The impact of financial technology on the financial efficiency of commercial banks in Vietnam
ThS. Trần Lệ Khuyên
Email: tranlekhuyen250377@gmail.com
PGS. TS. Nguyễn Thị Mỹ Linh
TS. Nguyễn Minh Phúc
Trường Đại học Tài chính – Marketing
(Quanlynhanuoc.vn) – Nghiên cứu sử dụng phương pháp GMM trên dữ liệu bảng của 27 ngân hàng thương mại Việt Nam giai đoạn 2018 – 2024 nhằm phân tích tác động của Fintech, bao gồm: Fintech trong ngân hàng (Bank Fintech) và Fintech ngoài ngân hàng (Non-bank Fintech) đến hiệu quả tài chính của ngân hàng. Bên cạnh đó, nghiên cứu còn xem xét tác động điều tiết của Non-bank Fintech hiệu quả của việc ứng dụng Bank Fintech trong Ngân hàng. Kết quả cho thấy, cả Bank Fintech và Non-bank Fintech đều ảnh hưởng tiêu cực đến hiệu quả tài chính của ngân hàng. Tuy nhiên, khi kiểm soát sự tương tác giữa chúng, Bank Fintech lại tác động thuận chiều, trong khi Non-bank Fintech đóng vai trò điều tiết âm (kìm hãm) hiệu quả này.
Từ khóa: Fintech; Fintech phi ngân hàng; ứng dụng Fintech trong ngân hàng, hiệu quả sinh lời của ngân hàng; hiệu quả hoạt động của ngân hàng; hiệu quả tài chính của Ngân hàng.
Abstract: This study employs the Generalized Method of Moments (GMM) on panel data from 27 Vietnamese commercial banks over the period 2018–2024 to examine the impact of financial technology (Fintech), including Bank Fintech and Non-bank Fintech, on banks’ financial performance. In addition, the study investigates the moderating effect of Non-bank Fintech on the relationship between Bank Fintech adoption and banks’ financial performance. The results indicate that both Bank Fintech and Non-bank Fintech have negative effects on banks’ financial performance. However, after controlling for the interaction between the two, Bank Fintech exerts a positive effect, whereas Non-bank Fintech plays a negative moderating role, weakening this positive effect.
Keywords: Fintech; Non-bank Fintech; Bank Fintech; bank profitability; bank performance; banks’ financial performance.
1. Đặt vấn đề
Trong bối cảnh kỷ nguyên số bùng nổ, công nghệ tài chính (Fintech) đã dịch chuyển mạnh mẽ từ một hiện tượng công nghệ thuần túy thành động lực cốt lõi tái định hình toàn diện cấu trúc ngành Ngân hàng (Haddad & Hornuf, 2021). Động lực này không diễn ra theo một chiều hướng đơn lẻ mà xuất phát từ hai hướng: (1) sự bùng nổ mạnh mẽ của các công ty Fintech độc lập bên ngoài ngân hàng (Non-bank Fintech) và xu hướng ứng dụng công nghệ trong hệ thống ngân hàng (Bank Fintech) (Trung, 2024; Cheng & Qu, 2020). Trong không gian kinh tế số hiện đại, các lực lượng này thiết lập một hệ sinh thái tài chính mang tính cộng sinh sâu sắc (Lee & Shin, 2018). Vì vậy, hiệu quả từ các quyết định đầu tư cho Bank Fintech của các ngân hàng thương mại không diễn ra trong một môi trường tách biệt, ngược lại, nó luôn nằm trong mối quan hệ biện chứng, chịu sự ràng buộc và tương tác không ngừng với mức độ phát triển của các công ty Non-bank Fintech.
Mối quan hệ tương tác này càng trở nên phức tạp và đa chiều do tồn tại một “khoảng cách tuân thủ” lớn trên thị trường tài chính hiện nay (Buchak và cộng sự, 2018). Trong khi hệ thống ngân hàng truyền thống phải chịu sự giám sát bởi các quy định an toàn vốn và phòng ngừa rủi ro nghiêm ngặt thì các tổ chức Non-bank Fintech lại sở hữu lợi thế linh hoạt, tốc độ tăng trưởng vượt trội nhờ cơ chế quản lý có phần cởi mở hơn. Chính sự chênh lệch mang tính cấu trúc này khiến cho việc đánh giá vai trò điều tiết của Non-bank Fintech trong tác động của Bank Fintech tới hiệu quả tài chính của ngân hàng trở thành một yêu cầu có tính cấp thiết cao về cả mặt lý luận thực chứng lẫn thực tiễn vận hành. Nghiên cứu mối quan hệ này giúp các ngân hàng thương mại định vị chính xác “điểm rơi hiệu quả” trong các chiến lược đầu tư công nghệ dài hạn, tránh bẫy lãng phí nguồn lực và tối ưu hóa năng lực sinh lời trong bối cảnh cạnh tranh gay gắt. Đồng thời, các kết quả thực chứng từ mô hình sẽ là cơ sở cho các hàm ý chính sách nhằm kiến tạo một sân chơi tài chính số lành mạnh và bình đẳng, hướng tới sự phát triển ổn định bền vững của thị trường tài chính số.
2. Cơ sở lý thuyết
Nghiên cứu được xây dựng trên nền tảng của lý thuyết dựa trên nguồn lực, lý thuyết năng lực động, lý thuyết tổ chức ngành và lý thuyết cạnh tranh – hợp tác nhằm giải thích cơ chế tác động song song và tương tác giữa Bank Fintech và Non-bank Fintech lên hiệu quả tài chính của các ngân hàng thương mại. Các nền tảng lý thuyết này cho phép làm rõ cách thức các năng lực công nghệ nội sinh và áp lực số hóa ngoại biên ảnh hưởng đến hành vi chiến lược của tổ chức, từ đó, dẫn đến sự thay đổi trong năng lực sinh lời của hệ thống Ngân hàng. Đồng thời, thông qua việc tích hợp lý thuyết phụ thuộc nguồn lực, hiệu ứng mạng lưới, trường phái cạnh tranh – dễ tổn thương và giả thuyết bất ổn tài chính, nghiên cứu luận giải sâu sắc vai trò điều tiết của Non-bank Fintech. Sự can thiệp mang tính cấu trúc của môi trường ngoại biên này vừa thúc đẩy tiến trình khuếch tán đổi mới dựa trên thói quen số của khách hàng, vừa tạo ra áp lực xói mòn giá trị đặc quyền, kích hoạt hành vi mạo hiểm hóa tài chính và trực tiếp dịch chuyển quỹ đạo hiệu quả của các dự án công nghệ nội bộ Ngân hàng (Williamson, 1985; Klus & cộng sự, 2019).
