Ảnh hưởng của công nghệ tài chính đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam

The impact of financial technology on the performance of Vietnamese commercial banks

ThS. Nguyễn Thị Ngọc The
Email: nguyenthingocthe@dntu.edu.vn
ThS. Nguyễn Thị Huệ
Email:  nguyenthihue@dntu.edu.vn
ThS. Nguyễn Thị Hồng Ngọc
Email: nguyenthihongngoc@dntu.edu.vn
ThS. Đào Thị Hồng Nhung
Email: daothihongnhung@dntu.edu.vn
Trường Đại học Công nghệ Đồng Nai

(Quanlynhanuoc.vn) – Bài viết đánh giá ảnh hưởng của công nghệ tài chính (FinTech) đến hiệu quả hoạt động của các ngân hàng thương mại Việt Nam. Sử dụng dữ liệu bảng cân bằng gồm 200 quan sát từ 20 ngân hàng giai đoạn 2015 – 2024, hiệu quả được đo bằng ROA và CIR, trong khi mức độ ứng dụng FinTech được đại diện bằng tỷ trọng thu nhập thuần dịch vụ thanh toán trên tổng thu nhập hoạt động. Nghiên cứu ước lượng Pooled OLS, mô hình tác động cố định và mô hình tác động ngẫu nhiên. Kiểm định lựa chọn mô hình cho thấy mô hình tác động cố định phù hợp hơn. Kết quả cho thấy, FINTECH tác động âm đến ROA nhưng tác động dương đến CIR, hàm ý rằng, chi phí đầu tư, tích hợp và duy trì kênh truyền thống với kênh số đang tạo áp lực lên lợi nhuận và chi phí trong ngắn hạn. Quy mô ngân hàng cải thiện ROA và làm giảm CIR, trong khi nợ xấu làm giảm khả năng sinh lời. Nghiên cứu đề xuất quản trị FinTech theo danh mục đầu tư, gắn dự án số với chỉ tiêu tài chính – vận hành, thúc đẩy chia sẻ hạ tầng và hoàn thiện cơ chế thử nghiệm có kiểm soát.

Từ khóa: Công nghệ tài chính; hiệu quả hoạt động; ngân hàng thương mại; ROA; CIR; dữ liệu bảng.

Abstract: This study examines the impact of financial technology (FinTech) on the performance of Vietnamese commercial banks. A balanced panel dataset comprising 200 observations from 20 banks over the period 2015–2024 is used. Bank performance is measured by return on assets (ROA) and the cost-to-income ratio (CIR), while FinTech adoption is proxied by net payment-service income as a share of operating income. Pooled OLS, fixed-effects, and random-effects models are estimated. Model-selection tests support the fixed-effects specification. The findings indicate that FinTech is negatively associated with ROA and positively associated with CIR, suggesting that the costs of investing in, integrating, and maintaining traditional and digital channels place pressure on profitability and costs in the short term. Bank size improves ROA and reduces CIR, whereas non-performing loans reduce profitability. The study recommends managing FinTech through a portfolio-based approach, linking digital projects to financial and operational indicators, promoting infrastructure sharing, and improving the regulatory sandbox mechanism.

Keywords: Financial technology; performance; commercial banks; ROA; CIR; panel data.
1. Đặt vấn đề

Công nghệ tài chính (FinTech) đang làm thay đổi phương thức cung ứng và quản lý dịch vụ ngân hàng. Các ứng dụng như thanh toán điện tử, ngân hàng di động, eKYC, trí tuệ nhân tạo (AI) và dữ liệu lớn (Big Data) giúp ngân hàng mở rộng khách hàng, nâng cao chất lượng dịch vụ và đa dạng hóa nguồn thu (Arner et al., 2016; Lee & Shin, 2018). FinTech còn góp phần giảm bất cân xứng thông tin, rút ngắn thời gian xử lý giao dịch và thúc đẩy tài chính toàn diện (Fuster et al., 2019; Ozili, 2018; Thakor, 2020).

