Phát triển Fintech và rủi ro tín dụng ngân hàng tại Việt Nam: Bằng chứng phi tuyến và vai trò của quy mô từ SGMM và học máy

Phạm Anh Thuỷ

DOI: https://doi.org/10.63065/ajeb.vn.2026.245.004

Email: thuypa@hub.edu.vn

Đơn vị công tác:

Ngày nhận bài: 11/09/2026

Ngày nhận bài sửa: 11/09/2026

Ngày duyệt đăng: 11/09/2026

Lượt xem: 11

Downloads: 0

Các định dạng trích dẫn

Tóm tắt

Mục tiêu nghiên cứu: Nghiên cứu này đánh giá tác động của công nghệ tài chính (Fintech) đến rủi ro tín dụng (RRTD) của các ngân hàng thương mại (NHTM) Việt Nam, đồng thời xem xét tính phi tuyến và sự khác biệt theo quy mô ngân hàng.

Thiết kế nghiên cứu/phương pháp/tiếp cận: Dữ liệu bảng của 28 ngân hàng giai đoạn 2010–2024 được sử dụng; RRTD đo bằng tỷ lệ nợ xấu (NPL), Fintech đo bằng chỉ số tổng hợp từ PCA. Mô hình System GMM được áp dụng để xử lý nội sinh. Song song, Random Forest kết hợp với SHAP được triển khai nhằm đánh giá dự báo và nhận diện các quan hệ phi tuyến, tương tác.

Kết quả nghiên cứu chính: Fintech có tác động làm gia tăng NPL. Mối quan hệ mang tính phi tuyến theo hướng gia tăng, với tác động mạnh hơn ở mức phát triển Fintech cao. Đồng thời, sự ảnh hưởng này có xu hướng suy giảm tại các ngân hàng quy mô lớn. Kết quả từ học máy nhất quán với ước lượng kinh tế lượng và cung cấp thêm bằng chứng về vai trò của phi tuyến và tương tác.

Giá trị đóng góp mới: Nghiên cứu cung cấp bằng chứng mới về mối quan hệ Fintech–RRTD tại Việt Nam, nhấn mạnh tính phi tuyến và không đồng nhất, đồng thời khẳng định giá trị của việc kết hợp kinh tế lượng với học máy trong phân tích thực nghiệm.

Từ khóa

Fintech, ngân hàng, rủi ro tín dụng, học máy, SGMM.

Download Mua ngay Buy now

Tài liệu tham khảo

Anestiawati, C. A., Amanda, C., Khantinyano, H., & Agatha, A. (2026). Bank FinTech and credit risk: comparison of selected emerging and developed countries. Studies in Economics and Finance, 43(2), 281-309. https://doi.org/10.1108/SEF-12-2023-0714.

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51. https://doi.org/10.1016/0304-4076(94)01642-D.

Berg, T., Burg, V., Gombović, A., & Puri, M. (2020). On the Rise of FinTechs: Credit Scoring Using Digital Footprints. The Review of Financial Studies, 33(7), 2845-2897. https://doi.org/10.1093/rfs/hhz099.

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143. https://doi.org/10.1016/S0304-4076(98)00009-8.

Boot, A. W. A., & Thakor, A. V. (2000). Can Relationship Banking Survive Competition? The Journal of Finance, 55(2), 679-713. https://doi.org/10.1111/0022-1082.00223.

Boyd, J. H., & De Nicoló, G. (2005). The Theory of Bank Risk Taking and Competition Revisited. The Journal of Finance, 60(3), 1329-1343. https://doi.org/10.1111/j.1540-6261.2005.00763.x.

Boyd, J. H., & Prescott, E. C. (1986). Financial intermediary-coalitions. Journal of Economic Theory, 38(2), 211-232. https://doi.org/10.1016/0022-0531(86)90115-8.

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. https://doi.org/10.1016/j.jfineco.2018.03.011.

Bussmann, N., Giudici, P., Marinelli, D., & Papenbrock, J. (2021). Explainable Machine Learning in Credit Risk Management. Computational Economics, 57(1), 203-216. https://doi.org/10.1007/s10614-020-10042-0.

Diamond, D. W. (1984). Financial Intermediation and Delegated Monitoring. The Review of Economic Studies, 51(3), 393. https://doi.org/10.2307/2297430.

Famà, A., Myftiu, J., Pagnottoni, P., & Spelta, A. (2024). Explainable machine learning for financial risk management: two practical use cases. Statistics, 58(5), 1267-1282. https://doi.org/10.1080/02331888.2024.2401078.

