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

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC 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.

4.1. Thực trạng FinTech tại Việt Nam

4.1.1 Đánh giá thực trạng Quản trị rủi ro của ngân hàng thương mại

Biểu đồ trên phản ánh mức trung bình của tỷ lệ Quản trị rủi ro tại các ngân hàng thương mại ở Việt Nam trong giai đoạn 2014–2024. Kết quả cho thấy trong suốt khoảng thời gian quan sát, Quản trị rủi ro đã trải qua những biến động đáng kể.

• Biểu đồ 4.1. Biểu đồ tín dụng của các ngân hàng thương mại Việt Nam giai đoạn 2014-2024

Trong giai đoạn 2014–2015, tỷ lệ Quản trị rủi ro giảm nhẹ từ 1,73% xuống 1,60%, phản ánh nỗ lực kiểm soát chất lượng tín dụng của các ngân hàng thương mại trong bối cảnh kinh tế phục hồi chậm sau tái cơ cấu. Tuy nhiên, năm 2016 ghi nhận sự gia tăng đáng kể của Quản trị rủi ro lên 1,93% và duy trì mức cao 1,90% vào năm 2017, cho thấy rủi ro tín dụng bắt đầu quay trở lại, có thể do áp lực mở rộng tín dụng hoặc nới lỏng tiêu chuẩn cho vay ở một số phân khúc. Trong hai năm 2018–2019, Quản trị rủi ro giảm nhẹ và ổn định quanh mức 1,83%, nhưng đến năm 2020 lại tăng vọt lên 2,07% khi dịch COVID-19 bùng phát, khiến nhiều khách hàng gặp khó khăn trong việc trả nợ. Đến năm 2021, tỷ lệ này giảm còn 1,72%, phản ánh sự phục hồi bước đầu nhờ các chính sách hỗ trợ tín dụng, cơ cấu lại nợ và giãn hoãn nghĩa vụ trả nợ. Từ 2022 trở đi, Quản trị rủi ro có xu hướng tăng trở lại, từ 1,78% năm 2022 lên 2,15% năm 2023 và đạt 2,34% vào năm 2024. Xu hướng này phản ánh sự xuất hiện của các thách thức mới đối với hệ thống ngân hàng, bao gồm chi phí vốn tăng cao, sự biến động của lãi suất và sức khỏe tài chính của nhiều khách hàng vẫn chưa được cải thiện ổn định. Đồng thời, một phần nợ cơ cấu sau đại dịch, khi đến kỳ trả, đã được chuyển thành nợ xấu, dẫn đến mức tăng của tỷ lệ Quản trị rủi ro. Tóm lại, trong giai đoạn 2014–2024, Quản trị rủi ro tại các ngân hàng thương mại ở Việt Nam thể hiện những biến động mang tính chu kỳ, chịu ảnh hưởng từ bối cảnh kinh tế vĩ mô, chính sách tín dụng của Ngân hàng Nhà nước Việt Nam, cũng như năng lực quản trị rủi ro của từng ngân hàng. Để kiểm soát hiệu quả, các ngân hàng thương mại cần tiếp tục hiện đại hóa công cụ quản trị rủi ro, tuân thủ chuẩn mực Basel và theo dõi chặt chẽ tình hình tài chính khách hàng trong bối cảnh bất định sau đại dịch. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

4.1.2. Đánh giá thực trạng FinTech

Trong vòng một thập niên qua, FinTech tại Việt Nam đã phát triển nhanh chóng, đặc biệt từ 2014 đến 2024. Số lượng doanh nghiệp FinTech tăng từ 49 lên khoảng 260, tức gấp hơn 5 lần (Statista, 2024), phản ánh xu thế số hóa mạnh mẽ trong tài chính, nổi bật ở các mảng thanh toán điện tử, P2P lending, blockchain và quản lý tài sản số. Sự bứt phá này được thúc đẩy bởi ba yếu tố: nhu cầu gia tăng đối với dịch vụ tài chính nhanh và linh hoạt; mức độ phổ cập internet và smartphone cao; cùng với chính sách khuyến khích đổi mới, thử nghiệm sandbox của Chính phủ. Theo Ngân hàng Nhà nước (2022), hơn 80% doanh nghiệp FinTech hoạt động trong mảng thanh toán số, cho thấy sự tập trung vào lĩnh vực có thị trường rộng và dễ triển khai. Bên cạnh những tác động tích cực đến khả năng tiếp cận tài chính và hiệu quả hoạt động của ngân hàng, FinTech cũng mang lại những rủi ro đối với hệ thống ngân hàng truyền thống, đặc biệt là trong việc kiểm soát rủi ro tín dụng (RRTD). Các nghiên cứu trong nước (Cù & ctg, 2024; Trần H. S. & ctg, 2021) đã chỉ ra mối liên hệ giữa FinTech và chất lượng tín dụng thông qua sự thay đổi trong mô hình cho vay, việc phân tán thông tin và gia tăng Quản trị rủi ro. Sự phát triển nhanh chóng của các nền tảng P2P, nếu không được kiểm soát chặt chẽ, có khả năng làm tăng tỷ lệ nợ xấu. Nghiên cứu quốc tế của Mamiza Haq & ctg (2020) cũng chỉ ra rằng, tại các quốc gia đang phát triển, FinTech có thể làm suy giảm chất lượng tài sản ngân hàng khi cơ chế sàng lọc rủi ro không được thực hiện hiệu quả. Do đó, để FinTech phát triển một cách bền vững tại Việt Nam, cần đi kèm với cải cách khung pháp lý, giám sát chặt chẽ và ứng dụng công nghệ dữ liệu lớn nhằm kịp thời nhận diện và quản lý Quản trị rủi ro.

• Biểu đồ 4.2. Biểu đồ số lượng các công ty FinTech tại Việt Nam

4.1.3. Đánh giá thực trạng tác động của FinTech đến Quản trị rủi ro các ngân hàng thương mại tại VN Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trong vòng mười năm qua, công tác quản lý rủi ro tín dụng (RRTD) tại các ngân hàng thương mại ở Việt Nam đã chịu tác động sâu sắc từ sự bùng nổ phát triển của FinTech. Nhiều giải pháp công nghệ được ứng dụng trong toàn bộ quy trình tín dụng, từ khâu thẩm định, chấm điểm tín dụng, giám sát cho đến thu hồi nợ. Những công nghệ như trí tuệ nhân tạo (AI), dữ liệu lớn (big data) và học máy (machine learning) đã được ứng dụng để nâng cao năng lực phân tích và đánh giá rủi ro của ngân hàng, đồng thời cải thiện hiệu quả trong việc kiểm soát nợ xấu. Đáng chú ý là việc triển khai mô hình chấm điểm dựa trên dữ liệu phi truyền thống, bao gồm hành vi tiêu dùng trực tuyến, lịch sử giao dịch điện tử và dữ liệu mạng xã hội. Cách tiếp cận này giúp ngân hàng mở rộng khả năng tiếp cận khách hàng chưa có lịch sử tín dụng, đồng thời nâng cao độ chính xác trong đánh giá rủi ro. Những phát hiện của nghiên cứu của Trần H. S. & ctg (2021) cho thấy việc ứng dụng FinTech có mối quan hệ ngược chiều với nợ xấu và rủi ro tín dụng, phản ánh vai trò tích cực của công nghệ trong việc nâng cao chất lượng tín dụng. Ngoài ra, FinTech còn hỗ trợ thu hồi nợ và giám sát rủi ro thông qua các công cụ tự động nhắc nợ, cảnh báo sớm khoản vay có nguy cơ quá hạn và cập nhật xếp hạng tín dụng theo thời gian thực theo nghiên cứu của Petrík (2023); Buchak & ctg (2018). Tuy nhiên, tác động của FinTech không chỉ mang tính tích cực. Sự phát triển nhanh của các mô hình như P2P lending, “mua trước, trả sau” hay tín dụng vi mô số trong bối cảnh khung pháp lý chưa hoàn thiện tiềm ẩn nhiều rủi ro. Nhiều công ty hoạt động ngoài sự giám sát của cơ quan quản lý, dẫn đến sự hình thành tín dụng bóng và làm tăng tính mong manh của hệ thống ngân hàng theo Cù & ctg (2024). Bên cạnh đó, việc quá phụ thuộc vào mô hình chấm điểm tự động có thể khiến ngân hàng đánh giá sai mức độ rủi ro nếu dữ liệu đầu vào thiếu chính xác. Ochenge (2023) nhấn mạnh rằng các thuật toán, nếu không được kiểm soát và bổ sung bởi yếu tố con người, có thể che giấu những rủi ro tiềm ẩn. Tóm lại, FinTech mang lại cả cơ hội lẫn thách thức đối với quản trị Quản trị rủi ro tại các ngân hàng thương mại. Công nghệ góp phần cải thiện khả năng nhận diện và kiểm soát rủi ro, nhưng đồng thời cũng có thể tạo ra những nguy cơ mới nếu thiếu cơ chế quản lý phù hợp. Do đó, các ngân hàng cần triển khai FinTech gắn liền với chiến lược quản trị rủi ro toàn diện, trong khi cơ quan quản lý cần sớm hoàn thiện hành lang pháp lý cho hoạt động FinTech, đặc biệt trong lĩnh vực tín dụng, để đảm bảo sự an toàn và bền vững của hệ thống tài chính.

4.2. Thống kê mô tả các biến trong mô hình nghiên cứu Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Theo các tiêu chí lựa chọn mẫu đã đề ra, nghiên cứu sử dụng 240 quan sát được thu thập từ 24 ngân hàng thương mại tại Việt Nam trong giai đoạn 2014–2024. Dữ liệu tài chính lấy từ báo cáo thường niên đã được kiểm toán, trong khi thông tin liên quan đến FinTech được trích xuất và tổng hợp từ báo cáo thường niên của từng ngân hàng. và Báo cáo Vietnam ICT Index do Vụ Công nghệ Thông tin – Bộ Thông tin và Truyền thông công bố. Bảng 4.1 trình bày thống kê mô tả của các biến trong mô hình, bao gồm số quan sát, giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất.

• Bảng 4.3. Thống kê mô tả các biến trong nghiên cứu

Trong mô hình nghiên cứu, biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời, tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Biến phụ thuộc tỷ lệ nợ xấu (NPL) có giá trị trung bình 0,019, nghĩa là nợ xấu chiếm khoảng 1,9% tổng dư nợ trong mẫu nghiên cứu. Độ lệch chuẩn 0,0116 cho thấy sự khác biệt giữa các ngân hàng tồn tại nhưng không quá lớn. Giá trị dao động từ 0 đến 0,0727 phản ánh có ngân hàng kiểm soát nợ xấu tốt, trong khi một số khác gặp nhiều thách thức về chất lượng tín dụng. Biến tỷ lệ dự phòng tổn thất cho vay (LLP) đạt trung bình 0,0139, tức các ngân hàng trích lập khoảng 1,39% dư nợ để dự phòng rủi ro. Độ lệch chuẩn thấp (0,0042) cho thấy chính sách trích lập khá thống nhất, mặc dù vẫn có sự khác biệt, với giá trị dao động từ 0,0078 đến 0,0312. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Đối với các biến độc lập, chỉ số sẵn sàng ứng dụng ICT có giá trị trung bình 0,5386 và độ lệch chuẩn 0,1085, phản ánh mức độ sẵn sàng công nghệ ở mức trung bình khá và tương đối đồng đều giữa các ngân hàng thương mại. Số lượng công ty FinTech trung bình đạt 4,77 với độ lệch chuẩn 0,4384, cho thấy hệ sinh thái FinTech tại Việt Nam phát triển ổn định theo thời gian. Trong khi đó, chỉ số đầu ra FinTech (FT) đạt giá trị trung bình 0,0111 nhưng độ lệch chuẩn gần tương đương (0,0139), thể hiện sự khác biệt rõ: một số ngân hàng đổi mới mạnh, trong khi nhiều ngân hàng vẫn khai thác hạn chế.

Về biến kiểm soát, CIR có giá trị trung bình 0,4946 với độ lệch chuẩn 0,1535, phản ánh sự khác biệt tương đối lớn về hiệu quả hoạt động. CAP trung bình 0,0829 (dao động từ 0,0406 đến 0,1709), thể hiện sự khác biệt về mức vốn tự có. CAR có giá trị trung bình 0,294 với độ lệch chuẩn 0,3005, cho thấy sự phân hóa đáng kể trong việc tuân thủ chuẩn an toàn vốn. SIZE trung bình 32,91 và dao động từ 30,77 đến 35,55, phản ánh sự chênh lệch lớn về quy mô. ROA trung bình 0,0090 với độ lệch chuẩn 0,0075, nghĩa là mỗi đồng tài sản tạo ra khoảng 0,9% lợi nhuận sau thuế, song có sự khác biệt giữa các ngân hàng (từ 0,0001 đến 0,0358). Ở tầm vĩ mô, GDP trung bình tăng 5,95%/năm (dao động 2,58% – 8,02%), trong khi INF duy trì ở mức thấp, trung bình 2,35% và cao nhất 4,99%, cho thấy môi trường vĩ mô khá ổn định trong giai đoạn nghiên cứu.