Tuy nhiên, ứng dụng FinTech đòi hỏi ngân hàng đầu tư lớn vào hạ tầng, bảo mật, tích hợp hệ thống và nguồn nhân lực. Việc duy trì đồng thời kênh truyền thống và kênh số có thể làm tăng chi phí trong ngắn hạn. Bên cạnh đó, sự phát triển của các doanh nghiệp FinTech còn làm gia tăng cạnh tranh và ảnh hưởng đến lợi nhuận, mức độ chấp nhận rủi ro của ngân hàng (Phan et al., 2020; Wang et al., 2021). Hiệu quả ngân hàng cũng phụ thuộc vào quy mô, chất lượng tài sản, an toàn vốn và điều kiện kinh tế vĩ mô (Dietrich & Wanzenried, 2011).

Tại Việt Nam, ngân hàng số và thanh toán điện tử phát triển nhanh trong giai đoạn 2015-2024, nhưng bằng chứng về mối quan hệ giữa FinTech và hiệu quả hoạt động ngân hàng còn hạn chế. Vì vậy, nghiên cứu phân tích dữ liệu của 20 ngân hàng thương mại Việt Nam, trong đó hiệu quả hoạt động được đo bằng ROA và CIR, còn FinTech đại diện cho mức độ khai thác dịch vụ tài chính số. Kết quả nghiên cứu bổ sung bằng chứng thực nghiệm và cung cấp cơ sở đề xuất hàm ý quản trị, chính sách thúc đẩy chuyển đổi số ngân hàng theo hướng hiệu quả và bền vững.
2. Cơ sở lý thuyết và giả thuyết nghiên cứu

2.1. Cơ sở lý thuyết

Nghiên cứu được xây dựng trên lý thuyết dựa trên nguồn lực và lý thuyết chi phí giao dịch. Theo lý thuyết dựa trên nguồn lực, công nghệ, dữ liệu, nhân lực số và khả năng đổi mới là những nguồn lực chiến lược giúp ngân hàng nâng cao năng lực cạnh tranh và hiệu quả hoạt động (Barney, 1991). Việc ứng dụng FinTech có thể mở rộng kênh phân phối, cải thiện trải nghiệm khách hàng, tự động hóa quy trình và đa dạng hóa nguồn thu (Lee & Shin, 2018; Thakor, 2020).

Theo lý thuyết chi phí giao dịch, công nghệ có khả năng giảm chi phí tìm kiếm thông tin, xử lý giao dịch, giám sát và phối hợp giữa ngân hàng với khách hàng (Williamson, 1985). Tuy nhiên, trong giai đoạn đầu, ngân hàng phải chịu chi phí đầu tư hạ tầng, bảo mật, tích hợp hệ thống và đào tạo nhân lực. Việc vận hành đồng thời các kênh truyền thống và kênh số cũng có thể làm gia tăng tỷ lệ chi phí trên thu nhập trước khi lợi ích công nghệ được hiện thực hóa.

2.2. Giả thuyết nghiên cứu

FinTech giúp ngân hàng tiếp cận khách hàng nhanh hơn, nâng cao chất lượng dịch vụ, tăng thu nhập ngoài lãi và cải thiện khả năng khai thác dữ liệu. Những lợi ích này có thể nâng cao khả năng sinh lời của ngân hàng (Ozili, 2018; Fuster et al., 2019; Thakor, 2020). Tuy nhiên, tác động thực tế còn phụ thuộc vào năng lực chuyển hóa đầu tư công nghệ thành kết quả kinh doanh và áp lực cạnh tranh từ các doanh nghiệp FinTech (Phan et al., 2020). Từ đó, nghiên cứu đề xuất:

H1: FinTech có mối quan hệ với khả năng sinh lời, được đo lường bằng ROA, của các ngân hàng thương mại Việt Nam.

Ứng dụng FinTech có thể giảm chi phí giao dịch và tự động hóa hoạt động ngân hàng. Tuy nhiên, chi phí đầu tư, duy trì hệ thống và vận hành song song các kênh phân phối có thể làm CIR tăng trong ngắn hạn. Do đó, giả thuyết được đề xuất:

H2: FinTech có mối quan hệ với hiệu quả chi phí, được đo lường bằng CIR, của các ngân hàng thương mại Việt Nam.

