thuộc (Score) và 5 biến độc lập (Gender, Field, Year, Parents, Fintech).

classDiagram
    class ModelSchema {
        +Score: Numeric (0..14)
        +Gender: Categorical (1: Nữ, 2: Nam)
        +Field: Categorical (1: Kinh tế-TC, 2: Phi kinh tế)
        +Year: Ordinal (1..4)
        +Parents: Categorical (1: Chuyên môn TC, 2: Không)
        +Fintech: Categorical (1: Có dùng, 2: Không dùng)
        +estimate_ols()
        +check_vif()
        +test_breusch_pagan()
    }

Mô hình hồi quy tổng quát dạng toán học: $$\text{Score} = \beta_0 + \beta_1 \cdot \text{Gender} + \beta_2 \cdot \text{Field} + \beta_3 \cdot \text{Year} + \beta_4 \cdot \text{Parents} + \beta_5 \cdot \text{Fintech} + \varepsilon$$

Cấu trúc công nghệ và mã hóa dữ liệu:

  • Ngôn ngữ & Công cụ: R phiên bản 4.2.x, môi trường RStudio v2023.03, Microsoft Excel 2021 (dọn dẹp sơ bộ), Google Forms API.
  • Cơ sở dữ liệu khảo sát: 226 quan sát được làm sạch, mã hóa nhị phân và thứ bậc.
# Cấu trúc mã hóa dữ liệu (Data Dictionary Schema)
survey_data <- data.frame(
  Gender  = factor(c(1, 2), labels = c("Nu", "Nam")),
  Field   = factor(c(1, 2), labels = c("KinhTe_NganHang", "PhiKinhTe")),
  Year    = as.integer(c(1, 2, 3, 4)),
  Parents = factor(c(1, 2), labels = c("CoChuyenMon", "KhongChuyenMon")),
  Fintech = factor(c(1, 2), labels = c("CoSuDung", "KhongSuDung")),
  Score   = as.numeric(0:14)
)

Methodology

Nghiên cứu ứng dụng quy trình định lượng kết hợp kiểm định giả thuyết theo chuẩn khoa học thực nghiệm:

  • Phương pháp thu thập: Chọn mẫu ngẫu nhiên (random sampling) qua phiếu khảo sát bán cấu trúc Google Forms phân phối trực tiếp tại các khoa của HUB từ tháng 03/2023 đến tháng 05/2023. Kích thước mẫu $N=226$ vượt ngưỡng yêu cầu tối thiểu theo công thức của Green & Salkind (2010) cho hồi quy 5 biến độc lập ($N \ge 104 + m = 104 + 5 = 109$).
  • Quy trình phân tích dữ liệu:
    1. Thống kê mô tả: Tính toán Mean, Median, Min, Max, Standard Deviation.
    2. Phân tích tương quan Pearson: Đánh giá liên kết tuyến tính sơ bộ giữa các cặp biến ($r \in [-1, 1]$, mức ý nghĩa $\text{Sig.} < 0.1$).
    3. Ước lượng OLS: Chạy mô hình hồi quy tuyến tính đa biến.
    4. Kiểm định chẩn đoán mô hình: Đo lường VIF để kiểm tra đa cộng tuyến, kiểm định Breusch-Pagan để phát hiện phương sai sai số thay đổi, và biểu đồ phân phối phần dư (Residual Distribution).

Implementation và kết quả

Development process

Quá trình xử lý dữ liệu và ước lượng mô hình được triển khai bằng ngôn ngữ R trong môi trường RStudio theo kịch bản chuẩn hóa:

# Script ước lượng mô hình và chẩn đoán kinh tế lượng
library(car)
library(lmtest)

# Đọc dữ liệu đã mã hóa
data_hub <- read.csv("hub_financial_literacy_n226.csv")

# 1. Ước lượng mô hình hồi quy OLS
ols_model <- lm(Score ~ Gender + Field + Year + Parents + Fintech, data = data_hub)
summary(ols_model)

# 2. Kiểm tra hiện tượng đa cộng tuyến qua hệ số VIF
vif_values <- vif(ols_model)
print(vif_values)

# 3. Kiểm định phương sai sai số thay đổi (Breusch-Pagan Test)
bp_test <- bptest(ols_model)
print(bp_test)

# 4. Phân tích đồ thị phần dư chuẩn hóa
qqnorm(residuals(ols_model))
qqline(residuals(ols_model), col = "red")

Testing và validation

Mô hình kinh tế lượng đã vượt qua các bài kiểm định kỹ thuật với độ tin cậy 95%:

