Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Tác động của FinTech đến rủi ro tín dụng tại các ngân hàng thương mại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

Trong chương này, tác giả trình bày chi tiết quy trình nghiên cứu và các phương pháp kỹ thuật được áp dụng cho phân tích thực nghiệm. Đồng thời, quy trình thu thập dữ liệu và đặc điểm mẫu nghiên cứu cũng được mô tả rõ ràng. Mô hình nghiên cứu được phát triển dựa trên các công trình trước đây, vốn đã được ứng dụng rộng rãi ở nhiều quốc gia, bao gồm cả Việt Nam. Để ước lượng các mô hình dựa trên dữ liệu bảng thu thập được, tác giả áp dụng nhiều phương pháp phân tích kinh điển và hiện đại như Ordinary Least Squares – Pooled OLS, Fixed Effects Model – FEM, Random Effects Model – REM, Feasible Generalized Least Squares – FGLS và Generalized Method of Moments – GMM. Toàn bộ quá trình phân tích được thực hiện trên phần mềm Stata phiên bản 17 nhằm đảm bảo độ chính xác và hiệu quả trong xử lý số liệu.

3.1. Quy trình nghiên cứu

Ảnh hưởng của FinTech đến rủi ro tín dụng (RRTD) tại các ngân hàng thương mại (NHTM) ở Việt Nam đã được nghiên cứu thông qua việc phân tích thực trạng Quản trị rủi ro và mức độ ứng dụng FinTech trong quản lý rủi ro tín dụng tại các ngân hàng. Kết quả nghiên cứu không chỉ làm sáng tỏ tác động của FinTech mà còn chỉ ra vai trò của các yếu tố nội tại ngân hàng và yếu tố vĩ mô trong việc hình thành Quản trị rủi ro thông qua FinTech. Những kết quả này cung cấp cơ sở quan trọng để các ngân hàng thương mại tại Việt Nam nâng cao hiệu quả quản trị Quản trị rủi ro, giúp chủ động thích ứng với biến động kinh tế vĩ mô, đồng thời phát hiện và giảm thiểu kịp thời những tác động bất lợi phát sinh từ việc ứng dụng FinTech. Nhờ đó, chất lượng tín dụng được cải thiện, góp phần duy trì sự ổn định của hệ thống ngân hàng. Trên cơ sở các kết quả đạt được, tác giả đề xuất các giải pháp nhằm gia tăng hiệu quả nghiên cứu khoa học và mở rộng kiến thức cũng như kinh nghiệm thực tiễn trong lĩnh vực quản trị rủi ro ngân hàng. Để đánh giá một cách toàn diện mức độ tác động của FinTech đối với Quản trị rủi ro tại các ngân hàng thương mại Việt Nam, phương pháp nghiên cứu định lượng kết hợp với định tính đã được áp dụng, được trình bày chi tiết trong mô hình nghiên cứu như sau:

Bước 1: Thu thập dữ liệu, khảo sát nghiên cứu trước và xây dựng cơ sở lý thuyết: Ở giai đoạn này, nền tảng lý thuyết được hình thành thông qua việc sử dụng phương pháp nghiên cứu định tính, đồng thời một tổng quan khảo sát các công trình nghiên cứu trước đây về tác động của FinTech, đặc biệt liên quan đến Quản trị rủi ro tại các ngân hàng thương mại Việt Nam, cũng đã được tiến hành. Dựa trên kết quả đó, một mô hình nghiên cứu thích hợp đã được thiết lập và đề xuất. Sau khi thu thập và xử lý dữ liệu định lượng, tác giả phân tích kết quả thu được, kết hợp với thực tiễn tại Việt Nam và so sánh với các nghiên cứu trước để kiểm chứng độ tin cậy và tính nhất quán của các kết quả nghiên cứu.

Bước 2: Xây dựng mô hình nghiên cứu và đề xuất giả thuyết: Nhằm làm rõ các yếu tố ảnh hưởng tới FinTech và đánh giá tác động của FinTech đối với Quản trị rủi ro tại các ngân hàng thương mại ở Việt Nam, nghiên cứu đã sử dụng dữ liệu thứ cấp, được thu thập từ báo cáo tài chính đã kiểm toán cùng báo cáo giải trình tài chính của 24 ngân hàng thương mại trong giai đoạn 2014–2024. Trên cơ sở dữ liệu này, các giả thuyết nghiên cứu đã được xây dựng để tiến hành kiểm định mô hình nghiên cứu.

Bước 3: Xác định mẫu nghiên cứu và thu thập dữ liệu: Bộ dữ liệu bảng được hình thành bằng cách tổng hợp dữ liệu vĩ mô giai đoạn 2014–2024 từ Ngân hàng Thế giới cùng với báo cáo tài chính hàng năm của các ngân hàng thương mại. Các biến nghiên cứu sau đó được mã hóa và xử lý để phục vụ cho việc ước lượng mô hình, với phần mềm Stata 17 được ứng dụng cho toàn bộ quá trình phân tích. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Bước 4: Phương pháp nghiên cứu và phân tích dữ liệu được lựa chọn: Sau khi dữ liệu được tập hợp và xử lý, mối quan hệ giữa các biến được đánh giá thông qua ma trận hệ số tương quan nhằm xác định các quan hệ đồng biến hoặc nghịch biến. Tiếp đó, phân tích được thực hiện bằng các phương pháp hồi quy dữ liệu bảng như Pooled OLS, FEM, REM, FGLS và GMM. Việc lựa chọn mô hình tối ưu được căn cứ vào các tiêu chí thống kê cũng như mức độ phù hợp với dữ liệu nghiên cứu.

Bước 5: Phân tích kết quả và thảo luận: Các kiểm định mô hình được thực hiện nhằm xử lý vấn đề phương sai sai số thay đổi, tự tương quan và đa cộng tuyến. Mô hình FGLS được áp dụng để khắc phục các hạn chế kỹ thuật, trong khi GMM được dùng để giải quyết vấn đề nội sinh, nâng cao độ chính xác và độ tin cậy của kết quả ước lượng. Kết quả phân tích đã làm sáng tỏ tác động của FinTech tới Quản trị rủi ro tại các ngân hàng thương mại Việt Nam, đồng thời chỉ ra các kênh truyền dẫn tác động, giúp làm rõ cơ chế ảnh hưởng giữa FinTech và Quản trị rủi ro.

Bước 6: Đề xuất hàm ý quản trị: Kết luận chính được tổng hợp nhằm đưa ra các đề xuất về chính sách và quản trị, qua đó nâng cao hiệu quả ứng dụng FinTech trong quản lý Quản trị rủi ro tại các ngân hàng thương mại Việt Nam. Nghiên cứu cũng chỉ ra những hạn chế về dữ liệu, phạm vi thời gian và khả năng khái quát, mở ra hướng cho các nghiên cứu tiếp theo nhằm hoàn thiện mô hình và mở rộng phạm vi nghiên cứu.