4.3. Phân tích tương quan các biến trong mô hình nghiên cứu

Ma trận hệ số tương quan là một ma trận vuông, trong đó các giá trị trên đường chéo chính luôn bằng 1, bởi mỗi biến đều có mức tương quan tuyệt đối với chính nó. Các phần tử ngoài đường chéo thể hiện mức độ liên quan giữa từng cặp biến, với hệ số nằm trong khoảng từ -1 đến 1. Cụ thể, hệ số bằng 1 phản ánh mối quan hệ tuyến tính cùng chiều hoàn hảo; hệ số -1 chỉ ra mối quan hệ tuyến tính ngược chiều hoàn hảo; trong khi giá trị gần 0 biểu thị gần như không tồn tại mối quan hệ tuyến tính rõ ràng. Công cụ này được sử dụng để đánh giá mức độ liên kết và tương tác giữa các biến nghiên cứu.

• Bảng 4.4. Ma trận hệ số tương quan trong mô hình Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trong mô hình nghiên cứu, biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời, tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Đối với nhóm biến FinTech (ICT, FT2, SOLUONG) hệ số tương quan nhìn chung ở mức thấp đến trung bình nên không gây vấn đề đa cộng tuyến. Trong đó, SOLUONG có tương quan dương với NPL (0,0987) và LLP (0,2080) gợi ý rằng sự gia tăng số lượng công ty FinTech có thể ảnh hưởng đến rủi ro tín dụng cũng như chính sách trích lập dự phòng. Chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT) có tương quan âm với NPL (-0,1014) nhưng dương với LLP (0,3062) phản ánh rằng ngân hàng có năng lực công nghệ cao thường ít nợ xấu hơn nhưng đồng thời thận trọng hơn khi dự phòng. Ngược lại, chỉ số phản ánh mức độ đầu tư cũng như mức độ quan tâm của ngân hàng đối với FinTech (FT2) hầu như không cho thấy mối liên hệ đáng kể với NPL (0,0789) và LLP (-0,0213), cho thấy yếu tố này có thể chịu tác động từ đặc thù nội tại của từng ngân hàng.

Đối với các biến kiểm soát, đa số hệ số tương quan đều ở mức thấp đến trung bình. CIR có tương quan âm đáng kể với ROA (-0,7045) và SIZE (-0,5989) cho thấy ngân hàng quản lý chi phí tốt hơn thường có lợi nhuận và quy mô cao hơn. CAP và CAR đều tương quan dương với ROA (0,4983 và 0,3744) trong khi SIZE tương quan dương với cả ROA (0,4991) và CAP (0,4983) hàm ý vốn và quy mô đóng vai trò quan trọng trong cải thiện hiệu quả hoạt động. Ở khía cạnh vĩ mô, GDP và INF có mức tương quan thấp với hầu hết biến, ngoại trừ INF dương nhẹ với LLP (0,1499) cho thấy lạm phát có thể tác động làm tăng dự phòng. Ngoài ra, ROA có tương quan đáng kể với nhiều biến chính, đồng thời âm với NPL và LLP phản ánh ngân hàng có hiệu quả hoạt động cao thường quản trị rủi ro tín dụng tốt hơn.

4.4. Kiểm tra hiện tượng đa cộng tuyến Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Đa cộng tuyến xảy ra khi các biến độc lập trong mô hình hồi quy tồn tại mối quan hệ tuyến tính mật thiết, dẫn tới việc ước lượng hệ số trở nên thiếu chính xác và làm suy giảm ý nghĩa thống kê của mô hình. Khi hiện tượng này xuất hiện, tác động riêng lẻ của từng biến độc lập lên biến phụ thuộc sẽ khó được phân tách do thông tin giữa các biến bị chồng lấn. Để phát hiện đa cộng tuyến, nghiên cứu đã áp dụng chỉ số hệ số Phóng đại Phương sai (Variance Inflation Factor – VIF), cho biết mức độ một biến độc lập có thể được giải thích bởi các biến độc lập còn lại trong mô hình. Theo Hair và cộng sự (2014), giá trị VIF vượt quá 2 cho thấy khả năng tồn tại đa cộng tuyến, trong khi giá trị trên 10 được coi là biểu hiện nghiêm trọng, có thể dẫn đến sai lệch trong kết quả phân tích.

• Bảng 4.5. Hệ số phóng đại phương sai

Trong mô hình nghiên cứu, biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời, tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Kết quả phân tích cho thấy giá trị VIF của các biến độc lập đều nhỏ hơn 5 và VIF trung bình dưới 2. Điều này chứng tỏ mô hình không xuất hiện hiện tượng đa cộng tuyến, các biến độc lập không có mức tương quan quá cao với nhau. Nhờ vậy, các hệ số hồi quy được ước lượng có độ tin cậy và ý nghĩa thống kê, đảm bảo tính chính xác cho phân tích và dự báo.

4.5. Kiểm định lựa chọn mô hình

Sau khi các biến được lựa chọn, ba phương pháp hồi quy — (1) Pooled OLS, (2) FEM, và (3) REM — đã được sử dụng để ước lượng mô hình. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Đầu tiên, kiểm định F được thực hiện nhằm so sánh giữa FEM và Pooled OLS. Kết quả cho thấy ở tất cả các mô hình, giá trị Prob > F đều nhỏ hơn 5%, dẫn đến việc ưu tiên áp dụng FEM. Tiếp đó, kiểm định Breusch–Pagan Lagrangian được tiến hành để đối chiếu REM với Pooled OLS. Kết quả cho thấy giá trị Prob > chibar2 đều dưới 5%, khiến giả thuyết H₀ bị bác bỏ, từ đó chỉ ra rằng REM phù hợp hơn so với Pooled OLS. Cuối cùng, kiểm định Hausman được áp dụng để so sánh FEM và REM. Kết quả cho thấy giá trị Prob > chi2 đều vượt quá 5%, trong đó có trường hợp bằng 1.0000, do vậy REM được xác định là mô hình phù hợp nhất. Sau khi REM được chọn, các giả định của mô hình tiếp tục được kiểm định. Kết quả kiểm định Wooldridge cho thấy Prob > F trong tất cả các mô hình đều nhỏ hơn 5%, dẫn tới việc bác bỏ giả thuyết H₀ và khẳng định sự tồn tại của hiện tượng tự tương quan. Đồng thời, kiểm định Breusch–Pagan về phương sai sai số cũng chỉ ra Prob > chi2 đều dưới mức 5%, xác nhận sự thay đổi phương sai. Do đó, mặc dù REM được đánh giá là mô hình tối ưu, dữ liệu vẫn cho thấy sự xuất hiện của hiện tượng tự tương quan và phương sai sai số thay đổi, yêu cầu phải được xử lý trong các bước phân tích tiếp theo.

Hiện tượng tự tương quan: xuất hiện khi các sai số ngẫu nhiên trong mô hình dữ liệu bảng không độc lập mà có sự phụ thuộc lẫn nhau, tức giả định Cov(ui, uj) = 0 không được đảm bảo. Khi đó, mặc dù các ước lượng vẫn tuyến tính, song các kiểm định t và F trở nên sai lệch, làm giảm độ tin cậy của kết quả hồi quy. Để phát hiện vấn đề này trong mô hình REM, nghiên cứu áp dụng kiểm định Wooldridge. Nếu giá trị Prob > F nhỏ hơn hoặc bằng 0.05 thì bác bỏ giả thuyết H₀ (không có tự tương quan), đồng nghĩa với việc mô hình tồn tại tự tương quan ở mức ý nghĩa 5%. Ngược lại, khi Prob > F lớn hơn 0.05, giả thuyết H₀ không bị bác bỏ, tức mô hình không gặp hiện tượng tự tương quan. Kết quả kiểm định cho thấy tất cả các mô hình đều có Prob > F dưới 0.05; cụ thể, mô hình (1) và (5) có giá trị 0.0007, mô hình (3) là 0.0006 còn các mô hình (2), (4), (6) và (7) đều bằng 0.0000. Như vậy, bác bỏ giả thuyết H₀, khẳng định sự tồn tại của tự tương quan trong mô hình REM ở mức ý nghĩa 5%.

Kiểm định phương sai sai số thay đổi: được thực hiện nhằm xem xét giả định về tính đồng nhất của phương sai trong mô hình REM. Tác giả sử dụng kiểm định Breusch–Pagan để kiểm tra. Nếu giá trị Prob > chi2 nhỏ hơn hoặc bằng 0.05, giả thuyết H₀ (phương sai sai số đồng nhất) bị bác bỏ, tức là tồn tại hiện tượng phương sai sai số thay đổi. Ngược lại, khi Prob > chi2 lớn hơn 0.05, giả thuyết H₀ không bị bác bỏ, cho thấy phương sai sai số đồng nhất. Kết quả phân tích cho thấy Prob > chi2 của các mô hình đều nhỏ hơn 0.05, do đó giả thuyết H₀ bị bác bỏ và hiện tượng phương sai sai số thay đổi được xác nhận tại mức ý nghĩa 5%.

4.6. Kiểm tra hồi quy theo các phương pháp ước lượng Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Mặc dù mô hình REM được xác định là tối ưu, kết quả kiểm định cho thấy dữ liệu vẫn tồn tại hiện tượng tự tương quan và phương sai sai số thay đổi, cần được khắc phục để đảm bảo độ tin cậy của ước lượng. Cụ thể, kiểm định Wooldridge cho thấy Prob > F < 0.05 ở tất cả các mô hình, bác bỏ giả thuyết H₀ và khẳng định sự tồn tại tự tương quan chuỗi bậc nhất. Tương tự, kiểm định Breusch–Pagan cho kết quả Prob > chi² < 0.05, chứng minh mô hình gặp phương sai sai số thay đổi, khiến các ước lượng trở nên kém hiệu quả. Ngoài ra, mối quan hệ hai chiều giữa FinTech và rủi ro tín dụng (RRTD) cho thấy khả năng xuất hiện nội sinh, khi FinTech vừa ảnh hưởng đến rủi ro tín dụng, vừa chịu tác động ngược lại từ hiệu quả tín dụng trong quá khứ. Trong trường hợp này, các phương pháp OLS, FEM hay REM và FGLS đều cho ước lượng chệch và không nhất quán. Vì vậy, để xử lý đồng thời nội sinh, tự tương quan và phương sai sai số thay đổi, nghiên cứu sử dụng phương pháp GMM (Generalized Method of Moments). Cách tiếp cận này cho phép dùng biến trễ làm công cụ, giúp kiểm soát mối quan hệ nội sinh và hiệu chỉnh sai số chuẩn, đảm bảo kết quả ước lượng vững và đáng tin cậy.

4.6.1. Kết quả hồi quy ước lượng Generalized Method of Moments

• Bảng 4.6. Kết quả hồi quy ước lượng Generalized Method of Moments

Ký hiệu: p < 0.10, ^** p < 0.05, ^*** p < 0.01. Trong mô hình nghiên cứu, biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời, tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Biến trễ: L.NPL và nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trong phương pháp GMM, ba kiểm định quan trọng — gồm Sargan, Hansen và AR(2) — đã được sử dụng để đánh giá tính hợp lệ của biến công cụ. Cụ thể, kiểm định Sargan và Hansen nhằm kiểm tra giả thuyết gốc cho rằng các biến công cụ là ngoại sinh, tức không tồn tại mối tương quan với sai số của mô hình; khi giá trị p ở mức cao, giả thuyết này khó bị bác bỏ, qua đó khẳng định tính phù hợp của biến công cụ. Đồng thời, kiểm định AR(2) được áp dụng để phát hiện khả năng xuất hiện tự tương quan bậc hai trong phần dư, với giả thuyết gốc là không tồn tại hiện tượng này. Giá trị p cao hơn càng củng cố thêm bằng chứng rằng mô hình không gặp vấn đề tự tương quan, từ đó nâng cao độ tin cậy của kết quả ước lượng.