Quy mô ngân hàng, tỷ lệ nợ xấu, mức độ an toàn vốn và tăng trưởng kinh tế được đưa vào mô hình với vai trò biến kiểm soát vì đây là những yếu tố có thể ảnh hưởng đến khả năng sinh lời và hiệu quả chi phí của ngân hàng (Dietrich & Wanzenried, 2011).
3. Phương pháp nghiên cứu
3.1. Dữ liệu và mẫu nghiên cứu

Mẫu gồm 20 ngân hàng thương mại có dữ liệu liên tục trong giai đoạn 2015–2024, tạo thành bảng cân bằng với 200 quan sát. Dữ liệu ROA, CIR, FINTECH, SIZE, NPL và CAR được tổng hợp từ báo cáo tài chính kiểm toán và báo cáo thường niên; tăng trưởng GDP lấy từ nguồn thống kê vĩ mô. Các chỉ tiêu được chuẩn hóa về cùng một đơn vị và đối chiếu giữa các báo cáo trước khi phân tích.
3.2. Đo lường biến và mô hình

Bảng 1. Đo lường các biến nghiên cứu

Biến	Đo lường	Vai trò	Kỳ vọng
ROA	Lợi nhuận sau thuế/Tổng tài sản	Phụ thuộc	–
CIR	Chi phí hoạt động/Tổng thu nhập hoạt động	Phụ thuộc	–
FINTECH	Thu nhập thuần dịch vụ thanh toán/tổng thu nhập hoạt động	Độc lập	±
SIZE	Logarit tự nhiên của tổng tài sản	Kiểm soát	±
NPL	Nợ xấu/Tổng dư nợ	Kiểm soát	ROA (-);  CIR (+)
CAR	Tỷ lệ an toàn vốn	Kiểm soát	±
GDP	Tốc độ tăng GDP hằng năm (%)	Kiểm soát	+

FinTech được xem là biến đại diện cho khả năng khai thác dịch vụ thanh toán số, không phản ánh toàn diện mức đầu tư hay mức độ trưởng thành công nghệ của ngân hàng. Biến này có thể mang giá trị âm khi chi phí liên quan đến dịch vụ thanh toán lớn hơn thu nhập phát sinh trong kỳ.
3.3. Mô hình nghiên cứu

Hai mô hình thực nghiệm được xác định như sau:

ROA_it = β₀ + β₁FINTECH_it + β₂SIZE_it + β₃NPL_it + β₄CAR_it + β₅GDP_t + μ_i + ε_it

CIR_it = α₀ + α₁FINTECH_it + α₂SIZE_it + α₃NPL_it + α₄CAR_it + α₅GDP_t + ν_i + u_it

Trong đó, i là ngân hàng, t là năm; μ_i và ν_i phản ánh đặc trưng riêng không quan sát được của từng ngân hàng.

Nghiên cứu lần lượt ước lượng Pooled OLS, FEM và REM. Kiểm định F so sánh Pooled OLS với FEM; kiểm định Hausman lựa chọn giữa FEM và REM. Đa cộng tuyến được đánh giá qua hệ số VIF. Mức ý nghĩa 1%, 5% và 10% được sử dụng khi diễn giải kết quả.
3.4. Phương pháp phân tích

Dữ liệu được phân tích bằng thống kê mô tả, ma trận tương quan và hệ số VIF nhằm đánh giá đặc điểm dữ liệu và hiện tượng đa cộng tuyến. Nghiên cứu lần lượt ước lượng mô hình Pooled OLS, tác động cố định (FEM) và tác động ngẫu nhiên (REM). Kiểm định F và Hausman được sử dụng để lựa chọn mô hình phù hợp. Do dữ liệu của cùng một ngân hàng có thể tương quan theo thời gian và tồn tại phương sai sai số thay đổi, kết quả chính được ước lượng bằng FEM với sai số chuẩn vững phân cụm theo ngân hàng. Ngoài ra, mô hình có hiệu ứng năm được sử dụng để kiểm tra độ vững và kiểm soát các cú sốc chung trong giai đoạn 2015 – 2024. Khi đưa đầy đủ hiệu ứng năm vào mô hình, biến GDP được loại bỏ nhằm tránh hiện tượng đồng tuyến tính.
4. Kết quả nghiên cứu và thảo luận
4.1. Thống kê mô tả và tương quan

Bảng 2. Thống kê mô tả các biến (N = 200)