• Hình 3.1 Quy trình nghiên cứu

3.2. Mô hình nghiên cứu Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

3.2.1. Mô hình nghiên cứu đề xuất

Dựa trên các lý thuyết nền tảng gồm lý thuyết chi phí giao dịch (Coase, 1937; Williamson, 1985); lý thuyết hành vi người tiêu dùng (Aaker & Kell, 1990); lý thuyết lợi thế kinh tế nhờ quy mô (Wright, 1936) và kế thừa từ các nghiên cứu thực nghiệm trước đây về tác động của FinTech đối với Quản trị rủi ro tại các ngân hàng thương mại ở Việt Nam và nước ngoài như Guo & Shen (2016), Cheng & Qu (2020), Buchak & ctg (2018), Trần & Nguyễn (2021) và Cù & ctg (2024), tác giả xây dựng mô hình nghiên cứu như sau: RRTDi,t = β0 + β1FINTECHi,t + β₂Xi,t + β3Zt + Ɛi,t

Trong đó:

• NPLi,t: Quản trị rủi rolà biến phụ thuộc, được đo lường thông qua hai tiêu chí là tỷ lệ nợ xấu (NPL) và tỷ lệ trích lập dự phòng (LLP)
• FINTECH: đây là biến độc lập, dùng để đo lường mức độ ứng dụng FinTech trong Quản trị rủi ro thông qua ba chỉ số: (1) chỉ số sẵn sàng cho phát triển và ứng dụng công nghệ thông tin và truyền thông (viết tắt: ICT), (2) số lượng công ty FinTech (viết tắt: SOLUONG); (3) chỉ số phản ánh mức độ quan tâm và đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FT2);
• X: là nhóm biến kiểm soát liên quan đến các yếu tố nội tại của ngân hàng, bao gồm hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), vốn chủ sở hữu (CAR), quy mô ngân hàng (SIZE) và mức độ sinh lời (ROA).
• Z: là nhóm biến kiểm soát phản ánh tình hình vĩ mô nền kinh tế gồm: mức độ tăng trưởng tổng sản phẩm quốc nội (viết tắt: GDP); tỷ lệ lạm phát (viết tắt: INF).
• Ɛi,t : sai số ngẫu nhiên
• i là đại diện ngân hàng được đánh giá; t là thời gian được xác định (2014 – 2024)
• β0 : Hệ số chặn, phản ánh ảnh hưởng đến biến phụ thuộc của các yếu tố không thuộc trong mô hình đề xuất.
• β1, β₂, β3 : Hệ số ước lượng tương ứng với từng biến độc lập trong phương trình hồi quy.

3.2.2. Giả thuyết nghiên cứu Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Dựa trên cơ sở lý thuyết nền tảng, bao gồm lý thuyết chi phí giao dịch (Coase, 1937; Williamson, 1985); lý thuyết hành vi người tiêu dùng (Aaker & Kell, 1990) và lý thuyết lợi thế kinh tế nhờ quy mô (Wright, 1936) có thể thấy rằng FinTech đóng vai trò quan trọng trong việc tái cấu trúc hoạt động ngân hàng, giảm chi phí, mở rộng quy mô và tối ưu hóa hiệu quả hoạt động. Theo lý thuyết chi phí giao dịch, FinTech giúp ngân hàng giảm thiểu chi phí tìm kiếm, thương lượng, giám sát và xử lý thông tin, từ đó nâng cao hiệu quả phân bổ nguồn lực và hạn chế rủi ro thông tin bất cân xứng. Lý thuyết hành vi người tiêu dùng cho thấy niềm tin vào công nghệ là yếu tố then chốt để người dùng chấp nhận dịch vụ tài chính số, qua đó thúc đẩy quá trình chuyển đổi từ ngân hàng truyền thống sang nền tảng số hóa. Trong khi đó, lý thuyết lợi thế kinh tế nhờ quy mô khẳng định rằng việc ứng dụng FinTech giúp ngân hàng mở rộng quy mô hoạt động, giảm chi phí biên và gia tăng lợi nhuận dài hạn thông qua tự động hóa và phân tích dữ liệu quy mô lớn. Từ góc nhìn tổng hợp, các lý thuyết nền đều củng cố luận điểm rằng FinTech là công cụ chiến lược giúp ngân hàng tối ưu hóa chi phí và quản trị Quản trị rủi ro hiệu quả hơn. Trong các nghiên cứu thực nghiệm, kết quả giữa FinTech và Quản trị rủi ro chưa có sự đồng thuận. Trên thực tế nghiên cứu của Buchak & ctg (2018), Guo & ctg (2021) quá trình ứng dụng FinTech trong quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam đã được đẩy mạnh trong những năm gần đây đã giúp cho một số ngân hàng giảm thiểu được rủi ro tín dụng Các ngân hàng lớn như Vietcombank, BIDV, Techcombank hay TPBank đã đầu tư mạnh vào AI, chấm điểm tín dụng bằng dữ liệu phi truyền thống, tự động hóa quy trình thẩm định và hệ thống cảnh báo sớm nợ xấu, giúp rút ngắn thời gian xử lý hồ sơ, tăng khả năng dự báo và giảm thiểu sai lệch thông tin. Ngoài ra, blockchain và các nền tảng dữ liệu tập trung đang dần được áp dụng để minh bạch hóa giao dịch, hạn chế gian lận và nâng cao tính chính xác trong quản lý danh mục tín dụng. Tuy nhiên, chi phí đầu tư ban đầu, rủi ro bảo mật và sự thiếu đồng bộ về dữ liệu vẫn là những thách thức lớn ảnh hưởng đến hiệu quả quản trị rủi ro trong giai đoạn đầu chuyển đổi số theo kết quả nghiên cứu của Guo & Shen (2016), Deng Liu và ctg (2021) và Trần, H. S., & ctg (2021). Từ cơ sở lý thuyết, kết quả thực nghiệm và thực tiễn triển khai tại các ngân hàng, tác giả đề xuất các giả thuyết nghiên cứu như sau:

• H1: Số lượng công ty FinTech (SOLUONG) có mối quan hệ thuận chiều với Quản trị rủi ro tại các ngân hàng thương mại Việt Nam.
• H2: Chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT) có mối quan hệ thuận chiều với Quản trị rủi ro tại các ngân hàng thương mại Việt Nam.
• H3: Chỉ số phản ánh mức độ đầu tư cũng như mức độ quan tâm của ngân hàng đối với FinTech (FT2) có tác động thuận chiều đến Quản trị rủi ro tại các ngân hàng thương mại Việt

3.3. Các biến trong mô hình nghiên cứu Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Như đã đề cập tại mục 2.2.1 thì Quản trị rủi ro của các ngân hàng thương mại thường được đo bằng nhiều chỉ số bao gồm tỷ lệ nợ xấu trên tổng tài sản (NPL), tỷ lệ nợ quá hạn, tỷ lệ dự phòng Quản trị rủi ro (LLP), tỷ lệ nợ có khả năng mất vốn, hệ số bù đắp khoản cho vay bị mất và hệ số bù đắp Quản trị rủi ro. Trong nghiên cứu này, tỷ lệ nợ xấu trên tổng dư nợ (NPL) được lựa chọn làm biến phụ thuộc chính để đánh giá tác động của FinTech đối với Quản trị rủi ro tại các ngân hàng thương mại Việt Nam.

3.3.1. Biến phụ thuộc

• Nợ xấu (Non-Performing Loan – NPL)

Nợ xấu (Non-Performing Loan – NPL) là các khoản nợ thuộc nhóm 3, 4 và 5 theo quy định về phân loại nợ của Ngân hàng Nhà nước. Tỷ lệ nợ xấu được coi là một chỉ số then chốt phản ánh mức độ rủi ro tín dụng (RRTD) của ngân hang và thường được sử dụng để đánh giá chất lượng danh mục cho vay tại các ngân hàng thương mại. Khoản nợ xấu bao gồm những khoản vay mà khách hàng gặp khó khăn trong việc thanh toán cả gốc lẫn lãi do gặp phải các vấn đề về tài chính. Khi nợ xấu tăng cao, ngân hàng có thể không thu được lợi nhuận hoặc lợi nhuận thu về rất hạn chế, đồng thời cảnh báo nguy cơ khó khăn trong việc thu hồi vốn và rủi ro tiềm ẩn về sự kiệt quệ tài chính. Theo thông tư số 31/2024/TT-NHNN ban hành ngày 30/06/2024, dư nợ tín dụng của khách hàng được phân loại thành 5 nhóm: nhóm 1 – nợ đủ tiêu chuẩn, nhóm 2 – nợ cần chú ý, nhóm 3 – nợ dưới tiêu chuẩn, nhóm 4 – nợ nghi ngờ và nhóm 5 – nợ có khả năng mất vốn. Các nghiên cứu thực nghiệm trước đây, như của Trần, S., & ctg (2021), Libda (2024), Mamiza Haq & ctg (2020) đều khẳng định rằng tỷ lệ nợ xấu tác động trực tiếp và theo hướng thuận chiều lên Quản trị rủi ro. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Dự phòng Quản trị rủi ro (Loan Loss Provision – LLP)