Tác động của Non-bank Fintech tới hiệu quả tài chính của ngân hàng thương mại hiện nay ghi nhận hai luồng quan điểm trái chiều. Ở chiều tiêu cực, sự bùng nổ của các công ty Non-bank Fintech bên ngoài tạo ra “hiệu ứng thay thế” mạnh mẽ, trực tiếp làm xói mòn năng lực sinh lời truyền thống (Phan & cộng sự, 2019). Tại Việt Nam, sự gia tăng của các công ty Non-bank Fintech gây sụt giảm rõ rệt các chỉ số sinh lời trên tài sản (ROA) và biên lãi ròng (NIM) (Hồng & Tuấn, 2021). Đặc biệt, sự gia nhập của các nền tảng cho vay ngang hàng đã chiếm lĩnh thị phần cho vay (Wu và cộng sự, 2020), trong khi hệ sinh thái thanh toán di động khép kín của Non-bank Fintech chiếm các khoản phí dịch vụ và phân tán tiền gửi không kỳ hạn (Xia & Nada, 2018; Yang & cộng sự, 2023). Áp lực cạnh tranh gay gắt này còn buộc Ngân hàng phải hạ chuẩn tín dụng, làm gia tăng nợ xấu và rủi ro hệ thống (Nguyen, 2022; Zhao & cộng sự, 2022). Ngược lại, trường phái tích cực coi Non-bank Fintech là cú sốc lành mạnh thúc đẩy cải tiến cấu trúc. Sự hình thành các công ty Fintech bên ngoài giúp nâng cao khả năng sinh lời (ROA) và lợi nhuận của mảng kinh doanh cốt lõi (NIM) nhờ buộc ngân hàng phải chủ động đổi mới mô hình kinh doanh và tối ưu hóa năng lực quản trị rủi ro (Haddad & Hornuf, 2021). Hiệu ứng cạnh tranh và bắt chước giúp ngân hàng giảm chi phí thông tin, đa dạng hóa thu nhập và tăng cường tính ổn định tài chính trong dài hạn (Dong & cộng sự, 2020).
Ứng dụng công nghệ Bank Fintech trong nội bộ ngân hàng mang lại cả tác động tích cực lẫn tiêu cực đến hiệu quả tài chính. Ở mặt tích cực, Bank Fintech tối ưu hóa cấu trúc chi phí, giảm bất đối xứng thông tin và đa dạng hóa nguồn thu. Tại Việt Nam, công nghệ thúc đẩy thu nhập từ phí, tiền gửi và tiết giảm chi phí vận hành (Tam & cộng sự, 2021; Quỳnh, 2022). Việc ứng dụng trí tuệ nhân tạo (AI), dữ liệu lớn (Big Data) còn giúp đưa ra quyết định tín dụng tức thời, giảm nợ xấu và nâng cao tính ổn định hệ thống (Bian & cộng sự, 2023; Trang & cộng sự, 2024). Ngược lại, Bank Fintech có thể gây tác động tiêu cực trong ngắn hạn do “nghịch lý năng suất”, khi chi phí đầu tư ban đầu quá lớn nhưng năng lực quản trị chưa tương xứng (Huyền & cộng sự, 2022). Sự sụt giảm lợi nhuận của các Ngân hàng phản ánh gánh nặng khấu hao từ hệ thống Ngân hàng lõi và chi phí triển khai các công nghệ phức tạp (Li & cộng sự, 2024).
Một số nghiên cứu thực chứng cho thấy, môi trường Fintech bên ngoài ngân hàng có tác động tới hiệu quả của ứng dụng Fintech trong ngân hàng. Xét về ảnh hưởng tích cực, khi hệ sinh thái Fintech bên ngoài phát triển sẽ nâng cao hiểu biết tài chính cho người dùng, giúp hình thành nên thói quen và hành vi tiêu dùng số hóa trong xã hội (Hanson, 2025; Aoun, 2026). Trong môi trường tài chính số phát triển, các nền tảng ứng dụng của ngân hàng sẽ tiếp cận người dùng một cách dễ dàng và thuận tiện hơn (Ferilli & cộng sự, 2024). Ngoài ra, sự sẵn sàng của các nền tảng kết nối Fintech bên ngoài tạo điều kiện cho các ứng dụng số của ngân hàng nhanh chóng trở nên tương thích để thiết lập các quan hệ đối tác sản phẩm, giúp các khoản đầu tư công nghệ nội tại của ngân hàng phát huy hiệu quả nhanh chóng, rút ngắn thời gian thử nghiệm và tối ưu hóa chi phí. Ngược lại, ảnh hưởng tiêu cực lại đến từ những quyết định mang tính ngắn hạn biến chi phí đầu tư công nghệ khổng lồ ban đầu thành gánh nặng chi phí thuần túy và kéo giảm nghiêm trọng hiệu quả của các dự án công nghệ nội bộ. Wang và cộng sự (2021), Zhao & cộng sự (2022) cũng nhận định rằng, cạnh tranh từ Fintech ngoại biên buộc các Ngân hàng phải giảm tiêu chuẩn cho vay, từ đó, ảnh hưởng tới hiệu quả sinh lời của ngân hàng. Vì vậy, các câu hỏi đặt ra như: “Đầu tư cho công nghệ Bank Fintech có mang lại hiệu quả tài chính cho Ngân hàng thương mại Việt Nam không?” hay “Các công ty Non-bank Fintech bên ngoài đóng vai trò kích thích hay kìm hãm hiệu quả ứng dụng công nghệ Bank Fintech trong ngân hàng thương mại Việt Nam?” là trọng tâm của nghiên cứu này.
3. Phương pháp nghiên cứu
3.1. Mô hình nghiên cứu
Hình 1. Khung phân tích
Nguồn: Tác giả đề xuất, năm 2026.
Mô hình tác động trực tiếp:
Yit =β0 + αYit-1+ β1 BFit +β2 NBFt + β3 Controls+εit
Mô hình tác động điều tiết:
Yit = β0 + αYit-1 + β1 BFit +β2 NBFt +β3 (BFit *NBFt) + + β4Controls+εit
Trong đó:
Biến phụ thuộc: ROA (tỷ suất lợi nhuận trên tài sản), NIM (biên lãi ròng) được tính toán từ báo cáo tài chính của 27 ngân hàng thương mại Việt Nam.
Biến độc lập:
NBF (Non-bank Fintech) được đo lường bằng giá trị giao dịch thanh toán và cho vay Fintech trên thị trường, thu thập từ công ty thống kê Statista năm 2026.
Và BF (Bank Fintech) được đo lường thông qua phương pháp khai phá văn bản báo cáo thường niên của các Ngân hàng thương mại Việt Nam.
