Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các 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: Ảnh hưởng của Fintech đến tỷ suất lợi nhuận của các ngân hàng thương mại tại Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1 Mô hình nghiên cứu

Thông qua khảo lược các nghiên cứu trước bao gồm nghiên cứu như: Wu và Yuan (2021), Wang & Nor (2022) và Yang (2023). Để tìm hiểu xem Fintech ảnh hưởng đến tỷ suất lợi nhuận của các ngân hàng thương mại như thế nào, tác giả xác định tỷ suất lợi nhuận ở đây là tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) của các ngân hàng thương mại là biến phụ thuộc. Quy mô ROE được giả định là tỷ suất lợi nhuận của các ngân hàng và là biến số phụ thuộc vào các yếu tố khác, bao gồm: (1) Chi phí đầu tư vào Fintech của NHTM (FT); (2) Quy mô ngân hàng (SIZE); (3) Tỷ lệ an toàn vốn tối thiểu (CAR); (4) Tỷ lệ vốn chủ sở hữu/ tổng tài sản (CAP); (5) Tỷ lệ chi phí trên thu nhập (CIR); (6) Tỷ lệ nợ xấu/ tổng dư nợ (NPL). Như vậy, mô hình nghiên cứu sẽ có phương trình và tại bảng 3.1 như sau: ROEit = 𝛃0 + 𝛃1FTit + 𝛃2SIZEit + 𝛃3CARit + 𝛃4CAPit + + 𝛃5CIRit + 𝛃6NPLit + 𝓔it

• Bảng 3.1 Danh sách các biến trong mô hình

Trong nghiên cứu này, để đánh giá tác động của Fintech đến tỷ suất lợi nhuận của các NHTM, tác giả sử dụng chi phí đầu tư vào Fintech của các NHTM trong từng năm để đo lường. Các biến độc lập được lấy từ báo cáo tài chính hợp nhất của 25 NHTM tại Việt Nam trong giai đoạn 2015 – 2024. Từ đó, tạo ra bảng dữ liệu với 250 quan sát. Hệ số β1 trong mô hình sẽ cho biết mức độ ảnh hưởng của Fintech đến tỷ suất lợi nhuận của các NHTM tại Việt Nam.

3.2 Mô tả nghiên cứu

3.2.1 Chi phí đầu tư vào Fintech của NHTM (FT)

Biến chi phí đầu tư vào Fintech (FT) được đo lường bằng tổng chi phí đầu tư Fintech (số tuyệt đối, đơn vị: tỷ đồng) của mỗi NHTM trong từng năm, được thu thập từ báo cáo tài chính hợp nhất. Nghiên cứu sử dụng giá trị tuyệt đối thay vì lấy logarith vì các lý do sau: (i) giá trị tuyệt đối giúp diễn giải trực tiếp mức độ tác động của mỗi đơn vị chi phí đầu tư Fintech đến ROE, phù hợp với mục tiêu đề xuất hàm ý quản trị cho các nhà quản trị ngân hàng; (ii) kiểm định đa cộng tuyến (VIF) cho thấy biến FT có VIF nằm trong giới hạn cho phép (< 10), không gây ra vấn đề đa cộng tuyến nghiêm trọng trong mô hình; (iii) cách đo lường này nhất quán với nghiên cứu của Wu và Yuan (2021) khi sử dụng chi phí đầu tư Fintech ở dạng giá trị gốc để đánh giá tác động đến lợi nhuận NHTM.

Theo Lý thuyết về đổi mới công nghệ (Schumpeter, 1942; Henrekson và cộng sự, 2022), việc đầu tư vào công nghệ mới giúp doanh nghiệp nâng cao năng suất và khả năng sinh lời thông qua việc tạo ra các sản phẩm, dịch vụ mới và tối ưu hóa quy trình vận hành. Lý thuyết hiệu quả chi phí cũng chỉ ra rằng ứng dụng Fintech giúp ngân hàng giảm chi phí vận hành, từ đó cải thiện biên lợi nhuận (Ebissa và Lakew, 2025). Các nghiên cứu thực nghiệm của Wang và Nor (2022) và Yang (2023) đều tìm thấy tác động thuận chiều của Fintech đến ROE. Do đó, nghiên cứu đề xuất giả thuyết:

H1: Chi phí đầu tư vào Fintech có tác động thuận chiều đến tỷ suất lợi nhuận (ROE) của NHTM.

3.2.2 Quy mô ngân hàng (SIZE) Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Quy mô ngân hàng được nhiều học giả lựa chọn để đưa vào mô hình nghiên cứu, được đo bằng cách lấy Logarit tự nhiên của tổng tài sản. SIZE = Log (Tổng tài sản)

Quy mô ngân hàng (SIZE) trong luận văn được đo lường bằng phép biến đổi sin hyperbolic ngược (Inverse Hyperbolic Sine – IHS) của tổng tài sản, ký hiệu là IHS_SIZE. Phép biến đổi IHS được định nghĩa là IHS(x) = ln(x + √(x² + 1)), tương tự logarit tự nhiên khi giá trị lớn nhưng có ưu điểm xử lý được các giá trị bằng 0 hoặc âm (Burbidge, Magee và Robb, 1988). Trong mẫu nghiên cứu, do tổng tài sản của các NHTM đều dương và có giá trị lớn, kết quả của phép biến đổi IHS gần tương đương với logarit tự nhiên. Việc sử dụng IHS thay vì logarit tự nhiên nhằm đảm bảo tính đồng nhất về phương pháp biến đổi trong trường hợp mở rộng mẫu nghiên cứu.

Theo lý thuyết kinh tế học về tính kinh tế theo quy mô, các ngân hàng có quy mô lớn thường có lợi thế trong việc giảm chi phí bình quân trên mỗi đơn vị sản phẩm, đa dạng hóa nguồn thu nhập và tiếp cận nguồn vốn với chi phí thấp hơn (Gujarati, 2004). Mashayekhi và Bazaz (2008), Azeez (2015) và Olokoyo (2013) đều chỉ ra rằng quy mô doanh nghiệp có mối quan hệ thuận chiều với tỷ suất lợi nhuận. Trong bối cảnh chuyển đổi số, các ngân hàng quy mô lớn cũng có nhiều nguồn lực hơn để đầu tư vào công nghệ Fintech. Do đó, nghiên cứu đề xuất giả thuyết

H2: Quy mô ngân hàng có tác động thuận chiều với tỷ suất lợi nhuận (ROE) của NHTM.

3.2.3 Tỷ lệ an toàn vốn tối thiểu (CAR)

Theo khuôn khổ Basel về an toàn vốn (Basel Committee on Banking Supervision, 2006), việc duy trì tỷ lệ an toàn vốn ở mức cao giúp ngân hàng tăng khả năng hấp thụ tổn thất, duy trì sự ổn định tài chính và nâng cao uy tín trên thị trường. Lý thuyết quản trị rủi ro tài chính cho rằng một hệ thống quản lý rủi ro hiệu quả, trong đó có an toàn vốn, góp phần vào việc cải thiện khả năng sinh lời bền vững. Elouali và Lahsen (2018) cũng tìm thấy mối quan hệ thuận chiều giữa CAR và tỷ suất lợi nhuận ngân hàng. Do đó, nghiên cứu đề xuất giả thuyết: Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

H3: Tỷ lệ an toàn vốn tối thiểu có tác động thuận chiều với tỷ suất lợi nhuận (ROE) của NHTM.

3.2.4 Tỷ lệ vốn chủ sở hữu/ tổng tài sản (CAP)

Các ngân hàng có tỷ lệ vốn chủ sở hữu cao thường có khả năng chịu đựng tổn thất tốt hơn mà không rơi vào tình trạng mất khả năng thanh toán, từ đó giảm chi phí vốn vay và nâng cao lợi nhuận (Olokoyo, 2013). Theo Lý thuyết quản trị rủi ro tài chính, vốn chủ sở hữu dồi dào giúp ngân hàng giảm thiểu rủi ro phá sản, tạo niềm tin cho nhà đầu tư và khách hàng, qua đó gián tiếp cải thiện khả năng sinh lời. Wang và Nor (2022) cũng sử dụng CAP như một biến kiểm soát quan trọng trong nghiên cứu hiệu quả ngân hàng. Do đó, nghiên cứu đề xuất giả thuyết:

H4: Tỷ lệ vốn chủ sở hữu trên tổng tài sản có tác động thuận chiều với tỷ suất lợi nhuận (ROE) của NHTM.