Khoản dự phòng rủi ro tín dụng (Loan Loss Provision – LLP) được các tổ chức tín dụng lập nhằm mục đích phòng ngừa những rủi ro tiềm ẩn liên quan đến các khoản nợ, theo quy định tại khoản 4, điều 3 của Nghị định 86/2024/NĐ-CP ngày 11/7/2024. Sự gia tăng tỷ lệ dự phòng Quản trị rủi ro phản ánh mức độ rủi ro của các khoản vay cao hơn, khiến ngân hàng buộc phải tăng mức trích lập. Việc này dẫn tới giảm lợi nhuận và khả năng sinh lời của ngân hàng. Do đó, tỷ lệ dự phòng Quản trị rủi ro thường được xem xét là tồn tại mối quan hệ nghịch chiều với mức độ Quản trị rủi ro.

Dựa trên các phân tích trước, luận văn kỳ vọng rằng biến số LLP sẽ tác động ngược chiều đối với hiệu quả của FinTech tại các ngân hàng thương mại ở Việt Nam. Cụ thể, dự phòng rủi ro tín dụng là khoản tiền mà ngân hàng trích lập nhằm phòng ngừa các tổn thất tiềm ẩn phát sinh khi khách hàng không thực hiện đúng nghĩa vụ trả nợ gốc hoặc lãi. Khoản dự phòng này đóng vai trò quan trọng trong quản trị Quản trị rủi ro, góp phần duy trì sự ổn định tài chính của ngân hàng. Bên cạnh đó, tổng dư nợ cho vay thể hiện tổng giá trị các khoản vay đã được giải ngân và vẫn đang được theo dõi trên sổ sách tại thời điểm báo cáo, phản ánh quy mô hoạt động tín dụng của ngân hàng. Nhiều nghiên cứu trước đây, như của Libda (2024) và Mamiza Haq & ctg (2020), đã cung cấp bằng chứng về mối quan hệ giữa dự phòng Quản trị rủi ro và vai trò của Quản trị rủi ro cũng như FinTech trong lĩnh vực ngân hàng.

3.3.2. Biến độc lập Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Biến độc lập trong nghiên cứu này là FinTech, được đo lường thông qua ba chỉ số chính: chỉ số phản ánh mức độ quan tâm và đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (FinTech đầu vào, ký hiệu: FT2), chỉ số sẵn sàng cho phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT) và số lượng công ty FinTech (SOLUONG)

• Số lượng công ty FinTech

Công nghệ tài chính (FinTech – viết tắt của “Financial Technology”) được hiểu là việc áp dụng các giải pháp công nghệ tiên tiến nhằm nâng cao và tự động hóa quy trình cung cấp, quản lý và sử dụng dịch vụ tài chính. FinTech không chỉ mang lại lợi ích cho các tổ chức tài chính mà còn giúp cá nhân và doanh nghiệp tối ưu hóa hiệu quả quản trị tài chính thông qua các phần mềm và thuật toán, thường được vận hành trên nền tảng máy tính và thiết bị di động. Trong nhiều nghiên cứu thực nghiệm, mức độ phát triển của FinTech thường được đánh giá dựa trên doanh thu hoặc dư nợ tín dụng của các công ty FinTech so với ngân hàng truyền thống. Tuy nhiên, do dữ liệu này chưa được công khai tại Việt Nam, nghiên cứu hiện tại lựa chọn sử dụng logarit tự nhiên của số lượng công ty FinTech hoạt động hàng năm làm chỉ số đại diện cho mức độ phát triển của FinTech, theo phương pháp được áp dụng bởi Wen Chung Guo & ctg (2021), Tăng Mỹ Sang (2024), Đinh Thị Thu Hồng & ctg (2021) cùng Guo và Zhang (2023). Trên cơ sở này, luận văn đề xuất giả thuyết rằng: số lượng công ty FinTech (SOLUONG) có mối quan hệ thuận chiều với rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam.

Chỉ số đo lường mức độ phát triển và ứng dụng CNTT – TT (ICT) Trong nghiên cứu này, ICT được chọn làm biến độc lập nhằm phản ánh mức độ phát triển và ứng dụng công nghệ thông tin – truyền thông (CNTT–TT) tại các ngân hàng thương mại (NHTM), vốn được coi là yếu tố nền tảng thúc đẩy sự phát triển của FinTech. Chỉ số ICT, do Hội Tin học Việt Nam xây dựng dựa trên các tiêu chuẩn quốc tế, cung cấp một thước đo toàn diện về khả năng sẵn sàng và mức độ ứng dụng CNTT–TT trên nhiều khía cạnh, bao gồm hạ tầng kỹ thuật, nguồn nhân lực, mức độ áp dụng công nghệ và môi trường chính sách. Trong lĩnh vực ngân hàng, chỉ số này được sử dụng để đánh giá năng lực tích hợp và khai thác công nghệ số, từ đó ảnh hưởng trực tiếp đến hiệu quả hoạt động tín dụng và quản trị rủi ro. ICT được định lượng thông qua bốn nhóm tiêu chí chính gồm 29 chỉ số thành phần: hạ tầng kỹ thuật, nhân lực, ứng dụng CNTT–TT và môi trường chính sách, phản ánh mức độ sẵn sàng về công nghệ của ngân hàng và tạo nền tảng quan trọng cho việc triển khai FinTech, đặc biệt trong bối cảnh chuyển đổi số và sự phổ biến ngày càng tăng của dịch vụ thanh toán trực tuyến. Các nghiên cứu trước đây, như của Trầm Thị Xuân Hương & Nguyễn Từ Nhu (2018) và Cù & ctg (2024), cũng đã làm nổi bật vai trò quan trọng của ICT đối với hoạt động ngân hàng. Từ cơ sở đó, luận văn đưa ra giả thuyết rằng: ICT có quan hệ thuận chiều với rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam.

• Chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (FinTech đầu ra – FT2) Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Mức độ ứng dụng FinTech trong nghiên cứu này được đánh giá thông qua phân tích nội dung các Báo cáo hàng năm của các ngân hàng thương mại (NHTM) tại Việt Nam. Bởi các ngân hàng trong nước hiếm khi công bố dữ liệu định lượng về FinTech, nên các báo cáo này trở thành nguồn thông tin định tính chủ yếu, cung cấp các dữ liệu liên quan đến hoạt động công nghệ tài chính. Nghiên cứu trước đây cho thấy, khai thác văn bản là phương pháp hiệu quả để xử lý lượng lớn dữ liệu phi cấu trúc, từ đó thu thập thông tin phục vụ nghiên cứu (Feldman & Dagan, 1995; Askitas & Zimmermann, 2009). Đồng thời, sự xuất hiện thường xuyên của các thuật ngữ khóa liên quan đến lĩnh vực công nghệ thông tin và chuyển đổi số thường được sử dụng trong báo cáo thường niên được xem là chỉ báo về mức độ ứng dụng và tiến trình số hóa của doanh nghiệp (Saunders & Tambe, 2013; Zhai & ctg 2022). Dựa trên cơ sở này, luận văn đưa ra giả thuyết rằng: FinTech đầu ra có tác động thuận chiều đến rủi ro tín dụng tại các ngân hàng thương mại Việt Nam.