Biến điều tiết: NBF (Non-bank Fintech)
Biến kiểm soát: SIZE (quy mô công ty), CIR (tỷ lệ chi phí trên thu nhập), NPL (tỷ lệ nợ xấu), ETA (tỷ lệ vốn chủ sở hữu trên tài sản), LDR (tỷ lệ cho vay trên tiền gửi), CAR (tỷ lệ an toàn vốn), NII (tỷ lệ thu nhập ngoài lãi), LTA (tỷ lệ cho vay trên tài sản), GDP (tỷ lệ tăng trưởng) và INF (tỷ lệ lạm phát) của các ngân hàng thương mại Việt Nam.
3.2. Giả thuyết nghiên cứu
Sự bùng nổ của Fintech phi ngân hàng tạo ra hai hiệu ứng đối nghịch lên hiệu quả tài chính ngân hàng. Ở chiều tiêu cực, “hiệu ứng thay thế” xuất hiện khi các thực thể này bóc tách phân khúc dịch vụ cốt lõi. Trong thanh toán, dòng tiền chảy qua ví điện tử làm giảm nguồn thu từ phí và phân tán tiền gửi không kỳ hạn, kéo tụt biên lãi ròng (NIM). Đồng thời, cạnh tranh cho vay trực diện buộc ngân hàng hạ giá dịch vụ, nới lỏng tiêu chuẩn tín dụng, làm tăng nợ xấu và giảm ROA. Ngược lại, ở chiều tích cực, “hiệu ứng bổ trợ” qua kiến trúc ngân hàng mở và kết nối API giúp ngân hàng linh hoạt cấu trúc chi phí, giảm chi phí marketing nhờ thu hút khách hàng theo lô, củng cố nguồn tiền gửi vãng lai và tăng thu nhập ngoài lãi từ bán chéo sản phẩm… Tuy nhiên, tác động tiêu cực của Non-bank Fintech chiếm ưu thế trong các nghiên cứu thực nghiệm tiền nhiệm nên giả thuyết nghiên cứu được đề xuất như sau:
H1: Non-bank Fintech có tác động tiêu cực tới hiệu quả tài chính của ngân hàng thương mại Việt Nam.
Việc ứng dụng công nghệ Bank Fintech tác động trực tiếp đến hiệu quả tài chính của ngân hàng thương mại thông qua quá trình tái cấu trúc; đồng thời, cả doanh thu và chi phí. Bank Fintech thay thế lao động truyền thống bằng vốn công nghệ. Chuyển dịch giao dịch sang nền tảng số và kiến trúc đám mây giúp ngân hàng thu hẹp chi nhánh vật lý, tiết giảm chi phí vận hành trên mỗi giao dịch và chi phí marketing, từ đó, đạt lợi thế kinh tế quy mô để đẩy tăng biên lợi nhuận. Bên cạnh đó, việc ứng dụng các công nghệ cốt lõi của Fintech giúp ngân hàng tự động hóa quy trình chấm điểm tín dụng, giúp giảm bất đối xứng thông tin, nhận diện sớm nợ xấu và tối ưu hóa chi phí trích lập dự phòng, từ đó, tăng thu nhập lãi và lợi nhuận. Ngoài ra, các giải pháp eKYC và cá nhân hóa sản phẩm giúp phá bỏ rào cản địa lý, thu hút mạnh mẽ tiền gửi trực tuyến, giảm chi phí vốn, từ đó, gia tăng thu nhập lãi ròng và đa dạng hóa nguồn thu ngoài lãi. Từ các lập luận trên, giả thuyết nghiên cứu được đề xuất:
H2: Bank Fintech có tác động tích cực tới hiệu quả tài chính của các ngân hàng thương mại Việt Nam.
Tác động của Bank Fintech đến hiệu quả tài chính của ngân hàng không diễn ra trong môi trường tĩnh mà chịu sự điều tiết bởi cấu trúc vận hành của môi trường Non-bank Fintech bên ngoài qua hai cơ chế đối nghịch.
Ở chiều hướng thúc đẩy, Non-bank Fintech vận hành như bộ tăng tốc. Khi hợp tác tốt qua kiến trúc ngân hàng mở, Non-bank Fintech bên ngoài giúp bổ sung nguồn lực thiếu hụt và tạo hiệu ứng mạng lưới số, giúp ngân hàng thu hút dòng tiền, tiết giảm chi phí biên. Đồng thời, Non-bank Fintech đóng vai trò “giáo dục thị trường”, hình thành thói quen số cho xã hội, giúp sản phẩm Bank Fintech của ngân hàng tương thích ngay với khách hàng, rút ngắn thời gian thử nghiệm và tối ưu chi phí tiếp thị. Ngược lại, ở chiều hướng triệt tiêu, khi khối Non-bank Fintech bùng nổ vượt ngưỡng, cạnh tranh gay gắt sẽ xói mòn giá trị đặc quyền ngân hàng. Để giành thị phần, ngân hàng dễ “cận thị chiến lược”, cuốn vào cuộc đua lãi suất, hạ chuẩn tín dụng ngắn hạn. Hành vi này làm méo mó các thuật toán công nghệ nội bộ, biến Bank Fintech thành công cụ hợp thức hóa khoản vay dưới chuẩn, phát sinh nợ xấu ăn mòn lợi nhuận ròng và triệt tiêu hiệu quả tài chính. Sự tương tác điều tiết phi tuyến tính này dẫn đến giả thuyết nghiên cứu được đề xuất:
H3: Non-bank Fintech có vai trò điều tiết trong tác động của Bank Fintech đến hiệu quả tài chính của ngân hàng thương mại Việt Nam.
3.3. Đo lường biến và ước lượng mô hình
(1) Đo lường ứng dụng Bank Fintech tại ngân hàng.
Do dữ liệu thứ cấp về đầu tư cho công nghệ Bank Fintech tại các ngân hàng không được thống kê từ các báo cáo truyền thống, vì vậy, nghiên cứu sử dụng phương pháp khai phá văn bản để thống kê mức độ ứng dụng Fintech trong ngân hàng thông qua cam kết của ban lãnh đạo về Fintech trong báo cáo thường niên. Mức độ xuất hiện các từ khóa Fintech càng lớn thể hiện mức độ quan tâm và ứng dụng công nghệ càng cao trong ngân hàng (Wang và cộng sự, 2021; Li và cộng sự, 2024; Wu và cộng sự, 2024; Nhung và cộng sự, 2024). Danh sách các từ khóa công nghệ Fintech trong ngân hàng được hình thành dựa trên ý kiến chuyên gia, được chia thành 5 nhóm công nghệ cốt lõi: Big Data, AI, điện toán đám mây, công nghệ chuỗi khối và quản trị vận hành. Công cụ Python sẽ thống kê sự xuất hiện các từ khóa chính xác trên danh mục, sau đó, sẽ được tính toán và chuẩn hóa, kết quả sẽ cho ra bộ dữ liệu về chỉ số ứng dụng Bank Fintech (Bank Fintech Index) của từng ngân hàng cho các năm, cung cấp đầu vào phục vụ cho phân tích định lượng.