  • Kiểm định hiện tượng đa cộng tuyến: Toàn bộ hệ số $VIF$ của 5 biến độc lập đều nhỏ hơn 2.0 (ngưỡng an toàn theo Hair et al., 2010), khẳng định không xảy ra hiện tượng cộng tuyến nghiêm trọng làm lệch hệ số hồi quy.
  • Kiểm định phương sai sai số thay đổi (Breusch-Pagan): Giá trị $p\text{-value} > 0.05$, chấp nhận giả thuyết $H_0$ (phương sai phần dư không đổi/đồng nhất).
  • Phân phối phần dư: Đồ thị phân bổ giá trị phần dư phân tán đều xung quanh giá trị 0, đảm bảo giả thiết kỳ vọng toán học $E(\varepsilon) = 0$.

Kết quả đạt được

Phương trình hồi quy tuyến tính thực nghiệm ước lượng từ 226 mẫu khảo sát tại HUB đạt mức ý nghĩa $p < 0.05$:

$$\text{Score} = \beta_0 + 0.476 \cdot \text{Gender} - 1.119 \cdot \text{Field} + 0.458 \cdot \text{Year} - 0.362 \cdot \text{Parents} - 0.472 \cdot \text{Fintech}$$

Biến số độc lập Hệ số $\beta$ Mức ý nghĩa ($p\text{-value}$) Chiều hướng tác động thực tế
Ngành học (Field) -1.119 $< 0.05$ Sinh viên chuyên ngành Tài chính - Ngân hàng, Kế toán, QTKD đạt điểm cao hơn 1.119 điểm so với sinh viên khối phi kinh tế (Luật KT, Ngôn ngữ Anh, HTTTQL).
Giới tính (Gender) +0.476 $< 0.05$ Sinh viên nam có điểm hiểu biết tài chính trung bình cao hơn sinh viên nữ 0.476 điểm trong điều kiện các yếu tố khác không đổi.
Sự tiếp thu Fintech (Fintech) -0.472 $< 0.05$ Sinh viên có sử dụng ứng dụng công nghệ tài chính đạt điểm cao hơn 0.472 điểm so với nhóm không sử dụng.
Năm học (Year) +0.458 $< 0.05$ Mỗi năm tích lũy thêm trên giảng đường đại học giúp điểm hiểu biết tài chính tăng thêm 0.458 điểm (tăng lũy tiến từ năm 1 đến năm 4).
Chuyên môn phụ huynh (Parents) -0.362 $< 0.05$ Sinh viên có cha hoặc mẹ công tác trong lĩnh vực kinh tế - tài chính đạt điểm cao hơn 0.362 điểm. 
gantt
    title Tiến độ triển khai dự án khóa luận
    dateFormat  YYYY-MM-DD
    section Giai đoạn chuẩn bị
    Tổng quan tài liệu & xây dựng thang đo :2023-03-01, 20d
    Thiết kế bảng hỏi Google Form :2023-03-21, 10d
    section Thu thập & Xử lý
    Khảo sát diện rộng (N=226) :2023-04-01, 30d
    Làm sạch dữ liệu & kiểm định tương quan :2023-05-01, 12d
    section Phân tích & Báo cáo
    Chạy mô hình OLS & kiểm định VIF/BP :2023-05-13, 15d
    Viết báo cáo hàm ý quản trị :2023-05-28, 15d