Trên cơ sở này, nghiên cứu sử dụng tần suất xuất hiện của các từ khóa liên quan đến FinTech trong báo cáo thường niên như một chỉ số thể hiện mức độ chú trọng và đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính. Văn bản được phân tích bằng thuật toán phân đoạn từ kết hợp với thống kê tần suất từ khóa, từ đó xây dựng chỉ số thể hiện mức độ ứng dụng FinTech tại từng ngân hàng. Nói cách khác, càng nhiều từ khóa FinTech xuất hiện trong báo cáo, càng phản ánh việc ngân hàng tích cực triển khai và áp dụng công nghệ tài chính vào hoạt động của mình.

• Bảng 3.2. Từ khóa FinTech đầu ra liên quan đến Quản trị rủi ro

Vì vậy, việc xây dựng chỉ số FinTech cho từng ngân hàng đã được thực hiện thông qua phương pháp phân tích văn bản, chi tiết được trình bày tại Bảng 3.2. Quá trình này được tiến hành theo một quy trình bốn bước cơ bản, sử dụng thuật toán phân đoạn từ kết hợp với phân tích tần suất xuất hiện của các từ khóa.

• Hình 3.3. Quy trình thực hiện phân tích văn bản Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trước tiên, dữ liệu được thu thập thủ công từ các báo cáo thường niên của từng ngân hàng thương mại trong giai đoạn 2014–2024. Sau đó, ứng dụng Python được sử dụng để phân đoạn từ trong các báo cáo này, đồng thời bổ sung them các từ khóa liên quan đến FinTech được xây dựng để phục vụ phân tích. Trên cơ sở các nghiên cứu của FSB (2016) và Zavolokina cùng cộng sự (2016), sự phát triển của FinTech được tiếp cận từ hai khía cạnh: khía cạnh đầu vào về công nghệ, bao gồm các công nghệ như trí tuệ nhân tạo (AI), blockchain, điện toán đám mây và dữ liệu lớn; và khía cạnh đầu ra về đổi mới, tập trung vào cải tiến trong các lĩnh vực thanh toán, phân bổ nguồn lực, quản trị rủi ro và phát triển phần mềm ngân hàng. Đồng thời, tham khảo các nghiên cứu của Guo & Shen (2016), Cheng, M., & ctg (2020), Wang & ctg (2021) cùng Guo & Zhang (2023) và dựa trên phạm vi liên quan đến rủi ro tín dụng, một bộ từ khóa tương ứng đã được xây dựng, chi tiết được trình bày tại Bảng 3.2.

Sau khi bộ từ khóa FinTech được xác định, việc tính toán tần suất xuất hiện của các từ khóa này trong báo cáo thường niên của từng ngân hàng đã được thực hiện bằng ngôn ngữ Python. Theo phương pháp của Guo & Zhang (2023), chỉ phần văn bản từ mục “Báo cáo của Ban lãnh đạo” đến “Báo cáo phát triển bền vững” mới được phân tích nhằm loại bỏ những nội dung không liên quan, vốn thường chứa các thông tin chiến lược phản ánh định hướng công nghệ của ngân hàng. Tần suất xuất hiện được chuẩn hóa bằng cách lấy tổng số lần từ khóa xuất hiện chia cho tổng số từ trong đoạn văn bản, từ đó xác định tần số tương đối của tám từ khóa FinTech cho mỗi ngân hàng trong giai đoạn 2014–2024. Tiếp theo, phương pháp trọng số entropy (Entropy Weight Method – EWM) được áp dụng nhằm đánh giá mức độ quan trọng tương đối của từng từ khóa trong việc phản ánh ứng dụng FinTech. Phương pháp này, dựa trên hệ số entropy được Shannon (1948) giới thiệu, được sử dụng để xác định trọng số một cách khách quan, không phụ thuộc vào các giả định chủ quan. Dựa trên các trọng số thu được, một chỉ số tổng hợp phản ánh mức độ phát triển của FinTech tại từng ngân hàng, gọi là FinTech 2 (ký hiệu: FT2), đã được hình thành.

Quá trình chuẩn hóa các từ khóa được thực hiện bằng phương pháp xử lý trung bình bằng 0, dựa trên nghiên cứu của Cunha-Zeri & ctg (2022). Phương pháp này được biểu diễn qua công thức chuẩn hóa tần suất từ khóa, nhằm đảm bảo dữ liệu giữa các ngân hàng được so sánh một cách nhất quán và khách quan.

Trong phương trình chuẩn hóa,

• x = 1,2,…, N đại diện cho các Tổ chức tín dụng
• y = 1,2,…, K đại diện cho các từ khóa;
• t = 1,2,…, T đại diện cho các năm
• Xxyt là tần suất gốc của từ khóa y của ngân hàng thương mại x trong năm t; Yxyt là tần suất sau khi được chuẩn hóa.

Entropy của từ khóa j được biểu diễn bằng phương trình sau:

• Trong đó: Ej là giá trị entropy của từ khóa j. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Việc xác định trọng số được thực hiện theo phương pháp trọng số entropy (Entropy Weight Method – EWM) vận dụng nguyên lý rằng những chỉ số có độ biến động lớn (tương ứng với entropy thấp) sẽ mang lại nhiều thông tin hơn cho mô hình, do đó sẽ được phân bổ trọng số cao hơn. Ngược lại, chỉ số có entropy cao, cho thấy dữ liệu phân bố đồng đều hoặc ít biến đổi, sẽ nhận trọng số thấp hơn vì mức độ đóng góp thông tin của chúng bị hạn chế. Giá trị trọng số entropy của từng từ khóa được xác định thông qua công thức sau:

Trong đó:

• Wj là trọng số của từ khóa thứ j
• Ej là giá trị entropy của từ khóa j
• K là số lượng tổng hợp từ khóa đã được sử dụng trong nghiên cứu.

Xác định chỉ số FinTech của ngân hàng: Khi trọng số Wj của từng từ khóa đã được xác định, chỉ số FinTech tổng hợp (viết tắt: FT2) cho mỗi ngân hàng được tính bằng trung bình có trọng số của các tần suất đã chuẩn hóa, theo công thức sau:

Trong đó: FinTech 2i biểu thị chỉ số FinTech tổng hợp của ngân hàng i, còn Yxj là tần suất chuẩn hóa của từ khóa j tại ngân hàng i đã được tính toán.

3.3.3. Biến kiểm soát Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Hiệu quả chi phí quản lý (Cost to Income Ratio – CIR)

Hiệu quả chi phí quản lý phản ánh mức độ cân đối mối quan hệ giữa chi phí hoạt động và thu nhập hoạt động, trong đó có các ngân hàng thương mại (NHTM). Mức chi phí trên thu nhập (Cost to Income Ratio – CIR) cao phản ánh hiệu quả hoạt động của ngân hàng giảm do lợi nhuận bị ảnh hưởng, trong khi mức CIR thấp lại cho thấy chi phí được kiểm soát hiệu quả hơn, từ đó góp phần nâng cao khả năng sinh lời. CIR được tính theo công thức sau:

Chi phí hoạt động phản ánh tổng các khoản chi cần thiết để duy trì hoạt động thường nhật của ngân hàng, bao gồm chi phí nhân sự, quản lý, vận hành hệ thống và các khoản chi khác liên quan, không tính đến chi phí lãi vay. Ngược lại, thu nhập hoạt động được hiểu là tổng hợp các khoản thu từ hoạt động cốt lõi, bao gồm lãi cho vay, phí dịch vụ và các nguồn thu tài chính khác phát sinh từ hoạt động của ngân hàng. Nhiều nghiên cứu trước đây (Ochenge, 2023; Libda, 2024; Deng & ctg, 2021) chỉ ra rằng hiệu quả chi phí quản lý có mối tương quan ngược chiều với rủi ro tín dụng (RRTD), tức là khi hiệu quả chi phí quản lý cao (tỷ lệ CIR thấp), Quản trị rủi ro có xu hướng giảm. Trên cơ sở này, luận văn đề xuất giả thuyết rằng hiệu quả chi phí quản lý (CIR) có mối quan hệ cùng chiều với việc giảm Quản trị rủi ro của các ngân hàng thương mại tại Việt Nam.