Trong các mô hình hồi quy với biến phụ thuộc là nợ xấu (NPL), biến số lượng công ty FinTech (SOLUONG) thể hiện mức ý nghĩa thống kê 1% tại các mô hình (1), (2), (5) và (6), nhưng hệ số ước lượng lại ở mức thấp, cho thấy tác động thực tế là không lớn. Điều này cho thấy rằng, mặc dù tồn tại mối quan hệ có ý nghĩa thống kê, sự gia tăng về số lượng doanh nghiệp FinTech chưa đủ để tạo ra ảnh hưởng rõ ràng đến chất lượng tín dụng. Nguyên nhân có thể do phần lớn FinTech tại Việt Nam vẫn hoạt động với quy mô nhỏ, chưa đủ khả năng ảnh hưởng đến toàn bộ hệ thống ngân hàng, hoặc cần thêm thời gian để hiệu ứng này được thể hiện rõ hơn. Tuy nhiên, chiều tác động thuận giữa SOLUONG và NPL mang hàm ý rằng sự gia tăng của FinTech trong giai đoạn đầu có thể tạo ra áp lực cạnh tranh buộc ngân hàng phải điều chỉnh tiêu chuẩn cho vay nhằm giữ chân khách hàng, từ đó làm rủi ro tín dụng gia tăng nhẹ trong ngắn hạn, phản ánh hiện tượng “số hóa đi trước năng lực quản trị rủi ro”. Đối với biến ICT, hệ số dương có ý nghĩa thống kê được ghi nhận, nhưng giá trị dao động chỉ trong khoảng 0.044–0.048, cho thấy mức độ ảnh hưởng lên NPL vẫn hạn chế. Điều này phản ánh rằng ứng dụng công nghệ thông tin tuy có hỗ trợ nâng cao hiệu quả hoạt động, nhưng chưa đủ để tạo ra tác động đáng kể lên rủi ro tín dụng trong ngắn hạn. Kết quả này hàm ý rằng công nghệ chỉ thực sự góp phần cải thiện chất lượng tín dụng khi được tích hợp đồng bộ với hệ thống thẩm định, giám sát và quản trị rủi ro, thay vì chỉ dừng ở mức đầu tư hạ tầng. Riêng biến FT2 chỉ cho thấy ý nghĩa thống kê tại các mô hình (4), (6) và (7), mở ra khả năng rằng việc đầu tư vào hạ tầng và nguồn lực FinTech có thể giúp giảm nợ xấu, song mối quan hệ này vẫn chưa ổn định và cần được kiểm nghiệm thêm trong các nghiên cứu tiếp theo. Sự không ổn định này cho thấy tác động của FinTech đến rủi ro tín dụng mang tính điều kiện, phụ thuộc lớn vào mức độ sẵn sàng công nghệ và năng lực quản trị rủi ro nội bộ của từng ngân hàng.

4.6.2. Kết quả hồi quy ước lượng Pooled OLS Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Bảng 4.7. Mô hình hồi quy ước lượng Pooled OLS

Trong mô hình nghiên cứu: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: CIR, CAP,CAR, SIZE, ROA, GDP, INF.

Bảng 4.7 trình bày kết quả hồi quy OLS, theo đó biến số lượng công ty FinTech (SOLUONG) mang hệ số dương và đạt mức ý nghĩa thống kê trong hầu hết các mô hình, ngụ ý rằng sự gia tăng số lượng FinTech có thể làm tăng rủi ro tín dụng của ngân hàng. Ngược lại, các biến kiểm soát như ROA và CAP lại có hệ số âm và mang ý nghĩa thống kê, cho thấy những ngân hàng có năng lực sinh lời tốt và vốn mạnh thường chịu ít nợ xấu hơn. Biến CIR thể hiện dấu dương, phản ánh thực trạng chi phí hoạt động kém hiệu quả thường đi kèm với rủi ro tín dụng cao hơn. Hai biến FinTech khác là ICT và FT2 mặc dù có dấu phù hợp với kỳ vọng, nhưng chưa đạt mức ý nghĩa thống kê, cho thấy chưa tồn tại bằng chứng rõ ràng về tác động của FinTech tới chất lượng tín dụng trong bối cảnh nghiên cứu này.

4.6.3. Kết quả hồi quy ước lượng Fixed Effects Model (FEM)

• Bảng 4.8. Mô hình hồi quy ước lượng Fixed Effects Model

Ký hiệu (*) thể hiện mức ý nghĩa 0.01 và 0.05 (2 phía). Trong đó: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF). Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Bảng 4.8 trình bày kết quả hồi quy FEM, theo đó biến số lượng công ty FinTech (SOLUONG) mang hệ số âm nhưng không đạt ý nghĩa thống kê, cho thấy chưa có bằng chứng thuyết phục về mối liên hệ giữa quy mô FinTech và rủi ro tín dụng của ngân hàng. Hai biến công nghệ ICT và FT2 cũng không đạt mức ý nghĩa thống kê, mặc dù dấu hiệu phù hợp với kỳ vọng. Ngược lại, biến ROA mang hệ số âm và đạt ý nghĩa thống kê, khẳng định vai trò tích cực của năng lực sinh lời trong việc giảm thiểu nợ xấu

4.6.4. Kết quả hồi quy ước lượng Random Effects Model (REM)

• Bảng 4.9. Kết quả hồi quy ước lượng Random Effects Model

Trong đó: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Bảng 4.9 trình bày kết quả hồi quy theo mô hình REM, trong đó biến số lượng công ty FinTech (SOLUONG) mang hệ số dương và đạt mức ý nghĩa thống kê ở một số mô hình, ám chỉ rằng sự gia tăng của FinTech có thể làm tăng rủi ro tín dụng, khả năng xuất phát từ việc cạnh tranh gia tăng khiến ngân hàng nới lỏng tiêu chuẩn cho vay. Ngược lại, hai biến ICT và FT2 không đạt được ý nghĩa thống kê. Trong nhóm biến kiểm soát, ROA duy trì dấu âm và có ý nghĩa, củng cố luận điểm rằng khả năng sinh lời hiệu quả giúp giảm nợ xấu. Đồng thời, biến SIZE xuất hiện với hệ số dương và có ý nghĩa ở một số mô hình, phản ánh khả năng quy mô ngân hàng lớn hơn có thể đi kèm với mức rủi ro tín dụng cao hơn.

4.6.5. Kết quả hồi quy ước lượng Feasible Generalized Least Squares

Trong mô hình REM, cả hai vấn đề về phương sai sai số thay đổi và tự tương quan đều được phát hiện thông qua kiểm định Modified Wald và Wooldridge ở mức ý nghĩa 5%. Để khắc phục, nghiên cứu sử dụng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS), vốn có khả năng điều chỉnh và nâng cao độ tin cậy của các ước lượng hồi quy bằng cách hiệu chỉnh sai số (Wooldridge, 2002; Gujarati, 2015). Kết quả kiểm định Wald Chi² trong mô hình FGLS (phụ lục 11) cho thấy các hồi quy tại bảng 4.10 đã được xử lý các khuyết tật và đảm bảo tính phù hợp ở mức ý nghĩa 5%.

• Bảng 4.10. Kết quả hồi quy ước lượng Feasible Generalized Least Squares Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Ký hiệu: p < 0.10, ^** p < 0.05, ^*** p < 0.01. Trong đó: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Bảng 4.10 thể hiện kết quả hồi quy FGLS với biến phụ thuộc là NPL. Kết quả cho thấy biến SOLUONG mang tác động dương và có ý nghĩa thống kê ở nhiều mô hình, hàm ý rằng sự gia tăng số lượng công ty FinTech có thể làm gia tăng rủi ro tín dụng. Ngược lại, mặc dù hai biến ICT và FT2 cho kết quả phù hợp với kỳ vọng, nhưng không đạt mức ý nghĩa thống kê, điều này cho thấy mức độ phát triển của FinTech ở thời điểm hiện tại vẫn chưa gây ra tác động rõ rệt lên nợ xấu. Trong số các biến kiểm soát, CIR mang hệ số âm và có ý nghĩa, chỉ ra rằng các ngân hàng quản lý chi phí kém thường chịu mức Quản trị rủi ro cao hơn. ROA cũng thể hiện tác động âm và đạt ý nghĩa, phù hợp với lý thuyết rằng khả năng sinh lời cao góp phần giảm nợ xấu. Ngược lại, CAP có hệ số dương và chỉ đạt ý nghĩa ở mức 10%, gợi ý rằng các ngân hàng sở hữu vốn mạnh hơn có thể chấp nhận mức rủi ro tín dụng lớn hơn.

4.6.6. Kiểm tra tính vững của mô hình bằng LLP

Để đánh giá toàn diện tác động của FinTech đến rủi ro tín dụng (RRTD) tại các ngân hàng thương mại, nghiên cứu sử dụng tỷ lệ nợ xấu (NPL) được sử dụng làm biến phụ thuộc chính trong nghiên cứu, sau đó tiến hành hồi quy theo các phương pháp Pooled OLS, FEM, REM, FGLS và GMM nhằm so sánh kết quả và kiểm định tính nhất quán. Đồng thời, để kiểm định độ vững (robustness check), NPL được thay thế bằng tỷ lệ trích lập dự phòng rủi ro tín dụng (LLP) – một chỉ số khác phản ánh Quản trị rủi ro theo nghiên cứu Libda (2024) và Mamiza Haq & ctg (2020). Lập luận được đưa ra là mức trích lập dự phòng thường tương ứng với tỷ lệ nợ xấu, nghĩa là khi NPL tăng thì LLP cũng có xu hướng tăng. Việc kết hợp cả NPL và LLP trong phân tích nhằm đảm bảo kết quả không bị phụ thuộc vào một thước đo duy nhất, từ đó nâng cao độ tin cậy và khả năng khái quát của nghiên cứu. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Bảng 4.11. Mô hình hồi quy ước lượng Pooled OLS

Trong đó: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Trong mô hình với biến phụ thuộc LLP, kết quả kiểm định cho thấy các giá trị VIF của biến độc lập đều dưới 5 và giá trị VIF trung bình nhỏ hơn 2 cho thấy hiện tượng đa cộng tuyến không xuất hiện, từ đó đảm bảo độ tin cậy của các ước lượng (xem chi tiết tại Phụ lục 14). Kết quả hồi quy theo phương pháp Pooled OLS được trình bày tại Bảng 4.11 cho thấy, biến SOLUONG có ảnh hưởng dương và đạt ý nghĩa thống kê ở mức 10% trong một số mô hình, gợi ý rằng sự gia tăng số lượng công ty FinTech có thể dẫn tới nhu cầu trích lập dự phòng cao hơn nhằm ứng phó với rủi ro. Ngược lại, ROA mang hệ số âm và đạt ý nghĩa ở hầu hết các trường hợp, phản ánh rằng ngân hàng có khả năng sinh lời cao thường giảm mức trích lập dự phòng. Bên cạnh đó, CAP và CAR cũng thể hiện ý nghĩa trong một số mô hình, khẳng định vai trò của năng lực vốn trong việc quản trị rủi ro. Trong khi đó, hai biến đại diện cho phát triển FinTech (ICT và FT2) tuy mang dấu phù hợp kỳ vọng nhưng không có ý nghĩa thống kê, cho thấy tác động của công nghệ đến LLP vẫn chưa được thể hiện rõ.

• Bảng 4.12. Mô hình hồi quy ước lượng Fixed Effects Model

Trong mô hình nghiên cứu: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Bảng 4.12 trình bày kết quả hồi quy FEM với biến phụ thuộc là LLP. Biến SOLUONG có tác động dương và đạt ý nghĩa ở mức 5% trong một số mô hình, hàm ý rằng sự mở rộng của FinTech có thể làm tăng gánh nặng trích lập dự phòng tại ngân hàng. Ở nhóm biến kiểm soát, kết quả cho thấy biến CIR mang hệ số dương và đạt ý nghĩa thống kê ở mức 1% trên tất cả các mô hình, cho thấy hiệu quả hoạt động thấp đi kèm với chi phí dự phòng cao hơn. Ngược lại, ROA và CAP đều có dấu âm, trong đó ROA đạt mức ý nghĩa thống kê, phản ánh rằng khả năng sinh lời cao giúp giảm chi phí dự phòng. Mặc dù hai biến ICT và FT2 có dấu phù hợp với kỳ vọng, nhưng chúng không đạt mức ý nghĩa thống kê.

• Bảng 4.13. Kết quả hồi quy ước lượng Random Effects Model Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trong đó: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Bảng 4.13 trình bày kết quả hồi quy REM với biến phụ thuộc là LLP. Biến SOLUONG mang dấu dương trong tất cả các mô hình nhưng không có ý nghĩa thống kê, cho thấy chưa đủ bằng chứng khẳng định tác động của sự gia tăng FinTech đến chi phí dự phòng của ngân hàng. Trong nhóm các biến kiểm soát, CIR cho hệ số âm và đạt ý nghĩa ở mức 1–5%, cho thấy việc quản lý chi phí hiệu quả góp phần giảm nhu cầu trích lập dự phòng. Biến CAP mang dấu dương và có ý nghĩa cao, ngụ ý rằng những ngân hàng có vốn mạnh thường chủ động hơn trong việc trích lập. Bên cạnh đó, CAR và SIZE đều có tác động dương và đạt ý nghĩa ở một số mô hình, cho thấy ngân hàng có quy mô lớn hoặc khả năng huy động vốn tốt thường có mức dự phòng cao hơn. Ngược lại, ROA thể hiện tác động âm và có ý nghĩa thống kê, khẳng định rằng hiệu quả sinh lời góp phần giảm chi phí dự phòng. Dù hai biến ICT và FT2 mang dấu phù hợp với giả thuyết, nhưng không đạt mức ý nghĩa thống kê.