Biến	Trung bình	Độ lệch chuẩn	Nhỏ nhất	Lớn nhất
ROA	0,011518	0,007010	0,000267	0,032380
CIR	0,442502	0,119798	0,227062	0,869554
FINTECH	0,058608	0,043779	−0,025064	0,225222
SIZE	33,312310	0,951755	31,199710	35,554340
NPL	0,018585	0,009689	0,004667	0,069121
CAR	0,117009	0,025529	0,067544	0,245300
GDP	6,141648	1,912479	2,553729	8,537500

ROA trung bình đạt khoảng 1,15%, trong khi CIR trung bình là 44,25%. Mức phân tán đáng kể của CIR phản ánh khác biệt về mô hình kinh doanh và năng lực kiểm soát chi phí giữa các ngân hàng. FinTech trung bình đạt 5,86%; giá trị âm ở một số quan sát xuất phát từ thu nhập thuần dịch vụ thanh toán âm sau khi trừ chi phí liên quan. Hệ số tương quan lớn nhất theo giá trị tuyệt đối là giữa ROA và CIR (-0,685). Các tương quan giữa các biến giải thích đều thấp; VIF trung bình là 1,16 và VIF lớn nhất là 1,26, cho thấy không có dấu hiệu đa cộng tuyến nghiêm trọng.
4.2. Lựa chọn mô hình và kết quả hồi quy

Kiểm định F bác bỏ Pooled OLS ở cả mô hình ROA (F = 22,36; p < 0,001) và CIR (F = 16,58; p < 0,001). Kiểm định Hausman tiếp tục bác bỏ giả thuyết REM phù hợp đối với ROA (χ² = 62,00; p < 0,001) và CIR (χ² = 23,29; p < 0,001). Vì vậy, FEM được sử dụng để diễn giải.

Bảng 3. Kết quả ước lượng mô hình tác động cố định

Biến	ROA Hệ số (SE)	p	CIR Hệ số (SE)	p
FINTECH	-0,025224** (0,010379)	0,016	0,508465*** (0,171933)	0,004
SIZE	0,008052*** (0,000593)	<0,001	−0,158405*** (0,009819)	<0,001
NPL	-0,123141*** (0,042754)	0,004	1,242565* (0,708259)	0,080
CAR	-0,021768 (0,013489)	0,108	−0,039026 (0,223454)	0,861
GDP	0,000083 (0,000138)	0,548	0,004426* (0,002291)	0,055
Hằng số	-0,250897*** (0,019841)	<0,001	5,643829*** (0,328692)	<0,001
R² within	0,5340		0,6261
F-statistic	40,10***		58,61***

4.3. Thảo luận kết quả

FinTech có hệ số -0,025224 đối với ROA và có ý nghĩa ở mức 5%. Trong điều kiện các yếu tố khác không đổi, khi tỷ trọng thu nhập thuần dịch vụ thanh toán trên tổng thu nhập hoạt động tăng 1 điểm phần trăm, ROA giảm khoảng 0,025 điểm phần trăm. Kết quả chấp nhận H1 nhưng chiều tác động là âm. Điều này không đồng nghĩa với việc công nghệ không tạo giá trị; nó phản ánh chi phí đầu tư, khấu hao, bảo mật, tích hợp và đào tạo được ghi nhận trước khi doanh thu số đạt quy mô đủ lớn. Kết quả phù hợp với lập luận về độ trễ lợi ích và với bằng chứng cho thấy cạnh tranh FinTech có thể gây sức ép lên hiệu quả ngân hàng trong ngắn hạn (Phan & cộng sự, 2020).

Đối với CIR, hệ số FinTech bằng 0,508465 và có ý nghĩa ở mức 1%. Khi FinTech tăng 1 điểm phần trăm, CIR tăng khoảng 0,508 điểm phần trăm. Vì CIR cao hơn phản ánh hiệu quả chi phí thấp hơn, kết quả chấp nhận H2 nhưng chưa ủng hộ kỳ vọng tiết giảm chi phí tức thời. Trong giai đoạn 2015 – 2024, các ngân hàng Việt Nam vừa duy trì chi nhánh, nhân sự và hệ thống lõi hiện hữu, vừa đầu tư vào kênh số, dữ liệu và an ninh mạng. Chi phí kép làm cho lợi ích từ tự động hóa chưa chuyển hóa đầy đủ thành CIR thấp hơn. Phát hiện này bổ sung góc nhìn theo giai đoạn cho các nghiên cứu nhấn mạnh tiềm năng tăng hiệu quả dài hạn của FinTech (Anagnostopoulos, 2018; Thakor, 2020).