Mặc dù CAR và CAP đều phản ánh mức độ an toàn vốn, chúng được đo lường khác nhau: CAR tính theo vốn tự có/tài sản có rủi ro (theo Basel), còn CAP tính theo vốn chủ sở hữu/tổng tài sản. Nghiên cứu đưa cả hai biến vào mô hình ban đầu để kiểm tra, và kết quả VIF cho thấy không có đa cộng tuyến nghiêm trọng (VIF < 10).

3.2.5 Tỷ lệ chi phí trên thu nhập (CIR) Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Tỷ lệ chi chí trên thu nhập được tính bằng chi phí hoạt động chia cho Thu nhập ròng cộng với Thu nhập ngoài lãi.

Theo Lý thuyết hiệu quả chi phí, một tổ chức đạt hiệu quả cao khi có khả năng tối thiểu hóa chi phí đầu vào để đạt được mức đầu ra nhất định (Ebissa và Lakew, 2025). CIR phản ánh trực tiếp hiệu quả quản lý chi phí của ngân hàng: CIR càng cao cho thấy ngân hàng tiêu tốn càng nhiều chi phí để tạo ra một đồng thu nhập, từ đó làm giảm lợi nhuận. Elouali và Lahsen (2018) và Kong (2022) đều tìm thấy tác động ngược chiều của CIR đến khả năng sinh lời của ngân hàng. Do đó, nghiên cứu đề xuất giả thuyết:

H5: Tỷ lệ chi phí trên thu nhập có tác động ngược chiều với tỷ suất lợi nhuận (ROE) của NHTM.

3.2.6 Tỷ lệ nợ xấu/ tổng dư nợ (NPL)

• NPL thể hiện tỷ lệ nợ xấu trên tổng dư nợ.

Theo Lý thuyết quản trị rủi ro tài chính, tỷ lệ nợ xấu cao phản ánh chất lượng danh mục cho vay kém, buộc ngân hàng phải trích lập dự phòng rủi ro lớn hơn, làm giảm trực tiếp lợi nhuận ròng. Đồng thời, nợ xấu cao cũng dẫn đến chi phí thu hồi nợ tăng và uy tín ngân hàng suy giảm, ảnh hưởng ngược chiều đến khả năng sinh lời (Nguyễn Thị Quỳnh Châu, 2025). Wu và Yuan (2021) cũng xác nhận mối quan hệ ngược chiều giữa rủi ro tín dụng và lợi nhuận của NHTM. Do đó, nghiên cứu đề xuất giả thuyết:

H6: Tỷ lệ nợ xấu trên tổng dư nợ có tác động ngược chiều với tỷ suất lợi nhuận (ROE) của NHTM.

3.3 Phương pháp nghiên cứu Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Trong nghiên cứu này, phương pháp nghiên cứu được sử dụng là phương pháp định tính kết hợp phương pháp nghiên cứu định lượng.

3.3.1 Phương pháp định tính

Phương pháp định tính được thực hiện bằng cách thu thập, phân tích và tổng hợp thông tin từ nhiều nguồn khác nhau, bao gồm các khái niệm, lý thuyết, dữ liệu nghiên cứu… Sau đó, lý thuyết được kiểm tra, kiểm chứng và hiệu chỉnh để đảm bảo tính hợp lý và khả thi. Phương pháp này giúp chúng ta hiểu rõ hơn về một lĩnh vực cụ thể và xây dựng được các mô hình và từ đó đưa ra các hàm ý chính sách.

3.3.2 Phương pháp nghiên cứu định lượng

Đầu tiên, nghiên cứu sẽ thực hiện ước lượng các mô hình tĩnh gồm Tác động Cố định (FEM) và Tác động Ngẫu nhiên (REM). Kiểm định Hausman sẽ được dùng để lựa chọn mô hình tĩnh phù hợp ban đầu. Tiếp theo, các kiểm định về phương sai sai số thay đổi và tự tương quan sẽ được tiến hành. Nếu phát hiện các vi phạm, phương pháp ước lượng bình phương nhỏ nhất tổng quát (GLS) hoặc sử dụng sai số chuẩn mạnh mẽ (Robust Standard Errors) sẽ được áp dụng để đảm bảo tính vững chắc của kết quả từ mô hình tĩnh. Tuy nhiên, để giải quyết triệt để các vấn đề về nội sinh (endogeneity) và tính động của dữ liệu, vốn thường tồn tại trong các nghiên cứu về ngân hàng, phương pháp ước lượng chủ đạo sẽ là GMM Hệ thống (System GMM). Kết quả từ mô hình này, sau khi đã vượt qua các kiểm định chẩn đoán quan trọng (ví dụ: kiểm định tự tương quan Arellano-Bond và kiểm định Sargan/Hansen), sẽ là cơ sở chính để đưa ra các kết luận cuối cùng của nghiên cứu.

3.3.3 Các phương pháp ước lượng khắc phục cho mô hình ban đầu Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Để giải quyết các vấn đề về phương sai sai số thay đổi và tự tương quan đã được phát hiện trong mô hình FEM, nghiên cứu sẽ áp dụng các phương pháp ước lượng sau:

Thứ nhất, mô hình Tác động Cố định với sai số chuẩn mạnh mẽ theo cụm (FEM-Robust): Phương pháp này vẫn giữ nguyên các hệ số ước lượng của FEM nhưng điều chỉnh sai số chuẩn để chúng trở nên mạnh mẽ (robust) trước sự hiện diện của phương sai sai số thay đổi và tự tương quan trong phạm vi từng cụm (cluster, ở đây là từng ngân hàng).

Thứ hai, mô hình Bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares – FGLS): FGLS là một phương pháp ước lượng hiệu quả hơn OLS khi cấu trúc của phương sai sai số (phương sai thay đổi và/hoặc tự tương quan) được biết hoặc có thể được ước lượng một cách nhất quán. Trong nghiên cứu này, mô hình FGLS sẽ được cấu hình để xử lý đồng thời phương sai sai số thay đổi giữa các ngân hàng và tự tương quan bậc nhất AR(1) trong nội bộ từng ngân hàng theo thời gian.

Việc sử dụng các mô hình này giúp đảm bảo rằng các kết luận rút ra từ phân tích dữ liệu tĩnh là vững chắc và đáng tin cậy hơn.

3.3.4. Phân tích mô hình động bằng mô hình GMM hệ thống

Các mô hình tĩnh như FEM hay FGLS có thể chưa giải quyết triệt để các vấn đề tiềm ẩn như tính bền vững của biến phụ thuộc và tính nội sinh của các biến giải thích.

Thứ nhất, tính bền vững của ROE: Tỷ suất lợi nhuận của ngân hàng (ROE) thường có tính kế thừa, nghĩa là ROE của kỳ trước có thể ảnh hưởng đến ROE của kỳ này. Điều này đòi hỏi việc đưa biến trễ của biến phụ thuộc (L.ROE) vào mô hình, biến mô hình thành mô hình động.

Thứ hai, kiểm định và xử lý vấn đề nội sinh (Endogeneity): Sự xuất hiện của biến trễ phụ thuộc (L.ROE) làm cho nó tương quan với thành phần sai số cố định theo cá thể, gây ra chệch hướng cho các ước lượng OLS tiêu chuẩn (dynamic panel bias).