• Quy mô vốn chủ sở hữu (Capital Ratio – CAP)

Quy mô vốn chủ sở hữu được đánh giá thông qua tỷ lệ giữa tổng vốn chủ sở hữu và tổng tài sản, phản ánh sức mạnh tài chính của ngân hàng. Chỉ số này đóng vai trò quan trọng trong quyết định tài trợ của nhà đầu tư và thể hiện mức độ sử dụng đòn bẩy tài chính của ngân hàng. Khi vốn chủ sở hữu tăng, tỷ lệ này cũng sẽ tăng tương ứng, dựa trên thông tin về tổng vốn và tổng tài sản được ghi nhận trong bảng cân đối kế toán.

Nhiều nghiên cứu trước đây (Trần, H. S., & ctg, 2021; Ochenge, 2023) chỉ ra rằng quy mô vốn chủ sở hữu tồn tại mối quan hệ ngược chiều với rủi ro tín dụng (RRTD), tức là khi tỷ lệ vốn chủ sở hữu cao hơn, khả năng chịu đựng rủi ro tín dụng của ngân hàng được cải thiện. Trên cơ sở này, luận văn đề xuất giả thuyết rằng quy mô vốn chủ sở hữu (CAP) có mối quan hệ cùng chiều với việc giảm Quản trị rủi ro của các ngân hàng thương mại tại Việt Nam.

• Tỷ lệ an toàn vốn (Capital Adequacy Ratio – CAR) Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Hệ số CAR (Capital Adequacy Ratio), hay tỷ lệ an toàn vốn, phản ánh khả năng chịu đựng Quản trị rủi ro của các ngân hàng thương mại dựa trên đặc điểm nội tại và tình hình kinh tế vĩ mô. Chỉ số này đóng vai trò quan trọng, đảm bảo ngân hàng có đủ năng lực tài chính để dự phòng và xử lý rủi ro tín dụng. Theo tiêu chuẩn Basel, hệ số CAR được tính như sau:

Các nghiên cứu trước đây (Ochenge, 2023; Libda, 2024; Deng & ctg, 2021) đều khẳng định rằng CAR không chỉ phản ánh mức độ lành mạnh về tài chính của ngân hàng mà còn chịu tác động từ cấu trúc vốn, hiệu quả hoạt động và mức độ Quản trị rủi ro mà ngân hàng phải đối mặt. Dựa trên cơ sở đó, luận văn đưa ra giả thuyết rằng tỷ lệ an toàn vốn (CAR) có liên hệ thuận chiều với việc giảm rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam.

• Biến tỷ suất lợi nhuận trên tài sản (Return on Assets – ROA)

ROA (Return on Assets), hay tỷ suất lợi nhuận trên tổng tài sản, là chỉ số phản ánh hiệu quả sử dụng tài sản của ngân hàng trong việc tạo ra lợi nhuận. Chỉ số này giúp các nhà đầu tư đánh giá năng lực quản lý và hiệu quả hoạt động của ngân hàng. Khi ROA cao, điều này cho thấy ngân hàng khai thác tài sản một cách hiệu quả, nâng cao khả năng sinh lời và cải thiện quản trị tài chính. ROA thể hiện mức lợi nhuận thu được trên mỗi đồng tài sản, đồng thời phản ánh năng lực quản lý nguồn lực để tạo ra lợi nhuận bền vững. Công thức tính ROA được xác định như sau:

Lợi nhuận sau thuế (hay lợi nhuận ròng) là phần thu nhập còn lại của ngân hàng sau khi tất cả các chi phí phát sinh trong kỳ, bao gồm chi phí hoạt động, thuế và các khoản chi tài chính khác, đã được khấu trừ. Chỉ tiêu này thể hiện hiệu quả hoạt động cuối cùng của ngân hàng trong một chu kỳ tài chính. Tổng tài sản bao gồm toàn bộ giá trị tài sản mà ngân hàng sở hữu và sử dụng cho hoạt động kinh doanh, trong đó có vốn chủ sở hữu, vốn huy động từ bên ngoài và các tài sản khác được đầu tư nhằm tạo ra thu nhập. Nhiều nghiên cứu trước đây (Trần, H. S., & ctg, 2021; Deng & ctg, 2021; Guo & ctg, 2021) đã chỉ ra rằng lợi nhuận ròng có tác động tích cực đến việc quản trị Quản trị rủi ro của ngân hàng. Trên cơ sở này, luận văn đề xuất giả thuyết rằng tỷ suất sinh lời trên tổng tài sản (ROA) có mối quan hệ cùng chiều với việc giảm Quản trị rủi ro tại các ngân hàng thương mại ở Việt Nam.

• Quy mô ngân hàng (SIZE) Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Quy mô ngân hàng (SIZE) được định nghĩa là tổng giá trị tài sản của ngân hàng và thường có mối quan hệ thuận chiều với lợi nhuận (Hu, D., Zhao & ctg, 2022). Quy mô này phản ánh năng lực tài chính và khả năng chịu đựng rủi ro của ngân hàng. Các ngân hàng có quy mô lớn thường vận hành hệ thống quản lý rủi ro tín dụng (RRTD) hiệu quả hơn, áp dụng quy trình cấp tín dụng nghiêm ngặt, đồng thời tích lũy kinh nghiệm quản trị nợ và giám sát rủi ro vượt trội. Trong nghiên cứu này, biến SIZE được xác định thông qua logarit tự nhiên của tổng tài sản ngân hàng. Dựa trên cơ sở đó, tác giả đề xuất rằng quy mô ngân hàng (SIZE) tồn tại mối quan hệ nghịch chiều với Quản trị rủi ro. Công thức tính SIZE được trình bày như sau:

Toàn bộ giá trị tài sản được ngân hàng sở hữu và kiểm soát được coi là tổng tài sản của ngân hàng. Nhiều nghiên cứu trước đây (Ochenge, 2023; Cù & ctg, 2024; Libda, 2024) đã chỉ ra rằng quy mô ngân hàng có tác động tích cực đến lợi nhuận. Trên cơ sở này, giả thuyết được đưa ra rằng quy mô ngân hàng (SIZE) có mối liên hệ thuận chiều với khả năng quản trị rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam.

• Mức tăng trưởng tổng sản phẩm quốc nội (Gross Domestic Product – GDP)

Tổng sản phẩm quốc nội (GDP) phản ánh tổng giá trị thị trường của tất cả hàng hóa và dịch vụ cuối cùng được sản xuất trong phạm vi lãnh thổ quốc gia trong một khoảng thời gian nhất định, thường tính theo năm hoặc quý (Tổng cục Thống kê Việt Nam). Tăng trưởng GDP được coi là một chỉ số quan trọng phản ánh mức độ phát triển kinh tế và có ảnh hưởng trực tiếp đến hoạt động của doanh nghiệp cũng như thu nhập của người lao động. Khi GDP duy trì đà tăng trưởng ổn định, hoạt động sản xuất – kinh doanh của doanh nghiệp thường được mở rộng, lợi nhuận được cải thiện, trong khi thu nhập của người lao động trở nên ổn định hơn, từ đó nâng cao khả năng trả nợ và góp phần giảm rủi ro tín dụng. Ngược lại, trong những giai đoạn kinh tế suy thoái, GDP giảm kéo theo thất nghiệp, lạm phát và mất giá đồng nội tệ, từ đó làm gia tăng Quản trị rủi ro do khả năng trả nợ của khách hàng suy giảm và nhu cầu vay vốn bị ảnh hưởng tiêu cực (Trần, H. S., & ctg, 2021; Cheng & ctg, 2020; Cù & ctg, 2024).