Bảng 1. Kết cấu danh mục từ khóa Fintech
| Nhóm | Ứng dụng 4 trụ cột công nghệ Fintech trong ngân hàng |
| Hạ tầng dữ liệu (Big data) | Nhóm từ khóa về Big Data và các ứng dụng Big Data trong ngân hàng |
| Năng lực phân tích & AI | Nhóm từ khóa liên quan đến AI và các ứng dụng của AI trong ngân hàng |
| Hạ tầng đám mây (Cloud) | Nhóm từ khóa liên quan tới điện toán đám mây và các ứng dụng điện toán đám mây trong ngân hàng |
| Công nghệ sổ cái và bảo mật, an ninh | Nhóm các từ khóa liên qua tới chuỗi khối, sổ cái phân tán và các ứng dụng trong ngân hàng |
| Quản trị và vận hành | Nhóm từ khóa liên quan đến quản trị và vận hành của hạ tầng công nghệ, như: cơ chế thử nghiệm có kiểm soát, trung tâm số hóa… |
(2) Phương pháp ước lượng.
Biến trễ của hiệu quả tài chính Yi,t-1 được đưa vào mô hình nhằm phản ánh tính liên tục trong hoạt động Ngân hàng. Các chỉ số sinh lời luôn có tính bền vững, kế thừa từ nền tảng khách hàng, thương hiệu và cấu trúc tài sản quá khứ. Việc sử dụng biến trễ còn giúp kiểm soát các yếu tố đặc thù không quan sát được mang tính ổn định như năng lực quản trị. Nghiên cứu thực hiện phân tích hồi quy dựa trên dữ liệu bảng động của 27 ngân hàng thương mại Việt Nam. Quy trình ước lượng được thực hiện như sau:
Đầu tiên, hiện tượng đa cộng tuyến giữa các biến độc lập được kiểm tra để tránh phóng đại sai số chuẩn làm sai lệch kết quả. Tiếp theo, mô hình OLS được chạy để lấy kết quả sơ khởi. Sau đó, nghiên cứu tiến hành ước lượng mô hình FEM (tác động cố định) và REM (tác động ngẫu nhiên). FEM kiểm soát các đặc điểm riêng biệt, không thay đổi theo thời gian của từng ngân hàng (như văn hóa, chiến lược) và giả định chúng có tương quan với biến độc lập. Việc loại bỏ các đặc điểm này giúp giảm thiểu hiện tượng nội sinh do thiếu biến. Ngược lại, REM giả định các đặc điểm riêng biệt là ngẫu nhiên và không tương quan với biến giải thích, mang lại hiệu quả thống kê cao hơn và cho phép suy rộng kết quả ra toàn bộ quần thể. Để lựa chọn mô hình phù hợp, nghiên cứu áp dụng kiểm định F-test, kiểm định Breusch-Pagan, cuối cùng là kiểm định Hausman để quyết định lựa chọn giữa FEM và REM.
Sau khi chọn được mô hình phù hợp, các kiểm định về tự tương quan và phương sai sai số thay đổi được thực hiện. Nếu các khuyết tật này xuất hiện, phương pháp ước lượng GLS sẽ được sử dụng để khắc phục. Mặc dù GLS xử lý hiệu quả phương sai thay đổi và tự tương quan, phương pháp này không thể giải quyết triệt để hiện tượng nội sinh – vấn đề chắc chắn xảy do việc đưa biến trễ của biến phụ thuộc vào mô hình. Lúc này, phương pháp ước lượng GMM được sử dụng để kiểm soát hiệu quả hiện tượng nội sinh tiềm ẩn, bảo đảm độ tin cậy cao cho các kết quả thực chứng.
4. Kết quả
4.1. Thống kê mẫu
Bảng 2. Thống kê mô tả mẫu
| Variable | Obs | Mean | Std. dev. | Min | Max |
| ROA | 189 | 1.186612 | 0.9005644 | -4.776699 | 3.652643 |
| NIM | 189 | 3.200802 | 1.365112 | -1.894805 | 9.325547 |
| NBF | 189 | 33.75666 | 0.3750482 | 33.204 | 34.295 |
| BF | 189 | 1.702441 | 1.539071 | 0 | 6.688354 |
| SIZE | 189 | 33.09303 | 1.106067 | 30.64526 | 35.55429 |
| CIR | 189 | 44.63982 | 25.95105 | -230.3601 | 172.2475 |
| NPL | 189 | 2.237744 | 2.813972 | 0 | 29.75734 |
| ETA | 189 | 8.60102 | 3.004302 | 4.1546 | 17.09897 |
| CAR | 189 | 11.50217 | 2.543169 | 0 | 22.16 |
| NII | 189 | 22.36417 | 9.240766 | -21.03195 | 66.09774 |
| LDR | 189 | 97.64319 | 14.61701 | 55.92483 | 146.9094 |
| LTA | 189 | 63.858 | 7.585794 | 35.39429 | 80.06246 |
| GDP | 189 | 5.467 | 2.085458 | 2.5537 | 8.5375 |
| INF | 189 | 3.060214 | 0.5606199 | 1.8347 | 3.6211 |
Bảng 2 cho thấy, sự phân hóa rõ rệt giữa các chỉ số hiệu quả tài chính cốt lõi, gồm ROA đạt trung bình 1,19%, dao động mạnh từ mức âm sâu -4,78% đến cực đại 3,65%; trong khi NIM duy trì trung bình ở mức ổn định hơn là 3,20% nhưng khoảng cách giữa mức tối thiểu (-1,89%) và tối đa (9,33%) vẫn rất lớn. Ngược lại, biến số NBF thể hiện tính đồng nhất cao với mức trung bình 33,76 và độ lệch chuẩn nhỏ (0,38). Chỉ số công nghệ nội sinh BF đạt trung bình 1,70, phân tán từ 0 đến 6,69. Các giá trị hiệu quả tài chính cực tiểu âm sâu này hoàn toàn phản ánh thực tế, xuất phát từ kết quả tái cơ cấu khắc nghiệt của Ngân hàng Quốc Dân (NVB) giai đoạn 2023 – 2024 khi lỗ ròng năm 2024 hơn 5.100 tỷ đồng. Thực trạng này đến từ việc ban lãnh đạo chủ động thoái hàng nghìn tỷ đồng lãi dự thu và tăng mạnh trích lập dự phòng để xử lý triệt nợ xấu lịch sử nhằm làm sạch bảng cân đối kế toán.