Các biến giải thích khác (ví dụ, FT – quyết định đầu tư, hoặc IHS_SIZE) cũng có thể nội sinh do mối quan hệ hai chiều với ROE, do các biến bị bỏ sót hoặc sai số đo lường. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Thứ ba, để giải quyết các vấn đề này, nghiên cứu sẽ sử dụng phương pháp ước lượng GMM hệ thống (System Generalized Method of Moments – SGMM) hai bước, được phát triển bởi Arellano và Bover (1995) và Blundell và Bond (1998). SGMM kết hợp một hệ phương trình sai phân bậc nhất (first-differenced equations) được công cụ hóa bằng các giá trị trễ của các biến ở dạng mức (lagged levels), và một hệ phương trình dạng mức (level equations) được công cụ hóa bằng các giá trị trễ của các biến ở dạng sai phân bậc nhất (lagged first differences). Phương pháp này đặc biệt hiệu quả đối với các dữ liệu bảng có số lượng thời kỳ (T) nhỏ và số lượng đối tượng (N) lớn, và khi các biến có tính bền vững cao. Ước lượng SGMM hai bước thường hiệu quả hơn ước lượng một bước, nhưng cần điều chỉnh sai số chuẩn (sử dụng hiệu chỉnh Windmeijer).

• Các kiểm định chẩn đoán quan trọng cho mô hình SGMM bao gồm:

Kiểm định Wald (Wald χ2): Kiểm tra ý nghĩa thống kê chung của mô hình.

Kiểm định tự tương quan Arellano-Bond: Kiểm tra sự tồn tại của tự tương quan bậc nhất (AR (1)) và bậc hai (AR (2)) trong sai số đã lấy sai phân. Kỳ vọng là có AR (1) nhưng không có AR (2) để đảm bảo tính nhất quán của các ước lượng GMM.

Kiểm định các ràng buộc vượt xác định (Sargan/Hansen test): Kiểm tra tính hợp lệ của các biến công cụ được sử dụng. Giả thuyết gốc là các công cụ hợp lệ (không tương quan với sai số). Một giá trị P-value không bác bỏ giả thuyết này là mong muốn. Kiểm định Hansen thường được ưu tiên cho SGMM hai bước.

Kiểm định Difference-in-Hansen: Kiểm tra tính ngoại sinh của các tập hợp con các biến công cụ.

Số lượng công cụ: Cần đảm bảo số lượng công cụ không quá lớn so với số lượng nhóm (ngân hàng) để tránh làm suy yếu các kiểm định. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

3.3.5 Lựa chọn mô hình ước lượng phù hợp

Việc lựa chọn mô hình ước lượng phù hợp để diễn giải kết quả và đưa ra các hàm ý chính sách sẽ dựa trên một số tiêu chí quan trọng:

Thứ nhất, sự phù hợp về mặt lý thuyết: Mô hình phải có khả năng giải quyết các vấn đề kinh tế lượng tiềm ẩn trong dữ liệu và mối quan hệ nghiên cứu (tính không đồng nhất, phương sai sai số thay đổi, tự tương quan, tính động, và nội sinh).

Thứ hai, kết quả của các kiểm định chẩn đoán: Các kiểm định như Hausman, Wald, AR (2), Hansen phải cho thấy mô hình được lựa chọn là hợp lệ và các giả định của nó được thỏa mãn.

Thứ ba, tính vững chắc của kết quả: So sánh kết quả từ các mô hình khác nhau (FEM-Robust, FGLS, SGMM) để đánh giá sự ổn định của các hệ số ước lượng.

Dựa trên khả năng giải quyết triệt để hơn các vấn đề về nội sinh và tính động của biến phụ thuộc, cùng với các kết quả kiểm định chẩn đoán ủng hộ tính hợp lệ của nó, mô hình GMM hệ thống (SGMM) được xác định là mô hình phù hợp nhất để đưa ra các kết luận cuối cùng của luận văn. Toàn bộ quá trình phân tích kinh tế lượng sẽ được thực hiện bằng phần mềm Stata.

3.4 Thống kê mô tả dữ liệu nghiên cứu Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Phần này trình bày các đặc điểm thống kê cơ bản của các biến được sử dụng trong mô hình nghiên cứu, bao gồm biến phụ thuộc và biến độc lập chính. Mục đích là để cung cấp một cái nhìn tổng quan về dữ liệu thu thập được trước khi tiến hành các phân tích hồi quy sâu hơn. Dữ liệu bao gồm 250 quan sát từ 25 NHTM Việt Nam trong giai đoạn 2015 – 2024.

Bảng 3.2 dưới đây tóm tắt các giá trị thống kê mô tả chính của các biến: số quan sát (Obs), giá trị trung bình (Mean), độ lệch chuẩn (Std. Dev.), giá trị nhỏ nhất (Min) và giá trị lớn nhất (Max).

Bảng 3.2: Thống kê mô tả các biến nghiên cứu

• Dựa trên Bảng 3.2, có thể đưa ra một số nhận xét như sau:

Tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) của các ngân hàng trong mẫu nghiên cứu có giá trị trung bình là 11.743%. Mức ROE dao động khá lớn, từ -2.4% đến 30.2%, cho thấy sự khác biệt đáng kể về tỷ suất lợi nhuận giữa các ngân hàng hoặc trong cùng một ngân hàng qua các năm. Độ lệch chuẩn là 7.641218.

Biến chi phí đầu tư vào Fintech (FT) được đo lường bằng tổng chi phí đầu tư Fintech (số tuyệt đối, đơn vị: tỷ đồng) của mỗi NHTM trong từng năm, được thu thập từ báo cáo tài chính hợp nhất. Nghiên cứu sử dụng giá trị tuyệt đối thay vì lấy logarith vì các lý do sau: (i) giá trị tuyệt đối giúp diễn giải trực tiếp mức độ tác động của mỗi đơn vị chi phí đầu tư Fintech đến ROE, phù hợp với mục tiêu đề xuất hàm ý quản trị cho các nhà quản trị ngân hàng; (ii) kiểm định đa cộng tuyến (VIF) cho thấy biến FT có VIF nằm trong giới hạn cho phép (< 10), không gây ra vấn đề đa cộng tuyến nghiêm trọng trong mô hình; (iii) cách đo lường này nhất quán với nghiên cứu của Wu và Yuan (2021) khi sử dụng chi phí đầu tư Fintech ở dạng giá trị gốc để đánh giá tác động đến lợi nhuận NHTM. Chi phí đầu tư vào Fintech (FT) có giá trị trung bình là 339.2356 tỷ đồng. Điều đáng chú ý là độ lệch chuẩn của khoản đầu tư này rất lớn (498.4146) và giá trị đầu tư cũng dao động trong một khoảng rất rộng, từ 10 tỷ đồng đến 2646 tỷ đồng. Điều này cho thấy có sự chênh lệch rất lớn trong mức độ đầu tư vào Fintech giữa các ngân hàng trong mẫu nghiên cứu.

Biến IHS_SIZE, đại diện cho quy mô ngân hàng sau khi đã được áp dụng phép biến đổi sin hyperbolic ngược, được sử dụng nhằm cải thiện các đặc tính của dữ liệu cho mục đích phân tích (chẳng hạn như cho phép sự hiện diện của giá trị 0 và làm giảm độ lệch của phân phối). Giá trị trung bình của biến ihs_size này là 12.93601, với độ lệch chuẩn là 1.100777.

Tỷ lệ an toàn vốn tối thiểu (CAR) trung bình là 11.5724%, với mức thấp nhất là 8% và cao nhất là 24.53%. Các ngân hàng đều tuân thủ ngưỡng CAR tối thiểu theo quy định. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Tỷ lệ vốn chủ sở hữu trên tổng tài sản (CAP) có giá trị trung bình là 9.29772%, dao động từ 3.84% đến 37.83%.