Đổi mới và đóng góp

  1. Đưa biến số Công nghệ tài chính (Fintech Acquisition) vào mô hình thực nghiệm: Khác với các công trình truyền thống tại Việt Nam chỉ dừng lại ở biến nhân khẩu học, nghiên cứu này lượng hóa chính xác mức đóng góp của việc tiếp thu ứng dụng Fintech ($\beta = -0.472$, $p < 0.05$), phản ánh đúng sự chuyển dịch số hóa trong dịch vụ ngân hàng.
  2. Bộ công cụ đánh giá 14 câu hỏi chuẩn hóa OECD/INFE (2018): Xây dựng thang đo trắc nghiệm khách quan bao phủ 6 chiều không gian tài chính thực tế (Lãi suất, Giá trị tiền theo thời gian, Lạm phát, Đa dạng hóa danh mục, Bảo hiểm cá nhân, Thuế thu nhập), triệt tiêu hoàn toàn độ lệch chủ quan (Self-assessment bias).
  3. Phân hóa nội bộ trường chuyên ngành: Minh chứng rằng ngay trong một trường đại học khối kinh tế như HUB, sự phân hóa giữa các ngành chuyên sâu (Tài chính - Ngân hàng) và ngành giao thoa (Ngôn ngữ Anh, HTTTQL) vẫn tạo ra khoảng cách điểm số rất lớn ($\beta = -1.119$, mức tác động mạnh nhất trong mô hình).
  4. Hiệu quả định lượng vượt trội: Cung cấp bộ tham số thực nghiệm chính xác hỗ trợ Ban Giám hiệu HUB thiết kế lộ trình đào tạo môn học Giáo dục tài chính (Financial Education) bắt buộc cho 100% sinh viên.

Ứng dụng thực tế và triển khai

Nghiên cứu cung cấp cơ sở dữ liệu thực chứng cho các đơn vị giáo dục và tài chính triển khai ứng dụng:

graph LR
    A["Dữ liệu thực nghiệm HUB"] --> B["Tái cấu trúc khung đào tạo đại học"]
    A --> C["Phát triển EdTech / Mini-course Fintech"]
    A --> D["Ngân hàng thương mại & CTCK tiếp cận Gen Z"]

Kịch bản ứng dụng thực tế

  • Triển khai tại Nhà trường (HUB): Tích hợp học phần "Quản lý Tài chính Cá nhân và Ứng dụng Fintech" (2 tín chỉ) vào chương trình đại cương bắt buộc từ năm thứ 1, ưu tiên tăng cường thời lượng cho sinh viên các ngành phi tài chính.
  • Hợp tác Doanh nghiệp - Nhà trường: Các ngân hàng thương mại và công ty chứng khoán có thể sử dụng bộ câu hỏi 14 tiêu chí này làm bài test năng lực tài chính trước khi cung cấp các sản phẩm thẻ tín dụng, tài khoản phái sinh hoặc margin cho khách hàng trẻ.

Ước tính chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Tổ chức chuỗi hội thảo chuyên đề kết hợp nền tảng E-learning mô phỏng giao dịch chứng khoán/ngân hàng số: ước tính 50 - 80 triệu VNĐ/học kỳ.
  • Hiệu quả kinh tế - xã hội: Giảm thiểu 80% rủi ro sinh viên vướng vào lừa đảo tài chính qua mạng; nâng cao tỷ lệ sinh viên có chứng chỉ đầu tư và kỹ năng quản lý dòng tiền cá nhân đạt chuẩn trước khi tốt nghiệp lên trên 85%.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Kích thước mẫu $N=226$ được thu thập theo phương pháp ngẫu nhiên thuận tiện tại Trường ĐH Ngân hàng TP.HCM; chưa mở rộng so sánh liên trường (với khối Bách Khoa, Y Dược, Xã hội).
  • Biến số tâm lý học tài chính: Chưa tích hợp các yếu tố về hành vi tài chính thực tế (Financial Behavior), mức độ ác cảm rủi ro (Risk Aversion) và áp lực chi tiêu từ mạng xã hội (Peer Pressure).
  • Định hướng nâng cấp:
    1. Mở rộng cỡ mẫu lên $N \ge 1.000$ sinh viên trên toàn địa bàn TP.HCM và Hà Nội.
    2. Ứng dụng mô hình phương trình cấu trúc (Structural Equation Modeling - SEM) để phân tích tác động gián tiếp của thái độ và niềm tin tài chính.
    3. Xây dựng ứng dụng Web/Mobile trắc nghiệm tự động tích hợp thuật toán gợi ý khóa học tài chính cá nhân hóa.