4.2. Ma trận hệ số tương quan
Bảng 3. Ma trận hệ số tương quan giữa các biến
| ROA | NIM | NBF | SIZE | CIR | NPL | ETA | CAR | NII | LDR | LTA | GDP | INF | FIN1 | |
| ROA | 1.00 | |||||||||||||
| NIM | 0.80 | 1.00 | ||||||||||||
| NBF | 0.07 | 0.02 | 1.00 | |||||||||||
| SIZE | 0.45 | 0.36 | 0.22 | 1.00 | ||||||||||
| CIR | 0.01 | -0.11 | -0.20 | -0.34 | 1.00 | |||||||||
| NPL | -0.39 | -0.20 | 0.20 | -0.15 | -0.05 | 1.00 | ||||||||
| ETA | 0.51 | 0.55 | 0.12 | -0.07 | -0.11 | -0.04 | 1.00 | |||||||
| CAR | 0.39 | 0.40 | 0.04 | -0.15 | 0.20 | -0.13 | 0.74 | 1.00 | ||||||
| NII | 0.26 | 0.02 | -0.15 | 0.05 | 0.27 | -0.04 | 0.24 | 0.19 | 1.00 | |||||
| LDR | 0.53 | 0.64 | 0.30 | 0.36 | -0.22 | -0.12 | 0.41 | 0.30 | -0.10 | 1.00 | ||||
| LTA | 0.01 | 0.12 | 0.10 | 0.35 | -0.08 | -0.12 | -0.04 | 0.03 | -0.26 | 0.37 | 1.00 | |||
| GDP | 0.04 | 0.05 | 0.25 | 0.06 | -0.06 | 0.07 | 0.06 | 0.04 | -0.19 | 0.15 | 0.08 | 1.00 | ||
| INF | -0.08 | -0.05 | 0.11 | 0.03 | -0.01 | 0.08 | 0.00 | 0.06 | -0.15 | 0.03 | 0.07 | 0.45 | 1.00 | |
| BF | 0.49 | 0.29 | 0.16 | 0.45 | -0.16 | -0.04 | 0.30 | 0.13 | 0.28 | 0.22 | -0.10 | 0.04 | 0.03 | 1.00 |
Bảng 3 cho thấy, hầu hết các cặp biến độc lập và biến kiểm soát trong mô hình nghiên cứu đều có mối quan hệ tương quan từ yếu đến trung bình, dưới ngưỡng 0.8, đây là một tín hiệu tốt cho mô hình.
4.3. Kiểm định đa cộng tuyến
Bảng 4. Kiểm định đa cộng tuyến
| Variable | VIF | SQRT VIF | Tolerance | R- Squared | Variable | VIF | SQRT VIF | Tolerance | R- Squared |
| ROA | 3.67 | 1.92 | 0.2725 | 0.7275 | NIM | 2.89 | 1.7 | 0.3458 | 0.6542 |
| BF | 1.73 | 1.31 | 0.5783 | 0.4217 | BF | 1.69 | 1.3 | 0.5913 | 0.4087 |
| NBF | 1.29 | 1.13 | 0.7768 | 0.2232 | NBF | 1.41 | 1.19 | 0.7108 | 0.2892 |
| SIZE | 2.92 | 1.71 | 0.3425 | 0.6575 | SIZE | 2.75 | 1.66 | 0.3642 | 0.6358 |
| CIR | 1.83 | 1.35 | 0.5463 | 0.4537 | CIR | 1.68 | 1.3 | 0.5944 | 0.4056 |
| NPL | 1.42 | 1.19 | 0.7056 | 0.2944 | NPL | 1.15 | 1.07 | 0.8671 | 0.1329 |
| ETA | 3.99 | 2 | 0.2507 | 0.7493 | ETA | 4.11 | 2.03 | 0.2432 | 0.7568 |
| CAR | 2.86 | 1.69 | 0.35 | 0.65 | CAR | 2.86 | 1.69 | 0.3501 | 0.6499 |
| NII | 1.52 | 1.23 | 0.6571 | 0.3429 | NII | 1.63 | 1.28 | 0.615 | 0.385 |
| LDR | 2.15 | 1.46 | 0.466 | 0.534 | LDR | 2.37 | 1.54 | 0.4216 | 0.5784 |
| LTA | 1.7 | 1.3 | 0.5875 | 0.4125 | LTA | 1.62 | 1.27 | 0.6191 | 0.3809 |
| GDP | 1.36 | 1.17 | 0.7364 | 0.2636 | GDP | 1.35 | 1.16 | 0.74 | 0.26 |
| INF | 1.31 | 1.15 | 0.7614 | 0.2386 | INF | 1.3 | 1.14 | 0.7691 | 0.2309 |
| Mean VIF | 2.13 | Mean VIF | 2.06 |
Bảng 4 cho thấy, hệ số VIF trung bình (Mean VIF) cho tất cả các trường hợp mô hình với ROA và NIM tương ứng là 2.13 và 2.06, mức rất thấp và lý tưởng. Hầu hết các biến độc lập và biến kiểm soát (bao gồm cả các biến trọng tâm NBF và NBF)đều có chỉ số VIF nằm trong khoảng từ 1.15 – 4.11 (nhỏ hơn 5) và hệ số Tolerance đều lớn hơn 0.20, chứng tỏ không có hiện tượng đa cộng tuyến.
4.4. Lựa chọn mô hình
Bảng 5a. Kết quả lựa chọn mô hình tác động trực tiếp
| Kiểm định | Y = ROA | Y = NIM |
| F-test | F(26,150) = 6.67 Prob > F = 0.0000<0.05 | F(26, 150) = 12.64 Prob > F = 0.0000<0.05 |
| Hausman test | chi2(10) = 17.13 Prob > chi2 = 0.0716>0.05 | chi2(10) = 34.39 Prob > chi2 = 0.0002<0.05 |
| Breus- Pargan test | chibar2(01) = 75.35 Prob > chibar2 = 0.0000<0.05 | chibar2(01) = 100.25 Prob > chibar2 = 0.0000<0.05 |
| Kết luận | Chọn REM | Chọn FEM |
Bảng 5b. Kết quả lựa chọn mô hình tác động điều tiết
| Kiểm định | Y = ROA | Y = NIM |
| F-test | F(26, 150) = 6.46 Prob > F = 0.0000<0.05 | F(26, 149) = 12.32 Prob > F = 0.0000<0.05 |
| Hausman test | chi2(11) = 14.11 Prob > chi2 = 0.2270>0.05 | chi2(10) = 32.17 Prob > chi2 = 0.0004<0.05 |
| Breus- Pargan test | chibar2(01) = 78.18 Prob > chibar2 = 0.0000<0.05 | chibar2(01) = 101.44 Prob > chibar2 = 0.0000<0.05 |
| Kết luận | Chọn REM | Chọn FEM |
Bảng 5a, 5b cho thấy kết quả lựa chọn các mô hình ước lượng phù hợp trước khi bước vào kiểm định các khuyết tật của mô hình.