• Bảng 4.14. Kết quả hồi quy ước lượng Feasible Generalized Least Squares Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Trong mô hình nghiên cứu: tỷ lệ nợ xấu (NPL) là biến phụ thuộc dùng để đo lường Quản trị rủi ro và tỷ lệ dự phòng tổn thất cho vay (LLP) dùng làm biến thay cho NPL; chỉ số sẵn sàng phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT); số lượng công ty FinTech (SOLUONG); chỉ số thể hiện mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (viết tắt: FinTech đầu vào – FT2) theo đề xuất của Guo và Zhang (2023) là các biến độc lập được sử dụng để đo lường FinTech trong ngân hàng. Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), tỷ lệ an toàn vốn (CAR), quy mô ngân hàng (SIZE), mức sinh lời (ROA), tốc độ tăng trưởng kinh tế (GDP) và lạm phát (INF).

Bảng 4.14 trình bày kết quả hồi quy FGLS với biến phụ thuộc là LLP. Biến SOLUONG hầu hết không đạt ý nghĩa thống kê, cho thấy chưa có bằng chứng rõ ràng về tác động của số lượng công ty FinTech đến chi phí dự phòng. Trong khi đó, biến FT2 mang tác động dương và có ý nghĩa ở mức 5%, gợi ý rằng mức độ phát triển đầu ra FinTech cao có thể khiến ngân hàng tăng dự phòng, có thể liên quan đến rủi ro thay đổi hành vi tài chính của khách hàng. Chỉ số ICT không đạt ý nghĩa thống kê trong các mô hình. Trong nhóm biến kiểm soát, CAP và CAR có tác động dương và ý nghĩa, cho thấy ngân hàng có năng lực vốn cao thường chủ động hơn trong quản trị rủi ro, trong khi SIZE và ROA lần lượt có dấu dương và âm với ý nghĩa cao, phản ánh rằng ngân hàng lớn hơn có xu hướng trích lập nhiều hơn, còn ngân hàng hiệu quả sinh lời cao thường trích lập ít hơn.

• Bảng 4.15. Kết quả hồi quy ước lượng Generalized Method of Moments

Trong mô hình nghiên cứu, biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời, tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Biến trễ: L.LLP và nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Bảng 4.15 trình bày kết quả hồi quy GMM để đánh giá tác động của FinTech lên tỷ lệ trích lập dự phòng Quản trị rủi ro (LLP) tại các ngân hàng thương mại. Biến SOLUONG có hệ số âm và đạt ý nghĩa thống kê trong hai mô hình (2) và (4), nhưng giá trị rất nhỏ (-0,004 và -0,007), cho thấy tác động thực tế là hạn chế. Biến ICT chỉ đạt ý nghĩa trong mô hình (3) với hệ số âm (-0,034), ngụ ý rằng mức độ sẵn sàng công nghệ cao hơn có thể giúp giảm chi phí dự phòng thông qua cải thiện hiệu quả vận hành và kiểm soát rủi ro. Nổi bật nhất, biến FT2 đạt ý nghĩa thống kê ở hầu hết các mô hình và luôn mang dấu âm, phản ánh mối quan hệ nghịch chiều ổn định giữa mức độ phát triển đầu ra FinTech và tỷ lệ trích lập dự phòng. Kết quả này chỉ ra rằng việc mở rộng các sản phẩm, dịch vụ và ứng dụng FinTech có thể giúp ngân hàng quản lý Quản trị rủi ro hiệu quả hơn, từ đó giảm nhu cầu dự phòng.

4.7. Thảo luận kết quả nghiên cứu Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

4.7.1 Mô hình tác động của FinTech đến tỷ lệ nợ xấu (NPL)

Để xem xét tác động của FinTech đến tỷ lệ nợ xấu (NPL), nghiên cứu áp dụng năm phương pháp hồi quy gồm Pooled OLS, FEM, REM, FGLS và GMM. Kết quả thực nghiệm từ các mô hình nêu trên và kiểm định cho thấy dấu và mức ý nghĩa của các biến FinTech chưa thực sự nhất quán, đặc biệt là đối với số lượng công ty FinTech (SOLUONG) và chỉ số đầu vào FinTech (FT2). Biến SOLUONG đạt mức ý nghĩa thống kê ở một số mô hình như OLS, REM và FGLS, tuy nhiên hệ số ước lượng lại nhỏ và thiếu tính ổn định. Ngược lại, biến ICT, mặc dù có dấu phù hợp với kỳ vọng, chỉ đạt ý nghĩa trong một số phép ước lượng GMM, đồng thời tác động của nó được đánh giá là khá hạn chế. Đáng chú ý, biến FT2 thể hiện tác động âm và đạt ý nghĩa thống kê cao trong các mô hình GMM (đặc biệt ở các mô hình 4, 6 và 7), cho thấy việc đầu tư vào hạ tầng và nguồn lực FinTech có thể giúp giảm tỷ lệ NPL trong hệ thống ngân hàng. Kết quả này chỉ ra rằng hiệu quả của FinTech phụ thuộc nhiều hơn vào chất lượng và khả năng tích hợp, thay vì chỉ số lượng doanh nghiệp. Ngoài ra, biến ROA có mối quan hệ âm và đạt ý nghĩa trong phần lớn các mô hình, phản ánh rằng ngân hàng hoạt động hiệu quả sẽ ít phải đối mặt với rủi ro tín dụng. Các biến kiểm soát như SIZE và CAP cũng thể hiện tác động đáng kể và tương đối ổn định, nhấn mạnh vai trò quan trọng của quy mô và năng lực vốn trong việc quản trị rủi ro. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

• Bảng 4.16. Dấu kỳ vọng và kết quả nghiên cứu đối với biến NPL

Ghi chú: p < 0.10, ^** p < 0.05, ^*** p < 0.01. Kết quả 7 mô hình nghiên cứu về NPL được xây dựng lần lượt bằng cách kết hợp các biến chính đã được bôi màu xanh trong bảng 4.16 nêu trên, trong đó: biến phụ thuộc là tỷ lệ nợ xấu (NPL) – đại diện cho Quản trị rủi ro; đồng thời. Biến trễ: L.NPL và nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Hệ số của biến trễ L.NPL (nợ xấu kỳ trước) có hệ số dương và đạt ý nghĩa thống kê ở mức 1% trong toàn bộ các mô hình, phản ánh sự phù hợp với giả thuyết về tính động của rủi ro tín dụng. Nói cách khác, nợ xấu tại kỳ trước có xu hướng ảnh hưởng cùng chiều đến nợ xấu của kỳ hiện tại. Xét các cơ sở lý thuyết, điều này có thể được giải thích thông qua lý thuyết chi phí giao dịch, theo đó, chi phí liên quan đến xử lý, thu hồi hoặc tái cấu trúc các khoản vay không thể hoàn tất ngay trong một kỳ mà thường kéo dài nhiều kỳ do các yếu tố như hệ thống pháp lý kém hiệu quả hay năng lực xử lý nội bộ hạn chế. Kết quả này được củng cố bởi các nghiên cứu trước như Mamiza Haq & ctg (2020) và Cheng & Qu (2020), cho thấy sự ảnh hưởng nối tiếp của rủi ro tín dụng qua thời gian là một hiện tượng phổ biến.

Biến SOLUONG (số lượng công ty FinTech) cho thấy có tác động thuận chiều và đạt ý nghĩa thống kê ở mức 1% trong mọi mô hình, củng cố giả thuyết rằng sự gia tăng các công ty FinTech có thể làm tăng rủi ro tín dụng tại các ngân hàng. Theo lý thuyết hành vi người tiêu dùng, khi FinTech mở rộng nhanh chóng và cung cấp các dịch vụ linh hoạt, người tiêu dùng có xu hướng dịch chuyển khỏi ngân hàng truyền thống. Điều này đặt ra áp lực khiến ngân hàng phải giữ chân khách hàng, đôi khi thông qua việc nới lỏng tiêu chuẩn tín dụng. Ngoài ra, việc người tiêu dùng kỳ vọng vào tốc độ và sự tiện lợi càng buộc các ngân hàng phải điều chỉnh hoạt động trong khi chưa chắc đã có đủ năng lực quản trị để thích ứng. Các kết quả nghiên cứu từ Guo & Shen (2016), Buchak & ctg (2018) và Ochenge (2023) cũng ghi nhận tác động tương tự, khi cạnh tranh từ FinTech khiến ngân hàng truyền thống chấp nhận mức độ rủi ro cao hơn. Khi số lượng công ty FinTech gia tăng, rủi ro tín dụng tại các ngân hàng truyền thống có xu hướng tăng theo, do áp lực cạnh tranh buộc các ngân hàng phải nới lỏng tiêu chuẩn tín dụng và điều chỉnh hoạt động để giữ chân khách hàng, trong khi năng lực quản trị rủi ro chưa chắc đã theo kịp. Kết luận này phù hợp với các nghiên cứu trước đây của Guo & Shen (2016), Buchak & ctg (2018), và Ochenge (2023), khi các tác giả này cũng ghi nhận rằng sự mở rộng nhanh chóng của FinTech khiến các ngân hàng truyền thống chấp nhận mức độ rủi ro cao hơn nhằm duy trì thị phần.

Biến ICT (chỉ số công nghệ thông tin) có hệ số dương và đạt ý nghĩa thống kê trong một số mô hình cụ thể (3 và 7), cho thấy mối quan hệ này chỉ phần nào hỗ trợ giả thuyết rằng đầu tư vào CNTT có thể làm tăng rủi ro tín dụng nếu không được triển khai hiệu quả khi chỉ số ICT tăng – tức là mức độ đầu tư và ứng dụng công nghệ thông tin trong ngân hàng được mở rộng – rủi ro tín dụng có xu hướng gia tăng trong một số trường hợp, đặc biệt là khi việc triển khai công nghệ không đi kèm với năng lực quản trị tương ứng. Điều này phản ánh rằng công nghệ, nếu không được ứng dụng một cách hiệu quả và đồng bộ, có thể dẫn đến gia tăng chi phí kiểm soát, sai sót vận hành và làm suy giảm khả năng giám sát tín dụng. Kết quả này phần nào củng cố giả thuyết dựa trên lý thuyết chi phí giao dịch, rằng lợi ích từ công nghệ chỉ phát huy khi có nền tảng quản trị phù hợp. Nghiên cứu của Libda (2024) cũng nhấn mạnh rằng hiệu quả của đầu tư công nghệ phụ thuộc lớn vào năng lực nội bộ và khả năng đồng bộ quy trình, cho thấy chiều tác động dương trong một số mô hình có thể bắt nguồn từ việc ngân hàng đầu tư công nghệ và sự chuẩn bị đầy đủ về hạ tầng hoặc nhân sự. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Biến FT2 (FinTech đầu ra) cho thấy ảnh hưởng không ổn định giữa các mô hình, với hệ số thay đổi cả về dấu lẫn ý nghĩa thống kê. Khi biến FT2 (FinTech đầu ra) thay đổi, tác động đến rủi ro tín dụng của ngân hàng không rõ ràng và thiếu ổn định, do hệ số thay đổi cả về dấu lẫn mức độ ý nghĩa thống kê giữa các mô hình. Điều này cho thấy không thể khẳng định chắc chắn rằng việc ứng dụng các sản phẩm hoặc dịch vụ FinTech đầu ra có ảnh hưởng nhất quán đến rủi ro tín dụng. Theo lý thuyết lợi thế kinh tế nhờ quy mô, FinTech có thể giúp ngân hàng mở rộng hoạt động hiệu quả hơn nếu được triển khai đúng cách. Tuy nhiên, nếu thiếu điều kiện cần thiết về hạ tầng, con người và hệ thống quản trị, việc tích hợp FinTech có thể dẫn đến rủi ro gia tăng. Kết quả không nhất quán của biến FT2 phản ánh thực tế rằng mức độ sẵn sàng và năng lực triển khai FinTech khác nhau rõ rệt giữa các ngân hàng. Điều này cũng phù hợp với các nghiên cứu của Cheng & Qu (2020), Guo & Zhang (2023) và Huang & ctg (2020), khi các tác giả này đều nhấn mạnh rằng tác động của FinTech phụ thuộc lớn vào khả năng tích hợp hiệu quả vào hệ thống kiểm soát rủi ro và môi trường vận hành nội bộ của từng tổ chức.