Kết quả phân tích cho thấy, tỷ lệ chi phí trên thu nhập (CIR) của mẫu nghiên cứu có giá trị trung bình là 49.723%. Đáng chú ý, biến số này thể hiện một biên độ dao động rất lớn, từ giá trị tối thiểu ghi nhận ở mức -238.41% cho đến giá trị tối đa lên đến 588.27% (chỉ chiếm thiểu số và xuất hiện 01 lần đối với trường hợp ngân hàng yếu kém). Sự xuất hiện của các giá trị CIR âm không phải là hiện tượng bất thường. Điều này xảy ra khi tổng thu nhập hoạt động (TOI) trong kỳ của ngân hàng là một số âm (phản ánh lỗ từ hoạt động kinh doanh cốt lõi), trong khi chi phí hoạt động (OPEX) vẫn dương. Do đó, CIR âm có khả năng phản ánh chính xác tình hình tài chính thực tế của một số ngân hàng trong mẫu tại những thời điểm khó khăn cụ thể. Tương tự, mức CIR tối đa đặc biệt cao là 96.23% cũng cần được xem xét trong bối cảnh hoạt động thực tiễn. Một tỷ lệ CIR dương nhưng ở mức cực kỳ cao như vậy thường phát sinh khi tổng thu nhập hoạt động (TOI), dù vẫn dương, lại trở nên quá nhỏ bé so với tổng chi phí hoạt động (OPEX) vốn có tính ì hoặc tăng đột biến. Các nguyên nhân có thể bao gồm: (1) Ngân hàng đối mặt với cú sốc bất lợi làm suy giảm nghiêm trọng nguồn thu nhưng TOI chưa chạm ngưỡng âm; (2) Các định phí hoạt động lớn chưa thể cắt giảm tương ứng với sự sụt giảm của thu nhập; hoặc (3) Phát sinh các khoản chi phí hoạt động bất thường, mang tính một lần với giá trị lớn (chẳng hạn như chi phí tái cấu trúc toàn diện, chi phí xử lý các sự cố rủi ro hoạt động nghiêm trọng, hoặc các bút toán điều chỉnh lớn trong kỳ). Vì vậy, cả giá trị CIR âm và giá trị CIR dương đặc biệt cao như đã quan sát đều có khả năng là những phản ánh xác thực của các tình huống hoạt động đa dạng và những giai đoạn đầy biến động mà một số định chế tài chính trong mẫu nghiên cứu đã trải qua, thay vì chỉ đơn thuần là các sai số thống kê.

Tỷ lệ nợ xấu (NPL) trung bình ở mức 2.00548%, tuy nhiên, cũng có sự biến động đáng kể khi giá trị tối đa lên đến 29.76% ở một số trường hợp.

Những đặc điểm này của dữ liệu cung cấp bối cảnh quan trọng cho việc phân tích và diễn giải các kết quả hồi quy ở các phần sau của chương.

3.5 Phân tích tương quan và kiểm tra đa cộng tuyến Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Sau khi xem xét các đặc điểm thống kê mô tả, bước tiếp theo trong phân tích dữ liệu là kiểm tra mối quan hệ tương quan giữa các biến nghiên cứu và đánh giá khả năng xảy ra hiện tượng đa cộng tuyến trong mô hình. Điều này giúp hiểu rõ hơn về mối liên hệ ban đầu giữa các biến và đảm bảo tính tin cậy của các ước lượng hồi quy.

3.5.1 Phân tích ma trận tương quan

Ma trận tương quan được sử dụng để đo lường mức độ và chiều hướng của mối quan hệ tuyến tính giữa các cặp biến. Bảng 3.3 trình bày ma trận tương quan Pearson cho các biến được sử dụng trong mô hình.

• Bảng 3.3: Ma trận tương quan giữa các biến nghiên cứu

Từ Bảng 3.3, có thể rút ra một số nhận xét ban đầu về mối quan hệ tuyến tính giữa các biến:

Biến phụ thuộc ROE có tương quan dương với biến độc lập chính FT (0.5573) và biến IHS_SIZE (0.7026). Điều này gợi ý rằng, ở bước phân tích sơ bộ này, chi phí đầu tư vào Fintech và quy mô ngân hàng lớn hơn có thể liên quan đến ROE cao hơn. ROE có tương quan dương yếu với CAR (0.0722). Ngược lại, ROE có tương quan âm với CAP (-0.1544), CIR (-0.2841) và NPL (-0.2349). Các mối tương quan này đa phần phù hợp với kỳ vọng dấu đã đặt ra trong mô hình nghiên cứu (ngoại trừ CAP).

Giữa các biến độc lập với nhau: Biến FT (Chi phí đầu tư vào Fintech) có tương quan dương ở mức khá cao với biến SIZE (Tổng tài sản) là 0.6152 và với biến IHS_SIZE (là 0.6442). Mức tương quan này cho thấy các ngân hàng có quy mô lớn hơn có xu hướng đầu tư nhiều hơn vào Fintech. Các cặp biến độc lập khác nhìn chung có mức độ tương quan không quá cao. Ví dụ, CIR và NPL có tương quan âm (-0.3916). Mức tương quan giữa FT và IHS_SIZE (0.6442) là đáng chú ý. Mặc dù đây là mức tương quan khá, nó chưa đủ để kết luận ngay về vấn đề đa cộng tuyến nghiêm trọng. Theo Gujarati (2004), tương quan trên 0.8 mới thực sự đáng lo ngại. Tuy nhiên, để đánh giá chính xác hơn về khả năng xảy ra đa cộng tuyến, cần phải thực hiện kiểm định Hệ số nhân tố phóng đại phương sai (VIF).

3.5.2 Kiểm tra đa cộng tuyến Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Đa cộng tuyến xảy ra khi các biến độc lập trong mô hình hồi quy có mối tương quan tuyến tính mạnh với nhau. Điều này có thể làm cho các ước lượng hệ số hồi quy trở nên không ổn định, sai số chuẩn lớn và khó diễn giải ý nghĩa của từng biến độc lập. Để kiểm tra mức độ đa cộng tuyến, nghiên cứu sử dụng Hệ số nhân tố phóng đại phương sai (VIF). Kết quả kiểm định VIF được trình bày trong Bảng 3.4.

• Bảng 3.4: Kết quả kiểm định đa cộng tuyến (VIF)

Dựa vào kết quả ở Bảng 3.4 cho thấy hệ số VIF của tất cả các biến độc lập đều nhỏ hơn 10 (ngưỡng phổ biến để xem xét vấn đề đa cộng tuyến nghiêm trọng). Cụ thể, VIF cao nhất thuộc về biến IHS_SIZE (2.55) và CIR (2.38). Các biến còn lại có VIF thấp hơn nhiều. Giá trị Mean VIF là 1.9, cũng là một giá trị thấp.

Từ các kết quả trên, có thể kết luận rằng mô hình nghiên cứu không gặp phải vấn đề đa cộng tuyến nghiêm trọng. Điều này đảm bảo rằng các ước lượng hệ số hồi quy sẽ đáng tin cậy hơn và có thể diễn giải được ảnh hưởng riêng lẻ của từng biến độc lập lên biến phụ thuộc.

3.6 Các ước lượng cơ bản và kiểm định lựa chọn mô hình cho dữ liệu bảng

Sau khi kiểm tra các đặc điểm cơ bản của dữ liệu và vấn đề đa cộng tuyến, bước tiếp theo là lựa chọn mô hình ước lượng phù hợp nhất cho dữ liệu bảng. Ba mô hình thường được xem xét trong nghiên cứu sử dụng dữ liệu bảng là mô hình Pooled OLS (Ordinary Least Squares), mô hình Tác động Cố định (Fixed Effects Model – FEM) và mô hình Tác động Ngẫu nhiên (Random Effects Model – REM). Việc lựa chọn mô hình phù hợp sẽ giúp đảm bảo các ước lượng thu được là không chệch và hiệu quả.