SIZE tác động dương đến ROA và âm đến CIR, cho thấy lợi thế kinh tế theo quy mô. Ngân hàng lớn có thể phân bổ chi phí cố định công nghệ trên lượng khách hàng và giao dịch lớn hơn, đồng thời có nguồn lực dữ liệu và nhân sự tốt hơn. NPL tác động âm đến ROA và dương đến CIR, phù hợp với chi phí dự phòng, thu hồi nợ và xử lý tài sản bảo đảm. CAR chưa có ý nghĩa thống kê; GDP chỉ có ý nghĩa yếu trong mô hình CIR. Do đó, H3 được chấp nhận một phần.
5. Hàm ý quản lý
5.1. Đối với các ngân hàng thương mại

Thứ nhất, ngân hàng cần chuyển từ quản lý dự án công nghệ riêng lẻ sang quản trị danh mục đầu tư FinTech. Mỗi dự án phải có đường cơ sở, thời hạn hoàn vốn và bộ chỉ tiêu kết hợp tài chính – vận hành, như: chi phí trên giao dịch, tỷ lệ khách hàng hoạt động số, thu nhập phí trên khách hàng, tỷ lệ xử lý tự động, thời gian xử lý và tổn thất gian lận. Việc đánh giá theo quý và theo vòng đời giúp nhận diện sớm dự án đầu tư dàn trải hoặc trùng lặp.

Thứ hai, cần rút ngắn giai đoạn vận hành kép bằng tái thiết kế quy trình thay vì chỉ số hóa giao diện. Khi giao dịch số tăng, ngân hàng phải đồng thời điều chỉnh mạng lưới, chuẩn hóa quy trình hậu kiểm, hợp nhất kho dữ liệu và loại bỏ các bước thủ công không còn cần thiết. Nếu chỉ bổ sung kênh số mà giữ nguyên toàn bộ cấu trúc chi phí cũ, CIR khó cải thiện.

Thứ ba, quy mô tạo lợi thế nhưng không bảo đảm hiệu quả nếu năng lực hấp thụ thấp. Ngân hàng cần ưu tiên nền tảng dùng chung, kiến trúc API, quản trị dữ liệu và đào tạo nhân lực phân tích. Các ngân hàng nhỏ có thể hợp tác với đối tác FinTech theo mô hình dịch vụ, dùng hạ tầng đám mây phù hợp với quy định và chia sẻ một số tiện ích phi cạnh tranh để giảm chi phí cố định.

Thứ tư, quản trị FinTech phải gắn với quản trị rủi ro. Hội đồng quản trị và ban điều hành cần xác định khẩu vị rủi ro số, phân định trách nhiệm đối với mô hình AI, an ninh mạng, bên thứ ba và bảo vệ dữ liệu. Chỉ tiêu tăng trưởng người dùng không nên tách khỏi chất lượng tín dụng, khiếu nại, gian lận và khả năng phục hồi hoạt động.
5.2. Đối với cơ quan quản lý nhà nước

Một là, tiếp tục hoàn thiện cơ chế thử nghiệm có kiểm soát để ngân hàng và doanh nghiệp FinTech kiểm chứng mô hình kinh doanh trong phạm vi, thời gian và nhóm khách hàng xác định. Cơ chế thử nghiệm cần gắn với yêu cầu báo cáo kết quả, xử lý sự cố, bảo vệ người dùng và phương án kết thúc thử nghiệm.

Hai là, thúc đẩy chuẩn kết nối mở và khả năng liên thông dữ liệu theo nguyên tắc khách hàng đồng ý, mục đích sử dụng rõ ràng và truy cập tối thiểu cần thiết. Chuẩn kỹ thuật thống nhất giúp giảm chi phí tích hợp song phương, hạn chế phụ thuộc vào nhà cung cấp và tạo cạnh tranh công bằng.