Đối với biến CIR, hệ số mang dấu âm và đạt ý nghĩa thống kê tại mô hình (4), cho thấy việc kiểm soát chi phí hiệu quả được xem là một nhân tố giúp ngân hàng giảm tỷ lệ nợ xấu. Nguyên nhân được lý giải bởi khả năng phân bổ nguồn lực hợp lý hơn cho hoạt động thẩm định và giám sát tín dụng. Biến SIZE không được xác nhận có ý nghĩa thống kê trong bất kỳ mô hình nào, cho thấy quy mô của ngân hàng không đóng vai trò quyết định trong việc kiểm soát rủi ro tín dụng. Điều này ám chỉ rằng cả các ngân hàng lớn lẫn nhỏ đều phải tuân thủ các quy định về quản trị rủi ro và cơ chế giám sát một cách tương đồng. Trong khi đó, biến ROA lại có hệ số âm, mang ý nghĩa thống kê cao và ổn định trên toàn bộ các mô hình, từ đó chứng minh rằng khả năng sinh lời tốt hơn giúp ngân hàng giảm thiểu nợ xấu. Nguyên nhân được lý giải là do quá trình kiểm soát rủi ro được thực hiện hiệu quả hơn trong toàn bộ chu trình tín dụng. Biến INF mang dấu dương và thể hiện ý nghĩa thống kê trong phần lớn các mô hình, khẳng định rằng mức lạm phát cao có tác động làm tăng rủi ro tín dụng. Khi giá cả liên tục tăng, thu nhập thực tế của khách hàng bị suy giảm, dẫn đến khả năng trả nợ cũng bị ảnh hưởng. Đồng thời, hoạt động kinh doanh của doanh nghiệp bị tác động tiêu cực, từ đó làm gia tăng tỷ lệ nợ xấu. Tóm lại, các yếu tố nội tại như hiệu quả sinh lời (ROA) và quản trị chi phí (CIR) có tác động nhất quán và mạnh mẽ hơn đối với nợ xấu so với các biến FinTech, vốn thể hiện ảnh hưởng chưa ổn định. Ý nghĩa này cho thấy mức độ ảnh hưởng của FinTech đối với chất lượng tín dụng bị chi phối mạnh mẽ bởi năng lực quản trị rủi ro và khả năng tích hợp công nghệ của từng ngân hàng. Quan điểm này phù hợp với các nghiên cứu trước đây, trong đó mối quan hệ giữa FinTech và rủi ro tín dụng được nhấn mạnh là phức tạp và không mang tính tuyến tính.

4.7.2 Mô hình tác động của FinTech đến tỷ lệ trích lập dự phòng (LLP) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Nghiên cứu áp dụng năm phương pháp hồi quy (Pooled OLS, FEM, REM, FGLS và GMM) và các kiểm định đi kèm để phân tích tác động của FinTech đến tỷ lệ trích lập dự phòng rủi ro tín dụng (LLP) cho thấy kết quả chưa hoàn toàn nhất quán. Các biến FinTech như SOLUONG (số lượng công ty FinTech) và FT2 (đầu ra FinTech) có ảnh hưởng khác biệt giữa các mô hình, trong đó SOLUONG chỉ có ý nghĩa trong một số mô hình với hệ số nhỏ, còn FT2 lại thể hiện tác động ngược chiều và có ý nghĩa thống kê cao trong nhiều mô hình GMM. Điều này cho thấy đầu tư vào hạ tầng và nguồn lực FinTech giúp nâng cao năng lực quản trị rủi ro của ngân hàng, từ đó giảm nhu cầu trích lập dự phòng. Các biến kiểm soát như ROA ảnh hưởng âm và có ý nghĩa cao, cho thấy ngân hàng sinh lời tốt thường dự phòng thấp hơn; ngược lại, CAP, CAR và SIZE có ảnh hưởng dương, thể hiện các ngân hàng vốn mạnh và quy mô lớn có xu hướng dự phòng nhiều hơn. Kết quả kiểm định độ vững chắc cũng khẳng định tác động ngược chiều và có ý nghĩa thống kê của SOLUONG và FT2 lên LLP, phản ánh rằng sự gia tăng số lượng công ty FinTech tạo áp lực cạnh tranh, trong khi ứng dụng hiệu quả công nghệ FinTech giúp cải thiện công tác thẩm định, kiểm soát rủi ro và giảm chi phí dự phòng. Điều này thể hiện tính động và đa chiều của ảnh hưởng FinTech đến rủi ro tín dụng và dự phòng của ngân hàng phù hợp nghiên cứu của nghiên cứu Libda (2024) và Mamiza Haq & ctg (2020).

• Bảng 4.17. Dấu kỳ vọng và kết quả nghiên cứu đối với biến LLP

Ghi chú: p < 0.10, ** p < 0.05, *** p < 0.01. Kết quả 7 mô hình nghiên cứu về LLP được xây dựng lần lượt bằng cách kết hợp các biến chính đã được bôi màu xanh trong bảng 4.17 nêu trên, trong đó: biến phụ thuộc là tỷ lệ dự phòng tổn thất cho vay (LLP) được sử dụng như một biến thay thế. Biến trễ: L.LLP và nhóm biến độc lập phản ánh mức độ phát triển FinTech trong ngân hàng gồm: chỉ số sẵn sàng ứng dụng công nghệ thông tin và truyền thông (ICT), số lượng công ty FinTech (SOLUONG), và chỉ số thể hiện mức độ đầu tư, quan tâm của ngân hàng vào FinTech (FT2) theo đề xuất của Guo và Zhang (2023). Các biến kiểm soát bao gồm: hiệu quả chi phí quản lý (CIR), quy mô vốn chủ sở hữu (CAP), hệ số an toàn vốn (CAR), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA), cùng các yếu tố kinh tế vĩ mô như tăng trưởng GDP và lạm phát (INF).

Kết quả phân tích khi sử dụng LLP làm biến phụ thuộc nhìn chung cho thấy sự tương đồng với mô hình NPL, từ đó làm vững chắc thêm kết luận về tác động đáng kể của FinTech, ICT cùng các biến kiểm soát như CIR, CAP và ROA đối với công tác quản trị rủi ro tín dụng tại các ngân hàng. Sự nhất quán giữa các mô hình cho thấy LLP có thể được xem như một chỉ số bổ sung thích hợp để kiểm định tính ổn định của ảnh hưởng FinTech. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Biến độ trễ của LLP mang hệ số dương và được xác định có ý nghĩa thống kê trong tất cả các mô hình (dao động từ 0.402** đến 1.115***), cho thấy đặc điểm động lực tồn tại trong chính sách dự phòng khi việc trích lập ở kỳ trước có ảnh hưởng mạnh mẽ đến các quyết định trích lập tại kỳ hiện tại.

Biến SOLUONG mang dấu âm và đạt ý nghĩa thống kê trong các mô hình (2) và (5), với hệ số lần lượt là -0.004* và -0.007**, cho thấy áp lực cạnh tranh từ sự gia tăng số lượng các công ty FinTech đã khiến các ngân hàng thương mại buộc phải nâng cao công tác thẩm định và giám sát tín dụng, từ đó chi phí dự phòng được giảm thiểu. Phát hiện này phù hợp với kết quả nghiên cứu của Trần, H. S., & ctg (2021), trong đó FinTech được xác nhận là yếu tố thúc đẩy sự cải tiến trong hoạt động và quy trình cấp tín dụng.

Biến ICT trong mô hình (3) và (5) mang hệ số âm (-0.034*** và -0.008), phản ánh rằng việc đầu tư vào hạ tầng công nghệ đã góp phần giảm LLP thông qua việc nâng cao năng lực phân tích, sàng lọc và phát hiện sớm các khoản vay có rủi ro. Kết quả này minh chứng cho vai trò tích cực của big data, trí tuệ nhân tạo (AI) và tự động hóa trong công tác kiểm soát tín dụng, phù hợp với nhận định được trình bày bởi Cù & ctg (2024) cùng Ochenge (2023).

Biến FT2 cho thấy tác động âm ổn định và có ý nghĩa thống kê trong nhiều mô hình, đặc biệt là ở các mô hình (1), (4), (6) và (7), với hệ số xấp xỉ -0.14. Kết quả này phản ánh rằng mức độ ứng dụng FinTech cao hơn đã góp phần nâng cao chất lượng thẩm định cũng như kiểm soát rủi ro, từ đó chi phí dự phòng được giảm thiểu. Các công nghệ như chấm điểm tín dụng tự động, học máy (machine learning) và dữ liệu phi truyền thống được xem là những công cụ hỗ trợ hiệu quả trong việc quản lý danh mục tín dụng, phù hợp với các nghiên cứu của Deng & ctg (2021) cùng Pang & ctg (2022).

Biến CIR mang dấu âm và đạt ý nghĩa thống kê tại mô hình (2) và (4) với các hệ số lần lượt là -0.044* và -0.022*, cho thấy hiệu quả trong kiểm soát chi phí thường được đi kèm với chiến lược dự phòng hợp lý hơn, nhờ khả năng phân bổ nguồn lực hiệu quả cho các công cụ giám sát và phân tích rủi ro. Biến CAP biểu hiện dấu dương và có ý nghĩa trong phần lớn các mô hình, phản ánh rằng các ngân hàng có vốn hóa cao thường chủ động trích lập dự phòng nhiều hơn nhằm phòng ngừa rủi ro tiềm ẩn và duy trì sự an toàn tài chính. Đối với biến SIZE, ý nghĩa thống kê chỉ được xác nhận tại mô hình (5) với hệ số dương 0.002*, cho thấy các ngân hàng quy mô lớn hơn có khuynh hướng trích lập dự phòng cao hơn, phần nào do phạm vi hoạt động rộng lớn và mức độ giám sát nghiêm ngặt hơn từ phía cơ quan quản lý. Cuối cùng, biến ROA đạt ý nghĩa tại mô hình (3) với hệ số dương 0.476**, hàm ý rằng các ngân hàng có lợi nhuận tốt thường chủ động hơn trong việc trích lập dự phòng, nhờ vào nguồn lực tài chính dồi dào và chiến lược quản trị thận trọng.

4.7.3 Đánh giá chung Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Để phân tích tác động của FinTech đến Quản trị rủi ro tại các ngân hàng thương mại Việt Nam, nghiên cứu sử dụng 05 phương pháp hồi quy gồm Pooled OLS, FEM, REM, FGLS và GMM và các kiểm định Hansen, Sargan. Phương pháp GMM được đánh giá là phù hợp nhất do khả năng xử lý vấn đề nội sinh và phản ánh chính xác quan hệ nhân quả giữa các biến. Tỷ lệ nợ xấu (NPL) được sử dụng làm biến phụ thuộc chính, trong khi tỷ lệ trích lập dự phòng (LLP) được xem như một biến thay thế nhằm kiểm tra tính ổn định của kết quả thu được theo nghiên cứu Libda (2024) và Mamiza Haq & ctg (2020). Kết quả đối với cả NPL và LLP đều chỉ ra rằng biến FT2 – đại diện cho mức độ đầu tư vào FinTech – mang tác động âm và đạt ý nghĩa thống kê cao trong hầu hết các mô hình GMM. Điều này hàm ý rằng đầu tư nghiêm túc vào hạ tầng và công nghệ FinTech giúp ngân hàng cải thiện giám sát, đánh giá và quản trị tín dụng thông qua các công cụ như chấm điểm tín dụng tự động, big data và quy trình cho vay số hóa. Ngược lại, các biến ICT và SOLUONG chưa thể hiện được kết quả ổn định, điều này cho thấy rằng không phải tất cả các yếu tố FinTech đều phát huy hiệu quả khi thiếu sự tích hợp chặt chẽ và định hướng rõ ràng trong hoạt động ngân hàng. So sánh hai thước đo rủi ro cho thấy, FT2 có tác động rõ rệt và bền vững hơn trong mô hình LLP, gợi ý rằng FinTech hỗ trợ ngân hàng chủ động phòng ngừa thông qua dự phòng rủi ro, thay vì chỉ tác động đến kết quả cuối cùng như giảm nợ xấu.

Với các biến kiểm soát, CAR có ý nghĩa trong mô hình LLP, trong khi CAP và SIZE ảnh hưởng nhiều hơn đến NPL, phản ánh sự khác biệt trong vai trò của cấu trúc vốn và quy mô đối với quản trị danh mục tín dụng. Ngoài ra, biến trễ L.LLP mang hệ số dương lớn và có ý nghĩa thống kê cao, cho thấy chiến lược dự phòng ổn định được các ngân hàng duy trì liên tục theo thời gian. Tổng thể, kết quả từ GMM khẳng định vai trò tích cực của FinTech, đặc biệt là FT2 trong giảm thiểu Quản trị rủi ro; đồng thời nhấn mạnh rằng việc đẩy mạnh đầu tư công nghệ cần gắn với nâng cao năng lực quản trị nội tại để tạo ra hiệu quả bền vững.

• KẾT LUẬN CHƯƠNG 4 Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Chương 4 giới thiệu bức tranh tổng quan về hệ thống ngân hàng Việt Nam dựa trên dữ liệu từ Tổng cục Thống kê, Ngân hàng Nhà nước và các báo cáo ngành của ngân hàng cũng như công ty kiểm toán. Trên cơ sở đó, tác động của FinTech đến rủi ro tín dụng (RRTD) tại các ngân hàng thương mại Việt Nam trong giai đoạn 2014–2024 được phân tích trong chương này.