Bảng 3.5 dưới đây tóm tắt kết quả ước lượng chính từ ba mô hình này. Cụ thể, bảng trình bày hệ số của biến phụ thuộc và các biến độc lập, cùng với mức ý nghĩa thống kê của chúng. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

• Bảng 3.5: Kết quả ước lượng từ mô hình Pooled OLS, Fixed Effects (FE) và Random Effects (RE)

Theo Wooldridge (2010), để lựa chọn giữa mô hình Tác động Cố định (FEM) và mô hình Tác động Ngẫu nhiên (REM), kiểm định Hausman được thực hiện. Giả thuyết gốc (H0) của kiểm định Hausman là các ước lượng của REM là hiệu quả và không chệch, tức là không có sự tương quan giữa các yếu tố không quan sát được đặc thù của từng đối tượng (ngân hàng) và các biến giải thích trong mô hình.

Kết quả kiểm định Hausman cho thấy giá trị thống kê chi2(6) = 62.85 với P-value (Prob > chi2) = 0.0000. Vì P-value này nhỏ hơn mức ý nghĩa 1%, cho thấy có đủ bằng chứng thống kê để bác bỏ giả thuyết gốc (H0) rằng không có sự khác biệt hệ thống giữa các hệ số của mô hình Tác động Cố định (FEM) và Tác động Ngẫu nhiên (REM). Việc bác bỏ H0 ngụ ý rằng các ước lượng của mô hình REM bị chệch và không nhất quán. Do đó, mô hình Tác động Cố định (FEM) được xác định là lựa chọn phù hợp và đáng tin cậy hơn để tiến hành phân tích cho bộ dữ liệu này.

Tiếp theo, để củng cố việc lựa chọn FEM so với mô hình Pooled OLS xem xét kiểm định ý nghĩa của các tác động cố định (F-test for fixed effects). Kiểm định này kiểm tra giả thuyết H0 rằng tất cả các tác động cố định theo từng đối tượng (u_i) đều bằng không. Nếu giả thuyết này bị bác bỏ, mô hình FEM sẽ phù hợp hơn Pooled OLS.

Kết quả kiểm định F nhằm đánh giá sự cần thiết của các tác động cố định trong mô hình (F-test for fixed effects) cho ra giá trị F (24, 219) = 10.06 với P-value (Prob > F) = 0.0000. Vì P-value tiến gần đến 0, cho thấy có cơ sở vững chắc để bác bỏ giả thuyết H0 rằng tất cả các tác động cố định theo từng ngân hàng đều bằng không (all u_i = 0). Điều này khẳng định sự tồn tại của các yếu tố đặc thù, không quan sát được và không đổi theo thời gian của từng ngân hàng có ảnh hưởng đáng kể đến biến phụ thuộc. Do đó, kết quả này củng cố mạnh mẽ cho lựa chọn mô hình Tác động Cố định (FEM) là phù hợp hơn so với mô hình hồi quy gộp (Pooled OLS).

Từ các kết quả kiểm định trên, mô hình Tác động Cố định (FEM) được xác định là mô hình phù hợp nhất để phân tích tác động của Fintech đến tỷ suất lợi nhuận của các NHTM Việt Nam trong phạm vi nghiên cứu này. Các phân tích tiếp theo sẽ tập trung vào mô hình FEM và các kiểm định liên quan đến giả định của mô hình này.

3.7 Kiểm định các vi phạm giả định của mô hình Tác động Cố định Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Sau khi xác định mô hình Tác động Cố định (FEM) là phù hợp hơn so với Pooled OLS và REM, bước tiếp theo là kiểm tra các giả định quan trọng của mô hình FEM. Các kiểm định này bao gồm kiểm định phương sai của sai số thay đổi, tự tương quan, và tương quan chéo. Kết quả của các kiểm định này sẽ định hướng việc lựa chọn mô hình ước lượng cuối cùng để đảm bảo tính vững chắc của kết quả nghiên cứu.

3.7.1 Kiểm định phương sai của sai số thay đổi

Hiện tượng phương sai của sai số thay đổi xảy ra khi phương sai của các sai số trong mô hình hồi quy không đồng nhất giữa các quan sát. Để kiểm tra vấn đề này trong mô hình FEM, nghiên cứu sử dụng kiểm định Wald đã điều chỉnh (Modified Wald test for groupwise heteroskedasticity).

Kết quả từ kiểm định Wald điều chỉnh cho phương sai sai số thay đổi theo nhóm (Modified Wald test) cho thấy giá trị chi2 (25) = 2070.78 với P-value (Prob > chi2) = 0.0000. Vì P-value nhỏ hơn mức ý nghĩa 1%, bác bỏ giả thuyết gốc H0 về phương sai sai số đồng nhất, qua đó kết luận rằng mô hình nghiên cứu gặp phải hiện tượng phương sai của sai số thay đổi (heteroskedasticity). Để giải quyết vấn đề này và đảm bảo tính tin cậy của các suy diễn thống kê, phương pháp khắc phục được lựa chọn là sử dụng ước lượng sai số chuẩn mạnh mẽ (Robust Standard Errors) theo cụm (cluster), giúp điều chỉnh các sai số chuẩn cho phù hợp mà không làm thay đổi giá trị của các hệ số hồi quy.

3.7.2 Kiểm định tự tương quan

Hiện tượng tự tương quan (autocorrelation) xảy ra khi sai số của mô hình tại các thời điểm khác nhau có mối tương quan với nhau. Trong dữ liệu bảng, sự tồn tại của tự tương quan có thể dẫn đến việc ước lượng sai số chuẩn bị chệch, làm mất đi tính hiệu quả của các ước lượng và khiến các kiểm định thống kê (t-test, F-test) không còn đáng tin cậy. Nghiên cứu đã nhận diện và chủ động xử lý vấn đề này thông qua việc so sánh và áp dụng các mô hình ước lượng mạnh mẽ củng cố tính vững chắc của kết quả cuối cùng, cụ thể: Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Thứ nhất, khắc phục bằng Sai số chuẩn mạnh mẽ theo cụm (Clustered Robust Standard Errors): đầu tiên là sử dụng mô hình Tác động Cố định với sai số chuẩn được điều chỉnh theo cụm (FEM-Robust). Kỹ thuật này không chỉ xử lý vấn đề phương sai sai số thay đổi mà còn hiệu quả trong việc điều chỉnh cho tự tương quan tiềm ẩn bên trong mỗi cụm (mỗi ngân hàng). Bằng chứng rõ ràng về sự cần thiết của việc điều chỉnh này có thể thấy khi so sánh kết quả của mô hình FEM gốc và mô hình FEM-Robust, cụ thể trong mô hình FEM gốc, biến Tỷ lệ chi phí trên thu nhập (CIR) có tác động ngược chiều và ý nghĩa thống kê ở mức 5% (hệ số = -0.04, p-value = 0.005). Tuy nhiên, sau khi áp dụng sai số chuẩn mạnh mẽ theo cụm trong mô hình FEM-Robust, mặc dù hệ số không đổi, biến NPL không còn ý nghĩa thống kê (p-value = 0.147). Sự thay đổi về ý nghĩa thống kê này cho thấy mô hình FEM ban đầu có thể đã đánh giá quá cao mức độ ảnh hưởng của CIR do sai số chuẩn bị ước lượng thấp hơn thực tế (do ảnh hưởng của tự tương quan và/hoặc phương sai thay đổi). Việc sử dụng sai số chuẩn mạnh mẽ đã cung cấp một kết quả thận trọng và đáng tin cậy hơn.

Thứ hai, khắc phục bằng Mô hình Bình phương tối thiểu tổng quát khả thi (FGLS): Để xử lý một cách tường minh hơn, nghiên cứu đã sử dụng mô hình FGLS, được thiết kế để điều chỉnh đồng thời cho phương sai sai số thay đổi và tự tương quan. Kết quả đã chỉ ra cụ thể rằng mô hình đã ước lượng và điều chỉnh cho tự tương quan bậc nhất AR (1) với hệ số tương quan chung là 0.5568. Việc mô hình FGLS xác định một hệ số tự tương quan có giá trị khá lớn (0.5568) đã khẳng định sự tồn tại của hiện tượng này trong dữ liệu và cho thấy việc áp dụng các biện pháp khắc phục là hoàn toàn cần thiết và hợp lý.