4.5 Kiểm định các khuyết tật của mô hình
(1) Kiểm định mô hình tác động trực tiếp
Bảng 6a. Kết quả kiểm định các khuyết tật mô hình trực tiếp
| Các kiểm | Y = ROA | Y = NIM | ||
| định | Hệ số | P>|z| | Hệ số | P>|z| |
| Kiểm định phương sai thay đổi | chi2 (27) =982.22 | Prob>chi2=0.0000 <0.05 | chi2 (27) =748.78 | Prob>chi2=0.0000 <0.05 |
| Kiểm định tự tương quan | F (1,26) = 3.752 | Prob > F = 0.0637 >0.05 | F (1,26) = 59.486 | Prob > F = 0.0000 <0.05 |
| Kiểm định nội sinh | Durbin (score) chi2(1) =43.2703 | p = 0.0000<0.05 | Durbin (score) chi2(1) =20.4438 | p = 0.0000<0.05 |
| AR1 | -3.11 | Pr > z = 0.002<0.05 | -2.23 | Pr > z = 0.026<0.05 |
| AR2 | -1.89 | Pr > z = 0.059>0.05 | 0.38 | Pr > z = 0.702>0.05 |
| Kiểm định Sargan | chi2(6) = 10.51 | Prob > chi2 = 0.105>0.05 | chi2(6) = 7.15 | Prob > chi2 = 0.307 >0.05 |
(2) Kiểm định mô hình tác động điều tiết
Bảng 6b. Kết quả kiểm định các khuyết tật mô hình điều tiết
| Các kiểm | Y = ROA | Y = NIM | ||
| định | Hệ số | P>|z| | Hệ số | P>|z| |
| Kiểm định phương sai thay đổi | chi2 (27) =1553.96 | Prob>chi2=0.0000 <0.05 | chi2 (27) =657.85 | Prob>chi2=0.0000 <0.05 |
| Kiểm định tự tương quan | F (1,26) = 3.658 | Prob > F = 0.0669 >0.05 | F (1,26) = 57.113 | Prob > F = 0.0000 <0.05 |
| Kiểm định nội sinh | Durbin (score) chi2(1) =29.9868 | p = 0.0000<0.05 | Durbin (score) chi2(1) =50.4232 | p = 0.0000<0.05 |
| AR1 | -2.73 | Pr > z = 0.006<0.05 | -2.13 | Pr > z = 0.033<0.05 |
| AR2 | 1.49 | Pr > z = 0.135>0.05 | -0.87 | Pr > z = 0.383>0.05 |
| Kiểm định Sargan | chi2(10) = 18.19 | Prob > chi2 = 0.052>0.05 | chi2(11) = 16.04 | Prob > chi2 = 0.140>0.05 |
Kết quả bảng 6a, 6b cho thấy, mô hình có hiện tượng phương sai thay đổi và/hoặc tự tương quan, có hiện tượng nội sinh, tự tương quan bậc 1 nhưng không tương quan bậc 2. Nghiên cứu tiến hành ước lượng theo phương pháp mô men tổng quát (GMM) để giải quyết vấn đề nội sinh và kiểm định Sargan test để đảm bảo hệ thống các biến công cụ đều hợp lệ.
4.6. Kết quả nghiên cứu
Kết quả ước lượng cả hai mô hình, tác động trực tiếp và điều tiết cho cả ROA và NIM, theo GMM được trình bày như sau:
Bảng 7. Kết quả ước lượng mô hình tác động trực tiếp và điều tiết
| Mô hình tác động trực tiếp | Mô hình tác động điều tiết | ||||
| ROA | NIM | Y =ROA | Y=NIM | ||
| FIN1 | -0.179** | 0.463* | FIN1 | 10.67* | 13.28** |
| (-2.87) | (2.04) | (2.24) | (4.03) | ||
| NBF | -0.392* | -0.734** | NBF | 0.290 | 0.216 |
| (-2.51) | (-3.20) | (1.10) | (0.82) | ||
| FIN1* NBF | -0.312* | -0.398** | |||
| (-2.23) | (-4.14) | ||||
| SIZE | 0.695** | -0.272 | SIZE | 0.293** | 0.508** |
| (4.94) | (-0.94) | (3.18) | (4.59) | ||
| CIR | -0.00699 | 0.000816 | CIR | 0.0113** | 0.01000** |
| (-0.79) | (0.13) | (5.32) | (3.04) | ||
| NPL | -0.0618 | -0.0266 | NPL | -0.0728 | -0.0720 |
| (-1.29) | (-0.65) | (-1.46) | (-1.48) | ||
| ETA | 0.136* | -0.211 | ETA | 0.0574 | 0.225** |
| (2.12) | (-1.68) | (1.44) | (4.59) | ||
| CAR | 0.105 | 0.145 | CAR | 0.0129 | 0.00892 |
| (1.48) | (1.77) | (0.36) | (0.35) | ||
| NII | 0.0214 | -0.0276* | NII | 0.00546 | 0.00263 |
| (1.53) | (-2.46) | (0.52) | (0.15) | ||
| LDR | -0.0121 | 0.0122 | LDR | 0.0195** | 0.0177* |
| (-1.07) | (1.67) | (2.88) | (2.34) | ||
| LTA | -0.000162 | -0.0466 | LTA | -0.0181 | -0.00586 |
| (-0.01) | (-1.11) | (-1.12) | (-0.24) | ||
| GDP | 0.0471** | 0.0884** | GDP | 0.0436** | 0.0273 |
| (2.66) | (3.15) | (3.03) | (1.85) | ||
| INF | -0.123 | -0.298** | INF | -0.128* | -0.0456 |
| (-1.62) | (-3.37) | (-2.44) | (-0.69) | ||
| L.ROA | 0.130 | 0.919** | L.NIM | 0.225 | 0.161 |
| (0.77) | (4.70) | (1.94) | (1.49) | ||
| _cons | -9.492 | 36.34** | _cons | -20.51* | -24.89** |
| (-1.71) | (2.85) | (-2.23) | (-3.34) | ||
| * p < 0.05, ** p < 0.01 | |||||
Ở mô hình tác động trực tiếp, ở các mức ý nghĩa 1% và 5%, Non-bank Fintech (NBF) tác động tiêu cực đến ROA với hệ số là -0,392 và ứng dụng công nghệ Bank Fintech (BF) cũng tác động tiêu cực đến ROA với hệ số -0,179. Điều này có nghĩa là, khi NBF và BF tăng thêm 1 đơn vị thì tỷ suất lợi nhuận trên tài sản của ngân hàng giảm tương ứng 0.392 và 0.179 điểm phần trăm. Đối với NIM, biến NBF giữ nguyên tác động tiêu cực với hệ số -0,734, trong khi đó, BF lại có tác động tích cực đến NIM với hệ số 0,463.