Bên cạnh phần mô tả, kết quả định lượng cũng được trình bày thông qua mô hình GMM – phương pháp được lựa chọn nhằm khắc phục các hạn chế của hồi quy truyền thống như hiện tượng phương sai sai số không đồng nhất và tự tương quan. Những phát hiện thu được từ phân tích này đã tạo nền tảng quan trọng cho việc xây dựng kết luận và đề xuất chính sách trong Chương 5.

CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

5.1. Kết luận

Xuất phát từ nhu cầu cấp thiết trong việc phân tích tác động của FinTech đối với rủi ro tín dụng (RRTD) tại các ngân hàng thương mại Việt Nam giai đoạn 2014–2024, nghiên cứu này tập trung vào việc đánh giá và xác định mối quan hệ giữa các chỉ tiêu thể hiện sự phát triển của FinTech và mức độ Quản trị rủi ro. Dữ liệu được thu thập từ 24 ngân hàng thương mại cổ phần trong khoảng thời gian nói trên, đồng thời các thông tin vĩ mô cũng được tổng hợp từ Ngân hàng Thế giới, báo cáo Vietnam ICT Index và nhiều nguồn thống kê, báo cáo tài chính khác. Trên cơ sở các lý thuyết và nghiên cứu thực nghiệm trước đó, hai biến phụ thuộc chính là tỷ lệ nợ xấu (NPL) và tỷ lệ trích lập dự phòng rủi ro tín dụng (LLP) đã được sử dụng nhằm kiểm định tính ổn định của kết quả. Ba biến FinTech chủ đạo được đưa vào mô hình gồm chỉ số ICT, số lượng công ty FinTech (SOLUONG) và chỉ số đầu ra FinTech (FT2). Ngoài ra, một số biến kiểm soát liên quan đến đặc điểm ngân hàng và điều kiện kinh tế vĩ mô như CAP, CAR, SIZE, ROA, GDP và INF cũng được xem xét trong phân tích.

Trong nghiên cứu, nhiều phương pháp hồi quy khác nhau như Pooled OLS, FEM, REM, FGLS và GMM đã được áp dụng để xử lý dữ liệu bảng; trong đó, GMM được đánh giá là phù hợp nhất nhờ khả năng khắc phục vấn đề nội sinh và phản ánh chính xác mối quan hệ động giữa các biến. Các kết quả phân tích chỉ ra rằng các biến liên quan đến FinTech, đặc biệt là FT2, có tác động âm và đạt ý nghĩa thống kê đối với rủi ro tín dụng (RRTD) cho thấy sự phát triển của FinTech đã góp phần làm giảm tỷ lệ nợ xấu cùng chi phí dự phòng rủi ro tại các ngân hàng. Kết luận này đã được củng cố thông qua việc kiểm định tính ổn định với biến thay thế LLP. Trên cơ sở những phát hiện này, một số hàm ý quản trị đã được đề xuất nhằm khai thác hiệu quả vai trò của FinTech trong việc kiểm soát Quản trị rủi ro. Đồng thời, các hạn chế của nghiên cứu cũng đã được chỉ ra, kèm theo các đề xuất hướng nghiên cứu tiếp theo nhằm mở rộng và hoàn thiện chủ đề.

5.2. Hàm ý quản trị Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

5.2.1 Đối với nợ xấu và trích lập dự phòng

Tỷ lệ nợ xấu (L.NPL) và tỷ lệ trích lập dự phòng (L.LLP) đều được ghi nhận có hệ số dương và ý nghĩa thống kê ở mức 1% trong toàn bộ các mô hình, phản ánh tính kế thừa và lan tỏa theo thời gian của hai biến này. Thực tế cho thấy, nợ xấu cùng dự phòng rủi ro tín dụng thường chịu ảnh hưởng mạnh từ các chu kỳ trước đó, do vậy các ngân hàng được yêu cầu phải thực hiện giám sát chặt chẽ diễn biến nợ xấu và duy trì chính sách dự phòng hợp lý. Nếu kiểm soát không hiệu quả từ các giai đoạn trước, tình hình tài chính hiện tại và tương lai của ngân hàng có thể bị đặt vào nguy cơ rủi ro đáng kể. Trong bối cảnh đó, vai trò của Ngân hàng Nhà nước càng được nhấn mạnh trong việc tăng cường công tác giám sát, hoàn thiện khung pháp lý, thúc đẩy minh bạch thông tin và khuyến khích ứng dụng công nghệ tài chính trong quản trị rủi ro.

Thứ nhất, việc theo dõi xu hướng biến động của nợ xấu và chính sách dự phòng trong nhiều kỳ cần được các ngân hàng đặc biệt chú trọng, bởi dữ liệu lịch sử có ảnh hưởng đáng kể đến hành vi hiện tại. Không chỉ nâng cao độ chính xác và minh bạch trong báo cáo tài chính, việc ứng dụng FinTech còn được xem là công cụ hỗ trợ tăng cường trách nhiệm giải trình và nâng cao uy tín của hệ thống ngân hàng. Từ góc độ lợi thế kinh tế theo quy mô, việc áp dụng FinTech giúp tối ưu hóa quy trình xử lý nợ xấu và giảm chi phí biên khi số lượng dữ liệu cùng khách hàng tăng lên, qua đó góp phần nâng cao hiệu quả tín dụng. Đồng thời, hệ thống cảnh báo sớm cần được các cơ quan quản lý sớm triển khai nhằm theo dõi sát sao diễn biến rủi ro tín dụng, từ đó kiểm soát tốt hơn xu hướng nợ xấu và dự phòng, bảo đảm sự an toàn cũng như ổn định của hệ thống tài chính vĩ mô.

Thứ hai, việc nâng cao năng lực quản trị rủi ro tín dụng trong các ngân hàng, đặc biệt tại các khâu phân loại nợ và trích lập dự phòng, được xem là vô cùng cần thiết. Các công nghệ như trí tuệ nhân tạo, phân tích dữ liệu lớn và tự động hóa được áp dụng nhằm tăng cường độ chính xác trong đánh giá chất lượng tín dụng, giúp rủi ro được phát hiện kịp thời và tỷ lệ nợ xấu được giảm thiểu đáng kể. Việc kiểm soát hiệu quả nợ xấu cũng góp phần duy trì thanh khoản, mở rộng tín dụng và củng cố niềm tin của khách hàng cũng như nhà đầu tư. Đồng thời, các công cụ dự báo hiện đại được khuyến khích sử dụng nhằm tăng cường chính sách dự phòng, từ đó ngân hàng có thể đáp ứng các tiêu chuẩn quản trị rủi ro theo Basel II. Ngoài ra, quy trình trích lập dự phòng phải được thực hiện nghiêm ngặt theo các quy định của Ngân hàng Nhà nước, đặc biệt là Thông tư 02/2013/TT-NHNN và Thông tư 09/2014/TT-NHNN, để đảm bảo tính đầy đủ và đúng hạn trong việc thực thi.

5.2.2 Đối với số lượng công ty FinTech (SOLUONG) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Kết quả nghiên cứu chỉ ra rằng biến số lượng công ty FinTech (SOLUONG) mang hệ số dương và có ý nghĩa thống kê ở mức 1% trong tất cả bảy mô hình, qua đó hàm ý rằng sự gia tăng số lượng công ty FinTech tại Việt Nam có thể liên quan đến mức độ rủi ro tín dụng (RRTD) cao hơn. Áp lực cạnh tranh mạnh mẽ từ FinTech đối với thị trường tài chính truyền thống được thể hiện rõ nét qua kết quả này, đồng thời cảnh báo về những nguy cơ tiềm ẩn phát sinh khi các công ty FinTech chưa được kiểm soát chặt chẽ trong quá trình hợp tác. Quá trình phát triển nhanh chóng và đa dạng của FinTech có thể tạo ra khoảng trống trong giám sát, dẫn đến gia tăng rủi ro hệ thống nếu khung pháp lý và cơ chế quản lý không được cập nhật kịp thời nhằm theo kịp sự đổi mới công nghệ. Những phát hiện này có phần trái ngược với kết quả nghiên cứu của Ming Pang & ctg (2019), vốn nhấn mạnh vai trò tích cực của FinTech trong việc nâng cao chất lượng cho vay, song lại phù hợp với quan điểm của Trần Hùng Sơn (2023), theo đó sự phát triển nóng của FinTech tại Việt Nam có thể làm gia tăng Quản trị rủi ro do các lỗ hổng trong công tác quản lý vẫn tồn tại. Nguyên nhân chủ yếu được xác định là do sự cạnh tranh gay gắt đã khiến một số FinTech hạ thấp chuẩn mực cho vay nhằm mở rộng thị phần, trong khi năng lực giám sát của cơ quan quản lý vẫn chưa bắt kịp tốc độ phát triển này. Bên cạnh đó, sự thiếu chặt chẽ trong hợp tác giữa ngân hàng và các công ty FinTech cũng được cho là một trong những nguyên nhân làm tăng Quản trị rủi ro, đặc biệt khi thị trường biến động và chất lượng hoạt động giữa các FinTech chưa đồng đều. Đối với biến trích lập dự phòng (LLP), biến SOLUONG lại được ghi nhận với hệ số âm và có ý nghĩa thống kê trong hai mô hình (2) và (5), với các hệ số lần lượt là -0.004* và -0.007**. Kết quả này cho thấy sự gia tăng số lượng công ty FinTech đã tạo ra áp lực cạnh tranh tích cực đối với các ngân hàng thương mại, buộc các tổ chức này phải nâng cao năng lực thẩm định và giám sát tín dụng, từ đó góp phần làm giảm nhu cầu trích lập dự phòng. Phát hiện này tương đồng với nghiên cứu của Trần H. S. và ctg (2021), trong đó FinTech không chỉ cung cấp hỗ trợ kỹ thuật mà còn thúc đẩy quá trình tái cấu trúc hoạt động ngân hàng theo hướng hiệu quả hơn, đặc biệt qua việc cải thiện quy trình cấp tín dụng và phân tích khách hàng.

Sự gia tăng số lượng công ty FinTech tại Việt Nam, dù có thể làm tăng rủi ro tín dụng, đồng thời phản ánh sức ép cạnh tranh mạnh mẽ đối với thị trường tài chính truyền thống cùng với các thách thức trong công tác kiểm soát. Quá trình phát triển nhanh và đa dạng của FinTech tiềm ẩn nguy cơ hình thành các khoảng trống trong giám sát, dẫn đến tăng rủi ro hệ thống nếu không có các khung pháp lý và cơ chế quản lý thích hợp. Tuy nhiên, sự mở rộng của FinTech cũng tạo ra cơ hội thúc đẩy cạnh tranh lành mạnh, khiến các ngân hàng phải nâng cao năng lực thẩm định, giám sát tín dụng và tối ưu hóa công tác quản trị rủi ro. Khi được tích hợp hợp lý, FinTech hỗ trợ ngân hàng tận dụng công nghệ nhằm nâng cao hiệu quả quy trình tín dụng, giảm chi phí trung bình trên mỗi giao dịch và cải thiện hiệu suất hoạt động tổng thể. Đối với các ngân hàng thương mại, việc lựa chọn đối tác FinTech phù hợp và xây dựng cơ chế hợp tác an toàn được xem là yếu tố then chốt trong kiểm soát Quản trị rủi ro. Ưu tiên nên được dành cho các công ty sở hữu nền tảng công nghệ vững chắc, mô hình hoạt động minh bạch và có giấy phép đầy đủ.