Đối tượng hưởng lợi

  • Sinh viên đại học: Tự định vị mức độ hiểu biết tài chính của bản thân qua bộ 14 tiêu chí chuẩn hóa, nhận thức rõ tầm quan trọng của việc tự học tài chính sớm ngay từ năm nhất.
  • Giảng viên và Nhà nghiên cứu: Sở hữu bộ tham số OLS thực nghiệm, dữ liệu khảo sát và tài liệu tham khảo chất lượng cao về chủ đề Financial Literacy và Fintech tại Việt Nam.
  • Ban Giám hiệu và Nhà quản lý giáo dục: Có căn cứ số liệu khoa học để ban hành chính sách điều chỉnh chuẩn đầu ra kỹ năng tài chính, thiết kế chương trình ngoại khóa và câu lạc bộ học thuật.
  • Các tổ chức tài chính & Doanh nghiệp Fintech: Nắm bắt thói quen tiếp cận công nghệ và rào cản nhận thức của tập khách hàng sinh viên, từ đó tối ưu hóa giao diện UX/UI và truyền thông sản phẩm tài chính an toàn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập nghiên cứu này là gì?

Cần cài đặt R (tối thiểu phiên bản 4.0.0) cùng môi trường RStudio Desktop. Các gói thư viện bắt buộc gồm car (tính VIF), lmtest (kiểm định Breusch-Pagan), ggplot2 (vẽ đồ thị phần dư) và readxl để nhập liệu từ Microsoft Excel.

2. Mô hình có gặp giới hạn về đa cộng tuyến khi đưa đồng thời 5 biến độc lập vào không?

Không. Kết quả kiểm định VIF thực tế trên bộ dữ liệu $N=226$ cho thấy tất cả các giá trị $VIF$ đều dao động dưới ngưỡng 2.0 (thấp hơn nhiều so với ngưỡng cảnh báo 10.0), đảm bảo tính độc lập tuyến tính giữa các biến giải thích.

3. Có thể tích hợp bộ câu hỏi khảo sát này vào hệ thống đào tạo trực tuyến của trường không?

Hoàn toàn có thể. Bộ 14 câu hỏi trắc nghiệm khách quan đã được chuẩn hóa theo chuẩn OECD/INFE, dễ dàng tích hợp lên các hệ thống quản lý học tập (LMS) như Moodle, Canvas hoặc Google Forms tự động chấm điểm.

4. Chi phí và nguồn lực duy trì việc khảo sát định kỳ cho sinh viên các năm sau?

Khảo sát định kỳ hàng năm có thể tự động hóa hoàn toàn thông qua Google Forms hoặc cổng thông tin sinh viên của trường với chi phí vận hành gần như bằng 0, chỉ cần nhân sự phân tích dữ liệu trên RStudio trong khoảng 2–3 ngày làm việc.

5. Yếu tố nào có tác động lớn nhất và thời gian hoàn vốn đầu tư giáo dục tài chính là bao lâu?

Ngành học (Field, $\beta = -1.119$) là yếu tố có trọng số tác động lớn nhất, kế đến là Giới tính ($\beta = 0.476$) và Tiếp thu Fintech ($\beta = -0.472$). Việc đầu tư học phần tài chính cá nhân mang lại hiệu quả ngay trong năm học kế tiếp, giúp sinh viên giảm thiểu tổn thất tài chính và tăng cường khả năng tự chủ kinh tế.

Kết luận

Khóa luận tốt nghiệp của tác giả Chu Dương Gia Huy đã giải quyết xuất sắc bài toán đo lường các yếu tố ảnh hưởng đến hiểu biết tài chính của sinh viên Trường Đại học Ngân hàng TP.HCM. Bằng việc kết hợp phương pháp nghiên cứu định lượng chặt chẽ trên mẫu $N=226$ cùng mô hình hồi quy tuyến tính OLS, nghiên cứu đã chứng minh 5 nhân tố mang ý nghĩa thống kê ở mức 5%: Ngành học ($\beta = -1.119$), Giới tính ($\beta = 0.476$), Sự tiếp thu Fintech ($\beta = -0.472$), Năm học đại học ($\beta = 0.458$) và Chuyên môn phụ huynh ($\beta = -0.362$). Đây là bằng chứng thực nghiệm quan trọng khẳng định vai trò sống còn của giáo dục tài chính số hóa trong môi trường đại học. Các đơn vị đào tạo, tổ chức tài chính và sinh viên cần chủ động phối hợp xây dựng hệ sinh thái tài chính học đường minh bạch, an toàn và hiệu quả.