Trong GDP, C đại diện cho chi tiêu của hộ gia đình, bao gồm tất cả các khoản chi tiêu cho hàng hóa và dịch vụ. G là chi tiêu của chính phủ, phản ánh tổng mức chi cho giáo dục, y tế, an ninh, giao thông, các dịch vụ công và các chính sách công khác. I biểu thị tổng đầu tư, tức các khoản chi tiêu của doanh nghiệp và nhà đầu tư cho trang thiết bị, nhà xưởng và các hạng mục sản xuất – kinh doanh khác. Các nghiên cứu trước đây, bao gồm Ochenge (2023); Deng & ctg (2021); Trần, H. S., & ctg (2021); Cheng & ctg (2020) và Cù & ctg (2024), đều chỉ ra rằng tốc độ tăng trưởng tổng sản phẩm quốc nội (GDP) tác động tích cực đến hoạt động của các ngân hàng thương mại. Dựa trên những bằng chứng này, nghiên cứu dự đoán rằng GDP và rủi ro tín dụng (RRTD) có mối quan hệ cùng chiều. Từ cơ sở đó, luận văn xây dựng giả thuyết rằng GDP có ảnh hưởng thuận chiều đến Quản trị rủi ro của các ngân hàng thương mại tại Việt Nam. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Tỷ lệ lạm phát (Inflation – INF)

Lạm phát (INF) thường được phản ánh thông qua chỉ số giá tiêu dùng (Consumer Price Index – CPI). Chỉ số này được sử dụng để phản ánh mức thay đổi trung bình của chi phí mà các cá nhân hoặc hộ gia đình phải chi trả để tiếp cận các mặt hàng và dịch vụ thiết yếu trong nền kinh tế. Chỉ số này được trình bày dưới dạng tỷ lệ phần trăm, thể hiện mức biến động giá của một rổ hàng hóa và dịch vụ tiêu biểu trong một khoảng thời gian nhất định, thường được tính theo tháng hoặc theo năm.

Thời kỳ T được lựa chọn để tính toán chỉ số giá tiêu dùng (CPI), trong khi kỳ cơ sở sẽ được xác định tùy theo mục tiêu nghiên cứu cụ thể. Giỏ hàng hóa và dịch vụ được cấu thành từ các nhóm thiết yếu như thực phẩm, đồ uống, nhà ở, may mặc, giáo dục, y tế, viễn thông, giao thông, giải trí cùng các mặt hàng nhu yếu khác. Lạm phát xảy ra khi lượng tiền giấy lưu thông vượt mức cần thiết của nền kinh tế, gây ra sự mất giá của tiền tệ và phân bổ lại thu nhập quốc dân. Lạm phát được định nghĩa là quá trình tăng liên tục của mức giá chung đối với hàng hóa và dịch vụ trong một khoảng thời gian, đồng thời phản ánh sự sụt giảm giá trị của tiền tệ trong bối cảnh kinh tế vĩ mô. Khi lạm phát tăng, giá trị thực của các khoản vay giảm, giúp khách hàng dễ dàng trả nợ hơn (Fofack, 2005). Ngược lại, sự giảm của CPI có thể phản ánh hiện tượng giảm giá diện rộng hoặc nguy cơ giảm phát, từ đó ảnh hưởng tiêu cực đến tăng trưởng kinh tế và hoạt động sản xuất – kinh doanh. Mức lạm phát cũng phản ánh sự suy giảm sức mua của đồng tiền, thường phát sinh khi nhu cầu hàng hóa vượt quá lượng tiền lưu thông. Tác động của lạm phát đối với lãi suất ngân hàng, tùy thuộc vào khả năng dự đoán trước, có thể là tích cực hoặc tiêu cực, từ đó ảnh hưởng gián tiếp đến chi phí và lợi nhuận của các tổ chức tín dụng. Các nghiên cứu trước đây như Trần, S., & ctg (2021); Ochenge (2023); Deng & ctg (2021) đều cho thấy tỷ lệ lạm phát tác động tích cực đến hoạt động của ngân hàng. Dựa trên cơ sở này, luận văn đưa ra giả thuyết rằng lạm phát được cho là có quan hệ thuận chiều với rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam.

• Bảng 3.4: Tổng hợp nghiên cứu thực nghiệm trong và ngoài nước

3.3. Phương pháp nghiên cứu Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

3.3.1. Dữ liệu nghiên cứu

Mẫu nghiên cứu được hình thành từ 24 ngân hàng thương mại cổ phần (TMCP) với dữ liệu thu thập trong giai đoạn 2014–2024. Khoảng thời gian này đảm bảo dữ liệu trên báo cáo tài chính của các ngân hàng thương mại tại Việt Nam được cập nhật đầy đủ, đồng thời phản ánh các biến động và giai đoạn phục hồi kinh tế sau cuộc khủng hoảng tài chính 2007–2008 và sau đại dịch COVID-19 giai đoạn 2019–2021. Do đó, các ngân hàng trong mẫu có tính đại diện cao cho toàn bộ hệ thống ngân hàng thương mại Việt Nam, tạo ra bảng dữ liệu bất cân xứng gồm 24 ngân hàng qua 10 năm với tổng cộng 240 quan sát.

Dữ liệu phục vụ nghiên cứu được thu thập từ nhiều nguồn khác nhau: các biến tài chính được rút trích và xử lý từ báo cáo tài chính, trong khi dữ liệu về mức độ triển khai FinTech tại các ngân hàng được lấy từ nền tảng Web Statista và thuyết minh báo cáo tài chính; chỉ số ICT (ICT Index) được tổng hợp từ Báo cáo Vietnam ICT Index; các chỉ số vĩ mô như GDP và lạm phát (INF) được lấy từ cơ sở dữ liệu của Ngân hàng Thế giới (World Bank).

3.3.2. Phương pháp nghiên cứu

Trong nghiên cứu này, việc phân tích tác động của FinTech đến rủi ro tín dụng (RRTD) tại các ngân hàng thương mại (NHTM) ở Việt Nam được thực hiện thông qua các mô hình hồi quy đa biến. Dữ liệu dạng bảng thường được xử lý bằng những phương pháp phổ biến như hồi quy gộp (Pooled OLS), hồi quy tác động cố định (FEM) và hồi quy tác động ngẫu nhiên (REM). Nhiều công trình nghiên cứu trước đây, chẳng hạn Buchak & ctg (2018) và Trần, H. S. & ctg (2021), đã vận dụng phương pháp OLS để khảo sát mối quan hệ giữa FinTech và Quản trị rủi ro. Dựa trên cơ sở đó, nghiên cứu này đồng thời triển khai các mô hình Pooled OLS, REM và FEM, đồng thời áp dụng thêm các kỹ thuật phân tích nâng cao như FGLS và GMM (Generalized Method of Moments) nhằm xử lý dữ liệu bảng một cách toàn diện hơn, từ đó đánh giá chính xác hơn mức độ tác động của FinTech đối với Quản trị rủi ro. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

3.3.2.1 Mô hình bình phương tối thiểu gộp (Ordinary Least Squares – Pooled OLS)

Mô hình Pooled OLS là mô hình có cách tiếp cận đơn giản nhất để ước lượng mô hình hồi quy bình phương tối thiểu (Pooled OLS) và không đề cập đến các ảnh hưởng từ khía cạnh thời gian và không gian. Sau đây là mô hình hồi quy: Yi,t = β1 + β2X2i,t + β3X3i,t + …+ Ɛi,t