Ở mô hình tác động điều tiết, ở các mức ý nghĩa 1%, 5%, với giả định BF dần tiến tới 0, NBF hoàn toàn không có ý nghĩa thống kê trong cả hai mô hình (ROA và NIM). Tuy nhiên, khi giả định không có tương tác của Non-bank Fintech (NBF = 0), Bank Fintech lại tác động tích cực tới cả ROA và NIM tương ứng với hệ số dương 10.67 và 13.28. Đặc biệt, hệ số biến tương tác BF*NBF âm (-) tương ứng với ROA (-0.313) và NIM (-0.398) thể hiện sự phát triển của Non-bank Fintech bên ngoài có vai trò điều tiết âm trong tác động của ứng dụng Bank Fintech đến hiệu quả tài chính của ngân hàng.
5. Kết luận và khuyến nghị
Kết quả thực nghiệm cho thấy, sự phát triển độc lập của Non-bank Fintech bên ngoài Ngân hàng (NBF) tác động tiêu cực đến cả ROA và NIM của các Ngân hàng thương mại Việt Nam. Cơ chế truyền dẫn do Non-bank Fintech bên ngoài cạnh tranh trực diện, chiếm lĩnh thị phần thanh toán bán lẻ và các dịch vụ tài chính vi mô, làm xói mòn nguồn thu từ phí. Áp lực này buộc ngân hàng phải thay đổi hành vi, chấp nhận cuộc đua miễn phí dịch vụ (zero fee) và tăng mạnh chi phí hoạt động. Hơn nữa, dòng tiền dịch chuyển sang hệ sinh thái ví điện tử gây ra hiện tượng rò rỉ nguồn tiền gửi không kỳ hạn giá rẻ (CASA), đẩy chi phí vốn đầu vào tăng cao và thu hẹp biên lãi ròng. Đối với ứng dụng Bank Fintech nội bộ của Ngân hàng, mô hình ghi nhận một “nghịch lý năng suất” khi việc ứng dụng công nghệ tác động tiêu cực đến tỷ suất sinh lời trên tài sản trong ngắn hạn. Thực trạng này được cho là do chi phí đầu tư ban đầu (Capex) và chi phí vận hành (Opex) hệ thống quá khổng lồ, tạo ra gánh nặng khấu hao lớn khi năng suất biên chưa đủ bù đắp. Tuy nhiên, ứng dụng Bank Fintech lại tác động tích cực đến biên lãi ròng nhờ tự động hóa giúp tối ưu hoá quy trình cho vay; đồng thời, ứng dụng AI và Big Data giúp kiểm soát nợ xấu và tối ưu hóa cấu trúc tài sản.
Kết quả từ mô hình điều tiết ghi nhận sự đảo chiều ngoạn mục của các biến số. Khi không xét đến ảnh hưởng từ lực lượng Non-bank Fintech bên ngoài, ứng dụng công nghệ Bank Fintech trong ngân hàng bộc lộ tác động tích cực mạnh mẽ đến hiệu quả sinh lời trên cả hai chỉ số. Việc chủ động làm chủ công nghệ giúp Ngân hàng thay đổi toàn diện hàm sản xuất, gạt bỏ rào cản chi phí vận hành mạng lưới vật lý cồng kềnh để tối ưu hóa năng suất dài hạn. Tuy nhiên, hệ số của các biến tương tác mang dấu âm chỉ ra rằng, sự bành trướng của lực lượng Non-bank Fintech bên ngoài đang điều tiết tiêu cực, kìm hãm hiệu quả đầu tư công nghệ Bank Fintech nội bộ. Do mô hình hợp tác giữa Ngân hàng và các công ty Non-bank Fintech bên ngoài còn lỏng lẻo, Ngân hàng đối mặt với rủi ro bị “vô hình hóa” hạ tầng, mất quyền kiểm soát điểm chạm khách hàng và rò rỉ dòng tiền gửi không kỳ hạn (CASA). Áp lực cạnh tranh này còn có thể đẩy ngân hàng vào vòng xoáy nới lỏng tiêu chuẩn thẩm định để giữ thị phần, làm phát sinh nợ xấu và ăn mòn lợi nhuận. Đáng chú ý, khi kiểm soát tương tác, biến NBF mất hoàn toàn ý nghĩa thống kê đối với ROA và NIM. Điều này cảnh báo rằng, một ngân hàng đóng cửa với công nghệ sẽ hoàn toàn bị cô lập, tự thu hẹp quy mô và dần bị đào thải khỏi nền kinh tế số.
Từ kết quả nghiên cứu, một số khuyến nghị được đề xuất nhằm nâng cao hiệu quả ứng dụng Bank Fintech trong ngân hàng và xây dựng một hệ sinh thái tài chính số phát triển lành mạnh.