Song song với đó, các ngân hàng cần đầu tư phát triển nguồn nhân lực có chuyên môn cao về công nghệ và tài chính, đồng thời học hỏi kinh nghiệm quốc tế và củng cố năng lực quản trị rủi ro. Việc nâng cấp hệ thống bảo mật và đảm bảo an toàn dữ liệu cũng được xem là yếu tố thiết yếu nhằm tạo dựng niềm tin của khách hàng đối với dịch vụ số. Ở tầm vĩ mô, chính phủ và Ngân hàng Nhà nước cần tiếp tục hoàn thiện khuôn khổ pháp lý để tạo môi trường cạnh tranh lành mạnh, đồng thời tăng cường giám sát các hoạt động của FinTech. Ngoài ra, việc đầu tư vào hạ tầng công nghệ thông tin, đảm bảo kết nối an toàn cho toàn bộ hệ sinh thái tài chính – ngân hàng, cùng với việc đẩy mạnh truyền thông và nâng cao nhận thức tài chính số cho người dân sẽ góp phần hạn chế rủi ro và củng cố niềm tin vào ngân hàng số. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

5.2.3 Đối với chỉ số sẵn sàng cho phát triển và ứng dụng công nghệ thông tin và truyền thông (ICT)

Kết quả nghiên cứu chỉ ra rằng đầu tư vào hạ tầng công nghệ thông tin (ICT) thể hiện hệ số dương và có ý nghĩa thống kê trong các mô hình (3) và (7), từ đó gợi ý rằng sự gia tăng đầu tư công nghệ, nếu không được quản trị rủi ro một cách phù hợp, có thể dẫn đến mức nợ xấu tăng cao hơn. Đặc điểm hai mặt của công nghệ trong hoạt động ngân hàng được phản ánh rõ ràng qua những kết quả này, tương tự như những nhận định đã được Ochenge (2020) đề cập. Nguyên nhân chủ yếu được lý giải là do việc triển khai hạ tầng công nghệ mới nếu không đồng bộ với quy trình quản lý và công tác đào tạo nhân sự sẽ tạo ra các khoảng trống trong giám sát tín dụng. Bên cạnh đó, sự phát triển nhanh chóng của các kênh cho vay số, nếu không được kiểm soát chặt chẽ, cũng dễ dàng dẫn đến rủi ro gia tăng trước khi các biện pháp phòng ngừa kịp thời được triển khai. Ngược lại, biến ICT trong các mô hình (3) và (5) lại biểu hiện hệ số âm lần lượt là -0.034*** và -0.008 đối với biến trích lập dự phòng rủi ro tín dụng (LLP), điều này cho thấy đầu tư vào công nghệ thông tin góp phần làm giảm chi phí trích lập dự phòng. Việc ứng dụng công nghệ được xem như đã nâng cao năng lực phân tích, sàng lọc khách hàng và khả năng phát hiện sớm các khoản tín dụng tiềm ẩn rủi ro của các ngân hàng, đồng thời tự động hóa quy trình nhận diện rủi ro. Các công cụ như xử lý dữ liệu lớn, trí tuệ nhân tạo và giám sát theo thời gian thực đã được sử dụng để rút ngắn thời gian phản ứng cũng như nâng cao độ chính xác trong dự báo, từ đó góp phần cải thiện hiệu quả quản trị rủi ro. Kết quả này phù hợp với các phát hiện của Cù & ctg (2024) cùng với Ochenge (2023), khi cả hai đều khẳng định vai trò nền tảng của công nghệ thông tin trong công tác kiểm soát rủi ro tín dụng.

Trên cơ sở đó, việc liên kết chặt chẽ giữa đầu tư hạ tầng công nghệ thông tin và chiến lược kiểm soát rủi ro được xem là yêu cầu thiết yếu đối với các ngân hàng thương mại, đặc biệt là trong các khâu thẩm định, giám sát và thu hồi nợ. Công nghệ tiên tiến như trí tuệ nhân tạo (AI) và học máy (machine learning) được áp dụng nhằm phát hiện sớm các khoản tín dụng rủi ro, đồng thời hỗ trợ giảm chi phí dự phòng và tăng cường hiệu quả vận hành. Cùng với đó, việc phát triển đội ngũ nhân lực có chuyên môn sâu về tài chính kết hợp với kỹ năng công nghệ được coi là yếu tố then chốt để tối ưu hóa hiệu quả đầu tư ICT. Ngoài ra, ở cấp độ vĩ mô, việc xây dựng các cơ sở dữ liệu dùng chung như hệ thống điểm tín dụng, eKYC và dữ liệu khách hàng tập trung được Nhà nước đánh giá là giải pháp quan trọng nhằm giảm thiểu sự bất cân xứng thông tin và nâng cao năng lực phân tích rủi ro. Đồng thời, cơ chế phối hợp hiệu quả giữa Ngân hàng Nhà nước, các ngân hàng thương mại và các công ty FinTech cần được thiết lập nhằm đảm bảo kiểm soát chất lượng hợp tác và ngăn ngừa nguy cơ lan truyền rủi ro. Thêm vào đó, việc thúc đẩy ứng dụng các công nghệ giám sát và tuân thủ hiện đại như SupTech và RegTech được xem là cần thiết để nâng cao hiệu quả quản lý, đồng thời tận dụng lợi thế kinh tế theo quy mô trong đầu tư công nghệ trên diện rộng. Những biện pháp này được kỳ vọng sẽ góp phần tăng cường khả năng kiểm soát rủi ro và cải thiện hiệu quả hoạt động lâu dài cho toàn bộ hệ thống tài chính.

5.2.4 Đối với chỉ số mức độ quan tâm, đầu tư của ngân hàng vào lĩnh vực công nghệ tài chính (FinTech đầu ra – FT2) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Kết quả nghiên cứu cho thấy tác động của chỉ số đầu tư FinTech (FT2) đến nợ xấu chưa ổn định; trong đó, hệ số mang dấu dương và có ý nghĩa thống kê được ghi nhận ở các mô hình (4) và (6), ngược lại biểu hiện dấu âm tại mô hình (7), còn các mô hình khác không cho thấy ý nghĩa thống kê rõ ràng. Hiện tượng này phản ánh sự khác biệt về hiệu quả đầu tư cũng như mức độ tích hợp FinTech giữa các ngân hàng. Kết quả trên phù hợp với quan điểm được đề xuất bởi Mamiza Haq & ctg (2020), theo đó việc áp dụng FinTech nếu không đi kèm với chiến lược quản trị rủi ro hiệu quả có thể không chỉ không cải thiện mà còn làm gia tăng rủi ro tín dụng. Nguyên nhân chủ yếu được cho là do sự khác biệt trong cách thức triển khai và quản lý, dẫn đến hiệu quả không đồng nhất giữa các tổ chức. Trái lại, khi xét đến biến trích lập dự phòng rủi ro tín dụng (LLP), chỉ số FT2 cho thấy tác động tiêu cực có ý nghĩa thống kê một cách nhất quán trong nhiều mô hình, đặc biệt là các mô hình (1), (4), (6) và (7), với hệ số dao động quanh mức -0.14. Điều này cho thấy mối quan hệ nghịch chiều rõ rệt giữa mức độ ứng dụng FinTech và chi phí trích lập dự phòng rủi ro tín dụng. Các công cụ công nghệ như hệ thống chấm điểm tín dụng tự động, học máy (machine learning) và khai thác dữ liệu phi truyền thống (ví dụ dữ liệu mạng xã hội, thanh toán điện tử) đã được sử dụng để nâng cao khả năng thẩm định và giám sát rủi ro khách hàng một cách chính xác và kịp thời hơn, từ đó giảm thiểu nợ xấu tiềm ẩn và chi phí dự phòng. Kết quả này tương đồng với những nghiên cứu của Deng & Zhao (2021) cũng như Pang & ctg (2022), cả hai đều nhấn mạnh vai trò tích cực của FinTech trong việc cải thiện quy trình đánh giá tín dụng và kiểm soát rủi ro hệ thống.

Như vậy, tác động của chỉ số đầu tư FinTech (FT2) đến nợ xấu phản ánh sự không đồng nhất trong hiệu quả triển khai và mức độ tích hợp công nghệ giữa các ngân hàng. Việc áp dụng FinTech mà không đi kèm với chiến lược quản trị rủi ro đồng bộ có thể dẫn đến kết quả không mong muốn, thậm chí làm gia tăng rủi ro tín dụng. Do đó, các ngân hàng thương mại cần thiết phải xây dựng chiến lược tích hợp FinTech một cách đồng bộ với các quy trình thẩm định, phê duyệt và giám sát tín dụng. Những công nghệ tiên tiến như chấm điểm tín dụng bằng trí tuệ nhân tạo (AI), phân tích dữ liệu lớn và theo dõi hành vi khách hàng cần được áp dụng sâu rộng vào hệ thống quản trị rủi ro để tối ưu hóa hiệu quả hoạt động. Song song đó, việc lựa chọn mô hình hợp tác phù hợp với năng lực và mục tiêu chiến lược—từ hợp tác kỹ thuật, liên kết kinh doanh đến đầu tư sở hữu—cần được cân nhắc nhằm vừa tận dụng lợi thế quy mô vừa kiểm soát được rủi ro phát sinh. Việc đánh giá định kỳ tác động của FinTech đến chất lượng tín dụng và chi phí dự phòng cũng là công cụ quan trọng giúp các ngân hàng điều chỉnh kịp thời chiến lược đầu tư, tránh lãng phí nguồn lực.

5.2.5 Đối với hiệu quả chi phí quản lý (CIR) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Kết quả nghiên cứu chỉ ra rằng biến tỷ lệ chi phí hoạt động trên thu nhập (CIR) có tác động tiêu cực và mang ý nghĩa thống kê đối với cả tỷ lệ nợ xấu (NPL) và chi phí trích lập dự phòng rủi ro tín dụng (LLP), qua đó nhấn mạnh vai trò quan trọng của việc kiểm soát chi phí vận hành trong công tác quản lý rủi ro tín dụng. Những phát hiện này phù hợp với các nghiên cứu trước đó (ví dụ: Cù & ctg, 2021; Mamiza Haq & ctg, 2020), trong đó việc tối ưu hóa chi phí hoạt động được xem là yếu tố then chốt giúp duy trì chất lượng tài sản và nâng cao hiệu quả dự phòng rủi ro. Việc kiểm soát chi phí hợp lý được xem như điều kiện để ngân hàng có thể tập trung nguồn lực cho các hoạt động trọng yếu như thẩm định tín dụng, giám sát khoản vay và phát triển các công cụ phân tích rủi ro, từ đó làm giảm nguy cơ phát sinh nợ xấu và xây dựng chiến lược dự phòng tín dụng phù hợp hơn.

Từ các kết quả trên, một số hàm ý chính sách quan trọng có thể được đề xuất. Trước tiên, hiệu quả chi phí được xác định là yếu tố quyết định trong việc duy trì chất lượng tín dụng, được thể hiện qua mối quan hệ nghịch chiều giữa CIR và NPL. Để cải thiện chỉ số này, việc rà soát định kỳ quy trình nội bộ, loại bỏ các chi phí không cần thiết và đẩy mạnh ứng dụng công nghệ nhằm tự động hóa các hoạt động được khuyến khích nhằm rút ngắn thời gian xử lý và tăng năng suất lao động. Ngoài ra, các biện pháp tái cơ cấu bộ máy theo hướng tinh gọn, sáp nhập các chi nhánh hoạt động kém hiệu quả cùng với mở rộng dịch vụ trực tuyến cũng được xem là các giải pháp thiết yếu để giảm thiểu chi phí cố định, tận dụng lợi thế kinh tế theo quy mô và nâng cao hiệu quả vận hành. Không chỉ vậy, việc nâng cao trải nghiệm khách hàng qua các kênh số cũng được nhận diện là một phương thức gián tiếp góp phần giảm thiểu rủi ro tín dụng, bởi sự minh bạch, nhanh chóng và tiện lợi trong dịch vụ khuyến khích khách hàng thực hiện đúng các nghĩa vụ tài chính và duy trì quan hệ lâu dài với ngân hàng.

5.2.6 Đối với quy mô vốn chủ sở hữu (CAP)

Kết quả nghiên cứu liên quan đến tỷ lệ nợ xấu (NPL) cho thấy rằng các ngân hàng sở hữu tỷ lệ vốn chủ sở hữu cao có khả năng phải đối mặt với rủi ro tín dụng lớn hơn trong giai đoạn khảo sát. Nguyên nhân được cho là xuất phát từ khuynh hướng chấp nhận rủi ro tăng lên khi ngân hàng có nền tảng vốn dày hơn; cụ thể, với vốn tự có lớn, các ngân hàng thường mở rộng quy mô cho vay hoặc đầu tư vào các lĩnh vực có kỳ vọng lợi nhuận cao nhưng tiềm ẩn rủi ro, dẫn đến sự gia tăng của nợ xấu. Phát hiện này phù hợp với quan điểm được trình bày bởi Mamiza Haq & ctg (2020) về mối quan hệ giữa vốn và rủi ro tín dụng. Đối với chi phí trích lập dự phòng rủi ro tín dụng (LLP), biến tỷ lệ vốn chủ sở hữu (CAP) thể hiện hệ số dương và có ý nghĩa thống kê nhất quán trong nhiều mô hình, cho thấy các ngân hàng có vốn hóa cao thường thực hiện việc trích lập dự phòng ở mức cao hơn. Điều này phản ánh một cách tiếp cận thận trọng trong quản lý rủi ro, khi các ngân hàng vốn lớn thường chịu áp lực từ phía cổ đông và nhà đầu tư nhằm đảm bảo sự an toàn tài chính. Đồng thời, họ cũng được trang bị đủ nguồn lực để tiến hành trích lập dự phòng mà không làm ảnh hưởng đáng kể đến lợi nhuận trong ngắn hạn. Kết quả này tương thích với nghiên cứu của Berger và Bouwman (2009), trong đó nhấn mạnh rằng các ngân hàng có năng lực vốn mạnh thường áp dụng chính sách dự phòng chủ động như một phần của chiến lược quản trị rủi ro tổng thể. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Từ các phát hiện nêu trên, có thể kết luận rằng việc tăng cường vốn tự có là một định hướng cần thiết nhằm nâng cao năng lực chống chịu trước các rủi ro. Việc củng cố vốn nên được các ngân hàng chú trọng thông qua các hình thức như giữ lại lợi nhuận, phát hành cổ phiếu hoặc thu hút các nhà đầu tư chiến lược có năng lực tài chính vững mạnh. Bên cạnh đó, đa dạng hóa các nguồn vốn cùng với việc kiểm soát chặt chẽ quá trình hợp tác với các đối tác được xem là các biện pháp quan trọng nhằm đảm bảo hiệu quả hoạt động bền vững, duy trì sự ổn định tài chính và nâng cao khả năng ứng phó trước bối cảnh rủi ro ngày càng phức tạp

5.2.7 Đối với quy mô ngân hàng (SIZE)

Kết quả nghiên cứu cho thấy quy mô không được xác định là yếu tố có tác động rõ ràng và nhất quán đến tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam. Tuy nhiên, tỷ lệ trích lập dự phòng rủi ro tín dụng thường cao hơn ở những ngân hàng có quy mô lớn hơn. Nguyên nhân được cho là do phạm vi hoạt động tín dụng rộng lớn hơn, kéo theo khả năng tiếp cận với nhiều khoản vay tiềm ẩn rủi ro. Đồng thời, các ngân hàng có quy mô lớn thường được trang bị cơ chế quản trị rủi ro bài bản hơn, giúp nhận diện sớm và trích lập dự phòng đầy đủ cho các rủi ro tiềm tàng, qua đó làm tăng chi phí dự phòng rủi ro tín dụng (LLP) được phản ánh rõ hơn trên báo cáo tài chính.