Tóm lại, thông qua việc áp dụng và so sánh kết quả từ mô hình FEM-Robust và FGLS, nghiên cứu không chỉ thừa nhận mà còn xử lý hiệu quả vấn đề tự tương quan. Điều này đảm bảo rằng các suy diễn thống kê và kết luận cuối cùng của luận văn được xây dựng trên một nền tảng kinh tế lượng vững chắc và đáng tin cậy.

3.7.3 Kiểm định tương quan chéo Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Tương quan chéo xảy ra khi sai số của các đối tượng (ngân hàng) khác nhau trong cùng một thời điểm có mối tương quan với nhau, thường do các cú sốc chung hoặc các yếu tố hệ thống không được đưa vào mô hình. Nghiên cứu sử dụng kiểm định Pesaran’s CD test để phát hiện sự tồn tại của tương quan chéo.

Để kiểm tra sự tồn tại của hiện tượng tương quan chéo (cross-sectional dependence – CSD), tức là khả năng sai số của các ngân hàng khác nhau có tương quan với nhau trong cùng một thời điểm do các cú sốc chung – nghiên cứu đã sử dụng kiểm định Pesaran’s CD test. Giả thuyết gốc (H0) của kiểm định này là không có sự tương quan chéo giữa các sai số. Kết quả phân tích cho thấy sau khi chạy mô hình Tác động Cố định cho thấy giá trị thống kê của kiểm định là -0.516 với P-value (Pr) tương ứng là 0.6061. Vì giá trị P-value này lớn hơn mức ý nghĩa 5% (và cả 10%) cho thấy không có đủ bằng chứng thống kê để bác bỏ giả thuyết gốc H0. Do đó, có thể kết luận rằng mô hình nghiên cứu không gặp phải vấn đề tương quan chéo có ý nghĩa thống kê, một kết quả thuận lợi giúp tăng tính tin cậy của các sai số chuẩn được ước lượng từ mô hình Tác động Cố định.

Việc không phát hiện thấy hiện tượng tương quan chéo có ý nghĩa thống kê là một kết quả thuận lợi. Điều này làm tăng tính tin cậy của các sai số chuẩn được ước lượng từ mô hình Fixed Effects với sai số chuẩn mạnh mẽ theo cụm (clustered standard errors), cũng như làm cho mô hình FGLS với giả định tự tương quan AR (1) (nếu được chọn) trở nên phù hợp hơn mà không cần đến các kỹ thuật phức tạp hơn để xử lý CSD.

3.7.4 Kết quả hồi quy từ mô hình Tác động cố định

Bảng 3.6 dưới đây hiển thị kết quả hồi quy của mô hình FEM-Robust, bao gồm các hệ số ước lượng (Coef.), sai số chuẩn mạnh mẽ theo cụm (Robust Std. Err.), giá trị t, P-value, khoảng tin cậy 95%, cùng với các thông số đánh giá mức độ phù hợp của mô hình. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

• Bảng 3.6: Kết quả ước lượng mô hình Tác động Cố định (Fixed Effects) với sai số chuẩn mạnh mẽ theo cụm (FEM-Robust)

Từ Bảng 3.6, chúng ta tiến hành phân tích chi tiết tác động của từng biến:

Phân tích tác động của biến Fintech (FT) đến ROE: Hệ số ước lượng của biến FT là -0.004, với P-value là 0.002. Điều này cho thấy chi phí đầu tư vào Fintech (FT) có tác động ngược chiều và có ý nghĩa thống kê ở mức 1% đến Tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) của các ngân hàng thương mại trong mẫu nghiên cứu. Khi chi phí đầu tư vào Fintech tăng 1 đơn vị (ví dụ, 1 tỷ VNĐ, tùy thuộc vào đơn vị tính thực tế của biến FT được sử dụng trong thu thập dữ liệu), ROE của ngân hàng được dự kiến sẽ giảm trung bình 0.004 điểm phần trăm, trong điều kiện các yếu tố khác trong mô hình không thay đổi.

So sánh với dấu kỳ vọng ban đầu: Dấu kỳ vọng ban đầu cho biến FT là dương (+). Kết quả thực nghiệm này (âm) trái ngược với kỳ vọng ban đầu của nghiên cứu. Điều này gợi ý rằng, trong giai đoạn và phạm vi dữ liệu nghiên cứu, việc tăng chi phí đầu tư vào Fintech chưa mang lại hiệu quả tích cực ngay lập tức cho lợi nhuận trên vốn chủ sở hữu của các ngân hàng, thậm chí còn có tác động ngược lại.

• Phân tích tác động của các biến độc lập đến ROE:

IHS_SIZE (Quy mô ngân hàng): Hệ số ước lượng là 9.415, có ý nghĩa thống kê cao (P-value = 0.000). Kết quả này phù hợp với dấu kỳ vọng ban đầu (+). Điều này cho thấy các ngân hàng có quy mô lớn hơn có xu hướng đạt được tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) cao hơn. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

CAR (Tỷ lệ an toàn vốn tối thiểu): Hệ số ước lượng là -0.180, nhưng không có ý nghĩa thống kê (P-value = 0.178). Dấu kỳ vọng ban đầu là dương (+). Kết quả này cho thấy trong mẫu nghiên cứu, CAR không có tác động rõ ràng lên ROE.

CAP (Tỷ lệ vốn chủ sở hữu/tổng tài sản): Hệ số ước lượng là 0.175, nhưng không có ý nghĩa thống kê (P-value = 0.385). Dấu kỳ vọng ban đầu là dương (+). Tương tự CAR, biến CAP cũng không cho thấy tác động có ý nghĩa thống kê lên ROE trong mô hình này.

CIR (Tỷ lệ chi phí trên thu nhập): Hệ số ước lượng là -0.040, không có ý nghĩa thống kê (P-value = 0.147). Dấu kỳ vọng ban đầu là âm (-). Mặc dù dấu của hệ số phù hợp với lý thuyết nhưng tác động này không đủ mạnh để có ý nghĩa thống kê trong mô hình FEM-Robust. Đáng chú ý, trong mô hình FEM gốc (trước khi sử dụng sai số chuẩn mạnh mẽ), biến CIR có ý nghĩa thống kê (p=0.005). Tuy nhiên, sau khi áp dụng sai số chuẩn mạnh mẽ theo cụm trong mô hình FEM-Robust, mặc dù hệ số không đổi, biến CIR không còn ý nghĩa thống kê (p-value = 0.147). Sự thay đổi này nhấn mạnh tầm quan trọng của việc sử dụng sai số chuẩn phù hợp khi các giả định của mô hình OLS cơ bản bị vi phạm.

Biến Tỷ lệ nợ xấu (NPL), đại diện cho rủi ro tín dụng, được kỳ vọng có tác động ngược chiều đến tỷ suất lợi nhuận của ngân hàng. Kết quả phân tích hồi quy thực nghiệm cho thấy hệ số ước lượng của NPL là -0.691 và có ý nghĩa thống kê ở mức 5% (p-value = 0.039). Phát hiện này hoàn toàn phù hợp với giả thuyết nghiên cứu, hàm ý rằng khi tỷ lệ nợ xấu tăng 1 điểm phần trăm, lợi nhuận trên vốn chủ sở hữu (ROE) của ngân hàng sẽ giảm trung bình 0.691 điểm phần trăm, trong điều kiện các yếu tố khác không đổi.

• Đánh giá mức độ phù hợp của mô hình:

R-squared (within) = 0.4871 cho thấy các biến độc lập trong mô hình giải thích được khoảng 48.71% sự biến thiên của ROE trong nội bộ từng ngân hàng theo thời gian (within-group variation). Đây là một mức độ giải thích tương đối tốt đối với dữ liệu bảng trong lĩnh vực tài chính ngân hàng.

Kiểm định F tổng thể (F (6,24) = 35.47, Prob > F = 0.0000) cho thấy mô hình hồi quy có ý nghĩa thống kê ở mức 1%, tức là các biến độc lập cùng nhau có khả năng giải thích cho sự thay đổi của biến phụ thuộc ROE.