Ba là, nâng cao chất lượng công bố thông tin về đầu tư số và thu nhập số. Việc thiếu chỉ tiêu thống nhất khiến nhà đầu tư và nhà nghiên cứu khó đánh giá hiệu quả của FinTech. Có thể xây dựng bộ chỉ tiêu tự nguyện trước khi tiến tới chuẩn hóa, bao gồm chi phí công nghệ, giao dịch số, khách hàng số hoạt động, thu nhập dịch vụ số, tổn thất gian lận và thời gian gián đoạn dịch vụ.

Bốn là, hỗ trợ hạ tầng dùng chung về định danh, phòng chống gian lận và chia sẻ cảnh báo rủi ro. Điều này đặc biệt quan trọng đối với ngân hàng quy mô nhỏ, qua đó giảm chênh lệch năng lực đầu tư và tăng an toàn hệ thống.
6. Kết luận

Nghiên cứu sử dụng 200 quan sát của 20 ngân hàng thương mại Việt Nam giai đoạn 2015-2024 cho thấy, mức độ ứng dụng FinTech, đại diện bằng tỷ trọng thu nhập thuần dịch vụ thanh toán, có quan hệ âm với ROA và dương với CIR. Kết quả phản ánh áp lực chi phí và độ trễ lợi ích trong giai đoạn chuyển đổi số. Quy mô ngân hàng giúp cải thiện sinh lời và kiểm soát chi phí, trong khi nợ xấu làm suy giảm hiệu quả.

Hàm ý cốt lõi là không đánh giá FinTech chỉ bằng tốc độ triển khai sản phẩm số. Hiệu quả phụ thuộc vào khả năng tái cấu trúc quy trình, loại bỏ chi phí cũ, khai thác dữ liệu và quản trị rủi ro. Cơ quan quản lý cần tạo môi trường thử nghiệm an toàn, chuẩn hóa kết nối và nâng cao minh bạch thông tin để đổi mới công nghệ chuyển hóa thành năng suất hệ thống.

Tài liệu tham khảo:
Anagnostopoulos, I. (2018). Fintech and regtech: Impact on regulators and banks. Journal of Economics and Business, 100, 7-25. https://doi.org/10.1016/j.jeconbus.2018.07.003
Arner, D. W., Barberis, J., & Buckley, R. P. (2016). The evolution of FinTech: A new post-crisis paradigm? Georgetown Journal of International Law, 47(4), 1271–1319.
Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120. https://doi.org/10.1177/014920639101700108
Dietrich, A., & Wanzenried, G. (2011). Determinants of bank profitability before and during the crisis: Evidence from Switzerland. Journal of International Financial Markets, Institutions and Money, 21(3), 307-327. https://doi.org/10.1016/j.intfin.2010.11.002
Fuster, A., Plosser, M., Schnabl, P., & Vickery, J. (2019). The role of technology in mortgage lending. The Review of Financial Studies, 32(5), 1854-1899. https://doi.org/10.1093/rfs/hhz018
Lee, I., & Shin, Y. J. (2018). Fintech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), 35-46. https://doi.org/10.1016/j.bushor.2017.09.003
O’Connell, M. (2023). Bank-specific, industry-specific and macroeconomic determinants of bank profitability: Evidence from the UK. Studies in Economics and Finance, 40(1), 155-174. https://doi.org/10.1108/SEF-10-2021-0413
Ozili, P. K. (2018). Impact of digital finance on financial inclusion and stability. Borsa Istanbul Review, 18(4), 329-340. https://doi.org/10.1016/j.bir.2017.12.003
Phan, D. H. B., Narayan, P. K., Rahman, R. E., & Hutabarat, A. R. (2020). Do financial technology firms influence bank performance? Pacific-Basin Finance Journal, 62, Article 101210. https://doi.org/10.1016/j.pacfin.2019.101210
Thakor, A. V. (2020). Fintech and banking: What do we know? Journal of Financial Intermediation, 41, Article 100833. https://doi.org/10.1016/j.jfi.2019.100833
Wang, R., Liu, J., & Luo, H. (2021). Fintech development and bank risk taking in China. The European Journal of Finance, 27(4-5), 397-418. https://doi.org/10.1080/1351847X.2020.1805782
Williamson, O. E. (1985). The economic institutions of capitalism: Firms, markets, relational contracting. Free Press.