Việc mở rộng quy mô mang lại nhiều lợi ích như nâng cao uy tín, mở rộng tệp khách hàng và tạo hiệu ứng lan tỏa trên thị trường. Dựa trên lý thuyết về lợi thế kinh tế nhờ quy mô, ngân hàng lớn có khả năng giảm chi phí bình quân, cải thiện năng lực cạnh tranh và gia tăng khả năng phục vụ khách hàng. Do đó, các ngân hàng thương mại cần xây dựng chiến lược tăng trưởng hợp lý thông qua việc mở rộng mạng lưới trong nước và từng bước hướng ra khu vực, kết hợp với đầu tư vào marketing và thương hiệu nhằm thu hút khách hàng cũng như đối tác chiến lược. Tuy nhiên, quá trình mở rộng nếu không đi kèm với năng lực quản trị tương xứng có thể dẫn đến việc gia tăng rủi ro tín dụng. Theo lý thuyết chi phí giao dịch (Williamson, 1981), mở rộng quy mô mà không thiết lập được hệ thống kiểm soát hiệu quả sẽ làm phát sinh thêm chi phí giám sát và vận hành. Vì vậy, quy mô phát triển của các ngân hàng cần được quản lý một cách thận trọng, gắn liền với việc nâng cao năng lực quản trị, kiểm soát chi phí và tối ưu hóa hiệu quả vận hành, đồng thời tránh mở rộng vượt quá mức tối ưu nhằm ngăn chặn hiện tượng lợi ích cận biên giảm dần.

5.2.8 Đối với mức độ sinh lời (ROA) Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Kết quả nghiên cứu chỉ ra rằng biến ROA có hệ số âm và mang ý nghĩa thống kê cao trong tất cả các mô hình đối với tỷ lệ nợ xấu (NPL), cho thấy hiệu quả sinh lời càng cao thì tỷ lệ nợ xấu càng được giảm thiểu. Điều này cho thấy các ngân hàng hoạt động hiệu quả thường kiểm soát rủi ro tín dụng một cách tốt hơn, từ khâu thẩm định đến quản lý danh mục tín dụng. Phát hiện này tương thích với kết quả nghiên cứu của Cù & ctg (2021) cũng như Ming Pang & ctg (2019). Bên cạnh đó, tác động của ROA đối với chi phí trích lập dự phòng rủi ro tín dụng (LLP) được ghi nhận là mang ý nghĩa thống kê dương trong một số mô hình, phản ánh việc các ngân hàng có hiệu quả sinh lời cao thường chủ động trích lập dự phòng nhiều hơn. Điều này cho thấy một chiến lược tài chính thận trọng nhằm nâng cao khả năng chống chịu trước các rủi ro tiềm ẩn, phù hợp với kết luận được đưa ra bởi Berger và DeYoung (1997).

Từ kết quả này, có thể nhận thấy rằng việc nâng cao ROA cần được xem là mục tiêu trọng tâm trong chiến lược phát triển của các ngân hàng. Các biện pháp cần được triển khai bao gồm tối ưu hóa hiệu quả sử dụng tài sản, kiểm soát chi phí một cách chặt chẽ, mở rộng các nguồn thu ngoài lãi và ưu tiên tập trung cho vay đối với nhóm khách hàng có chất lượng tín dụng tốt. Trong bối cảnh chuyển đổi số, việc tích hợp công nghệ FinTech vào các quy trình đánh giá, phê duyệt cũng như giám sát tín dụng được xem là giải pháp hiệu quả giúp ngân hàng nâng cao khả năng kiểm soát chi phí, gia tăng hiệu suất sinh lời và giảm thiểu rủi ro nợ xấu, phù hợp với lý thuyết chi phí giao dịch. Đồng thời, mục tiêu nâng cao ROA cần được phối hợp đồng bộ với chiến lược quản trị rủi ro trung và dài hạn để tránh việc chỉ tập trung vào lợi nhuận ngắn hạn. Đối với các ngân hàng thương mại cổ phần tại Việt Nam, việc đa dạng hóa danh mục cho vay cùng với phát triển các sản phẩm phi tín dụng như dịch vụ, ngoại hối và bảo hiểm được khuyến nghị nhằm mở rộng nguồn thu, phân tán rủi ro và củng cố nền tảng tài chính bền vững trong dài hạn.

5.2.9 Đối với tỷ lệ lạm phát (INF)

Kết quả nghiên cứu chỉ ra rằng biến INF mang hệ số dương và đạt mức ý nghĩa thống kê ở mức 1% hoặc 5% trong phần lớn các mô hình, cho thấy tỷ lệ nợ xấu tại các ngân hàng thương mại có xu hướng tăng cao khi lạm phát ở mức lớn. Việc giá cả tăng nhanh đã làm thu nhập thực tế của người vay bị thu hẹp, trong khi chi phí sinh hoạt gia tăng, từ đó làm giảm khả năng trả nợ của họ. Đồng thời, các doanh nghiệp cũng chịu ảnh hưởng tiêu cực do chi phí đầu vào tăng và dòng tiền bị thu hẹp, dẫn đến nguy cơ chậm thanh toán hoặc vỡ nợ gia tăng. Phát hiện này phù hợp với nhận định của Mamiza Haq & ctg (2020), khi họ khẳng định rằng lạm phát là một yếu tố vĩ mô quan trọng tác động làm gia tăng rủi ro tín dụng, đặc biệt trong bối cảnh kinh tế có tính bất ổn cao. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Từ kết quả nghiên cứu trên, có thể kết luận rằng lạm phát tạo ra ảnh hưởng tiêu cực đáng kể đối với chất lượng tín dụng. Do đó, việc điều hành chính sách tiền tệ một cách linh hoạt nhằm ổn định giá cả và duy trì môi trường tín dụng an toàn cần được xem là nhiệm vụ trọng tâm của Ngân hàng Nhà nước. Ở phía các ngân hàng thương mại, việc điều chỉnh lãi suất một cách chủ động, tái cơ cấu danh mục cho vay và tăng cường kiểm soát rủi ro đối với các ngành bị ảnh hưởng trực tiếp bởi biến động giá cả được đánh giá là rất cần thiết. Bên cạnh đó, việc đa dạng hóa tín dụng theo ngành nghề, khu vực địa lý và nhóm khách hàng, kết hợp với việc nâng cao mức độ trích lập dự phòng rủi ro, sẽ giúp các ngân hàng thiết lập vùng đệm tài chính hiệu quả. Những ngân hàng có quy mô lớn cùng với danh mục sản phẩm đa dạng được cho là có lợi thế hơn trong việc phân tán rủi ro, phù hợp với lý thuyết về lợi thế kinh tế theo quy mô.

5.3. Hạn chế và hướng nghiên cứu tiếp theo Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

Nghiên cứu vẫn tồn tại một số hạn chế nhất định. Thứ nhất, các biến độc lập trong mô hình chưa được mở rộng toàn diện, trong khi rủi ro tín dụng tại các ngân hàng TMCP Việt Nam chịu ảnh hưởng bởi nhiều yếu tố khác nhau chưa được đưa vào phân tích; đặc biệt, chỉ số Z-score – thước đo quan trọng phản ánh mức độ ổn định tài chính và khả năng chống chịu rủi ro tổng thể của ngân hàng chưa được xem xét, làm giảm tính toàn diện của mô hình. Thứ hai, bối cảnh nghiên cứu tại Việt Nam có nhiều đặc thù so với các quốc gia khác về môi trường kinh tế, khung pháp lý và cấu trúc hệ thống ngân hàng, do đó việc áp dụng các biến và mô hình từ nghiên cứu quốc tế có thể chưa phản ánh đầy đủ điều kiện thực tiễn trong nước. Ngoài ra, một hạn chế quan trọng của việc ứng dụng công nghệ FinTech là “lỗ hổng thông tin”, khi chất lượng dữ liệu đầu vào phụ thuộc lớn vào thông tin khách hàng tự khai báo; trong trường hợp thông tin không chính xác hoặc bị che giấu, các mô hình chấm điểm tín dụng dựa trên công nghệ có thể bị nhiễu, dẫn đến sai lệch trong đánh giá tín nhiệm trước khi cho vay. Bên cạnh đó, dữ liệu nghiên cứu chủ yếu dựa trên số liệu thứ cấp và các báo cáo công bố, nên chưa phản ánh đầy đủ các yếu tố nội bộ như mức độ sẵn sàng công nghệ, chiến lược triển khai FinTech hay năng lực quản trị rủi ro riêng của từng ngân hàng. Mô hình nghiên cứu hiện mới tập trung vào một số khía cạnh FinTech chủ yếu, chưa xem xét toàn diện các mô hình công nghệ mới nổi như blockchain, trí tuệ nhân tạo nâng cao (advanced AI), ngân hàng mở (open banking), cũng như các yếu tố thể chế và hành vi khách hàng có thể ảnh hưởng đến rủi ro tín dụng. Ngoài ra, phương pháp nghiên cứu định lượng vẫn phụ thuộc vào các giả định tuyến tính của mô hình hồi quy truyền thống, trong khi mối quan hệ giữa FinTech và rủi ro tín dụng có thể mang tính phi tuyến hoặc ngưỡng, do đó các nghiên cứu tương lai có thể kết hợp các phương pháp hiện đại hơn như mô hình phi tuyến, machine learning hoặc nghiên cứu định tính chuyên sâu để tăng độ sâu phân tích. Cuối cùng, nghiên cứu chưa xem xét vai trò trung gian hoặc điều tiết của các yếu tố như kinh nghiệm quản lý rủi ro, chính sách tín dụng hay năng lực kiểm soát công nghệ của ngân hàng; các giả thuyết hiện tại chủ yếu giả định tác động thuận chiều của FinTech lên rủi ro tín dụng, trong khi trên thực tế FinTech cũng có thể làm giảm rủi ro thông qua nâng cao chất lượng thẩm định khách hàng bằng AI và Big Data, do đó các nghiên cứu tiếp theo cần mở rộng khung lý thuyết hoặc thảo luận sâu hơn về kênh tác động hai chiều này.

• KẾT LUẬN CHƯƠNG 5

Dựa trên kết quả phân tích thực nghiệm về tác động của FinTech đến Quản trị rủi ro tại các ngân hàng thương mại cổ phần Việt Nam giai đoạn 2014–2024 được trình bày trong Chương 4, tác giả đưa ra các khuyến nghị tại Chương 5 nhằm thúc đẩy ứng dụng FinTech như một công cụ hạn chế Quản trị rủi ro hiệu quả, góp phần kiểm soát và giảm thiểu Quản trị rủi ro. Đồng thời, nghiên cứu cũng thừa nhận một số hạn chế, bao gồm giới hạn về dữ liệu thứ cấp, độ dài chuỗi thời gian, số lượng biến đại diện cho FinTech và phương pháp đo lường mức độ ứng dụng FinTech. Từ đó, tác giả đề xuất định hướng cho các nghiên cứu tiếp theo, như mở rộng phạm vi dữ liệu, bổ sung các biến định lượng phản ánh toàn diện hơn sự phát triển FinTech. Đồng thời, đây cũng là các phương pháp phân tích nâng cao giúp cải tiến và hòan thiện chủ đề nghiên cứu. Luận văn: KQNC Tác động của FinTech đến rủi ro tín dụng tại NH.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

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