Nhìn chung, mô hình FEM-Robust cung cấp những bằng chứng thống kê quan trọng về tác động của việc đầu tư vào Fintech và các yếu tố khác đến tỷ suất lợi nhuận của các ngân hàng thương mại Việt Nam. Phát hiện đáng chú ý nhất là tác động ngược chiều của chi phí đầu tư vào Fintech đến ROE, điều này sẽ được thảo luận sâu hơn ở phần tiếp theo.

3.8 Kết quả ước lượng mô hình FGLS Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Sau khi thực hiện ước lượng bằng mô hình Hiệu ứng cố định (FEM) với sai số chuẩn mạnh mẽ (FEM-Robust) để kiểm soát các yếu tố đặc thù không đổi theo thời gian của từng ngân hàng và giải quyết một phần vấn đề phương sai sai số thay đổi cũng như tự tương quan, nghiên cứu tiếp tục sử dụng phương pháp ước lượng Bình phương nhỏ nhất tổng quát khả thi (FGLS). Mục đích của việc sử dụng FGLS là để kiểm định thêm tính vững chắc của các kết quả, đồng thời giải quyết một cách tường minh hơn các vấn đề về phương sai của sai số thay đổi (heteroskedasticity) giữa các đơn vị và tự tương quan (autocorrelation) trong nội bộ của từng đơn vị theo thời gian, nếu các vấn đề này vẫn còn tồn tại. Mô hình FGLS cho phép cấu trúc sai số phức tạp hơn, có khả năng mang lại các ước lượng hiệu quả hơn nếu các giả định của nó được thỏa mãn (Baltagi, 2021).

Kết quả ước lượng từ mô hình FGLS được trình bày trong Bảng 3.6 dưới đây:

• Bảng 3.7: Kết quả ước lượng mô hình FGLS

Kết quả từ mô hình FGLS cho thấy một số điểm nhất quán và một vài khác biệt so với mô hình FEM-Robust (đã trình bày ở mục trước):

Tác động của Đầu tư vào Fintech (FT): Biến FT vẫn cho thấy tác động âm và có ý nghĩa thống kê cao đến ROE, với hệ số ước lượng là -0.002 (p < 0.01). Mặc dù độ lớn của hệ số có giảm nhẹ so với kết quả từ FEM-Robust (ví dụ, nếu FEM-Robust là -0.004), hướng tác động và ý nghĩa thống kê vẫn được duy trì. Điều này củng cố thêm nhận định ban đầu rằng trong giai đoạn nghiên cứu, việc tăng chi phí đầu tư vào Fintech có liên quan đến sự sụt giảm trong tỷ suất lợi nhuận của các ngân hàng.

Tác động của Quy mô ngân hàng (IHS_SIZE): Tương tự, biến ihs_size tiếp tục cho thấy tác động dương và có ý nghĩa thống kê rất cao đến ROE (hệ số 8.590, p = 0.000). Điều này hoàn toàn nhất quán với kết quả từ FEM-Robust (hệ số 9.415) và ủng hộ mạnh mẽ giả thuyết về lợi thế kinh tế theo quy mô của các ngân hàng lớn.

Các biến CAR (Tỷ lệ an toàn vốn) vẫn không có ý nghĩa thống kê trong mô hình FGLS, tương tự như kết quả từ một số mô hình khác. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Điểm khác biệt chính là mô hình FGLS đã làm nổi bật thêm tác động của các biến mà mô hình FEM-Robust đã bỏ qua, cho thấy hiệu quả của việc xử lý cấu trúc sai số.

Tỷ lệ vốn chủ sở hữu trên tổng tài sản (CAP): Đây là khác biệt lớn nhất. Trong mô hình FEM-Robust, biến CAP không có ý nghĩa thống kê (p = 0.385). Tuy nhiên, với mô hình FGLS, CAP trở nên có ý nghĩa thống kê rất cao (p = 0.000) với tác động dương (hệ số 0.259). Điều này cho thấy khi mô hình hóa cấu trúc sai số tốt hơn, cơ cấu vốn với tỷ lệ vốn chủ sở hữu cao hơn có liên quan chặt chẽ và tích cực đến khả năng sinh lời.

Tỷ lệ Chi phí trên Thu nhập (CIR): Trong mô hình FEM-Robust, CIR không có ý nghĩa thống kê (p = 0.147). Ngược lại, mô hình FGLS chỉ ra rằng CIR có tác động âm và có ý nghĩa thống kê ở mức 10% (p = 0.063). Kết quả này hợp lý về mặt kinh tế: ngân hàng hoạt động kém hiệu quả (CIR cao) sẽ có lợi nhuận thấp hơn.

Tỷ lệ nợ xấu (NPL): Mặc dù NPL có ý nghĩa thống kê trong cả hai mô hình, mức độ ý nghĩa của nó được củng cố trong mô hình FGLS. Ý nghĩa thống kê tăng từ mức 5% trong FEM-Robust (p = 0.039) lên mức 1% trong FGLS (p = 0.003). Điều này nhấn mạnh rằng chất lượng tài sản thấp là một yếu tố tác động ngược chiều rất rõ ràng đến ROE.

Nhìn chung, việc so sánh hai mô hình cho thấy mô hình FGLS cung cấp một cái nhìn sâu sắc và toàn diện hơn. Nó không chỉ xác nhận các tác động chính của FT và IHS_SIZE mà còn làm sáng tỏ vai trò quan trọng của các yếu tố khác như cơ cấu vốn (CAP), tỷ suất lợi nhuận (CIR), và chất lượng tài sản (NPL). Sự khác biệt này cho thấy tầm quan trọng của việc lựa chọn mô hình phù hợp, có khả năng xử lý các vấn đề về phương sai sai số thay đổi và tự tương quan trong dữ liệu bảng. Các ước lượng từ FGLS có thể hiệu quả hơn, giúp phát hiện các mối quan hệ kinh tế mà các mô hình khác có thể bỏ lỡ. Tuy nhiên, cần lưu ý rằng cả hai mô hình đều chưa giải quyết được vấn đề nội sinh tiềm ẩn. Nếu có nghi ngờ về tính nội sinh, các phương pháp như GMM có thể là bước phân tích cần thiết tiếp theo.

3.9 Kết quả ước lượng GMM hệ thống Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Phần này trình bày và thảo luận kết quả ước lượng mô hình hồi quy dữ liệu bảng động bằng phương pháp GMM hệ thống hai bước (two-step system GMM). Mô hình được sử dụng để phân tích các yếu tố tác động đến Tỷ suất sinh lời trên vốn chủ sở hữu (ROE) của các đối tượng nghiên cứu.

• Bảng 3.8: Kết quả ước lượng GMM hệ thống (SGMM)

Trước khi đi vào phân tích ý nghĩa của các hệ số ước lượng, chúng ta cần xem xét các kiểm định quan trọng để đảm bảo tính vững chắc và phù hợp của mô hình GMM hệ thống: Kiểm định Wald (Wald chi2): Giá trị Wald chi2(7) = 10 với p-value = 0.000 cho thấy mô hình có ý nghĩa thống kê tổng thể ở mức 1%. Điều này có nghĩa là các biến độc lập cùng nhau giải thích được sự thay đổi của biến phụ thuộc ROE.

• Kiểm định tự tương quan Arellano-Bond:

AR (1): Kiểm định Arellano-Bond cho tự tương quan bậc nhất trong sai số đã lấy sai phân (first differences) có p-value = 0.014. Kết quả này (bác bỏ giả thuyết H0: không có tự tương quan bậc nhất) là phù hợp với kỳ vọng của mô hình GMM động, vì sự hiện diện của biến trễ của biến phụ thuộc (L.ROE) trong mô hình sai phân sẽ tạo ra tự tương quan bậc nhất (Arellano & Bond, 1991).