• Trong đó: i =1, 2, 3,…n; và t =1, 2, 3, …T

Mô hình Pooled OLS chỉ thực sự phù hợp trong trường hợp không tồn tại sự khác biệt đặc thù giữa các đối tượng nghiên cứu (các ngân hàng) cũng như không có ảnh hưởng theo thời gian. Tuy nhiên, giả định này khá hạn chế và khó đáp ứng trong thực tế, bởi mỗi ngân hàng đều có những đặc điểm riêng có thể tác động đến Quản trị rủi ro. Việc bỏ qua các yếu tố đặc thù này khiến mô hình Pooled OLS có thể đặt ra những ràng buộc quá chặt chẽ, dẫn đến kết quả ước lượng thiếu chính xác. Hạn chế này cũng dẫn tới nguy cơ gia tăng hiện tượng tự tương quan giữa các biến độc lập trong trường hợp mô hình chứa nhiều biến giải thích, khiến cho các hệ số ước lượng bị suy giảm hiệu quả. Do đó, kết quả hồi quy từ Pooled OLS thường kém tin cậy, và cần được so sánh, đối chiếu với các mô hình khác như FEM hoặc REM nhằm phản ánh tốt hơn đặc điểm đa chiều và biến động theo thời gian của dữ liệu.

3.3.2.2. Mô hình tác động cố định (Fixed Effects Model – FEM)

Mô hình hiệu ứng cố định (Fixed Effects Model – FEM) dùng để khắc phục hạn chế của Pooled OLS bằng cách xét đến sự khác biệt không quan sát được giữa các ngân hàng trong không gian. FEM kiểm soát các yếu tố đặc thù của từng đơn vị có thể ảnh hưởng đến biến phụ thuộc nhưng không thể đo lường trực tiếp, nhờ đó giúp hạn chế sai lệch trong kết quả phân tích. Mô hình này phù hợp khi các đơn vị trong mẫu có tính đại diện cho một tổng thể lớn hơn, đồng thời cho phép phân tích biến động của biến phụ thuộc theo thời gian khi đưa thêm các hiệu ứng cố định theo từng giai đoạn. Tuy nhiên, FEM cũng tồn tại một số nhược điểm. Do chỉ khai thác sự biến động bên trong từng đơn vị, mô hình không thể ước lượng được các biến độc lập ít thay đổi hoặc giữ nguyên theo thời gian. Bên cạnh đó, việc bổ sung quá nhiều hiệu ứng cố định có thể làm tăng số lượng tham số cần được ước lượng, từ đó làm giảm hiệu quả khi xử lý dữ liệu có quy mô lớn. FEM cũng bị hạn chế khi mục tiêu nghiên cứu là mở rộng kết quả ra ngoài mẫu, bởi mô hình này chỉ tập trung phân tích trên các quan sát đã được ghi nhận. Yi,t = βi,t + β2X2i,t + β3X3i,t + …+ Ɛi,t Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

3.3.2.3. Mô hình tác động ngẫu nhiên (Random Effects Model – REM)

Khác với FEM, nơi mà sự khác biệt giữa các đơn vị nghiên cứu được coi là cố định và có khả năng tác động trực tiếp đến biến phụ thuộc, REM lại giả định rằng những khác biệt này mang tính ngẫu nhiên và không chịu ảnh hưởng bởi các biến giải thích. Trong REM, các đặc điểm riêng biệt của từng ngân hàng được đưa vào thành phần sai số ngẫu nhiên, qua đó tác động gián tiếp lên biến phụ thuộc. Ưu điểm của mô hình REM:

• Phân tích hiệu quả cả hiệu ứng cố định lẫn ngẫu nhiên: REM cho phép mô hình hóa đồng thời cả các yếu tố ổn định theo thời gian và các yếu tố mang tính ngẫu nhiên giữa các đơn vị quan sát, từ đó giúp tận dụng được nhiều thông tin trong dữ liệu hơn.
• Mô hình REM đặc biệt thích hợp khi phân tích dữ liệu bảng (panel data), vốn thể hiện sự biến động theo cả chiều thời gian lẫn giữa các đối tượng nghiên cứu. Nhờ đó, REM cho phép đánh giá đồng thời tác động của những biến có tính động và những biến ổn định trong suốt giai đoạn quan sát.
• Hiệu quả khi dữ liệu hạn chế: Với giả định sai số ngẫu nhiên độc lập với các biến giải thích, REM có thể cho kết quả tin cậy ngay cả khi số quan sát chưa nhiều, phù hợp trong bối cảnh nghiên cứu có quy mô mẫu nhỏ hoặc khó thu thập dữ liệu.

Tuy nhiên, REM cũng tồn tại một số hạn chế:

• Giả định độc lập giữa hiệu ứng ngẫu nhiên và biến giải thích: Nếu giả định này không được đảm bảo (tức là tồn tại tương quan giữa hiệu ứng ngẫu nhiên và biến độc lập), thì các ước lượng của REM sẽ bị chệch và không hiệu quả, dẫn đến sai lệch kết quả phân tích thực nghiệm. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.
• Thiếu cơ chế xác định rõ ràng nguyên nhân ảnh hưởng: REM không phân biệt rõ ràng giữa các yếu tố cố định và ngẫu nhiên ảnh hưởng đến biến phụ thuộc, điều này khiến quá trình diễn giải kết quả trở nên phức tạp hơn và yêu cầu nhà nghiên cứu có sự hiểu biết sâu về bản chất dữ liệu.

Giả định về tính đồng nhất giữa các đơn vị quan sát: Mô hình cho rằng hiệu ứng ngẫu nhiên được phân bố đồng đều giữa các đơn vị. Nếu các đơn vị quan sát có sự khác biệt đáng kể và không đồng nhất, việc sử dụng mô hình REM có thể gây ra sai lệch trong kết quả. Mô hình REM được thể hiện như sau: Yi,t = α + β1X1,it +…+ βkXk,it + ωi,t Với ωi,t= εi + γi,t

3.3.2.4. Mô hình bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares– FGLS)

Việc lựa chọn mô hình hồi quy cho dữ liệu bảng thường dựa trên các kiểm định đặc thù, chẳng hạn như kiểm định Wald hiệu chỉnh (Modified Wald Test) và kiểm định Wooldridge, nhằm phát hiện hiện tượng phương sai thay đổi và tự tương quan trong phần dư. Khi một trong hai giả định này bị vi phạm, phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares – FGLS) được khuyến nghị để hiệu chỉnh, qua đó nâng cao độ tin cậy và hiệu quả của kết quả ước lượng (Wooldridge, 2002; Gujarati, 2015). Về bản chất, FGLS là sự mở rộng của OLS, với việc điều chỉnh ma trận phương sai – hiệp phương sai của sai số nhằm đáp ứng các giả định Gauss–Markov, đặc biệt liên quan đến tính đồng nhất phương sai và độc lập chuỗi sai số. Sau khi mô hình được ước lượng, ý nghĩa thống kê của các biến được đánh giá thông qua p-value, với ngưỡng phổ biến 5%.

3.4.3. Các kiểm định Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Do mỗi mô hình sở hữu những ưu và nhược điểm riêng, nên để xác định mô hình hồi quy phù hợp nhất trong ba phương pháp nêu trên, các kiểm định bổ sung đã được tiến hành.