Đối với cơ quan quản lý, để xây dựng hệ sinh thái tài chính số bền vững, cần thu hẹp khoảng cách tuân thủ thông qua nguyên tắc “cùng bản chất hoạt động, cùng một quy tắc quản lý”. Việc siết chặt điều kiện kinh doanh của Fintech phi ngân hàng bắt buộc các nền tảng cho vay ngang hàng kết nối dữ liệu trực thời với Trung tâm Thông tin Tín dụng Quốc gia và yêu cầu dòng tiền chạy qua tài khoản giám sát tại ngân hàng là giải pháp căn cơ để chặn nợ xấu ẩn, bảo vệ thanh khoản. Song song đó, nhằm giúp Bank Fintech vượt qua “vùng trũng chi phí” ngắn hạn, Nhà nước cần thúc đẩy tiêu chuẩn hóa Giao diện lập trình ứng dụng mở (Open API); đồng thời, hoàn thiện hành lang cho vay kỹ thuật số, hỗ trợ kết nối dữ liệu dân cư để tối ưu hóa quy trình định danh sinh trắc học. Bên cạnh đó, cần định hướng các bên chuyển từ đối đầu sang hợp tác chiến lược theo mô hình Ngân hàng là một dịch vụ (BaaS). Việc khuyến khích Fintech nhúng giải pháp vào hạ tầng lõi của ngân hàng sẽ giúp tối ưu hóa nguồn CASA, tăng thu nhập ngoài lãi mà không gây vô hình hóa hạ tầng, kết hợp ràng buộc bảo mật đồng bộ để củng cố niềm tin số
Đối với các nhà quản trị ngân hàng, cần kiên định áp dụng nguyên tắc “hạ tầng đi trước, dịch vụ theo sau” bằng việc ưu tiên mảng hạ tầng công nghệ cốt lõi trong ngắn và trung hạn nhằm tối ưu hóa chi phí vốn và tạo bộ đệm phòng thủ vững chắc, tránh bẫy “vùng trũng chi phí”. Tiếp theo, cần tái cấu trúc mảng số hóa dịch vụ khách hàng thông qua việc chuyển dịch sang mô hình ngân hàng là một dịch vụ (BaaS) và mở cổng API cho các công ty Fintech kết nối; chiến lược này giúp nhường giao diện bề nổi cho đối tác nhưng giữ lại hệ thống xử lý lõi phía sau và dòng tiền CASA giá rẻ để chuyển áp lực cạnh tranh thành mối quan hệ cộng sinh. Bên cạnh đó, ngân hàng phải liên tục nâng cấp năng lực hấp thụ công nghệ thông qua phát triển nhân sự chất lượng cao, vận hành mô hình chấm điểm tín dụng và thiết lập khung quản lý rủi ro an ninh mạng đồng bộ nhằm bảo vệ dữ liệu, củng cố niềm tin số bền vững.
Tài liệu tham khảo:
Aoun, D., Rahal, R., Sfeir, L., & Jabbour Al Maalouf, N. (2026). Understanding millennials’ financial behavior: The role of FinTech adoption, financial literacy, and the mediating effect of financial attitudes in a crisis-affected emerging economy. International Journal of Financial Studies, 14(2), Article 35.
Buchak, G., Matvos, G., Piskorski, T., & Seru, A. (2018). FinTech, regulatory arbitrage, and the rise of shadow banks. Journal of Financial Economics, 130(3), 453-483.
Cheng, M., & Qu, Y. (2020). Does bank FinTech reduce credit risk? Evidence from China. Pacific-Basin Finance Journal, 63, Article 101398.
Dong, J., Yin, L., Liu, X., Hu, M., Li, X., & Liu, L. (2020). Impact of internet finance on the performance of commercial banks in China. International Review of Financial Analysis, 72, Article 101579.
Ferilli, G. B., Palmieri, E., Miani, S., & Stefanelli, V. (2024). The impact of FinTech innovation on digital financial literacy in Europe: Insights from the banking industry. Research in International Business and Finance, 69, Article 102218.
Haddad, C., & Hornuf, L. (2021). The impact of FinTech startups on financial institutions’ performance and default risk (Working Paper). Max Planck Institute for Innovation and Competition.
Hanson, T. A., & Ott, C. J. (2026). Trust in financial technology: The role of financial literacy, digital financial literacy, technological literacy, and trust in artificial intelligence. Journal of Risk and Financial Management, 19(2), Article 97.
Hồng, T., & Tuấn, T. N. H. (2023). Tác động của FinTech tới hiệu quả hoạt động của ngân hàng thương mại. Tạp chí Ngân hàng, (15), 22-29.
Huyền, T. V. T., Trung, T. T., Văn, L. N., & Thị, G. L. (2022). Tác động của hạ tầng công nghệ thông tin tới khả năng sinh lời của các ngân hàng thương mại Việt Nam. Tạp chí Kinh tế và Phát triển, 302(2), 81-90.
Klus, M. F., Lohwasser, T. S., Holotiuk, F., & Moormann, J. J. (2019). Strategic alliances between banks and fintechs for digital innovation: Motives to collaborate and types of interaction. The Journal of Entrepreneurial Finance, 21(1), 1-23.
Lee, I., & Shin, Y. (2018). FinTech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), 35046.
Li, Q., Zhu, R., & Qin, W. (2024). Does the Fintech create value? A textual analysis of commercial banks in China. Technology Analysis & Strategic Management, 36(10), 2398-2413.
Nguyen, Q. K. (2022). The effect of FinTech development on financial stability in an emerging market: The role of market discipline. Research in Globalization, 5, Article 100105.
Nhung, Đ. H., Nguyễn, T. L. A., & Lê Minh, T. (2024). Ứng dụng FinTech và hiệu quả hoạt động của ngân hàng: Bằng chứng thực nghiệm từ các ngân hàng Việt Nam. Tạp chí Kinh tế – Luật và Ngân hàng, (266), 127-141.
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.
Tam, L. T., Mai, H. N., Phan, D. T., Nguyen, M., & Le, H. D. (2021). FinTech innovations: The impact of mobile banking apps on bank performance in Vietnam. International Journal of Research and Review, 8(4), 391-401.
Trang, et al. (2024). Chuyển đổi số: Tác động của ứng dụng công nghệ thông tin tới rủi ro của ngân hàng thương mại. VNU Journal of Economics and Business, 4(1), 42-50.
Trung, L. H. (2024). Tác động của mức độ quan tâm đến công nghệ tài chính tới hoạt động của các ngân hàng thương mại Việt Nam. Tạp chí Kinh tế và Phát triển, (319), 24-33.
Wang, Y., Xiuping, S., & Zhang, Q. (2021). Can FinTech improve the efficiency of commercial banks? An analysis based on big data. Research in International Business and Finance, 55, Article 101338.
Williamson, O. E. (1985). The economic institutions of capitalism: Firms, markets, relational contracting. Free Press.
Wu, T. P., Wu, H. C., Liu, S. B., Hsueh, H. P., & Wang, C. M. (2020). Causality between peer-to-peer lending and bank lending in China: Evidence from a panel data approach. The Singapore Economic Review, 65(6), 1537-1557.
Xia, H., & Nada, C. (2018). Third-party payments impact on commercial banks’ non-interest income: Evidence from China. International Journal of Economics and Finance, 10(8), 118–123.
Yang, W., Chu, C.-C., Yang, J., & Ye, X. (2023). The impact of internet finance on the profit efficiency of commercial banks: Theory and evidence from China. SAGE Open, 13(1), Article 21582440231158050.
Zhao, J., Li, X., Yu, C.-H., Chen, S., & Lee, C.-C. (2022). Riding the FinTech innovation wave: FinTech, patents and bank performance. Journal of International Money and Finance, 122, Article 102552.