Fuster, A., Goldsmith‐Pinkham, P., Ramadorai, T., & Walther, A. (2022). Predictably Unequal? The Effects of Machine Learning on Credit Markets. The Journal of Finance, 77(1), 5-47. https://doi.org/10.1111/jofi.13090.

Goldstein, I., Jiang, W., & Karolyi, G. A. (2019). To FinTech and Beyond. The Review of Financial Studies, 32(5), 1647-1661. https://doi.org/10.1093/rfs/hhz025.

He, Y., & Fan, W. (2025). FinTech, bank risk-taking, and credit allocation. Humanities and Social Sciences Communications, 12(1), 1670. https://doi.org/10.1057/s41599-025-05931-4.

Kou, G., Chao, X., Peng, Y., Alsaadi, F. E., & Herrera-Viedma, E. (2019). Machine Learning Methods For Systemic Risk Analysis In Financial Sectors. Technological and Economic Development of Economy, 25(5), 716-742. https://doi.org/10.3846/tede.2019.8740.

Kumar, V. S. (2024). Artificial Intelligence in Economic Analysis: An Overview of Techniques, Applications and Challenges. Asian Journal of Economics, Finance and Management, 6(1), 388-396. https://doi.org/10.56557/ajefm/2024/v6i1246.

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.

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. NIPS’17: Proceedings of the 31st International Conference on Neural Information Processing Systems, 4768-4777.

Martinez-Miera, D., & Repullo, R. (2010). Does Competition Reduce the Risk of Bank Failure? Review of Financial Studies, 23(10), 3638-3664. https://doi.org/10.1093/rfs/hhq057.

Mullainathan, S., & Spiess, J. (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31(2), 87-106. https://doi.org/10.1257/jep.31.2.87.

Nguyen, Q. K., & Dang, V. C. (2022). The effect of FinTech development on financial stability in an emerging market: The role of market discipline. Research in Globalization, 5, 100105. https://doi.org/10.1016/j.resglo.2022.100105.

Nguyễn Hồng Yến & Nguyễn Văn Hải. (2024). Tác động của doanh nghiệp fintech tới sự ổn định của hệ thống ngân hàng thương mại Việt Nam. Tạp Chí Kinh Tế và Phát Triển, 96-104. https://doi.org/10.33301/JED.VI.1910.

Pham, T. T. (2025). Drivers of bank stability in Vietnam’s emerging economy: an advanced machine learning, regularization and explainable AI approach. Journal of Economic Studies, 1-20. https://doi.org/10.1108/JES-04-2025-0237.

Phạm Thuỷ Tú & Phạm Anh Thuỷ. (2026). Hiệu ứng ngưỡng và vai trò điều tiết của fintech trong mối quan hệ giữa ngân hàng nước ngoài và cạnh tranh dưới bất định vĩ mô tại Việt Nam. Tạp Chí Quản Lý và Kinh Tế Quốc Tế. https://doi.org/10.38203/jiem.vi.082025.1328.

Phan, D. V., & Pham, T. T. (2025). Causal and nonlinear effects of digital financial inclusion on bank stability: Evidence from emerging and advanced economies. Banks and Bank Systems, 20(4), 153-171. https://doi.org/10.21511/bbs.20(4).2025.13.

Philippon, T. (2017). The FinTech Opportunity. NBER Working Paper No. 22476. National Bureau of Economic Research. https://doi.org/10.3386/ w22476.

Sadhwani, A., Giesecke, K., & Sirignano, J. (2021). Deep Learning for Mortgage Risk*. Journal of Financial Econometrics, 19(2), 313-368. https://doi.org/10.1093/jjfinec/nbaa025.

Tang, H. (2019). Peer-to-Peer Lenders Versus Banks: Substitutes or Complements? The Review of Financial Studies, 32(5), 1900-1938. https://doi.org/10.1093/rfs/hhy137.

Tu, P. T., Oanh, D. L. K., & Trang, D. D. (2025). Machine Learning and Parameter Optimization for Banking Stability Prediction and Determinants Identification in ASEAN. Emerging Science Journal, 9(3), 1189-1208. https://doi.org/10.28991/ESJ-2025-09-03-04.

Vives, X. (2019). Digital Disruption in Banking. Annual Review of Financial Economics, 11(1), 243-272. https://doi.org/10.1146/annurev-financial-100719-120854.