3.4.3.1. Kiểm định F – statistics (F-test)

Kiểm định F-Test được sử dụng để so sánh hai mô hình Pooled OLS và FEM. Giả thuyết đặt ra gồm:

• H0: Mô hình Pooled OLS thích hợp
• H1 : Mô hình FEM thích hợp

Khi thực hiện kiểm định, nếu giá trị p-value nhỏ hơn mức ý nghĩa lựa chọn (thường là 1%, 5% hoặc 10%), H₀ sẽ bị bác bỏ, đồng nghĩa với việc Pooled OLS không còn phù hợp và FEM được ưu tiên thay thế. Ngược lại, nếu p-value lớn hơn ngưỡng này, H₀ không bị bác bỏ, cho thấy Pooled OLS có thể sử dụng. Sau bước này, mô hình REM cũng có thể được đưa vào để so sánh và lựa chọn cuối cùng.

3.4.3.2. Kiểm định Hausman

Để xác định mô hình phù hợp giữa FEM và REM, kiểm định Hausman thường được áp dụng. Giả thuyết H₀ cho rằng không có sự khác biệt đáng kể giữa hai mô hình, tức REM là lựa chọn thích hợp; trong khi H₁ khẳng định FEM phù hợp hơn do tồn tại sự khác biệt có hệ thống. Trường hợp p-value lớn hơn mức ý nghĩa đã được đặt ra (1%, 5% hoặc 10%), H₀ không bị bác bỏ và REM được ưu tiên. Ngược lại, khi p-value nhỏ hơn ngưỡng này, H₀ bị bác bỏ, cho thấy FEM là mô hình thích hợp. Nhìn chung, việc sử dụng FEM hoặc REM đều mang lại kết quả tin cậy hơn so với Pooled OLS nhờ khả năng kiểm soát các yếu tố không quan sát được.

3.4.3.3. Kiểm định đa cộng tuyến Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Đa cộng tuyến xảy ra khi các biến độc lập trong mô hình có mức tương quan cao, làm cho ước lượng hệ số trở nên thiếu ổn định và giảm độ tin cậy. Để kiểm tra hiện tượng này, nghiên cứu sử dụng chỉ số phóng đại phương sai (VIF). Theo Hair & ctg (2014), ngưỡng chặt chẽ là VIF < 4, trong khi giá trị dưới 10 vẫn được xem là chấp nhận được. Như vậy, nếu VIF < 10 thì có thể coi là không có đa cộng tuyến đáng kể; ngược lại, VIF > 10 cho thấy hiện tượng đa cộng tuyến xuất hiện. Khi đó, các biến vi phạm sẽ được xem xét loại bỏ hoặc điều chỉnh lại dựa trên cơ sở lý thuyết.

3.4.3.4. Kiểm định phương sai sai số thay đổi

Để phát hiện hiện tượng phương sai sai số thay đổi, nghiên cứu sử dụng các kiểm định phù hợp cho từng mô hình: White cho Pooled OLS, Modified Wald cho FEM và Breusch – Pagan cho REM. Giả thuyết kiểm định được đặt ra như sau:

• H0: Không tồn tại phương sai sai số thay đổi
• H1: Tồn tại phương sai sai số thay đổi

Nếu P–value lớn hơn mức ý nghĩa, H₀ được chấp nhận; ngược lại, khi P–value nhỏ hơn mức ý nghĩa thì bác bỏ H₀. Trong trường hợp có hiện tượng phương sai sai số thay đổi, phương pháp FGLS sẽ được áp dụng để điều chỉnh và đảm bảo kết quả ước lượng đáng tin cậy.

3.4.3.5. Kiểm định tự tương quan

Để kiểm định hiện tượng tự tương quan, nghiên cứu áp dụng phương pháp Wooldridge. Giả thuyết được đặt ra gồm:

• H0 : Không có tự tương quan giữa các phần dư
• H1 : Có tự tương quan giữa các phần sư

Nếu giá trị Prob > F nhỏ hơn mức ý nghĩa, H₀ sẽ bị bác bỏ, tức tồn tại tự tương quan. Khi đó, phương pháp GLS sẽ được sử dụng để khắc phục nhằm đảm bảo kết quả ước lượng đáng tin cậy.

3.4.3.6. Kiểm định GMM (Generalized Method of Moments) Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Dù FEM thường áp dụng điều chỉnh sai số để xử lý hiện tượng phương sai thay đổi và tự tương quan, nhưng vẫn tồn tại nguy cơ sai lệch do vấn đề nội sinh (Wintoki & ctg, 2012). Theo Cameron và Colin (2007), các phương pháp ước lượng truyền thống như OLS, FEM hay REM dễ dẫn đến sai số trong bối cảnh dữ liệu bảng có chiều dài thời gian ngắn. FGLS tuy xử lý được tự tương quan và phương sai thay đổi, nhưng không giải quyết được nội sinh. Do đó, nghiên cứu này sử dụng phương pháp GMM (Generalized Method of Moments) của Arellano và Bond (1991), cụ thể là hồi quy SGMM hai bước (System GMM), vì các lý do sau:

• Bộ dữ liệu nghiên cứu thuộc dạng bảng động, không cân bằng và chủ yếu bao gồm các biến liên tục.
• Số năm quan sát (T = 11) nhỏ hơn số đơn vị phân tích (N = 25), phù hợp với đặc trưng của SGMM.
• Mô hình được xây dựng trên giả định rằng tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập.
• Biến phụ thuộc có độ trễ (NPLi,t-1, LLPi,t-1) được đưa vào làm biến giải thích nên có khả năng tương quan với phần dư.

Trong thực tiễn, GMM có hai biến thể được áp dụng rộng rãi: GMM sai phân (Difference GMM – DGMM) của Arellano & Bond (1991) và GMM hệ thống (System GMM – SGMM) của Blundell & Bond (1998). DGMM biến đổi mô hình gốc về dạng sai phân để loại bỏ sai lệch, trong khi SGMM kết hợp cả mô hình sai phân và mô hình gốc nhằm tăng hiệu quả ước lượng. Với đặc điểm dữ liệu quan sát hạn chế, SGMM thường cho kết quả tin cậy hơn DGMM. Tóm lại, phương pháp GMM được áp dụng nhằm đồng thời xử lý các hạn chế phổ biến trong mô hình hồi quy như phương sai thay đổi, tự tương quan và nội sinh, qua đó đảm bảo các ước lượng đạt tính vững chắc và không bị sai lệch.

KẾT LUẬN CHƯƠNG 3

Dựa trên cơ sở lý thuyết cùng các nghiên cứu thực nghiệm được trình bày trong Chương 2, chương này nhằm mục đích mô tả quy trình thu thập dữ liệu, thiết lập mô hình nghiên cứu và phương pháp phân tích được áp dụng. Các biến trong mô hình cũng được định nghĩa rõ ràng, bao gồm biến phụ thuộc, biến độc lập và biến kiểm soát.

Dữ liệu nghiên cứu được tổng hợp từ 24 ngân hàng thương mại tại Việt Nam trong giai đoạn 2014–2024, với mục tiêu phân tích tác động của công nghệ tài chính (FinTech) đối với rủi ro tín dụng (RRTD). Do tính chất động và không cân bằng của dữ liệu bảng, cùng với khả năng xuất hiện nội sinh, phương pháp GMM — một kỹ thuật phổ biến cho phân tích dữ liệu bảng động — đã được lựa chọn. Trong mô hình, biến độ trễ của Quản trị rủi ro được đưa vào như một biến giải thích nhằm phản ánh tác động theo thời gian.

Bên cạnh đó, nghiên cứu còn làm rõ hướng tác động của các yếu tố FinTech tới Quản trị rủi ro và đề xuất các giả thuyết nghiên cứu, làm tiền đề cho các bước kiểm định tiếp theo. Luận văn: PPNC Tác động của FinTech đến rủi ro tín dụng tại NH.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com