AR (2): Kiểm định Arellano-Bond cho tự tương quan bậc hai trong sai số đã lấy sai phân có p-value = 0.665. Kết quả này (không bác bỏ giả thuyết H0: không có tự tương quan bậc hai) là rất quan trọng, cho thấy không có bằng chứng về tự tương quan bậc hai trong phần dư đã lấy sai phân. Điều này ủng hộ tính nhất quán của các ước lượng GMM, vì nó ngụ ý rằng các biến công cụ được sử dụng là hợp lệ (không tương quan với phần dư) (Arellano & Bond, 1991).

Kiểm định các ràng buộc vượt xác định (Overidentifying Restrictions): Kiểm định Sargan: Giá trị Sargan chi2(6) = 6.88 với p-value = 0.332.

Kiểm định Hansen: Giá trị Hansen chi2 (6) = 10.32 với p-value = 0.112. Cả hai kiểm định này đều có p-value lớn hơn mức ý nghĩa 5% (và 10%). Điều này có nghĩa là chúng ta không bác bỏ giả thuyết H0 rằng các biến công cụ là hợp lệ và không tương quan với sai số. Kết quả này củng cố thêm độ tin cậy của các ước lượng.

Kiểm định Difference-in-Hansen: Kiểm định tính ngoại sinh của tập hợp con các biến công cụ GMM cho phương trình mức (GMM instruments for levels) có p-value = 0.208. Kiểm định tính ngoại sinh của tập hợp con các biến công cụ có p-value = 0.259. Cả hai kiểm định này đều cho thấy các tập hợp con biến công cụ được sử dụng là ngoại sinh, không tương quan với sai số, làm tăng thêm tính vững chắc của mô hình. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Số lượng biến công cụ (14) nhỏ hơn số nhóm (25), điều này giúp tránh vấn đề “quá nhiều công cụ” (too many instruments) có thể làm suy yếu kiểm định Hansen.

Tóm lại, các kiểm định chẩn đoán cho thấy mô hình SGMM hai bước được xây dựng là phù hợp và các kết quả ước lượng có thể tin cậy để phân tích.

• Dựa trên kết quả từ Bảng 3.7, chúng ta có thể thảo luận về tác động của các yếu tố đến ROE như sau:

Biến trễ của ROE (L.ROE): Hệ số của L.ROE là 1.130984 và có ý nghĩa thống kê ở mức 1% (p-value = 0.000). Điều này cho thấy ROE có tính bền vững cao (tính ì lớn), nghĩa là ROE của năm trước có tác động dương và mạnh mẽ đến ROE của năm hiện tại. Cụ thể, khi ROE năm trước tăng 1 điểm phần trăm, ROE năm nay dự kiến tăng khoảng 1.13 điểm phần trăm, khi các yếu tố khác không đổi. Hệ số lớn hơn 1 có thể ngụ ý một xu hướng tăng trưởng hoặc tính chu kỳ nhất định trong ROE, hoặc có thể phản ánh sự điều chỉnh không hoàn toàn trong một kỳ.

Biến FT: Hệ số của FT là -0.0009508 nhưng không có ý nghĩa thống kê (p-value = 0.423). Do đó, dựa trên kết quả này, không có bằng chứng đủ mạnh để kết luận rằng FT có tác động đến ROE trong mẫu nghiên cứu này.

Biến IHS_SIZE: Hệ số của IHS_SIZE là -1.731512 và có ý nghĩa thống kê ở mức 5% (p-value = 0.042). Dấu âm cho thấy mối quan hệ ngược chiều giữa quy mô (sau khi biến đổi IHS) và ROE. Điều này có thể ngụ ý rằng khi quy mô của đối tượng nghiên cứu tăng lên, ROE có xu hướng giảm, có thể do các vấn đề về quản lý phức tạp hơn, giảm tính linh hoạt hoặc các yếu tố khác liên quan đến quy mô lớn.

Biến CAR: Hệ số của CAR là 0.0253792 và không có ý nghĩa thống kê (p-value = 0.800). Do đó, không có bằng chứng cho thấy CAR tác động đến ROE.

Biến CAP Hệ số của CAP là -0.0909443 và không có ý nghĩa thống kê ở mức 5% hay 10% (p-value = 0.141). Mặc dù p-value tương đối thấp, nhưng theo các ngưỡng thông thường, không đủ bằng chứng để kết luận CAP có tác động đáng kể đến ROE.

Biến CIR: Hệ số của CIR là -0.0241431 và không có ý nghĩa thống kê (p-value = 0.371). Do đó, không có bằng chứng cho thấy CIR tác động đến ROE. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

Biến NPL: Hệ số của NPL là -0.3439495 và không có ý nghĩa thống kê (p-value = 0.249). Do đó, không có bằng chứng cho thấy NPL tác động đến ROE.

Hằng số (_cons): Hằng số ước lượng là 24.66512 và có ý nghĩa thống kê ở mức 5% (p-value = 0.026). Điều này cho thấy khi tất cả các biến độc lập trong mô hình bằng 0 (hoặc ở mức cơ sở đối với các biến đã biến đổi), ROE trung bình dự kiến là khoảng 24.67%.

Kết quả ước lượng từ mô hình SGMM hai bước cho thấy: ROE của các đối tượng nghiên cứu có tính kế thừa cao, với ROE năm trước ảnh hưởng mạnh mẽ và tích cực đến ROE năm nay. Quy mô (IHS_SIZE) có tác động ngược chiều và có ý nghĩa thống kê đến ROE, ngụ ý rằng các đối tượng có quy mô lớn hơn có thể đối mặt với ROE thấp hơn. Các biến FT, CAR, CAP, CIR và NPL không cho thấy tác động có ý nghĩa thống kê lên ROE trong mẫu nghiên cứu và với mô hình cụ thể này.

Các kiểm định chẩn đoán đều ủng hộ tính hợp lệ và vững chắc của mô hình GMM hệ thống đã sử dụng, do đó các kết luận trên có cơ sở đáng tin cậy.

KẾT LUẬN CHƯƠNG 3

Chương 3 đã trình bày rõ ràng và có hệ thống về mô hình nghiên cứu và phương pháp tiếp cận được sử dụng trong luận văn nhằm đảm bảo tính logic, khoa học và thực tiễn cho quá trình phân tích. Trước hết, mô hình nghiên cứu được xây dựng dựa trên cơ sở lý thuyết và các nghiên cứu trước, thể hiện mối quan hệ giữa Fintech và tỷ suất lợi nhuận của ngân hàng thương mại thông qua các biến số cụ thể và có khả năng đo lường thực tiễn. Việc xác định mô hình không chỉ giúp định hướng cho quá trình phân tích dữ liệu mà còn làm rõ các giả thuyết nghiên cứu sẽ được kiểm định ở các chương sau.

Tiếp theo, luận văn đã trình bày chi tiết quy trình nghiên cứu cùng các bước thực hiện từ việc thu thập dữ liệu, xử lý thông tin cho đến phân tích và kiểm định mô hình. Mô tả nghiên cứu cho thấy rõ phạm vi, đối tượng, và khung thời gian nghiên cứu cụ thể, đảm bảo tính phù hợp với mục tiêu đề tài. Đồng thời, phần phương pháp nghiên cứu đã chỉ ra cách tiếp cận kết hợp giữa định tính và định lượng, trong đó nhấn mạnh việc sử dụng các phương pháp thống kê kinh tế, mô hình hồi quy và các công cụ phân tích dữ liệu để kiểm định mối quan hệ giữa các biến trong mô hình.

Như vậy, chương 3 không chỉ đóng vai trò then chốt trong việc cụ thể hóa định hướng lý thuyết mà còn là nền tảng phương pháp luận giúp đảm bảo tính khách quan và độ tin cậy của kết quả nghiên cứu sẽ được trình bày ở các chương tiếp theo. Những cơ sở lý luận và phương pháp này sẽ góp phần quan trọng trong việc giải đáp câu hỏi nghiên cứu đã đề ra ở chương 1. Luận văn: PPNC của Fintech đến tỷ suất lợi nhuận của các NH.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC của Fintech đến tỷ suất lợi nhuận của 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